Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Komputer dalam Biologi dan Kedokteran 146 (2022) 105560

Daftar isi tersedia diScienceDirect

Komputer dalam Biologi dan Kedokteran

halaman utama jurnal:www.elsevier.com/locate/compbiomed

Model AI ansambel hybrid berbasis data untuk perkiraan infeksi COVID-19 menggunakan
beberapa jaringan saraf dan pembelajaran yang diperkuat

Wei Qiu JinA,B,1, Shu Qing DongC,1, ChengqingyuC, Qingquan LuoA,B,*

APusat Kanker Paru Shanghai, Rumah Sakit Dada Shanghai, Universitas Shanghai Jiao Tong, Shanghai, 200030, PR China
BFakultas Kedokteran, Universitas Shanghai Jiao Tong, Shanghai, 200025, PR China
CSekolah Teknik Lalu Lintas dan Transportasi, Central South University, Hunan, 410075, PR China

INFO ARTIKEL ABSTRAK

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
1.1. Latar belakang
Dengan adanya pandemi COVID-19, sistem kesehatan dunia mengalami
dampak yang sangat besar. Estimasi (atau prediksi, peramalan) yang efektif
dari jumlah kasus COVID-19 akan sangat membantu setiap negara untuk
merencanakan kebijakan kesehatannya sendiri (termasuk vaksinasi,
karantina, isolasi, penguncian, jarak sosial, dll.) dan memperkirakan
kerugian ekonomi dan sosial dari epidemi [1]. Sarjana telah berkomitmen
untuk memecahkan masalah prediksi insiden COVID-19 dan pemodelan
epidemiologi, dan mengusulkan model epidemiologi (SIR [2], SEIR
[3,4], SIRD [5], fenomenologi [6], dll.), model deret waktu (model
autoregresif [7,8], model eksponensial [9], model regresi [10, 11],
model Nabi [12], dll.), model pembelajaran mesin (berdasarkan pohon
regresi [13], LSTM [14], jaringan saraf polinomial [15], ANFIS [16], SVM [
17], dll.) dan jenis model lainnya [18].
Studi epidemiologi klasik sebagian besar bersifat deterministik dan
bekerja dengan populasi besar [18]. Mereka dibangun berdasarkan
pemodelan dinamika fisik yang benar, yang didasarkan pada model
dinamika SIR dan metode estimasi parameter dalam statistik untuk
melengkapi pemodelan patologi epidemiologis dan proses transmisi, dan
kemudian untuk memprediksi karakteristik proses epidemi penyakit, tetapi
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.
deskripsi proses dinamika yang akurat dan sangat bergantung pada hasil
estimasi parameter yang handal [18]. Oleh karena itu, meskipun model
dinamika SIR dapat memberikan analisis karakteristik transmisi jangka
panjang, keandalannya dibatasi oleh banyak faktor yang berubah termasuk
status kekebalan populasi terhadap penyakit (seperti vaksin), acara publik
(seperti karantina, migrasi, dan kebijakan lainnya). perubahan) dan
sebagainya. Misalnya, dalam model SAHQD (Rentan, terinfeksi, dirawat di
rumah sakit, dikarantina, meninggal) Bhattacharjee et al., model dinamika
multi-kompartemen yang kompleks, meskipun informasi tentang langkah-
langkah jarak sosial dan tingkat pengujian diagnostik dimasukkan untuk
mengkarakterisasi dinamika berbagai kompartemen model mereka, tingkat
pembatasan jarak sosial dan mobilitas dalam populasi diabaikan [19].
Model berbasis data, termasuk model statistik dan model pembelajaran
mesin, mengatasi sebagian besar kekurangan ini. Model statistik seperti
Autoregressive Integrated Moving Average (ARIMA), Seasonal
Autoregressive Integrated Moving Average (SARIMA) diadopsi oleh studi
prediksi infeksi COVID-19 sebelumnya. KE ArunKumar dkk. mengadopsi
prakiraan Autoregressive Integrated Moving Average (ARIMA) dan Seasonal
Autoregressive Integrated Moving Average (SARIMA) untuk memprediksi
tren masa depan (naik atau turun) dari epidemi COVID-19 di 16 negara
teratas [20]. Christopher J Lynch dkk. mengadopsi dan membandingkan
Holt-Winters exponential smoothing (HW), model laju pertumbuhan
(Growth), rata-rata bergerak (MA), autoregressive (AR), autoregressive
moving average (ARMA), dan autoregressive integrated moving average
(ARIMA) model [21]. Namun, akurasi prediksi mereka masih harus lebih
ditingkatkan.
Baru-baru ini, model pembelajaran mendalam telah terbukti menjadi alat yang
andal dan menjanjikan dalam prediksi data. Oleh karena itu, banyak juga
penelitian yang berfokus pada potensi penerapan deep learning untuk
memprediksi angka infeksi COVID-19. Sebagian besar penelitian sebelumnya
didasarkan pada model tunggal, seperti LSTM, MLP, ELM, dll. Ammar H. Elsheikh
et al. menerapkan model LSTM untuk memprediksi jumlah total kasus dan
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
dkk. membandingkan sembilan model termasuk model jaringan NNETAR, ARIMA,
Holt-Winter, BSTS, TBATS, Prophet, MLP dan ELM dengan mengevaluasi indikator
RMSE, MAE dan MAPE%, dan mereka memilih model terbaik yang memiliki nilai
indeks kinerja terendah [23].
Secara umum, model hybrid yang diusulkan oleh beberapa sarjana
memiliki kinerja keseluruhan yang lebih baik dalam peramalan jumlah
infeksi COVID-19 daripada model tunggal. Misalnya, Mohammed AA Al-
qaness dkk. mengusulkan model prediksi jangka pendek baru,
menggunakan versi Adaptive Neuro-Fuzzy Inference System (ANFIS) yang
disempurnakan. Algoritma pemangsa laut yang ditingkatkan (MPA), MPA
kacau (CMPA), diusulkan, yang meningkatkan algoritma ANFIS [16]. Nanning
Zheng mengusulkan model AI hibrida berdasarkan model rentan-terinfeksi
(ISI) yang ditingkatkan, modul pemrosesan bahasa alami (NLP), dan memori
jangka pendek panjang (LSTM) untuk memprediksi jumlah infeksi kumulatif
di Tiongkok selama 19 Februari 2020 hingga 24 Februari 2020 [24].
Meskipun penelitian mereka menggunakan model hibrida, keakuratan
prediktor tunggal dapat ditingkatkan lebih lanjut, dan bobot model
komponen mereka diberikan secara manual atau acak. Sementara itu,
kompensasi kesalahan tidak dipertimbangkan dan disematkan dalam sistem
model hybrid mereka [25].
1.2. Motivasi dan pekerjaan kita
Kami melakukan penelitian ini berdasarkan beberapa pertimbangan: Pertama,
sebagian besar penelitian saat ini melakukan prediksi kejadian COVID-19
berdasarkan pemodelan dinamika atau regresi data multivariat, dll., seringkali
mengandalkan model kompartemen kompleks atau data multidimensi yang luas
tetapi tidak selalu tersedia. untuk peramalan, yang membuat model kurang efektif
dan kuat. Sedangkan karena ketidaktersediaan atau ketidaklengkapan data dan
faktor-faktor yang mengganggu keadaan dinamis,
2
Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
seperti kebijakan epidemi dan varian virus, sulit untuk secara konsisten
menggambarkan perkembangan epidemi atau untuk menggeneralisasi
di seluruh wilayah. Kedua, studi pembelajaran mendalam dan
pembelajaran penguatan saat ini untuk perkiraan COVID-19 relatif
sedikit dibandingkan dengan pemodelan dinamika dan analisis deret
waktu klasik (misalnya, ARIMA), padahal mereka sangat mungkin
memiliki peran signifikan dalam prediksi morbiditas COVID-19 dan
layak untuk dimasukkan dalam perspektif peneliti. Ketiga, model
ansambel yang diusulkan dapat meningkatkan generalisasi submodel
pembelajaran mendalam yang ada di seluruh geografi dan waktu,
mencapai prediksi yang memuaskan hanya dengan menggunakan satu
rangkaian waktu dari angka kejadian harian COVID-19. Ini juga
memberikan gambaran tentang latihan beban dan kompensasi
kesalahan berdasarkan kerangka pembelajaran penguatan,
Dalam karya ini, kami menyajikan model hybrid ansambel TCN-GRU-DBN-Q-
SVM berbasis data. Pertama, tiga jaringan yang digunakan secara luas, TCN, GRU
dan DBN, digunakan sebagai prediktor tunggal. Kedua, tiga prediktor dirangkai
dengan metode pembelajaran penguatan (Q-learning) dengan bobot yang
berbeda. Ketiga, prediktor error yang dibangun oleh SVM, dilatih dengan set
validasi, dan hasil prediksi akhir dapat diperoleh dengan menggabungkan model
TCN-GRU-DBN-Q dengan prediktor error SVM. Model yang diusulkan mengadopsi
beberapa prediktor yang baru diusulkan (TCN, GRU dan DBN) dengan kinerja
mandiri yang memuaskan untuk bekerja secara kolektif, dan bobot terintegrasi
berdasarkan pembelajaran Q dapat disesuaikan secara adaptif sesuai dengan
karakteristik data di berbagai negara dan berbagai situasi. yang memastikan
akurasi dan generalisasi model yang diusulkan. Sementara itu, mekanisme
kompensasi kesalahan berbasis SVM digunakan untuk lebih meningkatkan akurasi
model. Studi kami dapat lebih meningkatkan kemampuan generalisasi dan akurasi
model pada prediksi COVID-19 yang didorong oleh data deret waktu tunggal
melalui cara ansambel, dan studi ini menyediakan kerangka kerja yang
memungkinkan untuk menyematkan modalitas data lain atau metode pemodelan
lain berdasarkan pembelajaran penguatan, yang dapat memperkaya dan
menginspirasi metodologi prediksi COVID-19 sampai batas tertentu.
1.3. Struktur artikel ini
Pada artikel ini, Bagian2(Tinjauan Literatur)subsumsi lebih lanjut dan
meringkas literatur yang ada tentang prakiraan COVID-19 berdasarkan
ringkasan singkat alat prakiraan COVID-19 dasar yang diberikan di Bagian1
(Perkenalan).
Bagian3(Metode)menunjukkan arsitektur model dan langkah-
langkah pelatihannya (bagian3.1), dan memperkenalkan tiga sub-
model TCN, GRU, DBN dan ide dasar Q-learning dan kompensasi
kesalahan SVM (bagian3.2).
Bagian4(Percobaan)memperkenalkan set data yang digunakan dalam
eksperimen dan pemisahan set pelatihan, validasi, dan pengujian (bagian4.1
), dan menentukan metrik untuk mengevaluasi model (bagian4.2). Bagian4.3
memberikan parameter untuk pelatihan model dan menunjukkan proses
penentuan jumlah input neuron (bagian4.3.1). Ini memberikan bobot yang
dioptimalkan yang berasal dari Q-learning selama integrasi model, dan
membandingkan kinerja model ansambel dan model komponen untuk
mengklarifikasi keefektifan model (bagian4.3.2).
Bagian5(Hasil dan Diskusi)membahas hasil ramalan model dan
memverifikasi kemampuan generalisasi dan akurasi prediksi yang baik dari
model terintegrasi dengan membandingkannya dengan model yang ada
pada tiga dataset nasional yang berbeda.
Bagian6(Keterbatasan dan Pekerjaan Selanjutnya)memberikan skenario
penerapan model, dan menyarankan beberapa kemungkinan arah untuk peningkatan
dan faktor-faktor yang harus dipertimbangkan saat meningkatkan model.
Bagian7(Kesimpulan)memberikan kesimpulan dari studi tersebut.
2. Tinjauan literatur
Tabel 1DanGambar 1 (A)menunjukkan model prediksi jumlah
kejadian COVID-19 dari literatur yang ada. Dapat dilihat bahwa
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560

Tabel 1
Ringkasan model prakiraan COVID-19 terbaru.

(A) Model prakiraan COVID-19 terkini

Jenis metode Pertunjukan Agama referensi

MAE RMSE Pearson pendekar tombak

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

(B) Perbandingan antara berbagai jenis model perkiraan COVID-19

Jenis Kekuatan Kelemahan

Dinamika ➢ Mampu meramalkan selama jendela waktu masa depan
yang luas
➢ Arti fisik dari model ini sangat jelas
Deret waktu ➢ Langkah-langkah sederhana dan dapat direproduksi
➢ Data yang dibutuhkan mudah tersedia
➢ Sangat cocok untuk kasus di mana deret
waktu bersifat periodik
Prakiraan abu-abu ➢ Langkah-langkah sederhana dan dapat direproduksi
➢ Data yang dibutuhkan mudah tersedia
➢ Tidak dapat disesuaikan dengan situasi di mana subjek model telah meningkat atau di mana parameter model berubah dengan
kebijakan tertentu, variabilitas patogen penyakit, dll.
➢ 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.
➢ Skenario aplikasi terbatas, misalnya model ARMA hanya dapat diterapkan pada situasi stasioner, dll.
➢ Mirip dengan teori matematika fuzzy, arti fisik dari model tidak jelas
(dilanjutkan di halaman berikutnya)

3
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560

Tabel 1(lanjut)

(B) Perbandingan antara berbagai jenis model perkiraan COVID-19

Jenis Kekuatan Kelemahan

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:
1) Model berdasarkan pemodelan kinetik (atau dinamika), yang lebih
memperjelas pola perubahan jumlah populasi tertentu dengan
membagi populasi menjadiRentan (S),Terinfeksi (I), Dipulihkan (R)
kompartemen, dll, dan mendefinisikan hubungan transisi antara
mereka melalui beberapa persamaan diferensial. Sejak awal
epidemi COVID-19, model kinetik multi-generasi telah muncul, yang
rute evolusinya dapat diringkas sebagai: SIR→SEIR [26], SLIR [27]
(mempertimbangkan kontak dekat atau laten)→SEIAIR [28]
(mengingat orang yang terinfeksi tanpa gejala), SAHQD [19]
(mempertimbangkan kebijakan karantina)→SEIRMH [29], SEPIAHR [
30] (mempertimbangkan faktor terkait medis)→SCUA-QIHMRD [31]
(mempertimbangkan hierarki pengobatan COVID-19).
2) Analisis deret waktu. Model pemulusan eksponensial yang lebih
sederhana mengatur data dalam urutan kronologis dari yang baru
ke yang lama. Bobot diberikan dari besar ke kecil, dan nilai bobot
menurun secara eksponensial. Selain pemulusan eksponensial,
yang menghaluskan data berdasarkan parameter yang menurun
secara eksponensial, ada juga metode umum untuk memasang
ARIMA [32–34] model, yang terdiri dari tiga bagian: proses
autoregresif (AR), bagian diferensial (Terintegrasi) dan proses rata-
rata bergerak. Selain itu, terdapat analisis deret waktu multivariat
berdasarkan model Autoregressive (AR) standar [35], termasuk VAR
(Vector Autoregressive model) [36], STAR (transisi mulus
autoregressive) [35] dan modifikasinya.
3) Model ramalan berdasarkan Grey Theory. Model prediksi abu-abu
adalah metode prediksi yang membangun model matematis untuk
membuat ramalan melalui sejumlah kecil informasi yang tidak
lengkap. Modifikasi model GM(1,1) dasar, seperti Fractional Order
Model Abu-abu Akumulasi (FGM) [37], pendekatan pemulusan eksponensial
abu-abu hibrida [38], dan Model Prediksi Kelabu yang Dioptimalkan Secara
Internal (IOGM) [39], telah diusulkan sebagai alat yang efektif untuk prakiraan
COVID-19.
4) Model perkiraan berdasarkan Machine Learning. Model seperti LSTM,
regresi RF, ditunjukkan padaTabel 1 (A), telah banyak diteliti dalam
prakiraan COVID-19. Memori jangka pendek panjang (LSTM), yang paling
representatif dari pembelajaran mendalam, adalah jenis RNN khusus,
yang terutama dirancang untuk memecahkan masalah hilangnya
gradien dan ledakan gradien selama pelatihan urutan panjang. LSTM
telah terbukti menjadi jaringan pembelajaran mendalam yang kuat
untuk perkiraan infeksi COVID-19 [40–43].
Perbandingan keuntungan dan kerugian dari empat jenis pendekatan
prediksi diberikan diTabel 1(B). Dari tinjauan literatur dapat dilihat bahwa
penelitian saat ini masih kurang pada model ansambel berbasis deep-
learning dan lebih fokus pada perluasan jumlah informasi yang dicakup oleh
model yang ada dari beberapa modalitas data. Penting untuk menyelidiki
bagaimana mengoptimalkan lebih lanjut kinerja model pembelajaran
mendalam pada deret waktu input tunggal melalui optimalisasi bobot dan
strategi kompensasi kesalahan dalam kerangka ansambel untuk lebih
meningkatkan akurasi dan generalisasi model prakiraan COVID-19.
3. Metode
3.1. Model arsitektur
Seperti yang ditunjukkan diGambar 2, model kami menyertakan tiga
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

pembelajaran penguatan Q, model integrasi hibrid akhir diperoleh. Langkah-

langkah terperinci dari pembuatan model adalah sebagai berikut:
Di manaySayaadalah nilai sebenarnya, danySaya ′adalah nilai prediksi. Q-
pembelajaran dilatih dengan set validasi.
Langkah 1:Praproses dan normalisasi data deret waktu.
Langkah 2: Latih tiga jaringan saraf, TCN, GRU dan DBN, dengan data
Langkah 4: Menghitung kesalahan antaraHAIdan urutan aktual (dalam set
deret waktu dari set pelatihan masing-masing, lalu masukkan set tes ke
validasi) dan dapatkan urutan kesalahanR.MemukauRsebagai set pelatihan,
dalam jaringan untuk mendapatkan urutan hasil tes, dilambangkan
SVM digunakan untuk memodelkan urutan kesalahan, yang memberikan
sebagaiX1,X2,DanX3.
kompensasi atas hasil prediksi yang diberikan oleh model TCN-GRU-DBN-Q.
Langkah 3: Berikan bobot awal acak dari setiap urutan keluaran sebagai
ω1,ω2,ω3, dan atur hasilnya:
Langkah 5: Masukkan set pengujian ke dalam model ansambel hibrid untuk mendapatkan
keluaran=ω1X1+ω2X2+ω3X3 keluaran.Untuk setiapkeluaran, masukkan ke dalam model SVM prediksi kesalahan untuk
mendapatkan kesalahan prediksikesalahanpred, lalu hasil akhirHAIadalah:
Untuk mengoptimalkan bobot tiga jaringan, perkuat pembelajaran

5
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560

HAI=keluaran+kesalahanpred 3.2.2. Unit Berulang Gated (GRU)

GRU merupakan salah satu prediktor model ensemble pada penelitian
ini. LSTM klasik memecahkan masalah ketergantungan jangka panjang
3.2. Komponen model yang diusulkan
Recurrent Neural Networks (RNN). Namun, strukturnya yang kompleks
mengurangi efisiensi. Oleh karena itu, GRU diusulkan pada tahun 2014
3.2.1. Jaringan Konvolusional Temporal (TCN)
sebagai desain RNN yang lebih sederhana dengan akurasi RNN asli terjaga
TCN diadopsi sebagai sub-prediktor dari model ansambel yang diusulkan.
dan efisiensinya ditingkatkan [58,59]. Hanya ada dua struktur gerbang,
Intinya, TCN adalah integrasi dari jaringan konvolusional penuh, konvolusi kausal,
gerbang reset dan gerbang pembaruan (kombinasi dari gerbang lupa dan
konvolusi dilatasi, dan koneksi residual [56]. Pertama, umumnya, TCN
gerbang input), dalam jaringan GRU, yang mengurangi angka parameter
menggabungkan FCN 1D dan konvolusi biasa [57]. Dalam arsitektur FCN, setiap
secara signifikan dan meningkatkan efisiensi model secara signifikan. Rasio
layer memiliki panjang yang sama dengan layer input, dan layer zero padding
antara transmisi dan retensi informasi di masa lalu ditentukan oleh gerbang
ditambahkan untuk menjaga layer berikutnya memiliki panjang yang sama dengan
pembaruan dan gerbang reset secara bersama-sama, dan ekspresi
yang sebelumnya, yang memastikan bahwa output yang dihasilkan oleh jaringan
matematis dari gerbang reset dan gerbang pembaruan ditunjukkan dalam
memiliki panjang yang sama dengan input. [56]. Kedua, casual convolutions,
rumus berikut:
dimana merupakan output pada waktuTberbelit-belit hanya dengan unsur-unsur
Gerbang pembaruanzTadalah:
dari waktu Tdan sebelumnya di lapisan sebelumnya, juga diadopsi di TCN untuk
( )
memastikan tidak ada kebocoran informasi. Ketiga, pelebaran konvolusi zT=σ W(z)XT+AS(z)HT−1
memungkinkan TCN beradaptasi dengan tugas peramalan dengan sejarah yang
Gerbang resetRTadalah:
lebih panjang, yaitu untuk memperluas bidang reseptif. Untuk setiap urutan input
1-DX∈ℝNdan filterF: {0,..., k−1}→ℝ,operasiFpada elemen s dari urutan didefinisikan ( (R) (R)
)
RT=σ W XT+AS HT−1
sebagai [57]:

∑
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.
dipertahankan atau dilupakan, yang ditentukan dengan menghitung hasil
kali Hadamard dariRTDanEhT−1.
3.2.3. Jaringan Keyakinan Mendalam (DBN)
Dalam tulisan ini, DBN adalah salah satu prediktor dari model ansambel. Inti
dari DBN adalah susunan dari rangkaian Restricted Boltzmann Machine (RBM)
yang terlatih dengan baik. Mesin Boltzmann adalah kelas besar model jaringan
saraf, tetapi yang paling banyak digunakan dalam aplikasi praktis adalah RBM,
jenis Markov Random Fields (MRFs) tertentu. Model RBM adalah jaringan saraf
sederhana dua lapis, sehingga tidak dapat dianggap sebagai kategori
pembelajaran mendalam dalam arti sempit. Namun, sebagai tumpukan RBM,
DBM dapat dianggap sebagai promosi RBM. Dalam RBM, terlihat variabelay
terhubung ke unit tersembunyi stokastikHmenggunakan koneksi berbobot tak
terarah [60]. Tujuan pelatihan RBM adalah untuk mendapatkan distribusi
probabilitas yang disukaiP(ay,H) dijelaskan oleh fungsi energie(ay,H;θ) Di manaθ=(
ω,B,A) menunjukkan kumpulan parameter (di manaωaku j
menunjukkan bobot simetris antara unit yang terlihatSayadan unit tersembunyiJ,BSaya
adalah bias dariSaya-th unit terlihataySaya, DanAJadalah bias dariJ-th unit
tersembunyiHJ) yang dapat dijelaskan sebagai (untuk RBM biner [61]):
∑|V| ∑|H|
− catatanP(ay,H)∝e(ay,H;θ) = − ωaku jaySayaHJ−
Saya=1 J=1
dimana |V|dan |H|adalah jumlah unit yang terlihat dan tersembunyi, masing-
masing. Dengan demikian, andaikanayatauHtetap, distribusi probabilitas
bersyarat dariP(HJ|ay;θ)DanP(aySaya|H;θ)dapat dihitung sebagai [61]:
( )
( ) ∑|V|
phJ|ay;θ=σ ωaku jaySaya+AJ
Saya=1
( )
∑|H|
P(aySaya|H;θ) =σ ωaku jHJ+BSaya
J=1
dimana fungsi sigmoidσ(X) didefinisikan di bagian sebelumnya, dan parameternyaθ= (ω,
B,A) dari setiap RBM dapat dipelajari dari pelatihan. Proses pelatihan didasarkan pada
algoritma contrastive divergence (CD) yang dimunculkan oleh G. Hinton [62]. Menumpuk
RBM yang diperoleh bersama-sama, kami mendapatkan DBN. Untuk setiap RBN, kami
memiliki set parameterθ= (ω,B,A) yang mendefinisikan distribusi kemungkinanP(ay,H;θ)
dan kemungkinan sebelumnyaP(H; θ) [63]. Dengan cara ini, kemungkinan menghasilkan
variabel yang terlihat adalah:
∑ {
P(ay) = P(H|θ)P(ay|H,θ)
H AM=
DimanaP(ay|H,θ) diperbaiki saat parameter ditetapkanθdiperoleh dari RBM, danP(
H|θ) dapat diganti dengan RBM berurutan, di mana lapisan tersembunyi dari RBM
sebelumnya dapat dianggap sebagai data yang terlihat.
Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
3.2.4. Q-pembelajaran
Sebagai pendekatan pembelajaran online, pembelajaran penguatan (RL)
berbeda dengan pembelajaran terawasi/tidak terawasi. Selama proses interaksi
dengan lingkungan, model memperoleh keputusan yang optimal melalui trial-
and-error, dan kemudian memperoleh hasil yang optimal [65] (melihatGambar 4).
Sebagai algoritma RL yang banyak digunakan dalam pemilihan fitur, driver-less,
perencanaan rute, dan bidang lainnya, algoritma Q-learning diusulkan oleh
Watkins et al., pada tahun 1989 [64]. Mengingat konvergensi yang baik dan
kemampuan pengambilan keputusan yang kuat, metode Q-learning diterapkan
sebagai metode pembelajaran ensemble dalam penelitian ini, yaitu metode Q-
learning digunakan untuk mengintegrasikan tiga jaringan yang dalam.
Langkah-langkah metode ansambel berdasarkan pembelajaran penguatan
ditunjukkan sebagai berikut:
Langkah 1:Membangun matriks negaraSdan matriks tindakanA, di mana
matriks keadaanSmenunjukkan bobot dari tiga jaringan dalam dalam
model ansambel, dan matriks tindakanAadalah tindakan penyesuaian
berat.
S= [w1,w2,w3]
∑|V| ∑|V|
BSayaaySaya− AJHJ A= [Δw1, Δw2, Δw3]
Saya=1 Saya=1
Di manaw1adalah bobot jaringan TCN,w2adalah bobot jaringan GRU,
danw3adalah bobot jaringan DBN.ΔwSaya(Saya=1,2,3) dalam matriks
tindakanAmewakili perubahan bobot jaringan dalam.
Langkah 2:Bangun fungsi Kerugian L, hadiahnyaR, dan fungsinya Q
untuk evaluasi.Pada penelitian ini, tujuan optimasi adalah meminimalkan
nilai RMSE keluaran. Oleh karena itu, fungsi evaluasiQdidefinisikan
sebagai:
√̅̅ √
√1∑ N
′2
Q=RMSE =√ (ySaya−ySaya)
N Saya=1
Di manaySayaadalah nilai sebenarnya, danySaya ′ adalah nilai prediksi.
Langkah 3:Latih agen (yaitu model ansambel) berdasarkan set pelatihan
dari tiga jenis jaringan dalam. Sesuai dengan kondisi saat iniS, agen
melakukan suatu tindakanA.Selama proses ini, tindakan dipilih
berdasarkanԑ-kebijakan serakah sebagai [66]:
BerdasarkanQmaks(P=1 -ε)
Acak (P=ε)
dimana parameternyaε∈ (0,1) adalah probabilitas eksplorasi.
Gambar 4.Prinsip Q-learning [64].
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

L= (A(M) - A(M))2 Saya=1

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.

Di manaA(M)adalah data kecepatan angin terukur dalam set pelatihan,A(M) 4. Eksperimen

adalah perkiraan data infeksi COVID-19 dalam set pelatihan.
4.1. Himpunan data

Langkah 5:Menghitung fungsi evaluasiQ, dan perbarui Q-table [67].

QM+1(SM,AM) =QM(SM,AM)
+ γM(R(SM,AM) +λmaksQM(SM+1,AM+1) -QM(SM,AM))
Di manaλadalah parameter diskon, danγadalah kecepatan belajar.
Langkah 6:Ulangi langkah 3 sampai 5 sampai kondisi berhenti iterasi
terpenuhi. Matriks negaraSsaat ini adalah bobot optimal dari tiga
jaringan dalam.
Langkah 7:Masukkan set pengujian ke dalam tiga jaringan dalam yang terlatih
dengan baik untuk mendapatkan hasil prediksi akhir. Kemudian, hasil prediksi dari
ketiga deep network tersebut dikalikan dengan bobotnya, kemudian digabungkan
menjadi satu untuk mendapatkan hasil prediksi akhir.
3.2.5. Mesin Vektor Dukungan (SVM)
Dalam penelitian ini, SVM diterapkan sebagai alat prediksi kesalahan,
yang selanjutnya meningkatkan kemampuan generalisasi dan akurasi model
hibrid ansambel akhir. Sebagai algoritma pembelajaran komputasi lunak
klasik, SVM diadopsi secara luas dalam analisis regresi, klasifikasi,
pengenalan pola, dan peramalan [68]. Berdasarkan teori yang diajukan
oleh Vapnik [68,69], misalkan seri data {XSaya,DSaya}N
vektor ruang masukan,DSayamewakili nilai target), SVM memperkirakan
fungsi yang diwakili dalam persamaan berikut:
F(X) =kφ(X) +B
C∑ N
1
RSVM(C) =k2 + L(XSaya,DSaya)
2 N Saya=1
Di manaφ(X)menunjukkan fitur ruang dimensi tinggi yang memplot
vektor ruang masukanX,Bmewakili skalar,kadalah vektor normal, dan
C
∑N
Saya=1L(XSaya,DSaya)menunjukkan kesalahan empiris. Variabel kendur positif
N
ξSayaDanξ∗Sayamenunjukkan deviasi berlebih atas dan bawah. Dengan meminimalkan
risiko yang diregulasiRSVM(C), skalarBdan fitur ruangφ(X) dapat
diperoleh.
Dengan cara ini, tujuan membangun SVM adalah untuk:
Kami menggunakan kumpulan data yang berisi pembaruan situasi
harian tentang COVID-19 dan distribusi geografis global yang
dikumpulkan dan disediakan oleh tim Kecerdasan Epidemi dari Pusat
Pencegahan dan Pengendalian Penyakit Eropa (ECDC). Sejak awal
pandemi COVID-19, tim Epidemic Intelligence ECDC telah
mengumpulkan jumlah kasus COVID-19 dan kematian setiap hari,
berdasarkan laporan dari otoritas kesehatan di seluruh dunia. Untuk
memastikan keakuratan dan keandalan data, proses ini terus
disempurnakan. Setiap hari antara pukul 06.00 dan 10.00 CET, tim ahli
epidemiologi menyaring hingga 500 sumber yang relevan untuk
mengumpulkan angka terbaru. Penyaringan data diikuti oleh proses
intelijen epidemi standar ECDC yang setiap entri datanya divalidasi dan
didokumentasikan dalam database ECDC. Ekstrak dari database ini,70].
Penelitian ini menggunakan 300 data harian jumlah infeksi kumulatif
nasional dari India, Inggris (UK), dan Amerika Serikat (AS) dari 19
Februari 2020 hingga 14 Desember 2020 (data diakses pada pukul
19:00 CST, Januari 19, 2021), dan membagi data menjadi tiga dengan
rasio 3:1:1, yaitu set pelatihan (2020/2/19–2020/8/16, 180 hari), set
validasi (2020/8/17 –2020/10/15, 60 hari), dan set pengujian
(2020/10/16–2020/12/14, 60 hari). Kondisi spesifik dari setiap kumpulan
data ditunjukkan padaMeja 2(A). Perangkat pelatihan digunakan untuk
Saya(Nadalah ukuran data,XSayaadalah melatih tiga jaringan saraf TCN/GRU/DBN, dan perangkat validasi
digunakan untuk melatih model terintegrasi berdasarkan
pembelajaran penguatan Q dan model koreksi kesalahan berdasarkan
SVM.
Untuk validasi model ansambel, kami mengadopsi Day Forward-
chaining, metode validasi silang bersarang yang cocok untuk data
deret waktu [71,72]. Metode day forward-chaining sangat penting
untuk menjaga urutan data time-series dan mencegah kemungkinan
kebocoran informasi yang diakibatkan oleh validasi k-fold cross.
Pemisahan data yang konkret ditampilkan diMeja 2(B).
Meja 2
Informasi data [70].

∑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 / /

dalam fungsi objek.ϵmewakili fungsi kerugian yang ditentukan oleh

mengatur

Perlengkapan latihan Perlengkapan latihan Validasi Perangkat uji /

ketepatan perkiraan dari set pelatihan. mengatur

Mengingat kendala optimalitas, masalahF(X) =kφ(X)+Bdapat Perlengkapan latihan Perlengkapan latihan Perlengkapan latihan Validasi Perangkat uji

diselesaikan dengan pengali Lagrange. Fungsi generik dapat diperoleh mengatur

8
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560

4.2. Indeks evaluasi kinerja Tabel 3

Parameter penting yang digunakan dalam pelatihan model.

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

Zaman pelatihan 200

mengevaluasi korelasi antara angka prediksi dan angka sebenarnya. DBN
Perhitungan RMSE didefinisikan sebelumnya, dan tiga indeks lainnya Ukuran unit masukan Ukuran 3/5/7/9
dapat dihitung sebagai berikut: unit tersembunyi Ukuran unit 20
keluaran Jumlah faktor 1
1∑ N⃒ ′⃒ Momentum lapisan Tersembunyi 1
MAE = ⃒y ySaya
⃒ 0
N
Saya−

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

Zaman pelatihan 100

Keluar 0,05
Di manaNadalah jumlah sampel,ySayaadalah nilai sebenarnya,ySayaadalah SVM
adalah nilai peramalan, dany′
nilai rata-rata dari nilai sebenarnya,ySaya ′ Sayaadalah Ukuran unit input 3/5/7/9
nilai rata-rata dari nilai peramalan. Ukuran unit output 1
Fungsi kernel RBF
Gamma 10
4.3. Pelatihan model σ2 20

4.3.1. Tentukan nomor input neuron terbaik

Jumlah neuron pada lapisan input perlu ditentukan secara eksperimental
untuk memastikan kecocokannya dengan tugas prediksi. Kami menggunakan data
jumlah orang yang terinfeksi di India untuk eksperimen dan mengambil jumlah
input neuron yang berbeda (3, 5, 7, 9) untuk eksperimen guna menentukan
jumlah input neuron yang optimal. Adapun pengaturan eksperimental, parameter
penting yang digunakan dalam pelatihan model diberikan Tabel 3.
Gambar 5menunjukkan hasil prediksi dan struktur model model yang sesuai
dengan jumlah input neuron yang berbeda (lihat Gambar 4). Sederhananya, kami
menghitung nilai MAE, MAPE%, RMSE dan PCC dari empat model yang diselidiki
dengan nomor input neuron yang berbeda (ditunjukkan dalamTabel 4). Seperti
yang bisa dilihat dariTabel 4, ketika jumlah input neuron meningkat, nilai MAPE%
dari model menunjukkan tren penurunan pertama dan kemudian meningkat.
Menurut keempat indeks tersebut, ketika jumlah neuron input adalah 5, efek
prediksi model adalah yang terbaik. Oleh karena itu, pada percobaan selanjutnya,
kami menetapkan jumlah input layer dari masing-masing model sebanyak 5, yaitu
data 5 hari pertama digunakan untuk memprediksi data pada hari berikutnya.
4.3.2. Integrasi model
Model yang diusulkan dalam makalah ini terutama terdiri dari tiga
bagian: prediktor, pengoptimal, dan koreksi kesalahan. RMSE digunakan
sebagai kesalahan saat model dilatih.Gambar 6 (A)menunjukkan diagram
iterasi kesalahan model selama pelatihan, danGambar 6(B)–(D) memberikan
hasil prediksi dari berbagai komponen model pada tiga set data.Tabel 5
menunjukkan hasil optimalisasi bobot dari tiga prediktor TCU, GRU dan DBN
yang dioptimalkan dengan pembelajaran penguatan.
Dengan menganalisisGambar 6DanTabel 6, dapat ditarik kesimpulan sebagai
berikut:
(1) Terlihat dari hasil pada tabel bahwa akurasi prediksi TCN, GRU,
dan DBN tidak jauh berbeda pada kumpulan data yang sama,
namun masih ada perbedaan akurasi prediksi antara satu sama
lain, dan kinerja TCN, GRU, dan DBN bervariasi pada kumpulan
data yang berbeda, yang menunjukkan kekurangan model
tunggal dalam kemampuan generalisasi. Misalnya, pada
kumpulan data Inggris, TCN (MAE: 2266.439) dan GRU (MAPE%:
11.988, RMSE: 3022.743, PCC: 0.707) memiliki kinerja yang lebih
baik daripada DBN, tetapi DBN memiliki kinerja terbaik pada
kumpulan data India (MAE: 3485.223, MAPE%: 8.861, RMSE:
4563.702), yang menunjukkan bahwa kinerja prediktor tunggal
tidak cukup stabil dan terkait dengan kumpulan data tertentu.
(2) Pada dasarnya, model ansambel hibrid yang diusulkan diperoleh dengan
menggunakan Q-learning untuk mengintegrasikan TCN, GRU dan DBN
mencapai akurasi prediksi yang lebih tinggi daripada satu komponen pada
tiga set data, yang menunjukkan bahwa metode integrasi yang diusulkan
dalam makalah ini efektif , seperti yang terlihat dariTabel 6. Dengan
menyesuaikan bobot masing-masing prediktor dalam komponen, model
dapat menyesuaikan bobot secara adaptif sesuai dengan karakteristik
kumpulan data, mengintegrasikan keunggulan masing-masing
subprediktor, dan mencapai peningkatan akurasi secara keseluruhan.
Fitur model ini juga meningkatkan ketangguhan model, yang
memungkinkan model yang diusulkan mencapai hasil prediksi presisi
tinggi pada berbagai set data. Selain itu, membandingkan set data yang
berbeda, kita dapat melihat bahwa perubahan akurasi model terintegrasi
pada tiga set data lebih rendah daripada komponen tunggalnya (TCN,
GRU, dan DBN), yang menunjukkan bahwa model terintegrasi memiliki
stabilitas yang lebih baik daripada satu set data. model.
(3) Untuk lebih meningkatkan akurasi model terintegrasi, metode
kompensasi kesalahan dapat diadopsi. Seperti bisa

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.

Jumlah input MAE MAPE% RMSE PCC

3 2970.198 7.649074 3859.494 0,897752
5 2744.219 7.064694 3527.817 0,913801

7 2934.2 7.564229 3773.753 0,902113

9 2982.553 7.618867 3906.756 0,894298

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.

Dapat dilihat bahwa dibandingkan model TCN-GRU-DBN-Q, model ansambel

Tabel 5
yang dibentuk dengan bobot yang sama dari TCN, GRU, DBN memiliki kesalahan
Bobot model ansambel (TCN, GRU, DBN) ditentukan dengan Q-learning.
peramalan yang lebih besar, dimana MAE, MAPE%, RMSE pada setiap tugas
Bobot w1(TCN) w2(GRU) w3(DBN) umumnya lebih tinggi, dan PCC umumnya lebih rendah dari model dengan
Inggris 0,46557 0,16110 0,29218 optimasi bobot Qlearning. Sementara itu, dapat dilihat bahwa dalam beberapa
India 0,32941 0,65251 0,02186 tugas model dalam studi ablasi kurang baik dibandingkan beberapa submodel
0,08401 0,21992 0,74092
Amerika Serikat
(misalnya, UK: MAETCN-GRU-DBN-Q(2237.399)<MAETCN
(2266.439)<MAEAblasi(2274.252)<MAEGRU(2292.62)<MAEDBN

Tabel 6
Indeks kinerja model dalam studi kasus†.

Model

Bangsa TCN-GRU- Maju-

Indeks TCN-GRU- Ablasi
TCN GRU DBN DBN-Q- merantai
DBN-Q belajar*
SVM validasi#

MAE 2266.439 2292.62 2325.047 2237.399 2274.252 1952.113 1963.548

MAPE% 12.176 11.988 12.228 11.727 12.029 9.955 10.027

Inggris

RMSE 3097.349 3022.743 3078.515 3000.013 3029.000 2779.902 2801.472

PCC 0,692 0,707 0,694 0,712 0,704 0,76 0,756

MAE 3794.701 3643.962 3485.223 3194.219 3617.004 2744.219 2720.219

MAPE% 9.653 9.297 8.861 8.18 9.215 7.065 6.923

India
R MSe 4955. 327 4751. 091 4563. 702 4154. 917 4246. 751 3527.817 3461.18

PCC 0.882 0.88 0.88 0,881 0,881 0,914 0,921

MAe 15813.502 16842.525 17068.942 15519.84 16238. 379 13760 13664

MAPE% 12.005 12.399 12.528 11.862 12.098 10.722 10.784

KITA
R MSe 22489.499 22363.878 22447.302 22655. 396 21821. 405 20602 .581 20772.94

PCC 0.925 0.924 0.919 0,919 0,925 0,929 0,922

11
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560

(2325.047)), yang selanjutnya membuktikan keefektifan Q-learning Tabel 7

dalam optimalisasi bobot sub-model. Indeks kinerja dalam studi kasus.

Bangsa MAE MAPE% RMSE PCC

(5) Hasil validasi berantai ke depan dicatat dalamTabel 6 demikian juga.
Inggris 1952.11 9.95 2779.90 0,76
Nilai MAE, MAPE%, RMSE, dan PCC dihitung sebagai nilai rata-rata India 13760,00 10.72 20602.58 0,93
dari tiga model yang dilatih dengan pembagian data yang KITA 2744.22 7.06 3527.82 0,91
ditunjukkan padaMeja 2(B). Dapat dilihat bahwa metrik model
sebagian besar tetap stabil, yang membuktikan kemampuan
generalisasi model yang diusulkan.

Singkatnya, dapat diketahui bahwa metode integrasi model yang

diusulkan dalam makalah ini efektif. Setiap komponen model meningkatkan
kinerja model. Dengan kerja sama mereka, model terintegrasi dapat
memberikan hasil prediksi COVID-19 dengan presisi tinggi.

5. Hasil dan Pembahasan

5.1. Studi kasus

Untuk memverifikasi keakuratan model, seperti yang disebutkan di

bagian sebelumnya, makalah ini menggunakan data kasus aktual dari
tiga negara, termasuk Amerika Serikat, India, dan Inggris, untuk
eksperimen. Hasil prediksi model ditunjukkan padaGambar 7Dan Tabel
7.
Seperti yang bisa dilihat dariGambar 7DanTabel 7, pada semua
kumpulan data, model yang diusulkan dalam makalah ini dapat secara
akurat memprediksi peningkatan jumlah kasus mahkota baru dalam
kumpulan data. Ini telah mencapai akurasi prediksi tertinggi di AS, dan nilai
MPAE-nya telah mencapai 7,06. Hal ini menunjukkan bahwa model yang
diusulkan dalam artikel ini memiliki kepraktisan yang kuat dan dapat
berperan baik dalam membantu pengambilan keputusan dalam
pencegahan dan pengendalian wabah COVID-19. Sementara itu, untuk
memverifikasi keefektifan setiap komponen model terintegrasi,Tabel 6
membandingkan hasil prediksi setiap komponen model (TCN, GRU, DBN,
TCN-GRU-DBN-Q) dengan model hybrid akhir (TCN-GRU-DBN-Q-SVM), dan
dilakukan studi ablasi dengan model dari 0,333*TCN-0,333*GRU-0,333*DBN
untuk memverifikasi efektivitas Q-learning dalam optimasi bobot. Hasilnya,
seperti yang dijelaskan dalam Bagian4.3.2, menunjukkan efektivitas
ansambel dan strategi kompensasi kesalahan.

5.2. Studi kontras

Untuk membuktikan kemajuan dan keunggulan algoritma TCN-

GRU-DBN-Q-SVM yang diusulkan, makalah ini membandingkannya
dengan dua model klasik (LSTM [73] dan ANFIS [74]), tiga model
canggih (VMD-BP [75], N-Beats [76], dan WT-RVFL [77]), dan metode
analisis deret waktu (ARIMA). Selain itu, untuk membuktikan bahwa
prediksi residual dapat secara efektif meningkatkan prediksi
komprehensif model dan akurasi analisis data, TCN-GRU-DBN-Q-SVM
yang diusulkan dibandingkan dengan TCN-GRU-DBN-Q.Gambar 8Dan
Tabel 8menunjukkan hasil perbandingan model.
Melalui studi kontras, kita dapat melihat bahwa model 1 (yang diusulkan

Gambar 8.Studi kontras model yang berbeda (TCN-GRU-DBN-Q-SVM, TCN-GRU-

DBN-Q, LSTM, N-BEATS, ANFIS, VMD-BP, WT-RVFL, ARIMA) digunakan untuk
prediksi infeksi di Inggris, India, dan AS.

model hybrid) memiliki akurasi terbaik, yang menunjukkan keunggulan

model yang diusulkan. Dari hasil tersebut dapat diketahui bahwa untuk
jumlah infeksi di UK, India, dan US, model 1 (TCN-GRU-DBN-Q-SVM)
memiliki akurasi prediksi yang lebih tinggi daripada model 2 (TCN-GRU-
DBN-Q) (MRSE1＜MRSE2, MAE1＜MAE2, MAPE%1＜MAPE%2, ||PCC1|-1|
＜|| PCC2|-1|), yang membuktikan bahwa pembentukan model prediksi
kesalahan berarti untuk meningkatkan akurasi prediksi.
Gambar 7.Studi kasus: prediksi infeksi di Inggris, India, dan AS.

12
W. Jin dkk. Komputer dalam Biologi dan Kedokteran 146 (2022) 105560

Tabel 8
Hasil perbandingan.

Model MAE MAPE% RMSE PCC

1 TCN-GRU-DBN-Q-SVM 1952.11 9.9545 2779.90 0,7601
2 TCN-GRU-DBN-Q 2237.32 11.7273 3000,01 0,7118
3 LST 2337.70 12.2365 3102.24 0,7094
4 N-BEAT 2317.97 12.1520 2921.08 0,7357
5 ANFIS 2578.31 13.7316 3345.64 0,7092
6 VMD-BP 2465.31 13.0623 3233.25 0,7084
7 WT-RVFL 2721.69 14.5113 3511.51 0,7087
8 ARIMA 2733.65 14.0605 3492.70 0,7338

(2) India

Model MAE MAPE% RMSE PCC

1 TCN-GRU-DBN-Q-SVM 2744.22 7.0647 3527.82 0,9138
2 TCN-GRU-DBN-Q 3194.22 8.1796 4154.92 0,8811
3 LST 3907.83 10.0347 5034.43 0,8804
4 N-BEAT 3662.47 8.9759 4503.18 0,8594
5 ANFIS 5062.78 12.9261 6609.05 0,8409
6 VMD-BP 5042.04 12.8732 6602.21 0,8385
7 WT-RVFL 5294.62 13.5146 6872.85 0,8316
8 ARIMA 3531.50 8.7465 4571.09 0,8729

(3) AS

Model MAE MAPE% RMSE PCC

1 TCN-GRU-DBN-Q-SVM 13760,00 10.7218 20602.58 0,9292
2 TCN-GRU-DBN -Q 15519.84 11.8625 22655.40 0,9194
3 LST 17736.30 12.8808 23153.17 0,9246
4 N-BEAT 16403.06 12.5258 22156.28 0,9205
5 ANFIS 18629.92 13.2489 24059.56 0,9260
6 VMD-BP 19578.87 14.3822 28475.36 0,9203
7 WT-RVFL 17445.92 13.2414 25746.29 0,9227
8 ARIMA 17100.31 13.2273 25639.68 0,9120

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

Tabel 9 meskipun tidak dapat diakses dan tidak lengkapnya beberapa

Persentase promosi dari model yang diusulkan dibandingkan dengan model modalitas data dapat membatasi kekuatan dan generalisasi model
eksperimental lainnya. dengan multi-modalitas terintegrasi. Selain itu, sebagai model
INDIKA MODEL PERBANDINGAN Inggris INDIA KITA pembelajaran yang mendalam, ada beberapa kelemahan yang
melekat. Pertama, "fitur" yang diterjemahkan oleh model ramalan
PMAPE%(%) Model 1 vs Model 2 12,75% 14,09% 11,34%
Model 1 vs Model 3 16,49% 29,78% 22,42% adalah informasi abstrak, yang tidak cukup dapat ditafsirkan. Kedua,
Model 1 vs Model 4 18,08% 21,29% 14,40% seperti semua model berbasis data, model bergantung pada
Model 1 vs Model 5 24,29% 45,80% 26,14% keakuratan data yang disediakan untuk pelatihan model, dan langkah
Model 1 vs Model 6 20,82% 45,57% 29,72%
prediksi tidak sepanjang pemodelan dinamika. Namun, keuntungan
Model 1 vs Model 7 28,28% 48,17% 21,13%
Model 1 vs Model 8 29,20% 19,23% 18,94% yang sesuai sudah jelas: pembelajaran mendalam lebih memadai untuk
PMAE(%) Model 1 vs Model 2 15,12% 13,63% 9,62% menambang informasi yang terkandung dalam data deret waktu, dan
Model 1 vs Model 3 18,65% 29,60% 16,76% tidak bergantung pada yang rumit (seringkali multi-kompartemen,
Model 1 vs Model 4 15,78% 25,07% 16,11% multi-tahap,80].
Model 1 vs Model 5 27,51% 45,35% 19,07%
Model 1 vs Model 6 23,79% 45,12% 25,45%
Model 1 vs Model 7 31,40% 47,73% 19,03%
Model 1 vs Model 8 28,59% 22,29% 19,53% Perlu diketahui bahwa dalam penjabaran di atas dapat dilihat dengan
PRMSE(%) Model 1 vs Model 2 7,34% 15,09% 9,06% mudah bahwa untuk tugas peramalan jumlah infeksi COVID-19 terdapat
Model 1 vs Model 3 10,39% 29,93% 11,02%
berbagai model peramalan, namun juga terlihat kelebihan dan
Model 1 vs Model 4 4,83% 21,66% 7,01%
Model 1 vs Model 5 16,91% 46,62% 14,37%
kekurangannya masing-masing. Peneliti perlu melakukan trade-off dan
Model 1 vs Model 6 14,02% 46,57% 27,65% memilih skema prediksi yang sesuai dengan kebutuhan prediksi. Model
Model 1 vs Model 7 20,83% 48,67% 19,98% TCN-GRU-DBN-Q-SVM yang terlibat dalam penelitian ini dapat memberikan
Model 1 vs Model 8 20,41% 22,82% 19,65% perkiraan jumlah kasus yang lebih baik daripada banyak model yang ada
Ppcc(%) Model 1 vs Model 2 6,79% 3,71% 1,08%
untuk skenario di mana informasi seperti data suhu, data transportasi, dan
Model 1 vs Model 3 7,16% 3,80% 0,50%
Model 1 vs Model 4 3,32% 6,33% 0,95% perilaku jaringan manusia hilang tetapi hanya informasi nomor kasus
Model 1 vs Model 5 7,18% 8,67% 0,35% kejadian harian tersedia, tetapi ukuran langkah perkiraan terbatas.
Model 1 vs Model 6 7,30% 8,98% 0,98% Singkatnya, model perkiraan harus mengikuti situasi yang berubah
Model 1 vs Model 7 7,27% 9,88% 0,71%
dengan cepat [80]. Pemodelan pandemi COVID-19, pada dasarnya,
Model 1 vs Model 8 3,58% 4,69% 1,89%
merupakan trade-off yang sulit (lihatGambar 9). Pertama, model
Catatan: Dimana Model 1 adalah TCN-GRU-DBN-Q-SVM (model yang diusulkan), Model 2 berbasis data lebih mudah diperoleh dibandingkan dengan model
adalah TCN-GRU-DBN-Q, Model 3 adalah LSTM, Model 4 adalah N-BEATS, Model 5 adalah peramalan berbasis model dinamis. Namun, cara menentukan strategi
ANFIS, Model 6 adalah VMD-BP, Model 7 adalah WT-RVFL, Model 8 adalah
ansambel dapat bervariasi ketika persyaratan waktu pelatihan, ruang
ARIMA.Berdasarkan hasil eksperimen, dapat ditarik kesimpulan sebagai berikut.
perangkat keras, dan jumlah data pelatihan berubah, meskipun model
ansambel dapat mencapai kinerja perkiraan yang lebih tinggi daripada
model pada tiga set data sangat besar. Kemungkinan alasan model tunggal. Kedua, model pembelajaran mendalam dapat
peningkatan kinerja adalah: pertama, tiga jaringan saraf (TCN, mengorbankan interpretasi model perkiraan karena "fitur" yang
GRU, DBN) yang digunakan dalam artikel ini memiliki kerangka mereka pelajari bisa abstrak dan tidak jelas, tetapi akurasi
kerja jaringan uniknya sendiri, yang meningkatkan pembelajaran mendalam, jika kuantitas data memungkinkan,
kemampuannya untuk mengekstraksi fitur-fitur mendalam dari umumnya lebih tinggi daripada metode yang dapat ditafsirkan mulai
deret waktu. Kedua, algoritme pembelajaran terintegrasi dari waktu. -model seri ke model regresi di mana rekayasa fitur buatan
berdasarkan Q-learning dapat menganalisis secara dapat dilakukan untuk memperoleh fitur dalam domain statistik,
komprehensif kemampuan pemodelan dari jenis jaringan saraf spektral, dan temporal data. Terakhir, tetapi tidak kalah penting,
ini untuk deret waktu yang berbeda untuk membangun model
ansambel hibrid yang memuaskan dengan peningkatan
ketahanan dan kemampuan beradaptasi yang komprehensif
(atau, generalisasi). Terakhir, SVM membangun model koreksi 7. Kesimpulan
residual untuk lebih mengoptimalkan hasil model hybrid dengan
menganalisis penyimpangan antara data nyata dan nilai prediksi Pandemi COVID-19 menimbulkan tantangan besar bagi kesehatan
jaringan TCN-GRU-DBN-Q. Karena itu, masyarakat internasional. Prediksi jumlah kasus yang akurat dan efektif
sangat penting untuk perencanaan sumber daya kesehatan dan evaluasi
6. Keterbatasan dan pekerjaan selanjutnya
situasi epidemi. Tidak seperti model SIR, model pembelajaran mesin
berbasis data tidak bergantung pada pemodelan dinamika fisik yang akurat
Model TCN-GRU-DBN-Q-SVM dalam makalah ini memiliki poin-poin berikut
dan dapat beradaptasi dengan perubahan kompleks dalam situasi epidemi
yang masih perlu diperbaiki. Pertama, sebagai model ansambel, semakin tinggi
(misalnya vaksinasi, karantina, isolasi, penguncian, jarak sosial, dll.), dan
variabilitas submodel, semakin tinggi akurasi model terintegrasi yang diperoleh
dapat sensitif dan akurat dalam memprediksi perkembangan epidemi.
secara umum. Oleh karena itu, model terintegrasi yang lebih besar dapat
Dalam karya ini, model hybrid ansambel TCN-GRU-DBN-Q-SVM baru
dieksplorasi di masa depan. Meskipun model yang lebih besar akan
diusulkan untuk prediksi infeksi COVID-19. Pertama, tiga jaringan yang
membutuhkan lebih banyak waktu untuk dilatih dan diramalkan, model ini layak
digunakan secara luas, TCN, GRU, dan DBN, digunakan sebagai prediktor
untuk prediksi morbiditas COVID-19, tugas yang tidak memerlukan kinerja waktu
tunggal. Kedua, ketiga prediktor tersebut dirangkai dengan metode
nyata yang tinggi (umumnya prakiraan dalam hitungan hari). Kedua, integrasi
pembelajaran penguatan (Qlearning) dengan bobot yang berbeda. Ketiga,
dengan pendekatan pemodelan lainnya (misalnya model time series seperti
prediktor error yang dibangun oleh SVM, dilatih dengan set validasi, dan
ARIMA, model STAR, model dinamis seperti model SAHQD [19], model SEIAIR [28],
hasil prediksi akhir dapat diperoleh dengan menggabungkan model TCN-
bahkan model SCUAQIHMRD [31]) juga dapat dilakukan, di mana pembelajaran
GRU-DBN-Q dengan prediktor error SVM.
penguatan masih dapat memberikan kerangka integrasi. Ketiga, data modalitas
Kekuatan model kami dapat disimpulkan sebagai berikut. Pertama, kami
lain, seperti Mobility Report yang dirilis oleh Google [78], minat penelusuran [51],
menggunakan banyak prediktor untuk bekerja secara kolektif. Bobot terintegrasi
data cuaca lokal, data kontak manusia [33], dll., juga dapat dianggap sebagai input
berdasarkan pembelajaran penguatan Q dapat disesuaikan secara adaptif sesuai
yang berarti ke dalam model [79],
dengan karakteristik data, yang memastikan kemampuan model

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.
[42] B. Lucas, B. Vahedi, M. Karimzadeh, Pendekatan pembelajaran mesin spatiotemporal untuk
meramalkan kejadian COVID-19 di tingkat kabupaten di AS, Int. J.Data Sci.
Anal. (2022),https://doi.org/10.1007/s41060-021-00295-9. Diterbitkan daring.
[43] Harga BS, M. Khodaverdi, A. Halasz, et al., Memprediksi peningkatan insiden COVID-19
untuk mengidentifikasi lokasi pengujian yang ditargetkan di Virginia Barat: pendekatan
pembelajaran mesin yang ditingkatkan, PLoS One 16 (11 November) (2021 ) 1–16,https://
doi.org/10.1371/journal.pone.0259538.
[44] R. Ravinder, S. Singh, S. Bishnoi, et al., Model adaptif, berinteraksi, berbasis
klaster untuk memprediksi dinamika transmisi COVID-19, Heliyon 6 (12) (2020),
e05722,https://doi.org/10.1016/j.heliyon.2020.e05722.
[45] S. Zhang, J. Ponce, Z. Zhang, G. Lin, G. Karniadakis, Kerangka terintegrasi untuk
membangun model epidemiologis berbasis data yang dapat dipercaya: aplikasi
untuk wabah COVID-19 di Kota New York, PLoS Comput. Biol. 17 (9) (2021) 1–29,
https://doi.org/10.1371/journal.pcbi.1009334.
[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/
10.3390/math10010021.
[47] YS Chang, S. Mayer, ES Davis, et al., Dinamika transmisi wabah penyakit coronavirus besar di
tempat penampungan tunawisma, Chicago, Illinois, AS, 2020, Emerg. Menulari.
Dis. 28 (1) (2022) 76–84,https://doi.org/10.3201/eid2801.210780.
[48] C. Zeng, J. Zhang, Z. Li, et al., Hubungan spasial-temporal antara mobilitas
penduduk dan wabah COVID-19 di Carolina Selatan: analisis peramalan deret
waktu, J. Med. Res Internet. 23 (4) (2021),https://doi.org/10.2196/27045.
[49] Y. Peng, C. Li, Y. Rong, CP Pang, X. Chen, H. Chen, Prediksi waktu nyata kejadian
harian COVID-19 di 215 negara dan wilayah menggunakan pembelajaran mesin:
pengembangan model dan validasi, J.Med. Res Internet. 23 (6) (2021) 1–12,https://
doi.org/10.2196/24285.
[50] A. Mollalo, KM Rivera, B. Vahedi, Pemodelan jaringan saraf tiruan dari tingkat
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/
ijerph17124204.
[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
pencarian internet , Jelajahi. Res. Hipotesis Med. (2020) 1–6,https://doi.org/
10.14218/erhm.2020.00023.
[52] SY Sahai, S. Gurukar, WR KhudaBukhsh, S. Parthasarathy, GA Rempała, Model pembelajaran
mesin untuk menyiarkan kejadian epidemi saat ini, Matematika. Biosci. 343 (April 2021)
(2022), 108677,https://doi.org/10.1016/j.mbs.2021.108677.
[53] S. Noor, W. Akram, T. Ahmed, Q.-A. Qurat-ul-Ain, Memprediksi kejadian COVID-19
menggunakan teknik penambangan data: studi kasus Pakistan, BRAIN Broad Res. Artifisial
Intell. Ilmu saraf. 11 (4) (2020) 168–184,https://doi.org/10.18662/brain/11.4/ 147.
[54] LS Wylezinski, CR Harris, CN Heiser, JD Gray, CF Spurlock, Pengaruh penentu sosial tingkat
vaksinasi kesehatan dan daerah pada model pembelajaran mesin untuk memprediksi
pertumbuhan kasus COVID-19 di Tennessee, BMJ Health Care Inf. 28 (1) (2021) 1–3,https://
doi.org/10.1136/bmjhci-2021-100439.
[55] F. Ahouz, A. Golabpour, Memprediksi kejadian COVID-19 menggunakan data mining, BMC
Publ. Kesehatan 21 (1) (2021) 1–12,https://doi.org/10.1186/s12889-021- 11058-3.
[56] J. Long, E. Shelhamer, T. Darrell, Jaringan Sepenuhnya Konvolusional untuk Segmentasi
Semantik, 2014. Diterbitkan online 14 Novemberhttp://arxiv.org/abs/ 1411.4038.
[57] S. Bai, JZ Kolter, V. Koltun, Evaluasi Empiris Jaringan Generik Konvolusional dan
Berulang untuk Pemodelan Urutan, 2018. Diterbitkan online 3 Maret http://
arxiv.org/abs/1803.01271.
[58]J. Chung, Evaluasi Empiris Gated Recurrent Neural Networks pada Sequence
Modeling, 2014. April 2015.
[59] C. Gulcehre, F. Bougares, H. Schwenk, Belajar Representasi Frasa Menggunakan
RNN Encoder – Decoder, 2014,https://doi.org/10.3115/v1/D14-1179. Juni).
[60]Y. Teh, G. Hinton, mesin Boltzmann dengan kode kecepatan terbatas untuk pengenalan
wajah, dalam: T. Leen, T. Dietterich, V. Tresp (Eds.), MAJU DALAM SISTEM PENGOLAHAN
INFORMASI SYARAF 13, MIT PRESS, 2001, hlm .908–914.
[61] W. Huang, G. Song, H. Hong, K. Xie, Arsitektur mendalam untuk prediksi arus lalu lintas: jaringan
keyakinan mendalam dengan pembelajaran multitask, IEEE Trans. Intell. Mengangkut. Sistem. 15
(5) (2014) 2191–2201,https://doi.org/10.1109/TITS.2014.2311123.
17
Komputer dalam Biologi dan Kedokteran 146 (2022) 105560
[62] GE Hinton, Melatih produk para ahli dengan meminimalkan divergensi kontras,
Neural Comput. 14 (8) (2002) 1771–1800,https://doi.org/10.1162/
089976602760128018.
[63] A. Mohamed, TN Sainath, G. Dahl, B. Ramabhadran, GE Hinton, MA Picheny, dalam: Deep
Belief Networks Menggunakan Fitur Diskriminatif untuk Pengenalan Telepon, 2011,
https://doi.org/10.1109/ICASSP.2011.5947494.
[64] C. Watkins, Belajar dari hadiah yang tertunda, Diterbitkan secara online,https://www.rese
archgate.net/publication/33784417_Learning_From_Delayed_Rewards, 1989.
[65] A. Maoudj, A. Hentout, Pendekatan perencanaan jalur optimal berdasarkan algoritma Q-
learning untuk robot bergerak, Appl. Komputasi Lunak. 97 (2020), 106796,https://doi.
org/10.1016/j.asoc.2020.106796.
[66] H. Liu, C. Yu, C. Yu, C. Chen, H. Wu, Metode peramalan suhu poros novel
berdasarkan dekomposisi, optimasi pembelajaran penguatan dan jaringan saraf,
Adv. Eng. Inf. 44 (Maret) (2020), 101089,https://doi.org/10.1016/j. aei.2020.101089.
[67] Z. Miljković, M. Mitić, M. Lazarević, B. Babić, Pembelajaran Penguatan jaringan saraf
untuk kontrol visual manipulator robot, Expert Syst. Aplikasi 40 (5) (2013) 1721–
1736,https://doi.org/10.1016/j.eswa.2012.09.010.
[68] JAM Sidey-Gibbons, CJ Sidey-Gibbons, Pembelajaran mesin dalam kedokteran:
pengantar praktis, BMC Med. Res. Metode. 19 (1) (2019) 1–18,https://doi. org/
10.1186/s12874-019-0681-4.
[69]C. Cortes, V. Vapnik, Jaringan vektor pendukung, Mach. Mempelajari. 20 (1995) 273–297.
[70] Pusat Pencegahan dan Pengendalian Penyakit Eropa, data Coronavirus COVID-19 - setiap
hari (hingga 14 Desember 2020).https://data.europa.eu/euodp/en/data/dataset /covid-19-
coronavirus-data-daily-up-to-14-december-2020. (Diakses 28 Februari 2020).
[71] C. Bergmeir, JM Benítez, Tentang penggunaan validasi silang untuk evaluasi prediktor deret
waktu, Inf. Sains. 191 (2012) 192–213,https://doi.org/10.1016/j. ins.2011.12.028.
[72] LJ Tashman, Tes akurasi peramalan di luar sampel: analisis dan ulasan, Int. J.
Ramalan. 16 (4) (2000) 437–450,https://doi.org/10.1016/S0169-2070(00) 00065-0.
[73] Y. Gautam, Transfer Pembelajaran untuk perkiraan kasus dan kematian COVID-19 menggunakan
jaringan LSTM, ISA Trans. (2021),https://doi.org/10.1016/j.isatra.2020.12.057xxxx.
[74] KT Ly, Sistem peramalan COVID-19 menggunakan inferensi neuro-fuzzy adaptif,
Finance Res. Lett. (September) (2020), 101844,https://doi.org/10.1016/j.
frl.2020.101844.
[75] N. Science, C. Phenomena, R. Gomes, et al., Peramalan kasus COVID-19 Brasil dan
Amerika berdasarkan kecerdasan buatan ditambah dengan variabel eksogen
iklim, Chaos, Solit. Fraktal 139 (2020), 110027,https://doi.org/10.1016/j.
kekacauan.2020.110027.
[76] BN Oreshkin, D. Carpov, N. Chapados, Y. Bengio, N.- Beats, Analisis ekspansi basis saraf
untuk peramalan deret waktu yang dapat ditafsirkan, dalam: ICLR 2020, 2019, hlm. 1–31.
http://arxiv.org/abs/1905.10437.
[77] BB Hazarika, D. Gupta, Pemodelan dan peramalan penyebaran COVID-19 menggunakan jaringan
tautan fungsional vektor acak yang digabungkan dengan wavelet, Appl. Komputasi Lunak. J 96
(2020), 106626,https://doi.org/10.1016/j.asoc.2020.106626.
[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/
10.1017/S0950268820002757. Diterbitkan daring.
[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.
Matematika. Fisika. Eng. Sains. (2214) (2022) 380,https://doi.org/10.1098/
rsta.2021.0127.
[80] Y. Wei, F. Sha, Y. Zhao, Q. Jiang, Y. Hao, F. Chen, Pemodelan penyakit menular yang lebih
baik: pelajaran dari covid-19 di Tiongkok, BMJ (2021) 375,https://doi.org/ 10.1136/
bmj.n2365.
[81] W. Huang, B. Cao, G. Yang, N. Luo, N. Chao, Beralih ke internet dulu? Menggunakan data
perilaku medis online untuk meramalkan tren epidemi COVID-19, Inf. Proses. Kelola.
58 (3) (2021), 102486,https://doi.org/10.1016/j.ipm.2020.102486.
[82] S. Mohan, AK Solanki, HK Taluja, Anuradha, A. Singh, Memprediksi dampak gelombang
ketiga COVID-19 di India menggunakan model pembelajaran mesin statistik hibrida:
pendekatan peramalan deret waktu dan analisis sentimen, Comput. Biol.
Kedokteran 144 (Februari) (2022), 105354,https://doi.org/10.1016/j.
compbiomed.2022.105354.