پیش بینی پیک ششم بیماری کووید-۱۹ در ایران برمبنای آنالیز طیفی منفرد (SSA)

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 126

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_DMOR-8-1_007

تاریخ نمایه سازی: 26 فروردین 1402

چکیده مقاله:

هدف: بیماری کرونا ویروس (کووید-۱۹) یک بیماری همه گیر است که همه کشورهای جهان را درگیر کرده است. پیش بینی روند گسترش بیماری کرونا منجر خواهد شد که تدابیر لازم جهت کنترل این بیماری از سوی مسئولین انجام شود. این موارد شامل افزایش واکسیناسیون، قرنطینه کردن شهرها و ممنوعیت ورود و خروج، افزایش ظرفیت تخت های بیمارستانی، ایجاد مراکز واکسیناسیون شبانه روزی، الزام به استفاده از ماسک در اماکن عمومی و رعایت فواصل اجتماعی به صورت کلی آمادگی لازم جهت برخورد با پیک جدید بیماری کرونا است. لذا پیش بینی چنین مواردی سبب کاهش آمار مبتلایان به کرونا و لذا کاهش نرخ مرگ ومیر خواهد شد.روش شناسی پژوهش: در این مقاله با استفاده از آنالیز طیفی منفرد(SSA)، پیش بینی میزان پیک ششم مبتلایان کرونا با لحاظ کردن وضع فعلی صورت گرفته است. به منظور بهبود فرآیند گروه بندی الگوریتم SSA، انتخاب مقادیر ویژه بصورت فرآیند بهینه سازی صورت گرفته است بطوری که سری زمانی پیش بینی شده با توجه به شاخص خطای مدنظر به طور قابل توجهی بهبود یافته است.یافته ها: با مقایسه روش پیشنهادی با سایر روش های پیش بینی شامل میانگین متحرک خود همبسته یکپارچه (ARIMA)، ARIMA کسری (ARFIMA)، TBATS و خود همبسته شبکه عصبی (NNAR)، مشاهده می شود که خطای پیش بینی به حد قابل قبولی بوده و می تواند روش SSA جهت پیش بینی مورد استناد قرار گیرد.اصالت/ارزش افزوده علمی: در این مقاله با استفاده از روش کارآمد SSA، موارد مبتلا جدید کرونا ویروس را پیش بینی می کند و نتایج ارائه شده اثربخشی روش پیشنهادی را تائید می کند.

کلیدواژه ها:

بیماری کرونا (کووید ۱۹) ، پیش بینی سری زمانی ، آنالیز طیفی منفرد ، پیک ششم کرونا ، SSA

نویسندگان

مرتضی عبدالحسینی

گروه مهندسی برق، دانشگاه فنی و حرفه ای، تهران، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Pereira, I. G., Guerin, J. M., Silva Júnior, A. G., ...
  • Arora, P., Kumar, H., & Panigrahi, B. K. (۲۰۲۰). Prediction ...
  • Perc, M., Gorišek Miksić, N., Slavinec, M., & Stožer, A. ...
  • Zeroual, A., Harrou, F., Dairi, A., & Sun, Y. (۲۰۲۰). ...
  • Sahai, A. K., Rath, N., Sood, V., & Singh, M. ...
  • Khan, F., Saeed, A., & Ali, S. (۲۰۲۰). Modelling and ...
  • Singh, S., Parmar, K. S., Kumar, J., & Makkhan, S. ...
  • Ramazi, P., Haratian, A., Meghdadi, M., Mari Oriyad, A., Lewis, ...
  • Niksirat, M., & Nasseri, S. H. (۲۰۲۱). Forecasting of the ...
  • Doornik, J. A., Castle, J. L., & Hendry, D. F. ...
  • Heidari, A. A., Mirjalili, S., Faris, H., Aljarah, I., Mafarja, ...
  • Zhigljavsky, A. (۲۰۱۰). Singular spectrum analysis for time series: introduction ...
  • Hassani, H. (۲۰۰۷). Singular spectrum analysis: methodology and comparison. Journal of ...
  • نمایش کامل مراجع