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。

请通过创建新期刊或通过电子邮件为我留下反馈！ 如果您喜欢其中的内容，请为该存储库加注星标！ CNN-COVID-19-使用胸部CT扫描分类 卷积神经网络基于胸部CT扫描的COVID-19分类 描述 此仓库中有两个Jupyter笔记本（在notebooks文件夹中）。 1-卷积神经网络简介 本笔记本向不熟悉该领域的人介绍了深度神经网络（DNN）和卷积神经网络（CNN）。 我说明了DNN中的关键组件，CNN的动机以及使CNN强大用于图像分类的功能。 基于2 COVID-19分类的CT扫描 本笔记本是我们使用tensorflow.keras构建的CNN COVID-19 CT扫描分类器的tensorflow.keras 。 我们将网络构建为INFORMS QSR 的入口。 构建COVID分类器的团队成员：A / P ， 和我。 CT扫描数据集来自。 这些详细信息在此预印本中进行了

我们对本文应用于尼日尔首都尼亚美的COVID-19疾病的建模和分析感兴趣。 我们介绍的模型考虑了该国为应对这一大流行而采取的战略。 传染因子在人群中的传播是一个动态现象：健康和患病个体的数量随时间变化，这取决于病原体从感染个体传播到健康个体的接触方式。 我们通过一组微分系统方程对该传播现象进行建模，并通过数值分辨率确定其行为。

LiveProject：使用时间序列分析构建COVID-19跟踪器 数据集 您可以直接使用来自的原始文件： ：用于预测的时间序列数据 ：死亡时间序列数据 ： 时间序列数据 ：us_confirmed_df ：us_death_df ：分析当前的全球情景。 该数据集包含每日时间序列摘要表，包括确诊，死亡和恢复病例。 所有数据均从每日病例报告中读取。 如果我们的历史数据中发现有错误，则时间序列表可能会更新。 在这些情况下，将不调整每日报告以维护原始数据记录。 时间序列预测数据 三个时间序列表分别用于全球确诊病例，康复病例和死亡人数。 澳大利亚，加拿大和中国是在省/州一级报告的。 荷兰，英国，法国和丹麦的依存关系在省/州级别下列出。 美国和其他国家/地区在国家/地区一级。 这些表被命名为time_series_covid19_confirmed_global.csv ， time_se

摘 要： 随着新型冠状病毒的传播，全球范围内不同程度地受到病毒的侵袭，对于疫情的发 展和防控是世界备受关注的问题，而对“流行”和“大流行”病的正确判断以及无症状 感染者的有效判断将有助于开展疫情的防控工作。 针对问题一，综合考虑到传染病的各类数据的片面性，本文建立了两种针对传染病 数据搜集程度强弱的两种模型。其一，对于较为精细全面的数据，首先采用层次分析法， 将不同的影响因素标准化成数据，再将这些数据作用在感染人数上，我们利用 SPSS 聚类 分析的方法将中国、美国、英国等八个国家分成两类，最后利用距离判别法找出判别函 数量化判断“流行”和“大流行”病；其二，对于粗略离散的数据，通过建

新冠病毒疫情数据 DAreaXY-COVID-19-Data-中国各省和地级市.xlsx

使用PYthon的keras包来构建LSTM模型（请自行安装keras包)，用疫情前七天的数据作为训练集构建LSTM神经网络实现对疫情的预测。

资源主要是完成对COVID-19的分类识别，包括COVID图像数据集，数据降维算法PCA,LLE,PCA_LLE组合算法，利用SVM对图像进行分类识别，识别率超过80%，并且对算法性能进行优化比较，包括时间、算法最优参数选择（LLE的维度与邻域）、SVM的最优分类等等，是一个比较完整的课题实验。如有实验思路问题可私信。

COVID-19新冠疫情预测代码（含数据集）COVID-19 prediction.zip