پیش بینی داده های سری زمانی covid-19 با استفاده از شبکه رگرسیونی یادگیری عمیق lstm در ایران

به دنبال انتشار سریع و همه گیری کرونا ویروس و براساس تجربیات هر چند کوتاه مدت (حدود یکسال)، حاکی از ایناست که اطلاع رسانی (آموزش) مناسب و اقدامات لازم جهت پیشگیری مانند اعمال قرنطینه، استفاده از ماسک، شست وشوی دست ها و رعایت فاصله اجتماعی مانع از رشد افزایشی بیماری و کنترل آن می شود. در صورتی که بتوان پیش بینیو تخمین دقیقی از این داده ها سری زمانی برای روزهای آتی انجام داد، برنامه های پیشگیری و درمانی موثری را می توانطرح ریزی کرد تا این مداخله به کنترل و اقدامات درمانی خوبی ختم گردد. البته تا زمان دسترسی به یک واکسن موثرباید این رویه ادامه داشته باشد تا مانع از گسترش بیماری و آسیب به افراد جامعه شد. در این مطالعه داده های ابتلا ومرتبط با کشور ایران اخذ شده است. در روش پیشنهادی از این (who) فوتی روزانه از سایت سازمان بهداشت جهانیداده ها بعنوان داده های سری زمانی برای پیش بینی و تخمین تعداد مبتلایان و فوتی های روزانه ناشی از بیماری کرونابرای پیش covid19nc رگرسیونی استفاده شده است. دو مدل پیشنهادی lstm مبتنی بر مدل پیشنهادی شبکهبرای تخمین تعداد فوتی های روزانه ارائه شد. پس از آموزش و بروزرسانی شبکه covid19dd بینی تعداد ابتلا روزانه وrmse = نیز مقدار covid19dd و مدل rmse = مقدار 472.7081 covid19nc ها نتایج برای مدلرگرسیونی با سایر مدل های یادگیری lstm 18.3287 بدست آمده است. جهت ارزیابی مدل های پیشنهادی شبکهنیز با استفاده از مجموعه داده های این پژوهش نتایج مورد مقایسه قرار گرفتند. در (regression learner) ماشینرگرسیونی lstm بررسی و پیش بینی توالی داده های سری زمانی مشخص گردید که برای مدل های پیشنهادی شبکهنتایج نزدیک تری به داده های آزمون داشته و داده ها ی تخمین بهبود یافته تر نسبت به سایر مدل ها بوده است.