Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/38126
Назва: Прогноз летальних випадків від COVID-19 в залежності від погодних умов
Інші назви: A Forecast of fatalities from COVID-19 depending on weather conditions
Автори: Зозуля, Дмитро Олександрович
Zozulia, Dmytro Oleksandrovytch
Приналежність: ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна
Бібліографічний опис: Зозуля Д..О. Прогноз летальних випадків від COVID-19 в залежності від погодних умов: кваліфікаційна робота освітнього рівня «Бакалавр» «122 – комп’ютерні науки» /Д. О. Зозуля – 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: Приймак, Микола Володимирович
Члени комітету: Карпінський, Микола Петрович
УДК: 004.8
Теми: прогноз
forecast
вологість
humidity
машинне навчання
machine learning
температура
temperature
COVID-19
Короткий огляд (реферат): У цій роботі пропонуються різні моделі регресійного машинного навчання, щоб виділити зв’язок між різними факторами та швидкістю поширення COVID-19. Алгоритми машинного навчання, використані в цій роботі, оцінюють вплив погодних змінних, таких як температура та вологість, на передачу COVID-19, отримуючи зв’язок між кількістю підтверджених випадків і змінними погоди в певних регіонах. Для підтвердження запропонованого методу ми зібрали необхідні набори даних, що стосуються погоди та особливостей перепису, і проведено необхідну попередню обробку. На основі експериментальних результатів показано, що погодні змінні є більш релевантними для прогнозування рівня смертності порівняно з іншими змінними, такими як демографічні параметри, вік та урбанізація. Таким чином, з цього результату ми можемо зробити висновок, що температура та вологість є важливими характеристиками для прогнозування рівня смертності від COVID-19. Крім того, вказано, що чим вище значення температури, тим менше випадків зараження. There are different models of machine learning are offered in this paper to obtain connection between different factors and COVID-19 expansion. Algorithms of machine learning, used in these theses assess influence of weather parameters such as humidity and temperature on COVID-19 transition and obtaining correlation between the quantity of confirmed cases and weather variables in certain region. Data sets are collected and preprocessed to confirm offered approach. These data sets contain information about the weather and demographic indices. There were shown on the base of experimental data that weather changes are more relevant to the COVID-19 expansion comparably with demographic parameters such as age and urbanization. Thus, we may conclude that the temperature and humidity are important parameters for prediction of lethal cases from COVID-19. Additionally higher temperature leads to decreasing the number of infection cases.
Зміст: ВСТУП 6 РОЗДІЛ 1. ОГЛЯД РОБІТ З ТЕМАТИКИ ТА МЕТОДИКА ДОСЛІДЖЕНЬ 9 1.1 Збір даних 11 1.2 Методи дослідження 12 РОЗДІЛ 2. ПРАКТИЧНА ЧАСТИНА 18 2.1 Пропоновано модель оцінювання взаємозалежності 18 2.2 Аналіз кількості зареєстрованих випадків 19 2.3 Оцінювання темпів зростання захворюваності 23 РОЗДІЛ 3. БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ХОРОНИ ПРАЦІ 32 3.1 Апарат управління безпекою життєдіяльності 32 3.2 Розрахунок освітленості робочого місця розробника програмного забезпечення 36 ВИСНОВКИ 40 ПЕРЕЛІК ПОСИЛАНЬ 41
URI (Уніфікований ідентифікатор ресурсу): http://elartu.tntu.edu.ua/handle/lib/38126
Власник авторського права: © Зозуля Дмитро Олександрович, 2022
Перелік літератури: 1. Huang, Chaolin, et al. "Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China." The lancet 395.10223 (2020): 497-506. 2. Bogoch, Isaac I., et al. "Potential for global spread of a novel coronavirus from China." Journal of travel medicine 27.2 (2020): taaa011. 3. JOAO, BELMIRO N. "Geographic Information Systems and COVID-19: The Johns Hopkins University Dashboard." (2020). 4. Shokouhi, M. D., et al. "Temperature, Humidity, and Latitude Analysis to Predict Potential Spread and Seasonality for COVID-19.”." (2020). 5. Crokidakis, Nuno. "COVID-19 spreading in Rio de Janeiro, Brazil: Do the policies of social isolation really work?." Chaos, Solitons & Fractals 136 (2020): 109930. 6. Melin, Patricia, et al. "Analysis of spatial spread relationships of coronavirus (COVID-19) pandemic in the world using self organizing maps." Chaos, Solitons & Fractals 138 (2020): 109917. 7. Dangi, Ravi Rai, and Mathew George. "Temperature, population and longitudinal analysis to predict potential spread for COVID-19." Population and Longitudinal Analysis to Predict Potential Spread for COVID-19 (March 24, 2020) (2020). 8. Demongeot J., Flet-Berliac Y., Seligmann H. Temperature decreases spread parameters of the new COVID-19 case dynamics. Biology. 2020;9(5):94. 9. Marvi M., Arfeen A. Demystifying a hidden trend: do temperature variations affect COVID-19 virus spread? SSRN Electr J. 2020. 10. Xu R., Rahmandad H., Gupta M., DiGennaro C., Ghaffarzadegan N., Amini H. Weather conditions and COVID-19 transmission: estimates and projections. SSRN Electr J. 2020. 11. Lowen A.C., Mubareka S., Steel J., Palese P. Influenza virus transmission is dependent on relative humidity and temperature. PLoS Pathog. 2007;3(10): e151. 12. Barreca A.I., Shimshack J.P. Absolute humidity, temperature, and influenza mortality: 30 years of county-level evidence from the United States. Am J Epidemiol. 2012;176(suppl_7): S114–S122. 13. Żuk T., Rakowski F., Radomski J.P. Probabilistic model of influenza virus transmissibility at various temperature and humidity conditions. Comput Biol Chem. 2009. 14. Contreras S., Villavicencio H.A., Medina-Ortiz D., Biron-Lattes J.P., Olivera-Nappa Á. A multi-group SEIRA model for the spread of COVID-19 among heterogeneous populations. Chaos, Solitons & Fractals. 2020;136:109925. 15. Abdo M.S., Shah K., Wahash H.A., Panchal S.K. On a comprehensive model of the novel coronavirus (COVID-19) under mittag-leffler derivative. Chaos, Solitons & Fractals. 2020;135:109867. 16. Chakraborty, Tanujit, and Indrajit Ghosh. "Real-time forecasts and risk assessment of novel coronavirus (COVID-19) cases: A data-driven analysis." Chaos, Solitons & Fractals 135 (2020): 109850. 17. Mandal, Manotosh, et al. "A model based study on the dynamics of COVID-19: Prediction and control." Chaos, Solitons & Fractals 136 (2020): 109889. 18. Melin P., Monica J.C., Sanchez D., Castillo O. Multiple ensemble neural network models with fuzzy response aggregation for predicting COVID-19 time series: the case of Mexico. Healthcare. 2020;8(2):181. 19. Kaggle COVID19 global weather data. Kaggle. 2020 https://www.kaggle.com/winterpierre91/covid19-global-weather-data 20. Imdevskp COVID-19 jhu data web scrap and cleaning. GitHub. 2020 https://github.com/imdevskp/covid_19_jhu_data_web_scrap_and_cleaning 21. WHO novel coronavirus 2019. who. 2020 https://www.who.int/emergencies/diseases/novel-coronavirus-2019/situation-reports 22. Kaggle corona virus report. Kaggle. 2020 https://www.kaggle.com/imdevskp/corona-virus-report 23. GIS C., Data COVID-19. GitHub. 2020 https://github.com/CSSEGISandData/COVID-19 24. Trappenberg T.P. Fundamentals of Machine Learning. Oxford University Press; 2019. Machine learning with sklearn; pp. 38–65. 25. David P. Hands-on Scikit-Learn for Machine Learning Applications. Apress; 2019. Introduction to scikit-learn; pp. 1–35. 26. Md. Ehsanes Saleh A.K., Mohammad Arashi B.G.K. Wiley Series in Probability and Statistics. John Wiley & Sons, Inc.; 2019. Introduction to ridge regression; pp. 1–13. 27. Steinki O., Mohammad Z. Introduction to ensemble learning. SSRN Electr J. 2015. 28. Liang W., Luo S., Zhao G., Wu H. Predicting hard rock pillar stability using GBDT, XGBoost, and LightGBM algorithms. Mathematics. 2020;8(5):765. 29. Diao L., Niu D., Zang Z., Chen C. 2019 Chinese Control Conference (CCC) IEEE; 2019. Short-term weather forecast based on wavelet denoising and catboost. 30. Gad I., Hosahalli D. A comparative study of prediction and classification models on NCDC weather data. Int J Comput Appl. 2020:1–12. 31. Lee W.-M. Python® Machine Learning. John Wiley & Sons, Inc.; 2019. Getting started with scikit-learn for machine learning; pp. 93–117. 32. Kumar D., Priyanka N. Decision tree classifier: a detailed survey. Int J Inform Deci Sci. 2020;12(3):246. 33. meteoblue meteoblue. meteoblue. 2020 https://www.meteoblue.com 34. Fomby T.B., Johnson S.R., Hill R.C. Advanced Econometric Methods. Springer New York; 1984. Review of ordinary least squares and generalized least squares; pp. 7–25. 35. Жидецький Валерій Цезарійович. Охорона праці користувачів комп'ютерів / Українська академія друкарства. – Л. : Афіша, 2000. – 174с. 36. 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 
Зозуля СНзс-42 2022.pdf859,6 kBAdobe PDFПереглянути/відкрити


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

Інструменти адміністратора