پیش‌بینی نرخ ابتلا و فوت ناشی از کووید-19 در ایران با استفاده از شبکه عصبی حافظه طولانی کوتاه‌مدت

مقدمه: گسترش سریع بیماری کووید-19 به یک تهدید جدی برای جهان تبدیل شده است. تاکنون میلیون‌ها نفر در سراسر جهان به این بیماری مبتلا شده‌اند. همه‌گیری کووید-19 بر جنبه‌های مختلف زندگی بشر اثرات قابل توجهی داشته است. به منظور ایمنی و ایجاد تمهیدات لازم، پیش‌بینی نرخ شیوع ویروس در این زمان ضروری است. این امر می‌تواند به کنترل نرخ همه‌گیری و مرگ و میر آن کمک نماید. مطالعات پیشین، عمدتاً از ابزارهای آماری و الگوریتم‌های مبتنی بر یادگیری ماشین استفاده کرده‌اند. هرچند، اولی برای تجزیه و تحلیل غیرقابل پیش‌بینی بیماری همه‌گیر ناکافی بودند و دومی عمدتاً مشکلات عدم برازش یا بیش‌برازش را تجربه کردند. برای فائق آمدن بر این مشکلات، مطالعه حاضر روشی مبتنی بر یادگیری عمیق بر دادگان طولانی مدت را پیشنهاد کرده است. روش: در مطالعه تحلیلی - مقطعی حاضر یک رویکرد برای پیش‌بینی موارد ابتلا و فوت شده ناشی از کووید-19 مبتنی بر شبکه‌های حافظه طولانی کوتاه‌مدت (long shortterm memory) lstm ارائه شد. مدل lstm روی داده‌های سری زمانی کشور ایران از تاریخ 1398/11/2 تا 1400/9/23 اجرا شد و معیارهای ارزیابی rmse و mae محاسبه شدند. نتایج: بهترین نتایج این مطالعه برای پیش‌بینی دادگان فوت شده با 27/57 = rmse و 19/01 = mae بوده است. نتایج نشان داد که شبکه عصبی lstm کارایی خوبی در پیش بینی موارد ابتلا و فوتی ایران داشته است. نتیجه‌گیری: مدل پیشنهادی نشان داد که در مدل‌سازی و پیش‌بینی وضعیت شیوع ویروس مناسب بوده است. تخمین افراد مبتلا و فوت شده ناشی از کووید-19 می‌تواند به کنترل وضعیت پاندمی کمک کند.

Prediction of Covid-19 Prevalence and Fatality Rates in Iran Using Long Short-Term Memory Neural Network

Introduction: The rapid spread of COVID19 has become a critical threat to the world. So far, millions of people worldwide have been infected with the disease. The Covid19 pandemic has had significant effects on various aspects of human life. Currently, prediction of the virus #39;s spread is essential in order to be safe and make necessary arrangements. It can help control the rate of its outbreak and deaths. Previous studies have mainly used statistical tools and machine learningbased algorithms. However, the former was inadequate for analyzing unpredictable epidemics, and the latter experienced underfitting or overfitting problems. This research has proposed a method based on deep learning on longterm data to overcome these problems.Method: In this crosssectional analytical study, we presented an approach for predicting the confirmed and death cases of COVID19 based on long shortterm memory (LSTM) networks. The LSTM model was applied to the time series data of Iran between January 22, 2020, and December 14, 2021, and RMSE and MAE evaluation metrics were calculated.Results: The best results of this study were RMSE = 27.57 and MAE = 19.01 for predicting death cases data. The results showed that the LSTM neural network had a good performance in predicting the number of confirmed and death cases of COVID19 in Iran.Conclusion: The proposed model showed that it was appropriate for modeling and predicting the prevalence of the virus. Estimating the number of confirmed and death cases of COVID19 can help control the pandemic situation.