matlab用高斯曲线拟合模型分析疫情数据

发布时间:2023-03-25 08:30

原文链接:http://tecdat.cn/?p=19211 

原文出处:拓端数据部落公众号

随着新型冠状病毒COVID-19的威胁遍及世界,我们生活在一个日益担忧的时代,本文用matlab分析COVID-19数据集。

COVID-19数据源

我们检查解压缩的文件。包含:

  • data.csv -2020年各省/州的全球病例每日水平数据
  • confirmed.csv-确诊病例的时间序列数据
  • deaths.csv-死亡人数的时间序列数据
  • recovered.csv-康复人数的时间序列数据

地图上可视化

我们在地图上可视化已确诊病例的数量。我们首先加载纬度和经度变量。

opts = detectImportOptions(filenames(4), \"TextType\",\"string\");

数据集包含“省/州”变量,但我们要在“国家/地区”等级汇总数据。在此之前,我们需要稍微整理一下数据。

times\\_conf.(\"Country/Region\")(times\\_conf.(\"Country/Region\") == \"China\") = \"Mainland China\";
times\\_conf.(\"Country/Region\")(times\\_conf.(\"Country/Region\") == \"Czechia\") = \"Czech Republic\";

现在,我们可以使用  groupsummary  将已确认的案例相加并平均经纬度来按国家/地区汇总数据。

country = groupsummary(times_conf,\"Country/Region\",{\'sum\',\'mean\'},vars(3:end));

输出中包含不必要的列,例如纬度和经度的总和。我们删除这些变量。

vars = regexprep(vars,\"^(sum_)(?=L(a|o))\",\"remove_\");
vars = regexprep(vars,\"^(mean_)(?=\\[0-9\\])\",\"remove_\");
times\\_conf\\_exChina = times\\_conf\\_country(times\\_conf\\_country.(\"Country/Region\") ~= \"Mainland China\",:);

让我们使用  geobubble  可视化数据集中的第一个和最后一个日期数据。

for ii = \\[4, length(vars)\\]
    times\\_conf\\_exChina.Category = categorical(repmat(\"<100\",height(times\\_conf\\_exChina),1));
    times\\_conf\\_exChina.Category(table2array(times\\_conf\\_exChina(:,ii)) >= 100) = \">=100\";
    gb.LegendVisible = \"off\";

\"matlab用高斯曲线拟合模型分析疫情数据_第1张图片\"

我们可以看到它最初只影响了大陆周围的国家/地区。值得注意的是,我们早在2020年1月22日就已经在美国确认了病例。

美国确诊病例

进入美国的省/州级别。

figure
t = tiledlayout(\"flow\");
for ii = \\[5, length(vars)\\]

    gb.BubbleColorList = \\[1,0,1;1,0,0\\];
    gb.LegendVisible = \"off\";
    gb.Title = \"As of \" + vars(ii);
    gb.SizeLimits = \\[0, max(times\\_conf\\_us.(vars{length(vars)}))\\];
    gb.MapCenter = \\[44.9669 -113.6201\\];
    gb.ZoomLevel = 1.7678;

\"matlab用高斯曲线拟合模型分析疫情数据_第2张图片\"

可以看到它始于华盛顿,并在加利福尼亚和纽约爆发了大规模疫情。

按确诊病例排名国家/地区

让我们使用covid\\_19\\_data.csv比较按国家/地区确认的病例数。日期时间格式中存在不一致之处,因此我们一开始会将其视为文本。

opts = detectImportOptions(filenames(3), \"TextType\",\"string\",\"DatetimeType\",\"text\");

清理日期时间格式。

Data.nDate = regexprep(Data.Date,\"\\\\/20$\",\"/2020\");
Data.Date = datetime(Data.Date);

我们还需要标准化“国家/地区”中的值。

Country\\_Region(Country\\_Region == \"Iran (Islamic Republic of)\") = \"Iran\";

数据集包含省/州变量。让我们在“国家/地区”级别汇总数据。

countryData = groupsummary(provData,{\'ObservationDate\',\'Country_Region\'}, ...
    \"sum\",{\'Confirmed\',\'Deaths\',\'Recovered\'});

countryData包含每日累积数据。我们只需要最新的数字。

确认病例按国家/地区的增长

我们还可以检查这些国家中病例的增长速度。

figure
plot(countryData.ObservationDate(countryData.Country_Region == labelsK(2)), ...
hold on
for ii = 3:length(labelsK)
    plot(countryData.ObservationDate(countryData.Country_Region == labelsK(ii)), ...

\"matlab用高斯曲线拟合模型分析疫情数据_第3张图片\"

尽管韩国显示出增长放缓的迹象,但它在其他地方正在加速发展。

按国家/地区划分的新病例增长

我们可以通过减去两个日期之间已确认病例的累计数量来计算新病例的数量。

for ii = 1:length(labelsK)
    country = provData(provData.Country_Region == labelsK(ii),:);
    country = groupsummary(country,{\'ObservationDate\',\'Country_Region\'}, ...

    if labelsK(ii) ~= \"Others\"
        nexttile

您可以看到,中国和韩国没有很多新病例。可见,已经遏制住了疫情。

中国

由于中国的感染速度正在放缓,我们来看看仍有多少活跃病例。您可以通过从确诊病例中减去恢复病例和死亡来计算活跃病例。

for ii = 1:length(labelsK)
    by\\_country{ii}.Active = by\\_country{ii}.Confirmed - by_country{ii}.Deaths - 

figure

\"matlab用高斯曲线拟合模型分析疫情数据_第4张图片\"

拟合曲线

有效案例的数量正在下降,曲线看起来大致为高斯曲线。我们可以拟合高斯模型并预测活动案例何时为零吗?

我使用  曲线拟合工具箱  进行高斯拟合

ft = fittype(\"gauss1\");

\\[fobj, gof\\] = fit(x,y,ft,opts);
gof
gof = 
  struct with fields:

           sse: 4.4145e+08
       rsquare: 0.9743
           dfe: 47
    adjrsquare: 0.9732
          rmse: 3.0647e+03

让我们通过增加20天来将输出预测。

现在我们对结果进行绘制。

figure
area(ObservationDate,by_country{1}.Active)
hold on
plot(xdates,yhat,\"lineWidth\",2)

\"matlab用高斯曲线拟合模型分析疫情数据_第5张图片\"

韩国

让我们来查看韩国的活跃病例,恢复案例和死亡人数。

\"matlab用高斯曲线拟合模型分析疫情数据_第6张图片\"

使用高斯模型无法获得任何合适的结果。


最受欢迎的见解

1.在python中使用lstm和pytorch进行时间序列预测

2.python中利用长短期记忆模型lstm进行时间序列预测分析

3.使用r语言进行时间序列(arima,指数平滑)分析

4.r语言多元copula-garch-模型时间序列预测

5.r语言copulas和金融时间序列案例

6.使用r语言随机波动模型sv处理时间序列中的随机波动

7.r语言时间序列tar阈值自回归模型

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.python3用arima模型进行时间序列预测

ItVuer - 免责声明 - 关于我们 - 联系我们

本网站信息来源于互联网,如有侵权请联系:561261067@qq.com

桂ICP备16001015号