Combining covid-19 case prediction and analysis of seasonal data impacts using deep learning methods

Abstract

Tüm dünyayı etkisi altına alan korona virüs (COVID-19) salgını milyonlarca insanı etkilemiş, yüzbinlerce hatta milyonlarca kişinin ölümüne neden olmuştur. Bu salgın birçok ülkenin ekonomik ve sosyal hayatını büyük ölçüde etkiledi. Alınan tedbirler bunu engelleyemedi ve toplum hazırlıksız yakalandı. Vaka sayısındaki artış oranının tahmin edilmesi, özellikle sağlık altyapısı ile ilgili idari süreçlerin planlanmasında büyük önem taşımaktadır. Bu tahminler için matematiksel modeller ve derin öğrenme yöntemleri kullanılır. Ayrıca farklı türdeki yapay zekâ temelli yaklaşımlarda geliştirilmektedir. Bu çalışmada, İtalya'daki COVID-19 vakalarının sayısındaki değişiklikleri tahmin etmek için, uzun kısa süreli bellek (LSTM) tabanlı sinir ağı yaklaşımı ile ileriye dönük bir tahmin yapılmıştır. Çalışmada 24 Şubat- 1 Kasım 2020 tarihleri arasında İtalya'da günlük vaka, ölüm ve iyileşen hasta sayıları kullanıldı. Ayrıca mevsimsel değişikliklerin salgın üzerindeki etkileri de bu döneme ait meteorolojik veriler kullanılarak analiz edilmiştir. Buna ek olarak, COVID19 salgınında 14 günlük kuluçka dönemi dikkate alınarak, meteorolojik parametrelerin geçmiş değerlerinin vakalar üzerindeki etkisi deneysel çalışmalarla ortaya konmuştur. Sonuçlar, uzun kısa süreli bellek (LSTM) yönteminin önleyici adımların atılması durumunda önemli bir avantaj sağlayabileceğini ve aynı zamanda LSTM ağına mevsimsel verilerin eklenerek vaka tahmininde başarı oranlarının arttığını göstermektedir. Anahtar Kelimeler: Derin öğrenme, Yapay Sinir Ağları, Uzun Kısa Süreli Bellek, Pandemi, COVID-19

The new coronavirus (Covid-19) epidemic, which has affected the whole world, has infected millions of people and caused the death of hundreds of thousands, even millions of people. This epidemic has greatly affected the economics and social life of many countries. The measures taken could not prevent this and the society was caught unprepared. Estimating the rate of increase in the number of cases, is of great importance especially in the planning of administrative processes related to health infrastructure. Mathematical models and deep learning methods are used for these predictions. It is also being developed in various artificial intelligence-based approaches. In this study, in order to predict the changes in the number of COVID-19 cases in Italy, a forward forecast is made with a long short-term memory (LSTM) based neural network approach. In the study, the number of daily cases, deaths and recovered patients in Italy between Feb 24 and Nov 1, 2020 were used. In addition to, the effects of seasonal changes on the epidemic are analyzed using the meteorological data of this period. In addition to this, considering the 14-day incubation period in the COVID19 outbreak, the effect of historical values of meteorological parameters on cases is demonstrated by experimental studies. The results show that the Long short-term memory (LSTM) method can provide a significant advantage in case prediction to take preventive steps, and at the same time, seasonal data are added to the LSTM network, increasing the success rates in case prediction. Keywords: Deep learning, Artificial Neural Networks, Long Short-Term Memory (LSTMs), Pandemic, COVID-19