TY - JOUR T1 - Prediction of Covid-19 Prevalence and Fatality Rates in Iran Using Long Short-Term Memory Neural Network TT - پیش‌بینی نرخ ابتلا و فوت ناشی از کووید-19 در ایران با استفاده از شبکه عصبی حافظه طولانی کوتاه‌مدت JF - jhbmi JO - jhbmi VL - 9 IS - 1 UR - http://jhbmi.ir/article-1-667-fa.html Y1 - 2022 SP - 27 EP - 39 KW - COVID-19 KW - Time Series Prediction KW - Recurrent Neural Network KW - Long Short-Term Memory KW - Iran N2 - مقدمه: گسترش سریع بیماری کووید-19 به یک تهدید جدی برای جهان تبدیل شده است. تاکنون میلیون‌ها نفر در سراسر جهان به این بیماری مبتلا شده‌اند. همه‌گیری کووید-19 بر جنبه‌های مختلف زندگی بشر اثرات قابل توجهی داشته است. به منظور ایمنی و ایجاد تمهیدات لازم، پیش‌بینی نرخ شیوع ویروس در این زمان ضروری است. این امر می‌تواند به کنترل نرخ همه‌گیری و مرگ و میر آن کمک نماید. مطالعات پیشین، عمدتاً از ابزارهای آماری و الگوریتم‌های مبتنی بر یادگیری ماشین استفاده کرده‌اند. هرچند، اولی برای تجزیه و تحلیل غیرقابل پیش‌بینی بیماری همه‌گیر ناکافی بودند و دومی عمدتاً مشکلات عدم برازش یا بیش‌برازش را تجربه کردند. برای فائق آمدن بر این مشکلات، مطالعه حاضر روشی مبتنی بر یادگیری عمیق بر دادگان طولانی مدت را پیشنهاد کرده است. روش: در مطالعه تحلیلی- مقطعی حاضر یک رویکرد برای پیش‌بینی موارد ابتلا و فوت شده ناشی از کووید-19 مبتنی بر شبکه‌های حافظه طولانی کوتاه‌مدت (Long Short-Term Memory) LSTM ارائه شد. مدل LSTM روی داده‌های سری زمانی کشور ایران از تاریخ 1398/11/2 تا 1400/9/23 اجرا شد و معیارهای ارزیابی RMSE و MAE محاسبه شدند. نتایج: بهترین نتایج این مطالعه برای پیش‌بینی دادگان فوت شده با 27/57 = RMSE و 19/01 = MAE بوده است. نتایج نشان داد که شبکه عصبی LSTM کارایی خوبی در پیش بینی موارد ابتلا و فوتی ایران داشته است. نتیجه‌گیری: مدل پیشنهادی نشان داد که در مدل‌سازی و پیش‌بینی وضعیت شیوع ویروس مناسب بوده است. تخمین افراد مبتلا و فوت شده ناشی از کووید-19 می‌تواند به کنترل وضعیت پاندمی کمک کند. M3 ER -