Predykcja zakażeń na COVID-19 w oparciu o rekurencyjne sieci neuronowe

Abstract

Praca omawia zagadnienie predykcji zakażeń na chorobę COVID-19 z wykorzystaniem rekurencyjnych sieci neuronowych. W celu prób stworzenia optymalnego modelu sieci neuronowej wykorzystano dwa modele rekurencyjne: bramkową jednostkę rekurencyjną (ang. Gated Recurrent Unit – GRU) oraz sieć z pamięcią długoterminową (ang. Long Short Term Memory – LSTM). Do nauki sieci wykorzystano oficjalne dane Światowej Organizacji Zdrowia (ang. World Health Organization - WHO) zawierające aktualne informację o zakażeniach począwszy od dnia 22 stycznia 2020 roku. Opisane zostały również algorytmy wykorzystane w niniejszym projekcie oraz algorytmy wykorzystywane w istniejących rozwiązaniach predykcji szeregów czasowych. Dla wszystkich zaproponowanych rozwiązań, porównano wyniki przy różnych parametrach konfiguracyjnych oraz zweryfikowano ich wydajność oraz jakość rezultatów. Praca zawiera również podsumowanie oraz wnioski dotyczące zaimplementowanych modeli.