en آشکارسازی الگوهای رفتاری SARS-CoV-2 با استفاده از تحلیل خوشه‌ای و مدل‌های پیش‌بینی خطای XGBoost یادگیری عمیق Deep learning مقاله پژوهشی Original Research Article <p style="font-style: normal; text-align: justify;"><span style="font-size:14px;"><span style="font-family:IRANsans;"><span style="color:#ffffff;"><strong><span style="background-color:#16a085;">زمینه و اهداف:&nbsp;</span></strong></span>&nbsp;کووید-۱۹ یک بیماری عفونی بسیار مسری است و زندگی روزمره مردم را تحت تأثیر قرار داده و نگرانی زیادی برای دولت‌‌ها و مسئولان بهداشت عمومی ایجاد کرده است. پیش‌بینی رفتار آینده آن ممکن است برای تخصیص منابع پزشکی و تعریف استراتژی‌های مؤثر برای کنترل بیماری و غیره مفید باشد.<br> <strong><span style="color:#ffffff;"><span style="background-color:#16a085;">مواد و روش کار:&nbsp;</span></span>&nbsp;</strong>داده‌های جمع‌آوری‌شده، شامل تعداد تجمعی و مطلق موارد تأیید شده، فوت و بهبود مربوط به کووید-۱۹ از تاریخ ۳۰ فوریه تا ۳ جولای ۲۰۲۱ می‌باشد. در این مطالعه از تحلیل خوشه‌ای سلسله مراتبی استفاده شد. برای پیش‌بینی رفتار آینده کووید-۱۹، از مدل‌های اتورگرسیو میانگین متحرک تلفیق‌شده (<span dir="LTR">ARIMA</span>)، هموارسازی نمایی (<span dir="LTR">ETS</span>)، روش پیش‌بینی خودکار (<span dir="LTR">Prophet</span>)، نایو، نایو فصلی <span dir="LTR">(s-Naive)</span>، <span dir="LTR">ARIMA</span> تقویت‌شده (<span dir="LTR">boosted ARIMA</span>)، <span dir="LTR">Prophet</span> تقویت‌شده (<span dir="LTR">boosted Prophet</span>) استفاده شد.<br> <span style="color:#ffffff;"><strong><span style="background-color:#16a085;">یافته ها:&nbsp;</span></strong></span>&nbsp;نتایج خوشه‌بندی نشان‌دهنده رفتار مشابهی از ویروس کرونا در ایران و سایر کشورها مانند فرانسه، روسیه، ترکیه، انگلستان (انگلیس)، آرژانتین، کلمبیا، ایتالیا، اسپانیا، آلمان، لهستان، مکزیک و اندونزی بود. به طور کلی نتایج در شش گروه (خوشه) دسته‌بندی شدند. نتایج پیش‌بینی نیز نشان داد که خانواده مدل‌های <span dir="LTR">XGBoost</span> از دقت بالایی نسبت به مدل‌های دیگر برخوردار بودند.<br> <strong><span style="color:#ffffff;"><span style="background-color:#16a085;">نتیجه‌گیری:&nbsp;</span></span>&nbsp;</strong>در ایران، کووید-۱۹، الگوهای رفتاری مشابهی را با کشورهای توسعه‌یافته موردنظر در این مطالعه نشان داد. خانواده مدل‌های <span dir="LTR">XGBoost</span> نتایج کاربردی و دقت بالایی در پیش‌بینی الگوهای رفتاری ویروس نشان دادند. با توجه به گسترش سریع ویروس در سراسر جهان، این مدل‌ها می‌توانند برای پیش‌بینی الگوهای رفتاری <span dir="LTR">SARS-CoV-۲</span> استفاده شوند. پیش<span dir="LTR">‌</span>گیری از شیوع ویروس کرونا، کنترل بیماری و گسستن زنجیره آن مستلزم کمک به جامعه است و در این مأموریت نمی‌توان از نقش آمارگیران غافل شد.</span></span></p> <p style="text-align: justify;"><span style="font-family:Times New Roman;"><span style="font-size:16px;"><span style="color:#ffffff;"><strong><span style="background-color:#16a085;">Background and Objective:</span></strong></span>&nbsp;COVID-19 is a highly contagious infectious disease, and it has affected people&#39;s daily life and has raised great concern for governments and public health officials. Forecasting its future behavior may be useful for allocating medical resources and defining effective strategies for disease control, etc.<br> <strong><span style="color:#ffffff;"><span style="background-color:#16a085;">Methods:</span></span></strong>&nbsp;The collected data was the cumulative and the absolute number of confirmed, death, and recovered cases of COVID-19 from February 20 to July 03, 2021. We used hierarchical cluster analysis. To forecast the future behavior of COVID-19, the Auto-Regressive Integrated Moving Average (ARIMA), Exponential Smoothing (ETS), Automatic Forecasting Procedure (Prophet), Naive, Seasonal Naive (s-Naive), boosted ARIMA, and boosted Prophet models were used.<br> <strong><span style="color:#ffffff;"><span style="background-color:#16a085;">Results:</span></span></strong> The results of clustering showed a similar behavior of coronavirus in Iran and other countries such as France, Russia, Turkey, United Kingdom (UK), Argentina, Colombia, Italy, Spain, Germany, Poland, Mexico, and Indonesia. It also revealed similar patterns of SARS-CoV-2 for the same countries in six groups. Results showed that XGBoost models&#39; family had higher accuracy than other models.<br> <strong><span style="color:#ffffff;"><span style="background-color:#16a085;">Conclusion:</span></span></strong> In Iran, COVID-19 showed similar behavior patterns compared to the studied developed countries. The family of XGBoost models showed practical results and high precision in forecasting behavior patterns of the virus. Concerning the rapid spread of the virus worldwide, these models can be used to forecast the behavior patterns of SARS-CoV-2. Preventing the spread of the coronavirus, controlling the disease, and breaking down its chain necessitates community assistance, and in this mission, the role of statisticians cannot be neglected.</span></span></p> <div><div></div></div> آریما, تحلیل خوشه‌ای, کووید-19, پیش‌بینی, نایو, مدل خطای XGBoost ARIMA, Cluster Analysis, COVID-19, Forecasting, Naïve, XGBoost Error 221 232 http://ijmm.ir/browse.php?a_code=A-10-1653-1&slc_lang=en&sid=1 Nasrin Talkhi نسرین تلخی talkhin961@mums.ac.ir 100319475328460019580 100319475328460019580 No Department of Biostatistics, School of Health, Mashhad University of Medical Sciences, Mashhad, Iran گروه آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی مشهد، مشهد، ایران Narges Akhavan Fatemi نرگس اخوان فاطمی n.akhavan_f@yahoo.com 100319475328460019581 100319475328460019581 No Department of Statistics, Ferdowsi University of Mashhad, Mashhad, Iran گروه آمار، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد، مشهد، ایران Mehdi Jabbari Nooghabi مهدی جباری نوغابی jabbarinm@um.ac.ir 100319475328460019582 0000000256362209 Yes Department of Statistics, Ferdowsi University of Mashhad, Mashhad, Iran گروه آمار، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد، مشهد، ایران