Derin öğrenme yöntemleri kullanılarak covid-19 vaka tahmini ve mevsimsel etkilerin analizi
Küçük Resim Yok
Tarih
2020
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Karabük Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Çin' in Vuhan kentinde ortaya çıkan ve kısa zaman içerisinde tüm dünyayı etkisi altına alan yeni koronavirüs (COVID-19) salgını, milyonlarca kişiye bulaşmış ve yüz binlerce insanın hayatını kaybetmesine sebep olmuştur. Bu salgın karşısında birçok ülke ekonomik ve sosyal anlamda büyük oranda etkilenmiştir. Bu etkileri minimize etmek için çeşitli politikalar geliştirilmiş ve önlemler alınmıştır. Bununla beraber, vaka sayılarındaki artış oranlarının tahmin edilmesi özellikle sağlık altyapısı ile ilgili yönetimsel süreçlerin planlanmasında büyük öneme sahiptir. Bu tahminler için istatistiksel ve matematiksel modeller kullanılmaktadır. Ayrıca çeşitli yapay zeka tabanlı yaklaşımlarda geliştirilmektedir. Özellikle derin öğrenme yöntemleri bu alanda araştırmacıların ilgi odağı olmaktadır. Bu çalışmada, Türkiye' deki COVID-19 vaka sayılarındaki değişimleri öngörebilmek için Uzun-Kısa Süreli Bellek (LSTM) tabanlı bir sinir ağı yaklaşımı ile ileriye yönelik tahmin yapılmaktadır. Çalışmada, Türkiye' deki 18 Mart ile 7 Temmuz 2020 tarihleri arasındaki günlük vaka, ölüm ve iyileşen hasta sayıları kullanılmıştır. Ayrıca resmi vaka sayıları ile birlikte bu döneme ait meteorolojik verilerde kullanılarak mevsimsel değişimlerin salgın üzerindeki etkisi analiz edilmektedir. Bunlara ek olarak, COVID-19 salgınındaki 14 günlük kuluçka süresi göz önünde bulundurularak, meteorolojik parametrelerin geçmiş değerlerinin vakalar üzerindeki etkisi deneysel çalışmalar ile gösterilmektedir. Sonuçlar, LSTM yönteminin önleyici adımlar atabilmek için vaka tahmininde önemli bir avantaj sağlayabileceğini göstermektedir. Ayrıca mevsimsel veriler LSTM ağına eklenerek vaka tahmininde başarı oranları artırılmaktadır.
The new coronavirus (COVID-19) outbreak that emerged in Wuhan, China, and affected the world in a short time, which has spread to millions of people and has caused hundreds of thousands of people to die. Many countries have been greatly affected economically and socially in the face of this outbreak. To minimize these effects, various policies have been developed and taken measures. In addition, estimating the rate of increase in the number of cases is of great importance, especially in the planning of administrative processes related to the health infrastructure. Statistical and mathematical models are used for these estimates. It is also being developed in various artificial intelligence-based approaches. In particular, deep learning methods are the focus of researchers in this field. In this study, a forward-looking prediction is made with a Neural Network approach based on Long-Short Term Memory (LSTM) for anticipate changes in the number of cases of COVID-19 in Turkey. In the study, daily cases, the number of deaths and recovered patient's dataset were used. This dataset was created with data between March 18 and July 7, 2020. In addition, the effect of seasonal changes on the outbreak is analyzed with an approach that combines official case numbers with seasonal data from this period. In addition, considering the 14-day incubation period in the COVID-19 outbreak, the effect of the historical values of meteorological parameters on the cases is demonstrated by experimental studies. The results show that the LSTM method can provide a significant advantage in case estimation to take preventive steps. In addition, with the addition of seasonal data to the LSTM network, success rates are increased in case estimation.
The new coronavirus (COVID-19) outbreak that emerged in Wuhan, China, and affected the world in a short time, which has spread to millions of people and has caused hundreds of thousands of people to die. Many countries have been greatly affected economically and socially in the face of this outbreak. To minimize these effects, various policies have been developed and taken measures. In addition, estimating the rate of increase in the number of cases is of great importance, especially in the planning of administrative processes related to the health infrastructure. Statistical and mathematical models are used for these estimates. It is also being developed in various artificial intelligence-based approaches. In particular, deep learning methods are the focus of researchers in this field. In this study, a forward-looking prediction is made with a Neural Network approach based on Long-Short Term Memory (LSTM) for anticipate changes in the number of cases of COVID-19 in Turkey. In the study, daily cases, the number of deaths and recovered patient's dataset were used. This dataset was created with data between March 18 and July 7, 2020. In addition, the effect of seasonal changes on the outbreak is analyzed with an approach that combines official case numbers with seasonal data from this period. In addition, considering the 14-day incubation period in the COVID-19 outbreak, the effect of the historical values of meteorological parameters on the cases is demonstrated by experimental studies. The results show that the LSTM method can provide a significant advantage in case estimation to take preventive steps. In addition, with the addition of seasonal data to the LSTM network, success rates are increased in case estimation.
Açıklama
Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
