ĐỀ XUẤT GIẢI PHÁP ÁP DỤNG LỌC THÍCH NGHI VÀ XÁC XUẤT BAYES DỰ ĐOÁN SỐ CA NHIỄM MỚI COVID – 19
Bài toán dự đoán số ca nhiễm
2.1.1 Đặt ra vấn đề nghiên cứu
Các vấn đề cần nghiên cứu để hỗ trợ cho luận văn:
- Tìm hiểu về phương pháp lọc thích nghi và xác suất bayes
- Áp dụng phương pháp lọc thích nghi xây dựng công thức dự đoán cho nội dung luận văn
- Thông qua thuật toán bayes tính toán xác suất và mức độ áp dụng của dữ liệu được dự đoán
- Thực hiện trực quan dữ liệu dưới dạng biểu đồ thông qua ngôn ngữ học máy
Dịch bệnh COVID-19 đã và đang tác động sâu rộng đến xã hội, yêu cầu các chính sách hợp lý để khắc phục hậu quả và đối phó với tình hình trong tương lai Việc phân bổ nguồn nhân lực và tài nguyên, cùng với việc đẩy mạnh tiêm ngừa vaccine cho cộng đồng là rất cần thiết Để hỗ trợ công tác kiểm soát dịch bệnh, cần có các công cụ dự đoán số lượng ca nhiễm, từ đó đưa ra các chính sách phù hợp cho công tác phòng chống dịch Ý tưởng chuyển đổi bài toán dự đoán sẽ được chia thành hai bài toán nhỏ hơn: ước lượng độ dốc mới và xác định độ chuyển hướng của dữ liệu, áp dụng phương pháp lọc thích nghi như được minh họa trong Hình 2.1.
Hình 2 1: Biểu đồ dự đoán số ca nhiễm COVID-19
Tại mỗi mốc thời gian, khả năng dữ liệu được mô phỏng thông qua một miền mô tả nhiều khả năng có thể xảy ra trong tương lai Độ rộng của từng miền này có thể phụ thuộc vào độ dốc tại thời điểm hiện tại.
Trong bài viết [34], tác giả đã công bố biểu đồ nhưng không cung cấp phương pháp tính độ dốc tại từng thời điểm trong biểu đồ Do đó, cần đề xuất một giải pháp để xác định độ dốc thông qua việc phân tích biến đổi của sóng nhỏ.
Áp dụng biến đổi sóng nhỏ để ước lượng độ dốc từ việc tiếp xúc là một phương pháp hiệu quả Việc xem chuỗi số liệu thời gian như một quá trình biến đổi giúp nâng cao độ chính xác trong phân tích.
Các nghiên cứu liên quan
Bài viết này tập trung vào việc giải quyết bài toán dự đoán chuỗi dữ liệu thời gian, sử dụng phép biến đổi sóng nhỏ để ước lượng độ dốc trong các chuỗi dữ liệu liên tiếp Độ chính xác của mô hình đề xuất được so sánh với các kết quả mới và đáng tin cậy Ngoài ra, nghiên cứu còn dựa trên các bài toán liên quan đã được khảo sát trước đó.
Supriadi Putra, Khozin Mu'tamar và Zulkarnain đã áp dụng thuật toán bầy đàn (PSO) để ước lượng các tham số của mô hình SIR (Dễ nhiễm bệnh, Bị nhiễm bệnh, Đã chữa), cho phép nghiên cứu sự chuyển đổi giữa ba trạng thái này.
13 khỏi Kết quả thu được với sai số đủ tin cậy so với các phương pháp khác
Mbuvha và Marwala đã điều chỉnh mô hình SIR dựa trên dữ liệu từ Nam Phi, xem xét nhiều kịch bản khác nhau để dự đoán số ca nhiễm mới Kết quả của nghiên cứu này có ý nghĩa thực tiễn quan trọng, hỗ trợ trong việc dự đoán nhu cầu về nguồn lực cho công tác điều trị.
Qi và Xiao [3] đã phát hiện ra mối liên hệ giữa sự bùng phát COVID-19 ở Hồ Bắc và các tỉnh lân cận, thông qua sự tương tác đồng thời giữa nhiệt độ hàng ngày và độ ẩm.
Salgotra và Gandomi đã phát triển hai mô hình dự đoán sử dụng thuật toán di truyền, áp dụng cho tình hình COVID-19 ở Ấn Độ Nghiên cứu của họ cho thấy mô hình lập trình tiến hóa di truyền có độ tin cậy cao trong việc dự đoán các trường hợp COVID-19 tại quốc gia này.
Maleki M đã đề xuất sử dụng các mô hình chuỗi thời gian tự động hồi quy để lập mô hình dữ liệu phụ thuộc, với các kết quả áp dụng cho nhiều vấn đề dự báo chuỗi thời gian khác nhau Tương tự, Hajrajabi A và các đồng nghiệp cũng đã áp dụng một mô hình tự động hồi quy bán đối xứng phi tuyến tính và đạt được những kết quả hứa hẹn.
- Chaudhry RM và cộng sự trong [8] đã sử dụng mô hình tự hồi quy trung bình trượt để dự đoán các trường hợp khẩn cấp do Covid 19
- Mô hình dự đoán ARIMA cũng đã được áp dụng rộng rãi cho vấn đề dự đoán dân số bệnh nhân Covid-19, với Moftakhar L [9] ở Iran Roy
S, Bhunia GS, Shit PK của Ấn Độ [10] Ả Rập Xê Út có Alzahrani
SI [11] Ở Châu Âu có Kufel TJ [12]
Shin S và các cộng sự đã đề xuất một phương pháp kết hợp giữa các phép biến đổi wavelet và mô hình ARIMA để dự đoán số lượng bệnh nhân Covid trong tháng tiếp theo Phương pháp này hứa hẹn mang lại độ chính xác cao hơn trong việc dự đoán diễn biến dịch bệnh.
- Trong [14] và [15], các tác giả đã chỉ ra rằng mô hình hồi quy logistic cũng áp dụng để dự đoán số lượng bệnh nhân Covid-19
Dự đoán số lượng trường hợp Covid có thể được thực hiện thông qua phương pháp học sâu, với sự đóng góp của các nhà nghiên cứu nổi tiếng như Bengio Y, Schmidhuber JJ và LeCun Y Các phương pháp này đã được áp dụng để cải thiện độ chính xác trong việc dự đoán diễn biến của dịch bệnh.
Ji D và cộng sự đã giải quyết bài toán dự báo bằng cách xác định mối tương quan giữa biến phụ thuộc và biến độc lập, cho phép sử dụng các công cụ hồi quy Tương tự, Almeshal AM đã trình bày kết quả từ mô hình hồi quy logistic cho các miền riêng lẻ.
- Trong những trường hợp dữ liệu ca nhiễm covid - 19 có tính chất mùa vụ, giải thuật tiên tri của facebook cũng có thể cho kết quả dự đoán tốt [21]
Một trong những dự đoán đầu tiên về covid-19 được đưa ra bởi Salgotra R và các cộng sự Tuy nhiên, các thí nghiệm đã chỉ ra rằng thuật toán di truyền không thể áp dụng hiệu quả cho dữ liệu có nhiều điểm biến đổi bất thường gần đây.
- Trong ngành y tế, mô hình được áp dụng nhiều nhất là mô hình Nguy cơ - Nhiễm bệnh - Phục hồi (SIR) [24] và phiên bản cải tiến là SEIR
Từ những bài nghiên cứu liên quan, đánh giá chung về ưu nhược điểm của phương pháp được trình bày trong bảng 1 sau đây
Giải thuật Ưu điểm Nhược điểm
Có thể triển khai một số giải thuật huấn luyện
- Khó kiểm soát khả năng hội tụ của giải thuật huấn luyện
- Chưa giải quyết được dữ liệu có dạng nhiều đỉnh bất thường
SVM - Có thể đưa về dạng tối ưu lồi
- Có thể tránh hiện tượng overfitting
- Dựa trên kinh nghiệm để lựa chọn Kernel phù hợp
- Khó cân bằng giữa tốc độ hội tụ và độ chính xác
- Chưa giải quyết đƣợc dữ liệu có dạng nhiều đỉnh bất thường
- Dự đoán được các bước dịch bệnh lây lan
- Trình bày kết quả của các can thiệp y tế công cộng lên với kết quả chung
- Yêu cầu số mẫu lớn
- Chưa giải quyết được dữ liệu có dạng nhiều đỉnh bất thường
Các thuật toán mô phỏng tự nhiên (Giải thuật di truyền)
- Có thể kết hợp với các thuật toán phân rã số liệu
- Thuật toán có khả năng tìm lời giải linh hoạt
- Việc lựa chọn một vài tham số của thuật toán phải dựa vào kinh nghiệm thực tế
- Các kết quả đạt đƣợc thông qua phép tính xấp xỉ và không xác định chính xác
- Chưa giải quyết được dữ liệu có dạng nhiều đỉnh bất thường
Giải thuật tiên tri - Phù hợp với các trường hợp bị thiếu dữ liệu
- Không phù hợp để sử dụng thuật toán cho các mô hình Đa nhân
- Cần có định dạng trước cho dữ liệu trước khi sử dụng thuật toán
- Chưa giải quyết được dữ liệu có dạng nhiều đỉnh bất thường
ARIMA - Xử lý được các trường hợp bất thường trong dữ liệu
- Thích hợp được với dữ liệu dạng mùa vụ và không mùa vụ
- Khả năng thay đổi các tham số của mô hình dẫ đến không ổn định
- Chưa giải quyết được dữ liệu có dạng nhiều đỉnh bất thường
Deep Learning - Kết quả có thể so sánh với hiệu suất của chuyên gia
- Yêu cầu dữ liệu lớn
- Bước huấn luyện có giá thành cao
Bảng 2 1: Bảng đánh giá chung về các giải thuật liên quan
Đề xuất thuật toán lọc thích nghi và xác suất bayes dự đoán COVID-19 16 1 Đánh giá chung các nghiên cứu đối với đề tài luận văn
2.3.1 Đánh giá chung các nghiên cứu đối với đề tài luận văn
Sau khi tiến hành tìm kiếm và đánh giá các bài báo, nghiên cứu trước đây liên quan đến chủ đề, chúng tôi nhận thấy rằng hầu hết đều có những nhược điểm chung.
Tất cả các giải thuật đều cần nguồn dữ liệu lớn để hoạt động hiệu quả Trong bối cảnh dịch bệnh COVID-19 mới xuất hiện, việc thu thập dữ liệu còn hạn chế, điều này khiến cho việc áp dụng các giải thuật dự đoán gặp khó khăn Khi nguồn dữ liệu không đủ, độ chính xác của các dự đoán sẽ giảm sút, dẫn đến độ tin cậy thấp.
Bước huấn luyện trong việc xử lý số liệu ca mắc mới cần có thời gian dài do đặc tính bất định và sự thay đổi liên tục của dữ liệu Việc cần thiết phải dành thời gian để huấn luyện và điều chỉnh số liệu cũng như xu hướng tăng giảm của đỉnh dịch sẽ làm cho việc đưa ra các biện pháp ứng phó tức thời trở nên khó khăn.
So sánh Biểu đồ số ca mắc mới tại Việt Nam (Hình 1.2) với biểu đồ số ca mắc mới, số người chết, người khỏi bệnh (Hình 2.2) được xác định [32]
Hình 2 2: Biểu đồ số ca mắc mới, số người chết, số người khỏi bệnh
2.3.2 Công thức đề xuất Đề giải quyết được những nhược điểm của các bài báo, bài nghiên cứu trước đó, và đáp ứng được mục tiêu của bài nghiên cứu luận văn Ý tưởng lặp cập trọng số của bộ lọc thích nghi, kết hợp với xác xuất bayes Từ đó, sẽ có công thức mô tả dự đoán số ca nhiễm mới COVID-19 như sau:
𝑾 𝒏+1 = 𝑾 𝒏 + 𝑛 (Công thức điều chỉnh trọng số)
𝑦̂ 𝑛+1 = 𝑦 𝑛 + 𝑛 (Công thức dự đoán số ca nhiễm) Trong đó:
𝑦̂ 𝑛+1 : Dự đoán số ca nhiễm mới tại n+1
𝑦 𝑛 : Số ca nhiễm mới tại thời điểm n
𝑛 : Số ca nhiễm mới được dự đoán sẽ phát sinh (tăng, giảm)
𝑛−1 : Độ dốc được tính từ 3 mẫu trước n
∆𝑛: Khoảng xa cần dự đoán
𝑒 𝑥 với x: Hệ số kết quả tác nhân ảnh hưởng được tính bằng xác suất bayes
𝑥 = 𝑃(𝐴|𝐵) − 𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑 (2) 𝑃(𝐴|𝐵): xác suất xảy ra sự kiện A (người nhiễm mới đã tiêm phòng covid-
19) khi sự kiện B (người đã tiêm phòng covid-19) tại bước n −1
Hàm sẽ được lật từ âm sang dương tại điểm 𝑃(𝐴|𝐵) = 𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑
Nếu P A B ( ) threshold kết quả sẽ được cộng thêm K vào kết quả dự đoán
Nếu P A B ( ) threshold kết quả sẽ được trừ bớt K vào kết quả dự đoán
Hình 2 3: Biểu đồ hiển thị hàm e mũ
Từ (1) và (2) ta có công thức hoàn chỉnh:
Công thức đề xuất dựa trên đặc điểm của thuật toán lọc thích nghi và xác suất Bayes để chọn dữ liệu cho dự đoán, với biểu thức 1+𝑒 (𝑃( 𝐴 | 𝐵 ) − 𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑) ) 𝐾.
Bộ lọc thích nghi được áp dụng để phân tích xu hướng tăng và giảm của số liệu ca mắc mới COVID-19, dựa trên số liệu trong 3 ngày gần nhất từ thời điểm dự đoán.
Xác suất Bayes giúp điều chỉnh số liệu ca mắc mới dựa trên ảnh hưởng của các tác nhân đến quá trình lây lan trong cộng đồng Nghiên cứu này tập trung vào dữ liệu của những người đã tiêm vaccine, từ đó xác định khả năng tăng hoặc giảm số ca mắc mới tùy thuộc vào xác suất ảnh hưởng của các yếu tố này.
Áp dụng lọc thích nghi và xác suất Bayes vào việc dự đoán số ca nhiễm mới COVID-19 đã khắc phục những hạn chế mà các nghiên cứu trước đây gặp phải Phương pháp này cải thiện độ chính xác trong việc dự đoán và cung cấp cái nhìn sâu sắc hơn về xu hướng lây lan của virus.
Giải thuật trước đó Giải thuật được đề xuất
Yêu cầu nguồn dữ liệu tập huấn lớn Chỉ cần nguồn dữ liệu tập huấn nhỏ, vừa
Bước huấn luyện cần thời gian dài không bám sát đặc tính bất thường của số liệu
Bước huấn luyện dự đoán theo xu hướng của số liệu bám sát đặc tính bất thường của số liệu
Dự đoán số liệu COVID-19 trong thời gian tức thời có độ chính xác, tin cậy không cao
Dự đoán số liệu COVID-19 trong thời gian tức thời bám sát đặc tính, kết hợp đánh giá tác nhân để điều chỉnh nên có độ chính xác cao
Hình 2 4: Bảng so sánh được đề xuất với các giải thuật của những bài nghiên cứu trước
Công nghệ
Matlab, được phát triển bởi công ty MathWorks, là một công cụ mạnh mẽ cho tính toán số và lập trình Nó cho phép người dùng thực hiện các phép toán với ma trận, vẽ đồ thị hàm số và biểu đồ thông tin, cũng như thực hiện các thuật toán phức tạp Ngoài ra, Matlab còn hỗ trợ việc tạo giao diện người dùng và tương tác với nhiều ngôn ngữ lập trình khác nhau.
Matlab là công cụ mạnh mẽ hỗ trợ giải quyết các bài toán liên quan đến xử lý tín hiệu số, giải tích số và xử lý đồ họa Nó cung cấp hàng ngàn lệnh và hàm tiện ích tích hợp sẵn, giúp người dùng thực hiện các tác vụ một cách hiệu quả Bên cạnh đó, Matlab còn sở hữu các lệnh và hàm chuyên biệt, giúp giải quyết những bài toán thuộc các lĩnh vực riêng biệt một cách tiện lợi.
20 cho người dùng như tính toán sơ cấp, xử lý tín hiệu số, xử lý ảnh, xử lý âm thanh, ma trận thừa, logic mở, …
Hình 2 5: Công cụ hỗ trợ MatLab
Google Colab, được phát triển bởi Google Research, cung cấp miễn phí quyền truy cập vào hạ tầng điện toán đám mây, bao gồm bộ lưu trữ, bộ nhớ, GPU (xử lý đồ họa), CPU (khả năng xử lý) và TPU (xử lý tensor).
Colab là một môi trường lập trình Python dựa trên nền tảng đám mây, lý tưởng cho các nhu cầu liên quan đến máy học, khoa học dữ liệu, phân tích dữ liệu và trí tuệ nhân tạo, đặc biệt hữu ích cho những người sử dụng ngôn ngữ Python.
Colab là một công cụ tiện lợi, hoạt động trên nền tảng đám mây mà không cần cài đặt phần mềm trên máy tính cá nhân Nó tự động lưu trữ và dễ dàng sao lưu với Google Drive, cho phép chia sẻ với người khác và cung cấp các tài nguyên cùng thư viện cần thiết cho các dự án máy học.
Hình 2 6: Công cụ Google Colab
THU THẬP DỮ LIỆU, THỰC NGHIỆP VÀ ĐÁNH GIÁ
Thu thập dữ liệu
3.1.1 Nguồn dữ liệu Để có thể xây dựng được bộ dữ liệu phục vụ cho quá trình nghiên cứu Người thực hiện cần thu thập dữ liệu có liên quan đến đại dịch Covid – 19 qua những nguồn dữ liệu xác minh như:
Hình 3 1: Website thông tin dữ liệu số ca mắc trên toàn cầu
(Nguồn: https://www.gavi.org/covid19)
Hình 3 2: Website thông tin dữ liệu ca mắc của WHO
(Nguồn: https://covid19.who.int/)
Hình 3 3: Website Our World in Data
(Nguồn: https://ourworldindata.org/coronavirus)
Hình 3 4: Website Cổng thông tin của bộ y tế về đại dịch COVID-19
(Nguồn: https://covid19.gov.vn/) 3.1.2 Trích lọc dữ liệu
Sau khi thực hiện qua trình thu thập dữ liệu bắt đầu thực hiện so sánh, phân tích, lượt bỏ những dữ liệu không cần thiết hoặc đầy đủ
Hình 3 5: Dữ liệu số ca nhiễm WHO (Nguồn: https://covid19.who.int/)
Hình 3 6: Dữ liệu thông tin liên quan đến Covid – 19 (Nguồn: https://ourworldindata.org/coronavirus)
Hình 3 7: Dữ liệu thông tin Covid – 19 được trích lọc
3.1.3 Xử lý khuyết dữ liệu (missing data)
Trong quá trình thu thập và trích lọc dữ liệu, thường xuất hiện các giá trị bị thiếu, không được bổ sung hoặc không có trong bộ dữ liệu Những thiếu sót này thường do sai sót trong nhập liệu hoặc thu thập dữ liệu, dẫn đến bộ dữ liệu không hoàn chỉnh như mong muốn Do đó, bên cạnh việc làm sạch dữ liệu, việc xử lý các vấn đề liên quan đến dữ liệu thiếu cũng là một phần quan trọng trong quá trình này.
Hình 3 8: Missing Data Để giải quyết vấn đề missing data gặp phải, người thực hiện phân tích và đề ra giải pháp phù hợp để xử lý theo 2 bước:
Bước 1: Loại bỏ giá trị thiếu (missing value) và những giá trị sai để làm sạch dữ liệu Chỉ giữ lại những dữ liệu liên tục với mức độ giá trị thiếu thấp nhất có thể.
Bước 2: Thay thế các giá trị thiếu bằng phương pháp nội suy Việc áp dụng nội suy dữ liệu sẽ phụ thuộc vào bản chất của các giá trị thiếu và các giá trị dữ liệu có sẵn trước đó.
Phương pháp nội suy tuyến tính được sử dụng để ước lượng các giá trị bị mất dựa trên các giá trị đã biết Qua việc biểu diễn các giá trị trên biểu đồ tuyến tính, chúng ta có thể xác định được giá trị xấp xỉ, giúp đưa ra kết quả gần đúng với thực tế.
Hình 3 9: Biểu đồ nội suy tuyến tính
Thực nghiệp
Sau khi thu thập và xây dựng bộ dữ liệu phục vụ cho nghiên cứu, bước tiếp theo là kết hợp dữ liệu với công thức đã đề xuất Mục tiêu của quá trình này là chuyển đổi công thức thành mã để dự đoán số ca nhiễm mới dựa trên dữ liệu hiện có.
3.2.1 Dự đoán số ca nhiễm mới ở Việt Nam
Chúng tôi đã tiến hành thử nghiệm lần đầu tiên với dữ liệu tại Việt Nam, đánh giá khả năng dự đoán số ca nhiễm Sử dụng phương pháp lọc thích nghi kết hợp với xác suất Bayes, chúng tôi đã chọn tham số ngưỡng threshold là 0.6 để thực hiện phân tích.
Hình 3 10: Biểu đồ số ca nhiễm mới ở Việt Nam từ 01/05/2021 đến 30/06/2021
Hình 3 11: Biểu đồ số ca nhiễm được đoán thực nhiệm lần 1 từ 01/05/2021 đến 30/06/2021
Sau lần thực nghiệm đầu tiên, dữ liệu dự đoán mặc dù có ngày sai lệch nhưng vẫn tự động điều chỉnh theo xác suất Bayes, phản ánh đúng xu hướng tăng giảm của dịch bệnh Tuy nhiên, do nhận thấy hệ số khuếch đại dựa trên 100% dữ liệu mật độ dân số quá lớn, các lần thực nghiệm tiếp theo đã điều chỉnh hệ số khuếch đại và ngưỡng, từ đó ảnh hưởng đến số lượng dự đoán.
Hình 3 12: Biểu đồ dự đoán số ca nhiễm sau nhiều lần thực nghiệm
Theo sự điều chỉnh của ngưỡng quy định và giả định từ hệ số khuếch đại, số ca nhiễm dự đoán đã gần hơn với số ca nhiễm thực tế.
3.2.2 Dự đoán số ca nhiễm mới ở Singapore
Hình 3 13: Biểu đồ số ca nhiễm mới ở Singapore từ 10/02/2021 đến 30/11/2022
Hình 3 14: Biểu đồ số ca nhiễm được dự đoán ở Singapore từ 10/02/2021 đến 30/11/2022
3.2.3 Dự đoán số ca nhiễm mới ở Nhật Bản
Hình 3 15: Biểu đồ số ca nhiễm mới ở Nhật Bản từ 12/04/2021 đến 30/11/2022
Hình 3 16: Biểu đồ số ca nhiễm được dự đoán ở Nhật Bản từ 12/04/2021 đến 30/11/2022
3.2.4 Dự đoán số ca nhiễm mới ở Hồng Kong
Hình 3 17:Biểu đồ số ca nhiễm mới ở Hồng Kong từ 09/04/2021 đến 30/11/2022
Hình 3 18: Biểu đồ số ca nhiễm được dự đoán ở Hồng Kong từ 09/04/2021 đến 30/11/2022
3.2.5 Dự đoán số ca nhiễm mới ở Cambodia
Hình 3 19: Biểu đồ số ca nhiễm mới ở Cambodia từ 29/03/2021 đến 31/03/2022
Hình 3 20: Biểu đồ số ca nhiễm được dự đoán ở Cambodia từ 29/03/2021 đến 31/03/2022
3.2.6 Dự đoán số ca nhiễm mới ở Bahrain
Hình 3 21: Biểu đồ số ca nhiễm mới ở Bahrain từ 11/09/2022 đến 30/11/2022
Hình 3 22: Biểu đồ số ca nhiễm được dự đoán ở Bahrain từ 11/09/2022 đến 30/11/2022
3.2.7 Dự đoán số ca nhiễm mới ở Azerbaijan
Hình 3 23: Biểu đồ số ca nhiễm mới ở Azerbaijan từ 23/12/2021 đến 31/03/2022
Hình 3 24: Biểu đồ số ca nhiễm được dự đoán ở Azerbaijan từ 23/12/2021 đến 31/03/2022
3.2.8 Dự đoán số ca nhiễm mới ở Indonesia
Hình 3 25: Biểu đồ số ca nhiễm mới ở Indonesia từ 21/04/2021 đến 15/07/2022
Hình 3 26: Biểu đồ số ca nhiễm được dự đoán ở Indonesia từ 21/04/2021 đến 15/07/2022
3.2.9 Dự đoán số ca nhiễm mới ở Đài Loan
Hình 3 27: Biểu đồ số ca nhiễm mới ở Đài Loan từ 29/05/2022 đến 30/11/2022
Hình 3 28: Biểu đồ số ca nhiễm được dự đoán ở Đài Loan từ 29/05/2022 đến 30/11/2022
3.2.10 Dự đoán số ca nhiễm mới ở Malaysia
Hình 3 29: Biểu đồ số ca nhiễm mới ở Malaysia từ 07/04/2021 đến 30/11/2022
Hình 3 30: Biểu đồ số ca nhiễm được dự đoán ở Malaysia từ 07/04/2021 đến 30/11/2022