Salgın parametrelerinin makine öğrenmesi yöntemleriyle tahmin edilmesi

Tarih boyunca farklı zamanlarda, çeşitli sebeplerle salgın hastalıklar meydana gelmiştir. Salgın hastalıklar can kaybı, sosyal ve ekonomik yapı bozulması gibi türlü sonuçlar doğurabilmektedirler. Bu nedenle, ülkeler salgının etkisini azaltmak için bir takım önlemler alırlar. Salgınla mücadelede alınan önlemlerin, potansiyel maliyetlerini ve faydalarını ölçmek için salgın modelleme yöntemleri ve optimizasyon algoritmaları kullanılmaktadır. Bu tez çalışmasında da günümüzde dünyayı etkisi altına almış olan COVID-19 salgınının modellenmesi ve parametrelerinin tahmin edilmesine yönelik çalışmalar yapıldı. Çalışmalarda Mısır ve Güney Kore'deki COVID-19 salgınına ait veriler kullanıldı. Deneysel uygulamalarda, ilk önce salgın modelleme yöntemi olarak yaygın bir kullanıma sahip olan SEIR modeli üzerinden, L-BFGS-B, Powell, CG, COBYLA ve SLSQP yöntemleri ile optimizasyonlar gerçekleştirildi. Ardından, hesaplanan R0 değeri, ölüm oranı ve salgın parametreleri arasındaki geçiş oranları gibi değerler kullanılarak tahminler yapıldı. Aynı veri setleri kullanılarak makine öğrenmesi yöntemlerinden LSTM ve DVM yöntemleriyle de tahminler yapıldı. SEIR, LSTM ve DVM yöntemlerinden elde edilen sonuçların hem MAPE metriği kullanılarak tahmin başarıları karşılaştırıldı hem de grafiklerle desteklenerek sonuçları değerlendirildi. Yapılan 24 farklı tahmin sonucunun %79'unun MAPE değeri 10'nun altında çıkmıştır.

Epidemics have occurred at different times throughout history for various reasons. Epidemics can cause various consequences such as loss of life, deterioration of the social and economic structure. Therefore, countries take some measures to reduce the impact of the epidemic. Epidemic modelling methods and optimization algorithms are used to evaluate the potential costs and benefits of the measures taken in the fight against the epidemic. In this thesis, studies were carried out to model the COVID-19 epidemic, which has affected the world today, and to predict its parameters. Data from the COVID-19 outbreak in Egypt and South Korea were used in the experiments. First, optimizations were carried out using the L-BFGS-B, Powell, CG, COBYLA, and SLSQP methods on the SEIR model, which is widely used as an epidemic modelling method. Then, predictions were made using calculated values such as the R0 value, mortality rate, and transition rates between epidemic parameters. Using the same datasets, predictions were also made using the machine learning methods LSTM and DVM. The prediction successes of the results obtained from SEIR, LSTM, and DVM methods were compared using the MAPE metric, and the results were evaluated with graphics. The MAPE value of 79% of the 24 different prediction results was below 10