Kızamık vaka sayılarının bilgisayar destekli öngörülmesi için farklı zaman serisi modellerinin performans karşılaştırması

Basit Öğe Kaydı
dc.contributor.advisorCihan, Pınar
dc.contributor.authorGüler, Özcan
dc.date.accessioned2025-04-06T12:08:01Z
dc.date.available2025-04-06T12:08:01Z
dc.date.issued2024
dc.departmentEnstitüler, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı
dc.description.abstractKüreselleşen dünyada seyahat süresinin kısalmasıyla beraber, özellikle temas ve solunum salgısı yoluyla bulaşıcı hastalıkların yayılması kolaylaşmıştır. Solunum yoluyla yayılımı kolay olan kızamık virüsü, günümüzde etkisini sürdüren ölümcül bir hastalıktır. Aşıyla büyük oranda engellenebilirliği kanıtlanmış olmasına rağmen, kızamık virüsü aşılamanın düşük olduğu bölgelerde endemik olarak etkisini sürdürmektedir. Bu bölgelerden göç alan ülkelerde toplum sağlığı olumsuz etkilenmektedir. Kızamık vaka sayısının başarılı bir şekilde bilgisayar destekli öngörülmesi, hastalığın yayılımının önlenebilmesine yardımcı olacaktır. Bilgisayar destekli sistem geliştirilirken kullanılacak modelin belirlenmesi için bu çalışmada, klasik istatistik (ARIMA, HW), makine öğrenmesi (Greykite, Prophet, XGBoost), ve derin öğrenme (LSTM) temelli farklı metodolojilere sahip zaman serisi modellerinin tahmin performansları karşılaştırılmıştır. Modellerin performanslarını genelleştirmek için Benin, Kamerun ve Nijerya ülkelerinin kızamık vaka sayılarını içeren veri setleri kullanılmıştır. Modeller üç farklı veri kümesindeki ilk 147 ay ile eğitilmiş olup sonraki 12 ay tahmin başarısı test edildi. Çalışmada modellerin performansları RMSE, MAPE, MAE ve MSLE metrikleri ile ölçülmüştür. Çalışmada elde edilen bulgular, XGBoost modelinin Benin (8,21 RMSE, 27,48 MAPE, 6,50 MAE, 0,08 MSLE) ve Nijerya (457,39 RMSE, 84,44 MAPE, 289,22 MAE, 0,69 MSLE), LSTM modelinin ise Kamerun (43,65 RMSE, 103,58 MAPE, 36,68 MAE, 0,67 MSLE) kızamık vaka sayısını tahmin etmede diğer yöntemlerden daha başarılı olduğunu göstermiştir. Geliştirilen bilgisayar destekli sistem ile bu ülkeler için ileriki 6 aylık kızamık vaka sayısı öngörülmüştür. Nijerya'da ilk ay vaka sayısının yaklaşık 43 kat artacağı sonraki ayda yaklaşık yarıdan fazla düşüş olacağı sonraki 4 ay sabit kalarak son ay vaka sayısında azalma olması tahmin edilmiştir. Diğer ülkelerde kızamık vaka sayısında ani değişim olmayacağı öngörülmüştür. Yapay zeka modellerinin geleneksel modellere göre daha başarılı olması önemli bir gelişme sunarak gelecek çalışmalarda diğer bulaşıcı hastalıklar için de kullanılabilirliğinin ölçülmesi sağlık alanına katkı sağlayacaktır.
dc.description.abstractIn a globalized world where travel times have shortened, the spread of infectious diseases, particularly through contact and respiratory secretions, has become easier. The measles virus, which spreads easily through respiratory droplets, remains a deadly disease today. Despite the proven effectiveness of vaccines in largely preventing measles, the virus continues to be endemic in regions with low vaccination rates. Public health in countries receiving migrants from these regions is adversely affected. The successful computer-aided prediction of measles cases can help prevent the spread of the disease. In this study, to determine the model to be used in developing a computer-aided system, the prediction performances of time series models with different methodologies based on classical statistics (ARIMA, HW), machine learning (Greykite, Prophet, XGBoost), and deep learning (LSTM) were compared. To generalize the performance of the models, datasets containing the number of measles cases from Benin, Cameroon, and Nigeria were used. The models were trained on the first 147 months of data from the three different datasets, and their prediction accuracy was tested on the following 12 months. The performances of the models were measured using the RMSE, MAPE, MAE, and MSLE metrics. The findings show that the XGBoost model was more successful in predicting the number of measles cases in Benin (8,21 RMSE, 27,48 MAPE, 6,50 MAE, 0,08 MSLE) and Nigeria (457,39 RMSE, 84,44 MAPE, 289,22 MAE, 0,69 MSLE), while the LSTM model performed better for Cameroon (43,65 RMSE, 103,58 MAPE, 36,68 MAE, 0,67 MSLE). The developed computer-aided system forecasts the number of measles cases for the next 6 months for these countries. It was forecast that in Nigeria, the number of cases would increase approximately 43 times in the first month, decrease by more than half in the following month, remain stable for the next 4 months, and then decrease again in the final month. No sudden changes in the number of measles cases were forecast for the other countries. The superior performance of AI models compared to traditional models offers significant progress, suggesting that measuring their applicability for other infectious diseases in future studies could contribute to the field of health.
dc.identifier.endpage79
dc.identifier.startpage1
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=UjlM15wKZGQW6TLC0pvCtzvGIZIILqyvWLTo-wnDW-fmLfqGrKozVHsRSH4Jy4q4
dc.identifier.urihttps://hdl.handle.net/20.500.11776/15586
dc.identifier.yoktezid893570
dc.institutionauthorGüler, Özcan
dc.language.isotr
dc.publisherTekirdağ Namık Kemal Üniversitesi
dc.relation.publicationcategoryTez
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_TEZ_20250406
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol
dc.subjectComputer Engineering and Computer Science and Control
dc.titleKızamık vaka sayılarının bilgisayar destekli öngörülmesi için farklı zaman serisi modellerinin performans karşılaştırması
dc.title.alternativePerformance comparison of different time series models for computer-aided forecasting of measles case numbers
dc.typeMaster Thesis

Dosyalar

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleksiyonu