AI Summary & Key Takeaways
AI InsightSimulation results indicate that the Temporal Convolutional Networks used in this manuscript performs better than other models for forecasting the cumulative confirmed COVID-19 cases.
📌 3 Key Takeaways
Abstract
The novel Coronavirus (COVID-19) has significantly affected millions of people around the world since the first notification until nowadays. The rapid spread of the virus has dramatically increased the workload of healthcare systems in many countries. Therefore, the need for efficient use of the healthcare system leads researchers to forecast the trend of virus spread. For this purpose, Machine Learning (ML) and Artificial Intelligence (AI) applications have intensively used to struggle against the coronavirus outbreak. In this study, Temporal Convolutional Network (TCN) is applied for modeling the cumulative confirmed COVID-19 cases and forecasting the spread of it in various European countries using time series data. It is also presented that numerical examples for comparing performances of TCN against Long-Short Term Memory (LSTM) and Gates Recurrent Units(GRU) in terms of computation time, root-mean-square error (RMSE), normalized root-mean-square error (NRMSE), root mean squared log error (RMSLE), mean absolute percentage error (MAPE), and symmetric mean absolute percentage error (SMAPE). Simulation results indicate that the Temporal Convolutional Networks used in this manuscript performs better than other models for forecasting the cumulative confirmed COVID-19 cases.
Özet
Yeni tip Koronavirüs (COVID-19), ilk bildirimden bu günlere kadar dünya çapında milyonlarca insanı önemli ölçüde etkilemiştir. Virüsün hızla yayılması, birçok ülkede sağlık hizmetlerinin iş yükünü önemli ölçüde artırmıştır. Bu nedenle, sağlık sisteminin verimli kullanımına duyulan ihtiyaç, araştırmacıları virüsün yayılma eğilimini tahmin etmeye yönlendirmiştir. Bu amaçla, makine öğrenimi (ML) ve yapay zeka (AI) uygulamaları, koronavirüs salgınına karşı mücadele etmek için yoğun bir şekilde kullanılmıştır. Bu çalışmada, kümülatif doğrulanmış COVID-19 vakalarını modellemek ve zaman serisi verilerini kullanarak çeşitli Avrupa ülkelerinde yayılmasını tahmin etmek için Zamansal Evrişimli Ağları kullanılmıştır. Ayrıca Zamansal Evrişimli Ağların (TCN) performanslarını, hesaplama süresi, kök ortalama kare hatası (RMSE), normalleştirilmiş kök ortalama kare hatası (NRMSE), kök ortalama kare günlük hatası (RMSLE), ortalama mutlak yüzde hatası (MAPE) ve simetrik ortalama mutlak yüzde hatası (SMAPE) cinsinden literatürdeki diğer modeller olan Uzun-Kısa Süreli Bellek (LSTM) ve Kapılı Yinelemeli Birim (GRU) ile karşılaştırdık. Bu çalışmada kullandığımız Benzetim sonuçlarında, bu makalede kullandığımız Zamansal Evrişimli Ağların performansının COVID-19 vakalarının tahmininde diğer modellere göre daha iyi olduğu gösterilmiştir