Please use this identifier to cite or link to this item:
https://hdl.handle.net/20.500.13091/2247
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Baykan, Ömer Kaan | - |
dc.contributor.author | Nusrat, Fatema | - |
dc.date.accessioned | 2022-05-21T21:03:03Z | - |
dc.date.available | 2022-05-21T21:03:03Z | - |
dc.date.issued | 2022 | - |
dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=CG8WvdvvxJP04Unr7Yecf6V3LwFaeTa2fd-Vj7RfAY7Ib_pqmgPF4h4fo1M65uK7 | - |
dc.identifier.uri | https://hdl.handle.net/20.500.13091/2247 | - |
dc.description.abstract | Koronavirüs (Covid-19), 2019 yılında ortaya çıkan, hızlı bir şekilde yayılan, insan sağlığına etki eden dünya çapında büyük bir tehdittir. Çin'in Wuhan şehrindeki deniz ürünleri ve hayvan pazarlarından kaynaklandığı düşünülmektedir. Covid-19, bulaşıcı bir hastalıktır ve insandan insana bulaşmaktadır. 11 Mart 2020'de Dünya Sağlık Örgütü (World Health Organization- WHO), Covid-19 salgınını küresel bir salgın olarak ilan etmiştir. Ülkelerin salgın kaynaklı vaka ve vefat sayılarını tahmin edebilmesi geleceğe yönelik planlama yapabilmeleri için büyük önem taşımaktadır. Bu tez çalışmasının amacı, geçmiş verilere dayanarak Türkiye'nin gelecekteki toplam Covid-19 vaka ve vefat sayılarını tahmin etmektir. Veri seti, Türkiye Cumhuriyeti Sağlık Bakanlığı'nın internet sitesindeki veriler kullanılarak oluşturulmuştur. Tahmin modelleri olarak, Uzun Kısa Süreli Bellek (Long Short Term Memory -LSTM), Çift Yönlü LSTM (Bidirectional LSTM- BiLSTM), Geçitli Tekrarlayan Birim (Gated Recurrent Unit - GRU) olmak üzere üç farklı derin öğrenme modeli ve Otoregresif Entegre Hareketli Ortalama (Autoregressive Integrated Moving Average- ARIMA) istatistiksel modeli kullanılmıştır. 11 Mart 2020 ile 31 Mayıs 2021 tarihleri arasındaki veriler modellerin eğitilmesi, test edilmesi için kullanılmış olup, 1 Haziran - 30 Haziran 2021 tarihleri arasındaki vaka ve vefat sayıları tahmin edilmiştir. Modellerin performansını değerlendirmek için Kök Ortalama Kare Hatası (Root Mean Square Error- RMSE) ve Ortalama Mutlak Yüzde Hatası (Mean Absolute Percentage Error- MAPE) kullanılmıştır. ARIMA modeli RMSE, MAPE ve tahmin değerleri açısından derin öğrenme tekniklerinden daha iyi performans göstermiştir. ARIMA modelinin ürettiği tahmin değerlerinin, Türkiye'nin gerçek vaka ve vefat sayıları ile daha uyumlu olduğu gözlenmiştir. | en_US |
dc.description.abstract | The coronavirus (Covid-19) is a major worldwide threat that emerged in 2019, spread rapidly, and affects human health. It is thought to originate from seafood and animal markets of Wuhan city, China. Covid-19 is a contagious disease and is transmitted from person to person. On March 11, 2020, the World Health Organization (WHO) declared the Covid-19 outbreak a global pandemic. It is of great importance for countries to be able to forecast the number of confirmed and death cases caused by the epidemic so that they can plan for the future. The aim of this thesis work is to forecast Covid-19 total confirmed and death cases of Turkey based on previous data. The dataset was created using the data on the website of the Ministry of Health of the Republic of Turkey. Three different deep learning models as Long Short Term Memory (LSTM), Bidirectional LSTM (BiLSTM), Gated Recurrent Unit (GRU), and Autoregressive Integrated Moving Average (ARIMA) statistical model was used as prediction models. Data from March 11, 2020, to May 31, 2021, were used to train and test the models, and the number of confirmed and death cases between June 1 and June 30, 2021, was forecasted. Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE) were used to evaluate the performance of the models. The ARIMA model outperformed deep learning techniques in terms of RMSE, MAPE and forecasting values. The forecasted values produced by the ARIMA model are more compatible with the actual number of confirmed and death cases in Turkey. | en_US |
dc.language.iso | tr | en_US |
dc.publisher | Konya Teknik Üniversitesi | en_US |
dc.rights | info:eu-repo/semantics/openAccess | en_US |
dc.subject | Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol | en_US |
dc.subject | Computer Engineering and Computer Science and Control | en_US |
dc.subject | Covid-19 | en_US |
dc.subject | Çift Yönlü LSTM | en_US |
dc.subject | Derin Öğrenme | en_US |
dc.subject | Geçitli Tekrarlayan Birim | en_US |
dc.subject | Otoregresif Entegre Hareketli Ortalama | en_US |
dc.subject | Uzun Kısa Süreli Bellek | en_US |
dc.subject | Autoregressive Integrated Moving Average | en_US |
dc.subject | Bidirectional LSTM | en_US |
dc.subject | Covid-19 | en_US |
dc.subject | Deep Learning | en_US |
dc.subject | Gated Recurrent Unit | en_US |
dc.subject | Long Short Term Memory | en_US |
dc.title | Arıma ve derin öğrenme modelleri kullanılarak Türkiye'deki COVID-19 vaka ve vefat sayılarının tahmini | en_US |
dc.title.alternative | Forecasting of COVID-19 confirmed and death cases in Turkey using arima and deep learning models | en_US |
dc.type | Master Thesis | en_US |
dc.department | Enstitüler, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | en_US |
dc.identifier.startpage | 1 | en_US |
dc.identifier.endpage | 61 | en_US |
dc.institutionauthor | Nusrat, Fatema | - |
dc.relation.publicationcategory | Tez | en_US |
dc.identifier.yoktezid | 722243 | en_US |
item.fulltext | With Fulltext | - |
item.openairetype | Master Thesis | - |
item.openairecristype | http://purl.org/coar/resource_type/c_18cf | - |
item.languageiso639-1 | tr | - |
item.cerifentitytype | Publications | - |
item.grantfulltext | open | - |
Appears in Collections: | Tez Koleksiyonu |
Files in This Item:
File | Size | Format | |
---|---|---|---|
722243.pdf | 2.73 MB | Adobe PDF | View/Open |
CORE Recommender
Page view(s)
360
checked on Aug 26, 2024
Download(s)
336
checked on Aug 26, 2024
Google ScholarTM
Check
Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.