Застосування моделі на основі згорткових нейронних мереж для задачі прогнозування COVID-19 в Україні
DOI:
https://doi.org/10.30837/0135-1710.2021.177.043Ключові слова:
згорткові нейронні мережі, архітектура Inception, COVID-19, прогнозування захворюваньАнотація
В роботі розглянуто задачу прогнозування поширення COVID-19 в Україні. Актуальність цієї задачі зростає з кожним днем. Серед сучасних моделей для прогнозування часових рядів на основі згорткових нейронних мереж обрана модель InceptionTime. Для неї характерна висока точність і масштабованість. Дослідження реалізовано на мові програмування високого рівня Python. Результати представлені значеннями середньої абсолютної похибки, середньої квадратичної похибки, середньої абсолютної похибки в процентах по кожному експерименту. Модель InceptionTime демонструє високу точність та швидкодію для даної задачі.
Посилання
Андрусенко Ю. О. Аналіз основних моделей прогнозування часових рядів. // Збірник наукових праць ХНУПС. 2020. №3(). С. 91-96.
Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление: М. Мир,1974. 406 с.
Bishop C.M. Neural Networks for Pattern Recognition. Oxford University Press, 2014. 482 p.
Хайкин С. Нейронные сети. Полный курс. М: Вильямс, 2006. 1104 с.
Wei, J., Nan, Z., Xiaoming, X. and Yanhe, X. Intelligent Deep Learning Method for Forecasting the Health Evolution Trend of Aero-Engine With Dispersion Entropy-Based Multi-Scale Series Aggregation and LSTM Neural Network. // IEEE Access, 2020. 34350-34361 pp.
Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov D, Erhan D, Vanhoucke V, Rabinovich A. Going deeper with convolutions. // In: Proceedings of the IEEE conference on computer vision and pattern recognition. 2015. 1-9 pp.
Hassan Ismail Fawaz, Benjamin Lucas, Germain Forestier. InceptionTime: Finding AlexNet for Time Series Classificatio. // Data Mining and Knowledge Discovery. 2020. Vol. 34, 1936-1962 pp.
He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. // In: IEEE Conference on Computer Vision and Pattern Recognition, 2016. 770-778 pp.
