Прогнозирование случаев заражения COVID-19 в Мексике на основе моделей временных рядов
https://doi.org/10.15514/ISPRAS-2024-36(6)-13
Аннотация
Пандемия COVID-19 стала первым кризисом в области здравоохранения, затронувшим весь мир в этом столетии. Собранные данные выявили отсутствие организации и контроля в мерах здравоохранения, сдерживании и смягчении последствий, а также отсутствие планирования и координации в использовании предметов медицинского назначения, что побудило к разработке моделей прогнозирования, которые предоставили прогнозную информацию о развитии пандемии. В этой работе временные ряды накопленных случаев заражения были получены с помощью официальных данных, предоставленных Министерством здравоохранения правительства Мексики. К этой информации были применены шесть детерминированных и стохастических прогностических моделей для сравнения их эффективности в прогнозировании случаев заражения COVID-19. Эти модели были применены к данным из двух городов Мексики, Колимы и штата Мексика. В исследовании делается вывод о том, что модели ARIMA и ANN MLP лучше адаптируются к данным, которые генерируются ежедневно, поэтому они имеют улучшенную способность прогнозирования.
Ключевые слова
Об авторах
Кейла Басти КОРТЕС-МАРТИНЕС
Национальный центр исследований и технологических разработок (TECNM)
Мексика
Мексика
В 2019 году получила степень магистра компьютерных наук в Национальном центре исследований и технологических разработок в Куэрнаваке (Мексика). Ее научные интересы – машинное обучение, распознавание образов и интеллектуальный анализ данных.
Хуго ЭСТРАДА-ЭСКИВЕЛ
Национальный центр исследований и технологических разработок (TECNM)
Мексика
Мексика
Получил степень магистра в области компьютерных наук в Национальном центре исследований и технологических разработок в Куэрнаваке (Мексика) и степень PhD в области информатики в Техническом университете Валенсии (Испания), а также степень PhD в области информатики и телекоммуникаций в Университете Тренто (Италия) в 2008 году. Научный сотрудник исследовательского центра INFOTEC, Национального совета по науке и технологиям и в настоящее время в Национальном центре исследований и технологических разработок CENIDET. Его научные интересы включают большие данные, интернет вещей и умные города.
Алисия МАРТИНЕС-РЕБОЯР
Национальный центр исследований и технологических разработок (TECNM)
Мексика
Мексика
Получила степень магистра в области компьютерных наук в Национальном центре исследований и технологических разработок в Куэрнаваке (Мексика) и степень PhD в области информатики в Техническом университете Валенсии (Испания), а также степень доктора философии в области информатики и телекоммуникаций в университете Тренто (Италия) в 2008 году. С 2009 года она является профессором-исследователем Национального центра исследований и технологических разработок CENIDET. Автор 4 книг и более 130 работ. Ее научные интересы включают большие данные, Интернет вещей, умные города и аффективные вычисления.
Список литературы
1. Organización Mundial de la Salud (OMS), “Enfermedad por el Coronavirus,” Novel Coronavirus 2019, 42–49 (2021). [Last access: February 28th, 2021]. https://www.paho.org/es/enfermedad-por-coronavirus-covid-19.
2. Instituto Nacional de Transparencia, Acceso a la Información y Protección de Datos Personales (INAI), “Línea de tiempo COVID-19 en México”, [Last access: December 27th,2023]. https://micrositios.inai.org.mx/conferenciascovid-19tp/?page_id=8432.
3. Instituto Nacional de Transparencia, Acceso a la Información y Protección de Datos Personales (INAI), “Sugerencias de Actividades para realizar durante la contingencia sanitaria #Quédate en Casa”, pp. 1-45 (2021). https://inicio.inai.org.mx/nuevo/RecomendacionesINAICOVID-19.pdf.
4. J. C. Clement, V. K. Ponnusamy, K. Sriharipriya, et al., “A Survey on Mathematical, Machine Learning and Deep Learning Models for COVID-19 Transmission and Diagnosis”, IEEE reviews in biomedical engineering, 15, 325–340(2022). https://doi.org/10.1109/RBME.2021.3069213.
5. A. Mehrotraa y R. Agarwal, “A Review of Use of Data Mining duringCOVID-19 Pandemic”, Turkish Journal of Computer and Mathematics Education, 12(6), 4547-4552(2021). https://doi.org/10.17762/turcomat.v12i6.8441.
6. Vasilev, I.A., Petrovskiy, M.I., Mashechkin, I.V, et al. “Predicting COVID-19-Induced Lung Damage Based on Machine Learning Methods”. Programming and Computer Software, 48, 243–255 (2022).doi: https://doi.org/10.1134/S0361768822040065.
7. F. Rustam, A., et al. “COVID-19 Future Forecasting Using Supervised Machine Learning Models”, IEEE Access Xplore, 8, 101489-101499(2020). doi:10.1109/ACCESS.2020.2997311.
8. Madini O. Alassafi, Mutasem Jarrah, Reem Alotaibi, “Time series predicting of COVID-19 based on deep learning”, Neurocomputing 468, 335-344 (2022). ISSN 0925-2312, https://doi.org/10.1016/j.neucom.2021.10.035.
9. R. Chandra, A. Jain y D. Singh Chauhan, “Deep learning via LSTM models for COVID-19 infection forecasting in India”, PLOS ONE, 17(1), 1-28 (2022), https://doi.org/10.1371/journal.pone.0262708.
10. S. Kumar, R. Sharma, T. Tsunoda, et al., “Forecasting the spread of COVID-19 using LSTM network”. BMC Bioinformatics, 22 (6), 316 (2021). https://doi.org/10.1186/s12859-021-04224-2.
11. Z. Car, S. Baressi Šegota, N. Anđelić, et al., “Modeling the Spread of COVID-19 Infection Using a Multilayer Perceptron”, Hindawi. Computational and Mathematical Methods in Medicine, 2020 (5714714), 1-10 (2020). https://doi.org/10.1155/2020/5714714.
12. R. Somyanonthanakul, K. Warin, W. Amasiri, et al., “Forecasting COVID-19 cases using time series modeling and association rule mining”, BMC Medical Research Methodology, 22(281), 1-18 (2022), doi: 10.1186/s12874-022-01755-x.
13. M. Abdelaziz, A. Ahmed, A. Riad, et al., “Forecasting daily confirmed COVID-19 cases in Algeria using ARIMA models”, Short research communication- EMHJ, 29 (7), 515-519 (2023), https://doi.org/10.26719/emhj.23.054.
14. S. Sah, B. Surendiran, R. Dhanalakshmi, et al., “Forecasting COVID-19 Pandemic Using Prophet, ARIMA, and Hybrid Stacked LSTM-GRU Models in India”, Hindawi. Computational and Mathematical Methods in Medicine, 2022 (1556025), 1-19 (2022), https://doi.org/10.1155/2022/1556025.
15. Y. Jin, R. Wang, X. Zhuang, et al., “Prediction of COVID-19 Data Using an ARIMA-LSTM Hybrid Forecast Model”, MDPI Mathematics, 10 (21), 1-13 (2022), https://doi.org/10.3390/math10214001.
16. Dirección General de Epidemiología, “Datos Abiertos Bases Históricas”. Available at.: https://www.gob.mx/salud/documentos/datos-abiertos-bases-historicas-direccion-general-de-epidemiologia, [Last access: January 25th, 2024].
17. Instituto Nacional de Estadística y Geografía (INEGI), “Consulta de indicadores sociodemográficos y económicos por área geográfica”. Available at.: https://www.inegi.org.mx/, [Last access: Decembre 27th,2023].
18. Instituto Nacional de Estadística y Geografía (INEGI) para niños. “Densidad de Población”, Available at.: https://cuentame.inegi.org.mx/poblacion/densidad.aspx?tema=P, [Last access: Decembre 27th,2023].
19. G. Ramírez-Valverde y B. Ramírez-Valverde, “Modelo estadístico para defunciones y casos positivos de COVID-19 en México”, EconoQuantum, 18(1), 1-20 (2021). https://doi.org/10.18381/eq.v18i1.7223.
20. Rojas-García, M., Vázquez, B., Torres-Poveda, K.et al. “Lethality risk markers by sex and age-group for COVID-19 in Mexico: a cross-sectional study based on machine learning approach”. BMC Infectious Diseases, 23(18), 1-14 (2023). https://doi.org/10.1186/s12879-022-07951-w.
21. Cueva Moncayo, M., Jami Carrera, J., & Betancourt Rubio, E., “Previsión de COVID-19 mediante modelo de series temporales en pacientes de una clínica de salud rural”, Revista Cubana de Investigaciones Biomédicas, 42(3127), 1-21 (2023), Editorial de Ciencias Médicas (ECIMED). https://revibiomedica.sld.cu/index.php/ibi/article/view/3127.
22. Secretaría del Gobierno de México (gob.mx), “Boletín estadístico 2021 del exceso de mortalidad por todas las causas durante la emergencia por COVID-19”, Grupo Interinstitucional para la estimación del exceso de mortalidad por todas las causas, 46 (27), 1-42 (2021). https://coronavirus.gob.mx/wp-content/uploads/2021/09/2021.09.08-Boleti%CC%81n_XXI_Exceso_Mortalidad_SE33_MX.pdf.
23. Z. Malki, E.-S. Atlam, A. Ewis, et al., “The COVID-19 pandemic: prediction study based on machine learning models”, Environmental Science and Pollution, 28(30), 40496-40506 (2021). doi: 10.1007/s11356-021-13824-7.
24. L. Tomov, L. Chervenkov, D. G. Miteva, et al. “Applications of time series analysis in epidemiology: Literature review and our experience during COVID-19 pandemic”, WJCC (World Journal of Clinical Cases), 11 (29), 6974-6983 (2023). PMID: 37946767 doi: 10.12998/wjcc.v11.i29.6974.
25. M. S. Bartlett, “Deterministic and Stochastic Models for Recurrent Epidemics”, Proceedings of the Third Berkeley Symposium on Mathematical Statistics and Probability, IV, 81-109 (1956). https://apps.dtic.mil/sti/pdfs/AD1028592.pdf.
26. A. M. Radwan, “Forecasting of Covid-19 Using Time Series Regression Models”, 2021 Palestinian International Conference on Information and Communication Technology (PICICT), 7-12 (2021). doi: 10.1109/PICICT53635.2021.00014.
27. S. Bhutia, B. Patra y M. Ray, “COVID-19 epidemic: analysis and prediction”, IAES International Journal of Artificial Intelligence (IJ-AI), 11(2), 736-745 (2022). ISSN: 2252-8938, doi: 10.11591/ijai.v11.i2.
28. V. Chaurasia y S. Pal, “Application of machine learning time series analysis for prediction COVID-19 pandemic”, Research on Biomedical Engineering. Sociedade Brasileira de Engenharia Biomedica, 38(1), 35-47 (2020) . PMCID: PMC7585491. doi: 10.1007/s42600-020-00105-4.
29. Fadhil A. Abidi; Zainb Hasan Radiy, “Using exponential smoothing methods to analysis COVID-19 time series”, 2nd International Conference on Engineering and Science to Achieve the Sustainable Development Goals. AIP Conference Proceedings, 3092 (1), id.070014, 1-10 (2024), https://doi.org/10.1063/5.0200417.
30. G. Sanglier Contreras, M. Robas Mora, P. Jimenez Gomez, "Use of quantitative forecasting methods and error calculation for better adaptability to the application of a mathematical model to determine the speed of spread of a coronavirus infection (COVID-19) in Spain", Contemporary Engineering Sciences, 13(1), 157-175 (2020), doi: 10.12988/ces.2020.91570.
31. R. Somyanonthanakul, K. Warin, W. Amasiri, et al. “Forecasting COVID-19 cases using time series modeling and association rule mining”, BMC Medical Research Methodoly, 22 (281), 1-18 (2022), https://doi.org/10.1186/s12874-022-01755-x.
32. Yu, C. S., Chang, S. S., Chang, et al., “A COVID-19 Pandemic Artificial Intelligence-Based System with Deep Learning Forecasting and Automatic Statistical Data Acquisition: Development and Implementation Study”, Journal of medical Internet research, 23(5), (2021). e27806. https://doi.org/10.2196/27806.
33. Kadirliev T.M., Telpukhov D.V., Solovyev R.A. Application of Neural Networks for Image Segmentation in the Problem of Fast Global Routing. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2023;35(5):145-156. (In Russ.) https://doi.org/10.15514/ISPRAS-2022-35(5)- 10.
Рецензия
Для цитирования:
КОРТЕС-МАРТИНЕС К., ЭСТРАДА-ЭСКИВЕЛ Х., МАРТИНЕС-РЕБОЯР А. Прогнозирование случаев заражения COVID-19 в Мексике на основе моделей временных рядов. Труды Института системного программирования РАН. 2024;36(6):231-246. https://doi.org/10.15514/ISPRAS-2024-36(6)-13
For citation:
CORTÉS-MARTÍNEZ K., ESTRADA-ESQUIVEL H., MARTINEZ-REBOLLAR A. Time Series Models using in Prediction of COVID-19 Infection Cases in Mexico. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2024;36(6):231-246. https://doi.org/10.15514/ISPRAS-2024-36(6)-13
Послать статью по эл. почте 