إطار تنبؤ هجين لتوقع متوسط العمر المتوقع في العراق: دمج تحليل السلاسل الزمنية لبرنامج Prophet مع قدرات التعلم الآلي لـ XGBoost لتحسين الدقة
الشريط الجانبي للمقالة
THIS IS AN OPEN ACCESS ARTICLE UNDER THE CC BY LICENSE
محتوى المقالة الرئيسي
الملخص
يُعدّ التنبؤ بالسلاسل الزمنية مهمة بالغة الأهمية في مجالات متنوعة كالاقتصاد والرعاية الصحية وإدارة سلاسل التوريد، حيث تُعدّ التنبؤات الدقيقة ضرورية لاتخاذ قرارات مدروسة. تركز هذه الدراسة على التنبؤ بمتوسط العمر المتوقع في العراق، وهي مهمة معقدة تتأثر بعوامل اجتماعية واقتصادية وصحية وديموغرافية. غالبًا ما تواجه الأساليب الإحصائية التقليدية صعوبة في رصد العلاقات غير الخطية الكامنة في هذه البيانات، مما دفع إلى البحث عن نماذج تنبؤ متقدمة. يستخدم هذا البحث منهجًا هجينًا يدمج بين Prophet، وهي أداة لتحليل السلاسل الزمنية طورتها شركة فيسبوك، وXGBoost، وهي خوارزمية تعلم آلي قوية معروفة بقدرتها على نمذجة العلاقات غير الخطية. على الرغم من أن أبحاثًا سابقة قد استكشفت نماذج هجينة، إلا أن هذه الدراسة، على حد علم الباحثين، هي الأولى التي تُطبّق نموذجًا هجينًا على هذه المجموعة من البيانات تحديدًا. يهدف النموذج الهجين إلى الجمع بين قوة Prophet في رصد الاتجاهات والموسمية وقدرة XGBoost على نمذجة التفاعلات المعقدة والبواقي. يُعالج المنهج الهجين قيود النماذج التقليدية وتقنيات التعلم الآلي عند استخدامها بشكل منفرد. يُسدّ هذا البحث ثغرةً في الدراسات السابقة من خلال تطبيق هذا الإطار المبتكر على العراق، مُزوّداً صانعي السياسات بتوقعاتٍ أكثر دقةً لتخطيط الرعاية الصحية والخدمات الاجتماعية. تُشير النتائج إلى أن النموذج الهجين يُقدّم تنبؤاتٍ أكثر دقةً وواقعيةً مقارنةً بنموذجي Prophet وXGBoost المُنفصلين. مع ذلك، تُظهر هذه الدراسة أن النماذج الهجينة تُحسّن من توقعات متوسط العمر المتوقع في العراق. ينبغي أن تُراعي الأبحاث المستقبلية تأثيرات الرعاية الصحية والاجتماعية والسياسية والبيئية. يُمكن لهذه النماذج أن تُسهم في وضع سياسات صحية أفضل في العراق.
التنزيلات
تفاصيل المقالة
المراجع
Ahmed, N. K., Atiya, A. F., Gayar, N. E., & El-Shishiny, H. (2010). An empirical comparison of machine learning models for time series forecasting. Econometric reviews, 29(5-6), 594-621.
Cleveland, R. B., Cleveland, W. S., McRae, J. E., & Terpenning, I. (1990). STL: A seasonal-trend decomposition. J. off. Stat, 6(1), 3-73.
Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. Annals of statistics, 1189-1232.
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: principles and practice. OTexts.
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and Machine Learning forecasting methods: Concerns and ways forward. PloS one, 13(3), e0194889.
Shmueli, G., & Lichtendahl Jr, K. C. (2016). Time Series Forecasting With R.
Taylor, S. J., & Letham, B. (2018). Forecasting at scale. The American Statistician, 72(1), 37-45.
Wolpert, D. H. (1992). Stacked generalization. Neural networks, 5(2), 241-259.
Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159-175.
Ali, T. H., Mahmood, A. P. D. S. H., & Wahdi, A. P. D. A. S. (2022). Using Proposed Hybrid method for neural networks and wavelet to estimate time series model. Tikrit Journal of Administrative and Economic Sciences, 18(57 part 3).
Karim, A. J. M., & Ahmed, N. M. (2023). Multivariate time series analysis of COVID-19 Pandemic and gold price by using Error Corrections Model. Tikrit Journal of Administrative and Economic Sciences, 19(64 part 1).
Wang, J., Du, X., & Qi, X. (2022). Strain prediction for historical timber buildings with a hybrid Prophet-XGBoost model. Mechanical Systems and Signal Processing, 179, 109316.
Odhiambo, S. O., Nyakundi, C., & Waititu, H. (2024). Developing a Hybrid ARIMA-XGBOOST Model for Analysing Mobile Money Transaction Data in Kenya. Asian Journal of Probability and Statistics, 26(10), 10-9734.
Zeng, S., Liu, C., Zhang, H., Zhang, B., & Zhao, Y. (2025). Short-Term Load Forecasting in Power Systems Based on the Prophet–BO–XGBoost Model. Energies, 18(2), 227.
Chen, T., & Guestrin, C. (2016, August). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining (pp. 785-794).