مطالعه ای داده محور و مبتنی بر یادگیری ماشین بر رشد نمایی و پیش بینی کوتاه مدت شیوع کووید-۱۹ در ایران

گسترش سریع کووید-۱۹ اهمیت روش های داده محور و پیش بینی کوتاه مدت برای درک پویایی اپیدمی و حمایت از تصمیم گیری به موقع را نشان داده است. در این پژوهش چارچوبی چندمرحله ای بر پایه مدل های آماری کلاسیک و هوش مصنوعی برای تحلیل رشد اولیه و پیش بینی کوتاه مدت شیوع کووید-۱۹ در ایران ارائه شد. داده های روزانه تجمعی پس از پاکسازی و مرتب سازی زمانی مورد استفاده قرار گرفتند. فاز اولیه اپیدمی با مدل رشد نمایی تحلیل شد و نرخ رشد روزانه و زمان دوبرابر شدن برآورد گردید. برای پیش بینی کوتاه مدت مدل سری زمانی ARIMA و الگوریتم رگرسیون جنگل تصادفی با ویژگی هایی نظیر مقادیر وقفه دار میانگین های متحرک و نرخ رشد روزانه به کار گرفته شد و یک مدل مرجع ساده به عنوان معیار مقایسه در نظر گرفته شد. عملکرد مدل ها با شاخص های خطای RMSE، MAE و MAPE و مقایسه بصری پیش بینی ها ارزیابی شد. نتایج نشان می دهد که مدل رشد نمایی رفتار اولیه اپیدمی را توضیح می دهد اما روش های داده محور و یادگیری ماشین دقت بالاتری در پیش بینی کوتاه مدت دارند. این مطالعه بر نقش مکمل هوش مصنوعی و مدل های آماری در تحلیل اپیدمی ها و کاربرد عملی روش های داده محور در سلامت عمومی تاکید می کند.

کلیدواژه ها:

کووید-۱۹ ، رشد نمایی ، پیش بینی کوتاه مدت ، مدلسازی داده محور ، یادگیری ماشین