ستساعدك المقالة التالية: استخدام نموذج ML لمحاربة COVID-19: دراسة حالة
يمكن القول إن جائحة COVID-19 كان الحدث العالمي الأكثر تخريبًا في العقد الماضي ، ولا يزال يتسبب في الفوضى حتى بعد عامين تقريبًا من اندلاعه. فاجأ الوباء العالم بأسره ، واتضح أنه منحنى تعليمي حاد للعديد من البلدان.
في ضوء ذلك ، ألقى Charu Garg ، كبير مهندسي البرمجيات ، ومهندس البرمجيات الرئيسي Bala Dutt ، في Intuit ، محاضرة بعنوان “MLE for Inverse problem of SEIR for COVID-19 for the world” في MLDS 2021. قدم الثنائي حلاً يستخدم خوارزميات التعلم الآلي لاكتساب نظرة ثاقبة لتأثيرات الوباء في مختلف البلدان. يمكن أن تساعد هذه الأفكار في التأهب للكوارث في أماكن أخرى.
نموذج SEIR
تم جمع بيانات COVID-19 لهذا المشروع من مصادر مختلفة. على الرغم من أن البيانات جاءت في تنسيقات مختلفة ، إلا أن المعلمات التي تم النظر فيها كانت متشابهة وبالتالي تتطلب القليل جدًا من التلاعب بالبيانات.
في حديثه عن النموذج المركزي في الأوبئة مثل COVID-19 ، قال Dutt ، “إذا كان لديك شخص مصاب ، فإن المريض صفر يصيب الآخرين وينتشر. الأمراض المختلفة لها معدل مختلف في الزيادة. نشير إلى مدى عدوى المرض باستخدام المعلمة R0 “.
استخدم الثنائي نموذج SEIR (عرضة – مكشوف – معدي – تمت إزالته). “إنه نموذج مجزأ وله أربعة أقسام أو مقصورات. نفترض أن السكان ينتقلون من حجرة إلى أخرى. في مشروعنا ، كانت المقصورات الأربع معرضة للإصابة ، ومكشوفة ، ومصابة بالعدوى ، ومُزالة “.
كما توحي الأسماء ، تضمنت المقصورة المعرضة للإصابة السكان المعرضين للعدوى ، والمعرضين لأولئك الذين كانوا بالفعل على اتصال بالفيروس ، وتم وضع الأشخاص المصابين بالمرض في المقصورة المصابة ، وإزالة المقصورة التي تحتوي على السكان الذين تعافوا أو ماتوا من مرض.
كانت معدلات حركة السكان محكومة بثلاثة معايير – ألفا وبيتا وجاما.
قال Dutt: “يحتوي هذا النموذج على مجموعات من المعادلات التفاضلية من الدرجة الأولى لحساب معدل التغيير في الأجزاء المختلفة بناءً على معلمات ألفا وبيتا وجاما”.
للعثور على قيم alpha و beta و gamma ، تم استخدام تقنية البحث عن مساحة الولاية. “يمكن أن تتراوح قيم Alpha و beta و gamma من صفر إلى واحد. في مساحة ثلاثية الأبعاد ، نحاول العثور على أفضل قيمها ، والتي تعطي الحد الأدنى من الخسارة. لفترة أطول من الوقت ، مثل شهرين ، كانت هذه القيم ديناميكية للغاية. للتغلب على هذا ، قمنا بتقسيم الفترة الزمنية إلى وقت أبسط windows. خلال نافذة زمنية ، بقيت القيم كما هي ، وتنوعت خارج النافذة. فعلنا محاكاة على جميع windows. وأوضح دت أن إخراج نافذة زمنية واحدة يتم تغذيتها كمدخلات في المرحلة التالية.
حجم النافذة هو في الأساس عدد الأيام ، وهو الجدول الزمني الكامل الذي تم النظر فيه للنموذج. قال جارج: “مع حجم النافذة” الكل “، لوحظ أن هناك فرقًا كبيرًا بين القيمة الفعلية والمتوقعة ، لذلك كان علينا تقسيم حجم النافذة أيضًا.
كان هناك أربعة أحجام نافذة في الاعتبار – جميعها ، 7 أيام ، و 14 يومًا ، و 21 يومًا. لوحظ أكبر قدر من الدقة مع نافذة لمدة 14 يومًا. ومن المثير للاهتمام أن متوسط فترة الحجر الصحي هي أيضًا 14 يومًا.
تغليف
في المستقبل ، يخطط الفريق لتضمين المزيد من المعلمات مثل عدد الوفيات في نموذج SEIR الخاص بهم. علاوة على ذلك ، ستؤخذ الاعتبارات العنقودية في الاعتبار مثل التركيبة السكانية ودرجة الحرارة والمناخ وما إلى ذلك.
