The Prediction of Covid-19 Situation Using Deep Learning and Geographic Information System

Abstract

Following the COVID-19 pandemic, Thailand has been affected in various ways, with the most noticeable impact being a significant economic downturn and a substantial impact on public health. This includes the loss of medical resources and personnel in the fight against the pandemic. Even having experienced these major social, economic and public health impacts, Thailand still lacks the necessary tools for analyzing and predicting future pandemic scenarios. Therefore, we propose a development model for predicting the impact of pandemics such as COVID-19, particularly by applying Long Short-Term Memory (LSTM) and Multilayer Perceptron (MLP) models to build a predictive model for forecasting the effects on public health of such events in Thailand. Thailand has 77 provinces, and the data used for this experiment was obtained from the Thai government's Department of Disease Control which collected the health data from all provinces. Two types of data were used in this experiment: dynamic (time series) and static. The process involves two steps: 1) using LSTM to handle time series data; and 2) using an MLP model to manage static data. This paper divides the prediction into two sets: predicting cumulative infections and predicting cumulative deaths. The experiment results showed that using a combination of the LSTM model with MLP provides the most accurate predictions with a prediction accuracy rate of 98.60% for cumulative cases and 94.94% accuracy for predicting cumulative deaths. Model accuracy was measured by using the mean absolute error (MAE). As part of the research, a web application showing the results graphically was also developed. This web application can display the health data for each province on a map of Thailand.

ภายหลังการแพร่ระบาดของโควิด-19 ประเทศไทยได้รับผลกระทบหลายประการ โดยที่เห็นได้ชัดเจนที่สุดคือภาวะเศรษฐกิจตกต่ำและส่งผลกระทบต่อสุขภาพอย่างมาก รวมถึงการสูญเสียทรัพยากรทางการแพทย์และบุคลากรในการต่อสู้กับโรคระบาด อย่างไรก็ตาม ประเทศไทยยังขาดเครื่องมือวิเคราะห์และคาดการณ์ที่จำเป็นในการเตรียมพร้อมสำหรับสถานการณ์การแพร่ระบาดในอนาคต ดังนั้นผู้วิจัยจึงนำเสนอการพัฒนาแบบจำลองสำหรับการทำนายการแพร่กระจายของ COVID-19 โดยเฉพาะอย่างยิ่งการประยุกต์ใช้แบบจำลอง Long Short-Term Memory (LSTM) และแบบจำลอง Multilayer Perceptron (MLP) มาประยุกต์ใช้ในการสร้างแบบจำลองสำหรับการทำนายสถานการณ์การแพร่ระบาดของเชื้อโควิด-19 ประเทศไทยมีทั้งหมด 77 จังหวัด ข้อมูลที่ใช้ในการทดลองนี้ได้มาจากกรมควบคุมโรคของรัฐบาลไทย การสร้างแบบจำลองใช้ข้อมูลสองประเภทคือ Dynamic-time Series (อนุกรมเวลา) และ Static Data (คงที่) มีสองขั้นตอนคือ 1) ใช้ LSTM เพื่อจัดการข้อมูลอนุกรมเวลาและ 2) ใช้โมเดล MLP เพื่อจัดการข้อมูลแบบคงที่ งานวิจัยนี้ทำนายจำนวนผู้ติดเชื้อสะสมและทำนายจำนวนผู้เสียชีวิตสะสม จากผลการทดลองพบว่าการใช้แบบจำลอง LSTM ร่วมกับ MLP เป็นแบบจำลองที่มีความถูกต้องมากที่สุดโดยความแม่นยำในการทำนายจำนวนผู้ติดเชื้อสะสมร้อยละ 98.60 และมีความแม่นยำในการทำนายจำนวนผู้เสียชีวิตสะสมร้อยละ 94.94 โดยการวัดค่าความคลาดเคลื่อนของโมเดลจาก Mean Absolute Error (MAE) นอกจากนี้ผลการทำนายของแต่ละจังหวัดในประเทศไทยที่ได้จากการพัฒนาแบบจำลองจะนำไปแสดงผลบนแผนที่ประเทศไทยบนเว็บแอปพลิเคชัน