การพยากรณ์จำนวนผู้ติดเชื้อไวรัสโคโรนา 2019 สะสมโดยใช้การเรียนรู้เชิงลึก

ทศพล นวลช่วย

dc.contributor.advisor	สุกรี สินธุภิญโญ
dc.contributor.author	ทศพล นวลช่วย
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
dc.date.accessioned	2022-07-23T05:18:05Z
dc.date.available	2022-07-23T05:18:05Z
dc.date.issued	2564
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/80135
dc.description	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2564
dc.description.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
dc.description.abstractalternative	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.
dc.language.iso	th
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย
dc.relation.uri	http://doi.org/10.58837/CHULA.THE.2021.851
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย
dc.subject.classification	Computer Science
dc.title	การพยากรณ์จำนวนผู้ติดเชื้อไวรัสโคโรนา 2019 สะสมโดยใช้การเรียนรู้เชิงลึก
dc.title.alternative	COVID-19 cumulative case forecasting by Deep Learning
dc.type	Thesis
dc.degree.name	วิทยาศาสตรมหาบัณฑิต
dc.degree.level	ปริญญาโท
dc.degree.discipline	วิทยาศาสตร์คอมพิวเตอร์
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย
dc.identifier.DOI	10.58837/CHULA.THE.2021.851