在阶段病例已经获得处理数量（即Stage_Treated）较大，且认为其数据是有效的情况下： 阶段的康复率变化波动大的地区与环境温度相关性越能对应上 康复情况越差的地区越可能是处于寒冷的地区，反之则不一定成立 康复情况好的地区很多都是处于环境温度较高地区 当以间隔天数较小进行阶段划分时，同一地区出现较多较大的阶段的康复率的概率是在天气温度较好的时间（在Excel中可过滤可能是异常数值的数据，如阶段康复率是在0.5到1的区间，阶段康复数大于或等于10和阶段死亡数大于或等于0，将过滤后的数据拷贝到新的工作表中，针对该新建工作表数据创建一个以地区和子地区为行，阶段日期组合成月为列，阶段康复率平均值为值的数据透视表） 环境温度对阶段康复率的影响有滞后性，根据供冷供暖情况不同，天气温度会对环境温度有不同的影响，所以不太会出现极端天气温度造成极端差的康复情况，有些地区会出现在寒冷的天气温度下供暖后的康复情况比不供暖时的要好，但大多都会比不过天气温度较高时的状况。 印度的疫情大数据告诉我们，并不是温度越高越好，在2021年2月温度较适宜，2021年1月和2021年3月稍差，到了现在2021年5月更差了，预测印度接下来的更炎热的夏天会疫情康复情况数据会更差。

文件资料 [NEW]重要说明：IHME COVID-19预测 IHME COVID-19预测中不再使用此方法和存储库。 请改为查看和的存储库。 有关新SEIIR模型的当前IHME COVID-19预测，请参见。 见，对于IHME COVID-19常见问题，更新， 原始的写了在这个库中提出的方法（目前未使用！）。 有关IHME COVID-19的任何查询，请联系 。 安装 克隆或下载存储库，然后执行以下操作： make install 如果要为系统安装除默认以外的其他位置： make install prefix=install_prefix_directory 维护者 Aleksandr Aravkin（ ） 彭正（ ） ·班尼克（Marlena Bannick）（ ） （ ） 阿列克谢·肖洛霍夫（Alexey Sholokhov）（ ） 布拉德利·贝尔（ ）

2020.1.19-2.22期间中国人口流动影响下的COVID-19时空格局与防控效果分析数据集，计算基于户籍人口的发病率，即每百万人的病例数；采用加权平均的方法，计算每日全国病例到武汉的平均距离及各地病例平均发病日期到起始日（即1月19日）的天数；按照各省区市与湖北省的空间邻接特征将其划分为一级邻接、二级邻接及其他省区等三个圈层，计算各圈层疫情相关指标的逐日变动。该数据集包括中国各省级单元（港澳台没有统计）2020年1月19日至2月22日间34天以下数据：（1）每日新增确诊病例数、累计确诊病例数、新增发病率、累计发病率及各省病例的平均发病天数；（2）每日全国新增确诊病例、累计确诊病例、新增发病率、累计发病率到武汉的平均距离；（3）每日各地理圈层的新增确诊病例、累计确诊病例、新增发病率、累计发病率。

为便于市民在新冠疫情期间的核酸检测，2020年北京市迅速安排医疗卫生机构提供新冠病毒核酸检测服务。截止2021年1月8日，北京市具备核酸检测能力的机构，总计252所。本数据集的属性信息包括机构的原始编号（oriID）、地理位置、机构名称、机构地址、电话、预约方式、网页链接地址等。这项服务方便了市民和外地来京人员开展新冠病毒疫情防疫和出行。数据集存储为.shp格式，WGS 1984地理坐标系，由7个文件组成，数据量为658 KB（压缩为1个文件，32.4 KB）。

SurviveCovid-19 什么是SurviveCovid-19？ SurviveCovid19是一款教育游戏，旨在促进针对Covid-19大流行的社交距离和其他卫生措施的习惯。 该存储库中的代码可用于构建SurviveCovid19的所有Web，桌面和Android版本。 开发SurviveCovid-19是为了教育和激励公众采取安全措施，以控制基于Android和Web的移动游戏Covid-19大流行。 SurviveCovid-19的特点： 感染通过接触传播，因此加强了社会疏离的概念。 口罩和消毒剂控制病毒的传播。 收集药品和杂货，同时避免病毒来提高水平。 SurviveCovid-19的用途： 制作游戏的步骤： 将存储库下载到本地计算机上。 创建一个新的Unity 3D应用程序。 将文件夹从SurviveCovid19文件夹内部复制到应用程序中。 更换所

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

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

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。