Türkiye'de COVID-19 Bulaşısının ARIMA Modeli ve LSTM Ağı Kullanılarak Zaman Serisi Tahmini

Year 2021, Issue: 32, 288 - 297, 31.12.2021

Abdullah Ammar Karcıoğlu , Sezercan Tanışman , Hasan Bulut

https://doi.org/10.31590/ejosat.1039394

Cited By: 3

Abstract

11 Mart 2020'de Dünya Sağlık Örgütü (WHO), 2019 yılı yeni tip korona virüsünü küresel salgın olarak ilan etmiştir. COVID-19 olarak da bilinen yeni tip korona virüsü, ilk olarak Aralık 2019’da Çin'in Wuhan şehrinde ortaya çıkmış ve birkaç hafta içinde tüm dünyaya yayılmıştır. Tüm dünyada 5 milyondan fazla insan, Türkiye’de ise 70 bine yakın insan bu hastalıktan dolayı vefat etmiştir. Küresel çapta insan sağlığını tehtit eden ve ekonomik krizlere neden olan bu salgınla mücadelede önceden önlem almak hayati önem taşımaktadır. COVID-19 salgının yayılmasının tahmin edilmesi bu hastalıkla ilgili ne gibi önlemler alınacağı hakkında fikir verir. Bu çalışmada, ARIMA zaman serisi modeli ve LSTM ağı kullanılarak Türkiye’deki COVID-19 salgınında günlük vaka saysı, günlük iyileşen sayısı ve günlük vefat sayısı tahmini gerçekleştirilmiştir. Modellerin doğruluğunu test etmek için bilinen ve bilinmeyen verilerin tahmini yapılarak, tahmini yapılan verilerin hata yüzdeleri karşılaştırılmıştır. Türkiye’de COVID-19 bulaşı seyrinin gelecek 15 günlük tahmini için yapılan deneysel çalışmalar sonucu günlük vaka sayılarında ve günlük vefat sayılarında ARIMA modeliyle yüksek doğrulukta tahminleme yapılırken, günlük iyileşen sayılarında ise LSTM modeliyle yüksek doğrulukta tahminleme yapıldığı gözlemlenmiştir. ARIMA ve LSTM modellerinde günlük vaka ve vefat sayılarında azalma seyri gözlemlenmiştir. Ancak günlük iyileşme sayılarında ARIMA modelinde azalma, LSTM modelinde artış gözlemlenmiştir.

Keywords

Zaman Serisi Tahmini, Makine Öğrenmesi, COVID-19

Time Series Forecasting of COVID-19 Transmission in Turkey Using ARIMA Model and LSTM Network

Abstract

On March 11, 2020, the World Health Organization (WHO) declared the new coronavirus 2019 as a global epidemic. The new type of coronavirus, also known as COVID-19, first appeared in Wuhan city of China in December 2019 and spread all over the world within a few weeks. More than 5 million people all over the world and nearly 70,000 people in Turkey have died due to this disease. It is vital to take precautionary measures in the fight against this epidemic, which threatens human health on a globally and causes economic crises. The forecasting of the spread of the COVID-19 epidemic gives an idea about what measures to take regarding this disease. In this study, daily number of cases, daily number of recoveries and daily number of deaths were estimated in the COVID-19 outbreak in Turkey using the ARIMA time series model and LSTM network. To test the accuracy of the models, known and unknown data were estimated and the error percentages of the estimated data were compared. As a result of the experimental studies carried out to predict the course of COVID-19 transmission in Turkey for the next 15-days, it has been observed that the daily number of cases and daily number of death sare estimated with high accuracy in the ARIMA model, while the daily number of recoveries are estimated with high accuracy in the LSTM model. In the ARIMA and LSTM models, a decrease was observed in the number of daily cases and deaths. However, a decrease in the daily number of recoveries in the ARIMA model and an increase in the LSTM model were observed.

Keywords

Time Series Forecasting, Machine Learning, COVID-19

References

• Chawla, S., Mittal, M., Chawla, M., & Goyal, L. M. (2020). Corona virus-SARS-CoV-2: an insight to another way of natural disaster. EAI Endorsed Transactions on Pervasive Health and Technology, 6(22).
• Wang, L. L., & Lo, K. (2021). Text mining approaches for dealing with the rapidly expanding literature on COVID19. Briefings in Bioinformatics, 22(2), 781-799.
• Er, B., Emeç, M., & Özcanhan, M. H. (2020). Analysıs Of Covid-19 Data Using Arima Tıme Serıes Model.
• Zeroual, A., Harrou, F., Dairi, A., & Sun, Y. (2020). Deep learning methods for forecasting COVID-19 time-Series data: A Comparative study. Chaos, Solitons & Fractals, 140, 110121.
• Barman, A. (2020). Time series analysis and forecasting of covid-19 cases using LSTM and ARIMA models. arXiv preprint arXiv:2006.13852.
• Anne, R. (2020). ARIMA modelling of predicting COVID-19 infections. medRxiv.
• Ding, G., Li, X., Shen, Y., & Fan, J. (2020). Brief Analysis of the ARIMA model on the COVID-19 in Italy. medRxiv.
• Sahai, A. K., Rath, N., Sood, V., & Singh, M. P. (2020). ARIMA modelling & forecasting of COVID-19 in top five affected countries. Diabetes & Metabolic Syndrome: Clinical Research & Reviews, 14(5), 1419-1427.
• Maleki, M., Mahmoudi, M. R., Heydari, M. H., & Pho, K. H. (2020). Modeling and forecasting the spread and death rate of coronavirus (COVID-19) in the world using time series models. Chaos, Solitons & Fractals, 140, 110151.
• Papastefanopoulos, V., Linardatos, P., & Kotsiantis, S. (2020). COVID-19: a comparison of time series methods to forecast percentage of active cases per population. Applied sciences, 10(11), 3880.
• Chimmula, V. K. R., & Zhang, L. (2020). Time series forecasting of COVID-19 transmission in Canada using LSTM networks. Chaos, Solitons & Fractals, 135, 109864.
• Maleki, M., Mahmoudi, M. R., Wraith, D., & Pho, K. H. (2020). Time series modelling to forecast the confirmed and recovered cases of COVID-19. Travel medicine and infectious disease, 37, 101742.
• Akay, S., & Akay, H. (2021). Time series model for forecasting the number of COVID-19 cases in Turkey. Turkish Journal of Public Health, 140-145.
• ANKARALI, H. (2020). Türkiye’de COVID-19 Salgın Sürecinde İhtiyaç Duyulacak Yoğun Bakım Yatak ve Solunum Cihazı Sayılarının Direkt Tahmini. Anatolian Clinic the Journal of Medical Sciences, 25(Special Issue on COVID 19), 59-62.
• Koçak, M. (2020). A comparison of time-series models in predicting COVID-19 cases. Türkiye Klinikleri Biyoistatistik, 12(1), 89-96.
• Ergül, B., Altın Yavuz, A., Gündoğan Aşık, E., & Kalay, B. (2020). Dünya'da ve Türkiye’de nisan ayı itibariyle Covid-19 salgın verilerinin istatistiksel değerlendirilmesi. Anadolu Kliniği Tıp Bilimleri Dergisi, 25(1), 130-141.
• Bayar, M., & VARIŞLI, N. (2020). Covid-19 Pandemisinin Türkiye’de Tüketici Kredileri Hacmi Üzerindeki Etkisi: 2013-2020 Dönemi Zaman Serisi Analizi. Anadolu Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 21(3), 85-99.
• Demir, İ. (2020). COVID-19 Salgınının Seyri ve Türkiye Ekonomisi: Bir Sekteli Zaman Serisi Analizi (Szsa) Denemesi. Disiplinlerarası Politika Vizyonu ve Stratejiler Dergisi.
• Karasoy, O., & EREN DOĞU, Z. F. (2020). COVID19Takip: Türkiye'de COVID-19 Salgınının Gerçek Zamanlı İzlenmesi için Web Arayüzü. Turkiye Klinikleri Journal of Biostatistics, 12(1).
• Er, B., Emeç, M., & Özcanhan, M. H. ANALYSIS OF COVID-19 DATA USING ARIMA TIME SERIES MODEL.
• Ergül, B., Altın Yavuz, A., Gündoğan Aşık, E., & Kalay, B. (2020). Dünya'da ve Türkiye’de nisan ayı itibariyle Covid-19 salgın verilerinin istatistiksel değerlendirilmesi. Anadolu Kliniği Tıp Bilimleri Dergisi, 25(1), 130-141.
• Selvin, S., Vinayakumar, R., Gopalakrishnan, E. A., Menon, V. K., & Soman, K. P. (2017, September). Stock price prediction using LSTM, RNN and CNN-sliding window model. In 2017 international conference on advances in computing, communications and informatics (icacci) (pp. 1643-1647). IEEE.
• Graves, A. (2013). Generating sequences with recurrent neural networks. arXiv preprint arXiv:1308.0850.
• Karevan, Z., & Suykens, J. A. (2020). Transductive LSTM for time-series prediction: An application to weather forecasting. Neural Networks, 125, 1-9.
• Ulyah, S. M., & Mardianto, M. F. F. (2019, December). Comparing the Performance of Seasonal ARIMAX Model and Nonparametric Regression Model in Predicting Claim Reserve of Education Insurance. In Journal of Physics: Conference Series (Vol. 1397, No. 1, p. 012074). IOP Publishing.