ВКР Моделирование распространения пандемии

Оригинальность по АП.Вуз на 27 февраля 2023 года более 70%.

Оригинал документа в pdf, конвертация в Word автоматическая (в word могут быть недочеты форматирования, которые вы легко отредактируете).

В настоящем исследовании мы проанализировали несколько широко

используемых методов в эпидемиологии или микробиологии, таких как SSA,

Ричардс, Гомпертц, Логистик и Ратковски, чтобы соответствовать нынешним и

предыдущим тенденциям COVID-19 разных странах мира. Мы применили

коэффициент корреляции Пирсона (R) и коэффициент детерминации (R2)

Результаты изученных моделей используются для прогнозирования будущих

тенденций распространения COVID-19. Цель состоит не в том, чтобы вмешиваться

в эти модели аналитически, а в том, чтобы получить лучшее из этих моделей с

помощью оптимизации, чтобы найти их оптимизированные параметры и

предоставить органам здравоохранения или директивным органам дополнительную

информацию о решениях, касающихся немедикаментозных вмешательств (НПВ).

ВВЕДЕНИЕ .................................................................................................... 4

1. ВЛИЯНИЕ ПАНДЕМИИ КОРОНАВИРУСА НА

ЗДРАВООХРАНЕНИЕ И ЭКОНОМИКУ ............................................................ 7

1.1. Кризис в сфере экономики и здравоохранения .......................... 7

1.2. Способы преодоления кризиса ................................................... 10

1.3. Последствия пандемии ................................................................ 13

2. ПРОГНОЗИРОВАНИЕ ВСПЫШКИ КОРОНАВИРУСА (COVID-

19) НА ПРИМЕРЕ ИРАНА .................................................................................. 19

2.1. Общие эпидемиологические модели ......................................... 19

2.2. Модель SIRD ................................................................................ 21

2.3. Результаты .................................................................................... 24

ЗАКЛЮЧЕНИЕ ........................................................................................... 34

3. АНАЛИЗ ВРЕМЕННЫХ РЯДОВ МЕТОДОМ SSA ....................... 36

3.1. Описание алгоритма SSA. ........................................................... 36

3.2. Анализ ряда по заболеваемости COVID-19 .............................. 40

3.3. Анализ ряда по смертности от COVID-19 ................................. 42

3.4. Анализ ряда по выздоровлению от COVID-19 ......................... 44

3.5. Прогнозирование временных рядов методом SSA................... 46

ЗАКЛЮЧЕНИЕ ........................................................................................... 49

СПИСОК ЛИТЕРАТУРЫ .......................................................................... 50

1. Huang Y, Yang L, Dai H, Tian F & Chen K. Epidemic situation and forecasting of

COVID-19 in and outside China. [Submitted]. Bull World Health Organ. E-pub:

16 March 2020. doi: http://dx.doi.org/10.2471/BLT.20.255158.

2. Lin Jia, Kewen Li, Yu Jiang, Xin Guo, Ting zhao, Prediction and analysis of

Coronavirus Disease 2019, arXiv:2003.05447v2, arXiv 2020.

3. Worldometer, https://www.worldometers.info/world-population/kuwait-

population/, accessed 4 June 2020.

4. Mohsen Ahmadi, Abbas Sharifi, Shadi Dorosti, Saeid Jafarzadeh Ghoushchi,

Negar Ghanbari, Investigation of effective climatology parameters on COVID-19

outbreak in Iran, Science of The Total Environment, Volume 729, 2020.

5. Weston C. Roda, Marie B. Varughese, Donglin Han, Michael Y. Li, Why is it

difficult to accurately predict the COVID-19 epidemic? Infectious Disease

Modelling, Volume 5, 2020, Pages 271-281.

6. Xiaolei Zhang, Renjun Ma, Lin Wang, Predicting turning point, duration and

attack rate of COVID-19 outbreaks in major Western countries, Chaos, Solitons &

Fractals, Volume 135, 2020.

7. Yuejiang Li, H. Vicky Zhao, Yan Chen, An epidemic model for correlated

information diffusion in crowd intelligence networks, International Journal of

Crowd Science,Vol. 3 No. 2, pp. 168-183, 2019.

8. Mummert A, Weiss H, Long L-P, Amigo´ JM, Wan X-F (2013) A Perspective on

Multiple Waves of Influenza Pandemics. PLoS ONE 8(4): e60343,

doi:10.1371/journal.pone.0060343.

9. Igor Sazonov, Mark Kelbert, Michael B. Gravenor, A two-stage model for the SIR

outbreak: Accounting for the discrete and stochastic nature of the epidemic at the

initial contamination stage, Mathematical Biosciences, Volume 234, Issue 2,

Pages 108-117, 2011.

10. Richards, F. J. (1959). “A Flexible Growth Function for Empirical Use”. Journal

of Experimental Botany. 10 (2): 290–300. doi:10.1093/jxb/10.2.290.

11. Greenwood, M. (1928). "Laws of Mortality from the Biological Point of View".

Journal of Hygiene. 28: 267–294.

12. Hethcote H (2000). “The Mathematics of Infectious Diseases”. SIAM Review. 42

(4): 599–653. Bibcode:2000, SIAMR.42.599H. doi:10.1137/s0036144500371907.

13. Ratkowsky, D. A. (2003). “Model fitting and uncertainty,” in Modelling Microbial

Responses in Foods, eds R. C McKellar and X. Lu (Boca Raton, FL: CRC Press),

151–170.

14. Kermack, W. O. and McKendrick, A. G. “A Contribution to the Mathematical

Theory of Epidemics.” Proc. Roy. Soc. Lond. A 115, 700- 721, 1927

15. Anderson, R. M. and May, R. M. “Population Biology of Infectious Diseases: Part

I.” Nature 280, 361-367, 1979.

16. Jones, D. S. and Sleeman, B. D. Ch. 14 in Differential Equations and

Mathematical Biology. London: Allen & Unwin, 1983.

17. Jannedy, Stefanie; Bod, Rens; Hay, Jennifer (2003). Probabilistic Linguistics.

Cambridge, Massachusetts: MIT Press. ISBN 0-262-52338- 8.

18. Karl Pearson (20 June 1895) “Notes on regression and inheritance in the case of

two parents,” Proceedings of the Royal Society of London, 58: 240–242.

19. Devore, Jay L. (2011). Probability and Statistics for Engineering and the Sciences

(8th ed.). Boston, MA: Cengage Learning. pp. 508–510. ISBN 978-0-538-73352-

6.

20. European Centre for Disease Prevention and Control,

https://www.ecdc.europa.eu/en/geographical-distribution-2019-ncov- cases,

accessed July 24, 2020.

21. Mahmoudi, M.R., Heydari, M.H., Qasem, S.N., Mosavi, A. and Band, S.S., 2020.

Principal component analysis to study the relations between the spread rates of

COVID-19 in high risks countries. Alexandria Engineering Journal.

22. Голяндина Н. Э. Метод «Гусеница»-SSA: анализ временных рядов: Учеб.

пособие. – СПб: Изд-во СПбГУ, 76 с., 2004

23. Ghil M., Allen R. M., Dettinger M.D., Ide K., Kondrashov D., Mann M. E.,

Robertson A., Saunders A., Tian Y., Varadi F., Yiou P. Advanced spectral

methods for climatic time series // Rev. Geophys. 2002. Vol. 40, N 1. P. 1–41.

24. Тыртышников, Е. Е. Матричный анализ и линейная алгебра: учебное

пособие. – М.: ФИЗМАТЛИТ, 480 с., 2007. 

25. Golyandina N., Nekrutkin V., Zhigljavsky A. Analysis of Time Series Structure:

SSA and Related Techniques. Chapman&Hall/CRC, 2001. 305 p.

26. Крянев А. В., Лукин Г. В. Математические методы обработки

неопределенных данных. – М.: ФИЗМАТЛИТ, 216 с., 2006.

27. Публичный дашборд Yandex DataLens [Электронный ресурс]. URL:

https://datalens.yandex/7o7is1q6ikh23?tab=X1&utm_source=cbregion&state=3ef

66e82199.

28. Голяндина Н. Э. Метод «Гусеница»-SSA: прогноз временных рядов: Учеб.

пособие. – СПб: Изд-во СПбГУ, 52 с., 2004

29. Vautard R., Yiou P., Ghil M. Singular-Spectrum Analysis: A toolkit for short,

noisy chaotic signals // Physica D. 1992. Vol. 58. P. 95–126.

30. Alexandrov Th., Golyandina N. Automatic extraction and forecast of time series

cyclic components within the framework of SSA // Proc. of the 5’th Worksh. on

Simul. St.Petersburg, 2005. P. 45–50.