ارائه یک مدل پیش بینی انتشار ویروس کووید-۱۹ در دوره بعد از واکسیانسیون با استفاده از شبکه های عصبی مصنوعی

کووید-۱۹ بر زندگی آنطور که شناخته شده است، بسیار تاثیر گذاشته است، زیرا ویروس در عرض چند هفته پس از ظهور به سرعت در سراسر جهان پخش شد .اقتصادها را سرنگون کرده است، سیستم های مراقبت های بهداشتی را در سراسر جهان آزمایش کرده است و متاسفانه جان بسیاری را در این روند گرفته است .در حالی که تحقیقات گسترده ای این موضوع را در مقیاس وسیع با تمرکز بر کل کشورها و ایالت ها تجزیه و تحلیل کرده است، به دلیل فقدان داده های موجود-COVID۱۹در این مورد، تمرکز زیادی روی مقیاس میانی، عمدتا شامل شهرها و شهرها نشده است .با این حال، در مورد کشورهایی مانند ایالات متحده که محدودیت های سفر بین المللی و بین ایالتی در آن ها اعمال شده است، همچنین قبلا ثابت شده است که بسیاری از انتقال ویروس کرونا در مقیاس کوچکتر در جوامع رخ می دهد .بنابراین، با استفاده از مجموعه داده ای در شهر ایالت کنکتیکات از اوایل سال ۲۰۲۰ که حاوی هفده شهر مختلف است که داده های آن پس از واکسیناسیون جمع آوری شده است ، چندین مدل یادگیری عمیق را با استفاده از شبکه های عصبی مختلف برای پیش بینی تعداد موارد هر شهر در ایالت پیشنهاد شده است .یکی از عوامل نادیده گرفته شده در مدل های اپیدمی موجود، تعامل بین شهرها است .بنابراین فاصله بین شهرها را در یکی از مدل ها گنجانده شده است تا قدرت تعاملات بین شهر را اندازه گیری شود تا به پیش بینی کمک کند و همان طور که از نتایج نشان داده است هر چه میزان فاصله شهر ها دارای ویروس کرونا بیشتر شود به شدت کمتری شیوع پیدا می کند . در مدل دیگر با استفاده از تلفیق روش های شبکه عصبی سری زمانی با ازدحام ذرات و ژننتیک سعی شده است تا به بهینه ترین حالت ممکن دسترسی پیدا شود که از طریق مدل های خود و نتایج پیشبینی مربوطه آن ، هدف ارائه بینشی در مورد آمادگی بهتر برای همه گیری های آینده، به ویژه در سطح جامعه است

کلیدواژه ها:

کرونا ، مقیاس داده ها ، شرایط اجتماعی ، روش های هوش مصنوعی