Advertisement

美国的Covid-19预测(covid-us-forecasts)

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:None


简介:
Covid-US-Forecasts提供针对美国COVID-19疫情的专业预测和分析,包括感染率、住院人数及疫苗接种趋势等数据,为公众与政策制定者提供决策参考。 该存储库旨在对美国的Covid-19进行预测并做出贡献。我们使用了一组模型来预测各州内的死亡人数,这些模型包括: - rt估计(EpiNow2):位于models/rt目录下; - 作为案例卷积的死亡数估计(EpiNow2),位于models/deaths-conv-cases目录中; - 时间序列方法的平均集合,在models/timeseries目录内。 为了整合这些模型,我们采用了一种在特定视野和训练窗口范围内进行分位数回归的方法。最终预测结果是通过从scoringutils选择适当的评分规则来确定的。我们的团队每周都会对美国及选定州份未来一周内的累计死亡人数与事故相关死亡人数做出预测更新。 此外,对于更多正在进行的工作,请参见相应部分;其他国家或地区的Rt估算和预报信息也已在存储库中提供。本项目由伦敦卫生与热带医学院传染病数学建模中心的成员共同完成,包括山姆·雅培(@seabbs)及凯思·谢拉等贡献者。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • Covid-19covid-us-forecasts
    优质
    Covid-US-Forecasts提供针对美国COVID-19疫情的专业预测和分析,包括感染率、住院人数及疫苗接种趋势等数据,为公众与政策制定者提供决策参考。 该存储库旨在对美国的Covid-19进行预测并做出贡献。我们使用了一组模型来预测各州内的死亡人数,这些模型包括: - rt估计(EpiNow2):位于models/rt目录下; - 作为案例卷积的死亡数估计(EpiNow2),位于models/deaths-conv-cases目录中; - 时间序列方法的平均集合,在models/timeseries目录内。 为了整合这些模型,我们采用了一种在特定视野和训练窗口范围内进行分位数回归的方法。最终预测结果是通过从scoringutils选择适当的评分规则来确定的。我们的团队每周都会对美国及选定州份未来一周内的累计死亡人数与事故相关死亡人数做出预测更新。 此外,对于更多正在进行的工作,请参见相应部分;其他国家或地区的Rt估算和预报信息也已在存储库中提供。本项目由伦敦卫生与热带医学院传染病数学建模中心的成员共同完成,包括山姆·雅培(@seabbs)及凯思·谢拉等贡献者。
  • COVID-19-US-Prediction-Data:COVID-19数据
    优质
    该数据库提供了关于美国新冠疫情发展的预测数据,包括感染、住院和死亡案例等信息,旨在帮助研究人员与公众了解疫情发展趋势。 美国COVID-19预测数据 此仓库包含美国的COVID-19预测数据。 有两个数据文件: - data.json:包括预测案例和当前案例。 - dataset.csv:案件数据集,包含病例和死亡情况,该数据由JHU CSSE提供。 有关更多详细信息,请参见许可。 更新频率:作业从世界标准时间15:00左右开始(以确保数据是最新的),并在几分钟内完成。
  • COVID-19-US-States:JHU CSSE提供各州COVID-19病例JSON数据
    优质
    这段资料提供由JHU CSSE发布的美国各州新型冠状病毒肺炎(COVID-19)确诊病例的JSON格式数据,方便研究人员和公众追踪疫情动态。 将美国各州的冠状病毒数据转换为json文件,并每天使用GitHub Actions更新3次。该json文件包含自2020年1月22日以来所有50个州每日确认的冠状病毒病例数及死亡人数: { Alabama: [ { date: 22-1-2020, confirmed: 0, deaths: 0 }, { date: 23-1-2020, confirmed: 0, deaths: 0 }, ... ], ... } 例如,如果要从网站获取数据: fetch(timeseries.json) .then(res, ...)
  • WHO-COVID-19数据:WHOCOVID-19数据
    优质
    这段简介可以这样写:“WHO-COVID-19数据”提供世界卫生组织关于全球新型冠状病毒肺炎疫情的关键统计数据和报告,包括感染、死亡及疫苗接种情况等信息。 标题中的“WHO-COVID-19数据:WHO COVID-19数据”指的是世界卫生组织(WHO)发布的关于COVID-19大流行的数据集。这个数据集包含了全球范围内COVID-19疫情的相关统计信息,可能包括病例数、死亡数、康复情况和疫苗接种等关键指标,用于研究、监测和报告疫情的发展。 描述虽然简洁,但暗示了这是一个与COVID-19疫情相关的数据资源,由WHO提供,并且可能是以结构化数据格式(如CSV或JSON)存储的。这些数据通常会定期更新,以便反映最新的疫情状况。 标签“Python”表明这个数据集可能涉及使用Python编程语言进行处理、分析和展示这些COVID-19数据。Python是数据科学领域广泛使用的语言之一,因为它拥有丰富的库和工具,如Pandas用于数据处理,Matplotlib和Seaborn用于数据可视化。 在压缩包文件“WHO-COVID-19-Data-master”中,“master”通常指代主分支或主版本,这可能是一个Git仓库的名称。这意味着这个数据集可能有一个源代码管理历史,并包含不同时间点的更新记录。用户可以从中获取到数据的最新版本和历史版本,以便进行时间序列分析或比较不同时期的疫情趋势。 在这个数据集中,用户可能会找到以下知识点: 1. 数据结构:了解如何读取并解析各种数据文件格式,如CSV、JSON或XML。 2. 数据清洗:学习处理缺失值、异常值以及重复数据以确保分析结果准确无误。 3. 时间序列分析:通过Pandas的date_range函数来处理日期,并研究每日、每周和每月疫情的变化情况。 4. 数据探索:使用描述性统计方法,如均值、中位数及标准差等,理解数据的基本特征。 5. 数据可视化:利用Matplotlib或Seaborn创建图表以展示病例随时间变化的趋势(折线图)、各国之间病例数量的对比分析(条形图)以及疫情分布情况(热力图)。 6. 地理空间分析:如果数据包含地理位置信息,可以使用geopandas和folium库进行地图绘制与地理数据分析。 7. 统计建模:应用回归模型预测未来趋势或死亡率,并采用ARIMA、LSTM等时间序列模型对疫情发展做出准确的预判。 8. 数据交互:构建Web应用程序(如Flask或Django框架)将分析结果展示为互动式仪表板,使公众能够实时查看最新的疫情数据。 通过学习和实践这些知识点,研究人员及分析师可以更好地理解和应对全球公共卫生危机,并且提高个人在数据分析与处理方面的能力。
  • Covid-19 Map: 县级互动案例地图
    优质
    Covid-19 Map是一款美国县级层面的互动式疫情地图工具,用户可以轻松获取各地病例数据和趋势分析。 Covid-19 Map:一个展示美国各县级地区新冠疫情案例的互动地图工具。
  • COVID-19 in Singapore: Analysis
    优质
    本报告深入分析了新加坡在应对COVID-19疫情方面的策略与成效,探讨其独特的防控措施和经济复苏路径。 Covid-19在新加坡的分析报告探讨了该国应对新冠疫情的各项措施及其成效。报告涵盖了疫情初期的防控策略、疫苗接种计划以及逐步放宽限制的过程,并对未来的挑战进行了预测。通过详实的数据和案例研究,这份分析为理解新加坡如何有效管理这一全球公共卫生危机提供了宝贵的视角。
  • 使用MATLAB绘制covid-19 SEIAR模型拟合图形-covid-19-SEIAR
    优质
    本项目利用MATLAB软件,构建并模拟了Covid-19疫情下的SEIAR(易感、暴露、感染、隔离、恢复)流行病学模型,并绘制相应的数据拟合图。 在MATLAB中使用拟合出的代码绘制图形需要先安装并克隆名为dataAndModelsCovid19的存储库。可以通过命令行输入`git clone https://github.com/gasilva/dataAndModelsCovid19.git`或通过GitHub桌面应用进行操作。 使用方法:直接在源.py文件中修改变量opt来选择不同的选项,如下: - `opt=0`: 显示所有图表 - `opt=1`: 绘制冠状病毒对数图 - `opt=2`: 逻辑模型预测 - `opt=3`: 增长率的柱状图显示 - `opt=4`: 对数图+柱状图组合显示 - `opt=5`: SEAIR-D模型 当`opt=0`时,可以选择要绘制在对数图表中的国家以分析增长率。所有国家都可用。 准备绘图数据: ```python country1=US country2=Italy country3=Brazil ``` 以上是使用MATLAB进行COVID-19数据分析和图形展示的基本步骤。
  • 基于生存卷积模型COVID-19方法
    优质
    本研究提出了一种基于生存卷积模型的创新性方法,旨在更准确地预测COVID-19的发展趋势,为疫情防控提供科学依据。 冠状病毒疾病COVID-19在全球范围内造成了严重的健康危机。为了有效预测该疾病的传播趋势、评估遏制措施对感染率的影响,并进行跨国比较研究,现有的传染病建模方法如SEIR模型存在诸多局限性:依赖于许多难以验证的假设(例如基于过去的流感数据拟合),且在较长的时间跨度内预测效果不佳。 为解决这些问题,我们提出了一种新的生存卷积模型。该模型参数较少、能够处理未知患者零日期、潜伏期以及随时间变化的基本再生数等关键因素,从而提供更准确的疾病传播趋势预测能力,并评估各种缓解策略的效果。
  • COVID-19 推文 - 数据集
    优质
    该数据集包含大量关于COVID-19的推文,涵盖了疫情不同阶段公众对病毒、疫苗及政策的各种观点和态度,适用于情感分析和社会趋势研究。 这些推文是通过使用Twitter API和Python脚本收集的,并且都带有#covid19标签。从2020年7月25日开始进行数据采集,最初的批次包含17,000条推文,并计划每天继续更新收集的数据。