基於python的新型冠狀肺炎患病人數預測

前言：

數據源騰訊疫情實時追蹤

操作算法單一：二次指數平滑法（會因算法不同以及算法中參數alpha不同而導致誤差）

正在測試該算法中alpha的值及其對數據的擬合效果

使用不同的算法對數據預測可能會存在偏差，請勿傳謠！

第一部分效果展示與分析

（被標題遮擋部分：參數alpha = 0.99 預測2/03日新冠患病人數爲20025人）

在這裏解釋一下完成所有預測時間爲頭天，2/03日從0點到24點的疫情數據是2/04日清晨發佈

一大早起來看數據：患病：200471人（數據來自：騰訊疫情實時追蹤，且自己使用的數據都是每日早晨8點的數據）

分析：預測值與算法中alpha = 0.99接近，由此可以推斷預測成功，至於誤差。對此有以下解釋：

1：算法選用成功的情況：實時數據大於預測數據：極有可能是因爲病毒在爆發期原因（據專家預測2月8日前幾天迎來二次爆發期），佐證了這一猜想，即：疫情在這幾天加劇，從數據可知：2/02日全天患病人數較昨日增長2800，而2/03日全天數據較昨日增長3235人（數據來自丁香醫生），均超過了前幾天的較昨日增長數。

2：算法選用所存在的誤差：每種算法都會存在多多少少的誤差，我所選用的亦然，但能與實際數據接近，也是“萬幸”

第二部分代碼實現與效果展示

一：數據獲取

我們分析一下請求頭可知：name=disease_h5 是數據位置
callback=jQuery341021795676971428168_1580642523637_=1580642523638返回當前時間戳的一個函數，所以我們請求的URL爲：https://view.inews.qq.com/g2/getOnsInfoname=disease_h5

二算法代碼實現：

    def catch_daily():
        url = 'https://view.inews.qq.com/g2/getOnsInfo?name=wuwei_ww_cn_day_counts&callback=&_=%d' % int(
            time.time() * 1000)
        data = json.loads(requests.get(url=url).json()['data'])
        data.sort(key=lambda x: x['date'])
        return data
    daily_data = pd.DataFrame(catch_daily())
    daily_data.head()

返回的數據我們用pandas的DataFrame框架保存，我這裏僅僅使用了確診患者數據，另外：“疑似患者數據和治癒人數，死亡人數，和新增疑似和新增確診和各省市的疫情數量分析”就是使用同樣的方法進行獲取分析，需要注意的是：數據結構比較複雜，一步一步打印出來看，先明白數據結構。

二次指數平滑法：

def compute_double(alpha, s):
    '''
    二次指數平滑
    :param alpha:  平滑係數
    :param s:      數據序列， list
    :return:       返回二次指數平滑模型參數a, b， list
    '''
    s_single = compute_single(alpha, s)
    s_double = compute_single(alpha, s_single)
    a_double = [0 for i in range(len(s))]
    b_double = [0 for i in range(len(s))]
    c_double = [0 for i in range(len(s))]
    d_double = [0 for i in range(len(s))]

    for i in range(len(s)):
        a_double[i] = 2 * s_single[i] - s_double[i]                    #計算二次指數平滑的a
        b_double[i] = (alpha / (1 - alpha)) * (s_single[i] - s_double[i])  #計算二次指數平滑的b
        c_double[i] = a_double[i]+b_double[i]
    return a_double, b_double

在這裏簡介一下二次指數平滑法：

首先：指數平滑法是一種特殊的加權平均法，有一次，二次，三次指數平滑法，至於爲什麼選用二次指數平滑法，這裏不做贅述，其中二次指數平滑法的公式爲：

$S{(2)}_{t}=aS{(1)}_t+(1-a)S_{t-1}^{(2)}$ 　　(1)

式中： $S{(2)}_{t},S{(2)}_{t-1}$ 分別爲t期和t–1期的二次指數平滑值；a爲平滑係數。在 $S^{(1)}_{t}$ 和 $S^{(2)}_{t}$ 已知的條件下，二次指數平滑法的預測模型爲：

$\hat{Y}_{t+T}=a_t+b_t\cdot T$ 　　(2)

$S_{t}{(2)}=aS{(1)}_{t}+(1-a)S^{(2)}_{t-1}$

$\begin{cases}a_t=2S{(1)}_{t}-S{(2)}_t\b_t=\frac{a}{1-a}\left(S{(1)}_t-S{(2)}_t\right)\end{cases}$ 　　(3)

其中最重要的就是alpha的值，它是預測成功的關鍵，指數平滑法的長期預測效果差，多用於短期預測，而且對新數據轉折點缺乏鑑別能力（但可以使用調查預測法或專家預測法加以彌補）

三數據可視化

對於數據可視化，我們使用Pyecharts描繪柱狀圖和折線圖，圖形已經給出，下面我們看代碼實現：

 line = Line()
    line.add_xaxis(date)
    line.add_yaxis("參數alpha=0.99\n2/3日值爲20025", data1)
    line.add_yaxis("alpha=0.90\n2/3日值爲19967", data2)
    line.add_yaxis("alpha=0.80\n2/3日值爲19870", data3)
    line.add_yaxis("alpha=0.70\n2/3日值爲19729", data4)
    line.add_yaxis("alpha=0.60\n2/3日值爲19522", data5)
    line.add_yaxis("alpha=0.50\n2/3日值爲19200", data6)
    line.render("predict_line.html")

以及柱狀圖：

def bar() -> Bar:    c = (        Bar({"theme": ThemeType.MACARONS})            .add_xaxis(list(daily_data["date"]))            .add_yaxis("參數alpha=0.99", data1)            .add_yaxis("alpha=0.90", data2)            .add_yaxis("alpha=0.80", data3)            .add_yaxis("alpha=0.70", data4)            .add_yaxis("alpha=0.60", data5)            .add_yaxis("alpha=0.50", data6)            .set_global_opts(            title_opts={"text": "新冠病毒患者預測\n--zxx（試行）"}        )    )    return cbar().render("predict_bar.html")

這是一種很方便的數據可視化操作，再此安利給大家！

另外，大家在網上查看疫情時候的曲線圖，柱狀圖也可以製作，如下：

這些圖片製作方法也是如出一轍，如果感興趣的，但又有疑問的可以在評論區提，我也是小白一枚。

國家有難，我們能做的最大貢獻就是在家躺着，但是躺歸躺，學習不能落下，不要“收藏從未停止，行動從未開始！”做一個實業派，更重要！有朝一日也希望能像阿里巴巴達摩院一樣，用AI技術分析疑似病例基因，縮短時長，爲國捐力，用“算法抗疫”，醫療工作者在前線奔忙，科研工作者也同時地在奉獻自己的一份力，

自此也想發自肺腑地送給深受疫情困擾地素未謀面的朋友，和正在一線爲抗疫地可愛的人們一段話：

“抗疫”如一場修行 “得意”時一日看盡長安花；艱難時，潦倒新停濁酒杯，

但抗戰的跋涉不能回頭！哪怕畏途巉巖不可攀，也要會當臨絕頂，

哪怕無人會，登臨意，也要猛志顧常在，在衆人的團結中汲取九萬里風鵬正舉的力量，

歷練也無風雨也無晴的豁然讓我們全國人民一同待到重陽日還來就菊花 !

最後我基於昨日預測數據使用alpha參數爲0.99進行未來幾天預測（無有效控制方法前的預測，僅供參考）基於我的2/03日預測值爲20025人患病，而實際值爲200471（來自丁香醫生2/04，8點時數據），預測可能會有偏差，有錯我立馬糾正，不喜勿噴！同樣地我只做了患病（確診人數）的預測，感興趣的可以做疑似人員，死亡數和治癒數的預測！

---------- 上海第二工業大學 18智能A1 周小夏

基於python的新型冠狀肺炎患病人數預測