Інформаційні технології та комп'ютерна техніка
ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ ПРОГНОЗУВАННЯ ЧАСОВОГО РЯДУ КІЛЬКОСТІ ХВОРИХ НА КОРОНАВІРУС НА ОСНОВІ МОДЕЛІ FACEBOOK PROPHET
Ключові слова
інформаційна технологія
COVID-19
прогнозування часових рядів
Prophet
ряд Фур’є
Python
Kaggle
Анотація
Розглянуто результати розроблення інформаційної технології прогнозування часового ряду кількості хворих на коронавірус COVID-19. Здійснено огляд напрацювань за цією тематикою та обґрунтований вибір бібліотеки Facebook Prophet як основи для розробленої ІТ. Запропоновано підвищити точність прогнозування кількості нових хворих на коронавірус у короткостроковій перспективі за допомогою вибраної моделі.
Запропоновано математичне обґрунтування наявних паралельно-послідовних ітеративних методів ідентифікації параметрів моделі Facebook Prophet для врахування значної волатильності ряду значень нових хворих. Методи дозволяють визначати гіперпараметри тренду ряду, його сезонних складових та аномалій, що впливають на значення цього ряду. Формалізовано підхід щодо порівняльного аналізу впливу основних трендів захворюваності регіонів (або країн) без урахування впливу аномалій та сезонних складових шляхом створення картограм, які дозволяють аналізувати тенденції поширення хвороби в заданому регіоні.
Розроблена архітектура запропонованої інформаційної технології та описано її складові. Створено програмне забезпечення на Python на базі платформи Kaggle, яке реалізує цю технологію, порівняно результати його застосування з моделлю SEIR-U, розробленою науковцями НАН України за матеріалами звітів Робочої групи з математичного моделювання проблем, пов’язаних з епідемією коронавірусу SARS-CoV-2 при НАН України за даними 2020—2022 рр. Порівняння довело ефективність запропонованої інформаційної технології.
Як цитувати
[1]
«ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ ПРОГНОЗУВАННЯ ЧАСОВОГО РЯДУ КІЛЬКОСТІ ХВОРИХ НА КОРОНАВІРУС НА ОСНОВІ МОДЕЛІ FACEBOOK PROPHET», Вісник ВПІ, вип. 5, с. 50–59, Жов 2023, doi: 10.31649/1997-9266-2023-170-5-50-59.
Посилання
І. О. Бровченко, «Розробка математичної моделі поширення епідемії COVID-19 в Україні,» Світогляд, № 2 (82), с. 2-14, 2020.
P. Furtado, “Epidemiology SIR with Regression, Arima, and Prophet in Forecasting Covid-19,” Engineering Proceedings, no. 5(1), 52, July, 2021. https://doi.org/10.3390/engproc2021005052 .
R. Ospina, J.A.M. Gondim, V. Leiva, and C. Castro, “An Overview of Forecast Analysis with ARIMA Models during the COVID-19 Pandemic: Methodology and Case Study in Brazil,” Mathematics, 11(14):3069, May, 2023. https://doi.org/10.3390/math11143069 .
A. Hernandez-Matamoros, H. Fujita, T. Hayashi, and H. Perez-Meana, “Forecasting of COVID19 per regions using ARIMA models and polynomial functions,” Applied Soft Computing, vol. 96, 106610, ISSN 1568-4946, November, 2020. https://doi.org/10.1016/j.asoc.2020.106610 .
G. Perone, “Using the SARIMA Model to Forecast the Fourth Global Wave of Cumulative Deaths from COVID-19: Evidence from 12 Hard-Hit Big Countries,” Econometrics, 10(2):18. January, 2022. https://doi.org/10.3390/econometrics10020018 .
P. Harjule, V. Tiwari, and A. Kumar, “Mathematical models to predict COVID-19 outbreak : An interim review,” Journal of Interdisciplinary Mathematics, no. 24, pp. 1-26, 2021. https://doi.org/10.1080/09720502.2020.1848316 .
S. Taylor, and B. Letham, “Forecasting at Scale,” The American Statistician, 72, 2017. https://doi.org/10.1080/00031305.2017.1380080 .
D. Borges, and M. C. V. Nascimento, “COVID-19 ICU demand forecasting: A two-stage Prophet-LSTM approach,” Applied Soft Computing, vol. 125, 2022. https://doi.org/10.1016/j.asoc.2022.109181 .
G. Perone, “Comparison of ARIMA, ETS, NNAR, TBATS and hybrid models to forecast the second wave of COVID-19 hospitalizations in Italy,” The European Journal of Health Economics, no. 23, pp. 917-940, 2022. https://doi.org/10.1007/s10198-021-01347-4 .
В. Б. Мокін, А. В. Лосенко, і А. Р. Ящолт, «Інформаційна технологія аналізу та прогнозування кількості нових випадків хвороби на коронавірус SARS-COV-2 в Україні на основі моделі Prophet,» Вісник Вінницького політехнічного інституту, № 5, с. 71-83, Лист. 2020. https://doi.org/10.31649/1997-9266-2020-152-5-71-83 .
В. Б. Мокін, А. В. Лосенко, і А. Р. Ящолт, «Інформаційна технологія аналізу та прогнозування багатохвильової кількості нових випадків захворювань на коронавірус COVID-19 на основі моделі Prophet,» Вісник Вінницького політехнічного інституту, № 6, с. 65-75, Груд. 2020. https://doi.org/10.31649/1997-9266-2020-153-6-65-75 .
В. Б. Мокін, і А. В. Лосенко, «Картування тренду тижневих прогнозів за моделлю Facebook Prophet зміни кількості нових хворих на коронавірус у країнах Європи протягом січня-березня 2021 року,» на Науково-технічна конференція підрозділів ВНТУ L, Вінниця, 10-12 березня, 2021 р.
В. Б. Мокін, М. В. Дратований, А. В. Лосенко, і С. О. Жуков, «Прогнозування хвиль коронавірусу на основі відновленої когнітивної карти міжрегіонального впливу,» Інформаційні технології та комп’ютерна інженерія, т. 52, вип. 3, с. 86-94, Груд. 2021.
Робоча група з математичного моделювання проблем, пов’язаних з епідемією коронавірусу SARS-CoV-2 в Україні, Прогноз розвитку епідемії COVID-19 в Україні на 14–28 грудня 2020 року («Прогноз РГ-32»), базова установа — Інститут проблем математичних машин і систем НАН України, створена Розпорядженням Президії НАН України від 3 квітня 2020 р. № 198. [Електронний ресурс]. Режим доступу:
http://www.nas.gov.ua/UA/Messages/Pages/View.aspx?MessageID=7277 Дата звернення: 14.10.2023 .
Anthony Goldbloom, COVID-19 data from John Hopkins University. Kaggle. [Електронний ресурс]. Режим доступу: https://www.kaggle.com/datasets/antgoldbloom/covid19-data-from-john-hopkins-university . Дата звернення: 13.10.2023
T. Hale, et al., “A global panel database of pandemic policies (Oxford COVID-19 Government Response Tracker),” Nature Human Behaviour. 2021. https://doi.org/10.1038/s41562-021-01079-8 .
Vitalii Mokin, and Arsen Losenko, “COVID-19-UA: Regression with Google mobility”. 2022. [Electronic resource]. Available: https://www.kaggle.com/code/vbmokin/covid-19-ua-regression-with-google-mobility . Accessed: 13.10.2023.
Vitalii Mokin, and Arsen Losenko, “COVID-19 in Ukraine: Explanation of patterns”. [Electronic resource]. Available: https://www.kaggle.com/vbmokin/covid-19-in-ukraine-explanation-of-patterns . Accessed: 13.10.2023.[19] Робоча група з математичного моделювання проблем, пов’язаних з епідемією коронавірусу SARS-CoV-2 в Україні, Прогноз розвитку епідемії COVID-19 в Україні на 14–28 грудня 2020 року («Прогноз РГ-32»), базова установа — Інститут проблем математичних машин і систем НАН України, створена Розпорядженням Президії НАН України від 3 квітня 2020 р., № 198. [Електронний ресурс]. Режим доступу: http://www.nas.gov.ua/UA/Messages/Pages/View.aspx?MessageID=7277 . Дата звернення: 12.10.2023.
Vitalii Mokin, and Arsen Losenko, “COVID in UA: Prophet with 4, Nd seasonality,” Kaggle Notebook. [Electronic resource]. Available: https://www.kaggle.com/code/vbmokin/covid-in-ua-prophet-with-4-nd-seasonality . Accessed: 12.10.2023.
Vitalii Mokin, and Arsen Losenko, “COVID-19: Forecast trends for the many countries,” Kaggle Notebook. [Electronic resource]. Available: https://www.kaggle.com/datasets/vbmokin/covid19-forecast-trends-for-the-many-countries/ . Accessed: 12.10.2023.
Vitalii Mokin, and Arsen Losenko, “COVID-19: Week trends 70 countries mapping,” Kaggle Notebook. [Electronic resource]. Available: https://www.kaggle.com/code/vbmokin/covid-19-week-trends-70-countries-mapping/notebook . Accessed: 12.10.2023 .
