基于XGBoost模型的新型冠狀病毒（COVID-19）疫情分析與預(yù)測(cè)

孫許可

（中國(guó)人民武裝警察部隊(duì)士官學(xué)校，浙江 杭州 311400）

0 引 言

新冠肺炎（COVID-19）疫情已成為國(guó)際關(guān)注的突發(fā)公共衛(wèi)生事件，COVID-19 呼吸系統(tǒng)疾病的病毒株是一種名為嚴(yán)重急性呼吸系統(tǒng)綜合征冠狀病毒2（又稱(chēng)SARS-CoV-2）引起的。這種冠狀病毒病具有極強(qiáng)的傳染性。自最初確認(rèn)以來(lái)，盡管受到嚴(yán)格控制，但仍已成為全球流行病，對(duì)世界衛(wèi)生和經(jīng)濟(jì)發(fā)展構(gòu)成了巨大的威脅和挑戰(zhàn)。目前，該疾病已蔓延至全球100 多個(gè)國(guó)家。

至2020年6月16日，全球共報(bào)告8 044 683 例COVID-19 病例，死亡437 131 例，治愈3 883 243 例，總病死率為5.43%，其中，美國(guó)、巴西、俄羅斯、印度和英國(guó)是世界上感染人數(shù)最多的5 個(gè)國(guó)家。COVID-19 表現(xiàn)出非線性和復(fù)雜的性質(zhì)，除了涉及傳播的眾多已知和未知變量外，不同地緣政治區(qū)域的人口行為的復(fù)雜性和遏制策略的差異極大地增加了模型的不確定性。

因此，建立基于XGBoost 的疫情預(yù)測(cè)模型，使用Jupyter 軟件進(jìn)行學(xué)習(xí)和訓(xùn)練，對(duì)2020年1月23日到3月1日全國(guó)和湖北的累積確診病例數(shù)、累積死亡病例數(shù)、累積治愈病例數(shù)、累積正在治療病例數(shù)進(jìn)行分析、建模，進(jìn)一步洞悉新冠肺炎疫情發(fā)展規(guī)律，為防控新冠疫情提供參考。

1 模型與方法

1.1 XGBoost 概述

該算法的建模思路：給出一個(gè)泛化的目標(biāo)函數(shù)的定義，在每一輪的迭代中找到一個(gè)合適的回歸樹(shù)去擬合上次預(yù)測(cè)的殘差，最小化目標(biāo)函數(shù)，使估算值逼近真實(shí)值，如圖1所示。

圖1 XGBoost 原理

例如，數(shù)據(jù)([Δ，Δ，]，SOH)，([Δ,Δ，]，SOH)…([Δ UΔ T，]，SOH)，=1，2，…，。其中Δ U，Δ T，，SOH分別表示第i 組數(shù)據(jù)對(duì)應(yīng)的電壓差、溫度差、平均電壓以及健康狀態(tài)。

在本文中，我們定義樹(shù)f（x）如下：

其中，表示每棵樹(shù)的結(jié)構(gòu)，它將使葉子節(jié)點(diǎn)與每個(gè)樣本一一對(duì)應(yīng)，是樹(shù)中葉子節(jié)點(diǎn)的個(gè)數(shù)?！?br>