Retrospective analysis and forecasting of the spread of viruses in real time: the case of COVID-19 in St. Petersburg and Moscow in 2020–2021

封面图片

如何引用文章

全文:

详细

The aim of the study is to apply mathematical methods to generate forecasts of the dynamics of random values of the percentage increase in the total number of infected people and the percentage increase in the total number of recovered and deceased patients. The obtained forecasts are used for retrospective forecasting of COVID-19 epidemic process dynamics in St. Petersburg and in Moscow.

Materials and methods. When conducting a retrospective analysis and forecasting the dynamics of the total number of cases and the dynamics of the total number of patients who have either died or recovered, the values of percentage increases in these indicators were used. Retrospective analysis and forecasting of the dynamics of the COVID-19 epidemic process were carried out over 14-day time intervals, starting from March 25, 2020 to January 20, 2021, using the time series forecasting method proposed by the authors.

Results and discussion. The retrospective two-week forecasts of the total number of cases and the number of active cases presented in the paper demonstrated a high accuracy performance, both in Moscow and St. Petersburg. The MAPE (mean absolute percentage error) for the total number of cases at the peaks of incidence, generally, did not exceed 1%. It is shown that the accuracy of the obtained retrospective forecasts of the total number of cases in St. Petersburg, built starting from May 2020, has increased significantly compared to the April forecasts. A similar conclusion can be made regarding the forecasts of the total number of cases in Moscow in April and May 2020.

作者简介

Victor Zakharov

St. Petersburg State University

Email: v.zaharov@spbu.ru
ORCID iD: 0000-0002-2743-3880

PhD, Professor, Department of Mathematical Modeling of Energy Systems

俄罗斯联邦, 99034, St. Petersburg

Yulia Balykina

St. Petersburg State University

编辑信件的主要联系方式.
Email: j.balykina@spbu.ru
ORCID iD: 0000-0003-2143-0440

PhD, Associate Professor, Department of Mathematical Modeling of Energy Systems

俄罗斯联邦, 99034, St. Petersburg

参考

  1. Foppa I.M. A Historical Introduction to Mathematical Modeling of Infectious Diseases: Seminal Papers in Epidemiology. London: Academic Press; 2016.
  2. Shinde G.R., Kalamkar A.B., Mahalle P.N., Dey N., Chaki J., Hassanien A.E. Forecasting models for coronavirus disease (COVID-19): A survey of the state-of-the-art. SN Comput. Sci. 2020; 1(4): 197. https://doi.org/10.1007/s42979-020-00209-9
  3. Kermack W.O., McKendrick A.G. A contribution to the mathematical theory of epidemics. Proc. R. Soc. (London) A. 1927; 115(772): 700–21. https://doi.org/10.1098/rspa.1927.0118
  4. Anderson R.M., May R.M. Infectious Diseases of Humans. Dynamics and Control. Oxford: Oxford University Press; 1991.
  5. Moein S., Nickaeen N., Roointan A., Borhani N., Heidary Z., Javanmard S.H., et al. Inefficiency of SIR models in forecasting COVID-19 epidemic: a case study of Isfahan. Sci. Rep. 2021; 11(1): 4725. https://doi.org/10.1038/s41598-021-84055-6
  6. Melikechi O., Young A.L., Tang T., Bowman T., Dunson D., Johndrow J. Limits of epidemic prediction using SIR models. J. Math Biol. 2022; 85(4): 36. https://doi.org/10.1007/s00285-022-01804-5
  7. Dil S., Dil N., Maken Z.H. COVID-19 trends and forecast in the Eastern Mediterranean region with a particular focus on Pakistan. Cureus. 2020; 12(6): e8582. https://doi.org/10.7759/cureus.8582
  8. Moftakhar L., Seif M., Safe M.S. Exponentially increasing trend of infected patients with COVID-19 in Iran: A comparison of neural network and ARIMA forecasting models. Iran J. Public Health. 2020; 49(Suppl. 1): 92–100. https://doi.org/10.18502/ijph.v49iS1.3675
  9. Ahmar A.S., Del Val E.B. SutteARIMA: Short-term forecasting method, a case: Covid-19 and stock market in Spain. Sci. Total. Environ. 2020; 729: 138883. https://doi.org/10.1016/j.scitotenv.2020.138883
  10. Chaudhry R.M., Hanif A., Chaudhary M., Minhas S. 2nd., Mirza K., Ashraf T., et al. Coronavirus disease 2019 (COVID-19): Forecast of an emerging urgency in Pakistan. Cureus. 2020; 12(5): e8346. https://doi.org/10.7759/cureus.8346
  11. Tandon H., Ranjan P., Chakraborty T., Suhag V. Coronavirus (COVID-19): ARIMA-based time-series analysis to forecast near future and the effect of school reopening in India. J. Health Manag. 2022; 24(3): 373–88. https://doi.org/10.1177/09720634221109087
  12. Özen F. Random forest regression for prediction of COVID-19 daily cases and deaths in Turkey. Heliyon. 2024; 10(4): e25746. https://doi.org/10.1016/j.heliyon.2024.e25746
  13. Galasso J., Cao D.M., Hochberg R. A random forest model for forecasting regional COVID-19 cases utilizing reproduction number estimates and demographic data. Chaos Solitons Fractals. 2022; 156: 111779. https://doi.org/10.1016/j.chaos.2021.111779
  14. Wieczorek M., Siłka J., Woźniak M. Neural network powered COVID-19 spread forecasting model. Chaos Solitons Fractals. 2020; 140: 110203. https://doi.org/10.1016/j.chaos.2020.110203
  15. Dadyan E., Avetisyan P. Neural networks and forecasting COVID-19. Opt. Mem. Neural Networks. 2021; 30: 225–35. https://doi.org/10.3103/S1060992X21030085
  16. Tamang S., Singh P., Datta B. Forecasting of COVID-19 cases based on prediction using artificial neural network curve fitting technique. Glob. J. Environ. Sci. Manag. 2020; 6(S): 53–64. https://doi.org/10.22034/GJESM.2019.06.SI.06
  17. Akimkin V.G., Kuzin S.N., Semenenko T.A., Shipulina O.Yu., Yatsyshina S.B., Tivanova E.V., et al. Patterns of the SARS-CoV-2 epidemic spread in a megacity. Voprosy virusologii. 2020; 65(4): 203–11. https://doi.org/10.36233/0507-4088-2020-65-4-203-211 https://elibrary.ru/fxkaqf (in Russian)
  18. Akimkin V.G., Kuzin S.N., Semenenko T.A., Ploskireva A.A., Dubodelov D.V., Tivanova E.V., et al. Characteristics of the COVID-19 epidemiological situation in the Russian Federation in 2020. Vestnik Rossiiskoi akademii meditsinskikh nauk. 2021; 76(4): 412–22. https://doi.org/10.15690/vramn1505 https://elibrary.ru/zmowbe (in Russian)
  19. Akimkin V.G., Popova A.Yu., Ploskireva A.A., Ugleva S.V., Semenenko T.A., Pshenichnaya N.Yu., et al. Covid-19: the evolution of the pandemic in Russia. Report I: manifestations of the COVID-19 epidemic process. Zhurnal mikrobiologii, epidemiologii i immunobiologii. 2022; 99(3): 269–86. https://doi.org/10.36233/0372-9311-276 https://elibrary.ru/zxgtfd (in Russian)
  20. Akimkin V.G., Kuzin S.N., Kolosovskaya E.N., Kudryavtceva E.N., Semenenko T.A., Ploskireva A.A., et al. Assessment of the COVID-19 epidemiological situation in St. Petersburg. Zhurnal mikrobiologii, epidemiologii i immunobiologii. 2021; 98(5): 497–511. https://doi.org/10.36233/0372-9311-154 https://elibrary.ru/dtmnhz (in Russian)
  21. Belov A.B. The academician V.D. Belyakov – the founder of the domestic theory of epidemiological science of the XXI century. Epidemiologiya i Vaktsinoprofilaktika. 2016; 15(6): 9–15. https://elibrary.ru/xemevf (in Russian)
  22. Sarkisov A.S. Academician V.D. Belyakov and its contribution to the development of epidemiology. Byulleten’ natsional’nogo nauchno-issledovatel’skogo instituta obshchestvennogo zdorov’ya imeni N.A. Semashko. 2020; (4): 68–72. https://doi.org/10.25742/NRIPH.2020.04.010 https://elibrary.ru/qeazcn (in Russian)
  23. Zakharov V., Balykina Y. Balance model of COVID-19 epidemic based on percentage growth rate. Informatika i avtomatizatsiya. 2021; 20(5): 1034–64. https://doi.org/10.15622/20.5.2 https://elibrary.ru/zczxuw (in Russian)
  24. Zakharov V., Balykina Y., Ilin I., Tick A. Forecasting a new type of virus spread: a case study of COVID-19 with stochastic parameters. Mathematics. 2022; 10(20): 3725. https://doi.org/10.3390/math10203725
  25. Balykina Yu.E., Zakharov V.V. Integral inflow and outflow model and its applications. Prikladnaya matematika. Informatika. Protsessy upravleniya. 2024; 20(2): 121–35. https://doi.org/10.21638/spbu10.2024.201 (in Russian)
  26. Belyakov V.D., Degtyarev A.A., Ivannikov Yu.G. Quality and Efficiency of Anti-Epidemic Measures [Kachestvo i effektivnost’ protivoepidemicheskikh meropriyatii]. Leningrad: Meditsina; 1981. https://elibrary.ru/zfepwn (in Russian)

补充文件

附件文件
动作
1. JATS XML
下载
2. Fig. 1. Two-week forecasts of the total number of cases in St. Petersburg in May 2020.

下载 (109KB)
索引源数据
3. Fig. 2. Two-week forecasts of the total number of cases in Moscow in December 2020.

下载 (95KB)
索引源数据
4. Fig. 3. Forecast of the number of active cases in St. Petersburg in May–June 2020.

下载 (109KB)
索引源数据
5. Fig. 4. Forecast of the number of active cases in Moscow in December 2020.

下载 (113KB)
索引源数据
6. Fig. 5. Forecast of new cases in Moscow in December 2020.

下载 (119KB)
索引源数据
7. Fig. 6. Forecast of new cases in during the spread of delta strain in Moscow in June 2021

下载 (93KB)
索引源数据
8. Application
下载 (249KB)
索引源数据

版权所有 © Zakharov V.V., Balykina Y.E., 2024

Creative Commons License
此作品已接受知识共享署名 4.0国际许可协议的许可

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».