Citation Number
22
Views
27
Downloands
3
Koronavirüs, 2019 yılının Aralık ayında ilk olarak Çin’in Wuhan kentinde ortaya çıkmış ve 11 Mart 2020’de Dünya Sağlık Örgütü tarafından pandemi olarak ilan edilmiştir. Vaka sayılarını kontrol altına almak için pek çok ülke karantina, sokağa çıkma yasağı ve sosyal alanların bir süreliğine kapatılması gibi çeşitli önlemler almıştır. Doğrulanmış vaka tahminlemesi pandemide olası planlamalar için büyük önem taşımaktadır. Gelecek verilerinin gerçeğe en yakın bir şekilde tahminlenmesi pandemi döneminde lojistik, tedarik, hastane personel ve malzeme planlaması için kullanılabileceği gibi aşılama senaryolarında da girdi olarak kullanılabilir. Literatürde doğrulanmış vaka tahmininde makine öğrenmesi, bölmeli model, zaman serisi analizi gibi pek çok yöntem kullanarak tahminleme yapılan çalışmalar vardır. Bu çalışmada, Amerika Birleşik Devletleri’ndeki doğrulanmış vaka sayılarını kullanarak gelecek günlerdeki vaka tahminlerini çeşitli makine öğrenmesi modelleri yapılmıştır. Python ve R programlama dili kullanılarak yapılan tahminlemeler Prophet, Polinom Regresyon, ARIMA, Doğrusal Regresyon ve Random Forest modelleri ile yapılmıştır. Test verisiyle tahmin edilen verilerin performansları ortalama mutlak yüzde hatası (MAPE), ortalama karekök sapması (RMSE) ve ortalama mutlak hata (MAE) kullanılarak değerlendirilmiştir. Sonuç olarak, MAPE hata metriği baz alınarak en iyi tahminleri veren algoritma Polinom Regresyon olarak bulunmuştur.
The coronavirus first appeared in the Chinese city of Wuhan in December 2019 and was declared a pandemic on March 11, 2020 by the World Health Organization. In order to control the number of cases, many countries have taken various measures such as quarantine, ban on the streets and the closure of social spaces for a period of time. Verified case predictions are of great importance for possible plannings in the pandemic. Prognosis of future data in the closest way to reality; it can also be used as input in vaccination scenarios as it can be used for logistics, supply, hospital staff and material planning during the pandemic period. In literature verified case prediction there are studies that are predicted using many methods such as machine learning, divided model, time series analysis. In this study, a variety of machine learning models were made for future cases forecasts using verified case numbers in the United States. Predictions made using Python and R programming languages were made with the Prophet, Polinom Regression, ARIMA, Direct Regression and Random Forest models. The performance of the test data is estimated using an average absolute percentage error (MAPE), an average corner deviation (RMSE) and an average absolute error (MAE). As a result, the MAPE error metrics are based on the algorithm that gives the best forecasts as Polinom Regression.
The coronavirus first appeared in Wuhan, China in December 2019 and was declared as a pandemic by the World Health Organization on March 11, 2020. In order to control the number of cases, many countries have taken various measures such as quarantine, curfew and closing social areas for a while. Prediction data can be used in logistics, procurement, hospital personnel and supplies planning and vaccination scenarios. In the confirmed case estimate; in the literature, there are studies that use many methods such as machine learning, compartmental model, and time series analysis in confirmed case prediction. In this study, various machine learning models have been generated to estimate future cases using the number of confirmed cases in the United States. The predictions made using Python and R programming language were made with Prophet, Polynomial Regression, ARIMA, Linear Regression and Random Forest models. The performances of the data estimated by the test data are evaluated using the mean absolute percent error (MAPE), root mean square deviation (RMSE) and mean absolute error (MAE). As a result, the algorithm that gives the best estimates based on the MAPE error metric was found as Polynomial Regression.
Field : Fen Bilimleri ve Matematik; Mühendislik
Journal Type : Uluslararası
Article Detail 
Citation Owners
Similar Articles
Download PDF
Journal Information
Listen Paper
Print This Page
Share
Mendeley
