CN111445997A - 基于机器学习算法的传染病动力学模型及分析方法 - Google Patents
基于机器学习算法的传染病动力学模型及分析方法 Download PDFInfo
- Publication number
- CN111445997A CN111445997A CN202010256142.XA CN202010256142A CN111445997A CN 111445997 A CN111445997 A CN 111445997A CN 202010256142 A CN202010256142 A CN 202010256142A CN 111445997 A CN111445997 A CN 111445997A
- Authority
- CN
- China
- Prior art keywords
- population
- model
- infectious disease
- people
- latent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 58
- 238000004458 analytical method Methods 0.000 title claims abstract description 51
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 38
- 238000010801 machine learning Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 51
- 241000700605 Viruses Species 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 36
- 230000009385 viral infection Effects 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 6
- 230000002265 prevention Effects 0.000 claims description 15
- 208000032420 Latent Infection Diseases 0.000 claims description 10
- 208000037771 disease arising from reactivation of latent virus Diseases 0.000 claims description 10
- 231100000225 lethality Toxicity 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 201000010099 disease Diseases 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 4
- 230000007482 viral spreading Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000002955 isolation Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 206010051379 Systemic Inflammatory Response Syndrome Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002458 infectious effect Effects 0.000 description 2
- 231100000518 lethal Toxicity 0.000 description 2
- 230000001665 lethal effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 208000003322 Coinfection Diseases 0.000 description 1
- 241000711573 Coronaviridae Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007733 viral latency Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提出了一种基于机器学习算法的传染病动力学模型及分析方法，包括：步骤S1，构建SEIR模型，对目标区域内的人群按照病毒传染状态进行分类，包括：易感人群、潜伏期人群、确认感染人群和康复人群；步骤S2，根据预设的传播过程，拟合传染概率，模拟病毒传染流程；步骤S3，对构建的SEIR模型进行升级优化，包括：引入病毒特性分析，修正病毒传染流程；引入人为干预因素，模拟群体间传染过程；得到修正后的模型，利用所述修正后的模型，生成传播趋势数据，输出传染病相关群体数量态势曲线。
Description
技术领域
本发明涉及机器学习算法技术领域，特别涉及一种基于机器学习算法的传染病动力学模型及分析方法。
背景技术
除了有效的检测、隔离手段外，疫情防控工作的重点之一，还需要根据疫情情况预测病毒传播趋势，及时甚至预先开展针对性防控工作。
要做到趋势预测，仅仅依靠相关统计工作是无法完成的，最为直接有效的手段是根据病毒特点建立相应数据模型，帮助人们理解传染病流行机理，以模型为基础分析病毒传播趋势并计算相应传播数据，从而为实际防控工作提供数据支撑和指导。
在众多传染病模型中，群体类模型较为常用，该类模型将处于相同传染病病情状态的人群构成一个群体，随着病情的发展(如潜伏、确诊、治愈等)，人员在不同群体间移动。根据群体的不同，常见的群体类模型有SI、SIR、SIRS、SEIR等，它们分别对应不同传染病特性下的群体迁移过程。
现在方式存在以下缺陷和不足，群体类模型虽然具有较高的适用性，但是自身存在一定短板：
未考虑传染病本身特征：不同传染病致病体可能存在不同的特征，例如病毒在潜伏期是否具有传染性、病毒是否具有致死性、治愈患者是否会二次感染等，每种特性将会影响不同群体间人员的转换流程及数量，前述提到的SI、SIR、SIRS、SEIR等常见模型只对群体做了必要的基础划分，缺乏对这些特性影响的综合考虑。
1、未考虑人为干预因素
群体类模型的基本假设中包括：不同群体间的转换仅由病情状态决定、人群均匀混合、接触与历史无关。但实际情况中，人为干预对疫情传播有很大的影响作用，如大范围的隔离措施、人群的流动等，如果不纳入模型考虑范围，则模型的预测结果将产生较大偏差。
2、模型部分重要参数依赖专家经验
在病毒传播过程中，模型中有很多参数如病毒传染率、潜伏期及潜伏人数等是难以得到准确数值的，在以往的应用中，特别是疫情初期，模型多采用专家经验值作为参数的近似估值且为不变常数，并以此为基础指导模型运转。然而，因病毒种类不同、变异情况、人员经验差异等因素，固定经验值方法具有很大的偶然性和出错概率，影响模型结果。
发明内容
本发明的目的旨在至少解决所述技术缺陷之一。
为此，本发明的目的在于提出一种基于机器学习算法的传染病动力学模型及分析方法。
为了实现上述目的，本发明的实施例提供一种基于机器学习算法的传染病动力学模型及分析方法，包括：
步骤S1，构建SEIR模型，对目标区域内的人群按照病毒传染状态进行分类，包括：易感人群、潜伏期人群、确认感染人群和康复人群；
步骤S2，根据预设的传播过程，拟合传染概率，模拟病毒传染流程；
步骤S3，对构建的SEIR模型进行升级优化，包括：
引入病毒特性分析，修正病毒传染流程；
引入人为干预因素，模拟群体间传染过程；
得到修正后的模型，利用所述修正后的模型，生成传播趋势数据，输出传染病相关群体数量态势曲线。
进一步，在所述步骤S2中，所述预设的传播过程，包括：
(1)病毒传播过程中，区域全部人群没有流动，即全部人群没有变化；
(2)潜伏期人群最终全部会发病而成为确认感染人群；
(3)康复人群人员不会再次被感染。
进一步，在所述步骤S2中，所述拟合传染概率，包括：
(1)单位时间t内，易感人群的群体每个个体有β的概率被感染成为潜伏期人群；
(2)单位时间t内，潜伏期人群的群体每个个体有α的概率发病从而成为确认感染人群；
(3)单位时间t内，确认感染人群的群体每个个体有γ的概率被治愈从而成为康复人群；
(4)单位时间t内，确认感染人群的群体每个个体可接触r个人；
表示为微分方程即：
其中t以天为单位，上式转化为：
It＝It-1+αEt-1-γIt-1
Rt＝Rt-1+γIt-1
Nt＝St-1+Et-1+It-1+Rt-1。
进一步，在所述步骤S3中，所述病毒特性分析包括：致死率和潜伏期传染特性。
进一步，针对致死率分析，将原康复人群群体分成两类：治愈群体、死亡群体，致死率记为θ，根据病毒特点，治愈人群是否发现二次感染，如果没有，将治愈群体、死亡群体从全部人群中剔除，不再影响整个传感流程。
进一步，针对潜伏期传染体系分析，对潜伏期人群进行修正，群体每个个体单位时间接触人数记为r2，易感人群的每个个体有β2的概率被其感染而成为潜伏期人群。
进一步，在所述步骤S3中，所述人为干预因素包括：防控手段的变化和流动人群的分析。
进一步，在所述步骤S3中，所述流动人群的分析，包括：按照来源地不同，将单位时间进入和离开区域的人员分别记为AX、OX，其中，下标X代表不同来源地的流动人群，总数记为A、O；
实际流动人群中存在易感人群和潜伏期人群，模型根据流动人群的来源地、当地控制手段等因素的区别对各个群体设置不同的群体归属概率，即A、O人群分属S、E群体的概率，分别记为ΦX-S、ΦX-E，可得AX-S＝AX*ΦX-S、AX-E＝AX*ΦX-E、OX-S＝OX*ΦX-S、OX-E＝OX*ΦX-E，取值参照当地卫生部门公布的具体病情数据进行拟合设置，A、O群体中属于C类人员根据已公布数据直接获取记为AX-C、OX-C。
进一步，在所述步骤S3中，所述修正后的模型，基准公式修正为：
Ct＝Ct-1+γIt-1+AX-C(t-1)-OX-C(t-1)
Dt＝Dt-1+θIt-1
It＝It-1+αEt-1-γIt-1-θIt-1
Rt＝Ct+Dt
Nt＝St-1+Et-1+It-1+Ct-1。
本发明通过引入病毒特性分析(致死率和潜伏期传染特性)，二者修正病毒传染流程，从而提升了各类人群在感染过程中转移数量的准确度。引入人为干预因素影响(防控手段的变化和流动人群的分析)。有别于固化的传染概率，防控手段分析将疫情不同时期的传染效果区别开来、动态计算，使得结果更加实时、更加贴近实际；流动人群分析则是对模型中群体信息的一大补充，将传染病动力学与人口动力学相结合，使得区域各群体数量更加趋于真实，从而得到更加准确地模型预测。本发明采用参数的去经验化，可以实现以下目的：使得本发明不再严重依赖专家经验，只要获取相应公开数据即可得到相关参数的近似拟合值，降低使用限制；部分参数可以根据近期历史数据借助机器学习算法实时拟合得出，相比于固定值，更加适应疫情的动态发展趋势；部分参数参考了当地公布数据，能更好体现地域差异，从而获得贴近区域实际情况的结果。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的基于机器学习算法的传染病动力学模型及分析方法的流程图；
图2为根据本发明实施例对病毒传染过程的示意图；
图3为根据本发明实施例的采用本发明的人群转换过程的示意图；
图4为根据本发明实施例的传染病相关群体数量态势曲线的示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
如图1所示，本发明实施例的基于机器学习算法的传染病动力学模型及分析方法，包括如下步骤：
步骤S1，构建SEIR模型，对目标区域内的人群按照病毒传染状态进行分类，包括：易感人群、潜伏期人群、确认感染人群和康复人群。
易感人群(susceptible，简记为S)，即可以被病毒感染的人群。
潜伏期人群(exposed，简记为E)，即已经被感染但尚未显示出病症的人群。
确认感染人群(infected，简记为I)，即已经被感染并显示出病症的人群。
康复人群(recovered，简记为R)，即通过治疗已经康复的人群。
全部人群(简记为N)，N＝S+E+I+R。
步骤S2，根据预设的传播过程，拟合传染概率，模拟病毒传染流程。
具体的，预设的传播过程，包括：
(1)病毒传播过程中，区域全部人群没有流动，即全部人群N没有变化；
(2)潜伏期人群E最终全部会发病而成为确认感染人群I；
(3)康复人群R人员不会再次被感染。
图2为根据本发明实施例对病毒传染过程的示意图。
拟合传染概率，包括：
(1)单位时间t内，易感人群S的群体每个个体有β的概率被感染成为潜伏期人群E；
(2)单位时间t内，潜伏期人群E的群体每个个体有α的概率发病从而成为确认感染人群I；
(3)单位时间t内，确认感染人群I的群体每个个体有γ的概率被治愈从而成为康复人群R；
(4)单位时间t内，确认感染人群I的群体每个个体可接触r个人；
表示为微分方程即：
其中t以天为单位，上式转化为：
It＝It-1+αEt-1-γIt-1
Rt＝Rt-1+γIt-1
Nt＝St-1+Et-1+It-1+Rt-1。
步骤S3，对构建的SEIR模型进行升级优化.
具体的，在构建了基础SEIR模型后，从以下几个方面对模型进行针对性优化：
1、引入病毒特性分析，修正病毒传染流程
在本发明的实施例中，病毒特性分析包括：致死率和潜伏期传染特性。
针对致死率分析：如病毒具有致死可能，将原R群体分成两类：治愈群体(cured，简记为C)、死亡群体(death，简记为D)，致死率记为θ，根据病毒特点，治愈人群是否发现二次感染，如果没有，将C与D从N中剔除，不在影响整个传感流程，R群体实际含义变为移除(removed，简记依旧为R)。
针对潜伏期传染体系分析：部分病毒(如本次疫情的冠状病毒)，E人群仍然具有传染性，对潜伏期人群E群体进行修正：潜伏期人群E群体每个个体单位时间接触人数记为r2，易感人群S群体每个个体有β2的概率被其感染而成为E。(原r、β标记为r1、β1)。
2、引入人为干预因素，模拟群体间传染过程
在本发明的实施例中，人为干预因素包括：防控手段的变化和流动人群的分析。
(1)疫情初期，病毒防控尚未引起足够重视，故当时I和E群体每个个体可接触人数r1、r2值较大。但随着疫情的爆发，防控措施的加强，特别是强制个体隔离、区域性隔离防护措施的引入，r1、r2值将显著下降。故在不同时期，本模型r1、r2值的取值动态调整。
(2)流动人群的分析，包括：区域人员具有流动性，模型引入流动人员群体，按照来源地不同，将单位时间进入和离开区域的人员分别记为AX、OX，其中，下标X代表不同来源地的流动人群，总数记为A、O。
实际流动人群中存在易感人群和潜伏期人群，模型根据流动人群的来源地、当地控制手段等因素的区别对各个群体设置不同的群体归属概率，即A、O人群分属S、E群体的概率，分别记为ΦX-S、ΦX-E，可得AX-S＝AX*ΦX-S、AX-E＝AX*ΦX-E、OX-S＝OX*ΦX-S、OX-E＝OX*ΦX-E，取值参照当地卫生部门公布的具体病情数据进行拟合设置，A、O群体中属于C类人员根据已公布数据直接获取记为AX-C、OX-C。
3、得到修正后的模型，利用所述修正后的模型，生成传播趋势数据，输出传染病相关群体数量态势曲线。图3为模型人群转换过程的示意图。
具体的，对模型参数去经验化。模型初始值尽量取权威机构公布数据，原经验值参数通过数据补充、机器学习算法拟合来更好的近似：
初始值S0、I0、R0、D0、C0分别取预测区域卫生机构公布数据；
E0、α无法直接获取，根据官方公布的病毒平均潜伏期，结合当地统计的每日新增病例数、疑似病例数的历史数据，利用多元拟合获得E0初始值及α。
AX、OX，采用源自公安卡口、客运站、火车站客流以及航空部门提供的民航信息等等数据每日计算，并参照同比数据拟合预测未来一段时间数值。
γ、θ利用历史数据，采用AR回归算法进行拟合赋值。
采用自由增长率函数进行拟合得出β1、β2(对于不同类型病毒，采用病毒发源地采取控制措施之前的自由传播期病例数据进行拟合。
因此，最终本模型由SEIR转为SEICDAO模型，其基准公式修正为：
Ct＝Ct-1+γIt-1+AX-C(t-1)-OX-C(t-1)
Dt＝Dt-1+θIt-1
It＝It-1+αEt-1-γIt-1-θIt-1
Rt＝Ct+Dt
Nt＝St-1+Et-1+It-1+Ct-1。
本发明实施例的基于机器学习算法的传染病动力学模型及分析方法，方案效果如下：
模型创建完成后，设置模型的输出为：
A.某地区每个时间点(默认为天)I、C、D各类人群数量的预测值
B.某地区E、I、C、D各类人群发展态势曲线
使用A市公布的疫情数据为测试数据，得到结果如下：
1、防控数据预测
以历史某天为基准，预测之后1天、2天数据，并与实际公布数据作比较，计算各人群预测结果的MAPE(平均绝对百分比误差)值和SMAPE(对称平均绝对百分比误差)值，如表1所示。
表1
从表1可以看出，在短期群体数量预测中，本发明模型能够取得较高的精度，以满足疫情主动防控部署工作的需要。
2、态势感知
以历史某天为基准，扩大预测时间范围，模型可输出以该时间点为起点的传染病相关群体数量态势曲线，如图4所示。
从图4中可以看出，在当前的人员构成、病毒特性、防范手段等条件下，确诊人数将在未来一段时间有升转降，治愈人数上升明显，疑似和死亡人数趋于平缓。该曲线图可以很好地反映该地市疫情和群体数量发展趋势，从而为疫情态势捕捉、防控部署提供指导。
综上，本发明选择群体模型中的SEIR作为基础模型，并在此基础上做后续升级优化。模型基本思路是对人群进行划分，拟合传染概率等参数，引入人口迁移以及人为措施等因素并数值化，来模拟群体间传染过程，从而得到一系列基于时间的预测数据，进而生成未来一段时间的传播趋势。
根据本发明实施例的基于机器学习算法的传染病动力学模型及分析方法，实现了基于病毒特征、人口流动、去经验化参数的病毒传播预测模型和方法，模型和方法具备较好的预测准确度。本发明提出了以下几点：基于病毒特征、人口流动、去经验化参数的病毒传播预测模型构建思路和方法，病毒特征在模型中的具体分析和引入方法人口流动在模型中的具体分析和引入方法，去经验化的参数在模型中的具体分析和引入方法，基于本发明中模型的传染病态势感知分析方法。
本发明通过引入病毒特性分析(致死率和潜伏期传染特性)，二者修正病毒传染流程，从而提升了各类人群在感染过程中转移数量的准确度。引入人为干预因素影响(防控手段的变化和流动人群的分析)。有别于固化的传染概率，防控手段分析将疫情不同时期的传染效果区别开来、动态计算，使得结果更加实时、更加贴近实际；流动人群分析则是对模型中群体信息的一大补充，将传染病动力学与人口动力学相结合，使得区域各群体数量更加趋于真实，从而得到更加准确地模型预测。本发明采用参数的去经验化，可以实现以下目的：使得本发明不再严重依赖专家经验，只要获取相应公开数据即可得到相关参数的近似拟合值，降低使用限制；部分参数可以根据近期历史数据借助机器学习算法实时拟合得出，相比于固定值，更加适应疫情的动态发展趋势；部分参数参考了当地公布数据，能更好体现地域差异，从而获得贴近区域实际情况的结果。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求及其等同限定。
Claims (9)
1.一种基于机器学习算法的传染病动力学模型及分析方法，其特征在于，包括如下步骤：
步骤S1，构建SEIR模型，对目标区域内的人群按照病毒传染状态进行分类，包括：易感人群、潜伏期人群、确认感染人群和康复人群；
步骤S2，根据预设的传播过程，拟合传染概率，模拟病毒传染流程；
步骤S3，对构建的SEIR模型进行升级优化，包括：
引入病毒特性分析，修正病毒传染流程；
引入人为干预因素，模拟群体间传染过程；
得到修正后的模型，利用所述修正后的模型，生成传播趋势数据，输出传染病相关群体数量态势曲线。
2.如权利要求1所述的基于机器学习算法的传染病动力学模型及分析方法，其特征在于，在所述步骤S2中，所述预设的传播过程，包括：
(1)病毒传播过程中，区域全部人群没有流动，即全部人群没有变化；
(2)潜伏期人群最终全部会发病而成为确认感染人群；
(3)康复人群人员不会再次被感染。
3.如权利要求1所述的基于机器学习算法的传染病动力学模型及分析方法，其特征在于，在所述步骤S2中，所述拟合传染概率，包括：
(1)单位时间t内，易感人群的群体每个个体有β的概率被感染成为潜伏期人群；
(2)单位时间t内，潜伏期人群的群体每个个体有α的概率发病从而成为确认感染人群；
(3)单位时间t内，确认感染人群的群体每个个体有γ的概率被治愈从而成为康复人群；
(4)单位时间t内，确认感染人群的群体每个个体可接触r个人；
表示为微分方程即：
其中t以天为单位，上式转化为：
It＝It-1+αEt-1-γIt-1
Rt＝Rt-1+γIt-1
Nt＝St-1+Et-1+It-1+Rt-1。
4.如权利要求1所述的基于机器学习算法的传染病动力学模型及分析方法，其特征在于，在所述步骤S3中，
所述病毒特性分析包括：致死率和潜伏期传染特性。
5.如权利要求4所述的基于机器学习算法的传染病动力学模型及分析方法，其特征在于，针对致死率分析，将原康复人群群体分成两类：治愈群体、死亡群体，致死率记为θ，根据病毒特点，治愈人群是否发现二次感染，如果没有，将治愈群体、死亡群体从全部人群中剔除，不再影响整个传感流程。
6.如权利要求4所述的基于机器学习算法的传染病动力学模型及分析方法，其特征在于，针对潜伏期传染体系分析，对潜伏期人群进行修正，群体每个个体单位时间接触人数记为r2，易感人群的每个个体有β2的概率被其感染而成为潜伏期人群。
7.如权利要求1所述的基于机器学习算法的传染病动力学模型及分析方法，其特征在于，在所述步骤S3中，所述人为干预因素包括：防控手段的变化和流动人群的分析。
8.如权利要求7所述的基于机器学习算法的传染病动力学模型及分析方法，其特征在于，在所述步骤S3中，所述流动人群的分析，包括：按照来源地不同，将单位时间进入和离开区域的人员分别记为AX、OX，其中，下标X代表不同来源地的流动人群，总数记为A、O；
实际流动人群中存在易感人群和潜伏期人群，模型根据流动人群的来源地、当地控制手段等因素的区别对各个群体设置不同的群体归属概率，即A、O人群分属S、E群体的概率，分别记为ΦX-S、ΦX-E，可得AX-S＝AX*ΦX-S、AX-E＝AX*ΦX-E、OX-S＝OX*ΦX-S、OX-E＝OX*ΦX-E，取值参照当地卫生部门公布的具体病情数据进行拟合设置，A、O群体中属于C类人员根据已公布数据直接获取记为AX-C、OX-C。
9.如权利要求1所述的基于机器学习算法的传染病动力学模型及分析方法，其特征在于，在所述步骤S3中，所述修正后的模型，基准公式修正为：
Ct＝Ct-1+γIt-1+AX-C(t-1)-OX-C(t-1)
Dt＝Dt-1+θIt-1
It＝It-1+αEt-1-γIt-1-θIt-1
Rt＝Ct+Dt
Nt＝St-1+Et-1+It-1+Ct-1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010256142.XA CN111445997A (zh) | 2020-04-02 | 2020-04-02 | 基于机器学习算法的传染病动力学模型及分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010256142.XA CN111445997A (zh) | 2020-04-02 | 2020-04-02 | 基于机器学习算法的传染病动力学模型及分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111445997A true CN111445997A (zh) | 2020-07-24 |
Family
ID=71655894
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010256142.XA Pending CN111445997A (zh) | 2020-04-02 | 2020-04-02 | 基于机器学习算法的传染病动力学模型及分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111445997A (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111883260A (zh) * | 2020-07-27 | 2020-11-03 | 西北工业大学 | 一种基于改进的seir模型疫情群体演变预测方法 |
| CN112037930A (zh) * | 2020-11-02 | 2020-12-04 | 平安科技（深圳）有限公司 | 一种传染病预测设备、方法、装置及存储介质 |
| CN112163705A (zh) * | 2020-09-29 | 2021-01-01 | 重庆邮电大学 | 基于cnn+seir和lstm的疫情预测预警方法 |
| CN112164470A (zh) * | 2020-08-28 | 2021-01-01 | 南京星耀智能科技有限公司 | 一种基于事件驱动的传染病预测方法 |
| CN112216402A (zh) * | 2020-10-16 | 2021-01-12 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的疫情预测方法、装置、计算机设备及介质 |
| CN112382403A (zh) * | 2020-09-30 | 2021-02-19 | 哈尔滨工业大学 | 一种基于人员聚集度的seiqr传染病模型的构建方法 |
| CN112382405A (zh) * | 2020-11-02 | 2021-02-19 | 北京机电工程研究所 | 结构化新冠肺炎疫情预测和评估方法、装置、设备及介质 |
| CN112466475A (zh) * | 2020-11-25 | 2021-03-09 | 北京深演智能科技股份有限公司 | 创建预测模型的方法和装置 |
| CN112529329A (zh) * | 2020-12-21 | 2021-03-19 | 广东珠江智联信息科技股份有限公司 | 基于bp算法和seir模型的传染病预测方法 |
| CN113450924A (zh) * | 2021-05-24 | 2021-09-28 | 北京工商大学 | 一种新型冠状病毒传播模型建立方法及系统 |
| CN113470836A (zh) * | 2021-07-28 | 2021-10-01 | 联通(广东)产业互联网有限公司 | 一种传染病趋势预测方法、系统、装置及存储介质 |
| CN113658716A (zh) * | 2021-07-27 | 2021-11-16 | 之江实验室 | 基于约束子图计算的新冠肺炎感染人群分析方法及系统 |
| CN113990418A (zh) * | 2021-08-17 | 2022-01-28 | 医渡云（北京）技术有限公司 | 传染病数据的处理方法及装置、存储介质、电子设备 |
| WO2022095255A1 (zh) * | 2020-11-04 | 2022-05-12 | 北京航空航天大学 | 一种面向防控隔离政策的疫情预测模型 |
| CN114613511A (zh) * | 2022-03-09 | 2022-06-10 | 南京邮电大学 | 基于改进扩散驱动下传染病模型的混合控制器的实现方法 |
| CN114708986A (zh) * | 2022-03-17 | 2022-07-05 | 太原理工大学 | 基于动力学建立羊布鲁氏菌病的多斑块模型的方法和介质 |
| US11900027B2 (en) | 2020-11-04 | 2024-02-13 | Beihang University | Epidemic forecasting model for policies of prevention, control and isolation |
| CN117690601A (zh) * | 2024-02-02 | 2024-03-12 | 江西省胸科医院(江西省第三人民医院) | 基于大数据分析的结核病流行趋势预测系统 |
| US11948694B2 (en) | 2021-05-12 | 2024-04-02 | Merative Us L.P. | Controlling compartmental flows in epidemiological modeling based on mobility data |
| US12062456B2 (en) | 2021-05-27 | 2024-08-13 | Merative Us L.P. | Hypothetical scenario evaluation in infectious disease dynamics based on similar regions |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682188A (zh) * | 2011-03-15 | 2012-09-19 | 中国科学院遥感应用研究所 | 一种城市级传染病模拟的方法及装置 |
| JP2015038708A (ja) * | 2013-08-19 | 2015-02-26 | 国立大学法人 東京大学 | 感染症対策プログラム、感染症対策装置および感染症対策方法 |
-
2020
- 2020-04-02 CN CN202010256142.XA patent/CN111445997A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682188A (zh) * | 2011-03-15 | 2012-09-19 | 中国科学院遥感应用研究所 | 一种城市级传染病模拟的方法及装置 |
| JP2015038708A (ja) * | 2013-08-19 | 2015-02-26 | 国立大学法人 東京大学 | 感染症対策プログラム、感染症対策装置および感染症対策方法 |
Non-Patent Citations (1)
| Title |
|---|
| 游光荣等: "新冠肺炎疫情传播模型及防控干预措施的因果分析评估", 《科技导报》 * |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111883260A (zh) * | 2020-07-27 | 2020-11-03 | 西北工业大学 | 一种基于改进的seir模型疫情群体演变预测方法 |
| CN111883260B (zh) * | 2020-07-27 | 2023-06-30 | 西北工业大学 | 一种基于改进的seir模型疫情群体演变预测方法 |
| CN112164470A (zh) * | 2020-08-28 | 2021-01-01 | 南京星耀智能科技有限公司 | 一种基于事件驱动的传染病预测方法 |
| CN112163705A (zh) * | 2020-09-29 | 2021-01-01 | 重庆邮电大学 | 基于cnn+seir和lstm的疫情预测预警方法 |
| CN112163705B (zh) * | 2020-09-29 | 2022-07-22 | 重庆邮电大学 | 基于cnn+seir和lstm的疫情预测预警方法 |
| CN112382403A (zh) * | 2020-09-30 | 2021-02-19 | 哈尔滨工业大学 | 一种基于人员聚集度的seiqr传染病模型的构建方法 |
| CN112216402A (zh) * | 2020-10-16 | 2021-01-12 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的疫情预测方法、装置、计算机设备及介质 |
| CN112037930A (zh) * | 2020-11-02 | 2020-12-04 | 平安科技（深圳）有限公司 | 一种传染病预测设备、方法、装置及存储介质 |
| CN112037930B (zh) * | 2020-11-02 | 2021-02-05 | 平安科技（深圳）有限公司 | 一种传染病预测设备、方法、装置及存储介质 |
| CN112382405A (zh) * | 2020-11-02 | 2021-02-19 | 北京机电工程研究所 | 结构化新冠肺炎疫情预测和评估方法、装置、设备及介质 |
| WO2022095255A1 (zh) * | 2020-11-04 | 2022-05-12 | 北京航空航天大学 | 一种面向防控隔离政策的疫情预测模型 |
| US11900027B2 (en) | 2020-11-04 | 2024-02-13 | Beihang University | Epidemic forecasting model for policies of prevention, control and isolation |
| CN112466475A (zh) * | 2020-11-25 | 2021-03-09 | 北京深演智能科技股份有限公司 | 创建预测模型的方法和装置 |
| CN112529329A (zh) * | 2020-12-21 | 2021-03-19 | 广东珠江智联信息科技股份有限公司 | 基于bp算法和seir模型的传染病预测方法 |
| US11948694B2 (en) | 2021-05-12 | 2024-04-02 | Merative Us L.P. | Controlling compartmental flows in epidemiological modeling based on mobility data |
| CN113450924A (zh) * | 2021-05-24 | 2021-09-28 | 北京工商大学 | 一种新型冠状病毒传播模型建立方法及系统 |
| CN113450924B (zh) * | 2021-05-24 | 2023-03-21 | 北京工商大学 | 一种新型冠状病毒传播模型建立方法及系统 |
| US12062456B2 (en) | 2021-05-27 | 2024-08-13 | Merative Us L.P. | Hypothetical scenario evaluation in infectious disease dynamics based on similar regions |
| CN113658716A (zh) * | 2021-07-27 | 2021-11-16 | 之江实验室 | 基于约束子图计算的新冠肺炎感染人群分析方法及系统 |
| CN113658716B (zh) * | 2021-07-27 | 2024-02-23 | 之江实验室 | 基于约束子图计算的新冠肺炎感染人群分析方法及系统 |
| CN113470836A (zh) * | 2021-07-28 | 2021-10-01 | 联通(广东)产业互联网有限公司 | 一种传染病趋势预测方法、系统、装置及存储介质 |
| CN113470836B (zh) * | 2021-07-28 | 2024-09-03 | 联通(广东)产业互联网有限公司 | 一种传染病趋势预测方法、系统、装置及存储介质 |
| CN113990418A (zh) * | 2021-08-17 | 2022-01-28 | 医渡云（北京）技术有限公司 | 传染病数据的处理方法及装置、存储介质、电子设备 |
| CN114613511A (zh) * | 2022-03-09 | 2022-06-10 | 南京邮电大学 | 基于改进扩散驱动下传染病模型的混合控制器的实现方法 |
| CN114613511B (zh) * | 2022-03-09 | 2024-02-27 | 南京邮电大学 | 基于改进扩散驱动下传染病模型的混合控制器的实现方法 |
| CN114708986A (zh) * | 2022-03-17 | 2022-07-05 | 太原理工大学 | 基于动力学建立羊布鲁氏菌病的多斑块模型的方法和介质 |
| CN117690601A (zh) * | 2024-02-02 | 2024-03-12 | 江西省胸科医院(江西省第三人民医院) | 基于大数据分析的结核病流行趋势预测系统 |
| CN117690601B (zh) * | 2024-02-02 | 2024-05-24 | 江西省胸科医院(江西省第三人民医院) | 基于大数据分析的结核病流行趋势预测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111445997A (zh) | 基于机器学习算法的传染病动力学模型及分析方法 | |
| CN111524611B (zh) | 构建传染病趋势预测模型的方法、预测方法、装置及设备 | |
| Utsunomiya et al. | Growth rate and acceleration analysis of the COVID-19 pandemic reveals the effect of public health measures in real time | |
| Olivier et al. | Optimized lockdown strategies for curbing the spread of COVID-19: A South African case study | |
| Chumachenko et al. | Intelligent agent-based simulation of HIV epidemic process | |
| Tutsoy et al. | Development of a multi-dimensional parametric model with non-pharmacological policies for predicting the COVID-19 pandemic casualties | |
| CN110993118A (zh) | 基于集成学习模型的疫情预测方法、装置、设备及介质 | |
| CN113113155A (zh) | 一种基于神经网络与seir模型的传染病趋势预测方法 | |
| Li et al. | Toward the impact of non-pharmaceutical interventions and vaccination on the COVID-19 pandemic with time-dependent SEIR model | |
| Wulkow et al. | Prediction of Covid-19 spreading and optimal coordination of counter-measures: From microscopic to macroscopic models to Pareto fronts | |
| Marshall | Agent-based modeling | |
| CN113889262A (zh) | 基于模型的数据预测方法、装置、计算机设备和存储介质 | |
| Antonelli et al. | Switched forced SEIRDV compartmental models to monitor COVID-19 spread and immunization in Italy | |
| Xue et al. | Modeling the impact of social distancing on the COVID-19 pandemic in a low transmission setting | |
| CN117292844A (zh) | 基于疫情趋势及管控政策关联模型的疫情预测方法和系统 | |
| Banerjee et al. | Data driven covid-19 spread prediction based on mobility and mask mandate information | |
| Zhao et al. | Prediction of COVID-19 data using hybrid modeling approaches | |
| Chen et al. | Model alignment of anthrax attack simulations | |
| US20180285758A1 (en) | Methods for creating and analyzing dynamic trail networks | |
| Jones et al. | On calibrating a microsimulation of patient movement through a healthcare network | |
| Babac et al. | Resetting the Initial Conditions for Calculating Epidemic Spread: COVID-19 Outbreak in Italy | |
| CN114188035B (zh) | 一种基于改进seir模型的传染病预测方法及系统 | |
| Lin et al. | Control strategies against COVID-19 in China: Significance of effective testing in the long run | |
| Clemente Varella et al. | A stochastic model to simulate the spread of leprosy in juiz de fora | |
| Hasanli | A data driven epidemic model to analyze and forecast the dynamics of COVID-19 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200724 |