پیش بینی شیوع بیماری کووید-19 با استفاده از سری های زمانی در شهرستان مهریز

بیماری کووید-19 یک بیماری تنفسی است که در اثر سندرم تنفسی حاد کرونا ویروس-2 ایجاد می شود. پیش بینی تعداد موارد جدید و مرگ و میر می تواند گام مفیدی در راستای پیش بینی هزینه ها و امکانات مورد نیاز در آینده باشد. هدف از این مطالعه مدل سازی، مقایسه عملکرد مدل ها و پیش بینی موارد جدید و مرگ ومیر در آینده نزدیک است.

در این مقاله 9 تکنیک پیش بینی بر روی داده های کووید-19 شهرستان مهریز به عنوان یک مطالعه موردی از تاریخ 07/12/1398 الی 28/09/1400 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 قدر مطلق خطا (MAPE) در مدل ها با هم مقایسه شدند.

برای موارد تجمعی بستری مدل های ARIMA، نمایی، هولت-وینترز و STL عملکرد بهتر و شبکه های عصبی اتورگرسیو، تتا و رگرسیون KNN عملکرد نامناسبی را از خود نشان دادند. همچنین برای موارد تجمعی مرگ ومیر، مدل های رگرسیون KNN، نمایی و تتا دارای عملکرد بهتری در پیش بینی موارد تجمعی مرگ ومیر هستند و شبکه های عصبی اتورگرسیو، ARIMA و هموارسازی اسپلاین مکعبی عملکرد نامناسبی از خود نشان دادند.

بهترین مدل با توجه به معیارهای ارزیابی مذکور برای پیش بینی موارد تجمعی بستری کووید-19 مدل STL و برای موارد تجمعی فوت مدل رگرسیون KNN است. همچنین مدل شبکه های عصبی اتورگرسیو دارای بدترین عملکرد در میان دیگر مدل ها، برای موارد بستری و هم موارد فوت است. نکته حایز اهمیت این است که باید داده ها در زمان واقعی به روز شوند.