ПРИМЕНЕНИЕ МОДЕЛЕЙ ARIMA ДЛЯ ПРОГНОЗИРОВАНИЯ COVID-19 В АЗЕРБАЙДЖАНЕ - Проблемы Информационных Технологий

ПРИМЕНЕНИЕ МОДЕЛЕЙ ARIMA ДЛЯ ПРОГНОЗИРОВАНИЯ COVID-19 В АЗЕРБАЙДЖАНЕ - Проблемы Информационных Технологий

ПРИМЕНЕНИЕ МОДЕЛЕЙ ARIMA ДЛЯ ПРОГНОЗИРОВАНИЯ COVID-19 В АЗЕРБАЙДЖАНЕ - Проблемы Информационных Технологий

ПРИМЕНЕНИЕ МОДЕЛЕЙ ARIMA ДЛЯ ПРОГНОЗИРОВАНИЯ COVID-19 В АЗЕРБАЙДЖАНЕ - Проблемы Информационных Технологий

ПРИМЕНЕНИЕ МОДЕЛЕЙ ARIMA ДЛЯ ПРОГНОЗИРОВАНИЯ COVID-19 В АЗЕРБАЙДЖАНЕ - Проблемы Информационных Технологий
ПРИМЕНЕНИЕ МОДЕЛЕЙ ARIMA ДЛЯ ПРОГНОЗИРОВАНИЯ COVID-19 В АЗЕРБАЙДЖАНЕ - Проблемы Информационных Технологий
НАЦИОНАЛЬНАЯ АКАДЕМИЯ НАУК АЗЕРБАЙДЖАНА

№1, 2021

ПРИМЕНЕНИЕ МОДЕЛЕЙ ARIMA ДЛЯ ПРОГНОЗИРОВАНИЯ COVID-19 В АЗЕРБАЙДЖАНЕ

Садиева Фирангиз И.

В статье предлагается модель авторегрессионного интегрированного скользящего среднего (Autoregressive Integrated Moving Average, ARIMA) для прогнозирования пандемии COVID-19. COVID-19 − это пандемия нового типа, которая быстро распространяется по миру и в настоящее время продолжается. В последнее время количество случаев пандемии в Азербайджане достигло рекордного уровня. По этой причине был рассмотрен прогноз пандемии COVID-19, а временной ряд COVID-19 модели ARIMA, предложенной в экспериментах с реальными данными за несколько месяцев, использовался с разными параметрами для прогнозирования. Согласно данным, учитывается количество ежедневных инфекций, официально зарегистрированных Министерством здравоохранения Азербайджанской Республики (www.sehiyye.gov.az) в период с 22.01.2020 по 22.10.2020 года. На основе этих данных прогнозируется заболеваемость в нашей стране в ближайший период. С этой целью модели ARIMA были присвоены различные параметры и соответственно оценена частота ошибок каждой модели. Для оценки ошибки использовались функции MAPE (Mean Absolute Percentage Error), MAE (Mean Absolute Error) и RMSE (Root Mean Square Error). В результате сравнений была выбрана наиболее подходящая модель. Полученные результаты являются важным фактором как для системы здравоохранения, так и для простых граждан во время пандемии в нашей стране. Результаты подтверждают, что статистические методы могут быть эффективными при применении прогнозов нестационарных временных рядов коронавируса к другим вопросам (стр.95–104).

Ключевые слова: COVID-19, коронавирус, ARIMA, прогноз, временные ряды.
DOI : 10.25045/jpit.v12.i1.08
Литература
  • The World Health Organization (WHO). Coronavirus disease (COVID-2019) situation reports. URL: https://www.who.int/emergencies/diseases/novel-coronavirus-2019/situation-reports/
  • Chakraborty T., and Ghosh I. Real-time forecasts and risk assessment of novel coronavirus (COVID-19) cases: A data-driven analysis // Chaos, Solitons & Fractals, 2020, vol.135, 109850. DOI: 10.1016/j.chaos.2020.109850.
  • Tyrrell D. A., and Bynoe M. L. Cultivation of viruses from a high proportion of patients with colds // Lancet, 1966, vol. 1 (7428), pp.76–77.
  • Velavan T.P., and Meyer C.G. The COVID-19 epidemic // Tropical medicine & international health, 2020, vol.25(3), pp.278–280.
  • Rustam F., Reshi A. A., Mehmood A., Ullah S., On B., Aslam W., and Choi G. S. COVID-19 future forecasting using supervised machine learning models // IEEE Access, 2020, vol.8, pp.101489–101499. DOI: 10.1109/ACCESS.2020.2997311.
  • Petropoulos F., and Makridakis S. Forecasting the novel coronavirus COVID-19 // PloS one, 2020, 15(3), e0231236. DOI: 10.1371/journal.pone.0231236.
  • Roosa K., Lee Y., Luo R., Kirpich A., Rothenberg R., Hyman J.M., and Chowell G. Short-term forecasts of the COVID-19 epidemic in Guangdong and Zhejiang, China: February 13–23, 2020 // Journal of Clinical Medicine, 2020, 9(2), 596. DOI: 10.3390/jcm9020596.
  • Hu Z., Ge Q., Jin L., and Xiong M. Artificial intelligence forecasting of COVID-19 in China. arXiv preprint arXiv:2002.07112, 2020, 20 p.
  • Liu D., Clemente L., Poirier C., Ding X., Chinazzi M., Davis J. T., Vespignani A., and Santillana M. A machine learning methodology for real-time forecasting of the 2019-2020 COVID-19 outbreak using Internet searches, news alerts, and estimates from mechanistic models. arXiv preprint arXiv:2004.04019, 2020, 23 p.
  • Chimmula V.K.R., and Zhang L. Time series forecasting of COVID-19 transmission in Canada using LSTM networks // Chaos, Solitons & Fractals, 2020, vol.135, 109864. DOI: 10.1016/j.chaos.2020.109864.
  • Azarafza M., Azarafza M., and Tanha J. COVID-19 Infection Forecasting based on deep learning in Iran. medRxiv. 2020, 7 p.
  • Punn N. S., Sonbhadra S. K., and Agarwal S. COVID-19 epidemic analysis using Machine Learning and DeepLearning algorithms. medRxiv. 2020, 10 p.
  • Bandyopadhyay S. K., and Dutta S. Machine learning approach for confirmation of COVID-19 cases: Positive, negative, death and release. medRxiv, 2020, 10 p.
  • Pathan R.K., Biswas M., and Khandaker M.U. Time series prediction of COVID-19 by mutation rate analysis using recurrent neural network-based LSTM model // Chaos, Solitons & Fractals, 2020, vol. 138, 110018. DOI: 10.1016/j.chaos.2020.110018.
  • Benvenuto D., Giovanetti M., Vassallo L., Angeletti S., and Ciccozzi M. Application of the ARIMA model on the COVID-2019 epidemic dataset // Data in brief, 2020, vol.29, 105340. DOI: 10.1016/j.dib.2020.105340.
  • Perone G. An ARIMA model to forecast the spread and the final size of COVID-2019 epidemic in Italy. medRxiv. 2020, 14 p.
  • Vandeput N. Forecast KPI: RMSE, MAE, MAPE and Bias. Data Science for Supply Chain Forecast, 2019, 237 p.
  • Medium, https://medium.com/@kangeugine/time-series-arima-model-11140bc08c6
  • Liu Q., Liu X., Jiang B., and Yang W. Forecasting incidence of hemorrhagic fever with renal syndrome in China using ARIMA model // BMC Infectious Diseases, 2011, vol.11 (1), 7 p. DOI: 10.1186/1471-2334-11-218.
  • GitHub, https://github.com/owid/covid-19-data/tree/master/public/data
  • Kaggle, https://www.kaggle.com/datasets
  • Shahid F., Zameer A., and Muneeb M. Predictions for COVID-19 with deep learning models of LSTM, GRU and Bi-LSTM // Chaos, Solitons & Fractals, 2019, vol. 140, Article 110212. DOI: 10.1016/j.chaos.2020.110212.
  • Wikipedia, https://en.wikipedia.org/wiki/Akaike_information_criterion