کنفرانس بین المللی فناوری اطلاعات و دانش

English

صفحه اصلی / شانزدهمین کنفرانس بین المللی فناوری اطلاعات و دانش

پیش‌بینی فضایی–زمانی و مقایسه ریسک تب دنگی با استفاده از مدل‌های یادگیری عمیق LSTM و GRU و مدل یادگیری ماشین Random Forest بر پایه مؤلفه‌های اقلیمی و مکانی

نویسندگان :

محمد بابائی¹ نجمه نیسانی سامانی²

1- دانشگاه تهران 2- استادیار دانشگاه تهران

کلمات کلیدی :

پیش‌بینی فضایی–زمانی،تب دنگی،داده‌های اقلیمی،داده‌های مکانی،GRU،LSTM،Random Forest

چکیده :

چکیده- بیماری تب دنگی یکی از مهم‌ترین تهدیدهای بهداشت عمومی در مناطق گرمسیری و نیمه‌گرمسیری به شمار می‌آید که سالانه میلیون‌ها نفر را مبتلا کرده و بار اقتصادی و اجتماعی گسترده‌ای ایجاد می‌کند. این بیماری توسط پشه‌های ناقل منتقل می‌شود و الگوی زمانی و مکانی شیوع آن به شدت تحت تأثیر شرایط اقلیمی و محیطی نظیر دما، بارش، رطوبت نسبی، شاخص سطح برگ یا (LAI) Leaf Area Index و تراکم جمعیت است. در این پژوهش، کارایی سه مدل محاسباتی شامل Long Short-Term Memory (LSTM)، Gated Recurrent Unit (GRU) و Random Forest (RF) برای پیش‌بینی دقیق فضایی–زمانی خطر دنگی، با استفاده از داده‌های کشور هند مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل‌های LSTM و GRU به دلیل توانایی در شناسایی وابستگی‌های زمانی، عملکرد بهتری نسبت به RF ارائه می‌دهند. علاوه بر این، مدلGRU در پیش‌بینی کوتاه‌مدت با دقت %77/99، ضریب R² برابر 995/0 و NRMSE معادل %81/0، نتایج دقیق‌تری نسبت به LSTM به دست آورد. چارچوب پیشنهادی نشان می‌دهد که معماری‌های یادگیری عمیق ظرفیت بالایی در پیش‌بینی ریسک بیماری دارند و می‌توانند به عنوان ابزار تصمیم‌یار برای سیاست‌گذاران سلامت در تخصیص منابع، طراحی راهبردهای پیشگیرانه هدفمند و مدیریت اثربخش شیوع بیماری در مناطق آسیب‌پذیر مورد استفاده قرار گیرند.