Модель ResNet для задачі прогнозування поширення COVID-19 в Україні
Вантажиться...
Дата
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
Альтернативна назва
ResNet model for the forecasting the expansion of COVID-19 in Ukraine
Анотація
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.
Опис
Ключові слова
УДК
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
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.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (12)
- 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.
- 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.
- 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.
- 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.
- 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
- 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.
- 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.
- 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.
- 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.
- 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.