கோவிட்-19 வழக்குகளை முன்னறிவிப்பதற்கான தற்காலிக ஆழ்ந்த கற்றல் கட்டமைப்பு

சமீபத்திய COVID-19 வெடிப்பை எதிர்த்துப் போராட, கல்வியாளர்களும் மருத்துவர்களும் தொற்றுநோயைக் குறைக்கும் அல்லது அதை நிறுத்தக்கூடிய மாறும் போக்குகளைக் கணிக்க புதிய அணுகுமுறைகளைத் தேடி வருகின்றனர். பாதிப்புக்குள்ளான-இன்ஃபெக்டட்-சரிசெய்யப்பட்ட (SIR-Susceptible–Infected–Recovered) போன்ற தொற்றுநோய் மாதிரிகள் மற்றும் அதன் மாறுபாடுகள், தொற்று நோய் வெடிப்பிலிருந்து சாத்தியமான கட்டுப்பாடுகளை மேம்படுத்துவதற்கான முடிவுகளில் பயன்படுத்தப்படும் ஒரு தொற்றுநோயின் இயக்கவியலைப் புரிந்துகொள்வதற்கு பயனுள்ளதாக இருக்கும். இருப்பினும், கணித அனுமானங்களின் அடிப்படையில் இந்த தொற்றுநோயியல் மாதிரிகள் உண்மையான தொற்றுநோய் சூழ்நிலைகளை கணிக்க முடியாது. சமீபத்தில், கோவிட்-19-இன் இயக்கவியலைப் புரிந்துகொள்ள புதிய இயந்திரக் கற்றல் அணுகுமுறைகள் பயன்படுத்தப்படுகின்றன. HanumanVerma, et. al., (2022) அவர்களின் ஆய்வில், கோவிட்-19 பரவலின் சிக்கலான போக்கைப் படம்பிடிக்கவும், கோவிட்-19-இன் முன்னறிவிப்பைச் செய்யவும், தொடர்ச்சியான மற்றும் மாறும் நரம்பியல் வலையமைப்பு மாதிரிகள் வடிவமைக்கப்பட்டுள்ளது. வெண்ணிலா LSTM, அடுக்கப்பட்ட LSTM, ED_LSTM, BiLSTM, CNN மற்றும் கலப்பின CNN+LSTM மாதிரி இந்தியா மற்றும் நான்கு மிகவும் பாதிக்கப்பட்ட மாநிலங்களுக்கு (மகாராஷ்டிரா, கேரளா, கர்நாடகா மற்றும் தமிழ்நாடு) தினசரி உறுதிப்படுத்தப்பட்ட வழக்குகள் 7, 14, 21 நாட்களுக்கு ஆராயப்பட்டன. இந்த மாதிரிகளின் ஒப்பீட்டு செயல்திறனைக் காட்ட, சராசரி வர்க்க மூல பிழை (RMSE-Root Mean Square Error) மற்றும் சராசரி முழுமையான சதவீதப் பிழை (MAPE-mean absolute percentage error) மதிப்பீட்டு அளவீடு  ஆகியவை சோதனைத் தரவில் கணக்கிடப்படுகின்றன. அடுக்கப்பட்ட LSTM மற்றும் ஹைப்ரிட் CNN+LSTM மாதிரியை மற்ற மாதிரிகளுடன் ஒப்பிடும்போது சிறப்பாகச் செயல்படுவதாக முடிவுகள் காட்டுகின்றன.

References:

• Verma, H., Mandal, S., & Gupta, A. (2022). Temporal deep learning architecture for prediction of COVID-19 cases in India. Expert Systems with Applications, 195, 116611.
• Khodeir, M. M., Shabana, H. A., Alkhamiss, A. S., Rasheed, Z., Alsoghair, M., Alsagaby, S. A., & Al Abdulmonem, W. (2021). Early prediction keys for COVID-19 cases progression: A meta-analysis. Journal of infection and public health, 14(5), 561-569.
• Gallo Marin, B., Aghagoli, G., Lavine, K., Yang, L., Siff, E. J., Chiang, S. S., & Michelow, I. C. (2021). Predictors of COVID‐19 severity: a literature review. Reviews in medical virology, 31(1), 1-10.
• Mohamadou, Y., Halidou, A., & Kapen, P. T. (2020). A review of mathematical modeling, artificial intelligence and datasets used in the study, prediction and management of COVID-19. Applied Intelligence, 50(11), 3913-3925.
• Arora, P., Kumar, H., & Panigrahi, B. K. (2020). Prediction and analysis of COVID-19 positive cases using deep learning models: A descriptive case study of India. Chaos, Solitons & Fractals, 139, 110017.