Resumen

El COVID-19 ha desencadenado una pandemia mundial, con un número de casos infectados y muertes que aumenta regularmente. Junto con los recientes avances en tecnología de soft computing, los investigadores están desarrollando y mejorando activamente distintos algoritmos matemáticos y de aprendizaje automático para predecir la tendencia futura de esta pandemia. De este modo, si podemos predecir con exactitud la tendencia de los casos a nivel mundial, se podrá controlar la propagación de la pandemia. En este estudio, se desarrolló un modelo híbrido CNN-LSTM sobre un conjunto de datos de series temporales para pronosticar el número de casos confirmados de COVID-19. El modelo propuesto se evaluó y comparó con un modelo CNN-LSTM. El modelo propuesto se evaluó y comparó con 17 modelos de referencia en datos de prueba y de previsión. El principal hallazgo de esta investigación es que el modelo CNN-LSTM propuesto superó a todos ellos, con los valores medios más bajos de MAPE, RMSE y RRMSE tanto en los datos de prueba como en los de previsión. En conclusión, nuestros resultados experimentales muestran que, mientras que los modelos CNN y LSTM independientes proporcionan un rendimiento de previsión aceptable y eficiente para las series temporales de casos COVID-19 confirmados, la combinación de ambos modelos en la estructura codificador-decodificador CNN-LSTM propuesta proporciona un impulso significativo en el rendimiento de previsión. Además, demostramos que el modelo propuesto produce resultados de predicción satisfactorios incluso con una pequeña cantidad de datos.

• Materias:Control del proceso Sistemas no lineales Regulación automática Instrumentación automática Optimización de procesos
• Subjects: Nonlinear systems Automatic regulation Automatic instrumentation Process optimization
• Palabras claves:modelo lstm, datos de previsión, covid-19 casos series temporales, rendimiento eficaz de la previsión, mape medio más bajo, resultados satisfactorios de la previsión, tecnología informática blanda, cnn, covid-19, casos
• Keywords:lstm model, forecast data, covid-19 cases time series, efficient forecasting performance, lowest average mape, satisfactory predicting results, soft computing technology, cnn, covid-19, cases