• 新型肺炎疫情牽動(dòng)著全國(guó)人民的心。截至 2020 年 1 月 27 日 11 時(shí) 54 分，全國(guó)新型肺炎病例已確診 2762 例，死亡 80 例，治愈 51 例。

[[313606]]

00聲明&目的

作為一名碼農(nóng)，我們用數(shù)據(jù)說(shuō)話，下面為大家分析目前的新型冠狀病毒真的嚴(yán)重嗎?

聲明：

• 本文只是一個(gè)學(xué)術(shù)的研究，能夠獲取的數(shù)據(jù)維度非常單一且數(shù)據(jù)量也少，并無(wú)任何實(shí)際的價(jià)值和參考意義，請(qǐng)不要對(duì)號(hào)入座，請(qǐng)不要隨便斷章取義，歪曲本文。
• 本文的數(shù)據(jù)來(lái)自于 WHO，國(guó)家衛(wèi)檢委，騰訊新聞和澎湃新聞美數(shù)課。全部人工抄錄，如有錯(cuò)誤之處，敬請(qǐng)指出。
• 本文寫于 1 月 26 日，當(dāng)時(shí)獲取到的信息非常有限，得出的結(jié)論可能會(huì)被后續(xù)更多的數(shù)據(jù)被推翻。再次聲明，所以本文僅是一個(gè)學(xué)術(shù)的探討，僅僅是一個(gè)思路，并無(wú)實(shí)際的價(jià)值和參考意義。
• 本人也是個(gè)菜雞程序員，可能會(huì)有數(shù)據(jù)錯(cuò)誤，程序沒(méi)寫好，有 Bug 等，歡迎指正批評(píng)。一起探討學(xué)習(xí)。

目的：本文探討的主要目的是，有沒(méi)有一種算法可以根據(jù)已有的數(shù)據(jù)對(duì)疫情進(jìn)行預(yù)測(cè)和評(píng)估，可以方便在疫情出現(xiàn)的時(shí)候，根據(jù)預(yù)測(cè)的數(shù)據(jù)來(lái)判斷當(dāng)前的疫情狀況。

文章分為如下五個(gè)部分：

• 猜想
• 數(shù)據(jù)準(zhǔn)備
• 猜想驗(yàn)證
• 新型冠狀病毒確診數(shù)據(jù)的預(yù)測(cè)和驗(yàn)證
• 總結(jié)

PS : 心急的朋友可以直接拖到末尾看結(jié)論。

01猜想

由于當(dāng)前新型冠狀病毒的數(shù)據(jù)并不多(從 11 號(hào)-26 號(hào))，所以僅僅是新型冠狀病毒的數(shù)據(jù)來(lái)做研究是不夠的，必須還要一組參考驗(yàn)證組。(當(dāng)然是越多越好，但是精力有限，所以只找了一組)。

首先明確一下判斷疫情的嚴(yán)重情況的指標(biāo)，目前疫情一般會(huì)公告這四個(gè)數(shù)據(jù)：

• 確診病例
• 疑似的病例
• 感染的地區(qū)
• 死亡的人數(shù)

由于我們把地區(qū)限定在了中國(guó)(雖然各個(gè)地區(qū)不一樣)，所這個(gè)地區(qū)的指標(biāo)就不用了，死亡人數(shù)在疫情的前中后期都不太一樣，這個(gè)也不用。

疑似病例這個(gè)和各地的收診情況有關(guān)系，比如香港的疑似病例就非常多，確診很少，所以這個(gè)指標(biāo)也不采用，剩下就以確診病例作為唯一的參考指標(biāo)。

猜想 1：假設(shè)病毒的傳播和地區(qū)，氣候以及病毒自身的特征有非常大的關(guān)系。

那么只要找到一個(gè)和新型冠狀病毒這三個(gè)屬性非常相似的病毒，只要算法能夠?qū)@種病毒的確診病例進(jìn)行預(yù)估和判斷，那么算法也可以對(duì)新型冠狀病毒進(jìn)行預(yù)估和判斷。

目前和新型冠狀病毒最像的應(yīng)該就是 SARS：

• 氣候和現(xiàn)在差不多，都是 1 月開(kāi)始，但是 SARS 在 3 月才擴(kuò)散。
• 地區(qū)主要是是中國(guó)。
• 病毒類型：都是冠狀病毒，都有發(fā)燒咳嗽等特征。

那么基于上述的條件，采用了 SARS 作為參考組。

猜想 2：可以給定一個(gè) Δ。

• 如果當(dāng)前確診的病例-預(yù)測(cè)的確診病例的比率>Δ，那么當(dāng)前的疫情變異了，進(jìn)一步擴(kuò)大影響的范圍。
• 如果當(dāng)前確診的病例-預(yù)測(cè)的確診病例的比率<-Δ，那么當(dāng)前的疫情已經(jīng)基本被控制，已經(jīng)減弱了。
• 如果-Δ<當(dāng)前確診的病例-預(yù)測(cè)的確診病例的比率<Δ，那么當(dāng)前的疫情還在平穩(wěn)的發(fā)展中，沒(méi)有進(jìn)一步變異。

02數(shù)據(jù)的準(zhǔn)備

• 確診病例的數(shù)據(jù)：
• SARS 的數(shù)據(jù)來(lái)源于 www.who.int , 數(shù)據(jù)從 2003 年的 3 月 17 日-5 月 30 日 。
• 新型冠狀病毒的數(shù)據(jù)來(lái)源于騰訊新聞和國(guó)家衛(wèi)生健康委員會(huì) http://www.nhc.gov.cn 數(shù)據(jù)從 2020 年的 1 月 15 日到 1 月 26 日。

如果可以拿到 SARS 在 1 月份的數(shù)據(jù)就好了，可惜沒(méi)有一個(gè)比較完整的地方有記錄，基本上衛(wèi)生部發(fā)布的好像是從四月份開(kāi)始。于是只能采用四月份的數(shù)據(jù)了。

評(píng)估的算法：采用了 LSTM(長(zhǎng)短期記憶網(wǎng)絡(luò))，搭建的話 Keras。

LSTM 已經(jīng)是個(gè)老算法了，經(jīng)常用于量化投資(簡(jiǎn)單點(diǎn)來(lái)說(shuō)就是炒股之類，預(yù)測(cè)股票的增長(zhǎng))，非常擅長(zhǎng)于時(shí)間序列的預(yù)測(cè)。

最終調(diào)教后的算法模型是，根據(jù)過(guò)去三天的數(shù)據(jù)，可以預(yù)估最新一天的數(shù)據(jù)。

實(shí)驗(yàn)的環(huán)境：數(shù)據(jù)量比較少，直接租了一臺(tái) 16 核 8G 的阿里云的主機(jī)進(jìn)行測(cè)試。

03猜想驗(yàn)證

猜想驗(yàn)證部分直接全部使用 WHO 的 SARS 的數(shù)據(jù)進(jìn)行驗(yàn)證。采用的字段是 Cumulative number of case(s)，累計(jì)病例數(shù)，我這里就當(dāng)它是確診人數(shù)了。

SARS 的數(shù)據(jù)分別有兩部分，一部分是中國(guó)大陸的，一部分是中國(guó)香港的。在 5 月份后基本已經(jīng)趨于平緩，所以只取了前兩個(gè)月(約 60 天左右的數(shù)據(jù))。

可以看到數(shù)據(jù)涵蓋了病毒爆發(fā)期，病毒平穩(wěn)增長(zhǎng)期，以及病毒被消滅期，比較合適用來(lái)驗(yàn)證算法是否可以擬合整體的曲線。

猜想 1：這里采用前 50 天的數(shù)據(jù)做訓(xùn)練樣本，訓(xùn)練的結(jié)果用來(lái)預(yù)測(cè) 60 天的情況。

預(yù)測(cè)和實(shí)際的對(duì)比如下：

從圖中我們可以看到，在使用了 90% 的數(shù)據(jù)量下，數(shù)據(jù)是擬合的比較好的，肉眼看上去香港的數(shù)據(jù)基本可以用算法完全預(yù)估。

這里給一下數(shù)據(jù)誤差的對(duì)比情況：

• 誤差：|(實(shí)際值-預(yù)估值)/ 實(shí)際值 |
• 中國(guó)大陸：誤差的平均值 0.057， 誤差的均方差 0.060。
• 中國(guó)香港：誤差的平均值 0.053， 誤差的均方差 0.137。

說(shuō)人話就是，模型預(yù)測(cè)的數(shù)據(jù)和實(shí)際的數(shù)據(jù)最多差了 6%。效果是非常理想的。這里我們可以證明第一個(gè)猜想，即 LSTM 可以用來(lái)擬合 SARS 確診人數(shù)的變化情況。

猜想 2：實(shí)際上雖然猜想一得到了證實(shí)，但是依舊沒(méi)啥用，因?yàn)檫@里的模型是使用了 90% 的數(shù)據(jù)，基本已經(jīng)到了傳播的后期。

那么前期是否可以使用同一個(gè)模型進(jìn)行驗(yàn)證呢? 這里只取中國(guó)大陸的數(shù)據(jù)進(jìn)行試驗(yàn)。

根據(jù)三個(gè)階段(這三個(gè)階段是肉眼判斷截取的，是否合理當(dāng)時(shí)沒(méi)有考慮)截取對(duì)應(yīng)的數(shù)據(jù)進(jìn)行建模，建模后的預(yù)測(cè)效果如下：

在前期的數(shù)據(jù)的預(yù)測(cè)中，到后面兩個(gè)階段實(shí)際的數(shù)據(jù)都比預(yù)測(cè)的數(shù)據(jù)比要大，說(shuō)明在疫情開(kāi)始了爆發(fā)。

在中期的數(shù)據(jù)的預(yù)測(cè)中，其他兩個(gè)階段預(yù)測(cè)的數(shù)據(jù)基本都比實(shí)際的數(shù)據(jù)要大， 說(shuō)明在疫情在前期的感染速度較低，后期的感染速度也變低 。

根據(jù)上面兩個(gè)數(shù)據(jù)，是可以推測(cè)是存在一個(gè) Δ 去判斷當(dāng)前的疫情狀況的。但是 Δ 究竟是多少呢?

這里倒是可以根據(jù)好幾個(gè)因素去設(shè)置：

• 斜率的改變
• 誤差的改變
• 轉(zhuǎn)折點(diǎn)的個(gè)數(shù)等

這里就偷懶了，可以明顯看到各個(gè)時(shí)期都有一個(gè)或者多個(gè)轉(zhuǎn)折點(diǎn)(消亡期不算)。

直接取最接近轉(zhuǎn)折點(diǎn)的誤差率來(lái)計(jì)算：

• 在爆發(fā)期里面，最靠近轉(zhuǎn)折點(diǎn)的誤差值是 0.21。
• 在控制期里面，最靠近轉(zhuǎn)折點(diǎn)的誤差值是 0.14 。
• 兩個(gè)取平均作為 Δ 的值，也就是 0.175 。

04新型冠狀病毒確診數(shù)據(jù)的預(yù)測(cè)和驗(yàn)證

分別取前 6 天的數(shù)據(jù)(到 20 號(hào))，取前面 9 天的數(shù)據(jù)(到 25 號(hào))的數(shù)據(jù)代入模型進(jìn)行預(yù)估：

為什么選 20 號(hào)呢，20 號(hào)主要是央視有采訪鐘南山大佬，而且第一次說(shuō)明了人傳人的存在，以及 14 名醫(yī)護(hù)被感染。

我覺(jué)得應(yīng)該算是開(kāi)始重視這個(gè)病毒的一個(gè)點(diǎn)，隨后各地開(kāi)始上報(bào)疫情，發(fā)布以及響應(yīng)等。

再往前的時(shí)間點(diǎn)就數(shù)據(jù)就比較缺失了，模型精準(zhǔn)度已經(jīng)失去了使用的價(jià)值，所以采取了 20 號(hào)的這個(gè)時(shí)間點(diǎn)作為分隔來(lái)建造模型。

如果以到 20 號(hào)的模型來(lái)估算的話，第一次誤差偏離 0.17 的時(shí)間是 23 號(hào)，誤差為 0.19。23 號(hào)，廣東，浙江啟動(dòng)了一級(jí)響應(yīng)，確診的病人增多。

但個(gè)人感覺(jué)應(yīng)該是檢測(cè)的方法變強(qiáng)導(dǎo)致的，側(cè)面來(lái)看，模型的確檢測(cè)除了異常值，不過(guò)并不能夠說(shuō)明病毒變強(qiáng)了。

如果以到 24 號(hào)的模型來(lái)看，預(yù)估的 25 號(hào)的數(shù)據(jù)是 1877，實(shí)際的數(shù)據(jù) 1972，誤差率在 0.04，未到偏離值。

所以根據(jù)這個(gè)模型推斷，當(dāng)前疫情還在持續(xù)擴(kuò)散中，但是并沒(méi)有進(jìn)一步惡化，可能國(guó)家的高度重視和很多省份都開(kāi)始參與其中有關(guān)系。

依照當(dāng)前的模型，明天的確診人數(shù)的預(yù)估值是 2770，加上 0.17 的誤差的話：

• 如果實(shí)際的確診人數(shù)>3337，說(shuō)明疫情加重。
• 如果實(shí)際的確診人數(shù)<2367，說(shuō)明疫情正在被控制。
• 如果處于中間，那還是依舊在擴(kuò)散發(fā)展中，但并未惡化。

再次聲明：以上的觀點(diǎn)和結(jié)論都屬于依據(jù)當(dāng)前的確診人數(shù)所作的推斷，毫無(wú)參考的意義和價(jià)值。如果數(shù)據(jù)剛好對(duì)了，不能說(shuō)明什么，如果數(shù)據(jù)錯(cuò)了，證明這個(gè)模型真的不行。

那么，如果我們帶入 SARS 最嚴(yán)重的的時(shí)候，會(huì)怎么樣?

還是按照誤差 0.17 來(lái)算，在 23 號(hào)，誤差達(dá)到了 0.18，也就是 3 天前，按照這個(gè)模型的數(shù)據(jù)推算，新型冠狀的病毒傳染性比 SARS 要強(qiáng)。 但很可能是和春運(yùn)有關(guān)系，畢竟數(shù)據(jù)的時(shí)間不一致。

再再次聲明：以上的觀點(diǎn)和結(jié)論都屬于依據(jù)當(dāng)前的確診人數(shù)所作的推斷，毫無(wú)參考的意義和價(jià)值。如果數(shù)據(jù)剛好對(duì)了，不能說(shuō)明什么，如果數(shù)據(jù)錯(cuò)了，證明這個(gè)模型真的不行。

05總結(jié)

寫這個(gè)的目的純粹是為了探討和研究，實(shí)際上，真的要寫一個(gè)這種疫情預(yù)測(cè)和評(píng)估的系統(tǒng)，需要非常多的參考的數(shù)值。

比如醫(yī)護(hù)人員的數(shù)量，檢測(cè)手法準(zhǔn)確率，時(shí)間，病毒的潛伏期等等，需要非常多的人力物力才可以編寫完成，像本文這種只靠單一維度的輸入去判斷和預(yù)估的模型和玩具沒(méi)什么區(qū)別。

但是在編寫的過(guò)程中也發(fā)現(xiàn)很多問(wèn)題，例如政府之前的披露的數(shù)據(jù)真的非常少，疫情的相關(guān)數(shù)據(jù)還是多方尋找才找到一部分 。

希望在這次的疫情中保留比較詳細(xì)的數(shù)據(jù)：

• 例如支援的物品的統(tǒng)計(jì)，損耗和使用情況等
• 例如病人的數(shù)量對(duì)物品的需求等
• 例如疫情各個(gè)時(shí)期需要多少的物資統(tǒng)計(jì)等

這些都可以作為系統(tǒng)的的輸入，借助這些數(shù)據(jù)，打造一個(gè)強(qiáng)大完整的疫情監(jiān)控和評(píng)估系統(tǒng)，甚至不是疫情，而是重大事件的監(jiān)控和評(píng)估系統(tǒng)，待下次再出現(xiàn)疫情、災(zāi)情，可以快速的調(diào)度全國(guó)的資源進(jìn)行處理和援助。

最后，祝大家春節(jié)快樂(lè)，多注意個(gè)人衛(wèi)生，帶好口罩，不要放松警惕。