| dc.contributor.author | Лосенко, А. В. | uk |
| dc.contributor.author | Losenko, A. | en |
| dc.date.accessioned | 2024-06-21T18:27:43Z | |
| dc.date.available | 2024-06-21T18:27:43Z | |
| dc.date.issued | 2023 | |
| dc.identifier.citation | Лосенко А. В. Інформаційна технологія прогнозування часового ряду кількості хворих на коронавірус на основі моделі Facebook Prophet [Текст] / А. В. Лосенко // Вісник Вінницького політехнічного інституту. – 2023. – № 5. – С. 50-59. | uk |
| dc.identifier.issn | 1997–9266 | |
| dc.identifier.issn | 1997–9274 | |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua//handle/123456789/42857 | |
| dc.description.abstract | Розглянуто результати розроблення інформаційної технології прогнозування часового ряду кількості хворих на коронавірус COVID-19. Здійснено огляд напрацювань за цією тематикою та обґрунтований вибір бібліотеки Facebook Prophet як основи для розробленої ІТ. Запропоновано підвищити точність прогнозування кількості нових хворих на коронавірус у короткостроковій перспективі за допомогою вибраної моделі. Запропоновано математичне обґрунтування наявних паралельно-послідовних ітеративних методів ідентифікації параметрів моделі Facebook Prophet для врахування значної волатильності ряду значень нових хворих. Методи дозволяють визначати гіперпараметри тренду ряду, його сезонних складових та аномалій, що впливають на значення цього ряду. Формалізовано підхід щодо порівняльного аналізу впливу основних трендів захворюваності регіонів (або країн) без урахування впливу аномалій та сезонних складових шляхом створення картограм, які дозволяють аналізувати тенденції поширення хвороби в заданому регіоні.Розроблена архітектура запропонованої інформаційної технології та описано її складові. Створено програмне забезпечення на Python на базі платформи Kaggle, яке реалізує цю технологію, порівняно результати його застосування з моделлю SEIR-U, розробленою науковцями НАН України за матеріалами звітів Робочої групи з математичного моделювання проблем, пов’язаних з епідемією коронавірусу SARS-CoV-2 при НАН України за даними 2020—2022 рр. Порівняння довело ефективність запропонованої інформаційної технології. | uk |
| dc.description.abstract | The article describes the results of the development of information technology for forecasting the time series of the number of COVID-19 patients. A review of the developments on this subject was carried out and the choice of the Facebook Prophet library as the basis for the developed IT was substantiated. It is proposed to increase the accuracy of the forecasting of the number of new coronavirus patients in the short-term using the selected model. Mathematical substantiation of the available parallel-serial iterative methods for identifying the parameters of the Facebook Prophet model to take into acco0unt the significant volatility of the number of new patients was proposed. The methods make it possible to determine the hyperparameters of the trend of the series, its seasonal components and anomalies affecting the value of this series. The approach to comparative analysis of the influence of the main incidence trends of regions (or countries) without considering the influence of anomalies and seasonal components has been formalized by creating cartograms that enable to analyze trends in the spread of the disease in a given region. The architecture of the proposed information technology is developed, and its components are described. A Python software based on the Kaggle platform was created, it implements this technology, the results of its application is compared with the SEIR-U model, developed by the scientists of the National Academy of Sciences of Ukraine, based on the reports of the Working Group on Mathematical Modeling of Problems Related to the SARS-CoV-2 Coronavirus Epidemic, at the National Academy of Sciences of Ukraine according to data, obtained in the period 2020—2022. The comparison, carried out, proved the effectiveness of the proposed information technology. | en |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | Вісник Вінницького політехнічного інституту. № 5 : 50-59. | uk |
| dc.relation.uri | https://visnyk.vntu.edu.ua/index.php/visnyk/article/view/2931 | |
| dc.subject | інформаційна технологія | uk |
| dc.subject | COVID-19 | en |
| dc.subject | прогнозування часових рядів | uk |
| dc.subject | Prophet | en |
| dc.subject | ряд Фур’є | uk |
| dc.subject | Python | en |
| dc.subject | Kaggle | en |
| dc.subject | information technology | en |
| dc.subject | time series forecasting | en |
| dc.subject | Fourier series | en |
| dc.subject | artificial intelligence | en |
| dc.subject | forecasting development scenarios | en |
| dc.title | Інформаційна технологія прогнозування часового ряду кількості хворих на коронавірус на основі моделі Facebook Prophet | uk |
| dc.title.alternative | Information technology of time series forecasting of new COVID-19 disease patients based on Prophet model | en |
| dc.type | Article | |
| dc.identifier.udc | 004.9+578.834.1 | |
| dc.relation.references | І. О. Бровченко, «Розробка математичної моделі поширення епідемії COVID-19 в Україні,» Світогляд, № 2 (82),
с. 2-14, 2020. | uk |
| dc.relation.references | P. Furtado, “Epidemiology SIR with Regression, Arima, and Prophet in Forecasting Covid-19,” Engineering Proceedings, no. 5(1), 52, July, 2021. https://doi.org/10.3390/engproc2021005052 . | en |
| dc.relation.references | R. Ospina, J.A.M. Gondim, V. Leiva, and C. Castro, “An Overview of Forecast Analysis with ARIMA Models during the
COVID-19 Pandemic: Methodology and Case Study in Brazil,” Mathematics, 11(14):3069, May, 2023.
https://doi.org/10.3390/math11143069 . | en |
| dc.relation.references | A. Hernandez-Matamoros, H. Fujita, T. Hayashi, and H. Perez-Meana, “Forecasting of COVID19 per regions using
ARIMA models and polynomial functions,” Applied Soft Computing, vol. 96, 106610, ISSN 1568-4946, November, 2020.
https://doi.org/10.1016/j.asoc.2020.106610 . | en |
| dc.relation.references | G. Perone, “Using the SARIMA Model to Forecast the Fourth Global Wave of Cumulative Deaths from COVID-19: Evidence from 12 Hard-Hit Big Countries,” Econometrics, 10(2):18. January, 2022. https://doi.org/10.3390/econometrics10020018 . | en |
| dc.relation.references | P. Harjule, V. Tiwari, and A. Kumar, “Mathematical models to predict COVID-19 outbreak : An interim review,” Journal
of Interdisciplinary Mathematics, no. 24, pp. 1-26, 2021. https://doi.org/10.1080/09720502.2020.1848316 . | en |
| dc.relation.references | S. Taylor, and B. Letham, “Forecasting at Scale,” The American Statistician, 72, 2017.
https://doi.org/10.1080/00031305.2017.1380080 . | en |
| dc.relation.references | D. Borges, and M. C. V. Nascimento, “COVID-19 ICU demand forecasting: A two-stage Prophet-LSTM approach,” Applied Soft Computing, vol. 125, 2022. https://doi.org/10.1016/j.asoc.2022.109181 . | en |
| dc.relation.references | G. Perone, “Comparison of ARIMA, ETS, NNAR, TBATS and hybrid models to forecast the second wave of COVID-19
hospitalizations in Italy,” The European Journal of Health Economics, no. 23, pp. 917-940, 2022.
https://doi.org/10.1007/s10198-021-01347-4 . | en |
| dc.relation.references | В. Б. Мокін, А. В. Лосенко, і А. Р. Ящолт, «Інформаційна технологія аналізу та прогнозування кількості нових
випадків хвороби на коронавірус SARS-COV-2 в Україні на основі моделі Prophet,» Вісник Вінницького політехнічного інституту, № 5, с. 71-83, Лист. 2020. https://doi.org/10.31649/1997-9266-2020-152-5-71-83 . | uk |
| dc.relation.references | В. Б. Мокін, А. В. Лосенко, і А. Р. Ящолт, «Інформаційна технологія аналізу та прогнозування багатохвильової
кількості нових випадків захворювань на коронавірус COVID-19 на основі моделі Prophet,» Вісник Вінницького політехнічного інституту, № 6, с. 65-75, Груд. 2020. https://doi.org/10.31649/1997-9266-2020-153-6-65-75 . | uk |
| dc.relation.references | В. Б. Мокін, і А. В. Лосенко, «Картування тренду тижневих прогнозів за моделлю Facebook Prophet зміни кількості нових хворих на коронавірус у країнах Європи протягом січня-березня 2021 року,» на Науково-технічна конференція підрозділів ВНТУ L, Вінниця, 10-12 березня, 2021 р. | uk |
| dc.relation.references | В. Б. Мокін, М. В. Дратований, А. В. Лосенко, і С. О. Жуков, «Прогнозування хвиль коронавірусу на основі відновленої когнітивної карти міжрегіонального впливу,» Інформаційні технології та комп’ютерна інженерія, т. 52, вип. 3, с. 86-94, Груд. 2021. | uk |
| dc.relation.references | Робоча група з математичного моделювання проблем, пов’язаних з епідемією коронавірусу SARS-CoV-2 в Україні, Прогноз розвитку епідемії COVID-19 в Україні на 14–28 грудня 2020 року («Прогноз РГ-32»), базова установа —
Інститут проблем математичних машин і систем НАН України, створена Розпорядженням Президії НАН України від 3
квітня 2020 р. № 198. [Електронний ресурс]. Режим доступу:
http://www.nas.gov.ua/UA/Messages/Pages/View.aspx?MessageID=7277 Дата звернення: 14.10.2023 . | uk |
| dc.relation.references | Anthony Goldbloom, COVID-19 data from John Hopkins University. Kaggle. [Електронний ресурс]. Режим доступу:
https://www.kaggle.com/datasets/antgoldbloom/covid19-data-from-john-hopkins-university . Дата звернення: 13.10.2023 | en |
| dc.relation.references | T. Hale, et al., “A global panel database of pandemic policies (Oxford COVID-19 Government Response Tracker),”
Nature Human Behaviour. 2021. https://doi.org/10.1038/s41562-021-01079-8 . | en |
| dc.relation.references | Vitalii Mokin, and Arsen Losenko, “COVID-19-UA: Regression with Google mobility”. 2022. [Electronic resource]. Available: https://www.kaggle.com/code/vbmokin/covid-19-ua-regression-with-google-mobility . Accessed: 13.10.2023. | en |
| dc.relation.references | Vitalii Mokin, and Arsen Losenko, “COVID-19 in Ukraine: Explanation of patterns”. [Electronic resource]. Available:
https://www.kaggle.com/vbmokin/covid-19-in-ukraine-explanation-of-patterns . Accessed: 13.10.2023. | en |
| dc.relation.references | Робоча група з математичного моделювання проблем, пов’язаних з епідемією коронавірусу SARS-CoV-2 в Україні, Прогноз розвитку епідемії COVID-19 в Україні на 14–28 грудня 2020 року («Прогноз РГ-32»), базова установа — Інститут проблем математичних машин і систем НАН України, створена Розпорядженням Президії НАН України від 3 квітня 2020 р., № 198. [Електронний ресурс]. Режим доступу:
http://www.nas.gov.ua/UA/Messages/Pages/View.aspx?MessageID=7277 . Дата звернення: 12.10.2023. | uk |
| dc.relation.references | Vitalii Mokin, and Arsen Losenko, “COVID in UA: Prophet with 4, Nd seasonality,” Kaggle Notebook. [Electronic resource]. Available: https://www.kaggle.com/code/vbmokin/covid-in-ua-prophet-with-4-nd-seasonality . Accessed: 12.10.2023 | en |
| dc.relation.references | Vitalii Mokin, and Arsen Losenko, “COVID-19: Forecast trends for the many countries,” Kaggle Notebook. [Electronic
resource]. Available: https://www.kaggle.com/datasets/vbmokin/covid19-forecast-trends-for-the-many-countries/ . Accessed:
12.10.2023. | en |
| dc.relation.references | Vitalii Mokin, and Arsen Losenko, “COVID-19: Week trends 70 countries mapping,” Kaggle Notebook. [Electronic resource]. Available: https://www.kaggle.com/code/vbmokin/covid-19-week-trends-70-countries-mapping/notebook . Accessed:
12.10.2023 . | en |
| dc.identifier.doi | https://doi.org/10.31649/1997-9266-2023-170-5-50-59 | |
