com
Model AI ansambel hybrid berbasis data untuk perkiraan infeksi COVID-19 menggunakan
beberapa jaringan saraf dan pembelajaran yang diperkuat
Kata kunci: Wabah COVID-19 menimbulkan tantangan besar bagi kesehatan masyarakat internasional. Ramalan jumlah kasus
COVID 19 yang dapat diandalkan sangat penting bagi perencanaan sumber daya kesehatan dan penyelidikan serta evaluasi
Prediksi infeksi situasi epidemi. Model pembelajaran mesin berbasis data dapat beradaptasi dengan perubahan kompleks dalam
Model hibrida
situasi epidemi tanpa bergantung pada pemodelan dinamika fisik yang benar, yang sensitif dan akurat dalam
Kecerdasan buatan
memprediksi perkembangan epidemi. Dalam makalah ini, model ansambel hybrid berdasarkan model Temporal
Convolutional Networks (TCN), Gated Recurrent Unit (GRU), Deep Belief Networks (DBN), Q-learning, dan Support
Vector Machine (SVM), yaitu TCN-GRU-DBN Model -Q-SVM, diusulkan untuk mencapai perkiraan infeksi COVID-19.
Tiga prediktor yang banyak digunakan, TCN, GRU, dan DBN digunakan sebagai elemen model hybrid yang
diasambel dengan bobot yang diberikan oleh metode pembelajaran penguatan. Selanjutnya, sebuah error predictor
yang dibangun oleh SVM, dilatih dengan set validasi, dan hasil prediksi akhir dapat diperoleh dengan
menggabungkan model TCN-GRU-DBN-Q dengan error predictor SVM. Untuk menyelidiki kinerja peramalan dari
model hybrid yang diusulkan, beberapa model perbandingan (model TCN-GRU-DBN-Q, LSTM, N-BEATS, ANFIS, VMD-
BP, WT-RVFL, dan ARIMA) dipilih. Hasil eksperimen menunjukkan bahwa: (1) prediksi efek model TCN-GRU-DBN-Q-
SVM terhadap infeksi COVID-19 memuaskan, yang telah diverifikasi dalam tiga data infeksi nasional dari Inggris,
India, dan Amerika Serikat , dan model yang diusulkan memiliki kemampuan generalisasi yang baik; (2) dalam model
hybrid yang diusulkan, SVM dapat secara efisien memprediksi kemungkinan kesalahan dari rangkaian prediksi yang
diberikan oleh komponen TCN-GRU-DBN-Q; (3) bobot terintegrasi berdasarkan Q-learning dapat disesuaikan secara
adaptif sesuai dengan karakteristik data dalam tugas peramalan di berbagai negara dan berbagai situasi, yang
memastikan akurasi, ketahanan, dan generalisasi model yang diusulkan.
1. Perkenalan [3,4], SIRD [5], fenomenologi [6], dll.), model deret waktu (model
autoregresif [7,8], model eksponensial [9], model regresi [10, 11],
1.1. Latar belakang model Nabi [12], dll.), model pembelajaran mesin (berdasarkan pohon
regresi [13], LSTM [14], jaringan saraf polinomial [15], ANFIS [16], SVM [
Dengan adanya pandemi COVID-19, sistem kesehatan dunia mengalami 17], dll.) dan jenis model lainnya [18].
dampak yang sangat besar. Estimasi (atau prediksi, peramalan) yang efektif Studi epidemiologi klasik sebagian besar bersifat deterministik dan
dari jumlah kasus COVID-19 akan sangat membantu setiap negara untuk bekerja dengan populasi besar [18]. Mereka dibangun berdasarkan
merencanakan kebijakan kesehatannya sendiri (termasuk vaksinasi, pemodelan dinamika fisik yang benar, yang didasarkan pada model
karantina, isolasi, penguncian, jarak sosial, dll.) dan memperkirakan dinamika SIR dan metode estimasi parameter dalam statistik untuk
kerugian ekonomi dan sosial dari epidemi [1]. Sarjana telah berkomitmen melengkapi pemodelan patologi epidemiologis dan proses transmisi, dan
untuk memecahkan masalah prediksi insiden COVID-19 dan pemodelan kemudian untuk memprediksi karakteristik proses epidemi penyakit, tetapi
epidemiologi, dan mengusulkan model epidemiologi (SIR [2], SEIR keakuratannya model dinamis tersebut tergantung pada lengkap dan
* Penulis yang sesuai. Pusat Kanker Paru Shanghai, Rumah Sakit Dada Shanghai, Universitas Shanghai Jiao Tong, Shanghai, 200030, PR China. Alamat
email:luoqingquan@hotmail.com (Q.Luo).
1Para penulis ini memberikan kontribusi yang sama untuk karya ini dan harus dianggap sebagai penulis pendamping pertama.
https://doi.org/10.1016/j.compbiomed.2022.105560
Diterima 2 Januari 2022; Diterima dalam bentuk revisi 18 Maret 2022; Diterima 6 April 2022
Tersedia online 27 April 2022
0010-4825/© 2022 Elsevier Ltd. Semua hak dilindungi undang-undang.
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
deskripsi proses dinamika yang akurat dan sangat bergantung pada hasil seperti kebijakan epidemi dan varian virus, sulit untuk secara konsisten
estimasi parameter yang handal [18]. Oleh karena itu, meskipun model menggambarkan perkembangan epidemi atau untuk menggeneralisasi
dinamika SIR dapat memberikan analisis karakteristik transmisi jangka di seluruh wilayah. Kedua, studi pembelajaran mendalam dan
panjang, keandalannya dibatasi oleh banyak faktor yang berubah termasuk pembelajaran penguatan saat ini untuk perkiraan COVID-19 relatif
status kekebalan populasi terhadap penyakit (seperti vaksin), acara publik sedikit dibandingkan dengan pemodelan dinamika dan analisis deret
(seperti karantina, migrasi, dan kebijakan lainnya). perubahan) dan waktu klasik (misalnya, ARIMA), padahal mereka sangat mungkin
sebagainya. Misalnya, dalam model SAHQD (Rentan, terinfeksi, dirawat di memiliki peran signifikan dalam prediksi morbiditas COVID-19 dan
rumah sakit, dikarantina, meninggal) Bhattacharjee et al., model dinamika layak untuk dimasukkan dalam perspektif peneliti. Ketiga, model
multi-kompartemen yang kompleks, meskipun informasi tentang langkah- ansambel yang diusulkan dapat meningkatkan generalisasi submodel
langkah jarak sosial dan tingkat pengujian diagnostik dimasukkan untuk pembelajaran mendalam yang ada di seluruh geografi dan waktu,
mengkarakterisasi dinamika berbagai kompartemen model mereka, tingkat mencapai prediksi yang memuaskan hanya dengan menggunakan satu
pembatasan jarak sosial dan mobilitas dalam populasi diabaikan [19]. rangkaian waktu dari angka kejadian harian COVID-19. Ini juga
memberikan gambaran tentang latihan beban dan kompensasi
Model berbasis data, termasuk model statistik dan model pembelajaran kesalahan berdasarkan kerangka pembelajaran penguatan,
mesin, mengatasi sebagian besar kekurangan ini. Model statistik seperti Dalam karya ini, kami menyajikan model hybrid ansambel TCN-GRU-DBN-Q-
Autoregressive Integrated Moving Average (ARIMA), Seasonal SVM berbasis data. Pertama, tiga jaringan yang digunakan secara luas, TCN, GRU
Autoregressive Integrated Moving Average (SARIMA) diadopsi oleh studi dan DBN, digunakan sebagai prediktor tunggal. Kedua, tiga prediktor dirangkai
prediksi infeksi COVID-19 sebelumnya. KE ArunKumar dkk. mengadopsi dengan metode pembelajaran penguatan (Q-learning) dengan bobot yang
prakiraan Autoregressive Integrated Moving Average (ARIMA) dan Seasonal berbeda. Ketiga, prediktor error yang dibangun oleh SVM, dilatih dengan set
Autoregressive Integrated Moving Average (SARIMA) untuk memprediksi validasi, dan hasil prediksi akhir dapat diperoleh dengan menggabungkan model
tren masa depan (naik atau turun) dari epidemi COVID-19 di 16 negara TCN-GRU-DBN-Q dengan prediktor error SVM. Model yang diusulkan mengadopsi
teratas [20]. Christopher J Lynch dkk. mengadopsi dan membandingkan beberapa prediktor yang baru diusulkan (TCN, GRU dan DBN) dengan kinerja
Holt-Winters exponential smoothing (HW), model laju pertumbuhan mandiri yang memuaskan untuk bekerja secara kolektif, dan bobot terintegrasi
(Growth), rata-rata bergerak (MA), autoregressive (AR), autoregressive berdasarkan pembelajaran Q dapat disesuaikan secara adaptif sesuai dengan
moving average (ARMA), dan autoregressive integrated moving average karakteristik data di berbagai negara dan berbagai situasi. yang memastikan
(ARIMA) model [21]. Namun, akurasi prediksi mereka masih harus lebih akurasi dan generalisasi model yang diusulkan. Sementara itu, mekanisme
ditingkatkan. kompensasi kesalahan berbasis SVM digunakan untuk lebih meningkatkan akurasi
Baru-baru ini, model pembelajaran mendalam telah terbukti menjadi alat yang model. Studi kami dapat lebih meningkatkan kemampuan generalisasi dan akurasi
andal dan menjanjikan dalam prediksi data. Oleh karena itu, banyak juga model pada prediksi COVID-19 yang didorong oleh data deret waktu tunggal
penelitian yang berfokus pada potensi penerapan deep learning untuk melalui cara ansambel, dan studi ini menyediakan kerangka kerja yang
memprediksi angka infeksi COVID-19. Sebagian besar penelitian sebelumnya memungkinkan untuk menyematkan modalitas data lain atau metode pemodelan
didasarkan pada model tunggal, seperti LSTM, MLP, ELM, dll. Ammar H. Elsheikh lain berdasarkan pembelajaran penguatan, yang dapat memperkaya dan
et al. menerapkan model LSTM untuk memprediksi jumlah total kasus dan menginspirasi metodologi prediksi COVID-19 sampai batas tertentu.
kematian yang dikonfirmasi di 6 negara berbeda; Brasil, India, Arab Saudi, Afrika
Selatan, Spanyol, dan Amerika Serikat. Model mereka hanya didasarkan pada
model LSTM tunggal, dan akurasi prediksi perlu ditingkatkan [22]. Nasrin Talkhi 1.3. Struktur artikel ini
dkk. membandingkan sembilan model termasuk model jaringan NNETAR, ARIMA,
Holt-Winter, BSTS, TBATS, Prophet, MLP dan ELM dengan mengevaluasi indikator Pada artikel ini, Bagian2(Tinjauan Literatur)subsumsi lebih lanjut dan
RMSE, MAE dan MAPE%, dan mereka memilih model terbaik yang memiliki nilai meringkas literatur yang ada tentang prakiraan COVID-19 berdasarkan
indeks kinerja terendah [23]. ringkasan singkat alat prakiraan COVID-19 dasar yang diberikan di Bagian1
Secara umum, model hybrid yang diusulkan oleh beberapa sarjana (Perkenalan).
memiliki kinerja keseluruhan yang lebih baik dalam peramalan jumlah Bagian3(Metode)menunjukkan arsitektur model dan langkah-
infeksi COVID-19 daripada model tunggal. Misalnya, Mohammed AA Al- langkah pelatihannya (bagian3.1), dan memperkenalkan tiga sub-
qaness dkk. mengusulkan model prediksi jangka pendek baru, model TCN, GRU, DBN dan ide dasar Q-learning dan kompensasi
menggunakan versi Adaptive Neuro-Fuzzy Inference System (ANFIS) yang kesalahan SVM (bagian3.2).
disempurnakan. Algoritma pemangsa laut yang ditingkatkan (MPA), MPA Bagian4(Percobaan)memperkenalkan set data yang digunakan dalam
kacau (CMPA), diusulkan, yang meningkatkan algoritma ANFIS [16]. Nanning eksperimen dan pemisahan set pelatihan, validasi, dan pengujian (bagian4.1
Zheng mengusulkan model AI hibrida berdasarkan model rentan-terinfeksi ), dan menentukan metrik untuk mengevaluasi model (bagian4.2). Bagian4.3
(ISI) yang ditingkatkan, modul pemrosesan bahasa alami (NLP), dan memori memberikan parameter untuk pelatihan model dan menunjukkan proses
jangka pendek panjang (LSTM) untuk memprediksi jumlah infeksi kumulatif penentuan jumlah input neuron (bagian4.3.1). Ini memberikan bobot yang
di Tiongkok selama 19 Februari 2020 hingga 24 Februari 2020 [24]. dioptimalkan yang berasal dari Q-learning selama integrasi model, dan
Meskipun penelitian mereka menggunakan model hibrida, keakuratan membandingkan kinerja model ansambel dan model komponen untuk
prediktor tunggal dapat ditingkatkan lebih lanjut, dan bobot model mengklarifikasi keefektifan model (bagian4.3.2).
komponen mereka diberikan secara manual atau acak. Sementara itu, Bagian5(Hasil dan Diskusi)membahas hasil ramalan model dan
kompensasi kesalahan tidak dipertimbangkan dan disematkan dalam sistem memverifikasi kemampuan generalisasi dan akurasi prediksi yang baik dari
model hybrid mereka [25]. model terintegrasi dengan membandingkannya dengan model yang ada
pada tiga dataset nasional yang berbeda.
1.2. Motivasi dan pekerjaan kita Bagian6(Keterbatasan dan Pekerjaan Selanjutnya)memberikan skenario
penerapan model, dan menyarankan beberapa kemungkinan arah untuk peningkatan
Kami melakukan penelitian ini berdasarkan beberapa pertimbangan: Pertama, dan faktor-faktor yang harus dipertimbangkan saat meningkatkan model.
sebagian besar penelitian saat ini melakukan prediksi kejadian COVID-19 Bagian7(Kesimpulan)memberikan kesimpulan dari studi tersebut.
berdasarkan pemodelan dinamika atau regresi data multivariat, dll., seringkali
mengandalkan model kompartemen kompleks atau data multidimensi yang luas 2. Tinjauan literatur
tetapi tidak selalu tersedia. untuk peramalan, yang membuat model kurang efektif
dan kuat. Sedangkan karena ketidaktersediaan atau ketidaklengkapan data dan Tabel 1DanGambar 1 (A)menunjukkan model prediksi jumlah
faktor-faktor yang mengganggu keadaan dinamis, kejadian COVID-19 dari literatur yang ada. Dapat dilihat bahwa
2
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
Tabel 1
Ringkasan model prakiraan COVID-19 terbaru.
Dinamika Model SAHQD (Rentan, terinfeksi, dirawat di rumah sakit, NP NP NP NP KITA [19]
dikarantina, meninggal)
Model SCUAQIHMRD (Rentan, kontak dekat, tidak terinfeksi NP NP NP NP Wuhan, Cina [31]
selama karantina rumah, tanpa gejala selama karantina rumah,
gejala ringan selama karantina rumah, gejala parah selama
karantina rumah, menular di Rumah Sakit Dirancang, menular di
Rumah Sakit Fangcang, Sembuh, Meninggal)
Model SEPIAHR (Rentan, terpapar, infeksi pra-gejala, infeksi NP NP NP NP Wuhan, Cina [30]
yang dipastikan, infeksi yang tidak diketahui, isolasi di
rumah sakit dan dihilangkan
SEIAModel IR (Rentan, inkubasi, terinfeksi tanpa gejala, NP NP NP NP Wuhan, Cina [28]
sembuh)
Model SEIRMH (Rentan, terpapar tanpa gejala, terinfeksi NP NP 0,84 NP Belgium [29]
gejala, dengan perawatan medis, dan dikeluarkan dari
sistem)
Model SEIR berbasis klaster interaksi adaptif (AICSEIR) yang NP NP 0,84 NP Italia, AS, dan India NYC, [44]
dimodifikasi model SEIR (Termasuk vaksinasi) NP NP NP NP AS [45]
Model SEIR dengan inferensi Bayesian NP NP NP NP Israel [46]
Model SLIR (Model SEIR yang rentan, laten, NP NP NP NP Cina [27]
terinfeksi, pulih NP NP NP NP Texas, AS [26]
Model kompartemen berurutan NP NP NP NP Penampungan Tunawisma, [47]
Chicago, Illinois, AS
Waktu model smooth transition autoregressive (STAR) 0,208 0,297 NP NP sub-wilayah Afrika [35]
seri Model Linear AR 0,251 0,385 NP NP sub-wilayah Afrika [35]
ARIMA 27.86 35.69 NP NP Malaysia [32]
ARIMA NP NP NP NP Perancis [33]
Regresi VAR yang 47.43 NP NP NP NYC, AS [36]
dimodifikasi Regresi linier NP 7.562 NP NP Iran [40]
Model deret waktu penghitungan Poisson (Pengawasan penyakit dan NP NP NP NP Karolina selatan [48]
data mobilitas penduduk berbasis Twitter)
ARIMA 50.109 95.322 NP NP India [34]
Abu-abu Model Abu-abu Akumulasi Urutan Pecahan (FGM) NP 109496/96411/ NP NP AS, Prancis, Inggris, Jerman, [37]
ramalan 14560/64253/15/ Cina, Jepang, India
1123/106223
Pendekatan pemulusan eksponensial abu-abu hibrida Model NP 5.05 NP NP Srilanka [38]
Prediksi Kelabu yang Dioptimalkan Secara Internal (IOGM) NP NP NP NP Rajasthan, Maharashtra, [39]
Delhi
ML algoritma regresi hutan acak memori jangka 5.42 9.27 0,89 0,84 215 negara dan wilayah Iran [49]
metode pendek panjang (LSTM) model jaringan saraf NP 27.187 NP NP [40]
multilayer perceptron (MLP) (Nlapisan 0,36 (N 0,64 (N=1) 0,36 (N NP KITA [50]
tersembunyi) =1) 0,84 (N=2) =1)
0,40 (N 0,47 (N
=2) =2)
Uji korelasi Pearson dan model linier umum NP NP 0,978 NP KITA [51]
model statistik hutan acak sederhana NP NP 0,89 NP Ohio, AS [52]
alat WEKA ≈1200 ≈1000 NP NP Pakistan [53]
deep interval type-2 fuzzy LSTM (DIT2FLSTM) generalisasi model NP NS NP NP AS, Brasil, dll. [41]
pembelajaran mesin linear dan berbasis pohon ansambel dari 10 0,21 NP 0,99 NP Tennessee [54]
jaringan berbasis LSTM 90.38 NP NP NP Tingkat kabupaten di [42]
LSTM +RTmetode NP NP 0,872 NP Virginia Barat AS [43]
Algoritma Peningkatan Klasifikasi Least-Square 1200 NP NP NP Negara yang memiliki jumlah [55]
maksimum>2000 kasus yang
dikonfirmasi dalam sehari
Dinamika ➢ Mampu meramalkan selama jendela waktu masa depan ➢ Tidak dapat disesuaikan dengan situasi di mana subjek model telah meningkat atau di mana parameter model berubah dengan
yang luas kebijakan tertentu, variabilitas patogen penyakit, dll.
➢ Arti fisik dari model ini sangat jelas ➢ Persyaratan tinggi untuk estimasi parameter
➢ Tuntutan tinggi pada sumber data, beberapa di antaranya sering hilang atau tidak dapat diakses, dan pengabaiannya sering mengarah pada
asumsi model yang tidak realistis.
Deret waktu ➢ Langkah-langkah sederhana dan dapat direproduksi ➢ Skenario aplikasi terbatas, misalnya model ARMA hanya dapat diterapkan pada situasi stasioner, dll.
➢ Data yang dibutuhkan mudah tersedia
➢ Sangat cocok untuk kasus di mana deret
waktu bersifat periodik
Prakiraan abu-abu ➢ Langkah-langkah sederhana dan dapat direproduksi ➢ Mirip dengan teori matematika fuzzy, arti fisik dari model tidak jelas
➢ Data yang dibutuhkan mudah tersedia
(dilanjutkan di halaman berikutnya)
3
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
Tabel 1(lanjut)
Mesin ➢ Potensi lebih tinggi untuk integrasi hybrid ➢ Fitur yang diperoleh dengan metode deep learning tidak memiliki arti fisik yang jelas
sedang belajar ➢ Performa yang memuaskan untuk penambangan ➢ Kemampuan generalisasi model mungkin tidak cukup
informasi
➢ Akurasi memuaskan jika jumlah data
memungkinkan
Catatan:NP = Tidak tersedia. Sementara itu, perlu dicatat bahwa meskipun kami memberikan kinerja model spesifik pada tabel di atas, itu tidak dapat digeneralisasikan dan
dibandingkan di seluruh kumpulan data karena perbedaan jumlah infeksi dalam wilayah geografis yang berbeda.
Gambar 1.(A) Pemodelan dinamis pandemi COVID-19, model SEIR sebagai contoh; (B) Ide dasar peramalan dengan Teori Gray; (C) Struktur jaring neuron dalam perkiraan
Deeplearning COVID-19; (D) Model ARIMA, kombinasi operasi diferensial dan metode ARMA.
alat prediksi COVID-19 saat ini sebagian besar dari jenis berikut: Model Abu-abu Akumulasi (FGM) [37], pendekatan pemulusan eksponensial
abu-abu hibrida [38], dan Model Prediksi Kelabu yang Dioptimalkan Secara
1) Model berdasarkan pemodelan kinetik (atau dinamika), yang lebih Internal (IOGM) [39], telah diusulkan sebagai alat yang efektif untuk prakiraan
memperjelas pola perubahan jumlah populasi tertentu dengan COVID-19.
membagi populasi menjadiRentan (S),Terinfeksi (I), Dipulihkan (R) 4) Model perkiraan berdasarkan Machine Learning. Model seperti LSTM,
kompartemen, dll, dan mendefinisikan hubungan transisi antara regresi RF, ditunjukkan padaTabel 1 (A), telah banyak diteliti dalam
mereka melalui beberapa persamaan diferensial. Sejak awal prakiraan COVID-19. Memori jangka pendek panjang (LSTM), yang paling
epidemi COVID-19, model kinetik multi-generasi telah muncul, yang representatif dari pembelajaran mendalam, adalah jenis RNN khusus,
rute evolusinya dapat diringkas sebagai: SIR→SEIR [26], SLIR [27] yang terutama dirancang untuk memecahkan masalah hilangnya
(mempertimbangkan kontak dekat atau laten)→SEIAIR [28] gradien dan ledakan gradien selama pelatihan urutan panjang. LSTM
(mengingat orang yang terinfeksi tanpa gejala), SAHQD [19] telah terbukti menjadi jaringan pembelajaran mendalam yang kuat
(mempertimbangkan kebijakan karantina)→SEIRMH [29], SEPIAHR [ untuk perkiraan infeksi COVID-19 [40–43].
30] (mempertimbangkan faktor terkait medis)→SCUA-QIHMRD [31]
(mempertimbangkan hierarki pengobatan COVID-19). Perbandingan keuntungan dan kerugian dari empat jenis pendekatan
2) Analisis deret waktu. Model pemulusan eksponensial yang lebih prediksi diberikan diTabel 1(B). Dari tinjauan literatur dapat dilihat bahwa
sederhana mengatur data dalam urutan kronologis dari yang baru penelitian saat ini masih kurang pada model ansambel berbasis deep-
ke yang lama. Bobot diberikan dari besar ke kecil, dan nilai bobot learning dan lebih fokus pada perluasan jumlah informasi yang dicakup oleh
menurun secara eksponensial. Selain pemulusan eksponensial, model yang ada dari beberapa modalitas data. Penting untuk menyelidiki
yang menghaluskan data berdasarkan parameter yang menurun bagaimana mengoptimalkan lebih lanjut kinerja model pembelajaran
secara eksponensial, ada juga metode umum untuk memasang mendalam pada deret waktu input tunggal melalui optimalisasi bobot dan
ARIMA [32–34] model, yang terdiri dari tiga bagian: proses strategi kompensasi kesalahan dalam kerangka ansambel untuk lebih
autoregresif (AR), bagian diferensial (Terintegrasi) dan proses rata- meningkatkan akurasi dan generalisasi model prakiraan COVID-19.
rata bergerak. Selain itu, terdapat analisis deret waktu multivariat
berdasarkan model Autoregressive (AR) standar [35], termasuk VAR
(Vector Autoregressive model) [36], STAR (transisi mulus 3. Metode
autoregressive) [35] dan modifikasinya.
3) Model ramalan berdasarkan Grey Theory. Model prediksi abu-abu 3.1. Model arsitektur
adalah metode prediksi yang membangun model matematis untuk
membuat ramalan melalui sejumlah kecil informasi yang tidak Seperti yang ditunjukkan diGambar 2, model kami menyertakan tiga
lengkap. Modifikasi model GM(1,1) dasar, seperti Fractional Order subprediktor TCN, GRU, dan DNB. Sub-prediktor ini memberikan hasil prediksi
4
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
Gambar 2.(A) Arsitektur model yang diusulkan; (B) Prosedur eksperimen penelitian ini, dimana total eksperimen dibagi menjadi empat bagian: melatih model komponen,
melatih model hybrid, melatih model SVM untuk prediksi error, dan menghitung nilai prediksi akhir dengan model hybrid ensemble yang terdiri dari Model hybrid TCN-
GRU-DBN-Q dan model SVM prediksi kesalahan.
masing-masing. Di bawah efek terintegrasi pembelajaran penguatan Q, ketiga metode, Q-learning, digunakan. Tujuan optimisasi Q-learning adalah untuk
model ini diberi bobot yang berbeda, dan kemudian model terintegrasi dapat meminimalkan output RMSE (yaitu fungsi kerugian, atau fungsi evaluasiQ
dibangun berdasarkan TCN, GRU, DNB, dan bobotnya.ω1,ω2, dalam pelatihan Q-learning) nilai:
ω3. Kami selanjutnya melatih model pelatihan kesalahan berdasarkan SVM √̅ ̅ √
dengan membandingkan hasil prediksi dengan set validasi. Dengan √∑ N
RMSE = √1
′2
(ySaya−ySaya)
mengintegrasikan model SVM dengan prediktor sintetik yang diperoleh dengan N Saya=1
5
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
∑
k−1 Di manaXTadalahT-th komponen dari urutan input,HT−1adalah informasi-
F(S) = (X*DF)(S) = F(Saya)⋅XS−D⋅Saya mation dari langkah waktu sebelumnya,W(z),W(R),AS(z)dan adalah matriks
Saya=0
bobot, dan fungsi sigmoid σ(x) adalah:
dimana faktor dilatasiD,kmenunjukkan ukuran filterF: {0,...,k− 1}→ℝ,sd⋅Saya 1
σ(X) =
adalah arah masa lalu [57]. Dengan demikian, langkah tetap diperkenalkan 1 +e−X
di antara setiap dua keran filter yang berdekatan, dan semakin besar
Karena pengenalan fungsi tanda, nilai-nilai darizTDanRT
pelebaran, semakin lebar rentang input (yaitu output di tingkat atas), yang
hanya bisa 0 atau 1, yang menunjukkan status sakelar dari gerbang yang
meningkatkan bidang reseptif untuk sebagian besar. Keempat, blok sisa
sesuai. Sederhananya, jikazT=0, gerbang pembaruan ditutup dan informasi
(ditunjukkan padaGambar 3 (B)Dan(C)) ditambahkan ke model untuk
pada langkah waktu awal dapat disimpan.
memungkinkan layer beradaptasi dengan modifikasi pada pemetaan
Sementara itu, mengacu pada data historis yang disimpan, gerbang reset
identitas. Ini berisi cabang yang mengarah ke transformasi serialF(X):
dapat dihitung sebagai berikut:
Hai=Pengaktifan(X+F(X))
H′=tanh(
T WxT+RTΘUhT−1)
Di manaHaimemperhitungkan output yang ditambahkan ke inputXdari sisa
Di manaWDanASadalah matriks bobot. Konten informasi bisa
blok.
Gambar 3.Arsitektur dan elemen dalam TCN [57]. (A) Konvolusi kasual yang melebar di mana faktor dilatasiD=1, 2, 4 dan ukuran filter adalah 3; (B) Blok residu TCN, di
mana konvolusi unit (1×1 conv) ditambahkan untuk menyesuaikan struktur model dengan situasi di mana input residual memiliki dimensi yang berbeda dengan output;
(C) Kemungkinan koneksi sisa dalam TCN, di mana garis ungu padat adalah filter dan garis ungu putus-putus adalah pemetaan identitas. (Untuk interpretasi referensi
warna dalam legenda gambar ini, pembaca dirujuk ke versi Web artikel ini.)
6
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
dipertahankan atau dilupakan, yang ditentukan dengan menghitung hasil 3.2.4. Q-pembelajaran
kali Hadamard dariRTDanEhT−1. Sebagai pendekatan pembelajaran online, pembelajaran penguatan (RL)
berbeda dengan pembelajaran terawasi/tidak terawasi. Selama proses interaksi
3.2.3. Jaringan Keyakinan Mendalam (DBN) dengan lingkungan, model memperoleh keputusan yang optimal melalui trial-
Dalam tulisan ini, DBN adalah salah satu prediktor dari model ansambel. Inti and-error, dan kemudian memperoleh hasil yang optimal [65] (melihatGambar 4).
dari DBN adalah susunan dari rangkaian Restricted Boltzmann Machine (RBM) Sebagai algoritma RL yang banyak digunakan dalam pemilihan fitur, driver-less,
yang terlatih dengan baik. Mesin Boltzmann adalah kelas besar model jaringan perencanaan rute, dan bidang lainnya, algoritma Q-learning diusulkan oleh
saraf, tetapi yang paling banyak digunakan dalam aplikasi praktis adalah RBM, Watkins et al., pada tahun 1989 [64]. Mengingat konvergensi yang baik dan
jenis Markov Random Fields (MRFs) tertentu. Model RBM adalah jaringan saraf kemampuan pengambilan keputusan yang kuat, metode Q-learning diterapkan
sederhana dua lapis, sehingga tidak dapat dianggap sebagai kategori sebagai metode pembelajaran ensemble dalam penelitian ini, yaitu metode Q-
pembelajaran mendalam dalam arti sempit. Namun, sebagai tumpukan RBM, learning digunakan untuk mengintegrasikan tiga jaringan yang dalam.
DBM dapat dianggap sebagai promosi RBM. Dalam RBM, terlihat variabelay Langkah-langkah metode ansambel berdasarkan pembelajaran penguatan
terhubung ke unit tersembunyi stokastikHmenggunakan koneksi berbobot tak ditunjukkan sebagai berikut:
terarah [60]. Tujuan pelatihan RBM adalah untuk mendapatkan distribusi
probabilitas yang disukaiP(ay,H) dijelaskan oleh fungsi energie(ay,H;θ) Di manaθ=( Langkah 1:Membangun matriks negaraSdan matriks tindakanA, di mana
ω,B,A) menunjukkan kumpulan parameter (di manaωaku j matriks keadaanSmenunjukkan bobot dari tiga jaringan dalam dalam
menunjukkan bobot simetris antara unit yang terlihatSayadan unit tersembunyiJ,BSaya model ansambel, dan matriks tindakanAadalah tindakan penyesuaian
adalah bias dariSaya-th unit terlihataySaya, DanAJadalah bias dariJ-th unit berat.
tersembunyiHJ) yang dapat dijelaskan sebagai (untuk RBM biner [61]):
S= [w1,w2,w3]
∑|V| ∑|H| ∑|V| ∑|V|
− catatanP(ay,H)∝e(ay,H;θ) = − ωaku jaySayaHJ− BSayaaySaya− AJHJ A= [Δw1, Δw2, Δw3]
Saya=1 J=1 Saya=1 Saya=1
7
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
Langkah 4:Hitung fungsi kerugianL, dapatkan hadiahnyaR, dan mengembangkan dengan rumus berikut:
strategi langkah berikutnya. N(
( )∑ )
1∑ N fx, ωSaya, ω*Saya= ωSaya− ωSaya
* ⋅ K(x, xSaya) +B
N M=1
DimanaK(XSaya,XJ) adalah fungsi kernel danK(X,XSaya) =φ(XSaya)φ(XJ) adalah
{
+ 1 +L−M LM+1(LM+1<LM) LM produk dariXSayaDanXJvektor dalam di ruang fiturφ(XSaya) Danφ(XJ), masing-
R=
− 1 +LM− +1(LM+1>LM) masing.
∑N(
(A) Konten dan pemisahan data
( ) 1 )
MemperkecilRSVM k, ξ(*) = ‖k‖2+C ξSaya+ξ*Saya Bangsa Set pelatihan (60%) Set validasi (20%) Set pengujian (20%)
2 (Saya=1)
India 2020/2/19–2020/8/ 2020/8/17–2020/10/ 2020/10/16–2020/
⎧
⎪ Inggris 16 (180 hari) 15 (60 hari) 14/12 (60 hari)
⎪D Saya−kφ(XSaya) +BSaya≤ε+ξ Saya KITA
⎪⎨
S.T. kφ(X ) +B − DSaya≤ε+ξ*Saya
Saya Saya (B) Pemisahan data dalam validasi rantai maju hari
⎪
⎪ # 1 2020/2/ # 2 2020/4/ #3 2020/6/ #4 2020/8/ #5 2020/
⎩⎪ξSaya, ξ* Saya≥0, Saya=1, ...,M
19–2020/4/ 19–2020/6/ 18–2020/8/ 17–2020/10/ 10/
18 (60 hari) 17 (60 hari) 16 (60 hari) 15 (60 hari) 16–2020/
14/12 (60
Di Sini,k2/2 adalah istilah regularisasi, jumlah fitur dalam dataset
hari)
pelatihan adalahl. Untuk mengontrol perbedaan antara kesalahan
empiris dan istilah regularisasi, faktor penalti kesalahanCdiperkenalkan Perlengkapan latihan Validasi Perangkat uji / /
Mengingat kendala optimalitas, masalahF(X) =kφ(X)+Bdapat Perlengkapan latihan Perlengkapan latihan Perlengkapan latihan Validasi Perangkat uji
8
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
Kami mengadopsi empat indeks yang banyak digunakan dan diakui Nama parameter Parameter penting
dengan baik untuk mengevaluasi kinerja prediksi model yang diusulkan
Q-pembelajaran
secara komprehensif. Mereka adalah kesalahan absolut rata-rata (MAE), Iterasi maksimum 50
kesalahan persentase absolut rata-rata (MAPE%), kesalahan kuadrat akar Tingkat pembelajaran 0,95
rata-rata (RMSE), dan koefisien korelasi Pearson (PCC). Parameter diskon 0,5
Untuk tiga indeks pertama (MAE, MAPE%, RMSE), semakin rendah GRU
Ukuran unit input Ukuran unit 3/5/7/9
nilainya, semakin baik efek prediksi dari model tersebut. Adapun PCC,
tersembunyi Ukuran unit output 100
itu adalah statistik yang umum digunakan untuk mencerminkan tingkat Jumlah Pengoptimal lapisan 1
korelasi linier antara dua variabel. Kisaran nilai PCC adalah [− 1,1], dan Tersembunyi 16
semakin dekat nilai absolut PCC ke 1, semakin kuat korelasi linier adam
0,01
antara kedua variabel. Dalam studi ini, PCC dihitung untuk Tingkat pembelajaran
Saya=1
Pengoptimal adam
0,01
⃒ ′⃒
Tingkat pembelajaran
1∑ N ⃒ y⃒
Saya⃒
Zaman pelatihan 200
MAPE% = ⃒ySaya− ⃒×100%
N ⃒ ySaya
TCN
Saya=1
Ukuran unit masukan Ukuran unit 3/5/7/9
tersembunyi Ukuran unit keluaran 60
∑N ( −
′ ′ ) Jumlah lapisan Tersembunyi Tingkat 1
(ySaya− ySaya)ySaya
6
ySaya
pembelajaran
PCC =√̅ ̅Saya=̅̅1̅̅ √̅ ̅ 0,01
∑N 2 ∑N − ′2 adam
(y
′ Pengoptimal
ySaya)⋅ (ySaya ySaya)
2
Saya−
Ukuran saringan
Saya=1 Saya=1
9
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
Gambar 5.Hasil prediksi (X-1) dan struktur model (X-2) (X = A, B, C, D) untuk jumlah neuron input yang berbeda: (A) tiga neuron input; (B) lima neuron input; (C) tujuh
neuron input; (D) sembilan input neuron.
Tabel 4
Hasil perbandingan indeks kinerja dari model dengan jumlah input neuron yang berbeda.
dilihat dari hasil pada tabel, akurasi model telah ditingkatkan lebih dibatalkan. Dibandingkan dengan model TCN-GRU-DBN-Q yang bobot
lanjut dengan menambahkan mekanisme koreksi kesalahan setiap urutan outputnya (X1,X2,X3diberikan oleh TCN, GRU, DBN, masing-
berdasarkan SVM, dan kinerja optimal telah dicapai pada setiap masing) ditentukan oleh Q-learning, keluaran modelHAI dalam studi ablasi
kumpulan data. dapat dilambangkan sebagai:
(4) Pada penelitian ablasi, bobot ketiga submodel adalah 1/3.
1 11
Yaitu pengaruh Q-learning dalam optimasi berat badan HAI=⋅X + ⋅ X+⋅X
31 32 33
10
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
Gambar 6.(A) Proses pelatihan model (fungsi objek: RMSE, data: jumlah orang yang terinfeksi di Inggris/India/AS); (B) hingga (D) Keluaran prediktif elemen (GRU, DBN,
TCN) dan keluaran kesalahan diprediksi oleh SVM: (B) UK; (C) India; (D) AS.
Tabel 6
Indeks kinerja model dalam studi kasus†.
Model
11
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
12
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
Tabel 8
Hasil perbandingan.
(2) India
(3) AS
Selain itu, untuk memverifikasi akurasi ramalan yang tinggi dari pro- indeks dari model yang diusulkan, sementaraMAPE%2,MAE2,RMSE2DanPCC2
berpose model hybrid quan secara titatif, kami pr menentang kinerja prediksi adalah indeks dari model perbandingan.
indeks mance meningkat nt persentase PMAPE% (%),P MAE% ( ), PRMSE
(%) danPpcc(%) ke komp adalah dan menganalisis THe perbaikan o F Tdia pra- (1) T dia memprediksi kembali hasil TCN-GRU-DBN-Q-SVM lebih baik dari itu
akurasi diksi dari diusulkan mo del (TCN-GRU-DB NQ - -SVM) Hai
f TCN-GRU-DB Algoritma - NQ, yang membuktikan bahwa residual
dibandingkan dengan TCN- GRU-DBN-Q (pr Hai Pkecerdasan model osed di SVM pemodelan prediksi berdasarkan SVM dapat secara efektif meningkatkan o
prediktor kesalahan), LSTM [3], ANFIS [74], VM D-BP [75], NB eaTS [76], prediksi verall kemampuan modelnya. Alasan yang mungkin adalah itu
7 WT-RVFL [77] dan ARIMA model (lihatTab l e 9). spesifik c AlCulasi Rprediksi awal N menganalisis informasi penyimpangan antara
metode adalah sebagai berikut: Tdia prediktor dan data nyata untuk lebih memperbaiki prediksi
⎧ hasil model dan meningkatkan akurasi secara komprehensif. A
⎪ MAPE%2− MKERA%1
⎪P MAPE%= ×100% (2) meskipun VMD-B P dan algoritma WT-RVFL dapat mencapai
⎪ MAPE% 2
⎪ hasil prediksi, kinerja prediksi yang baik
⎪ MAE−2 M AE1×100%
⎪ melampaui model klasik (ANFIS, LSTM, ARIMA), model yang baru-baru ini
⎪⎨P MAE=
MAE2 diusulkan (N-Beats) dan model yang diusulkan dalam makalah ini.
⎪
⎪ RMSE= RMSE2−RMSE1 ×100% Alasan yang mungkin adalah bahwa algoritma dekomposisi memiliki ac
⎪P RMSE2 batas tertentu emempengaruhi proses pemodelan, yang mempengaruhi
⎪
⎪ Mkemampuan odel untuk analisis dan mengidentifikasi deret waktu asli
⎪ PCC − PCC 2×
⎪⎩PPC C= 1
100%
PCC2 A batas tertentu.
(3) T dia TCN-GRU-D BN-Q-SVM yang diusulkan dalam makalah ini dapat tercapai
Di manaMAPE%1,MAE1,R MSE1DanPCC1 ARe peramalan per Fatau
mance Spredikat yang memuaskan c T
ion menghasilkan semua studi kasus. Dibandingkan dengan
Tdia kurang optimal model, peningkatan kinerja dari
13
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
14
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
Gambar 9.Pengorbanan untuk dipertimbangkan dalam pemodelan prevalensi COVID-19 berbasis data dan model dinamis.
berbagai pekerjaan peramalan di berbagai negara dan berbagai situasi pencegahan dan pengendalian.
(seperti jarak sosial, vaksinasi, migrasi, dll.). Oleh karena itu, akurasi,
ketangguhan, dan generalisasi model yang diusulkan dipastikan. Kedua,
Deklarasi kepentingan bersaing
model kami menggunakan mekanisme kompensasi kesalahan berbasis SVM
untuk lebih meningkatkan akurasi model. Ketiga, kami menggunakan
Nyatakan tidak ada.
jaringan deep learning yang relatif baru diusulkan untuk memastikan
keakuratan model. Keempat, model yang diusulkan digerakkan oleh data,
dan jumlah data yang dibutuhkan mudah dipenuhi.
Pengakuan
Di masa mendatang, kami akan mempertimbangkan lebih lanjut apakah
model terintegrasi yang diusulkan dapat mengintegrasikan lebih banyak
Para penulis ingin berterima kasih kepada Pusat Pencegahan dan
modalitas informasi. Misalnya, Wensen Huang et al. mengevaluasi nilai prediksi
Pengendalian Penyakit Eropa untuk database publik yang mereka berikanhtt
wabah regional dari data perilaku medis online, termasuk konsultasi medis online
ps://data.europa.eu/euodp/en/data/dataset/covid-19-corona virus-data-
(OMC), janji temu medis online (OMA), dan pencarian medis online (OMS) untuk
daily-up-to-14-december-2020.
penyakit coronavirus 2019 di Shenzhen, Tiongkok dari 1 Januari 2020 hingga 5
Maret , 2020 [81]. Jika jenis model informasi ini dapat diintegrasikan dengan Singkatan
model prediksi berbasis data, dan pemrosesan bahasa alami (NLP) dan algoritme
lain dapat digunakan untuk mengekstraksi lebih banyak informasi dan bergabung ANFIS Sistem Inferensi Neuro-Fuzzy Adaptif
ke dalam model, ini akan memiliki signifikansi tertentu untuk lebih meningkatkan AR autoregresif
prediksi. efek COVID-19. Integrasi dengan pendekatan pemodelan lainnya juga ARIMA Autoregressive Integrated Moving Average
sangat menarik. Sumit Mohan dkk. telah mengusulkan model hibrida ARIMA dan ARMA Autoregressive Moving Average
Nabi untuk memprediksi kasus terkonfirmasi harian dan terkonfirmasi kumulatif BP Perbanyakan Kembali
di India, yang merupakan langkah yang menginspirasi [82]. CET Waktu Eropa Tengah
CST Waktu Standar Tengah
Namun, seperti yang kita diskusikan dalam makalah ini, pendekatan CMPA divergensi kontras algoritma
pemodelan yang tepat, modalitas data, dan strategi integrasi perlu CD predator laut yang kacau
mempertimbangkan sejumlah faktor yang berbeda, termasuk sumber data, COVID 19 Penyakit Virus Corona 2019
kemampuan generalisasi model, akurasi model, dan kondisi perangkat keras DBN Deep Belief Networks
selama pelatihan model, yang merupakan pertukaran yang sulit [80]. Para peneliti GRU Unit Berulang Gated
harus lebih berupaya untuk membuat pembelajaran mesin, analisis deret waktu, GRM model laju pertumbuhan
pemodelan dinamis, dan model ilmu data lainnya lebih berguna untuk prakiraan HW Holt-Winters algoritma pemulusan
COVID-19 guna memberikan informasi wabah yang lebih akurat dan andal MPA pemulusan eksponensial pemangsa laut
MRF Bidang Acak Markov
15
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
MA rata-rata bergerak [17] D. Parbat, M. Chakraborty, Model regresi vektor dukungan berbasis python untuk
prediksi kasus COVID19 di India, Chaos, Solit. Fraktal 138 (Januari) (2020) 337–339,
OM janji temu medis online
https://doi.org/10.1016/j.chaos.2020.109942.
OMC konsultasi medis online [18] I. Rahimi, F. Chen, AH Gandomi, Review model peramalan COVID-19, Neural
OMS pencarian medis online Comput. Aplikasi 8 (2021),https://doi.org/10.1007/s00521-020-05626-8.
[19] S. Bhattacharjee, S. Liao, D. Paul, S. Chaudhuri, Kesimpulan tentang dinamika
RL pembelajaran penguatan
COVID-19 di Amerika Serikat, Sci. Rep.12 (1) (2022) 1–15,https://doi.org/
RBM Tautan fungsional vektor acak 10.1038/s41598-021-04494-z.
RVFL Mesin Boltzmann Terbatas [20] KE ArunKumar, DV Kalaga, CM Sai Kumar, G. Chilkoor, M. Kawaji, T.
SARIMA Mesin Vektor Dukungan Rata-Rata Bergerak M. Brenza, Peramalan dinamika kasus COVID-19 kumulatif (dikonfirmasi, sembuh, dan
meninggal) untuk 16 negara teratas menggunakan model pembelajaran mesin statistik:
SVM Terintegrasi Autoregresif Musiman Auto-Regressive Integrated Moving Average (ARIMA) dan Seasonal Auto-Regressive
SEIR Model Rentan-Terpapar-Terinfeksi-Sembuh Integrated Moving Average, Appl . Komputasi Lunak. 103 (Desember 2019) (2021), 107161,
PAK Model Rentan-Terinfeksi-Sembuh Jaringan https://doi.org/10.1016/j.asoc.2021.107161.
[21] CJ Lynch, R. Gore, Peramalan jangka pendek penyakit coronavirus 2019 (COVID-
TNC Konvolusional Temporal 19) selama onset dini di kabupaten, distrik kesehatan, dan tingkat geografis negara
TCN Jaringan Konvolusional Temporal bagian: pendekatan peramalan komparatif menggunakan tujuh metode peramalan
MAE kesalahan absolut rata-rata (Preprint), J. Med. Res Internet. 10 (2020),https://doi.org/10.2196/24925. Diterbitkan online
Oktober.
MAPE% kesalahan persentase absolut rata-rata
[22] AH Elsheikh, AI Saba, MA Elaziz, et al., Model peramalan berbasis pembelajaran mendalam
N-BEAT Analisis ekspansi basis saraf untuk perkiraan deret waktu yang dapat untuk wabah COVID-19 di Arab Saudi, Process Saf. Mengepung. Melindungi. 149 (2021)
ditafsirkan 223–233,https://doi.org/10.1016/j.psep.2020.10.048.
[23] N. Talkhi, NA Fatemi, Z. Ataei, MJ Nooghabi, Pemodelan dan peramalan jumlah yang
PCC koefisien korelasi Pearson root
dikonfirmasi dan kematian yang disebabkan COVID-19 di Iran: perbandingan metode
RMSE mean squared error Inggris Raya peramalan deret waktu, Biomed. Kontrol Proses Sinyal 66 (Oktober 2020) (2021), 102494,
Inggris https://doi.org/10.1016/j.bspc.2021.102494.
[24] N. Zheng, S. Du, J. Wang, dkk., Memprediksi COVID-19 di Tiongkok menggunakan model AI
KITA Amerika Serikat
hibrida, IEEE Trans. dunia maya 50 (7) (2020) 2891–2904,https://doi.org/10.1109/
VMD Variational Mode Decomposition TCYB.2020.2990162.
WT wavelet transform [25] A. Abbas, MM Abdelsamea, MM Gaber, et al., Deep-COVID: memprediksi COVID-19 dari
gambar rontgen dada menggunakan deep transfer learning, Chaos, Solit. Fraktal 140 (2)
(2020), 110153,https://doi.org/10.1016/j.media.2020.101794.
Referensi [26] H. Zhao, NN Merchant, A. McNulty, et al., COVID-19: model prediksi jangka pendek
menggunakan data kejadian harian, PLoS One 16 (4 April) (2021) 1–14,https://doi.org/
[1] S. Xu, Y. Li, Waspadai gelombang kedua COVID-19, Lancet 395 (10233) (2020) 1321– 10.1371/journal.pone.0250110.
1322,https://doi.org/10.1016/S0140-6736(20)30845-X. [27] MA Kuddus, A. Rahman, Analisis COVID-19 menggunakan model SLIR yang dimodifikasi
[2] S. Dil, N. Dil, ZH Maken, COVID-19 tren dan prakiraan di wilayah Mediterania Timur dengan kejadian nonlinier, Hasil Phys. 27 (Juni) (2021), 104478,https://doi.org/ 10.1016/
dengan fokus khusus pada Pakistan, Cureus 12 (6) (2020) 6–13,https://doi.org/ j.rinp.2021.104478.
10.7759/cureus.8582. [28] Z. Ma, S. Wang, X. Lin, dkk., Pemodelan untuk COVID-19 dengan jarak kontak,
[3] C. Zhao, B. Tepekule, NG Criscuolo, et al., icumonitoring.ch: platform untuk Nonlinear Dynam. 107 (3) (2022) 3065–3084,https://doi.org/10.1007/s11071-
peramalan jangka pendek dari hunian unit perawatan intensif selama epidemi 021-07107-6.
COVID-19 di Swiss, Swiss Med. Minggu. 150 (Maret) (2020) w20277,https://doi.org/ [29] T. Qiu, H. Xiao, V. Brusic, Memperkirakan efek tindakan kesehatan masyarakat dengan
10.4414/smw.2020.20277. model SEIR (MH) dari epidemi COVID-19 di wilayah geografis lokal, Front. Kesehatan
[4] C. Reno, J. Lenzi, A. Navarra, dkk., Meramal rawat inap terkait COVID-19 di bawah Masyarakat 9 (Januari) (2022) 1–17,https://doi.org/10.3389/fpubh.2021.728525.
berbagai tingkat jarak sosial di Lombardy dan Emilia-Romagna, Italia Utara: hasil [30] X. Hao, S. Cheng, D. Wu, T. Wu, X. Lin, C. Wang, Rekonstruksi dinamika
dari model kompartemen SEIR yang diperluas, J.Clin. Kedokteran 9 (5) (2020) 1492, transmisi penuh COVID-19 di Wuhan, Alam 584 (7821) (2020) 420– 424,
https://doi.org/10.3390/jcm9051492. https://doi.org/10.1038/s41586-020-2554-8.
[5] D. Fanelli, F. Piazza, Analisis dan prakiraan penyebaran COVID-19 di Tiongkok, Italia, [31] L. Zhou, X. Rong, M. Fan, et al., Pemodelan dan evaluasi mekanisme pencegahan dan
dan Prancis, Kekacauan, Solit. Fraktal 134 (Januari) (2020), 109761,https://doi.org/ pengendalian bersama untuk mengekang COVID-19 di Wuhan, Bull. Matematika. Biol. 84
10.1016/j.chaos.2020.109761. (2) (2022),https://doi.org/10.1007/s11538-021-00983-4.
[6] K. Roosa, Y. Lee, R. Luo, et al., Prakiraan real-time dari epidemi COVID-19 di [32] E. Ma, MA Za, J. Ar, Peramalan insiden COVID-19 Malaysia berdasarkan perintah
Tiongkok dari 5 Februari hingga 24 Februari 2020, Menginfeksi. Dis. Model. 5 kontrol gerakan menggunakan ARIMA dan ahli modeler, IIUM Med. J. Malaysia 19
(2020) 256–263,https://doi.org/10.1016/j.idm.2020.02.002. (2) (2020) 1–8,https://doi.org/10.31436/imjm.v19i2.1606.
[7] RM Chaudhry, A. Hanif, M. Chaudhary, dkk., penyakit Coronavirus 2019 (COVID- [33] C. Selinger, M. Choisy, S. Alizon, Memprediksi kejadian COVID-19 di rumah sakit Prancis
19): perkiraan urgensi yang muncul di Pakistan, Cureus 2019 (5) (2020),https:// menggunakan analitik jaringan kontak manusia, Int. J. Menginfeksi. Dis. 111 (2021) 100–
doi.org/10.7759/cureus.8346. 107,https://doi.org/10.1016/j.ijid.2021.08.029.
[8] AS Ahmar, EB del Val, SutteARIMA: metode peramalan jangka pendek, kasus: [34] S. Roy, GS Bhunia, PK Sial, Prediksi spasial epidemi COVID-19 menggunakan teknik
covid-19 dan pasar saham di Spanyol, Sci. Lingkungan Total. (2020) 729,https:// ARIMA di India, Model. Sistem Bumi. Mengepung. 2019 (2020),https://doi. org/
doi. org/10.1016/j.scitotenv.2020.138883. 10.1007/s40808-020-00890-y, 123456789.
[9] F. Qeadan, T. Honda, LH Gren, dkk., Prakiraan naif untuk COVID-19 di Utah [35] EN Aidoo, RT Ampofo, GE Awashie, SK Appiah, AO Adebanji, Pemodelan kejadian
berdasarkan model Korea Selatan dan Italia-fluktuasi antara dua ekstrem, Int. COVID-19 di sub-wilayah Afrika menggunakan model autoregresif transisi halus,
J.Lingkungan. Res. Pub. Kesehatan 17 (8) (2020) 1–14,https://doi.org/10.3390/ Model. Sistem Bumi. Mengepung. 8 (1) (2021) 961–966,https://doi.org/10.1007/
ijerph17082750. s40808-021-01136-1.
[10] MHDM Ribeiro, RG da Silva, VC Mariani, L. dos S. Coelho, Prakiraan jangka pendek [36] AC Shang, KE Galow, GG Galow, Regional forecasting of COVID-19 caseload by non-
COVID-19 kumulatif kasus terkonfirmasi: perspektif untuk Brasil, Kekacauan, Solit. parametric regression: a VAR epidemiologi model, AIMS Public Health 8 (1) (2021)
Fraktal 135 (2020),https://doi.org/10.1016/j.chaos.2020.109853. 124–136,https://doi.org/10.3934/publichealth.2021010.
[11] R. Sujath, JM Chatterjee, AE Hassanien, Model peramalan pembelajaran mesin untuk [37] KL Lo, M. Zhang, Y. Chen, JJ Mi, Peramalan Tren COVID-19 Mempertimbangkan
pandemi COVID-19 di India, Stoch. Mengepung. Res. Penilaian Risiko. 34 (7) (2020) 959– Dampak Intervensi Kesehatan Masyarakat: Penerapan FGM dan Tingkat
972,https://doi.org/10.1007/s00477-020-01827-8. Penyangga, vol. 5, Penerbitan Internasional Springer, 2021,https://doi.org/
[12] K. Abdulmajeed, M. Adeleke, L. Popoola, Peramalan online kasus covid-19 di 10.1007/s41666-021-00103-w.
Nigeria menggunakan data terbatas, Data Brief 30 (2020), 105683,https://doi.org/ [38] DMKN Seneviratna, RMKT Rathnayaka, Pendekatan Pemulusan Eksponensial Hibrid
10.1016/j.dib.2020.105683. Abu-abu untuk Memprediksi Dinamika Transmisi Wabah COVID-19 di Sri Lanka,
[13] T. Chakraborty, I. Ghosh, Prakiraan waktu nyata dan penilaian risiko kasus novel Gray Syst, 2022,https://doi.org/10.1108/GS-06-2021-0085. Diterbitkan daring.
coronavirus (COVID-19): analisis berbasis data, Chaos, Solit. Fraktal 135 (2020),
https://doi.org/10.1016/j.chaos.2020.109850. [39] A. Saxena, model peramalan Gray berdasarkan optimalisasi internal untuk virus Novel
[14] VKR Chimmula, L. Zhang, Time series forecasting transmisi COVID-19 di Kanada Corona (COVID-19), Appl. Komputasi Lunak. 111 (2021), 107735,https://doi. org/10.1016/
menggunakan jaringan LSTM, Chaos, Solit. Fraktal 135 (2020),https://doi.org/ j.asoc.2021.107735.
10.1016/j.chaos.2020.109864. [40] SM Ayyoubzadeh, SM Ayyoubzadeh, H. Zahedi, M. Ahmadi, SR Niakan Kalhori, Memprediksi
[15] SJ Fong, G. Li, N. Dey, RG Crespo, E. Herrera-Viedma, Menemukan model peramalan awal kejadian COVID-19 melalui analisis data tren Google di Iran: data mining dan studi
yang akurat dari kumpulan data kecil: Kasus wabah novel coronavirus 2019-nCoV, Int. J. percontohan deep learning, JMIR Public Health Surveill. 6 (2) (2020)
Berinteraksi. Multimed. Artifisial Intell. 6 (2020) 132–140,https://doi. org/10.9781/ 1–6,https://doi.org/10.2196/18828.
ijimai.2020.02.002. [41] A. Safari, R. Hosseini, M. Mazinani, Model LSTM fuzzy tipe-2 interval dalam baru
[16] MAA Al-Qaness, AA Ewees, H. Fan, MAEl Aziz, Metode pengoptimalan untuk meramalkan (DIT2FLSTM) yang diterapkan pada prediksi deret waktu pandemi COVID-19,
kasus COVID-19 yang dikonfirmasi di Tiongkok, Appl. Sains. 9 (3) (2020),https://doi.org/ J.Biomed. Inf. 123 (Desember 2020) (2021), 103920,https://doi.org/10.1016/j.
10.3390/JCM9030674. jbi.2021.103920.
16
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
[42] B. Lucas, B. Vahedi, M. Karimzadeh, Pendekatan pembelajaran mesin spatiotemporal untuk [62] GE Hinton, Melatih produk para ahli dengan meminimalkan divergensi kontras,
meramalkan kejadian COVID-19 di tingkat kabupaten di AS, Int. J.Data Sci. Neural Comput. 14 (8) (2002) 1771–1800,https://doi.org/10.1162/
Anal. (2022),https://doi.org/10.1007/s41060-021-00295-9. Diterbitkan daring. 089976602760128018.
[43] Harga BS, M. Khodaverdi, A. Halasz, et al., Memprediksi peningkatan insiden COVID-19 [63] A. Mohamed, TN Sainath, G. Dahl, B. Ramabhadran, GE Hinton, MA Picheny, dalam: Deep
untuk mengidentifikasi lokasi pengujian yang ditargetkan di Virginia Barat: pendekatan Belief Networks Menggunakan Fitur Diskriminatif untuk Pengenalan Telepon, 2011,
pembelajaran mesin yang ditingkatkan, PLoS One 16 (11 November) (2021 ) 1–16,https:// https://doi.org/10.1109/ICASSP.2011.5947494.
doi.org/10.1371/journal.pone.0259538. [64] C. Watkins, Belajar dari hadiah yang tertunda, Diterbitkan secara online,https://www.rese
[44] R. Ravinder, S. Singh, S. Bishnoi, et al., Model adaptif, berinteraksi, berbasis archgate.net/publication/33784417_Learning_From_Delayed_Rewards, 1989.
klaster untuk memprediksi dinamika transmisi COVID-19, Heliyon 6 (12) (2020), [65] A. Maoudj, A. Hentout, Pendekatan perencanaan jalur optimal berdasarkan algoritma Q-
e05722,https://doi.org/10.1016/j.heliyon.2020.e05722. learning untuk robot bergerak, Appl. Komputasi Lunak. 97 (2020), 106796,https://doi.
[45] S. Zhang, J. Ponce, Z. Zhang, G. Lin, G. Karniadakis, Kerangka terintegrasi untuk org/10.1016/j.asoc.2020.106796.
membangun model epidemiologis berbasis data yang dapat dipercaya: aplikasi [66] H. Liu, C. Yu, C. Yu, C. Chen, H. Wu, Metode peramalan suhu poros novel
untuk wabah COVID-19 di Kota New York, PLoS Comput. Biol. 17 (9) (2021) 1–29, berdasarkan dekomposisi, optimasi pembelajaran penguatan dan jaringan saraf,
https://doi.org/10.1371/journal.pcbi.1009334. Adv. Eng. Inf. 44 (Maret) (2020), 101089,https://doi.org/10.1016/j. aei.2020.101089.
[46] J. Xu, Y. Tang, kerangka kerja Bayesian untuk analisis epidemi covid-19 multi-gelombang
menggunakan data vaksinasi empiris, Matematika 10 (1) (2022) 1–22,https://doi. org/ [67] Z. Miljković, M. Mitić, M. Lazarević, B. Babić, Pembelajaran Penguatan jaringan saraf
10.3390/math10010021. untuk kontrol visual manipulator robot, Expert Syst. Aplikasi 40 (5) (2013) 1721–
[47] YS Chang, S. Mayer, ES Davis, et al., Dinamika transmisi wabah penyakit coronavirus besar di 1736,https://doi.org/10.1016/j.eswa.2012.09.010.
tempat penampungan tunawisma, Chicago, Illinois, AS, 2020, Emerg. Menulari. [68] JAM Sidey-Gibbons, CJ Sidey-Gibbons, Pembelajaran mesin dalam kedokteran:
Dis. 28 (1) (2022) 76–84,https://doi.org/10.3201/eid2801.210780. pengantar praktis, BMC Med. Res. Metode. 19 (1) (2019) 1–18,https://doi. org/
[48] C. Zeng, J. Zhang, Z. Li, et al., Hubungan spasial-temporal antara mobilitas 10.1186/s12874-019-0681-4.
penduduk dan wabah COVID-19 di Carolina Selatan: analisis peramalan deret [69]C. Cortes, V. Vapnik, Jaringan vektor pendukung, Mach. Mempelajari. 20 (1995) 273–297.
waktu, J. Med. Res Internet. 23 (4) (2021),https://doi.org/10.2196/27045. [70] Pusat Pencegahan dan Pengendalian Penyakit Eropa, data Coronavirus COVID-19 - setiap
[49] Y. Peng, C. Li, Y. Rong, CP Pang, X. Chen, H. Chen, Prediksi waktu nyata kejadian hari (hingga 14 Desember 2020).https://data.europa.eu/euodp/en/data/dataset /covid-19-
harian COVID-19 di 215 negara dan wilayah menggunakan pembelajaran mesin: coronavirus-data-daily-up-to-14-december-2020. (Diakses 28 Februari 2020).
pengembangan model dan validasi, J.Med. Res Internet. 23 (6) (2021) 1–12,https://
doi.org/10.2196/24285. [71] C. Bergmeir, JM Benítez, Tentang penggunaan validasi silang untuk evaluasi prediktor deret
[50] A. Mollalo, KM Rivera, B. Vahedi, Pemodelan jaringan saraf tiruan dari tingkat waktu, Inf. Sains. 191 (2012) 192–213,https://doi.org/10.1016/j. ins.2011.12.028.
kejadian novel coronavirus (COVID-19) di seluruh benua Amerika Serikat, Int.
J.Lingkungan. Res. Pub. Kesehatan 17 (12) (2020) 1–13,https://doi.org/10.3390/ [72] LJ Tashman, Tes akurasi peramalan di luar sampel: analisis dan ulasan, Int. J.
ijerph17124204. Ramalan. 16 (4) (2000) 437–450,https://doi.org/10.1016/S0169-2070(00) 00065-0.
[51] X. Yuan, J. Xu, S. Hussain, H. Wang, N. Gao, L. Zhang, Tren dan prediksi kasus baru
harian dan kematian COVID-19 di Amerika Serikat: model berbasis minat [73] Y. Gautam, Transfer Pembelajaran untuk perkiraan kasus dan kematian COVID-19 menggunakan
pencarian internet , Jelajahi. Res. Hipotesis Med. (2020) 1–6,https://doi.org/ jaringan LSTM, ISA Trans. (2021),https://doi.org/10.1016/j.isatra.2020.12.057xxxx.
10.14218/erhm.2020.00023. [74] KT Ly, Sistem peramalan COVID-19 menggunakan inferensi neuro-fuzzy adaptif,
[52] SY Sahai, S. Gurukar, WR KhudaBukhsh, S. Parthasarathy, GA Rempała, Model pembelajaran Finance Res. Lett. (September) (2020), 101844,https://doi.org/10.1016/j.
mesin untuk menyiarkan kejadian epidemi saat ini, Matematika. Biosci. 343 (April 2021) frl.2020.101844.
(2022), 108677,https://doi.org/10.1016/j.mbs.2021.108677. [75] N. Science, C. Phenomena, R. Gomes, et al., Peramalan kasus COVID-19 Brasil dan
[53] S. Noor, W. Akram, T. Ahmed, Q.-A. Qurat-ul-Ain, Memprediksi kejadian COVID-19 Amerika berdasarkan kecerdasan buatan ditambah dengan variabel eksogen
menggunakan teknik penambangan data: studi kasus Pakistan, BRAIN Broad Res. Artifisial iklim, Chaos, Solit. Fraktal 139 (2020), 110027,https://doi.org/10.1016/j.
Intell. Ilmu saraf. 11 (4) (2020) 168–184,https://doi.org/10.18662/brain/11.4/ 147. kekacauan.2020.110027.
[76] BN Oreshkin, D. Carpov, N. Chapados, Y. Bengio, N.- Beats, Analisis ekspansi basis saraf
[54] LS Wylezinski, CR Harris, CN Heiser, JD Gray, CF Spurlock, Pengaruh penentu sosial tingkat untuk peramalan deret waktu yang dapat ditafsirkan, dalam: ICLR 2020, 2019, hlm. 1–31.
vaksinasi kesehatan dan daerah pada model pembelajaran mesin untuk memprediksi http://arxiv.org/abs/1905.10437.
pertumbuhan kasus COVID-19 di Tennessee, BMJ Health Care Inf. 28 (1) (2021) 1–3,https:// [77] BB Hazarika, D. Gupta, Pemodelan dan peramalan penyebaran COVID-19 menggunakan jaringan
doi.org/10.1136/bmjhci-2021-100439. tautan fungsional vektor acak yang digabungkan dengan wavelet, Appl. Komputasi Lunak. J 96
[55] F. Ahouz, A. Golabpour, Memprediksi kejadian COVID-19 menggunakan data mining, BMC (2020), 106626,https://doi.org/10.1016/j.asoc.2020.106626.
Publ. Kesehatan 21 (1) (2021) 1–12,https://doi.org/10.1186/s12889-021- 11058-3. [78] M. Sulyok, M. Walker, Community movement and covid-19: a global study using
google's community mobility report, Epidemiol. Menulari. (2020),https://doi.org/
[56] J. Long, E. Shelhamer, T. Darrell, Jaringan Sepenuhnya Konvolusional untuk Segmentasi 10.1017/S0950268820002757. Diterbitkan daring.
Semantik, 2014. Diterbitkan online 14 Novemberhttp://arxiv.org/abs/ 1411.4038. [79] T. Zhang, J. Gao, JT Wu, Z. Cao, D. Dajun Zeng, Pendekatan ilmu data untuk
menghadapi pandemi COVID-19: tinjauan naratif, Phil. Trans. Roy. Soc. Lond.
[57] S. Bai, JZ Kolter, V. Koltun, Evaluasi Empiris Jaringan Generik Konvolusional dan Matematika. Fisika. Eng. Sains. (2214) (2022) 380,https://doi.org/10.1098/
Berulang untuk Pemodelan Urutan, 2018. Diterbitkan online 3 Maret http:// rsta.2021.0127.
arxiv.org/abs/1803.01271. [80] Y. Wei, F. Sha, Y. Zhao, Q. Jiang, Y. Hao, F. Chen, Pemodelan penyakit menular yang lebih
[58]J. Chung, Evaluasi Empiris Gated Recurrent Neural Networks pada Sequence baik: pelajaran dari covid-19 di Tiongkok, BMJ (2021) 375,https://doi.org/ 10.1136/
Modeling, 2014. April 2015. bmj.n2365.
[59] C. Gulcehre, F. Bougares, H. Schwenk, Belajar Representasi Frasa Menggunakan [81] W. Huang, B. Cao, G. Yang, N. Luo, N. Chao, Beralih ke internet dulu? Menggunakan data
RNN Encoder – Decoder, 2014,https://doi.org/10.3115/v1/D14-1179. Juni). perilaku medis online untuk meramalkan tren epidemi COVID-19, Inf. Proses. Kelola.
[60]Y. Teh, G. Hinton, mesin Boltzmann dengan kode kecepatan terbatas untuk pengenalan 58 (3) (2021), 102486,https://doi.org/10.1016/j.ipm.2020.102486.
wajah, dalam: T. Leen, T. Dietterich, V. Tresp (Eds.), MAJU DALAM SISTEM PENGOLAHAN [82] S. Mohan, AK Solanki, HK Taluja, Anuradha, A. Singh, Memprediksi dampak gelombang
INFORMASI SYARAF 13, MIT PRESS, 2001, hlm .908–914. ketiga COVID-19 di India menggunakan model pembelajaran mesin statistik hibrida:
[61] W. Huang, G. Song, H. Hong, K. Xie, Arsitektur mendalam untuk prediksi arus lalu lintas: jaringan pendekatan peramalan deret waktu dan analisis sentimen, Comput. Biol.
keyakinan mendalam dengan pembelajaran multitask, IEEE Trans. Intell. Mengangkut. Sistem. 15 Kedokteran 144 (Februari) (2022), 105354,https://doi.org/10.1016/j.
(5) (2014) 2191–2201,https://doi.org/10.1109/TITS.2014.2311123. compbiomed.2022.105354.
17