Скутар І.Д., Юрченко О.І. Розробка веб-додатку для моделювання стохастичної епідеміологічної SIR-моделі з нейромережевою апроксимацією // XIX Міжнародна науково-практична конференція «Current problems of the development of science: trends and innovations» (13-16 травня 2025 р., Осло, Норвегія).- С.342-346.

Loading...
Thumbnail Image

Authors

Скутар, Ігор Дмитрович

Юрченко, Олег Ігорович

Journal Title

Journal ISSN

Volume Title

Publisher

International Science Group (isg-konf.com). Printed in the United States of America.

DOI

Abstract

Досліджується модель поширення захворювання з елементами стохастики (вінерові та пуассонові збурення) використовується нейромережа LSTM для прогнозування майбутньої динаміки захворювання на основі попередніх даних моделі. Розроблено веб-застосунок, який реалізує епідеміологічну SIR-модель з використанням стохастичних диференціальних рівнянь для моделювання поширення інфекційної хвороби. Застосунок використовує фреймворк Flask, технології HTML/CSS/JavaScript, реалізує метод Ейлера-Маруями наближеного розв’язання стохастичних диференціальних рівнянь, надає користувачам можливість візуалізувати результати моделювання (Matplotlib, Plotly, Dash), порівняти їх з класичними методами прогнозування (моделі ковзного середнього, ARIMA, лінійної регресії) та експортувати дані у форматах CSV і PDF. Для покращення прогнозів використовується LSTM-нейромережа (Keras, Scikit-learn), що навчається на результатах стохастичного моделювання.

Description

Досліджується модель поширення захворювання з елементами стохастики (вінерові та пуассонові збурення) використовується нейромережа LSTM для прогнозування майбутньої динаміки захворювання на основі попередніх даних моделі. Розроблено веб-застосунок, який реалізує епідеміологічну SIR-модель з використанням стохастичних диференціальних рівнянь для моделювання поширення інфекційної хвороби. Застосунок використовує фреймворк Flask, технології HTML/CSS/JavaScript, реалізує метод Ейлера-Маруями наближеного розв’язання стохастичних диференціальних рівнянь, надає користувачам можливість візуалізувати результати моделювання (Matplotlib, Plotly, Dash), порівняти їх з класичними методами прогнозування (моделі ковзного середнього, ARIMA, лінійної регресії) та експортувати дані у форматах CSV і PDF. Для покращення прогнозів використовується LSTM-нейромережа (Keras, Scikit-learn), що навчається на результатах стохастичного моделювання.

Citation

Endorsement

Review

Supplemented By

Referenced By