Iranian Journal of Health Insurance

fa پیش‌بینی شیوع بیماری کووید-19 با استفاده از سری‌های زمانی در شهرستان مهریز Forecasting the Spread of COVID-19 Using Time Series in Mehriz City, Iran عمومى General پژوهشي Research <div style="text-align: justify;">مقدمه: بیماری کووید-۱۹ یک بیماری تنفسی است که در اثر سندرم تنفسی حاد کرونا ویروس-۲ ایجاد می‌شود. پیش‌بینی تعداد موارد جدید و مرگ‌و‌میر می‌تواند گام مفیدی در راستای پیش‌بینی هزینه‌ها و امکانات مورد نیاز در آینده باشد. هدف از این مطالعه مدل‌سازی، مقایسه عملکرد مدل‌ها و پیش‌بینی موارد جدید و مرگ‌ومیر در آینده نزدیک است. روش بررسی: در این مقاله ۹ تکنیک پیش‌بینی بر روی داده‌های کووید-۱۹ شهرستان مهریز به‌عنوان یک مطالعه موردی از تاریخ ۰۷/۱۲/۱۳۹۸ الی ۲۸/۰۹/۱۴۰۰ تحت آزمایش قرار گرفت و با استفاده از معیارهای ارزیابی میانگین مربعات خطا (MSE)، جذر میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE) و میانگین درصد قدر مطلق خطا (MAPE) در مدل‌ها با هم مقایسه شدند. یافته‌ها: برای موارد تجمعی بستری مدل‌های ARIMA، نمایی، هولت-وینترز و STL عملکرد بهتر و شبکه‌های عصبی اتورگرسیو، تتا و رگرسیون KNN عملکرد نامناسبی را از خود نشان دادند. همچنین برای موارد تجمعی مرگ‌ومیر، مدل‌های رگرسیون KNN، نمایی و تتا دارای عملکرد بهتری در پیش‌بینی موارد تجمعی مرگ‌ومیر هستند و شبکه‌های عصبی اتورگرسیو، ARIMA و هموارسازی اسپلاین مکعبی عملکرد نامناسبی از خود نشان دادند. نتیجه‌گیری: بهترین مدل با توجه به معیارهای ارزیابی مذکور برای پیش‌بینی موارد تجمعی بستری کووید-۱۹ مدل STL و برای موارد تجمعی فوت مدل رگرسیون KNN است. همچنین مدل شبکه‌های عصبی اتورگرسیو دارای بدترین عملکرد در میان دیگر مدل‌ها، برای موارد بستری و هم موارد فوت است. نکته حائز اهمیت این است که باید داده‌ها در زمان واقعی به‌روز شوند.</div> <div style="text-align: justify;">Introduction: Coronavirus disease 2019 or COVID-19, which is also called acute respiratory disease NCAV-2019 or commonly called corona, is a respiratory disease caused by acute respiratory syndrome coronavirus-2. Forecasting the number of new cases and deaths today can be a useful step in predicting the costs and facilities needed in the future. This study aims to model and predict new cases and deaths efficiently in the future. Methods: In this article, 9 forecasting techniques were tested on the data of COVID-19 of Mehriz city, Iran as a case study from 2020/02/26 to 2021/12/19 and using the evaluation criteria of mean square error (MSE), root mean square error (RMSE), mean absolute error (MAE) and mean absolute percentage error (MAPE) of the models were compared. Results: For cumulative cases of hospitalization, ARIMA, Exponential, Holt-Winters, and STL models performed better and autoregressive neural networks, Theta, and KNN regression showed poor performance. Also, for cumulative mortality cases, KNN regression, Exponential and Theta models have better performance in predicting cumulative mortality cases, and autoregressive neural networks, ARIMA, and cubic spline smoothing showed poor performance. Conclusion: the best model according to the mentioned evaluation criteria for predicting cumulative cases of hospitalization of COVID-19 is STL model and for cumulative cases of death is the KNN regression model. Also, the autoregressive neural network model has the worst performance among other models, both for hospitalization and death cases. Also, the important point is that the data should be updated in real-time.</div> کووید-19, کروناویروس سندرم حاد تنفسی-2, ذاتالریه, بیماری ویروسی COVID-19, SARS-CoV-2, Virus Disease, Pneumonia 113 122 http://journal.ihio.gov.ir/browse.php?a_code=A-10-413-1&slc_lang=fa&sid=1 Mohammad Hossei Karimizarchi محمدحسین کریمی زارچی karimizarchi.ie@yahoo.com 10031947532846004642 10031947532846004642 No Department of Industrial Engineering, Faculty of Technology and Engineering, Yazd University, Yazd گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه یزد، یزد Davood Shishebori داود شیشه‌بری shishebori@yazd.ac.ir 10031947532846004643 10031947532846004643 Yes Department of Industrial Engineering, Faculty of Technology and Engineering, Yazd University, Yazd گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه یزد، یزد