مقایسه روش‌های رگرسیون خطی و شبکه عصبی مصنوعی در پیش‌بینی 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 داده‌های روزانه مرگ و میر و پارامتر دما طی دوره 2005 -2002 مورد استفاده قرار گرفته است. روش کار: برای پردازش داده‌ها روش‌های تعیین ضریب همبستگی پیرسون، رگرسیون خطی ساده، رگرسیون چندجمله‌ای و شبکه‌های عصبی مصنوعی به عنوان یک روش غیر خطی ( ANN )استفاده شده است. یافته‌ها: نتایج حاصل از کاربرد و تحلیل همبستگی پیرسون نشانگر همبستگی منفی و معنی‌دار بین پارامتر دما با میانگین ماهانه تعداد کل مرگ و میر و مرگ و میر ناشی از بیماری‌های قلبی می‌باشد. ارتباط بین این دو با استفاده از شبکه عصبی و الگوریتم‌های ژنتیکی در مقایسه با روش‌های کلاسیک از جمله رگرسیون خطی و رگرسیون چندجمله‌ای نیز نشان می‌دهد که ترکیب شبکه عصبی مصنوعی با الگوریتم ژنتیک نتیجه بهتری را ارایه می‌کند. به این صورت که بعد از آزمون شبکه با لایه‌های پنهان و ضرایب یادگیری مختلف در حالتی که نمونه‌ها به صورت منظم قرار گرفته دقت مدل افزایش پیدا می‌کند. بحث: با توجه به نتایج حاصله می‌توان گفت که شبکه عصبی به خوبی رابطه غیرخطی بین میانگین ماهانه مرگ و میر را در ارتباط با دمای هوا پیش‌بینی می‌کند. ولی در عین حال با ترکیب الگوریتم ژنتیک و شبکه عصبی سرعت تحلیل و دقت فرآیند افزایش می‌یابد به عبارتی دیگر میزان خطا کاهش می‌یابد.