Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/38124
Назва: Аналіз впливу погодних умов та соціальної активності людей на процес розповсюдження COVID-19
Інші назви: Analysis of the impact of weather conditions and people social activity on the process of COVID-19 spreading
Автори: Малиняк, Микола Володимирович
Malyniak, Mykola Volodymyrovytch
Приналежність: ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна
Бібліографічний опис: Малиняк М.В. Аналіз впливу погодних умов та соціальної активності людей на процес розповсюдження COVID-19: кваліфікаційна робота освітнього рівня «Бакалавр» «122 – комп’ютерні науки» /М. В. Малиняк – Тернопіль : ТНТУ, 2022. – 45 с.
Дата публікації: 13-чер-2022
Дата подання: 29-тра-2022
Дата внесення: 22-чер-2022
Країна (код): UA
Місце видання, проведення: ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна
Науковий керівник: Гром’як, Роман Сильвестрович
Члени комітету: Карпінський, Микола Петрович
УДК: 004.8
Теми: поширення COVID-19
COVID-19 spreading
фактор соціальної активності
social activity factor
погодні умови
weather conditions
модель Random Forest
Random Forest model
машинне навчання
machine learning
Короткий огляд (реферат): 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.
Зміст: ВСТУП 8 РОЗДІЛ 1. ОПИС ПРЕДМЕТНОЇ ОБЛАСТІ ТА ЗБІР ДАНИХ 11 1.1 Опис географічної області дослідження 11 1.2 Збір даних 13 1.2.1 Дані про COVID-19 13 1.2.2 Атрибути для географічної характеристики округу 14 1.2.3 Дані про погоду 14 1.3 Методика 15 1.3.1 Традиційний статистичний аналіз 15 1.3.2 Алгоритм машинного навчання 16 1.3.3 Оцінка ефективності моделі 18 РОЗДІЛ 2. ПРАКТИЧНІ РЕЗУЛЬТАТИ ДОСЛІДЖЕННЯ 20 2.1 Часова зміна COVID-19 та погодних умов 20 2.2 Традиційна статистика 22 2.3 Модель RF регресії 24 РОЗДІЛ 3. БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ХОРОНИ ПРАЦІ 33 3.1 Інформаційно-психологічні небезпеки 33 3.2 Аналіз небезпеки і шкідливості при розробці програмного забезпечення 37 ВИСНОВКИ 40 ПЕРЕЛІК ПОСИЛАНЬ 42
URI (Уніфікований ідентифікатор ресурсу): http://elartu.tntu.edu.ua/handle/lib/38124
Власник авторського права: © Малиняк Микола Володимирович, 2022
Перелік літератури: 1. Kucharski Adam J., Russell Timothy W., Diamond Charlie, Liu Yang, Edmunds John, Funk Sebastian, Rosalind M., Eggo, et al. Early dynamics of transmission and control of COVID-19: a mathematical modelling study. Lancet Infect. Dis. 2020; 20: 553–558. 2. Davahli Mohammad Reza, Fiok Krzysztof, Karwowski Waldemar, Aljuaid Awad M., Taiar Redha. Predicting the dynamics of the COVID-19 pandemic in the United States using graph theory-based neural networks. Int. J. Environ. Res. Publ. Health. 2021;18:3834. 3. Sapkota Nabin, Karwowski Waldemar, Reza Davahli Mohammad, Al-Juaid Awad, Taiar Redha, Murata Atsuo, Wrobel Grzegorz, Marek Tadeusz. The chaotic behavior of the spread of infection during the COVID-19 pandemic in the United States and globally. IEEE Access. 2021;9:80692–80702. 4. Goodell John W. COVID-19 and finance: agendas for future research. Finance Res. Lett. 2020;35:101512. 5. Melo-Oliveira, Eduarda Maria, Sá-Caputo Danúbia, José Alexandre Bachur, Paineiras-Domingos Laisa Liane, Sonza Anelise, Ana Cristina Lacerda, Mendonça Vanessa, Seixas Adérito, Taiar Redha, Bernardo-Filho Mario. Reported quality of life in countries with cases of COVID19: a systematic review. Expet Rev. Respir. Med. 2021;15:213–220. 6. Fiok Krzysztof, Karwowski Waldemar, Gutierrez Edgar, Saeidi Maham, Aljuaid Awad M., Reza Davahli Mohammad, Taiar Redha, Marek Tadeusz, Sawyer Ben D. A study of the effects of the COVID-19 pandemic on the experience of back pain reported on Twitter® in the United States: a natural language processing approach. Int. J. Environ. Res. Publ. Health. 2021;18:4543. 7. Sonza Anelise, da Cunha de Sá-Caputo Danúbia, Sartorio Alessandro, Tamini Sofia, Seixas Adérito, Borja Sanudo, Süßenbach Jessica, Marcello Montillo Provenza, Xavier Vinicius Layter, Taiar Redha, Bernardo-Filho Mario. COVID-19 lockdown and the behavior change on physical exercise, pain and psychological well-being: an international multicentric study. Int. J. Environ. Res. Publ. Health. 2021;18:3810. 8. Amankwah-Amoah Joseph. COVID-19 pandemic and innovation activities in the global airline industry: a review. Environ. Int. 2021; 156: 106719. 9. World Health Organization. 2020. Coronavirus Disease (COVID-19): Similarities and Differences with Influenza.https://www.who.int/news-room/q-a-detail/coronavirus-disease-covid-19-similarities-and-differences-with-influenza 10. Wu Yu, Jing Wenzhan, Liu Jue, Ma Qiuyue, Yuan Jie, Wang Yaping, Du Min, Liu Min. Effects of temperature and humidity on the daily new cases and new deaths of COVID-19 in 166 countries. Sci. Total Environ. 2020. 11. Chen Biqing, Liang Hao, Yuan Xiaomin, Hu Yingying, Xu Miao, Zhao Yating, Zhang Binfen, Tian Fang, Zhu Xuejun. Roles of meteorological conditions in COVID-19 transmission on a worldwide scale. MedRxiv, preprint. 2020. 12. Wang Jingyuan, Tang Ke, Feng Kai, Lin Xin, Lv Weifeng, Chen Kun, Wang Fei. Impact of temperature and relative humidity on the transmission of COVID-19: a modelling study in China and the United States. BMJ open. 2021;11. 13. Haque Syed Emdadul, Rahman Mosiur. Association between temperature, humidity, and COVID-19 outbreaks in Bangladesh. Environ. Sci. Pol. 2020; 114: 253–255. 14. Mofijur M., Rizwanul Fattah I.M., Saiful Islam A.B.M., Uddin M.N., Ashrafur Rahman S.M., Chowdhury M.A., Alam Md Asraful, Uddin Md. Relationship between weather variables and new daily COVID-19 cases in dhaka, Bangladesh. Sustainability. 2020;12:8319. 15. He Zonglin, Chin Yiqiao, Yu Shinning, Huang Jian, Zhang Casper JP., Zhu Ke, Azarakhsh Nima, Sheng Jie, Yi He, Jayavanth Pallavi, Liu Qian, O Akinwunmi Babatunde, Ming Wai-Kit. The influence of average temperature and relative humidity on new cases of COVID-19: time-series analysis. JMIR Public Health and Surveillance. 2021;7. 16. Zhang, Lei, et al. "Interactive covid-19 mobility impact and social distancing analysis platform." Transportation Research Record (2020): 03611981211043813. 17. Mitchell, Kenneth E., et al. "The multi‐institution North American Land Data Assimilation System (NLDAS): Utilizing multiple GCIP products and partners in a continental distributed hydrological modeling system." Journal of Geophysical Research: Atmospheres 109.D7 (2004). 18. Breiman, L. "Random forests Mach Learn 45 (1): 5–32." (2001). 19. Liaw, Andy, and Matthew Wiener. "Classification and regression by randomForest." R news 2.3 (2002): 18-22. 20. Lowen, Anice C., et al. "Influenza virus transmission is dependent on relative humidity and temperature." PLoS pathogens 3.10 (2007): e151. 21. Жидецький Валерій Цезарійович. Охорона праці користувачів комп'ютерів / Українська академія друкарства. – Л. : Афіша, 2000. – 174с. 22. Скобло Юрій Семенович, Цапко Валентин Григорович, Мазоренко Дмитро Іванович, Тіщенко Леонід Миколайович. Безпека життєдіяльності: Навч. посіб. / Валентин Григорович Цапко (ред.). – 3.вид., стер. – К. : Знання, 2004. – 400с. : іл.
Тип вмісту: Bachelor Thesis
Розташовується у зібраннях:122 — Компʼютерні науки (бакалаври)

Файли цього матеріалу:
Файл Опис РозмірФормат 
Малиняк_СНзс-42,2022.pdf1,05 MBAdobe PDFПереглянути/відкрити


Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.

Інструменти адміністратора