МОДЕЛЬ RESNET ДЛЯ ЗАДАЧІ ПРОГНОЗУВАННЯ ПОШИРЕННЯ COVID-19 В УКРАЇНІ

Дмитро Ситніков; Юлія Андрусенко

doi:10.31649/1999-9941-2022-53-1-64-68

Автор(и)

Дмитро Ситніков Харківський національний університет радіоелектроніки
Юлія Андрусенко Харківський національний університет радіоелектроніки

DOI:

https://doi.org/10.31649/1999-9941-2022-53-1-64-68

Ключові слова:

прогнозування, часові ряди, залишкова нейронна мережа, Covid-19, порівняльний аналіз

Анотація

У статті розглянута модель залишкової нейронної мережі ResNet та її застосування для задачі прогнозування поширення COVID-19 в Україні. Дослідження реалізовано програмно на Python. Для навчання моделі використано часові ряди показників захворюваності та щеплень. Результати роботи моделі досліджено на точність та швидкодію. Порівняльний аналіз результатів продемонстрував високу швидкодію моделі ResNet відносно іншої моделі згорткових нейронних мереж InceptionTime, але точність роботи ResNet поступається.

Біографії авторів

Дмитро Ситніков, Харківський національний університет радіоелектроніки

кандидат технічних наук, доцент, професор кафедри системотехніки

Юлія Андрусенко, Харківський національний університет радіоелектроніки

аспірант кафедри електронних обчислювальних машин

Посилання

Y. Andrusenko «Analiz osnovnykh modelei prohnozuvannia chasovykh riadiv», Zbirnyk naukovykh prats Kharkivskoho natsionalnoho universytetu Povitrianykh Syl, № 3(65), s. 91–96, 2020 [in Ukrainian].

Thomas Fischer and Christopher Krauss, «Deep learn- ing with long short-term memory networks for financial market predictions», European Journal of Operational Research, vol. 270, no. 2, pp. 654–669, 2018.

M. Shabani and A. Iosifidis, «Low-rank temporal attention-augmented bilinear network for financial time- series forecasting», in 2020 IEEE Symposium Series on Computational Intelligence (SSCI), pp. 2156–2161, 2020.

Z. Pala and R. Atici, «Forecasting sunspot time series using deep learning methods», Solar Physics, 294(5), 2019. doi: 10.1007/s11207-019-1434-6.

S, Ravuri, K, Lenc, M, Willson, «Skilful precipitation nowcasting using deep generative models of radar», Nature, 597, pp. 672–677, 2021. doi: 10.1038/s41586-021-03854-z.

X. Yi, J. Zhang, Z. Wang, T. Li, and Y. Zheng, «Deep distributed fusion network for air quality predic-tion», in Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. ACM, pp. 965–973, 2018.

ZifengWang, RuiWen, XiChen, ShileiCao, Shao-LunHuang, Buyue Qian, and Yefeng Zheng, «Online Disease Diagnosis with Inductive Heterogeneous Graph Convolutional Networks», in Proceedings of the Web Conference 2021, pp.3349– 3358, 2021.

George Panagopoulos, Giannis Nikolentzos, and Michalis Vazirgiannis, «Transfer Graph Neural Net-works for Pandemic Forecasting», in Proceedings of the AAAI Conference on Artificial Intelligence, vol. 35, pp.4838–4845, 2021.

Ardabili SF, Mosavi A, Ghamisi P, Ferdinand F, Varkonyi-Koczy AR, Reuter U, et al. «Covid-19 out-break prediction with machine learning», Algorithms, 13(10), pp. 249-256, 2020.

D. E. Sytnikov, Y. O. Andrusenko, «Zastosuvannia modeli na osnovi zghortkovykh neironnykh merezh dlia zadachi prohnozuvannia poshyrennia COVID-19 v Ukraini», Vseukrainskyi mizhvidomchyi nau-kovo-tekhnichnyi zbirnyk «Avtomatyzovani systemy upravlinnia ta prylady avtomatyky», № 177 s. 43–47, 2021 [in Ukrainian].

He Kaiming, Zhang Xiangyu, Ren Shaoqing, Sun Jian, «Deep Residual Learning for Image Recogni-tion», 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV, USA: IEEE. pp. 770–778, 2016. doi:10.1109/CVPR.2016.90.

Hyndman, Rob J., and Anne B. Koehler, «Another look at measures of forecast accuracy», Interna-tional Journal of Forecasting, 22(4), pp. 679−688, 2006. doi:10.1016/j.ijforecast.2006.03.001.