التنبؤ بعدد الحالات المؤكدة لكوفيد - 19 باستخدام تحليل السلاسل الزمنية

المؤلفون

  • أكرم محمد رضوان الكلية الجامعية للعلوم التطبيقية

الكلمات المفتاحية:

كوفيد-19، التحليل التنبؤي، التعلم الآلي، الانحدار، السلاسل الزمنية

الملخص

تعد جائحة كورونا (COVID-19) تهديدًا صحياً عالمياً رئيسياً انتشر بسرعة كبيرة في جميع أنحاء العالم. في الدراسة الحالية، قدمنا نموذجاً للتنبؤ لتقدير عدد الحالات المؤكدة لكوفيد- 19 في الأسبوعين المقبلين بناءً على أعداد الحالات المؤكدة مسبقاً التي سجلت في 62 دولة حول العالم. تمثل الحالات التراكمية لتلك الدول حوالي 95 % من الإجمالي العالمي حتى تاريخ جمع البيانات. تم استخدام سبع خوارزميات انحدار لثلاث جولات من التنبؤات بناءً على البيانات التي تم جمعها في الفترة ما بين 21 فبراير 2020 و29 ديسمبر 2020. تم استخراج عدد من ميزات السلاسل الزمنية باستخدام أساليب هندسة الميزات لتحويل التنبؤ بالسلاسل الزمنية إلى مسألة تعلم آلي خاضع للإشراف، ثم باستخدام الميزات الأكثر أهمية تم بناء نماذج الانحدار لعمل التنبؤ المطلوب. تم تقييم أداء النماذج باستخدام المقاييس التالية: جذر متوسط الخطأ اللوغاريتمي التربيعي، جذر متوسط الخطأ التربيعي، متوسط الخطأ المطلق، متوسط نسبة الخطأ المطلق، معامل التحديد (مربع معامل الارتباط) ووقت التنفيذ. أظهرت نتائج هذا البحث أن أداء نماذج الانحدار كانت جيدة، واستطاعت تقليل الخطأ بنسبة 72 % مع معامل تحديد عالٍ R2 وصل لـ 990. على وجه الخصوص، أظهرت كلّ من خوارزميات XGB و Random Forest كفاءة أعلى في الأداء مقارنة مع الخوارزميات الأخرى.

السيرة الشخصية للمؤلف

أكرم محمد رضوان، الكلية الجامعية للعلوم التطبيقية

أستاذ مساعد/ الكلية الجامعية للعلوم التطبيقية / فلسطين

المراجع

Oliveira, T. P., Moral, R. A., "Global Short-Term Forecasting of Covid-19 Cases". Scientific Reports, vol. 11, pp. 1–22, 2021.

Ahmad, A., et al. "The Number of Confirmed Cases of Covid-19 by using Machine Learning: Methods and Challenges". Archives of Computational Methods in Engineering, vol 28, pp. 2645–2653, 2020.

Vytla, V., et al. “Mathematical models for predicting COVID-19 pandemic: a review”. Journal of Physics: Conference Series, vol. 1797, 2021.

Rath S., Tripathy A., Tripathy A.R., "Prediction of new active cases of coronavirus disease (COVID-19) pandemic using multiple linear regression model". Diabetes Metab Syndr Clin Res Rev. vol. 14, no. 5, pp. 1467–1474, 2020.

Hernandez-Matamoros, A., Fujita, H., Hayashi, T., Perez-Meana, H. "Forecasting of COVID19 per regions using ARIMA models and polynomial functions". Applied soft computing. vol. 96, 2020.

Chowdhury, A.A., Hasan, K.T., Hoque, K.K.S., "Analysis and Prediction of COVID-19 Pandemic in Bangladesh by Using ANFIS and LSTM Network". Cognitive Computation, vol. 13, pp. 761–770, 2021.

Feng S., et al. "Prediction of the COVID-19 epidemic trends based on SEIR and AI models". PLoSONE, vol. 16, no. 1, 2021

Hassanat, A.B., et al. "A Simulation Model for Forecasting COVID-19 Pandemic Spread: Analytical Results Based on the Current Saudi COVID-19 Data". Sustainability, vol. 13, 4888, 2021.

Al-qaness, M.A.A. et al. "Optimization Method for Forecasting Confirmed Cases of COVID-19 in China". Journal of Clinical Medicine, vol. 9, no. 3, 674, 2020.

Samson, T. K., Ogunlaran, O. M., Raimi, O. M., "A Predictive Model for Confirmed Cases of COVID-19 in Nigeria". European Journal of Applied Sciences, vol. 8, no. 4, pp. 1–10, 2020.

Ribeiro, M.H., et al. "Short-term forecasting COVID-19 cumulative confirmed cases: Perspectives for Brazil". Chaos, Solitons and Fractals, vol. 135, pp. 1-10, 2020.

Breiman L., "Random forests". Machine Learning, vol. 45, no. 1, pp. 5-32, 2001.

Gumaei, A., et al. "Prediction of COVID-19 confirmed cases using gradient boosting regression method". Computers, Materials and Continua, vol. 66, pp. 315-329, 2021.

Chen, T., Guestrin, C. "Xgboost: A scalable tree boosting system". In Proceedings of the 22Nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD ’16, New York, NY, USA. ACM, pp. 785–794, 2016.

Ke G., et al. "LightGBM: A Highly Efficient Gradient Boosting Decision Tree". Advances in Neural Information Processing Systems, vol. 30, pp. 3149–3157, 2017.

Drucker H , Burges CJC , Kaufman L. and Smola AJ , Vapnik V., "Support Vector Regression Machines". In Mozer MC, Jordan MI, Petsche T, editors. Advances in neural information processing systems 9. MIT Press, pp.155–61, 1997.

Ribeiro, M.H.D.M., Coelho, L.S., "Ensemble approach based on bagging, boosting and stacking for short-term prediction in agribusiness time series". Applied soft computing, vol. 86, 2020.

التنزيلات

منشور

2023-01-16

الأعمال الأكثر قراءة لنفس المؤلف/المؤلفين

عذراً: هذه الإضافة تتطلب تمكين إضافة إحصائيات/تقارير واحدة على الأقل حتى تتمكن من العمل. إن كانت إضافات الإحصائيات لديك تقدم أكثر من مقياس واحد، فعليك أيضاً اختيار مقياس رئيسي منها عند صفحة إعدادات الموقع و/أو عند صفحات الإدارة الخاصة برئيس تحرير المجلة.