原文鏈接：http://tecdat.cn/?p=19211?

原文出處：拓端數(shù)據(jù)部落公眾號(hào)

隨著新型冠狀病毒COVID-19的威脅遍及世界，我們生活在一個(gè)日益擔(dān)憂的時(shí)代，本文用matlab分析COVID-19數(shù)據(jù)集。

COVID-19數(shù)據(jù)源

我們檢查解壓縮的文件。包含:

• data.csv -2020年各省/州的全球病例每日水平數(shù)據(jù)

• confirmed.csv-確診病例的時(shí)間序列數(shù)據(jù)

• deaths.csv-死亡人數(shù)的時(shí)間序列數(shù)據(jù)

• recovered.csv-康復(fù)人數(shù)的時(shí)間序列數(shù)據(jù)

地圖上可視化

我們?cè)诘貓D上可視化已確診病例的數(shù)量。我們首先加載緯度和經(jīng)度變量。

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

數(shù)據(jù)集包含“省/州”變量，但我們要在“國(guó)家/地區(qū)”等級(jí)匯總數(shù)據(jù)。在此之前，我們需要稍微整理一下數(shù)據(jù)。

1. times_conf.("Country/Region")(times_conf.("Country/Region") == "China") = "Mainland China";

2. times_conf.("Country/Region")(times_conf.("Country/Region") == "Czechia") = "Czech Republic";

現(xiàn)在，我們可以使用??groupsummary? 將已確認(rèn)的案例相加并平均經(jīng)緯度來(lái)按國(guó)家/地區(qū)匯總數(shù)據(jù)。

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

輸出中包含不必要的列，例如緯度和經(jīng)度的總和。我們刪除這些變量。

1. 


2. vars = regexprep(vars,"^(sum_)(?=L(a|o))","remove_");

3. vars = regexprep(vars,"^(mean_)(?=[0-9])","remove_");

times_conf_exChina = times_conf_country(times_conf_country.("Country/Region") ~= "Mainland China",:);

讓我們使用??geobubble??可視化數(shù)據(jù)集中的第一個(gè)和最后一個(gè)日期數(shù)據(jù)。

1. 


2. for ii = [4, length(vars)]

3. times_conf_exChina.Category = categorical(repmat("<100",height(times_conf_exChina),1));

4. times_conf_exChina.Category(table2array(times_conf_exChina(:,ii)) >= 100) = ">=100";

5. gb.LegendVisible = "off";

6. 


我們可以看到它最初只影響了大陸周圍的國(guó)家/地區(qū)。值得注意的是，我們?cè)缭?020年1月22日就已經(jīng)在美國(guó)確認(rèn)了病例。

美國(guó)確診病例

進(jìn)入美國(guó)的省/州級(jí)別。

1. figure

2. t = tiledlayout("flow");

3. for ii = [5, length(vars)]

4. 


5. gb.BubbleColorList = [1,0,1;1,0,0];

6. gb.LegendVisible = "off";

7. gb.Title = "As of " + vars(ii);

8. gb.SizeLimits = [0, max(times_conf_us.(vars{length(vars)}))];

9. gb.MapCenter = [44.9669 -113.6201];

10. gb.ZoomLevel = 1.7678;

可以看到它始于華盛頓，并在加利福尼亞和紐約爆發(fā)了大規(guī)模疫情。

按確診病例排名國(guó)家/地區(qū)

讓我們使用covid_19_data.csv比較按國(guó)家/地區(qū)確認(rèn)的病例數(shù)。日期時(shí)間格式中存在不一致之處，因此我們一開(kāi)始會(huì)將其視為文本。

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

清理日期時(shí)間格式。

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

2. Data.Date = datetime(Data.Date);

我們還需要標(biāo)準(zhǔn)化“國(guó)家/地區(qū)”中的值。

Country_Region(Country_Region == "Iran (Islamic Republic of)") = "Iran";

數(shù)據(jù)集包含省/州變量。讓我們?cè)凇皣?guó)家/地區(qū)”級(jí)別匯總數(shù)據(jù)。

1. countryData = groupsummary(provData,{'ObservationDate','Country_Region'}, ...

2. "sum",{'Confirmed','Deaths','Recovered'});

countryData包含每日累積數(shù)據(jù)。我們只需要最新的數(shù)字。

確認(rèn)病例按國(guó)家/地區(qū)的增長(zhǎng)

我們還可以檢查這些國(guó)家中病例的增長(zhǎng)速度。

1. figure

2. plot(countryData.ObservationDate(countryData.Country_Region == labelsK(2)), ...

3. hold on

4. for ii = 3:length(labelsK)

5. plot(countryData.ObservationDate(countryData.Country_Region == labelsK(ii)), ...

盡管韓國(guó)顯示出增長(zhǎng)放緩的跡象，但它在其他地方正在加速發(fā)展。

按國(guó)家/地區(qū)劃分的新病例增長(zhǎng)

我們可以通過(guò)減去兩個(gè)日期之間已確認(rèn)病例的累計(jì)數(shù)量來(lái)計(jì)算新病例的數(shù)量。

1. 


2. for ii = 1:length(labelsK)

3. country = provData(provData.Country_Region == labelsK(ii),:);

4. country = groupsummary(country,{'ObservationDate','Country_Region'}, ...

5. 


6. if labelsK(ii) ~= "Others"

7. nexttile

8. 


您可以看到，中國(guó)和韓國(guó)沒(méi)有很多新病例?？梢?jiàn)，已經(jīng)遏制住了疫情。

中國(guó)

由于中國(guó)的感染速度正在放緩，我們來(lái)看看仍有多少活躍病例。您可以通過(guò)從確診病例中減去恢復(fù)病例和死亡來(lái)計(jì)算活躍病例。

1. for ii = 1:length(labelsK)

2. by_country{ii}.Active = by_country{ii}.Confirmed - by_country{ii}.Deaths -

3. 


4. figure

擬合曲線

有效案例的數(shù)量正在下降，曲線看起來(lái)大致為高斯曲線。我們可以擬合高斯模型并預(yù)測(cè)活動(dòng)案例何時(shí)為零嗎？

我使用??曲線擬合工具箱??進(jìn)行高斯擬合。

1. 


2. ft = fittype("gauss1");

3. 


4. [fobj, gof] = fit(x,y,ft,opts);

5. gof

1. gof =

2. struct with fields:

3. 
   

4. sse: 4.4145e+08

5. rsquare: 0.9743

6. dfe: 47

7. adjrsquare: 0.9732

8. rmse: 3.0647e+03

讓我們通過(guò)增加20天來(lái)將輸出預(yù)測(cè)。

現(xiàn)在我們對(duì)結(jié)果進(jìn)行繪制。

1. figure

2. area(ObservationDate,by_country{1}.Active)

3. hold on

4. plot(xdates,yhat,"lineWidth",2)

韓國(guó)

讓我們來(lái)查看韓國(guó)的活躍病例，恢復(fù)案例和死亡人數(shù)。

使用高斯模型無(wú)法獲得任何合適的結(jié)果。

?

最受歡迎的見(jiàn)解

1.在python中使用lstm和pytorch進(jìn)行時(shí)間序列預(yù)測(cè)

2.python中利用長(zhǎng)短期記憶模型lstm進(jìn)行時(shí)間序列預(yù)測(cè)分析

3.使用r語(yǔ)言進(jìn)行時(shí)間序列（arima，指數(shù)平滑）分析

4.r語(yǔ)言多元copula-garch-模型時(shí)間序列預(yù)測(cè)

5.r語(yǔ)言copulas和金融時(shí)間序列案例

6.使用r語(yǔ)言隨機(jī)波動(dòng)模型sv處理時(shí)間序列中的隨機(jī)波動(dòng)

7.r語(yǔ)言時(shí)間序列tar閾值自回歸模型

8.r語(yǔ)言k-shape時(shí)間序列聚類方法對(duì)股票價(jià)格時(shí)間序列聚類

9.python3用arima模型進(jìn)行時(shí)間序列預(yù)測(cè)