Geri Dön

Arıma ve derin öğrenme modelleri kullanılarak Türkiye'deki COVID-19 vaka ve vefat sayılarının tahmini

Forecasting of COVID-19 confirmed and death cases in Turkey using arima and deep learning models

PDF İndir

  1. Tez No: 722243
  2. Yazar: FATEMA NUSRAT
  3. Danışmanlar: DOÇ. DR. ÖMER KAAN BAYKAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Covid-19, Çift Yönlü LSTM, Derin Öğrenme, Geçitli Tekrarlayan Birim, Otoregresif Entegre Hareketli Ortalama, Uzun Kısa Süreli Bellek, Autoregressive Integrated Moving Average, Bidirectional LSTM, Covid-19, Deep Learning, Gated Recurrent Unit, Long Short Term Memory
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Konya Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 61

Özet

Koronavirüs (Covid-19), 2019 yılında ortaya çıkan, hızlı bir şekilde yayılan, insan sağlığına etki eden dünya çapında büyük bir tehdittir. Çin'in Wuhan şehrindeki deniz ürünleri ve hayvan pazarlarından kaynaklandığı düşünülmektedir. Covid-19, bulaşıcı bir hastalıktır ve insandan insana bulaşmaktadır. 11 Mart 2020'de Dünya Sağlık Örgütü (World Health Organization- WHO), Covid-19 salgınını küresel bir salgın olarak ilan etmiştir. Ülkelerin salgın kaynaklı vaka ve vefat sayılarını tahmin edebilmesi geleceğe yönelik planlama yapabilmeleri için büyük önem taşımaktadır. Bu tez çalışmasının amacı, geçmiş verilere dayanarak Türkiye'nin gelecekteki toplam Covid-19 vaka ve vefat sayılarını tahmin etmektir. Veri seti, Türkiye Cumhuriyeti Sağlık Bakanlığı'nın internet sitesindeki veriler kullanılarak oluşturulmuştur. Tahmin modelleri olarak, Uzun Kısa Süreli Bellek (Long Short Term Memory -LSTM), Çift Yönlü LSTM (Bidirectional LSTM- BiLSTM), Geçitli Tekrarlayan Birim (Gated Recurrent Unit - GRU) olmak üzere üç farklı derin öğrenme modeli ve Otoregresif Entegre Hareketli Ortalama (Autoregressive Integrated Moving Average- ARIMA) istatistiksel modeli kullanılmıştır. 11 Mart 2020 ile 31 Mayıs 2021 tarihleri arasındaki veriler modellerin eğitilmesi, test edilmesi için kullanılmış olup, 1 Haziran - 30 Haziran 2021 tarihleri arasındaki vaka ve vefat sayıları tahmin edilmiştir. Modellerin performansını değerlendirmek için Kök Ortalama Kare Hatası (Root Mean Square Error- RMSE) ve Ortalama Mutlak Yüzde Hatası (Mean Absolute Percentage Error- MAPE) kullanılmıştır. ARIMA modeli RMSE, MAPE ve tahmin değerleri açısından derin öğrenme tekniklerinden daha iyi performans göstermiştir. ARIMA modelinin ürettiği tahmin değerlerinin, Türkiye'nin gerçek vaka ve vefat sayıları ile daha uyumlu olduğu gözlenmiştir.

Özet (Çeviri)

The coronavirus (Covid-19) is a major worldwide threat that emerged in 2019, spread rapidly, and affects human health. It is thought to originate from seafood and animal markets of Wuhan city, China. Covid-19 is a contagious disease and is transmitted from person to person. On March 11, 2020, the World Health Organization (WHO) declared the Covid-19 outbreak a global pandemic. It is of great importance for countries to be able to forecast the number of confirmed and death cases caused by the epidemic so that they can plan for the future. The aim of this thesis work is to forecast Covid-19 total confirmed and death cases of Turkey based on previous data. The dataset was created using the data on the website of the Ministry of Health of the Republic of Turkey. Three different deep learning models as Long Short Term Memory (LSTM), Bidirectional LSTM (BiLSTM), Gated Recurrent Unit (GRU), and Autoregressive Integrated Moving Average (ARIMA) statistical model was used as prediction models. Data from March 11, 2020, to May 31, 2021, were used to train and test the models, and the number of confirmed and death cases between June 1 and June 30, 2021, was forecasted. Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE) were used to evaluate the performance of the models. The ARIMA model outperformed deep learning techniques in terms of RMSE, MAPE and forecasting values. The forecasted values produced by the ARIMA model are more compatible with the actual number of confirmed and death cases in Turkey.

Benzer Tezler

  1. Tez No

    884156

    COVID-19 ölüm ve vaka sayılarının arıma ve derin öğrenme modelleri ile öngörüsü

    Prediction of COVID-19 death and case number using arima and deep learning models

    BÜŞRA ÇETİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    İstatistikMuğla Sıtkı Koçman Üniversitesi

    İstatistik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ NİDA GÖKÇE NARİN

  2. Tez No

    459556

    Trafik sensör verileri kullanılarak trafik akış tahmini: İstanbul şehri için bir uygulama

    Predicting the traffic flow with using traffic sensors: An application for Istanbul

    NEZAHAT SÖNMEZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Endüstri ve Endüstri MühendisliğiTOBB Ekonomi ve Teknoloji Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. TAHİR HANALİOĞLU

    YRD. DOÇ. SALİH TEKİN

  3. Tez No

    828572

    InSAR ve makine öğrenmesi yöntemleri kullanılarak yüzey hareketlerinin zaman serileri ile modellenmesi: İstanbul Havalimanı örneği

    Time series modeling of surface movements using InSAR and machine learning methods: The case study of Istanbul Airport

    NUR YAĞMUR

    Doktora

    Türkçe

    Türkçe

    2023

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. NEBİYE MUSAOĞLU

    PROF. DR. ERDAL ŞAFAK

  4. Tez No

    858427

    İstanbul'un gelecekteki su tüketimi miktarının tahmininde en iyi yöntemin belirlenmesi: ARIMA, derin öğrenme ve hibrit modelleri

    Determining the best method for estimating the future water consumption of İstanbul: ARIMA, deep learning and hybrid models

    AYŞE AKTUĞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİSTANBUL NİŞANTAŞI ÜNİVERSİTESİ

    Yazılım Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ KADRİYE HİLAL TOPAL

  5. Tez No

    666786

    Ulusal yazılım açıklık veri tabanı oluşturulması kapsamında android açıklıklarının modellenmesi ve analiz edilmesi

    Establishment of national software vulnerability's database

    KEREM GENCER

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. FATİH BAŞÇİFTÇİ

Geri Dön