Per eseguire i test case 1 e 2:

1. eseguire lo script utilities/GenerateDataset.py compilando il file utilities/data-for-GenerateDataset.txt:

alpha: ... nome_file: ... K: ... K_val: ... K_test: ... S0: ... beta0_inf: ... beta0_sup: ... N: ... S_inf: ... t_max: ... n_variabili: ...

dove:

• 'alpha' è il parametro del SIR
• in 'nome_file' bisogna inserire il nome del file in cui sarà salvato il dataset
• 'K', 'K_val', 'K_test' indicano rispettivamente la dimensione del train set, validation set e test set
• 'S0' è il valore iniziale dei Suscettibili (che verrà utilizzato per calcolare beta_ref)
• 'S_inf' è il valore a regime dei Suscettibili (che verrà utilizzato per calcolare beta_ref)
• 'beta0_inf', 'beta0_sup' sono gli estremi in cui vengono generati casualmente i valori iniziali del parametro beta
• 'N' è il numero di timesteps
• 't_max' l'orizzonte temporale della simulazione
• 'n_variabili' è il numero delle variabili di interesse: se mpostato su 1 vengono generate temperature casuali, mentre se impostato su 2 oltre alle temperature vengono generati anche i livelli di isolamento

2. compilare il file data.txt con i seguenti campi:

training_steps: ... S0: ... I0: ... S_inf: ... alpha: ... n_hidden: ... dataset: ... learning_rate: ... display_step: ... t_max: ... tau: ... num_layers: ...

dove:

• 'S0', 'S_inf', 'alpha', 't_max' come prima
• 'training_steps' è il numero di iterazioni del training
• 'n_hidden' è il numero di neuroni che compongono gli hidden layer della rete
• 'num_layers' è il numero di layers della rete (è possibile scegliere tra 1 e 2)
• 'tau' è il parametro dell'equazione di beta (fare riferimento al report)
• 'dataset' è il nome del file da cui caricare il dataset
• 'I0' è il numero iniziale di infetti
• 'display_step' indica ogni quante iterazioni viene stampta la loss sul training set e validation set

3. eseguire lo script Main.py con il comando: python3 Main.py --test-case Per il training si possono utilizzare le possibili opzioni:

--load-model nome_rete : viene caricata la rete 'nome_rete' (quindi non ne viene creata una nuova) --train : viene eseguito il training della rete --plot-train : vengono mostrati alla fine del training i plot del training set --plot-test : vengono mostrati alla fine del training i plot del test set --save-model nome_rete : viene salvato il modello come 'nome_rete'

Per eseguire i training utilizzando il modello basato sui beta-log (bisogna avere clonata la repository del DPC :https://github.com/pcm-dpc/COVID-19.git):

1. eseguire lo script GenerateDataset_BetaLog.py dentro cui modificare le variabili:

n_timesteps = ... path_i = ... regione_beta = ... K = ... n_giorni = ... overlap = ... path_t = ... regione_temp = ... nome_file = ... use_zone = ...

dove:

• 'path_i' è il percorso del file contenente le osservazioni sugli infetti (cartella 'dati-regioni' della repository del DPC)
• 'path_t' è il percorso del file contenente le osservazioni sulle temperature ('.\Temperature')
• 'regione_beta': una list contenente le regioni di interesse da cui estrarre gli infetti (e.g.: regione_beta = ['Lombardia'])
• 'regione_temp': una list contenente le città di interesse da cui estrarre le temperature (e.g.: regione_temp = ['Milano'])
• 'K' la dimensione del training set
• 'n_giorni' è il numero di giorni che verrà utilizzato per costruire gli intervalli del dataset
• 'overlap' è il numero di giorni di overlap tra gli intervalli
• 'n_timesteps' è il numero di timesteps di ogni intervallo nel dataset
• 'nome_file' è il nome con cui verrà salvato il dataset
• 'use_zone' se impostato su True estrarrà anche i livelli di isolamento da usare nel training

2. compilare il file data.txt come spiegato per i test case (anche se alcuni dati non verranno utlizzati)

3. eseguire lo script Main.py con il comando: python3 Main.py --beta-log

Per il training si possono utilizzare le opzioni già spiegate per i test case 1 e 2.