Chanidapa Winalai, Suparinthon Anupong, Charin Modchang, Sudarat Chadsuthi
หลักการและเป้าหมาย: การแพร่ระบาดของ COVID-19 ส่งผลกระทบอย่างมีนัยสำคัญต่อสุขภาพของประชาชนและจำเป็นต้องดำเนินการอย่างเร่งด่วนเพื่อบรรเทาการแพร่กระจาย การติดตามและการคาดการณ์การระบาดได้กลายเป็นสิ่งสำคัญในการออกแบบกลยุทธ์ที่มีประสิทธิภาพและจัดสรรทรัพยากรอย่างมีประสิทธิภาพ การศึกษานี้นำเสนอแนวทางใหม่ที่ใช้ Multivariate Long Short-Term Memory (LSTM) เพื่อวิเคราะห์และคาดการณ์แนวโน้มของ COVID-19 ในภาคกลางของประเทศไทย โดยเน้นที่กระบวนการคัดเลือกคุณลักษณะแบบหลายตัวเป็นพิเศษ
สรุป: ผู้วิจัยได้นำเสนอเทคนิคการเลือกคุณลักษณะแบบหลายตัวเพื่อระบุคุณลักษณะที่เกี่ยวข้องและมีอิทธิพลมากที่สุดที่ส่งผลต่อการแพร่กระจายของ COVID-19 ในภูมิภาคเพื่อเพิ่มประสิทธิภาพของโมเดล ผลการวิจัยของเราชี้ให้เห็นว่าความชื้นสัมพัทธ์เป็นปัจจัยสำคัญที่ขับเคลื่อนการแพร่กระจายของ COVID-19 ในภาคกลางของประเทศไทย เทคนิคการเลือกคุณลักษณะแบบหลายตัวที่เสนอช่วยปรับปรุงความแม่นยำของโมเดลอย่างมีนัยสำคัญ ทำให้มั่นใจได้ว่ามีเพียงตัวแปรที่ให้ข้อมูลมากที่สุดเท่านั้นที่มีส่วนในการทำนาย โดยหลีกเลี่ยงสัญญาณรบกวนหรือความซ้ำซ้อนที่อาจเกิดขึ้นจากคุณลักษณะที่เกี่ยวข้องน้อยลง โมเดล LSTM ที่เสนอแสดงให้เห็นถึงความสามารถในการพยากรณ์ COVID-19 ซึ่งช่วยอำนวยความสะดวกในการตัดสินใจของหน่วยงานด้านสาธารณสุขและผู้กำหนดนโยบาย
ผลที่ได้: ผู้วิจัยได้นำเสนอแบบจำลอง LSTM เพื่อศึกษาและการทำนายการระบาดของ COVID-19 ในภาคกลางของประเทศไทย ที่รวมปัจจัยทางอุตุนิยมวิทยาและฝุ่นละออง นอกจากนั้น ผู้วิจัยพบว่าความชื้นสัมพัทธ์เป็นตัวทำนายการระบาดของ COVID-19 ที่สำคัญ
ทุนวิจัยและกิตติกรรมประกาศ: 1. ศูนย์ความเป็นเลิศด้านฟิสิกส์ 2. ศูนย์ความเป็นเลิศด้านคณิตศาสตร์
เป้าหมาย SDGs ที่เกี่ยวข้อง: 3. การมีสุขภาพและความเป็นอยู่ที่ดี
งานวิจัยที่เกี่ยวข้อง:
Chanidapa Winalai, Suparinthon Anupong, Charin Modchang, Sudarat Chadsuthi. LSTM-Powered COVID-19 prediction in central Thailand incorporating meteorological and particulate matter data with a multi-feature selection approach. Heliyon 10 (2024) e30319.
https://doi.org/10.1016/j.heliyon.2024.e30319
