机器学习实战——疫情数据分析与预测

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。