回到常态:全球应对COVID-19预测分析阐明

COVID-19大流行已升高的可见性和重要性的数据对全球公共卫生和政府机构解释和沟通准确和及时的见解关于大流行使用数据分析。公共数据的可用性在国际反应COVID-19大流行,因为它可能有限,使得更深刻的评价锁定模式在世界各地。获得的见解可能恢复到正常情况下,数据科学家Cyient建模数据预测恢复到正常的时间表和工作图数据的数据集出版的牛津大学的遏制政策。Cyient的努力也在支持一项紧急联盟了解全球经济复苏后看起来像COVID-19大流行。

数据驱动的方法

八个经济指标一直在跟踪,包括学校、工作场所、公共活动,聚会,公共交通,在家工作的实施,内部运动的人,国际旅行。在这八个指标,排名在0和4之间,0分代表正常活动和4代表绝对限制,我们分析了锁定决定由不同国家实现。解释在一个时间轴,这八个指标提供一个(或缺乏运动)的经济活动水平的可用性服务或在一个国家基本服务的功能。

我们最初的探索性数据分析(EDA)表示,每个国家都见证了本地传播模式,在时间和影响。政府通过经济封锁的回应行动进行独特的国别的签名。数据表明,COVID-19病例的增长率似乎封锁影响决策的主要因素。这一发现很重要,因为它支持的假设封锁决策,及其随后的去除,将特定的地理区域,没有观察到明显的全球模式,在时间或取消订单。

Cyient锁定指标作为输入流用于我们的预测算法基于神经网络微分技术,称为长期短期记忆(LSTM)。自锁定数据瞬态,即。,new data is available daily with a potential change of rank in one or more economic activity indicators, we have a strong training set to draw from that forms the essential input time series. A time series of sequences consisting of the daily eight-dimensional vector was used as the input feature. Multiple sequences spanning several months of data constitute the training space.

深度学习方法,如LSTM,首选是由于其灵活性分析结构化和非结构化数据,同时提供所需控制的学习参数的计算效率。利用LSTM模型Keras包中可用的Python框架,Cyient预测和解释未来可能的序列可能成形。模型使用当前日期的顺序和之前所有序列从天预测前馈序列的第二天计划。我们的测试精度约70%,表明高可靠性的预测模型。

从预测分析

解释结果,我们假设回归常态的开始如果八维中至少50%的数字输入流预测的值为0。在我们的评估中,我们依靠数据提供新西兰作为测试对象。该模型预测回归常态8月23日开始,2020年,地理。具体地说,这些指标的模型预测,

学校的功能

持有公共活动

全职要求

限制内部运动

早些时候列为第二类,缓解0水平反映大流行前类别。

文章如2020年8月30日,Time.com新西兰最大的城市出口控制神秘COVID-19激增后锁定提供了证据支持我们的索赔要求。根据发表的报道,2020年8月31日,日期是3级限制在新西兰被移除。

展望未来

加强这最初的发现,Cyient又制定LSTM模型建立在第一个模型的输出。使用第一个模型的预测序列作为枢轴或主序列,我们合成了排列确保类别的总体数0排名,即。正常指标,与主序列在每个序列和计数。使用这个新数据集的序列作为输入流第二LSTM模型,Cyient预测,一个完整的回归常态在新西兰可能会发生在12月18日,2020年。或在这个日期,模型预测完全删除限制的八个经济活动指标与工作场所的限制是最后才会缓解。我们目前正在使用盲试验数据验证模型从法国和哥伦比亚,测试其严密性。我们还确定模型的操作界限规定其正确使用和解释。

COVID-19流行表明,数据变得更加关键的帮助专家理解和提出建议,政府,企业,和公众评估,采取行动,并为将来计划的信息,知识,智慧创立于科学数据。

推荐- - - - - -

Cyient的一员紧急联盟多元合作的企业、个人、非政府组织、数据专家,和政府贡献专业知识、数据和资源在地区和全球经济挑战做出明智的决定,将援助社会复苏和帮助人们和企业发布COVID-19茁壮成长。