Die entscheidende Frage bei der Beurteilung aller Maßnahmen ist, ob das exponentielle Wachstum verlangsamt worden ist, d.h. die exponentielle Wachstumskurve abflacht. Dazu macht man am besten anhand bestehender Daten ein Modell-Fit und schaut, ob aktuelle Fallzahlen das Modell überschreiten oder man mit den Fallzahlen darunter bleibt.
Siehe NRD Podcast mit Prof. Drosten #18 - Die Wirksamkeit von Ausgangssperren ist unklar.
Die Daten werden aus dem 2019 Novel Coronavirus COVID-19 (2019-nCoV) Data Repository by Johns Hopkins CSSE geladen. Mit den Ansteckungszahlen wird ein exponentielles Modell trainiert, welches die Daten optimal abbildet. Damit werden Vorhersagen zur Verbreitung in den nächsten Tagen getroffen.
Es ist zu beachten, dass ich kein Epidemiologe oder Virologe bin. Jedes Modell ist nur eine Annahme. Es muss natürlich nicht so kommen. Umso weiter man in die Zukunft extrapoliert, umso unwahrscheinlicher wird die Vorhersage.
Dies ist keine offizielle Vorausberechnung!
Um eine neue Vorhersage zu generieren, einfach
python3 predict.py
ausführen und eine neue Abbildung wird erstellt, sowohl als .png als auch als /html/index.html. Eine Excel Tabelle mit täglicher Vorhersage sowie das angelernte Modell wird nach Datum sortiert ebenfalls generiert.
Eine interaktive Abbildung ist unter https://cbcity.de/covid/ zu finden.
docker build -t webserver .
docker run -it -v $(pwd)/html/index.html:/usr/share/nginx/html/index.html -p 80:80 webserver
- Pandas
- SciKit-Learn
- Bokeh (für HTML)