CONCLUSION
GÉNÉRALE
Pour aborder le développement du simulateur EVAL_EPI,
nous avons étudié les concepts liés au domaine et avons
analysé rigoureusement les modèles épidémiologiques
existants. Sur la base des méthodes et techniques de Machine Learning
choisis, nous avons proposé deux modèles d'intelligence
artificiel. Le premier modèle est basé sur l'algorithme de
Facebook Prophet, et est spécialisé pour la prédiction du
nombre de cas cumulées d'infection à Libreville. Le second
modèle utilise l'algorithme K-means pour déterminer les foyers
épidémiques dans la commune de Libreville.
En outre nous avons proposé une plateforme web qui
implémente ces modèles de Machine Learning proposés. La
conception et la modélisation de l'application ont été
faites en utilisant une méthode construite aÌ l'aide du langage
UML et d'un processus « two track unified process
(2TUP) »
L'implémentation de notre plate-forme a
été faite avec des bibliothèques de R telle que
« shiny » (pour l'application web et le tableau
de bord) et « leaflet »pour le serveur des cartes et
le logiciel de conception Argo-UML, pour l'édiction des diagrammes
UML.
Au terme de ce stage, nous considérons que l'objectif
fixé a été atteint. Le système mis en place permet
de simuler la dynamique spatio-temporelle d'une épidémie,
d'apprécier son ampleur afin de prendre des mesures anticipatives.
RÉFÉRENCES
BIBLIOGRAPHIQUES
ALZUBAIDI, Z. (2020). A Comparative Study on Statistical and
Machine Learning Forecasting . Dubaï: Rochester Institut of
Technology.
Avhad, A. A. (2020). Predictive Analysis and Effects of
COVID-19 on India.Pune, India: Deccan Education Society's Fergusson
College.
AYMEN, D. ( 2018 ). ÉTUDE DES PATRONS ARCHITECTURAUX
DE TYPE MVC DANS LES APPLICATIONS ANDROID.MONTRÉAL:
UNIVERSITÉ DU QUÉBEC.
Becerra, A. G. (2021). times series forecasting using sarima
and sann model.Prague, République Tchèque: Universitat
Polit`ecnica de Catalunya.
BONITA, R., & Beaglehole, R. (2010).
éléments d'épidemiologie deuxieme édition.
Genève : L'Organisation mondiale de la Santé.
BOULEKCHER, R., & KABOUR, O. (2021). Une approche
basée Machine Learning pour la prédiction du Covid-19 en
Algérie . universite de Larbi M'hidi.
Chang, W. (2021). Web Application Framework for R.
Boston (USA): CRAN.
Cheng, J. (2022). Create Interactive Web Maps with the
JavaScript 'Leaflet'.Boston (USA): CRAN.
COPIL. (2022, mai 24). COMITÉ DE PILOTAGE DU PLAN DE
VEILLE ET DE RIPOSTE CONTRE L'ÉPIDÉMIE À CORONAVIRUS.
Retrieved from infocovid gabon: www.infocovid.ga
Cori, A. (2013). EpiEstim: a package to estimate time varying
reproduction numbers from epidemic curves. Boston: CRAN.
Davood, A. (2022). Data Manipulation in R with
dplyr.Boston (USA): CRAN.
Delfraissy, J.-F., Atlani-Duault, L., & Cauchemez, S. (2020).
Avis du Conseil scientifique COVID-19.Paris .
Dowle, M., Srinivasan, A., & Gorecki, J. (2021).
Extension of `data.frame. Boston, USA: CRAN.
Ferber, J. (1995). Les Systèmes Multi Agents: vers une
intelligence collective .InterEdiction.
Forte, L. (2016). BUILDING A MODERN WEB APPLICATION USING AN
MVC FRAMEWORK.Oulu: Université des sciences appliquées
d'Oulu.
geeks, g. f. (2022, mai 24). difference between mvc and mvt
design patterns. Retrieved from geeks for geeks:
www.geeksforgeeks.org/difference-between-mvc-and-mvt-design-patterns
Guégan, j.-F. (2009). Introduction à
l'épidémiologie intégrative des maladies infectieuses et
parasitaires. Bruxelles: De Boeck.
Guiochet, J. (2009). Le Processus Unifié Une
Démarche Orientée Modèle.Toulouse ,FRANCE:
Université Paul Sabatier Toulouse III.
Hahsler, M. (2022). Density-Based Spatial Clustering of
Applications with Noise.Boston (USA): CRAN.
Jakobowicz, E. (2018). Python pour le data
scientist.Malako, (France): Dunod.
Johns_Hopkins_University. (2022, 05 25). COVID-19
Dashboard. Retrieved from JHU.edu: https://coronavirus.jhu.edu/map.html
Kahle, D. (2019). Spatial Visualization with
ggplot2.Boston (USA): CRAN.
Kassambara, A. (2020). Extract and Visualize the Results of
Multivariate Data Analyses.Boston: CRAN.
MATONDO MANANGA, H. (2021). Modélisation de la
Dynamique de Transmission de la Covid-19 en République
Démocratique du Congo à l'Aide du Modèle SEIRS à
Six Classes.Kinshasa (RDC): Université de Kinshasa.
Mohammed, Z. (2019). Artificial Intelligence Definition,
Ethics and Standards. Cairo: British University in Egypt.
O.M.S. (2022, 05 25). WHO Coronavirus (COVID-19)
Dashboard. Retrieved from who.int: https://covid19.who.int/
Odhiambo, J. O. (juillet 2020). An analytical comparison
between python_Vs_R. Nairobi: Université de Nairobi.
Pebesma, E. (2022). Simple Features for R. Boston (USA):
CRAN.
Ponce, M. (2021). Load and Analyze Live Data from the
COVID-19 Pandemic.Boston (USA): CRAN.
Rakotomalala, R. :. (n.d.). R et Python : Performances
comparées.Lyon (France): Université de Lyon 2.
Swamynathan, M. (2017). Mastering Machine Learning with
Python in Six Steps. Bangalore, Karnataka, India: Library of Congress.
Taheri, Z. (2020). Spread Visualization and Prediction of the
Novel Coronavirus Disease COVID-19 Using Machine
Learning.Téhéran, Iran: l'université de
Téhéran.
Taillandier, P., Drogoul, A., & Gaudou, B. (2020).
COMOKIT: a modeling kit to understand, analyze and compare the impacts of
mitigation policies against the COVID-19 epidemic at the scale of a
city.
Taylor, S. (2021). Automatic Forecasting Procedure.
Boston (USA): CRAN.
Tennekes, M. (2022). Thematic Maps.Boston (USA):
CRAN.
TREMBLAY, R. (2007). IMPLANTATION D'UNE MÉTHODE AGILE
DE DÉVELOPPEMENT LOGICIEL EN ENTREPRISE.QUÉBEC, CANADA:
UNIVERSITÉ LAVAL.
Wickham, H. (2016). ggplot2: Elegant Graphics for Data
Analysis. Springer-Verlag. New York.
Wien, I. f. (2022, 05 25). The Comprehensive R Archive
Network. Retrieved from cran.r-project.org: https://cran.r-project.org
| 
