محمدجواد حق نجات
توسعه یک سیستم هشدار برای شیوع بیماری شبه آنفولانزا با استفاده از یادگیری عمیق و داده های چندمنبعی
- رشته تحصیلی
- علوم كامپيوتر-گرايش علوم تصميم و دانش
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- نامشخص
- شماره ساختمان محل ارائه
- ۱۰
- نام کلاس محل ارائه
- کلاس ۱[۱۱۱]
- شماره کلاس محل ارائه
- ۱۰۱
- تاریخ دفاع
- ۲۳ شهریور ۱۴۰۴
- ساعت دفاع
- ۱۴:۳۰
- چکیده
-
این پژوهش به بررسی کارایی مدلهای یادگیری عمیق در پیشبینی سریهای زمانی مرتبط با همهگیری، دادههای جستجوی گوگل و اطلاعات هواشناسی پرداخته و تأثیر ترکیب دادههای چندمنبعی بر دقت پیشبینی را مورد تحلیل قرار داد. سه مدل پایه GRU، LSTM و Transformer ارزیابی شدند و سپس مدلهای تلفیقی دوتایی و سهتایی بر اساس ترکیب منابع داده طراحی گردیدند.
نتایج نشان داد که مدل GRU در دادههای پرنوسان همهگیری و جستجوی گوگل عملکرد برتری دارد و توانست روند واقعی و نوسانات مهم را دقیق بازتولید کند. تحلیل همبستگی کانونی (CCA) بیانگر آن بود که دادههای همهگیری و جستجوی گوگل همبستگی بیشتری (۰.۵۱۳) نسبت به دادههای هواشناسی (۰.۳۵۶) دارند، که توضیحدهنده بهبود عملکرد مدلهای تلفیقی دوتایی است. افزودن دادههای هواشناسی در مدلهای سهتایی باعث کاهش نسبی دقت شد، زیرا این دادهها همبستگی کمتری با روند همهگیری دارند و نویز بالاتری ایجاد میکنند.
این پژوهش نشان داد که انتخاب صحیح معماری شبکه عصبی و منابع داده مکمل نقش کلیدی در دقت پیشبینی دارد و ترکیب دادههای همهگیری و جستجوهای کاربران در فضای وب میتواند ابزار مؤثری برای پایش روند اپیدمی و حمایت از تصمیمگیری در حوزه سلامت عمومی باشد.
- Abstract
-
This study investigates the performance of deep learning models in forecasting time series related to epidemics, Google search data, and meteorological information, and analyzes the impact of multi-source data integration on prediction accuracy. Three base models—GRU, LSTM, and Transformer—were evaluated, followed by the design of dual-source and triple-source integrated models based on combinations of data sources.
The results showed that the GRU model outperformed the others on volatile epidemic and Google search data, accurately reproducing real trends and significant fluctuations. Canonical Correlation Analysis (CCA) indicated that epidemic data and Google search data have a higher correlation (۰.۵۱۳) compared to meteorological data (۰.۳۵۶), which explains the improved performance of dual-source integrated models. Adding meteorological data in the triple-source models resulted in a relative decrease in accuracy, as these data have lower correlation with epidemic trends and introduce higher noise.
This study demonstrates that selecting an appropriate neural network architecture and complementary data sources plays a key role in prediction accuracy, and that integrating epidemic data with user search behavior on the web can serve as an effective tool for monitoring epidemic trends and supporting public health decision-making.