新冠疫情预测：基于回归分析的时间序列建模实践

1. 项目背景与核心目标

这个项目源于我在准备研究生复试期间的一个实战练习。当时手头正好有一份公开的新冠疫情数据集，就想尝试用回归分析的方法来预测未来几天的确诊人数变化。对于数据科学初学者来说，疫情数据具有典型的时序特征，且变量间存在明显的相关性，非常适合用来练习回归模型的构建与优化。

项目的核心目标是：基于历史疫情数据（包括每日新增确诊、治愈人数、检测数量等特征），构建一个能够预测未来3天新增确诊人数的回归模型。这不仅考验特征工程的能力，还需要处理时间序列数据特有的自相关性等问题。我选择了从最简单的线性回归开始，逐步尝试更复杂的模型，最终得到了RMSE在15以内的预测效果。

2. 数据准备与特征工程

2.1 数据来源与清洗

使用的数据集来自某公共卫生机构的公开数据，包含以下字段：

• date：日期（作为索引）
• new_cases：当日新增确诊
• tests：检测数量
• hospitalized：在院治疗人数
• recovered：当日治愈人数

清洗过程特别注意了以下几点：

1. 处理缺失值：用前后7天的移动平均值填充
2. 异常值处理：对超过3倍标准差的数据点进行Winsorize缩尾
3. 数据平滑：对new_cases列应用7天移动平均，减少周末报告延迟的影响

python复制# 示例：数据平滑处理
df['new_cases_smoothed'] = df['new_cases'].rolling(
    window=7,
    min_periods=3,
    center=True
).mean()

2.2 特征构造技巧

除了原始特征外，构造了以下衍生特征：

1. 滞后特征：创建new_cases的1-7天滞后项
2. 变化率：检测数量的周环比变化
3. 交互特征：住院人数与治愈人数的比值
4. 时间特征：星期几的one-hot编码

注意：滞后特征会导致前几行出现NaN，需要统一在最后才删除缺失值

3. 回归模型构建与优化

3.1 基线模型选择

从简单到复杂尝试了以下模型：

1. 线性回归（LinearRegression）
2. 带L2正则的岭回归（Ridge）
3. 随机森林回归（RandomForestRegressor）
4. XGBoost