Застосування моделі на основі згорткових нейронних мереж для задачі прогнозування COVID-19 в Україні

Автор(и)

  • Дмитро Едуардович Ситніков Харківський національний університет радіоелектроніки, кафедра СТ, Україна https://orcid.org/0000-0003-1240-7900
  • Юлія Олександрівна Андрусенко Харківський національний університет радіоелектроніки, кафедра ЕОМ, Україна https://orcid.org/0000-0001-7844-2042

DOI:

https://doi.org/10.30837/0135-1710.2021.177.043

Ключові слова:

згорткові нейронні мережі, архітектура Inception, COVID-19, прогнозування захворювань

Анотація

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.

Біографії авторів

Дмитро Едуардович Ситніков, Харківський національний університет радіоелектроніки, кафедра СТ

кандидат технічних наук, доцент, професор кафедри системотехніки ХНУРЕ. Наукові інтереси: Data Mining and Knowledge Discovery. Адреса: Україна, 61166, м. Харків, пр. Науки 14.

Юлія Олександрівна Андрусенко, Харківський національний університет радіоелектроніки, кафедра ЕОМ

аспірантка кафедри електронних обчислювальних машин ХНУРЕ. Наукові інтереси: методи прогнозування часових рядів. Адреса: Україна, 61166, м. Харків, пр. Науки 14.

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.

##submission.downloads##

Опубліковано

2021-06-30

Як цитувати

Ситніков, Д. Е., & Андрусенко, Ю. О. (2021). Застосування моделі на основі згорткових нейронних мереж для задачі прогнозування COVID-19 в Україні. АСУ та прилади автоматики, 1(177), 43–47. https://doi.org/10.30837/0135-1710.2021.177.043