مقایسه مدل‌ها در پیش‌بینی موارد تجمعی بستری و فوت کووید-19 (مطالعه موردی: شهرستان بهاباد)

مقدمه: بیماری کووید-19، یک بیماری تنفسی است که در اثر سندرم تنفسی حاد کرونا ویروس-2 ایجاد شده است. پیش‌بینی تعداد موارد جدید و مرگ‌و‌میر می‌تواند گام مفیدی در پیش‌بینی هزینه‌ها و امکانات مورد نیاز در آینده باشد. هدف از این مطالعه مدلسازی، مقایسه عملکرد مدل‌ها و پیش‌بینی موارد جدید بستری و مرگ‌ومیر در آینده نزدیک است.روش پژوهش: در این مقاله 9 تکنیک پیش‌بینی بر روی داده‌های کووید-19 شهرستان بهاباد استان یزد 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 قدرمطلق خطا (mape) مدل‌ها باهم مقایسه شدند.یافته‌ها: نتایج تحلیل نشان داد، بهترین مدل با توجه به معیارهای ارزیابی مذکور برای پیش‌بینی موارد تجمعی بستری کووید-19 مدل هموارسازی اسپلاین مکعبی و برای موارد تجمعی فوت مدل رگرسیون knn می‌باشد. هم‌چنین مدل شبکه‌های عصبی اتورگرسیو و مدل تتا برای موارد بستری و برای موارد فوت مدل شبکه‌های عصبی اتورگرسیو دارای بدترین عملکرد را در میان دیگر مدل‌ها دارا می‌باشد.نتیجه‏گیری: این مطالعه می‌تواند درک مناسبی از روند شیوع بیماری کووید-19 در این منطقه ارائه کند تا با اتخاذ اقدامات احتیاطی و تدوین سیاست های مناسب بتوان به نحو احسن از این بیماری عبور کرد. هم‌چنین برخلاف مطالعات دیگر این مطالعه، از 9 تکنیک متفاوت و مقایسه آن‌ها، استفاده کرده است که به نوبه خود ضریب اطمینان را در تصمیم‌گیری بالا برده است. هم‌چنین نکته‌ای که حائز اهمیت می‌باشد این است که باید داده‌ها در زمان واقعی بروز شوند.

comparison of models in predicting cumulative cases of hospitalization and death of covid-19 (case study: bahabad city

introduction: coronavirus disease 2019 is a respiratory disease caused by acute respiratory syndrome coronavirus-2. forecasting the number of new cases and deaths during todays can be a useful step in predicting the costs and facilities needed in the future. this study aims to modeling, comparing the performance of models, and predict new cases and deaths efficiently in the future.methods: in this article nine popular forecasting techniques are tested on the data of covid-19 in bahabad city as a case study. using the evaluation criteria of mean square error (mse), root mean square error (rmse), mean absolute error (mae), and the mean absolute percentage of error (mape) of the models are compared. results: the results of the analysis showed that the best model according to the evaluation criteria for forecasting cumulative cases of hospitalization of covid-19 is the cubic spline smoothing model, and cumulative cases of death, knn regression model. also, autoregressive neural network and theta models for hospitalization cases, and for death cases, autoregressive neural network model has the worst performance among other models.conclusion: this study can provide a proper understanding of the spread of covid-19 disease in this region so that by taking precautionary measures and formulating appropriate policies, this epidemic can be effectively overcome. also, unlike other studies, this study uses 9 different techniques and their comparison, which in turn increases the confidence factor in decision making. also, an important point is that the data should be updated in real time.