| dc.contributor.author | Ситніков, Д. Е. | uk |
| dc.contributor.author | Андрусенко, Ю. О. | uk |
| dc.contributor.author | Sitnikov, D. E. | en |
| dc.contributor.author | Andrusenko, Y. O. | en |
| dc.date.accessioned | 2023-03-22T13:14:35Z | |
| dc.date.available | 2023-03-22T13:14:35Z | |
| dc.date.issued | 2022 | |
| dc.identifier.citation | Модель ResNet для задачі прогнозування поширення COVID-19 в Україні [Текст] / Д. Е. Ситніков, Ю. О. Андрусенко // Інформаційні технології та комп'ютерна інженерія. – 2022. – № 1. – С. 64-68. | uk |
| dc.identifier.issn | 1999-9941 | |
| dc.identifier.uri | http://ir.lib.vntu.edu.ua//handle/123456789/36509 | |
| dc.description.abstract | У статті розглянута модель залишкової нейронної мережі ResNet та її застосування для задачі прогнозування поширення COVID-19 в Україні. Дослідження реалізовано програмно на Python. Для навчання моделі використано часові ряди показників захворюваності та щеплень. Результати роботи моделі досліджено на точність та швидкодію. Порівняльний аналіз результатів про-демонстрував високу швидкодію моделі ResNet відносно іншої моделі згорткових нейронних мереж InceptionTime, але точність роботи ResNet поступається. | uk |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | Інформаційні технології та комп'ютерна інженерія. № 1 : 64-68. | uk |
| dc.relation.uri | https://itce.vntu.edu.ua/index.php/itce/article/view/864 | |
| dc.subject | прогнозування | uk |
| dc.subject | часові ряди | uk |
| dc.subject | залишкова нейронна мережа | uk |
| dc.subject | COVID-19 | en |
| dc.subject | порівняльний аналіз | uk |
| dc.subject | predicting | en |
| dc.subject | time series | en |
| dc.subject | residual neural network | en |
| dc.subject | comparative analysis | en |
| dc.title | Модель ResNet для задачі прогнозування поширення COVID-19 в Україні | uk |
| dc.title.alternative | ResNet model for the forecasting the expansion of COVID-19 in Ukraine | en |
| dc.type | Article | |
| dc.identifier.udc | 004.942 | |
| dc.relation.references | Ю. О. Андрусенко, «Аналіз основних моделей прогнозування часових рядів», Збірник наукових праць Харківського національного університету Повітряних Сил, вип. 3(65), с. 91–96, 2020. doi: 10.30748/zhups.2020.65.14. | uk |
| dc.relation.references | Thomas Fischer and Christopher Krauss, «Deep learn- ing with long short-term memory networks for financial market predictions», European Journal of Operational Research, vol. 270, no. 2, pp. 654–669, 2018. | en |
| dc.relation.references | M. Shabani and A. Iosifidis, «Low-rank temporal attention-augmented bilinear network for financial time- series forecasting», in 2020 IEEE Symposium Series on Computational Intelligence (SSCI), pp. 2156– 2161, 2020. | en |
| dc.relation.references | Z. Pala and R. Atici, «Forecasting sunspot time series using deep learning methods», Solar Physics, 294(5), 2019. doi: 10.1007/s11207-019-1434-6. | en |
| dc.relation.references | S, Ravuri, K, Lenc, M, Willson, «Skilful precipitation nowcasting using deep generative models of radar», Nature, 597, pp. 672–677, 2021. doi: 10.1038/s41586-021-03854-z | en |
| dc.relation.references | X. Yi, J. Zhang, Z. Wang, T. Li, and Y. Zheng, «Deep distributed fusion network for air quality pre-diction», in Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discov-ery & Data Mining. ACM, pp. 965–973, 2018. | en |
| dc.relation.references | ZifengWang, RuiWen, XiChen, ShileiCao, Shao-LunHuang, Buyue Qian, and Yefeng Zheng, «Online Disease Diagnosis with Inductive Heterogeneous Graph Convolutional Networks», in Proceedings of the Web Conference 2021, pp.3349– 3358, 2021. | en |
| dc.relation.references | George Panagopoulos, Giannis Nikolentzos, and Michalis Vazirgiannis, «Transfer Graph Neural Net-works for Pandemic Forecasting», in Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 35. pp.4838–4845, 2021. | en |
| dc.relation.references | Ardabili SF, Mosavi A, Ghamisi P, Ferdinand F, Varkonyi-Koczy AR, Reuter U, et al. «Covid-19 outbreak prediction with machine learning», Algorithms, 13(10), pp. 249-256, 2020. | en |
| dc.relation.references | Д. Е.Ситніков, Ю. О. Андрусенко, «Застосування моделі на основі згорткових нейронних ме-реж для задачі прогнозування поширення COVID-19 в Україні», Всеукраїнський міжвідомчий науково-технічний збірник «Автоматизовані системи управління та прилади автоматики», № 177 с. 43–47, 2021. | uk |
| dc.relation.references | He Kaiming, Zhang Xiangyu, Ren Shaoqing, Sun Jian, «Deep Residual Learning for Image Recogni-tion», 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV, USA: IEEE. pp. 770–778, 2016. doi:10.1109/CVPR.2016.90. | en |
| dc.relation.references | Hyndman, Rob J., and Anne B. Koehler, «Another look at measures of forecast accuracy», Interna-tional Journal of Forecasting, 22(4), pp. 679-688, 2006. doi: 10.1016/j.ijforecast.2006.03.001. | en |
| dc.identifier.doi | https://doi.org/10.31649/1999-9941-2022-53-1-64-68 | |
