Evaluation de la dynamique spatio-temporelle de l'évolution de la covid a Libreville par une approche machine learning

ABSTRACT

The covid-19 crisis quickly went beyond the strictly medical field to impact all sectors of activity. The "Gabon" system was subjected to a series of successive major shocks: a health crisis, followed by an economic crisis. The public health authorities had to take up the challenge of health in a highly disrupted environment: understanding the present, anticipating the future, understanding the possible levers of action, and studying scenarios have become key elements for decision-makers. Modelling and simulation have thus acquired a new visibility linked to these needs. However, limitations have appeared in the sole consideration of the dynamics of the epidemic. Other factors have proved essential: the geographical or spatial dimension. Machine learning approaches aim to develop models with greater generalisation capability and prediction reliability for longer time frames.

The aim of this thesis is to explore the application of Machine Learning to model the COVID-19 pandemic. The aim is to develop a regression model, based on the "Facebook Prophet" algorithm, to predict the temporal dynamics of the epidemic in the city of Libreville. Secondly, to develop a clustering model, based on the K-means algorithm and the geographic information system (GIS), to determine the risk clusters at the district and neighbourhood levels. Finally, using an inductive approach, we generalise the results obtained to all the communes of Libreville, based on data collected at the University Hospital of Libreville.

Key words: Covid-19- machine learning - Facebook Prophet - K-means - GIS - Cluster - modelling - simulation- Moran's autocorrelation test.

SOMMAIRE

DEDICACE I

EPIGRAPHE II

REMERCIEMENTS III

AVANT-PROPOS IV

RESUME V

ABSTRACT VI

SOMMAIRE VII

TABLE DES ILLUSTRATIONS VIII

LISTE DES TABLEAUX X

LISTE DES SIGLES ET ABREVIATIONS XI

INTRODUCTION GENERALE 1

PREMIERE PARTIE : CONTEXTE GENERAL DE L'ETUDE 2

A. CHAPITRE I : PRESENTATION DE LA STRUCTURE D'ACCUEIL ET DU SUJET D'ETUDE 3

B. CHAPITRE II : CONCEPTS LIÉS A LA DYNAMIQUE D'UNE EPIDEMIE 6

C. CHAPITRE III : ETAT DE L'ART DE LA MODELISATION DES EPIDEMIES 14

DEUXIEME PARTIE : MODELISATION DE LA COVID-19 PAR UNE APPROCHE MACHINE LEARNING 19

D. CHAPITRE IV : PRESENTATION DU MACHINE LEARNING 20

E. Chapitre V : démarche Machine Learning pour la modélisation 25

F. CHAPITRE VI: l'étude de l'algorithme facebook prophet et conception du modèle de prédiction 35

TROISIEME PARTIE : REALISATION DU SIMULATEUR EVAL_EPI 40

G. Chapitre VI : MÉTHODOLOGIE DE DÉVELOPPEMENT 41

H. Chapitre VII : MISE EN OEUVRE DE LA SOLUTION 46

QUATRIEME PARTIE : FINALISATION DE LA SOLUTION 66

I. Chapitre VIII : IMPLEMENTATION ET RESULTATS 67

J. CHAPITRE IX : GESTION DE PROJET ET BILAN 74

CONCLUSION GÉNÉRALE 78

RÉFÉRENCES BIBLIOGRAPHIQUES 79

ANNEXES 82

TABLE DES ILLUSTRATIONS

Figure 1: Organigramme de l'IAI 2

Figure 2 : la dynamique d'une épidémie selon le modèle SIR 9

Figure 3: Dynamique temporelle du modèle SIR, Source: (Avhad, 2020) 9

Figure 4 : Cartographie des cas actif au Gabon au 17 fevrier 2022 au 19 mai 2022 (COPIL, 2022) 14

Figure 5: diagramme du modèle SEAIRD (MATONDO MANANGA, 2021) 15

Figure 6: Représentation graphique des éléments de RdP 16

Figure 7: modèle SVEIR-RDP de LAIMA 17

Figure 8 : Représentation imagée d'un agent en interaction avec son environnement et les autres agents, (Ferber, 1995) 18

Figure 9 : Diagramme de classe des entités COMOKIT (Taillandier, Drogoul, & Gaudou, 2020) 19

figure 10 : branches de l'intelligence artificielle, (Mohammed, 2019) 22

Figure 11 : cycle de vie du processus KDD, source : (Swamynathan, 2017) 28

Figure 12 : méthode CRISP-DM, adapté de (Shearer, 2000) 29

Figure 13 : Capture d'écran des cas de guérison dans le monde (partiellement) 31

Figure 14 extraction des lignes et colonnes 32

Figure 15 les captures d'écran du dataset avant et après le nettoyage 33

Figure 16 : partitionnement des données en données d'entrainement et données de test 33

Figure 17 : les courbes de nombre cumulés de cas de guérison à Libreville avant et après le prétraitement 34

Figure 18 : Courbe d'apprentissage du modèle 40

Figure 19 : code pour tester la performance du modèle 41

Figure 20 : la courbe de comparaison entre les valeurs réelles et les valeurs prédites 41

Figure 21 : la schématisation en Y utilisée pour représenter la méthode de développement 2TUP, source : Bassim, K.A. et Akaria, R., 2007 45

Figure 22: Les diagrammes d'UML (UMLversion 1.5), source : (Guiochet, 2009) 47

Figure 23 : Diagramme global de cas d'utilisation 51

Figure 24:Diagramme de cas d'utilisation - gérer les utilisateurs. 51

Figure 25: Diagramme de cas d'utilisation « gestion des données » 52

Figure 26 : Diagramme de cas d'utilisation «Gestion du prétraitement des données » 52

Figure 27 : Diagramme de cas d'utilisation - Simuler la dynamique spatio-temporelle 53

Figure 28 : Diagramme de cas d'utilisation - Gérer les indicateurs épidémiologiques. 53

Figure 29: Diagramme de cas d'utilisation - Gérer des modèles de simulation 54

Figure 30 : Diagramme de cas d'utilisation - gérer une visualisation 55

Figure 31: diagramme d'activités du cas d'utilisation «charger les données » 56

Figure 32 : diagramme d'activités du cas d'utilisation « gestion du prétraitement » 56

Figure 33: diagramme d'activités du cas d'utilisation «simuler la dynamique épidémique » 57

Figure 34:diagramme d'activités du cas d'utilisation « calculer un indicateur » 58

Figure 35 : diagramme d'activités du cas d'utilisation « Visualiser un indicateur » 58

Figure 36 : diagramme d'activités du cas d'utilisation «ajouter un indicateur» 59

Figure 37 : diagramme d'activités du cas d'utilisation « modifier un indicateur» 60

Figure 38 : Diagramme de classes 61

Figure 39 : Architecture applicative de notre solution. (EVAL_EPI) 62

Figure 40 : Architecture logicielle de notre solution. 65

Figure 41 : Le prototype général du simulateur EVAL_EPI 66

Figure 42 : Architecture physique de notre solution. 67

Figure 43 - Interface de RStudio sous Windows 73

Figure 44- Diagramme de déploiement. 74

Figure 45 : Page d'accueil du logiciel « EVAL_EPI ». 74

Figure 46 : Capture d'écran d'une simulation de la dynamique temporelle 75

Figure 47 : Capture d'écran d'une simulation de la dynamique temporelle 75