Перейти до вмісту
Наукові вісті КПІ
ISSN 2617-5509 · e‑ISSN 2663-7472 Відкритий доступ · CC BY 4.0
Т. · № 2 · 2020 чер 9, 2020 статті

ПРОГНОЗ КІЛЬКОСТІ ХВОРИХ НА COVID-19 В УКРАЇНІ

OP
Olena M. Pavliuk Відповідальний Lviv Polytechnic National University, Ukraine Україна
NL
Natalia K. Lysa Lviv Polytechnic National University, Ukraine Україна
OF
Olga Yu. Fedevych Lviv Polytechnic National University, Ukraine Україна
AS
Anastasiia-Olha A. Strontsitska Lviv Polytechnic National University, Ukraine Україна
Опублікованочер 9, 2020
PDF
НВКПІ 2 ТОМ · 2
ТОМ · № 2 · 2020 Переглянути випуск

Анотація

Проблематика. Однією з найактуальніших проблем у світі є пандемія COVID-19. Від її поширення і тривалості залежить, чи будуть продовжувати послаблювати карантинні обмеження, які впливають на економічну та соціальну ситуацію в світі загалом та в Україні зокрема. Мета дослідження. На основі аналізу літературних джерел і власних проведених досліджень здійснити прогноз кількості хворих на COVID-19 в Україні та розробити рекомендації щодо доцільності введення наступних етапів послаблення карантину. Методика реалізації. Виявлення кореляційної залежності між кількістю хворих на коронавірус в Україні та інших країнах. Побудова трендів для здійснення довго- та середньострокового прогнозів кількості хворих на COVID-19 в Україні. Застосування неітераційних штучних нейронних мереж (ШНМ) на основі радіально-базисних функцій (РБФ) із додатковими латеральними зв’язками між нейронами прихованого прошарку для здійснення короткострокового прогнозу кількості хворих на коронавірус. Результати дослідження. Виявлено кореляційну залежність між кількістю хворих на коронавірус в Україні, Італії та Іспанії. Побудовано тренд за допомогою поліномів із 2 до 6-го степеня для довгострокового прогнозу кількості хворих на COVID-19 в Україні і здійснено довгострокові прогнози. Для середньострокового прогнозу використано подібність траєкторій України з траєкторіями Польщі та Швеції. Встановлено, що Україна все більше відхиляється від траєкторії Польщі і наближається до траєкторії Швеції із запізненням у 2-3 дні. Застосовано РБФ ШНМ із додатковими латеральними зв’язками між нейронами прихованого прошарку для короткострокового прогнозу кількості хворих на COVID-19 в Україні. Середньоквадаратична зведена до діапазону значень похибка навчання ШНМ для прогнозу на 14 днів становить 0,55 %, максимальна – 1,43 %. Висновки. На основі здійснених прогнозів показано вплив першого етапу послаблення карантину та показано, як вплине на захворювання другий етап послаблення карантинних обмежень.

Ключові слова

Посилання

  1. Scientists from Oxford E estimate that T here are A lmost 13 T housand P atients with the Coronavirus in Ukraine [Online]. Available: https://glavcom.ua/news/vcheni-z-oksforda-vvazhayut-shcho-v-ukrajini-mayzhe-13-tis-hvorih-na-koronavirus-670592.html
  2. Project “ FORSITE COVID-19 ” of the World Data Center for Geoinformatics and Sustainable Development, Igor Sikorsky KPI [Online]. Available: http://wdc.org.ua/uk/node/190016
  3. End of the C ovid-19 P andemic in U kraine: S cientists Made an Optimistic Forecast [Online].
  4. Available: https://prm.ua/zavershennya-pandemiyi-covid-19-v-ukrayini-vcheni-zrobili-optimistichniy-prognoz/
  5. Forecast of the D evelopment of the COVID-19 E pidemic in Ukraine in the P eriod from April 28 to May 5, 2020 and A nalysis of P ossible S cenarios for the D evelopment of the E pidemic in the P eriod from May 6 to June 5, 2020. “Forecast of WG-3” [Online]. Available: http://files.nas.gov.ua/PublicMessages/Documents/0/2020/04/200428221156130-7671.pdf
  6. R. Tkachenko et al. , “Committee of the combined RBF-SGTM neural-like structures for prediction tasks”, Lecture Notes Comp . Sci. , vol. 11673, pp. 267–277, 2019. doi: 10.1007/978-3-030-27192-3_21
  7. I. Izonin et al . , “Committee of SGTM neural-like structures with RBF kernel for insurance cost prediction task”, in Proc. IEEE 2nd Ukrain e Conference on Electrical and Computer Engineering , 2019, pp. 1037–1040. doi: 10.1109/ukrcon.2019.8879905
  8. R. Tkachenko et al. , “Committee of the SGTM neural-like structures with extended inputs for predictive analytics in insurance”, Commun. Comp. Inform. Sci. , vol. 1054, pp. 121–132, 2019. doi: 10.1007/978-3-030-27355-2_9
§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

МЕТОДИКА ФОРМУВАННЯ ІНФОРМАТИВНОГО ПРОСТОРУ ОЗНАК ТЕХНІЧНИХ ІНДИКАТОРІВ ФІНАНСОВИХ ПРОЦЕСІВ НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ

Роман Тертичний, Денис Чупрін, Петро Бідюк

Проблематика. Фінансові часові ряди характеризуються нелінійністю, нестаціонарністю та високим рівнем шуму, що суттєво ускладнює їх моделювання та прогнозування.…

#методика формування інформативного простору ознак #технічні індикатори #волатильність Паркінсона #нейронні мережі
10.20535/kpisn.2026.3.359610

МЕТОДИ ЗАБЕЗПЕЧЕННЯ ЦІЛІСНОСТІ ОБРОБКИ ТА ПЕРЕДАЧІ ДАНИХ У ПРОМИСЛОВИХ СИСТЕМАХ АВТОМАТИЗАЦІЇ

Ярослав Корпань, Євген Федоров, Ольга Нечипоренко

Проблематика. Сучасні промислові системи контролю характеризуються високим рівнем інтеграції інформаційних і фізичних процесів та використанням розподілених…

#промислові системи автоматизації #SCADA-системи #цілісність даних #кібербезпека ICS
10.20535/kpisn.2026.3.361520

МЕТОДИКА ПАРАМЕТРИЧНОГО СИНТЕЗУ ЗУМ-АФОКАЛЬНИХ СИСТЕМ НА ОСНОВІ НЕРУХОМИХ ВАРІОЛІНЗ

Ігор Г. Чиж

Проблематика Зум-оптичні системи, в яких використовуються механічно нерухомі електрично керовані варіолінзи, не можуть вважатися такими, що мають нерухомі оптичні…

#зум-афокальні системи #головні точки варіолінз #синтез зум-афокальних систем #стабільна афокальність зум-системи
10.20535/kpisn.2026.3.351645

Схожі статті

1-10 з 174

Ви також можете розпочати розширений пошук схожих статей для цієї статті.