Прогноз летальних випадків від COVID-19 в залежності від погодних умов

Abstract

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.