دوره 6، شماره 2 - ( تابستان 1402 )
جلد 6 شماره 2 صفحات 122-113 |
برگشت به فهرست نسخه ها
1- گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه یزد، یزد
2- گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه یزد، یزد ،shishebori@yazd.ac.ir
2- گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه یزد، یزد ،
چکیده: (2701 مشاهده)
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.
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.
نوع مطالعه: پژوهشي |
موضوع مقاله:
عمومى
دریافت: 1402/1/16 | ویرایش نهایی: 1402/8/28 | پذیرش: 1402/5/8 | انتشار الکترونیک: 1402/6/29
دریافت: 1402/1/16 | ویرایش نهایی: 1402/8/28 | پذیرش: 1402/5/8 | انتشار الکترونیک: 1402/6/29
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |