イタリアのコロナウイルス感染者数の分析
図 7 に示されているように、提案モデルの適合効果は、イタリアで使用されている他のモデルを上回っています。当社の予測によると、2022 年 1 月 29 日のコロナウイルス陽性患者数は 10,821,375 人ですが、提案モデルでは 10,819,855 人になると予測されています。
図7
2022年1月16日から2022年1月29日までのイタリアのコロナウイルス陽性患者の予測と実際のグラフが表示されます。提案されたモデルの予測によると、2022年1月29日現在、イタリアのCOVID-19感染者数は10,819,855人です。
ブラジルのコロナウイルス感染者数の分析
図 8 に示されているように、提案モデルの適合効果は、ブラジルで使用されている他のモデルを上回っています。当社の予測によると、2022 年 1 月 29 日のコロナウイルス陽性患者数は 25,256,198 人ですが、提案モデルでは 25,254,306 人と予測されています。
図8
2022年1月16日から2022年1月29日まで、ブラジルのコロナウイルス陽性患者の予測と実際のグラフが表示されます。提案されたモデルの予測によると、ブラジルでは2022年1月29日時点で25,254,306件のCOVID-19症例が発生しています。
インドのコロナウイルス感染者数の分析
図 9 に示されているように、提案モデルの適合効果は、インドで使用されている他のモデルを上回っています。当社の予測によると、2022 年 1 月 29 日のコロナウイルス陽性患者数は 41,092,522 人ですが、提案モデルでは 41,090,386 人と予測されています。
図9
2022年1月16日から2022年1月29日までのインドのコロナウイルス陽性患者の予測と実際のグラフが表示されます。提案されたモデルの予測によると、2022年1月29日時点でインドのCOVID-19症例数は41,090,386件です。
ドイツのコロナウイルス感染者数の分析
図 10 に示されているように、提案モデルの適合効果は、ドイツで使用されている他のモデルを上回っています。当社の予測によると、2022 年 1 月 29 日のコロナウイルス陽性患者数は 9,618,245 人ですが、提案モデルでは 9,617,381 人になると予測されています。
図10
2022年1月16日から2022年1月29日までのドイツのコロナウイルス陽性患者の予測と実際のグラフが表示されます。提案されたモデルの予測によると、2022年1月29日現在、ドイツのCOVID-19感染者数は9,617,381人です。
パキスタンにおけるコロナウイルス感染者数の分析
図 11 に示されているように、提案されたモデルの適合効果は、パキスタンで使用されている他のモデルよりも優れています。私たちの予測によると、2022 年 1 月 29 日のコロナウイルス陽性患者数は 1,417,991 人ですが、提案されたモデルでは 1,417,481 人と予測されています。
図11
2022年1月16日から2022年1月29日までのパキスタンのコロナウイルス陽性患者の予測と実際のグラフが表示されます。提案されたモデルの予測によると、パキスタンでは2022年1月29日時点で1,417,481件のCOVID-19症例が発生しています。
ミャンマーにおけるコロナウイルス感染者数の分析
図12に示されているように、提案モデルの適合効果はミャンマーで使用されている他のモデルを上回っています。私たちの予測によると、2022年1月29日のコロナウイルス陽性患者数は535,080人ですが、提案モデルでは534,898人と予測されています。
図12
2022年1月16日から2022年1月29日までのミャンマーのコロナウイルス陽性患者の予測と実際のグラフが表示されます。提案されたモデルの予測によると、ミャンマーでは2022年1月29日時点で534,898件のCOVID-19症例が発生しています。
パフォーマンス分析
議論
提案モデルの長所と短所
FTS 技術と非線形ロジスティック成長モデルを組み合わせた提案のハイブリッド モデルは、COVID-19 のアクティブ ケースを正確に予測できる点で際立っています。ただし、提案モデルは、データ内の線形および非線形の傾向を識別できるため、予測能力の点で非常に効率的です。フェーズ 1 でのモデルの R スコアは 0.9992、フェーズ 2 での R スコアは 0.9784 であり、堅牢性と信頼性を強調しています。さらに、さまざまな流行のダイナミクスを持つさまざまな国へのモデルの適応性は、その柔軟性と一般化可能性を示しています。FTS コンポーネントは、非線形性の処理には優れていますが、間隔の選択とファジー化プロセスの影響を受けやすく、予測精度に影響を与える可能性があります。さらに、ロジスティック成長モデルは飽和点を想定していますが、ロックダウンや大規模なワクチン接種キャンペーンなどの外部介入により感染率が変動するシナリオには適用できない可能性があります。
予測結果の限界と違い
さらなる研究は、国や期間によって予測が異なる理由に焦点を当てるべきです。予測精度の違いは、いくつかの要因に起因していると考えられます。
政府の介入
ロックダウンの実施、社会的距離の確保、ワクチン接種プログラムなどの対策は、厳しさやタイミングの点で国によって大きく異なります。これらの介入は感染傾向の突然の変化を引き起こす可能性があり、モデルがそれに従うことが困難になる可能性があります。
ヘルスケアインフラ
世界中の医療システムとその能力の違いは、病気の感染を助長し、治療能力に影響を与え、それによってモデルの病気予測能力に影響を与えます。したがって、医療システムが十分に確立されている国と、医療システムが制約されている国では、流行の傾向が異なる場合があります。
文化的および行動的要因
文献によれば、推奨される健康対策、文化的慣習、社会的規範に対する人々の遵守も、病気の伝染の動態に影響を与え、予測結果に変化をもたらすことが示されています。
フェーズ特有の要因
分析された2つのフェーズは、2020年1月28日から2020年6月5日まで（フェーズ1）と、2021年10月10日から2022年1月15日まで（フェーズ2）で、これらはパンデミックの2つの異なる時代です。初期フェーズでモデルに影響を与える要因には、高い感染率と治療法の少なさなどがあり、後期フェーズの要因には、ワクチン接種と管理技術の改善などがあります。
こうした限界を克服し、将来的にモデルの信頼性を向上させるために、人口移動、社会的距離、ワクチン接種データ、湿度、平均気温など、ウイルスの拡散に影響を与えることが知られている変数をさらに追加する予定です。また、予測精度を高めるために、ニューロファジーシステムや加重和アルゴリズムなどのより複雑なアルゴリズムの使用も想定しています。
#ロジスティック成長モデルとファジー時系列技術を活用したコロナウイルス感染者数の予測