怎么用Python进行预测疫情

这篇文章主要介绍了怎么用Python进行预测疫情，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。

1.准备工作

编程环境：anaconda下Spyder。

数据来源：整理自国家卫生健康委员会官网。

需要安装的依赖库有：scipy。scipy是一个用于数学、科学等领域的开源科学计算库，其建立在Numpy之上，可用于处理积分、优化、常微分方程数值解的求解、信号处理等问题。本文主要用于函数拟合。

2.算法流程

1).理论解释

如何预测新冠肺炎的累计确诊人数，目前常用的方法有基于SIR的传染病模型，以及基于Logistic方程的方法等。SIR模型实现起来相对较复杂，本文将基于一个更简单的模型——利用Logistic方程进行预测。

Logistic方程可用于描述，物种增长模型，当一个物种迁入到一个新生态系统中后，若该物种在非理想生态系统(存在天敌，食物、空间等资源紧缺等)中存在生存阻力，则物种数量大致呈现S型增长。开始产生一个缓慢的增长期，慢慢的呈现指数型爆发，后期随着环境阻力的变化，逐渐趋于稳定。

用函数可以表示为：

参数的含义如下：

：表示随着时间的变化，环境中物种的数量。

：表示环境中物种能达到的极限值。

：表示环境开始时期，物种的数量。

：表示增长速率，在图形中展现的就是曲线的陡峭程度，越大，物种数量越快逼近N值。

：表示时间。

2).程序实现

程序中，首先定义待拟合函数，然后获取"累计确诊"人数数据，并利用curve_fit()函数进行参数拟合，得出需要拟合的参数。最后将拟合曲线和实际确诊人数在同一图中显示，直观观测出模型效果。

通过将1月20日至2月8日的数据进行Logistic方程拟合，在2月9-11日三天预测数据和实际数据较为吻合。但在2月12日，官方的数据突然激增，这让我们的模型失效。

在重新调整训练数据，我们选择将1月20日至2月26日的数据作为训练数据，2月27-28日数据作为对照数据，可得到新的拟合曲线，预测值和实际值都相对较为吻合。

感谢你能够认真阅读完这篇文章，希望小编分享的"怎么用Python进行预测疫情"这篇文章对大家有帮助，同时也希望大家多多支持，关注行业资讯频道，更多相关知识等着你来学习!