پیش بینی مکانی - زمانی مناطق پرخطر بیماری کرونا با استفاده از روشهای رگرسیون وزندار جغرافیایی و شبکه عصبی پرسپترون چندلایه

یکی از مسری ترین بیماری های سال های اخیر کووید 19(کرونا) است که از اواخر سال 2019 میلادی از شهر ووهان- چین به سراسر جهان شیوع پیدا کرد و جهان را با بحران های بسیار مواجه و تاثیر عمیقی در دنیا و زندگی روزمره انسان ها گذاشت. در بیشتر افراد آلوده به این بیماری باعث بروز علائم تنفسی شده که شدت آن بستگی به سیستم ایمنی بدن فرد دارد. اهداف اصلی این تحقیق، کشف خوشه ها و پیش بینی مناطق پرخطر بیماری کرونا، مقایسه کارایی دو روش پیشنهادی و تعیین پارامترهای موثر به تفکیک شهرستان می باشد. در این تحقیق به منظور بررسی الگوی توزیع نرخ بروز بیماری و خوشه ها به ترتیب از شاخص موران و شاخص تحلیل نقطه داغ و به منظور تعیین پارامترهای موثر بیماری از ضریب همبستگی پیرسون استفاده شد. در این تحقیق داده ‌های آماری بیماری کرونای استان آذربایجان شرقی در سطح شهرستان به همراه داده های محیطی و توپوگرافی، سلامت و بهداشت، اقتصادی و تسهیلات شهری در محدوده زمانی 3 اسفند 1398 تا 30 آبان 1399، بصورت هفتگی جمع‌ آوری گردید. مطابق نتایج بدست آمده روند بروز بیماری کرونا طی این بازه زمانی دو پیک را پشت سر گذاشته و براساس نقشه های بدست آمده از دو مدل در برخی هفته ها مدل gwr و در برخی مدل mlp مدل برتری بود. همچنین برای مدل gwr مقدار شاخص خوبی برازش 0.8985 و خطای جذر میانگین مربعات نرمال شده 0.0822 و برای مدل mlp نیز بترتیب برابر با 0.8226 و 0.1340 بدست آمد که نشان می دهد روش gwr مناسبتر است. آنالیز تحلیل حساسیت پارامترهای مختلف نشان داد که پارامتر های نرخ بروز کرونای هفته ماقبل و سرعت باد مهمتر از سایر پارامترهای مدسازی شده در این مساله می باشد. در این تحقیق پارامترهای موثر به تفکیک هر شهرستان استخراج گردید و یک مدل محلی ارائه شد که در مقایسه با حالت کلی، مدل محلی دقت بهتری نسبت به مدل کلی روش mlp دارا بود.

spatial-temporal prediction of high-risk areas of covid-19 disease using geographically weighted regression and multi layer perceptron neural network

one of the most contagious diseases of recent years is covid 19 disease (corona), which has spread from wuhan, china to the rest of the world since late 2019, causing many crises and a profound impact on the world and our daily lives. in most people infected with the disease, it causes respiratory symptoms, the severity of which depends on the person’s immune system. the main objectives of this study are to discover the clusters and predict the high risk areas of covid 19 disease, compare the efficiency of the two proposed methods and determine the effective parameters by city. in this study, moran index and hot spot analysis index were used to investigate the distribution pattern of disease incidence rates and clusters, respectively, and pearson correlation coefficient was used to determine effective disease parameters. in this study, statistical data of covid 19 disease of east azerbaijan province in the city along with environmental and topographic, health, economic and urban facilities data in the period from february 22, 2020 to november 20, 2020, were collected weekly. according to the results, the incidence of covid 19 disease during this period has passed two peaks and according to the maps obtained from the two models, in some weeks the gwr model and in some weeks the mlp model was the superior model; also, for the gwr model, the goodness of fit index value is 0.8985 and the normalized root mean square error is 0.0822 and for the mlp model is 0.8226 and 0.1340, respectively, which shows that the gwr method is more appropriate. sensitivity analysis of different parameters showed that the parameters of the covid 19 incidence rate of the previous week and wind speed are more important than other modeled parameters in this issue. in this study, effective parameters were extracted separately for each city and a local model was presented that compared to the general state of the model, the local model had better accuracy than the general model of the mlp method.