Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/80135
| Title: | การพยากรณ์จำนวนผู้ติดเชื้อไวรัสโคโรนา 2019 สะสมโดยใช้การเรียนรู้เชิงลึก |
| Other Titles: | COVID-19 cumulative case forecasting by Deep Learning |
| Authors: | ทศพล นวลช่วย |
| Advisors: | สุกรี สินธุภิญโญ |
| Other author: | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์ |
| Issue Date: | 2564 |
| Publisher: | จุฬาลงกรณ์มหาวิทยาลัย |
| Abstract: | นับตั้งแต่ธันวาคม 2019 โรคติดเชื้อโคโรนาไวรัส 2019 หรือ โควิด-19 เป็นโรคที่เริ่มแพร่กระจายจากคนสู่คน การแพร่ระบาดเกิดขึ้นอย่างรวดเร็วและคาดเดาไม่ได้อันเนื่องมาจากปัจจัยส่งเสริมในหลาย ๆ ด้าน ส่วนหนึ่งคือการท่องเที่ยวระหว่างประเทศ หลังจากการค้นพบการติดเชื้อระหว่างคนสู่คนครั้งแรกไม่นาน องค์การอนามัยโลกได้ประกาศในวันที่ 21 มกราคม 2020 ประกาศภาวะฉุกเฉินทั่วโลกต่อการแพร่กระจายที่รวดเร็วของโรคนี้ มีการสร้างโมเดลจำลองการแพร่กระจายของโรคติดเชื้อโคโรนาไวรัส 2019 เพื่อใช้ในการพยากรณ์และออกแบบนโยบายเพื่อการป้องกันต่อไป โดยเทคนิคที่ใช้ในการสร้างโมเดลมีหลายหลายแบบ ทั้งแบบคลาสสิคและการใช้เครือข่ายประสาทเทียม เพื่อความแม่นยำที่มากขึ้นงานวิจัยชิ้นนี้ได้สร้างโมเดลที่ใช้ข้อมูลทางสถิติในมิติอื่น ๆ นอกเหนือจากข้อมูลทางสถิติด้านจำนวนผู้ติดเชื้อ การทดลองถูกออกแบบมาเพื่อหาวิธีการสร้างโมเดลที่ดีที่สุดและเปรียบเทียบกับโมเดลที่ใช้ข้อมูลเพียงด้านเดียวทั้งในการพยากรณ์จำนวนผู้ติดเชื้อสะสมและการพยากรณ์แนวโน้มการติดเชื้อ ผลการทดลองแสดงให้เห็นว่าการใช้ข้อมูลด้านเดียวสามารถพยากรณ์จำนวนผู้ติดเชื้อสะสมในอนาคตได้แม่นยำที่สุดและการใช้ข้อมูลทั้ง 14 ชนิดสามารถพยากรณ์แนวโน้มผู้ติดเชื้อรายวันได้แม่นยำที่สุด |
| Other Abstract: | Since December 2019, Coronavirus 2019 (COVID-19) has started spreading human-to-human. The unforeseen and rapid spread of COVID-19 has multiple factors, but a major reason is people’s travelling both domestic and international. Shortly after discovered of human-to-human transmission, World Health Organization (WHO) announced a global emergency on January 21, 2020 to this pandemic. There are multiple forecasting systems established to help forecast COVID-19 case trend and deploy any policy to reduce infection rate. Both classical computational and Neural Network have been used to build forecasting systems. In order to increase preciseness of the forecasting, we show a model that is trained with cumulative case data type can achieve highest accuracy when it predicts number of cumulative cases in next 7 and 21 days ahead. Another model is trained with 14 different data type can achieve incredibly highest accuracy when it is used to classify the direction of the trend in next 7 and 21 days. |
| Description: | วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2564 |
| Degree Name: | วิทยาศาสตรมหาบัณฑิต |
| Degree Level: | ปริญญาโท |
| Degree Discipline: | วิทยาศาสตร์คอมพิวเตอร์ |
| URI: | http://cuir.car.chula.ac.th/handle/123456789/80135 |
| URI: | http://doi.org/10.58837/CHULA.THE.2021.851 |
| metadata.dc.identifier.DOI: | 10.58837/CHULA.THE.2021.851 |
| Type: | Thesis |
| Appears in Collections: | Eng - Theses |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 6270100021.pdf | 1.6 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.