Python, Анализ данных

Как Искусственный Интеллект проигрывает CoViD-19

Время прочтения: 4 мин.

С начала текущего года природа преподнесла человечеству сюрприз в виде коронавируса. Сообщество вызов приняло, озадачив заданием искусственный интеллект (ИИ). Искусственный интеллект в свою очередь проанализировал вложенные в него данные и выдал результат. В начале пандемии были получены первые интегрированные результаты динамики развития интенсивности заболевания. В соответствии с ними написан первый код, моделирующий программы.  Предполагающей распространение заболевания с учетом особенности страны в плане географического местоположения, климатических условий, времени года, социальной структуры населения и технологического уклада экономического развития.  Полученные расчеты были рассмотрены и выстроены первые графики (рисунок 1). Таким образом, сформировали первые предсказания распространения заболевания ряда стран. Учитывая первый случай заражения в стране, и введения карантинных мер.

Рисунок 1. Предсказание распространения коронавируса

Настоящей животрепещущей  задачей в последнее время занималось много людей, организаций, компании и т.д., с разными знаниями и ресурсами. Причины этих задач соответственно разные, как будет вести себя рынок спроса, что будет с экономикой ряда стран, когда возникнет пик заболевания и т.д. На текущей момент времени накоплено большое количество информации о фактическом распространении заболевания COVID-19 (рисунок 2, 3).

Рисунок 2. Фактическое распространение коронавируса в Мире
Рисунок 3. График динамики случаев заражения корона вирусом в России

Наиболее естественным способом математической реализации такого подхода является метод Монте-Карло, широко применяемый для моделирования процессов в нейронных системах различного типа [1]. Процесс распространения инфекции в этом случае удается формировать таким образом, что описание его динамики будет похоже на динамику распространение информации в нейронных системах.

В таблице приведено соотношение, которое является относительной характеристикой вероятности заражения в разных помещениях.

Таблица средней вероятности посещения человека разных помещений
 

Однако ведется и учет данных на интервале времени, о состоянии температуры (рисунок 4) в этих регионах и странах. Тем самым с помощью моделирующей программы можно проанализировать, как температура оказывает влияние на заболевания коронавируса.

Рисунок 4. Средняя температура разных регионов России

Текст, моделирующий программы сравнения интервалам времени.

# Подключения используемых библиотек
from sklearn.datasets  
import load_diabetes
import matplotlib.pyplot as plt
import seaborn as sns; sns.set()
import pandas as pd
#взятая дата
data = pd.read_csv('statistica_zabolv.csv')
data.target = pd.read_csv('statistica_temp.csv')
data.head()
data = load_diabetes()
X, y_ = data.data, data.target

#Оригинальная дата
SR_y = pd.Series(y_, name="y_ (Target Vector Distribution)")

#Нарисовать дату
fig, ax = plt.subplots()
sns.distplot(SR_y, bins=25, color="g", ax=ax)
plt.show()

Таким образом, основной прирост данного заболевания приходится в тот момент времени, когда температура окружающий среды составляет от -5 до 15 градусов Цельсия. Средняя активность заболевания составляет 2-3 месяца. Соответственно этого расчета можно с помощью программы Python спрогнозировать в России как будет распространяться данное заболевание.  C учетом вероятностей нахождения людей и мерах предосторожности график (рисунок 5) заболевания, будет иметь следующий вид.

Рисунок 5. Расчет спрогнозированной вероятности распространения заболевания на территории России

Советуем почитать