Отримано 25.11.2021, Доопрацьовано 16.02.2022, Прийнято 24.03.2022

Модель resnet для задачі прогнозування поширення covid-19 в Україні

Дмитро Ситніков, Юлія Андрусенко

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

прогнозування, часові ряди, залишкова нейронна мережа, Covid-19, порівняльний аналіз
64-68
Sitnikov, D., & Andrusenko, Y. (2022). Resnet model for the forecasting the expansion of covid-19 in Ukraine. Information Technologies and Computer Engineering, 19(2), 64-68. https://doi.org/10.31649/1999-9941-2022-53-1-64-68

Використані джерела

[1] Andrusenko, Yu.O. (2020). Analysis of the main time series forecasting models. Collection of Scientific Works of the Kharkiv National University of the Air Force, 3(65), 91-96. doi: 10.30748/zhups.2020.65.14.

[2] Fischer, T., & Krauss, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 270(2), 654-669.

[3] Shabani, M., & Iosifidis, A. (2020). Low-rank temporal attention-augmented bilinear network for financial time- series forecasting. In 2020 IEEE Symposium series on computational intelligence (SSCI) (pp. 2156-2161). Canberra: IEEE.

[4] Pala, Z., & Atici, R. (2019). Forecasting sunspot time series using deep learning methods. Solar Physics, 294(5), article number 50. doi: 10.1007/s11207-019-1434-6.

[5] Ravuri, S., Lenc, K., & Willson, M. (2021). Skilful precipitation nowcasting using deep generative models of radar. Nature, 597, 672-677. doi: 10.1038/s41586-021-03854-z.

[6] Yi, X., Zhang, J., Wang, Z., Li, T., & Zheng, Y. (2018). Deep distributed fusion network for air quality prediction. In Proceedings of the 24th ACM SIGKDD International conference on knowledge discovery & data mining (pp. 965-973). New York: ACM.

[7] Wang, Z., Wen, R., Chen, X., Cao, S., Huang, S.-L., Qian, B., & Zheng, Y. (2021). Online disease diagnosis with inductive heterogeneous graph convolutional networks. In Proceedings of the web conference 2021 (pp. 3349-3358). New York: ACM.

[8] Panagopoulos, G., Nikolentzos, G., & Vazirgiannis, M. (2021). Transfer graph neural networks for pandemic forecasting. In Proceedings of the AAAI conference on Artificial Intelligence (Vol. 35, pp.4838-4845). Washington: AAAI.

[9]      Ardabili, S.F., Mosavi, A., Ghamisi, P., Ferdinand, F., Varkonyi-Koczy, A.R., Reuter, U., Rabczuk, T., & Atkinson, P.M. (2020). Covid-19 outbreak prediction with machine learning. Algorithms, 13(10), 249-256.

[10] Sytnikov, D.E., & Andrusenko, Y.O. (2021). Application of a model based on convolutional neural networks for the task of forecasting the spread of COVID-19 in Ukraine. All-Ukrainian Interdepartmental Scientific and Technical Collection "Automated Control Systems and Automation Devices", 177, 43-47.

[11] Kaiming, H., Xiangyu, Z., Shaoqing, R., & Jian, S. (2016). Deep residual learning for image recognition. In 2016 IEEE conference on computer vision and pattern recognition (CVPR) (pp. 770-778). Las Vegas: IEEE. doi:10.1109/CVPR.2016.90.

[12] Hyndman, R.J., & Koehler, A.B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679-688. doi: 10.1016/j.ijforecast.2006.03.001.