مقایسه روش های رگرسیون خطی و شبکه عصبی مصنوعی در پیش بینی میزان مرگ و میر به عنوان تابعی از دمای هوا (مطالعه موردی: تهران)

مقدمه: تغییرات فصلی و روزانه مرگ و میر ارتباط مستقیمی با دما دارد. در این تحقیق داده های روزانه مرگ و میر و پارامتر دما طی دوره 2005 -2002 مورد استفاده قرار گرفته است. روش کار: برای پردازش داده ها روش های تعیین ضریب همبستگی پیرسون، رگرسیون خطی ساده، رگرسیون چندجمله ای و شبکه های عصبی مصنوعی به عنوان یک روش غیر خطی ( ann )استفاده شده است. یافته ها: نتایج حاصل از کاربرد و تحلیل همبستگی پیرسون نشانگر همبستگی منفی و معنی دار بین پارامتر دما با میانگین ماهانه تعداد کل مرگ و میر و مرگ و میر ناشی از بیماری های قلبی می باشد. ارتباط بین این دو با استفاده از شبکه عصبی و الگوریتم های ژنتیکی در مقایسه با روش های کلاسیک از جمله رگرسیون خطی و رگرسیون چندجمله ای نیز نشان می دهد که ترکیب شبکه عصبی مصنوعی با الگوریتم ژنتیک نتیجه بهتری را ارایه می کند. به این صورت که بعد از آزمون شبکه با لایه های پنهان و ضرایب یادگیری مختلف در حالتی که نمونه ها به صورت منظم قرار گرفته دقت مدل افزایش پیدا می کند. بحث: با توجه به نتایج حاصله می توان گفت که شبکه عصبی به خوبی رابطه غیرخطی بین میانگین ماهانه مرگ و میر را در ارتباط با دمای هوا پیش بینی می کند. ولی در عین حال با ترکیب الگوریتم ژنتیک و شبکه عصبی سرعت تحلیل و دقت فرآیند افزایش می یابد به عبارتی دیگر میزان خطا کاهش می یابد.