آشکارسازی الگوهای رفتاری SARS-CoV-2 با استفاده از تحلیل خوشه ای و مدل های پیش بینی خطای XGBoost
کووید-19 یک بیماری عفونی بسیار مسری است و زندگی روزمره مردم را تحت تاثیر قرار داده و نگرانی زیادی برای دولت ها و مسیولان بهداشت عمومی ایجاد کرده است. پیش بینی رفتار آینده آن ممکن است برای تخصیص منابع پزشکی و تعریف استراتژی های موثر برای کنترل بیماری و غیره مفید باشد.
داده های جمع آوری شده، شامل تعداد تجمعی و مطلق موارد تایید شده، فوت و بهبود مربوط به کووید-19 از تاریخ 30 فوریه تا 3 جولای 2021 می باشد. در این مطالعه از تحلیل خوشه ای سلسله مراتبی استفاده شد. برای پیش بینی رفتار آینده کووید-19، از مدل های اتورگرسیو میانگین متحرک تلفیق شده (ARIMA)، هموارسازی نمایی (ETS)، روش پیش بینی خودکار (Prophet)، نایو، نایو فصلی (s-Naive)، ARIMA تقویت شده (boosted ARIMA)، Prophet تقویت شده (boosted Prophet) استفاده شد.
نتایج خوشه بندی نشان دهنده رفتار مشابهی از ویروس کرونا در ایران و سایر کشورها مانند فرانسه، روسیه، ترکیه، انگلستان (انگلیس)، آرژانتین، کلمبیا، ایتالیا، اسپانیا، آلمان، لهستان، مکزیک و اندونزی بود. به طور کلی نتایج در شش گروه (خوشه) دسته بندی شدند. نتایج پیش بینی نیز نشان داد که خانواده مدل های XGBoost از دقت بالایی نسبت به مدل های دیگر برخوردار بودند.
در ایران، کووید-19، الگوهای رفتاری مشابهی را با کشورهای توسعه یافته موردنظر در این مطالعه نشان داد. خانواده مدل های XGBoost نتایج کاربردی و دقت بالایی در پیش بینی الگوهای رفتاری ویروس نشان دادند. با توجه به گسترش سریع ویروس در سراسر جهان، این مدل ها می توانند برای پیش بینی الگوهای رفتاری SARS-CoV-2 استفاده شوند. پیش گیری از شیوع ویروس کرونا، کنترل بیماری و گسستن زنجیره آن مستلزم کمک به جامعه است و در این ماموریت نمی توان از نقش آمارگیران غافل شد.
آریما ، تحلیل خوشه ای ، کووید-19 ، پیش بینی ، نایو ، مدل خطای XGBoost
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.