|
Title
|
پیش بینی تعداد مبتلایان بیماری های واگیردار تنفسی با استفاده از مدل های یادگیری عمیق
|
|
Type of Research
|
Thesis
|
|
Keywords
|
بیماری های واگیردار تنفسی، پیش بینی سری های زمانی، روش های آماری، هوش محاسباتی، شبکه عصبی عمیق، داده افزایی، مکانیزم توجه
|
|
Abstract
|
بیماری های واگیردار تنفسی نظیر آنفولانزا و کووید-19 با سرعت بالایی در بین تعداد زیادی از افراد در سرتاسر جهان پخش می شوند و همواره یک تهدید بزرگ برای سلامت انسان ها هستند. به طور خاص شیوع آنفولانزا منجر به حدود 3 تا 5 میلیون مورد بیماری شدید و 250000 تا 500000 مرگ و میر در سال می شود . همچنین بیماری کووید-19 از سال 2020 به عنوان یک چالش و معضل مهم، مشکلات متعددی در تمامی ابعاد زندگی انسان ها به وجود آورده است و باعث اختلال در زندگی روزمره افراد شده است . به لحاظ اقتصادی، تاثیر بیماری های واگیردار بر بازارهای مالی کل جهان گاهی بسیار شدید بوده و تاثیرات مخربی روی بازار سهام، قیمت جهانی طلا و قیمت نفت داشته است. با در نظر گرفتن پیامدهای منفی این نوع بیماری ها، پیش بینی دقیق میزان شیوع و تعداد مبتلایان از اهمیت ویژه ای برخوردار است. پیش بینی دقیق شیوع بیماری های واگیردار تنفسی برای اتخاذ تصمیماتی جهت کنترل شیوع آن ها امری ضروری به نظر می رسد. با داشتن سری زمانی تعداد مبتلایان، تکنیک های مختلف پیش بینی سری زمانی می تواند مورد استفاده قرار گیرد . روش های مختلف پیش بینی سری زمانی نظیر روش های سنتی آماری و روش های هوش محاسباتی در این زمینه مورد استفاده قرار گرفته است. هدف اصلی این تحقیق ارائه یک روش کارآمد مبتنی بر روش های یادگیری عمیق جهت پیش بینی دقیق سری زمانی مبتلایان بیماری های واگیردار تنفسی است.
|
|
Researchers
|
(Student)، Hossein Abbasimehr (Primary Advisor)، Mohammad Khodizadeh-Nahari (Advisor)
|