疫情数据的统计与分析论文（机器学习实战——疫情数据分析与预测）
📢📢📢📣📣📣
🌻🌻🌻Hello ，大家好我叫是Dream呀 ，一个有趣的Python博主 ，多多关照😜😜😜
🏅🏅🏅Python领域优质创作者 ，欢迎大家找我合作学习（文末有名片欢迎+++）
💕 入门须知：这片乐园从不缺乏天才 ，努力才是你的最终入场券！🚀🚀🚀
💓最后 ，愿我们都能在看不到的地方闪闪发光 ，一起加油进步🍺🍺🍺
🍉🍉🍉“一万次悲伤 ，依然会有Dream ，我一直在最温暖的地方等你 ” ，唱的就是我！哈哈哈~🌈🌈🌈
🌟🌟🌟✨✨✨前言： 本文将带领大家爬取11个国家以及中国31个省（自治区 、直辖市）在2022.0101-2022.06.19的新冠疫情数据 。并且采用机器学习模型对2022.6.20-2022.6.30每一天的全国确诊人数 、死亡人数 、治愈人数进行预测 ，做出疫情可视化图形并且求出最终的相关系数R2！
一 、问题说明
1 、爬取中国 、美国 、巴西 、印度 、俄罗斯 、法国 、英国 、土耳其 、阿根廷 、哥伦比亚 、日本等11个国家以及中国31个省（自治区 、直辖市）在2022.0101-2022.06.19的新冠疫情数据 。如果对数据爬虫技术不熟悉 ，可使用data文件中提供的数据 ，其中中国各省数据为confirmedCount 、curedCount 、deadCount；world_confirmedCount 、world_curedCount 、world_deadCount数据为11个国家的爬取数据 。
2 、根据爬取或提供的疫情数据 ，将最近日期（2022.06.19）确诊病例数 、死亡人数 、康复人数在上述11个国家 、国内各地区两个维度进行可视化展示（如柱状图或者饼状图） 。
3 、采用机器学习模型对2022.6.20-2022.6.30每一天的全国确诊人数 、死亡人数 、治愈人数进行预测 。
4 、2022.6.20-2022.6.30的确诊人数 、死亡人数 、治愈人数结果将在2022.7.1公布 ，请根据真实结果 ，计算决定系数R2 ，最终以该系数作为本项目的最终得分二 、模型与算法
在模型算法方面 ，这次我们选择的是LSTM算法 ，LSTM是RNN的一个优秀的变种模型 ，继承了大部分RNN模型的特性 ，同时很利于解决本题大量数据的问题 。 Long ShortTerm
网络是一种RNN特殊的类型 ，可以学习长期依赖信息 。LSTM和基线RNN并没有特别大的结构不同 ，但是它们用了不同的函数来计算隐状态 。LSTM的“记忆 ”叫做细胞 ，可以直接把它们想做黑盒 ，这个黑盒的输入为前状态h和当前输入x 。这些“细胞 ”会决定哪些之前的信息和状态需要保留/记住 ，而哪些要被抹去 。实际的应用中发现 ，这种方式可以有效地保存很长时间之前的关联信息 。
在LSTM模型算法方面 ，我们使用LSTM中的重复模块则包含四个交互的层 ，三个Sigmoid
和一个tanh层 ，以一种非常特殊的方式进行交互 ，同时使用LSTM有通过精心设计的称作为“门 ”的结构来去除和增加信息到细胞状态 。利用一个sigmoid神经网络层和一个pointwise乘法的非线性操作（0代表“不许任何量通过 ” ，1就指“允许任意量通过 ”） ，从而使得网络就能了解哪些数据是需要我们去遗忘 ，哪些数据是需要我们去保存的 ，得到我们真正需要去训练的数据 ，即训练集 ，这点在死亡人数数据处理上很重要 ，对数据集进行反复的训练 ，得到我们最终的预测图以及预测结果 。三 、实验设置过程
利用json将我们需要的中国 、美国 、巴西 、印度 、俄罗斯 、法国 、英国 、土耳其 、阿根廷 、哥伦比亚 、日本等11个国家以及中国31个省（自治区 、直辖市）在2022.0101-2022.06.19的新冠疫情数据爬取下来 ，并将其导入我们的平台中 。
1.1国内数据：
结果部分：2.进行可视化处理
根据我们爬取下来的数据 ，利用pandas 、numpy 、matplotlib等库 ，将数据做一个可视化处理 。
3.进行预测处理
因为这三个维度本质上都是一样的 ，所以说我们只需要对一个维度的数据进行处理 ，然后将其应用到其他的两个数据维度方面就可以 ，其中我们要注意一点 ，那就是我们得到的死亡数据中一部分出现了断层 ，所以说我们需要经过简单的插值处理 ，得到真实的需要处理的数据 。
最后通过我们的LSTM ，对三个维度的数据进行训练以及预测 ，画出疫情变化趋势图 ，得到每一项的决定系数R2 ，再将这三项数据取平均值 ，得到我们最后的结果 。4.LSTM模型代码：
# @Time : 2022/6/30 12:01 # @Author : 徐以鹏 # @File : 预测.py import numpy as np import matplotlib.pyplot as plt import paddle import pandas as pd path = "/home/aistudio/work/" Data = pd.read_csv(path + 中国.csv, index_col=dateId, parse_dates=[dateId]) # 读取文件 Data.head() predict_name = confirmedCount # 取文件中我们需要的数据 training = Data[predict_name][:20220619].values # 训练的数据我们取到6月19号 test = Data[predict_name][20220620:].values # 测试的数据取到6月20号 trainlist, testlist = [0], [0] # 将训练和测试的数据都存储在我们创建好的新列表中 for i in range(1, len(training)): trainlist.append(training[i] - training[i - 1]) for j in range(1, len(test)): testlist.append(test[j] - test[j - 1]) # 用np.array()把我们的训练和测试的数据由列表转化为数组 training = np.array(trainlist) test = np.array(testlist) # 取训练集中的最小值和最大值,分别为mintrain和maxtrain mintrain = training.min() maxtrain = training.max() train_set_range = maxtrain - mintrain def my_MinMaxScaler(data): return (data - mintrain) / (train_set_range) def reverse_min_max_scaler(a_num): return a_num * train_set_range + mintrain normalized_train_set = my_MinMaxScaler(training) normalized_test_set = my_MinMaxScaler(test) normalized_train_set = normalized_train_set.astype(float32) # 定义MyDataset()类,定义出需要的transform函数 class MyDataset(paddle.io.Dataset): def __init__(self, normalized_train_set): super(MyDataset, self).__init__() self.train_set_data_X = [] self.train_set_data_Y = [] self.transform(normalized_train_set) def transform(self, data): for i in range(60, len(data)): self.train_set_data_X.append(np.array(data[i - 60:i].reshape(-1, 1))) self.train_set_data_Y.append(np.array(data[i])) def __getitem__(self, index): data = self.train_set_data_X[index] label = self.train_set_data_Y[index] return data, label def __len__(self): return len(self.train_set_data_X) dataSet = MyDataset(normalized_train_set) trainLoader = paddle.io.DataLoader(dataSet, batch_size=200, shuffle=False) class StockNet(paddle.nn.Layer): def __init__(self): super(StockNet, self).__init__() self.lstm = paddle.nn.LSTM(input_size=1, hidden_size=50, num_layers=4, dropout=0.2, time_major=False) self.fc = paddle.nn.Linear(in_features=50, out_features=1) def forward(self, inputs): outputs, final_states = self.lstm(inputs) y = self.fc(final_states[0][3]) return y # 由于在训练过程中会存在的梯度消失问题 ，所以我们采用LSTM模型来处理我们的数据 ，以下为模型： # 此处代码缩减 防止不法利用 需要的话联系作者 # 画出预测图 def plot_predictions(test, predicted): plt.plot(test, color=red, label=Realvalue) plt.plot(predicted, color=black, label=Predictedvalue) plt.title(confirmedCount_Prediction) plt.xlabel(Days) plt.ylabel(People) plt.legend() plt.show() plot_predictions(Data[predict_name][20220620:].values, realtest_predict) # 计算出预测结果的r2值 from sklearn.metrics import r2_score confirmedCount = r2_score(Data[predict_name][20220620:].values, realtest_predict[:11]) print(r2_score(Data[predict_name][20220620:].values, realtest_predict[:11]))四 、新冠疫情可视化
1.各国家确诊人数
plt.xlabel("confirmedCount") plt.barh(Country,last_confirmedCount2)2.各国家治愈人数
plt.xlabel("curedCount") plt.barh(Country,last_curedCount2)3.各国家死亡人数
plt.xlabel("deadCount") plt.barh(Country,last_deadCount2)4.全国各省总确诊人数分布饼状图
plt.figure(figsize=(10,10)) plt.pie(last_confirmedCount1,radius=1.5,shadow=True,autopct=%1.1f%%) plt.legend(Province, loc=best)5.全国各省治愈人数
plt.figure(figsize=(10,10)) plt.pie(last_curedCount1,radius=1.5,shadow=True,autopct=%1.1f%%) plt.legend(Province, loc=best)五 、疫情数据预测
1.2022.6.20-2022.6.30的全国确诊人数：
# 画出预测图 def plot_predictions(test, predicted): plt.plot(test, color=red, label=Realvalue) plt.plot(predicted, color=black, label=Predictedvalue) plt.title(confirmedCount_Prediction) plt.xlabel(Days) plt.ylabel(People) plt.legend() plt.show() plot_predictions(Data[predict_name][20220620:].values, realtest_predict) # 计算出预测结果的r2值 from sklearn.metrics import r2_score confirmedCount = r2_score(Data[predict_name][20220620:].values, realtest_predict[:11]) print(r2_score(Data[predict_name][20220620:].values, realtest_predict[:11]))r2=0.9425994713615403
2.2022.6.20-2022.6.30的全国死亡人数：
# 画出预测图 def plot_predictions(test, predicted): plt.plot(test, color=red, label=Realvalue) plt.plot(predicted, color=black, label=Predictedvalue) plt.title(deadCount_Count_Prediction) plt.xlabel(Days) plt.ylabel(People) plt.legend() plt.show() plot_predictions(Data[predict_name][20220620:].values, realtest_predict) # 计算出预测结果的r2值 from sklearn.metrics import r2_score deadCount = r2_score(Data[predict_name][20220620:].values, realtest_predict[:11]) print(r2_score(Data[predict_name][20220620:].values, realtest_predict[:11]))r2=0.9741672899742679
3.2022.6.20-2022.6.30的全国治愈人数：
# 画出预测图 def plot_predictions(test, predicted): plt.plot(test, color=red, label=Realvalue) plt.plot(predicted, color=black, label=Predictedvalue) plt.title(curedCount_Count_Prediction) plt.xlabel(Days) plt.ylabel(People) plt.legend() plt.show() plot_predictions(Data[predict_name][20220620:].values, realtest_predict) # 计算出预测结果的r2值 from sklearn.metrics import r2_score curedCount = r2_score(Data[predict_name][20220620:].values, realtest_predict[:11]) print(r2_score(Data[predict_name][20220620:].values, realtest_predict[:11]))r2=0.9819537632078106
4.求出三者的平均值
# 计算出预测结果的r2值 from sklearn.metrics import r2_score confirmedCount = r2_score(Data[predict_name][20220620:].values, realtest_predict[:11]) print(r2_score(Data[predict_name][20220620:].values, realtest_predict[:11])) print((confirmedCount+curedCount+deadCount)/3)r2=(confirmedCount+curedCount+deadCount)/3=0.96624
六 、结果分析与总结
我们得到的最终的预测结果的r2值达到了0.96624 ，说明我们的模型拟合程度非常不错 ，可以准确的预测以后的确诊人数 、死亡人数和治愈人数 。
这种结果的达成 ，离不开我们优秀的LSTM模型 ，LSTM与RNNs一样比CNN能更好地处理时间序列的任务；同时LSTM解决了RNN的长期依赖问题 ，并且缓解了RNN在训练时反向传播带来的“梯度消失 ”问题 。LSTM是RNN的一个优秀的变种模型 ，继承了大部分RNN模型的特性 ，同时解决了梯度反传过程由于逐步缩减而产生的Vanishing Gradient问题 。但是LSTM本身的模型结构就相对复杂 ，训练比起CNN来说更加耗时 ，对于本问题而言 ，LSTM模型预测准确 ，可以帮助我们很好的知道疫情趋势的变化 。七 、代码原工程文件分享
如果需要源码和源文件的同学 ，自己根据需要下载文件：
机器学习实战-疫情数据分析与预测资源分享
最后 ，有任何问题 ，欢迎关注下面的公众号 ，获取第一时间消息 、作者联系方式及每周抽奖等多重好礼！
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！