ひさしぶりの横浜港 [ヨコハマ]
海王丸が来ていました。
船首像の紺青(こんじょう)
新港ふ頭には、にっぽん丸が停泊していました。
新港って名前についているけど、1905年につくられたふ頭です。
大さん橋の飛鳥II
4月にシンガポールのセンブコープマリン(Sembcorp Marine)ドックで改修工事を終えた後、横浜に戻って来てからすっと、大さん橋に停泊したままです。
まだ、改修工事中のようです。
船首像の紺青(こんじょう)
新港ふ頭には、にっぽん丸が停泊していました。
新港って名前についているけど、1905年につくられたふ頭です。
大さん橋の飛鳥II
4月にシンガポールのセンブコープマリン(Sembcorp Marine)ドックで改修工事を終えた後、横浜に戻って来てからすっと、大さん橋に停泊したままです。
まだ、改修工事中のようです。
今週末もすこしだけ青空 [相鉄沿線]
今週末も、青空が少しだけのぞきました。
梅雨も開けてないのに、早くもヒガンバナが咲いてました。
梅雨も開けてないのに、早くもヒガンバナが咲いてました。
ひさしぶりの青空 [相鉄沿線]
ひさしぶりに青空が広がりました。
コウホネ
半夏生
すっかり夏の景色になりました。
新型コロナ、夏になるとおさまるどころか、東京の陽性者の報告数が200人を超える日が続いています。
重症者が少ないので心配ないという報道もありますが、この状況って2020年の1月にイタリアで無症状の感染者が増加していたことに気が付かずに、感染爆発してしまった状況に似ているようで心配です。
ソフトバンクの抗体検査の結果では、陽性率は0.43%しかなかったので、第1波で、日本の重症者や死者が少なかったのは、何らかの免疫があるからというよりは、単に感染が広まっていなかっただけということのようです。
人口12万人のうち3千人も亡くなってしまったイタリアのベルガモ市は、抗体の保有率が56.9%もあったそうです。
https://jp.sputniknews.com/covid-19/202006097523038/
日本では、何も対策をしないと40万人の人が亡くなるといわれていますが、ベルガモ市の例では、集団免疫が有効になると言われている人口の60%に近い感染率では、人口の2.5%以上の人が亡くなってしまっています。
3月にインペリアル・カレッジが予測していた対策をしなかったときの日本の死者数138万人(人口の1%以上)という数字の方が現実に近いのかもしれません。
https://www.imperial.ac.uk/mrc-global-infectious-disease-analysis/covid-19/report-12-global-impact-covid-19/
コウホネ
半夏生
すっかり夏の景色になりました。
新型コロナ、夏になるとおさまるどころか、東京の陽性者の報告数が200人を超える日が続いています。
重症者が少ないので心配ないという報道もありますが、この状況って2020年の1月にイタリアで無症状の感染者が増加していたことに気が付かずに、感染爆発してしまった状況に似ているようで心配です。
ソフトバンクの抗体検査の結果では、陽性率は0.43%しかなかったので、第1波で、日本の重症者や死者が少なかったのは、何らかの免疫があるからというよりは、単に感染が広まっていなかっただけということのようです。
人口12万人のうち3千人も亡くなってしまったイタリアのベルガモ市は、抗体の保有率が56.9%もあったそうです。
https://jp.sputniknews.com/covid-19/202006097523038/
日本では、何も対策をしないと40万人の人が亡くなるといわれていますが、ベルガモ市の例では、集団免疫が有効になると言われている人口の60%に近い感染率では、人口の2.5%以上の人が亡くなってしまっています。
3月にインペリアル・カレッジが予測していた対策をしなかったときの日本の死者数138万人(人口の1%以上)という数字の方が現実に近いのかもしれません。
https://www.imperial.ac.uk/mrc-global-infectious-disease-analysis/covid-19/report-12-global-impact-covid-19/
時系列モデル [科学、数学]
せっかくGPU搭載のパソコンを買ったので、GPUを使って時系列データの予測とかできる時系列モデル全部乗せAtsPy ( Automated Time Series Models in Python )
というのを動かしてみました。
Automated Time Series Models in Python (AtsPy)
https://github.com/firmai/atspy
ARIMAやFacebookのオープンソースのPROPHETなど12種類のモデルが利用できます。
インストールは、
pip install atspy
だけでできます。簡単...
データは、FREDにある、フィンランドの電力、ガス、スチーム、空調のエネルギー供給量を使ってみました。
https://fred.stlouisfed.org/series/FINPREND401IXNBM
Automatedというだけあって、すごく簡単に、いい感じで予測できました。
というのを動かしてみました。
Automated Time Series Models in Python (AtsPy)
https://github.com/firmai/atspy
ARIMAやFacebookのオープンソースのPROPHETなど12種類のモデルが利用できます。
インストールは、
pip install atspy
だけでできます。簡単...
データは、FREDにある、フィンランドの電力、ガス、スチーム、空調のエネルギー供給量を使ってみました。
https://fred.stlouisfed.org/series/FINPREND401IXNBM
import pandas as pd
# Get the dataset from FRED
# Production: Energy:
# Production and distribution of electricity, gas,
# steam and air conditioning: Total for Finland
# (FINPREND401IXNBM)
rom pandas_datareader.data import DataReader
start = '2000-01-01'
end = '2020-03-01'
df = DataReader('FINPREND401IXNBM', 'fred', start=start, end=end)
from atspy import AutomatedModel
model_list=["HWAMS", "Prophet", "TATS"]
am = AutomatedModel(df = df , model_list=model_list,
season="infer_from_data",forecast_len=24 )
forecast_in, performance = am.forecast_insample()
forecast_out = am.forecast_outsample()
all_ensemble_in, all_ensemble_out, all_performance =
am.ensemble(forecast_in, forecast_out)
all_ensemble_in[["Target","TATS__X__TATS_Prophet",
"TATS", "Prophet", "TATS_Prophet"]].plot()
all_ensemble_out[["TATS__X__TATS_Prophet", "TATS",
"Prophet", "TATS_Prophet"]].plot()
Automatedというだけあって、すごく簡単に、いい感じで予測できました。