CN111489830A - 分段预测疫情数据的方法及装置、介质和电子设备 - Google Patents
分段预测疫情数据的方法及装置、介质和电子设备 Download PDFInfo
- Publication number
- CN111489830A CN111489830A CN202010270613.2A CN202010270613A CN111489830A CN 111489830 A CN111489830 A CN 111489830A CN 202010270613 A CN202010270613 A CN 202010270613A CN 111489830 A CN111489830 A CN 111489830A
- Authority
- CN
- China
- Prior art keywords
- sequence
- fitting
- effective regeneration
- epidemic situation
- fitting function
- 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
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
- G16H50/80—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
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本公开提供了一种分段预测疫情数据的方法、装置、计算机可读介质及电子设备,涉及医疗数据处理技术领域。该方法包括:获取目标疾病在N个连续单位时间内、每个所述单位时间对应的有效再生数,得到包含N个有效再生数的第一序列,N为大于2的整数;将第一序列分段得到多个子序列,并根据分段后的子序列确定每一子序列对应的拟合函数;基于多个拟合函数预测目标疾病的疫情数据。本技术方案基于有效再生数能够对疫情数据进行相关预测,从而更具有实际应用意义,同时,通过将上述有效再生数通过分段的方式进行拟合,并基于多个拟合函数实现预测,有利于提升预测精准度提升了疫情数据预测精准度。
Description
技术领域
本公开涉及医疗数据处理技术领域,具体而言,涉及一种分段预测疫情数据的方法、分段预测疫情数据的装置以及实现上述方法的计算机存储介质和电子设备。
背景技术
相关技术中,通过流行病传播模型(如SEIR模型)处理。SEIR模型基于感染态、潜伏期、传染期和隔离态个体数目,结合潜伏期和传染期时长,构建了函数关系,利用这些参数计算出基本再生数R0的值。其中,基本再生数R0是指没有干预的情况下,在一个全部是易感人群的环境中,平均一个患者在患病周期可以传染的人数。随着时间的推进,疾病受到控制,模型再利用相同方法计算出来的R值,记作有效再生数Rt。进而,通过过往的Rt值得变化去考量病情发展的情况。
然而,相关技术只可以算出过往的Rt,而无法获得对未来Rt的预估。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例的目的在于提供一种分段预测疫情数据的方法、分段预测疫情数据的装置、计算机可读介质及电子设备,进而能过对目标疾病的疫情数据进行预测,并至少在一定程度上提升了疫情数据预测精准度。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开实施例的第一方面,提供了一种分段预测疫情数据的方法,该方法包括:
获取目标疾病在N个连续单位时间内、每个所述单位时间对应的有效再生数,得到包括N个有效再生数的第一序列,N为大于2的整数;
将所述第一序列分段得到多个子序列,并根据分段后的子序列确定每一所述子序列对应的拟合函数;
基于多个所述拟合函数预测所述目标疾病的疫情数据。
在本公开的一种实施例中,基于前述方案,将所述第一序列分段,包括:
基于预设长度的窗口采用滑窗处理方式处理所述第一序列,得到多个窗口,并计算每个所述窗口对应的有效再生数的方差;
确定所述方差值最大的窗口,并将该窗口作为目标窗口;
根据所述目标窗口对应的有效再生数确定划分点,并通过所述划分点将所述第一序列分段。
在本公开的一种实施例中,基于前述方案,根据分段后的子序列确定所述子序列对应的拟合函数,包括:
基于指数函数或多项式对每一所述子序列进行拟合,得到每一所述子序列对应的分段拟合函数;
在所述第一序列对应的时域中,将每一所述子序列对应的分段拟合函数进行延伸,得到每一所述子序列对应的拟合函数。
在本公开的一种实施例中,基于前述方案,在得到包括N个有效再生数的第一序列之后且将所述第一序列分段之前,所述方法还包括:在所述第一序列中将预设的P个连续时间对应的疫情数据作为盲测项,其中,P为小于N/2的正整数;
基于多个所述拟合函数预测所述目标疾病的疫情数据,包括:根据所述盲测项在多个所述拟合函数中确定目标拟合函数,并通过所述目标拟合函数预测所述目标疾病的疫情数据。
在本公开的一种实施例中,基于前述方案,通过所述盲测项在
多个拟合函数中确定目标拟合函数,包括:
根据多个所述拟合函数,分别对所述预设的P个连续时间对应的疫情数据拟合预测,得到每个所述拟合函数在所述预设的P个连续时间对应的拟合值;
将每个所述拟合函数对应的拟合值与所述盲测项进行比较,并得到每个所述拟合函数对应的偏差值;
将最小偏差值对应的拟合函数作为所述目标拟合函数。
在本公开的一种实施例中,基于前述方案,获取目标疾病在N个连续单位时间内、每个所述单位时间对应的有效再生数,得到包括N个有效再生数的第一序列,包括:
获取目标疾病在所述N个连续单位时间内、每个所述单位时间对应的新增病例数,得到包括N个新增病例数的第二序列;
根据所述第二序列确定在每个单位时间内的有效再生数,得到包括N个有效再生数的第一序列。
在本公开的一种实施例中,基于前述方案,根据所述第二序列确定在每个单位时间内的有效再生数,包括:
根据极大似然估计处理所述第二序列,确定每个单位时间内的有效再生数;或,
将所述第二序列输入至SEIR模型,根据所述SEIR模型的输出确定在每个单位时间内的有效再生数。
根据本公开实施例的第二方面,提供了一种分段预测疫情数据的装置,包括:获取模块、分段拟合模块和预测模块。
其中,获取模块,被配置为:获取目标疾病在N个连续单位时间内、每个所述单位时间对应的有效再生数,得到包括N个有效再生数的第一序列,N为大于2的整数;分段拟合模块,被配置为:将所述第一序列分段得到多个子序列,并根据分段后的子序列确定每一所述子序列对应的拟合函数;以及,预测模块,被配置为:基于多个所述拟合函数预测所述目标疾病的疫情数据。
根据本公开实施例的第三方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述实施例第一方面中所述的分段预测疫情数据的方法。
根据本公开实施例的第四方面,提供一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例第一方面所述的分段预测疫情数据的方法。
本公开实施例提供的技术方案可以包括以下有益效果:
在本公开的一些实施例中,首先获取目标疾病的关于有效再生数的序列,从而确定用于预测疾病的疫情数据的基础数据。其中,病例的有效再生数用来衡量病毒在传播过程中的实际传播能力。然后,将上述序列分段,并根据分段后的子序列确定多个拟合函数。进一步地,基于上述多个拟合函数预测目标疾病的疫情数据。可见,本技术方案基于有效再生数对疫情数据进行相关预测,而相关技术中仅能确定过往有效再生数的变化情况而不能对未来的疫情数据进行预测,因此,本技术方案更具有实际应用意义。同时,本技术方案将上述有效再生数序列通过分段,再根据分段后的子序列进行拟合得到多个拟合函数,并进一步基于多个拟合函数实现预测,有利于提升预测精准度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出本公开示例性实施例中用于实现分段预测疫情数据的方法及装置的系统架构示意图;
图2示出了根据本公开的实施例的分段预测疫情数据的方法的流程示意图;
图3示出了根据本公开的实施例的第一序列的确定方法的流程示意图;
图4示出了根据本公开的实施例的第一序列的分段方法的流程示意图;
图5示出了根据本公开的另一实施例的第一序列的分段方法的流程示意图;
图6示出了根据本公开的一实施例的拟合函数的示意图;
图7示出了根据本公开的另一实施例的分段预测疫情数据的方法的流程示意图;
图8示出了根据本公开的实施例的分段预测疫情数据的装置的结构示意图;
图9示出本公开示例性实施例中计算机存储介质的结构示意图;以及,
图10示出本公开示例性实施例中电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本示例实施方式中首先提供了一种用于实现分段预测疫情数据的方法的系统架构,可以应用于各种数据处理场景。参考图1所示,该系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送请求指令等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如图片处理应用、购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以从终端设备101、102、103出获取目标疾病在N个连续单位时间内、每个所述单位时间对应的有效再生数,得到包括N个有效再生数的第一序列(仅为示例)。还可以通过服务器105将上述第一序列分段得到多个子序列,并根据分段后的子序列确定每一子序列对应的拟合函数(仅为示例)。最终,通过服务器105基于多个拟合函数预测目标疾病的疫情数据。
示例性的,对于目标疾病的疫情数据的预测结果,服务器105可以发送至终端设备101、102、103,以供用户通过终端设备可以方便地获取到相关疫情的预测结果。
为了实现对疾病疫情数据进行预测,并在一定程度上提升对疾病的疫情数据的预测预测精准度,本技术方案提供了一种分段预测疫情数据的方法及装置,计算机存储介质和电子设备。以下先对分段预测疫情数据的方法进行说明:
图2示出了根据本公开的实施例的分段预测疫情数据的方法的流程示意图。参考图2,本实施例提供的分段预测疫情数据的方法,包括:
步骤S210,获取目标疾病在N个连续单位时间内、每个所述单位时间对应的有效再生数,得到包括N个有效再生数的第一序列,N为大于2的整数;
步骤S220,将所述第一序列分段得到多个子序列,并根据分段后的子序列确定每一所述子序列对应的拟合函数;以及,
步骤S230,基于多个所述拟合函数预测所述目标疾病的疫情数据。
在图2所示实施例提供的技术方案中,首先获取目标疾病的关于有效再生数的序列,从而确定用于预测疾病的疫情数据的基础数据。其中,病例的有效再生数用来衡量病毒在传播过程中的实际传播能力。然后,将上述序列分段,并根据分段后的子序列确定多个拟合函数。进一步地,基于上述多个拟合函数预测目标疾病的疫情数据。可见,本技术方案基于有效再生数对疫情数据进行相关预测,而相关技术中仅能确定过往有效再生数的变化情况而不能对未来的疫情数据进行预测,因此,本技术方案更具有实际应用意义。同时,本技术方案将上述有效再生数序列通过分段,再根据分段后的子序列进行拟合得到多个拟合函数,并进一步基于多个拟合函数实现预测,有利于提升预测精准度。
以下对图2所示实施例中各个步骤的具体实施方式进行解释说明:
传染疾病的病毒实际传播能力受到人为的影响而发生变化,一般用病例的有效再生数来衡量病毒在传播过程中的实际传播能力。具体的,关于疾病的防控,就是要控制其有效再生数的大小,例如,当其持续降到1以下,传染疾病就会逐渐消失。
本技术方案中通过病例的有效再生数的序列确定多个拟合函数,进而预测目标疾病的疫情数据。从而为精准预测提供有效的数据支持。本技术方案通过步骤S210确定目标疾病在N个连续单位时间内的病例的有效再生数,得到第一序列。
示例性的,有效再生数可以用Rt表示,指在t时间点由每一新病例所引发出的平均新病例数,其中,Rt为正整数。本技术方案中,上述单位时间可以指一天,则上述第一序列可以表示为[R1,R2,…Ri,…RN]。
在示例性的实施例中,图3示出了根据本公开的实施例的第一序列的确定方法的流程示意图。参考图3,本实施例提供的方法,包括:
步骤S310,获取目标疾病在所述N个连续单位时间内、每个所述单位时间对应的新增病例数,得到包括N个新增病例数的第二序列;以及,步骤S320,根据所述第二序列确定在每个单位时间内的有效再生数,得到包括N个有效再生数的第一序列。
在示例性的实施例中,本实施例中上述单位时间为天。其中,可以从网络获取一段时间内新型冠状病毒肺炎每天的新增病例数,得到关于该疾病的新增病例数的时序信息,记作“第二序列”。
进一步地,可以采用极大似然估计方法获得上述时序内每一天的有效再生数,确定第i(i为小于等于N的正整数)天内的有效再生数,即:最终得到上述第一序列[R1,R2,…Ri,…RN]。此处可以采用Python、MATLAB来实现上述最大似然估计。
另外,传染病基础模型SEIR模型中具体将人群分为了四类:易感者(Susceptible)、暴露者(Exposed)、感病者(Infectious)和康复者(Recovered),通过第二序列数据建模进行分析各类人群变化。在示例性的实施例中,还可以将上述第二序列输入至SEIR模型,根据该模型的输出确定在第i天内的有效再生数,最终得到上述第一序列[R1,R2,…Ri,…RN]。
继续参考图2,在确定第一序列之后,在步骤S220中:先将上述第一序列分段得到多个子序列,再根据分段后的子序列确定关于每一子序列的拟合函数。
在示例性的实施例中,图4示出了根据本公开的实施例的第一序列的分段方法的流程示意图。参考图4,本实施例提供的方法,包括:
步骤S410,基于预设长度的窗口采用滑窗处理方式处理所述第一序列,得到多个窗口,并计算每个所述窗口对应的有效再生数的方差;步骤S420,确定所述方差值最大的窗口,并将该窗口作为目标窗口;以及步骤S430,根据所述目标窗口对应的有效再生数确定划分点,并通过所述划分点将所述第一序列分段。
在示例性的实施例中,再执行步骤S410之前,在上述第一序列中将预设的P个连续时间对应的疫情数据作为盲测项,其中,P为小于N/2的正整数。具体的,为了提升对于未来疫情数据的预测准确度,将距离未来疫情数据较近的有效再生数作为盲测项,即第一序列的时间轴上时间点较大的序列项作为盲测项。例如,可以将图5中示出的最后3天(如时间轴上时间点较大的3个序列项)作为盲测项,以通过盲测项的有效再生数对各个拟合函数进行筛选(具体实施方式将在下述实施例中进行说明)。
其中,将最后3天作为盲测项之后,关于目标疾病的第一序列可以表示为:[R1,R2,…Ri,…,R18]。以下先结合图5对图4实施例的具体实施方式进行说明。
参考图5,[R1,R2,…Ri,…,R18]表示前18天内每天的有效再生数,且每天的有效再生数的具体数值在图中表示为圆圈。
对于该有效再生数序列,本方案采用滑窗处理方式(示例性的滑窗窗口大小的预设值为s,步长的预设值为b)获取多个窗口。例如图5中的第一个窗口A,其中包含s个有效再生数,进一步地根据上述步长b向右移动窗口,便可以确定多个窗口。本实施例中,s取值为8,b取值为1,从第一个窗口A起,直至R18为尾的窗口。
进一步地,本实施例中先确定一目标窗口,并基于目标窗口所包含的有效再生数确定划分点,并通过划分点将上述第一序列进行分段以得到子序列,并根据分段后的子序列拟合得到的拟合函数。鉴于有效再生数用于衡量病毒在传播过程中的实际传播能力,则应确定实际传播能力较不稳定处将上述第一序列进行分段,以有利于提高子序列对应的拟合函数的拟合准确程度。
本实施例中通过计算每个窗口内有效再生数的方差的方式,来反映该窗口内有效再生数用于衡量病毒在传播过程中的实际传播能力的稳定程度。具体的,计算每个窗口内有效再生数的方差,并将窗口内有效再生数的方差大于预设阈值的窗口记作“目标窗口”。示例性的,假如有X(正整数)个窗口对应的方差大于预设阈值,则确定X个目标窗口。则根据X个目标窗口可以将上述第一序列划分为X+1段(即得到X+1个子序列)。显然,划分得到的子序列数目越多则拟合函数的拟合准确度越高。
本实施例中以X取值为1为例进行说明,也就是说取滑窗处理后,方差最大值对应的窗口作为目标窗口为例进行说明,例如图5所示的窗口B。
在示例性的实施例中,在目标窗口对应的确定划分点的方式可以时取窗口大小的一半(窗口大小为偶数时)、或者窗口大小加一之后的一半(窗口大小为奇数时)。进而,在划分点(假如目标再生有效数R7)处将Rt序列[R1,R2,…Ri,…,R18]的切分,得到两个子序列[R1,R2,…Ri,…,R6]和[R8,R9,…,R18]。
在示例性的实施例中,对于分段后的子序列,根据分段后的子序列确定所述子序列对应的拟合函数。示例性的,可以基于指数函数或多项式的方式对每一子序列中有效再生数在该子序列对应的时域中进行拟合,以确定每一子序列在该时域中的分段拟合函数;然后,将该分段拟合函数第一序列对应的总时域中进行延伸,得到该子序列对应的拟合函数,即在总时域内的拟合函数。
例如:根据第一子序列[R1,R2,…,Ri,…,R6](左边的发生时刻较早的序列)得到第一子序列对应的时域(如图6中的S1时段)中分段拟合函数f1。可见,分段拟合函数f1是针对局部Rt序列的拟合,本实施例中,将分段拟合函数f1在总时域(如图6中的S1+S2+S3时段)中进行延伸,即通过分段拟合函数f1对整个第一序列进行拟合:参考图6示出的曲线,即根据分段拟合函数f1对第二阶段S2中对应的Rt序列以及盲测项S3对应的Rt序列进行拟合,得到表现形式为曲线M的拟合函数F1。
同理,根据第二子序列[R8,R9,…,R18](右边的发生时刻贴近当前时刻的序列)得到第二子序列对应的时域(如图6中的S2时段)中分段拟合函数f2。可见,分段拟合函数f2是针对局部Rt序列的拟合,本实施例中,将分段拟合函数f2在总时域(如图6中的S1+S2+S3时段)中进行延伸,即通过分段拟合函数f2对整个第一序列进行拟合:参考图6示出的曲线N,即根据分段拟合函数f2对第一阶段S1中对应的Rt序列以及盲测项S3对应的Rt序列进行拟合,得到表现形式为曲线N的拟合函数F2。
示例性的,图6中示出的曲线L是根据第一序列中的实际Rt值绘制的曲线。
继续参考图2,在步骤S230中,基于多个所述拟合函数预测所述目标疾病的疫情数据。图7示出了根据本公开的另一实施例的分段预测疫情数据的方法的流程示意图。参考图7,本实施例提供的方法,包括:
步骤S710,在所述第一序列中将预设的P个连续时间对应的疫情数据作为盲测项,其中,P为小于N/2的正整数;以及,步骤S720,根据所述盲测项在所述拟合函数中确定目标拟合函数,并通过所述目标拟合函数预测所述目标疾病的疫情数据。
其中,为了在F1和F2中筛选出目标拟合函数,而将Rt序列中日期最新的P个作为盲测项。其中,通过盲测最近期数据(即时间轴上时间点较大的数据)来决定更适合于预测未来变化的函数模型,从而,有利于提高盲测结果的准确性。
在示例性的实施例中,通过上述盲测项在多个所述拟合函数中确定目标拟合函数的具体实施方式,包括:
根据上述多个拟合函数,分别对所述预设的P个连续时间对应的疫情数据进行拟合预测,得到每个所述拟合函数在所述预设的P个连续时间对应的拟合值;将每个所述拟合函数对应的拟合值与所述盲测项进行比较,并得到每个所述拟合函数对应的偏差值;并将最小偏差值对应的拟合函数作为所述目标拟合函数。
示例性的,参考图6,通过S3阶段代表盲测项,其中,S3阶段的曲线L部分表示盲测项的实际值[R19,R20,R21,R22],S3阶段的曲线M部分表示根据拟合函数F1确定的拟合值[R19 M,R20 M,R21 M,R22 M],S3阶段的曲线N部分表示根据拟合函数F2确定的拟合值[R19 N,R20 N,R21 N,R22 N]。进一步地,计算实际值[R19,R20,R21,R22]与拟合值[R19 M,R20 M,R21 M,R22 M]的偏差值σM,计算实际值[R19,R20,R21,R22]与拟合值[R19 N,R20 N,R21 N,R22 N]的偏差值σN。假如,偏差值σM大于偏差值σN,则将偏差值较小对应的拟合函数F2作为目标拟合函数,用于对未来的疫情数据进行预测。
通过目标拟合函数预测未来(即第一序列之后的日期,如第23天、第24天等)的有效再生数,根据未来的有效再生数的变化情况,可以提前获目标疾病的疫情数据。例如,预测有效再生数达达高峰的日期,或者目标疾病的有效再生数趋于平缓的日期,或者,若目标疾病的有效再生数已经趋于平缓,还可以通过目标拟合函数预测有效再生数趋近于0的日期等等。
本技术方案不依赖于经典流病传播模型如SEIR模型,而是从每天的实际新增患者数据入手,构建对有效再生数变化趋势的一种分段预测疫情数据的方法。从而获得比传统流病传播模型更精准的疾病发展变化预估,并估算出相对更准确的对疾病爆发和平息的具体天数,制定有效的针对性措施。
本技术方案能够实现对目标疾病的疫情数据的预测,从而对目标疾病在未来的发展趋势有更精准的预估。从而,对于政府来说,如果疾病正在爆发,可以预估在何时达到高峰,从而准备应对措施,有助于了分析医院资源是否在未来受限,协调医院资源。对企业机构,可以根据预测的有效再生数情况,决定复工时间。对于个人,可以对病情严重程度提前了解,意识到严重性,避免不必要的出行。
本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由处理器(包含CPU和GPU)执行的计算机程序。在该计算机程序被CPU执行时,执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开示例性实施方式的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
以下介绍本公开的装置实施例,可以用于执行本公开上述的分段预测疫情数据的方法。
图8示出了根据本公开的实施例的分段预测疫情数据的装置的结构示意图,参考图8,本实施例提供的分段预测疫情数据的装置800,包括:获取模块801、分段拟合模块802和预测模块803。
其中,上述获取模块801,被配置为:获取目标疾病在N个连续单位时间内、每个所述单位时间对应的有效再生数,得到包括N个有效再生数的第一序列,N为大于2的整数;上述分段拟合模块802,被配置为:将所述第一序列分段得到多个子序列,并根据分段后的子序列确定每一所述子序列对应的拟合函数;以及,上述预测模块803,被配置为:基于多个所述拟合函数预测所述目标疾病的疫情数据。
在示例性的实施例中,基于前述方案,上述分段拟合模块802包括分段单元。其中,上述分段单元被配置为:
基于预设长度的窗口采用滑窗处理方式处理所述第一序列,得到多个窗口,并计算每个所述窗口对应的有效再生数的方差;确定所述方差值最大的窗口,并将该窗口作为目标窗口;以及,根据所述目标窗口对应的有效再生数确定划分点,并通过所述划分点将所述第一序列分段。
在示例性的实施例中,基于前述方案,上述分段拟合模块802还包括拟合单元。
其中,上述拟合单元被配置为:基于指数函数或多项式对每一所述子序列进行拟合,得到每一所述子序列对应的分段拟合函数;在所述第一序列对应的时域中,将每一所述子序列对应的分段拟合函数进行延伸,得到每一所述子序列对应的拟合函数。
在示例性的实施例中,基于前述方案,上述预测模块803,包括:盲测项获取单元和目标拟合函数确定单元。
其中,上述盲测项获取单元被配置为:在得到包括N个有效再生数的第一序列之后将所述第一序列分段之前:在所述第一序列中将预设的P个连续时间对应的疫情数据作为盲测项,其中,P为小于N/2的正整数;以及,上述目标拟合函数确定单元被配置为:根据所述盲测项在多个所述拟合函数中确定目标拟合函数,并通过所述目标拟合函数预测所述目标疾病的疫情数据。
在示例性的实施例中,基于前述方案,上述目标拟合函数确定单元被具体配置为:
根据多个所述拟合函数,分别对所述预设的P个连续时间对应的疫情数据拟合预测,得到每个所述拟合函数在所述预设的P个连续时间对应的拟合值;将每个所述拟合函数对应的拟合值与所述盲测项进行比较,并得到每个所述拟合函数对应的偏差值;以及,将最小偏差值对应的拟合函数作为所述目标拟合函数。
在示例性的实施例中,基于前述方案,上述获取模块801,包括:第二序列获取单元和第一序列确定单元。
其中,上述第二序列获取单元,被配置为:获取目标疾病在所述N个连续单位时间内、每个所述单位时间对应的新增病例数,得到包括N个新增病例数的第二序列;以及,上述第一序列确定单元,被配置为:根据所述第二序列确定在每个单位时间内的有效再生数,得到包括N个有效再生数的第一序列。
在示例性的实施例中,基于前述方案上述第一序列确定单元,被具体配置为:根据极大似然估计处理所述第二序列,确定每个单位时间内的有效再生数;或,将所述第二序列输入至SEIR模型,根据所述SEIR模型的输出确定在每个单位时间内的有效再生数。
由于本公开的示例性的实施例的分段预测疫情数据的装置的各个功能模块与上述分段预测疫情数据的方法的示例实施例的步骤对应,因此对于本公开分段预测疫情数据的装置实施例中未披露的细节,请参照本公开上述的分段预测疫情数据的方法的实施例。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开示例性实施方式中,还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当上述程序产品在终端设备上运行时,上述程序代码用于使上述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图9所示,描述了根据本公开的实施方式的用于实现上述方法的程序产品900,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
上述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图10来描述根据本公开的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于:上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030。
其中,上述存储单元存储有程序代码,上述程序代码可以被上述处理单元1010执行,使得上述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,上述处理单元1010可以执行如图2中所示的:步骤S210,获取目标疾病在N个连续单位时间内、每个所述单位时间对应的有效再生数,得到包括N个有效再生数的第一序列,N为大于2的整数;步骤S220,将所述第一序列分段得到多个子序列,并根据分段后的子序列确定每一所述子序列对应的拟合函数;以及,步骤S230,基于多个所述拟合函数预测所述目标疾病的疫情数据。
示例性的,上述处理单元1010还可以执行如图3至图7中任意一图所示的分段预测疫情数据的方法。
存储单元1020可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)10201和/或高速缓存存储单元10202,还可以进一步包括只读存储单元(ROM)10203。
存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/实用工具10204,这样的程序模块10205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1030可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1000也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1000交互的设备通信,和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。进一步地,I/O接口1050与显示单元1040连接,以通过I/O接口1050将待显示内容传输至显示单元1040,以供用户查看。
并且,电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公用网络,例如因特网)通信。如图所示,网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1000使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种分段预测疫情数据的方法,其特征在于,包括:
获取目标疾病在N个连续单位时间内、每个所述单位时间对应的有效再生数,得到包括N个有效再生数的第一序列,N为大于2的整数;
将所述第一序列分段得到多个子序列,并根据分段后的子序列确定每一所述子序列对应的拟合函数;
基于多个所述拟合函数预测所述目标疾病的疫情数据。
2.根据权利要求1所述的方法,其特征在于,将所述第一序列分段,包括:
基于预设长度的窗口采用滑窗处理方式处理所述第一序列,得到多个窗口,并计算每个所述窗口对应的有效再生数的方差;
确定所述方差值最大的窗口,并将该窗口作为目标窗口;
根据所述目标窗口对应的有效再生数确定划分点,并通过所述划分点将所述第一序列分段。
3.根据权利要求1所述的方法,其特征在于,根据分段后的子序列确定每一所述子序列对应的拟合函数,包括:
基于指数函数或多项式对每一所述子序列进行拟合,得到每一所述子序列对应的分段拟合函数;
在所述第一序列对应的时域中,将每一所述子序列对应的分段拟合函数进行延伸,得到每一所述子序列对应的拟合函数。
4.根据权利要求1所述的方法,其特征在于,在得到包括N个有效再生数的第一序列之后且将所述第一序列分段之前,所述方法还包括:
在所述第一序列中将预设的P个连续时间对应的疫情数据作为盲测项,其中,P为小于N/2的正整数;
基于多个所述拟合函数预测所述目标疾病的疫情数据,包括:
根据所述盲测项在多个所述拟合函数中确定目标拟合函数,并通过所述目标拟合函数预测所述目标疾病的疫情数据。
5.根据权利要求4所述的方法,其特征在于,根据所述盲测项在多个所述拟合函数中确定目标拟合函数,包括:
根据多个所述拟合函数,分别对所述预设的P个连续时间对应的疫情数据拟合预测,得到每个所述拟合函数在所述预设的P个连续时间对应的拟合值;
将每个所述拟合函数对应的拟合值与所述盲测项进行比较,并得到每个所述拟合函数对应的偏差值;
将最小偏差值对应的拟合函数作为所述目标拟合函数。
6.根据权利要求1至5中任意一项所述的方法,其特征在于,获取目标疾病在N个连续单位时间内、每个所述单位时间对应的有效再生数,得到包括N个有效再生数的第一序列,包括:
获取目标疾病在所述N个连续单位时间内、每个所述单位时间对应的新增病例数,得到包括N个新增病例数的第二序列;
根据所述第二序列确定在每个单位时间内的有效再生数,得到包括N个有效再生数的第一序列。
7.根据权利要求6所述的方法,其特征在于,根据所述第二序列确定在每个单位时间内的有效再生数,包括:
根据极大似然估计处理所述第二序列,确定每个单位时间内的有效再生数;或,将所述第二序列输入至SEIR模型,根据所述SEIR模型的输出确定每个单位时间内的有效再生数。
8.一种分段预测疫情数据的装置,其特征在于,包括:
获取模块,被配置为:获取目标疾病在N个连续单位时间内、每个所述单位时间对应的有效再生数,得到包括N个有效再生数的第一序列,N为大于2的整数;
分段拟合模块,被配置为:将所述第一序列分段得到多个子序列,并根据分段后的子序列确定每一所述子序列对应的拟合函数;
预测模块,被配置为:基于多个所述拟合函数预测所述目标疾病的疫情数据。
9.一种计算机存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的分段预测疫情数据的方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至7中任一项所述的分段预测疫情数据的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010270613.2A CN111489830A (zh) | 2020-04-08 | 2020-04-08 | 分段预测疫情数据的方法及装置、介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010270613.2A CN111489830A (zh) | 2020-04-08 | 2020-04-08 | 分段预测疫情数据的方法及装置、介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111489830A true CN111489830A (zh) | 2020-08-04 |
Family
ID=71810980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010270613.2A Pending CN111489830A (zh) | 2020-04-08 | 2020-04-08 | 分段预测疫情数据的方法及装置、介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489830A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112349426A (zh) * | 2020-09-24 | 2021-02-09 | 上海荷福人工智能科技(集团)有限公司 | 一种对未知新型病毒发展趋势的预测方法 |
CN113345594A (zh) * | 2020-12-22 | 2021-09-03 | 中国联合网络通信集团有限公司 | 信息预测的方法和装置 |
-
2020
- 2020-04-08 CN CN202010270613.2A patent/CN111489830A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112349426A (zh) * | 2020-09-24 | 2021-02-09 | 上海荷福人工智能科技(集团)有限公司 | 一种对未知新型病毒发展趋势的预测方法 |
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 |
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 |
CN113345594A (zh) * | 2020-12-22 | 2021-09-03 | 中国联合网络通信集团有限公司 | 信息预测的方法和装置 |
CN113345594B (zh) * | 2020-12-22 | 2023-06-20 | 中国联合网络通信集团有限公司 | 信息预测的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11694109B2 (en) | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure | |
CN111489830A (zh) | 分段预测疫情数据的方法及装置、介质和电子设备 | |
US10146531B2 (en) | Method and apparatus for generating a refactored code | |
CN109326353B (zh) | 预测疾病终点事件的方法、装置及电子设备 | |
WO2013158768A1 (en) | Identifying and forecasting shifts in the mood of social media users | |
CN105094708B (zh) | 一种磁盘容量的预测方法及装置 | |
CN112382406B (zh) | 传染病的基本再生数的估算方法及装置、介质和设备 | |
JP4265296B2 (ja) | 変化点検出装置,変化点検出方法および変化点検出用プログラム | |
CN111161884A (zh) | 针对不平衡数据的疾病预测方法、装置、设备及介质 | |
CN113902260A (zh) | 信息预测方法、装置、电子设备和介质 | |
CN111403051B (zh) | 基于周期预测疫情发病人数的方法及装置、设备和介质 | |
CN116434933B (zh) | 基于智慧医疗的智能护理远程数据处理方法及系统 | |
CN116862580A (zh) | 短信触达时间预测方法、装置、计算机设备及存储介质 | |
JP6876295B2 (ja) | サーバ装置 | |
CN113488193B (zh) | 预测传染病流行趋势的方法及装置、存储介质、电子设备 | |
CN113688202B (zh) | 情感极性分析方法、装置、电子设备以及计算机存储介质 | |
CN115936802A (zh) | 基于用户画像和序列建模的个性化营销方法、装置、设备和存储介质 | |
CN113764109A (zh) | 传染病传播规模预测方法、装置、介质及电子设备 | |
CN111767290B (zh) | 用于更新用户画像的方法和装置 | |
CN113361701A (zh) | 神经网络模型的量化方法和装置 | |
CN117170982B (zh) | 人机检测方法、装置、电子设备和计算机可读介质 | |
US20240005155A1 (en) | Superclass-conditional gaussian mixture model for personalized prediction on dialysis events | |
JP2019028687A (ja) | サーバ装置及びパンデミック予測方法 | |
CN113553407B (zh) | 事件追溯方法、装置、电子设备及存储介质 | |
CN112487195B (zh) | 实体的排序方法、装置、介质及电子设备 |
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 |