Аналіз впливу погодних умов та соціальної активності людей на процес розповсюдження COVID-19

Abstract

У цьому дослідженні представлено два різних підходи до аналізу впливу факторів соціальної активності та погодних змін на добові випадки COVID-19 на рівні округу в континентальній частині США. Перший – традиційний статистичний метод, тобто коефіцієнт кореляції Пірсона, а другий – алгоритм машинного навчання, тобто модель регресії Random Forest. Кореляція Пірсона аналізується, щоб приблизно перевірити зв’язок між випадками COVID-19 та погодними змінними або фактором соціальної активності (тобто індексом соціальної дистанції). Модель випадкової регресії лісу досліджує доцільність оцінки кількості щоденно підтверджених випадків COVID-19 на рівні округу за допомогою різних комбінацій восьми факторів (населення округу, щільність населення округу, індекс соціальної дистанції округу, температура повітря, питома вологість, короткохвильове випромінювання, опади та швидкість вітру). Результати показують, що кількість щоденних підтверджених випадків COVID-19 слабо корелює з індексом соціальної дистанції, температурою повітря та питомою вологістю за допомогою методу кореляції Пірсона. Модель Random Forest показує, що оцінка випадків COVID-19 точніша з додаванням погодних змінних як вхідних даних. Зокрема, найважливішими факторами для оцінки щоденних випадків COVID-19 є населення та щільність населення, за якими йдуть індекс соціальної дистанції та п’ять погодних змінних, причому температура та питома вологість є більш критичними, ніж короткохвильова радіація, швидкість вітру та опади. Процес перевірки показує, що загальні значення коефіцієнтів кореляції між добовими випадками COVID-19, оціненими за допомогою моделі випадкового лісу, та спостережуваними становлять близько 0,85. There are two different approaches to analyze the influence of social activity factor and daily weather parameters represented in this paper on the district level in continental part of the USA. The first one is traditional statistical method as correlation coefficient of Pirson. The second approach is an algorithm, of machine learning based on the Random Forest regression. Correlation of person is discussed in order to check approximately the dependence between COVID-19 cases and weather variables or social activity factor (i.e., the index of social distance). The Random Forest regression model study the appropriateness of daily registered cases of COVID-19 assessment with different combination of eight parameters (district population, population density, index of social distance on the district, air temperature, humidity, shortwave radiation, speed of wind, precipitation). The results present that the number of daily confirmed COVID-19 cases correlates weakly with index of social distance, air temperature and humidity when method of Pirson is used. The random Forest models illustrates that assessment of COVID-19 cases has better precision when weather variables are taken into account as input parameters. Particularly, the most important factors to evaluate daily COVID-19 cases are population and population distribution, then the index of social distance and five weather variables follow, moreover the air temperature and humidity are more critical comparably with shortwave radiation, precipitation and speed of wind. The research process shows that general values of correlation coefficients between daily CO/VID-19 cases assessed with model of Random Forest and observed values is equal about 0,85.