تم إضافة تقرير جديد 2024
ارسل ملاحظاتك

ارسل ملاحظاتك لنا









الرئيسية > Comparing Econometrics Approac...>الوصف

Comparing Econometrics Approach Vs. Deep Learning Approach in Forecasting Covid19 Infections and Deaths Horizon in Egypt

المصدر: المجلة العلمية لكلية الدراسات الاقتصادية والعلوم السياسية
الناشر: جامعة الإسكندرية - كلية الدراسات الاقتصادية والعلوم السياسية
المؤلف الرئيسي: Nosier, Shereen (Author)
مؤلفين آخرين: El-Shobaky, Sara (Co-Author) , Salah, Reham (Co-Author)
المجلد/العدد: مج7, ع14
محكمة: نعم
الدولة: مصر
التاريخ الميلادي: 2022
الشهر: يوليو
الصفحات: 10 - 52
ISSN: 2356-9913
رقم MD: 1501093
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EcoLink
مواضيع:
جائحة كورونا "كوفيد-19" | الذكاء الاصطناعي | التعليم العميق | مصر
كلمات المؤلف المفتاحية:
Forecasting | Econometrics | Deep Learning | Community Mobility | Ardl | Lstm
رابط المحتوى:

الناشر لهذه المادة لم يسمح بإتاحتها.
صورة الغلاف QR قانون
حفظ في:
المستخلص: في الآونة الأخيرة استخدم الباحثون الذكاء الاصطناعي، ولاسيما التعلم العميق Long Short-Term Memory (LSTM)، في التنبؤ كبديل لأساليب الاقتصاد القياسي التقليدية. فقد ادعى البعض أن منهج التعلم العميق يمكن أن يحسن نتائج التنبؤ عن طريق تقليل أخطاء التنبؤ وتوفير الوقت والتكلفة. ومع ذلك، فلا يوجد دليل تجريبي على ذلك الزعم، حيث يوجد ندرة في البحوث التي تقارن بين أداء نماذج التنبؤ باستخدام النماذج القياسية وباستخدام الذكاء الاصطناعي. ومن هنا فإن الهدف الرئيس لهذا البحث هو التحقق من ذلك بالقياس وتحديد أفضل طريقة تستخدم في التنبؤ بجائحة كورونا وغيرها من الظواهر الواقعية. ومن أجل تحقيق هدف الدراسة، تم استخدام مدخلين مختلفتين للتنبؤ: هما مدخل الاقتصاد القياسي، متمثلا في منهج التكامل المشترك باستخدام نموذج الانحدار الذاتي للفجوات الزمنية الموزعة (ARDL) من ناحية، ومدخل الذكاء الاصطناعي متمثلا في نموذج التعلم العميق (LSTM) من ناحية أخرى، للتنبؤ بعدد حالات الإصابات اليومية وحالات الوفيات الناتجة عن كوفيد- 19 في مصر خلال الفترة (مارس 2020- مارس 2021). تمثلت مساهمة هذا البحث في استكشاف أفضل طريقة للتنبؤ بحالات الإصابة وحالات الوفيات الناتجة عن كوفيد- 19 بشكل خاص، ومن ثم إمكانية التطبيق على ظواهر الواقع العملي بشكل عام. بالإضافة إلى قياس تأثير حركة ونشاط الأفراد على انتشار الوباء في مصر. توصلت النتائج إلى أن التنبؤ باستخدام منهج التعلم العميق (LSTM) يعطي أداء أفضل نسبيا (أخطاء تنبؤ أقل) من التنبؤ باستخدام النموذج القياسي، إلا أن النماذج القياسية تتميز ببعض الخصائص التي تميزها عن نماذج الذكاء الاصطناعي، ومن ثم فإن تقنيات الاقتصاد القياسي لا يمكن الاستغناء عنها أو استبدالها بتقنيات الذكاء الاصطناعي في التنبؤ، لكن يجب أن يتم دمجهم والاستفادة بهم معا.

Recently, researchers have applied the Artificial Intelligence, especially deep learning in forecasting, instead of the traditional econometrics’ methods. They argue that deep learning approach can improve the forecasting results by reducing the forecasting errors and saving time and cost. However, there is no empirical evidence for that, since there is a lack of research comparing the forecasting performance of these approaches. Consequently, the aim of this paper is to examine the latter argument and to identify the best technique to be used in forecasting the Covid-19 pandemic and others. In fact, the Covid-19 pandemic is defining a global health crisis, which is the hugest the world has faced since World War II. In addition to being threatened by GDP decline and income losses; fears of fetal effects of this epidemic makes it critical to predict the potential spread and identify the best techniques to be applied for that purpose. To achieve the aim of this study, two different methods of forecasting, namely an econometric approach named Autoregressive-Distributed Lag (ARDL) and a deep learning model named Long Short-Term Memory (LSTM) are utilized to forecast the number of daily cases and deaths of Covid-19 in Egypt (March 2020- March 2021). Consequently, the contribution of this paper is twofold; first, investigating the best way of forecasting the Covid-19 epidemic especially, and therefore real-life phenomena in general, second, assessing the impact of mobility on the incidence of the pandemic in Egypt. The results revealed that the LSTM method shows a slightly better forecasting performance even without using mobility data.
ISSN: 2356-9913

عناصر مشابهة


© 2025 المنظومة. جميع الحقوق محفوظة.