COVID-19 Prediction

COVID-19 Prediction представляет собой реализацию проекта «Прогнозирование заболеваемости COVID-19» в рамках зимней школы CompTech School 2022.

Папки и файлы репозитория:

• 🗂️.github - папка содержит конфиг настройки для Github Actions.
• 🗂️docs - папка содержит проектную документацию.
• 🗂️etl - папка содержит скрипты для работы с данными.
• 🗂️predict - папка содержит скрипт для предсказаний моделей
• .gitignore - каких файлов не должно быть в удалённом репозитории.
• dodo.py - скрипт, отвечающий за последовательность выполнения скриптов для обновления данных.
• requirements.in - список библиотек для компиляции зависимостей requirements.txt с помощью библиотеки pip-tools.
• requirements.txt - список зависимостей, необходимых для работы скриптов.

Назначение

Пандемия продолжает влиять на страны по всему миру - COVID‐19 затронул 195 стран с примерно 366 млн подтвержденными случаями заболевания (к январю 2022). Понимание динамики передачи инфекции в каждой стране и прогнозы имеют решающее значение для дальнейших действий по борьбе с пандемией. Целью проекта является разработка и визуализация модели, которая предсказывает заболеваемость COVID-19.

Принцип работы

Исходя из имеющихся данных о заболеваемости в разных странах, модель делает предсказания заболеваемости на 30 дней. Подробно о модели можно прочитать в Отчете о научно-исследовательской работе.

Целевая аудитория (пользователи продукта)

Проект может представлять интерес для государства, ВОЗ, страховых компаний, частных клиник, так как появится возможность:

• предсказывать спрос на медицинские услуги и нагрузку на госпитали,
• принять меры заблаговременно,
• сократить расходы.

Установка и настройка

Ссылка на дэшборд в Yandex DataLens

Детальная установка и настройка описана в официальной документации сервиса Yandex DataLens.

Для настройки требуется наличие учетной записи Яндекс / SSO.

Зависимости

Указаны в requirements.txt.

Использование

1. Перейти на страницу дэшборда в Yandex DataLens.
2. В первом фильтре выбрать интересующую страну (например, Russia).
3. Смотреть графики динамики заражений, вакцинаций и смертности.
4. Во втором фильтре выбрать интересующую страну для отображения карты схожести.
5. Наводить курсор на элементы для отображения дополнительной информации.

Отображаемые значения

Используемые переменные в графиках смертности, заболеваемости, вакцинации и госпитализаций:

• location (Местоположение) - поле, содержащее название страны, для которой отрисовывается график случаев заражений, вакцинаций, смертей.
• date (Дата) - поле, содержащее дату в формате "ГГГГ-ММ-ДД".
• new_cases (smoothed) (Новые случаи заражения (сглажено)) - те же Новые случаи заражения, но сглаженные при помощи фильтра высоких частот.
• Новые случаи смерти (сглажено) - те же Новые случаи смерти, но сглаженные при помощи фильтра высоких частот.
• Новые случаи вакцинации (сглажено) - поле, содержащее количество вакцинированных в заданной стране в течение дня, сглаженные при помощи фильтра высоких частот.
• Госпитализировано - поле, содержащее количество случаев госпитализаций на определенную дату в определенной стране. Информация по госпитализациям была найдена в открытом доступе только по США.

Используемые переменные в карте схожести стран:

• longitude (Долгота) - поле, содержащее долготу одной точки страны.
• latitude (Широта) - поле, содержащее широту одной точки страны.
• Coord (Координаты точки) - поле, содержащее координаты одной точки страны.
• Страна для отображения - поле, содержащее название страны. Используется для выбора по селектору(в качестве фильтра).
• Другая страна - поле, содержащее название не выбранных стран для отображения. С ними происходит сравнение.
• Степень отставания - поле, содержащее количество дней отставания для двух выбранных стран (предполагаемое количество дней до наступления волны заболеваемости COVID-19 в выбранной стране).
• Степень уверенности- поле, содержащее степень сходства двух выбранных стран (пирсоновская корреляция двух дискретных функциональных зависимостей прироста количества заболевших в каждой стране).

Команда

• Антон Агейков - Data Scientist, капитан команды
• Асем Ибраева - Data Scientist
• Тимофей Акимкин - ML Engineer
• Яна Бучковски - технический писатель
• Татьяна Плевако - DevOps

Куратор: Артем Карасюк