A Future Search Optimization based Hybrid Meta-Heuristic Algorithm for Pandemic Spread and Mortality Prediction

في عالم الصحة العامة المعقد، غالبًا ما يكون التنبؤ بالمستقبل مسأًلة حياة أو موت. فعندما ينتشر فيروس ما، تحتاج الحكومات إلى معرفة ليس فقط عدد الأشخاص المرضى اليوم، بل كم منهم قد يمرض غدًا. هذا هو مجال نمذجة السلاسل الزمنية، وهي طريقة للنظر في الأنماط الماضية للتنبؤ بما سيأتي لاحقًا. لعقود من الزمن، استخدم العلماء أدوات إحصائية لرسم خطوط عبر نقاط البيانات، آملين في رؤية شكل الأشياء القادمة. ومع ذلك، فإن انتشار الأمراض نادرًا ما يكون خطًا مستقيمًا؛ فهو ظاهرة فوضوية ومتغيرة تتأثر بالسلوك البشري، والتغيرات في السياسات، والعوامل البيولوجية. وللتنقل عبر هذا التعقيد، لجأ الباحثون إلى الذكاء الاصطناعي، وتحديدًا نوع من البرامج الحاسوبية يسمى الشبكة العصبية. فكر في الشبكة العصبية كدماغ رقمي يتعلم من الأمثلة، ويعدل اتصالاته الداخلية حتى يتمكن من التعرف على الأنماط التي قد تغفل عنها الرياضيات التقليدية. ومع ذلك، حتى هذه الأدمغة الرقمية يمكن أن تتعثر أو ترتكب أخطاءً إذا لم يتم توجيهها بشكل صحيح. وهنا يأتي دور فئة أحدث من أدوات حل المشكلات، تُعرف باسم الخوارزميات الاستكشافية (meta-heuristic algorithms). وهي استراتيجيات حوسبية مستوحاة من الطبيعة — مثل كيفية تجمهر الطيور أو كيفية صيد الحيتان — والتي تساعد الحواسيب على البحث عبر احتمالات شاسعة لإيجال الحل الأفضل، وتجنب المآزق والنهايات المسدودة.

وعلى خلفية الحاجة الملحة والابتكار التكنولوجي هذه، شرع باحث في جامعة الخاتم في طهران في تحسين كيفية تنبؤنا بالحصيلة المميتة لجائحة كوفيد-19. ومن خلال التركيز على هولندا، وهي دولة شهدت موجات كبيرة من العدوى، حللت الدراسة سجلات الوفيات اليومية من بداية التفشي في فبراير 2020 حتى أبريل 2021. لم يكن الهدف مجرد إحصاء الموتى، بل بناء آلة تنبؤ أكثر دقة. بدأ الباحث بتغذية الكمبيوتر بمجموعة واسعة من نقاط البيانات المستمدة من أرقام الوفيات اليومية. وبدلاً من استخدام العدد الخام للوفيات فقط، قام الفريق بتحويل هذه البيانات إلى ستة عشر مؤشرًا رياضيًا مختلفًا، تمامًا كما قد ينظر المحلل المالي إلى المتوسطات المتحركة أو الزخم للتنبؤ بأسعار الأسهم. ساعدت هذه المؤشرات الكمبيوتر على رؤية الاتجاهات، وسرعة التغيير، وتقلب منحنى الجائحة. ولضمان عدم إرهاق الكمبيوتر بمعلومات غير ضرورية، استخدم الباحث خوارزمية جينية، وهي عملية تحاكي التطور البيولوجي، لغربلة البيانات واختيار المؤشرات الأكثر صلة فقط للنموذج النهائي.

بعد إعداد البيانات، اختبرت الدراسة عدة طرق مختلفة لتدريب نموذج التنبؤ. كانت نقطة الأساس هي الشبكة العصبية الاصطناعية القياسية، وهي أداة قوية في حد ذاتها. ومع ذلك، قدم الباحث بعد ذلك أربع خوارمازميات استكشافية مختلفة لمعرفة ما إذا كان بإمكانها توجيه الشبكة العصبية نحو إجابة أفضل. وشملت هذه خوارزمية "تحسين لهب العثة" (Moth-Flame Optimization)، التي تحاكي كيفية تنقل العث بواسطة الضوء؛ وخوارزمية "تحسين الحوت" (Whale Optimization Algorithm)، التي تحاكي استراتيجية صيد شبكة الفقاعات لدى حيتان أحدب؛ وخوارزمية "بناء أهرامات الجيزة" (Giza Pyramids Construction)، التي تستمد من فيزياء نقل الأحجار الثقيلة عبر منحدر؛ وطريقة أحدث تسمى "تحسين البحث المستقبلي" (Future Search Optimization). هذه الخوارزمية الأخيرة فريدة في نهجها، حيث تحاكي كيف يحاول الناس في المجتمع تحسين حياتهم من خلال محاكاة الأفراد الأكثر نجاحًا، وتعديل مسارهم باستمرار نحو مثالية عالمية. طُلب من الكمبيوتر تشغيل هذه الاستراتيجيات المختلفة آلاف المرات، وفي كل مرة يحاول تقليل الخطأ بين تنبؤه والبيانات التاريخية الفعلية.

كانت نتائج هذه التجربة الرقمية المكثفة واضحة وحاسمة. وبينما قدمت الشبكة العصبية القياسية توقعًا جيدًا، إلا أن الخوارزميات التي استخدمت التوجيه المستوحى من الطبيعة تفوقت عليها. ومن بين الطرق المختلفة التي تم اختبارها، برزت خوارزمية "تحسين البحث المستقبلي" كأكثر أداة دقة. فقد حققت مستوى من الدقة يتجاوز بمراحل الطرق الأخرى، بما في ذلك الاستراتيجيات المستوحاة من الحوت والعثة. ووجدت الدراسة أن هذه الخوارزمية يمكنها التنقل في بيانات الجائحة الفوضوية بدرجة من الدقة لا تستطيع النماذج الأخرى مضاهاتها، مما يجد المسار الأمثل عبر ضجيج التقلبات اليومية بفعالية. وأظهر البحث أنه من خلال الجمع بين قدرة الشبكات العصبية على التعرف على الأنماط وقدرة البحث الاستراتيجية لهذه الخوارزميات المتقدمة، يمكن إنشاء نموذج يكون أسرع وأكثر دقة في آن واحد. وتخلص الدراسة إلى أنه بالنسبة للأوبئة المستقبلية، فإن الاعتماد على هذه الأساليب الهجينة يمكن أن يوفر للحكومات الاستشراف الموثوق اللازم لاتخاذ قرارات في الوقت المناسب، مما قد ينقذ الأرواح من خلال السماح بتدخلات مبكرة وأكثر فعالية. ويشير العمل إلى أن مفتاح فهم مستقبل انتشار الأمراض لا يكمن فقط في النظر إلى الماضي، بل في استخدام الأدوات الحوسبية الصحيحة لتفسيره.