Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Kongresse
Themenseiten
Künstliche Intelligenz Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Veranstaltungskalender Awards MyNewsletter Firmensuche
Kunden Login
Über Einzelzugang informieren
Über Unternehmenszugang informieren
Referenzkunden
Zukunftswerkstatt Sales Excellence 2025 | 08. Mai 2025

KI als Booster im Vertrieb

Lernen Sie von Digital-Experten, wie der gezielte Einsatz von KI-Unterstützung Ihrem Unternehmen in vielen Bereichen hilft, im Vertrieb einen Schritt voraus zu sein. Jetzt wieder live vor Ort teilnehmen in Frankfurt am Main!
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

A Moving Average Genetic Algorithm (MA-GA) for Estimating the COVID-19 Dynamic Based on a Stochastic SIRD Model

verfasst von : Endah R. M. Putri, Aldi E. W. Widianto, Amirul Hakam, Venansius R. Tjahjono, Hadi Susanto

Erschienen in: Applied and Computational Mathematics

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this study, we examine the transmission of the COVID-19 outbreak using a constructed SIRD stochastic model. To determine the most appropriate model parameters, three stochastic models are proposed, and genetic algorithms (GA) are employed. However, the standard GA has proven inadequate in obtaining suitable parameters for the model, leading to occasional discrepancies in tracking trends from actual case data. To overcome this limitation, we propose a novel modification of the genetic algorithm, termed the Moving Average Genetic Algorithm (MA-GA). Unlike the standard GA, our MA-GA continuously updates the parameters at predetermined intervals, resulting in significantly improved accuracy. By applying this method, we achieve higher precision in providing solutions for the stochastic SIRD model, thereby enhancing its ability to accurately reflect the real-world dynamics of the COVID-19 outbreak.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Adaptive Kalman Filter for Automated Actuator Fault Diagnosis in Unmanned Surface Vehicle
Nächstes Kapitel A General Solution of Black–Scholes Equations on Some Rainbow Options
Literatur
1.
Alanazi, S.A., Kamruzzaman, M., Alruwaili, M., Alshammari, N., Alqahtani, S.A., Karime, A.: Measuring and preventing COVID-19 using the SIR model and machine learning in smart health care. J. Healthc. Eng. (2020)
2.
Calafiore, G.C., Novara, C., Possieri, C.: A time-varying SIRD model for the COVID-19 contagion in Italy. Ann. Rev. Control (2020)
3.
Chen, H., Cox, S.H.: An option-based operational risk management model for pandemics. North Am. Actuarial J. 13(1), 54–76 (2009)MathSciNetCrossRef
4.
Christensen, P.A., Olsen, R.J., Long, S.W., Snehal, R., Davis, J.J., Saavedra, M.O., Reppond, K., Shyer, M.N., Cambric, J., Gadd, R., et al.: Signals of significantly increased vaccine breakthrough, decreased hospitalization rates, and less severe disease in patients with COVID-19 caused by the Omicron variant of SARS-CoV-2 in Houston, Texas. Am. J. Pathol. (2022)
5.
Cooper, I., Mondal, A., Antonopoulos, C.G.: A SIR model assumption for the spread of covid-19 in different communities. Chaos Solitons Fractals 139, 110057 (2020)MathSciNetCrossRef
6.
Dieu, N.T., Nguyen, D.H., Du, N.H., Yin, G.: Classification of asymptotic behavior in a stochastic sir model. SIAM J. Appl. Dyn. Syst. 15(2), 1062–1084 (2016)MathSciNetCrossRef
7.
Donthu, N., Gustafsson, A.: Effects of covid-19 on business and research. J. Bus. Res. 117, 284–289 (2020)CrossRef
8.
El Koufi, A., Adnani, J., Bennar, A., Yousfi, N.: Analysis of a stochastic SIR model with vaccination and nonlinear incidence rate. Int. J. Differ. Equ. (2019)
9.
Ferguson, N.M., Laydon, D., Nedjati-Gilani, G., Imai, N., Ainslie, K., Baguelin, M., Bhatia, S., Boonyasiri, A., Cucunubá, Z., Cuomo-Dannenburg, G., et al.: Impact of non-pharmaceutical interventions (NPIs) to reduce COVID-19 mortality and healthcare demand (2020)
10.
Gray, A., Greenhalgh, D., Hu, L., Mao, X., Pan, J.: A stochastic differential equation SIS epidemic model. SIAM J. Appl. Math. 71(3), 876–902 (2011)MathSciNetCrossRef
11.
Hasan, A., Putri, E.R., Susanto, H., Nuraini, N.: Data-driven modeling and forecasting of COVID-19 outbreak for public policy making. ISA Trans. (2021)
12.
Hasan, A., Susanto, H., Tjahjono, V., Kusdiantara, R., Putri, E., Nuraini, N., Hadisoemarto, P.: A new estimation method for COVID-19 time-varying reproduction number using active cases. Sci. Rep. 12(1), 1–9 (2022)CrossRef
13.
Kermack, W.O., McKendrick, A.G.: A contribution to the mathematical theory of epidemics. Proc. R. Soc. London. Ser. A Containing Pap. Math. Phys. Charact. 115(772), 700–721 (1927)
14.
McCall, J.: Genetic algorithms for modelling and optimisation. J. Comput. Appl. Math. 184(1), 205–222 (2005)MathSciNetCrossRef
15.
Miao, A., Zhang, T., Zhang, J., Wang, C.: Dynamics of a stochastic SIR model with both horizontal and vertical transmission. J. Appl. Anal. Comput 8(4), 1108–1121 (2018)MathSciNet
16.
Ndaïrou, F., Area, I., Nieto, J.J., Torres, D.F.: Mathematical modeling of COVID-19 transmission dynamics with a case study of Wuhan. Chaos Solitons Fractals 135, 109846 (2020)MathSciNetCrossRef
17.
Putri, E.R., Iqbal, M., Shahab, M.L., Fadhilah, H.N., Mukhlash, I., Arif, D.K., Apriliani, E., Susanto, H.: COVID-19 outbreak prediction in Indonesia based on machine learning and SIRD-based hybrid methods. Nonlinear Dyn. Syst. Theory 21(5), 495 (2021)MathSciNet
18.
Rahimi, I., Gandomi, A.H., Asteris, P.G., Chen, F.: Analysis and prediction of COVID-19 using SIR, SEIQR and machine learning models: Australia, Italy and UK cases. Information 12(3), 109 (2021)CrossRef
19.
Rihan, F.A., Alsakaji, H.J., Rajivganthi, C.: Stochastic SIRC epidemic model with time-delay for covid-19. Adv. Differ. Equ. 2020(1), 1–20 (2020)MathSciNetCrossRef
20.
Tjahjono, V.R., Kurniawan, H., Hakam, A., Putri, E.R., Susanto, H., et al.: Epidemic modeling of COVID-19 in the ASEAN countries using a genetic partial fitting algorithm with the presence of a second wave. J. Appl. Sci. Eng. 24(6), 900–914 (2021)
21.
Tornatore, E., Buccellato, S.M., Vetro, P.: Stability of a stochastic SIR system. Phys. A 354, 111–126 (2005)CrossRef
Metadaten
Titel
A Moving Average Genetic Algorithm (MA-GA) for Estimating the COVID-19 Dynamic Based on a Stochastic SIRD Model
verfasst von
Endah R. M. Putri
Aldi E. W. Widianto
Amirul Hakam
Venansius R. Tjahjono
Hadi Susanto
Copyright-Jahr
2024
Verlag
Springer Nature Singapore
Buch
Applied and Computational Mathematics

Print ISBN: 978-981-9721-35-1

Electronic ISBN: 978-981-9721-36-8

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-981-97-2136-8_13

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Zur Marktübersicht
    Bildnachweise