covid19感染率 在数据COVID-19数据集中使用约翰霍普金斯大学（JHU）系统科学与工程中心（CSSE）和《我们的世界》通过COVID-19数据存储库获取的数据。 开发了层次模型来分析和预测美国的感染率 数据包含以上收集的数据 CovidCountModel.ipynb：具有泊松共轭结构的贝叶斯层次模型 CovidCountModel2.ipynb：具有泊松非共轭结构的贝叶斯层次模型

全球covid19疫情可视化分析数据集

全球covid19疫情可视化分析文件

Week4_GlobalForecast_COVID19 一个协作存储库，其中包含第4周Kaggle竞赛的全球COVID-19预测代码（ ） 预测/预测主要使用InterpretML库完成，以查看所选要素之间的相关性。 要查看结果，请确保你已经安装了所有必需的包requirements.txt ，并运行experimental.ipynb从笔记本电脑的文件夹中。

新冠病毒肺炎疫情确诊数据，包括全国，省，市 从1.11日开始的每日确诊人数，治愈人数等数据，已经进行了整理，最新的数据也可以联系作者

These tweets are collected using Twitter API and a Python script. The tweets have #covid19 hashtag. Collection started on 25/7/2020, with an initial 17k batch and will continue on a daily basis. 这些推文是使用Twitter API和Python脚本收集的。这些推文带有＃covid19标签。收集于2020年7月25日开始，最初的批次为17,000，并且每天都会继续收集。 covid19_tweets.csv

新型冠状病毒（COVID-19）对供应链的影响.pdf

2019年年底，一场突如其来的疫情打破了所有人的生活，经高通量测序发现这是一种新型冠状病毒—— [1],自疫情爆发以来，世界各地科研机构纷纷展开对 的研究，本文基于流行传染病 模型的基础上展开研究。 问题一：针对如何定量界定“流行”与“大流行”，本文在传统 模型的基础上，根据实际疫情数据计算出模型的死亡率、治愈率、感染率、确诊患者转化率以及确诊患者的自然增长率并求解出模型，并通过模型模拟数据与实际数据的对比，进而分析得出 的一个整体发展态势。在 模型的基础上求出 的基本再生数R_0，通过基本再生数R_0并与其他“流行”传染病(以 和 为例)对比，进而直接得到界定“流行”与“大流行”的一个量化指标。此外，疫情的覆盖范围、潜伏周期和投入资金也可以间接的作为界定“流行”与“大流行”的量化指标。 问题二： 本文首先通过对无症状感染者所占群体内部的一个比例来衡量该地区的疫情爆发趋势。针对这个问题，本文在传统流行病模型的基础上，判断流行病“无病平衡点”和“地方病平衡点”的稳定性以及“流行病传播的必要条件”入手。结合模型一的相关参数，推测出无症状感染者所占的比重，从而划分出不同风险等级的区域。由于所选区域较为灵活，对于范围较大的区域可以运用“统计学”原理和生物学的“抽样原理”，从宏观角度上分析无症状感染者的比重，当无症状感染者的比例大于1，则疫情随时可能爆发；当无症状感染者比例小于1时，疫情即使爆发也会很快控制下来，且疫情发展系数P_e的值越小，爆发的概率越大。以湖北、天津、浙江、北京和云南为例，计算得湖北的无症状感染者的比重1.1145，P_e的值是五个样本区域最小的，会有大爆发的趋势；其次是浙江的1.0025，有小范围爆发的趋势；随后是天津的0.8664，会有局部疫情爆发的可能，应当适当增强管控手段和隔离强度；云南和北京的无症状感染者比重都远远小于1，可以把更多的人力和资源投入到其他省的疫情管控。 问题三： 本文从疫情造成的影响和总体发展态势分析疫情，根据模型一提供相关数据分析管控措施和理论依据，并根据模型二的计算结果的模型原理提供如何高效的对地区采取管控政策。

中国人民大学金融科技研究所-COVID-19，金融市场和数字化转型（英文）-2021.4-18页.pdf

ARIMA模型（英语：Autoregressive Integrated Moving Average model），差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称作滑动），是时间序列预测分析方法之一。ARIMA(p，d，q)中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。“差分”一词虽未出现在ARIMA的英文名称中，却是关键步骤。