CN111540478B - 疫情推演仿真系统和仿真方法 - Google Patents
疫情推演仿真系统和仿真方法 Download PDFInfo
- Publication number
- CN111540478B CN111540478B CN202010322919.8A CN202010322919A CN111540478B CN 111540478 B CN111540478 B CN 111540478B CN 202010322919 A CN202010322919 A CN 202010322919A CN 111540478 B CN111540478 B CN 111540478B
- Authority
- CN
- China
- Prior art keywords
- patients
- behavior
- simulation
- population
- data
- 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.)
- Active
Links
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
提供一种疫情推演仿真系统和仿真方法,包括:用户接口模块,被配置为接收外部输入;控制模块,被配置为基于所述外部输入控制预设的仿真逻辑程序中描述的行为,其中,所述预设的仿真逻辑程序中以代码形式描述了疫情发展中的状态以及驱动疫情发展中的状态的变化的行为,其中,当所述外部输入包含可学习参数时,所述控制模块从优化模块获取可学习参数的优化值,并通过将该优化值作为可学习参数的值来执行基于所述外部输入控制所述预设的仿真逻辑程序中描述的所述行为的步骤;仿真模块,被配置为响应于所述控制模块的控制,运行所述预设的仿真逻辑程序;优化模块,被配置为基于所述仿真模块输出的仿真结果数据对可学习参数的取值进行优化学习。
Description
技术领域
本发明总体说来涉及人工智能领域,更具体地说,涉及一种数据驱动型的疫情推演仿真系统及仿真方法。
背景技术
仿真(或模拟)是对某过程或系统运作方式的近似或模仿。仿真器是一种拥有仿真功能的软件,可以模仿某过程或系统随时间的运作。仿真器需要提炼对系统运作中涉及的关键状态,并用程序仿真这些状态的变化(可称为系统的行为)。仿真器可用于系统模仿、分析、调优、测试、教学等方面,应用范围广泛。
传统仿真器通过领域知识,将系统行为抽象为数学公式或对数学问题的求解,同时确定数学公式或问题中涉及的参数,并进一步转化为计算机可理解的代码,从而实现仿真功能。这里,可将数学公式(问题)及其对应代码简称为规则,而规则可涉及对应参数。例如,在汽车仿真器中,可以用加速度公式仿真汽车的加速过程,更新汽车的速度状态;在电磁仿真器中,可以通过求解麦克斯韦方程,获得电场强度、磁场强度等系统状态。这里,关键状态分别为汽车速度、电磁场强度,系统行为被抽象为加速度公式、求解麦克斯韦方程,涉及的参数例如汽车加速度、介质介电常数。
然而,在很多应用场景中难以构建传统仿真器。一方面,传统仿真器依赖于领域知识提供的规则与参数,但是在实际情况中,可能遇到如下情况:1、关于规则的领域知识欠缺。例如在供应链场景中,需要仿真订单到达行为,但是订单到达是多种因素互相影响的结果,过程过于复杂,难以将其抽象为简单的规则。2、关于参数的领域知识缺乏。例如在疫情推演场景中,需要确定传染数(一个感染者可以传染多少易感者)这一关键参数,但是传染数的估计需要等待对传染病进行细致的长期研究后才能进行,并且该估计不一定准确。上述两种情况(规则欠缺、参数欠缺)都会导致无法构建传统仿真器。这在很大程度上限制了传统仿真器的适用范围。另一方面,仿真器会在一定抽象层次上仿真目标系统,例如汽车仿真器可以从较高的层次仿真汽车加速过程(例如采用加速度参数,套用加速度公式),也可以从更低层次仿真(例如考虑燃油燃烧、推动活塞、力传导等一系列复杂的底层机制)。因此,在给定抽象层次的前提下,传统仿真器无法利用现实中可获得的有用数据,精度(反应真实系统的能力)受限于领域知识的精确性、完备性。
发明内容
本发明的示例性实施例旨在克服上述传统仿真器因规则或参数欠缺而受限且精度受限的缺陷。
根据本发明的一方面,提供一种疫情推演仿真系统,包括:用户接口模块,被配置为接收外部输入;控制模块,被配置为基于所述外部输入控制预设的仿真逻辑程序中描述的行为,其中,所述预设的仿真逻辑程序中以代码形式描述了疫情发展中的状态以及驱动疫情发展中的状态的变化的行为,其中,当所述外部输入包含可学习参数时,所述控制模块从优化模块获取可学习参数的优化值,并通过将该优化值作为可学习参数的值来执行基于所述外部输入控制所述预设的仿真逻辑程序中描述的所述行为的步骤;仿真模块,被配置为响应于所述控制模块的控制,运行所述预设的仿真逻辑程序;优化模块,被配置为基于所述仿真模块输出的仿真结果数据对可学习参数的取值进行优化学习。
可选地,所述状态可包括预定区域范围内的正常人口数量、迁入/出正常人口数量、迁入/出感染人口数量、潜伏期患者数量、发病患者数量、隔离患者数量、确诊患者数量、死亡患者数量和治愈患者数量中的至少一个。
可选地,所述预定区域范围可为世界、洲、国、省、市、区和社区之一。
可选地,所述行为可包括内部传染行为、迁移传染行为、发病行为、隔离行为、确诊行为、死亡行为、治愈行为、迁入行为、迁出行为中的至少一个。
可选地,所述行为涉及的规则可包括计算所述状态的变化的公式;所述行为涉及的参数可包括病种传染能力值、针对所述预定区域范围的内部传染能力修正系数、针对所述预定区域范围的迁移传染能力修正系数、发病患者比例、潜伏期时间、潜伏期患者概率分布、病种特性和医疗资源情况中的至少一个;所述行为涉及的数据可包括内部人口流动数据、迁入总人口数量和迁出总人口数量中的至少一个。
可选地,所述可学习参数可包括病种传染能力值、所述预定区域范围的潜伏期患者数量的初始值、针对所述预定区域范围的内部传染能力修正系数、针对所述预定区域范围的迁移传染能力修正系数和病种特性中的至少一个。
可选地,所述用户接口模块可被配置为:接收用于初始化所述疫情推演仿真系统的用户输入;所述控制模块可被配置为:根据所述用户输入设置正常人口数量、迁入/出正常人口数量、迁入/出感染人口数量、潜伏期患者数量、发病患者数量、隔离患者数量、确诊患者数量、死亡患者数量和治愈患者数量中的至少一个的初始值;根据所述用户输入设置病种传染能力值、针对所述预定区域范围的内部传染能力修正系数、针对所述预定区域范围的迁移传染能力修正系数和病种特性中的至少一个的取值。
可选地,所述控制模块可被配置为:将正常人口数量的初始值设置为所述预定区域范围内的人口总数;基于疫情开始日期和仿真开始日期将潜伏期患者数量的初始值设置为一个非零值;将迁入/出正常人口数量、迁入/出感染人口数量、发病患者数量、隔离患者数量、确诊患者数量、死亡患者数量和治愈患者数量的初始值设置为零。
可选地,所述控制模块可被配置为:针对迁入行为,将迁入行为涉及的规则设置为:新增迁入正常人口数量=F1(迁入总人口数量;发病患者比例),新增迁入感染人口数量=F2(迁入总人口数量;发病患者比例),其中,F1()和F2()为迁入行为的规则函数,迁入总人口数量为迁入行为的规则函数涉及的数据,发病患者比例为迁入行为的规则函数涉及的参数;和/或
针对迁出行为,将迁出行为涉及的规则设置为:新增迁出正常人口数量=F3(正常人口数量,潜伏期患者数量,发病患者数量,迁出总人口数量;发病患者比例),新增迁出感染人口数量=F4(正常人口数量,潜伏期患者数量,发病患者数量,迁出总人口数量;发病患者比例),其中,F3()和F4()为迁出行为的规则函数,正常人口数量、潜伏期患者数量和发病患者数量迁出行为的规则函数涉及的状态,迁出总人口数据为迁出行为的规则函数涉及的数据,发病患者比例为迁出行为的规则函数涉及的参数;和/或
针对内部传染行为,将内部传染行为涉及的规则设置为:新增潜伏期患者数量=F5(正常人口数量,发病患者数量,潜伏期患者数量,内部人口流动数据;病种传染能力值,针对所述预定区域范围的内部传染能力修正系数),F5()为内部传染行为的规则函数,正常人口数量、发病患者数量、潜伏期患者数量为内部传染行为的规则函数涉及的状态,内部人口流动数据为内部传染行为的规则函数涉及的数据,病种传染能力值和针对所述预定区域范围的内部传染能力修正系数为内部传染行为的规则函数涉及的参数;和/或
针对迁移传染行为,将迁移传染行为涉及的规则设置为:新增潜伏期患者数量=F6(迁入正常人口数量,迁入感染人口数量;病种传染能力值,针对所述预定区域范围的迁移传染能力修正系数),其中,F6()为迁移传染行为的规则函数,迁入正常人口数量,迁入感染人口数量为迁移传染行为的规则函数涉及的状态,病种传染能力值和针对所述预定区域范围的迁移传染能力修正系数为迁移传染行为的规则函数涉及的参数;和/或
针对发病行为,将发病行为涉及的规则设置为:新增发病患者数量=F7(潜伏期患者数量;潜伏期时间,发病患者概率分布),其中,F7()为发病行为的规则函数,潜伏期患者数量为发病行为的规则函数涉及的状态,潜伏期时间和发病患者概率分布为发病行为的规则函数涉及的参数;和/或
针对隔离行为,将隔离行为涉及的规则设置为:新增隔离患者数量=F8(新增发病患者数量;医疗资源情况);其中,F8()为隔离行为的规则函数,新增发病患者数量为隔离行为的规则函数涉及的状态,医疗资源情况为确诊行为的规则函数涉及的参数;和/或
针对确诊行为,将确诊行为涉及的规则设置为:新增确诊患者数量=F9(隔离患者数量;病种特性,医疗资源情况),其中,F9()为确诊行为的规则函数,隔离患者数量为确诊行为的规则函数涉及的状态,病种特性和医疗资源情况为确诊行为的规则函数涉及的参数;和/或
针对死亡行为,将死亡行为涉及的规则设置为:新增死亡患者数量=F10(确诊患者数量;病种特性,医疗资源情况),其中,F10()为死亡行为的规则函数,确诊患者数量为死亡行为的规则函数涉及的状态,病种特性和医疗资源情况为死亡行为的规则函数涉及的参数;和/或
针对治愈行为,将治愈行为涉及的规则设置为:新增治愈患者数量=F11(确诊患者数量;病种特性,医疗资源情况),其中,F11()为治愈行为的规则函数,确诊患者数量为治愈行为的规则函数涉及的状态,病种特性和医疗资源情况为治愈行为的规则函数涉及的参数。
可选地,所述控制模块可被配置为:将驱动所述状态的变化的行为所涉及的规则设置为:正常人口数量=正常人口数量+新增正常人口数量=正常人口数量+新增迁入正常人口数量-新增迁出正常人口数量+新增治愈患者数量;迁入正常人口数量=新增迁入正常人口数量;迁出正常人口数量=新增迁出正常人口数量;迁入感染人口数量=新增迁入感染人口数量;迁出感染人口数量=新增迁出感染人口数量;潜伏期患者数量=潜伏期患者数量+新增潜伏期患者数量-新增发病患者数量+迁入感染人口数量-迁出感染人口数量,其中,新增潜伏期患者数量=针对内部传染行为的潜伏期患者数量+针对迁移传染行为的潜伏期患者数量;发病患者数量=发病患者数量+新增发病患者数量-新增隔离患者数量;隔离患者数量=隔离患者数量+新增隔离患者数量-新增确诊患者数量;确诊患者数量=确诊患者数量+新增确诊患者数量-新增死亡患者数量-新增治愈患者数量;死亡患者数量=死亡患者数量+新增死亡患者数量;治愈患者数量=治愈患者数量+新增治愈患者数量。
可选地,所述用户接口模块、所述控制模块和所述仿真模块可以天为单位执行操作;其中,所述用户接口模块可被配置为接收每天的所述预定区域范围内的真实的确诊患者数量;其中,所述优化模块可被配置为计算针对预定天数的仿真的确诊患者数量与真实的确诊患者数量的均方误差,并基于计算出的均方误差,通过演化算法对可学习参数进行优化学习。
可选地,当所述外部输入包含可学习参数时,所述疫情推演仿真系统的运行模式可包括优化模式和仿真模式;在优化模式下,所述用户接口模块、所述控制模块、所述仿真模块和所述优化模块可迭代地执行操作,从而获得可学习参数的最终优化值;在仿真模式下,所述控制模块可通过将可学习参数的最终优化值作为可学习参数的值来执行基于所述外部输入控制所述预设的仿真逻辑程序中描述的所述行为的步骤。
可选地,所述用户接口模块可实时接收外部输入;所述控制模块可基于实时的外部输入控制所述预设的仿真逻辑程序中描述的所述行为;所述仿真模块可响应于所述控制模块的控制,实时运行所述预设的仿真逻辑程序;所述优化模块可基于所述仿真模块实时输出的仿真结果数据对可学习参数的取值进行优化学习。
可选地,所述外部输入可包括与疫情发展相关的领域知识、数据和事件中的至少一个。
可选地,所述可学习参数可包括与疫情发展相关的无法从领域知识、数据或事件中直接获得的至少一个参数。
可选地,所述行为可涉及规则、参数和数据中的至少一个。
可选地,所述控制模块可被配置为将所述外部输入转换为所述行为涉及的规则、参数和数据中的至少一个并发送到所述仿真模块;所述仿真模块可被配置为将转换后的规则、参数和数据中的至少一个应用于所述预设的仿真逻辑程序并运行,从而获得并输出仿真结果数据。
可选地,所述用户接口模块还可被配置为接收用于修改所述行为的用户输入;所述控制模块可被配置为根据所述用户输入修改所述行为涉及的规则、参数和数据中的至少一个并发送到所述仿真模块;所述仿真模块可被配置为将修改后的所述行为涉及的规则、参数和/或数据中的至少一个应用于所述预设的仿真逻辑程序并运行,从而获得并输出仿真结果数据。
可选地,所述用户接口模块还可被配置为接收用于初始化所述疫情推演仿真系统的用户输入;所述控制模块可被配置为根据所述用户输入设置所述状态的初始值以及可学习参数的取值。
可选地,所述用户接口模块还可被配置为接收用于修改所述状态的用户输入;所述控制模块可被配置为根据所述用户输入修改所述状态中的至少一个状态的变化。
可选地,所述用户接口模块还可被配置为接收疫情发展的参考数据;所述优化模块可被配置为:将所述仿真模块输出的仿真结果数据与疫情发展的参考数据进行比较,基于比较的结果,通过优化算法对可学习参数进行优化学习。
可选地,所述用户接口模块还可被配置为接收控制输入并将所述控制输入发送到所述控制模块;所述控制模块可被配置为根据所述控制输入执行相应控制;其中,所述控制输入包括开始仿真输入、仿真干预输入、暂停仿真输入、数据导入输入、切换模式输入和结果显示输入中的至少一个。
可选地,所述用户接口模块还可被配置为接收控制输入,并根据所述控制输入执行相应控制;其中,所述控制输入包括开始仿真输入、仿真干预输入、暂停仿真输入、数据导入输入、切换模式输入和结果显示输入中的至少一个。
可选地,所述用户接口模块还可被配置为显示用户界面;其中,所述用户界面可包括用于接收控制输入的按钮、通过所述用户接口模块接收到的数据以及仿真相关数据;其中,通过所述用户接口模块接收到的数据可包括所述外部输入;其中,所述仿真相关数据可包括当前模式、所述仿真模块输出的仿真结果数据和疫情发展的参考数据中的至少一个。
可选地,所述疫情推演仿真系统还可包括:数据管理模块,被配置为存储并管理与所述疫情推演仿真系统相关的数据,数据管理接口模块,被配置为将所述数据管理模块中的数据中的至少一条数据导入所述控制模块。
可选地,所述疫情推演仿真系统还可包括:计算与存储引擎模块,被配置为支持所述疫情推演仿真系统的计算与存储需求。
根据本发明的另一方面,提供一种由包括至少一个计算装置和至少一个存储装置的系统执行的仿真方法,所述至少一个存储装置中存储有指令,当所述指令在被所述至少一个计算装置运行时,促使所述至少一个计算装置执行所述仿真方法,该仿真方法包括:接收外部输入;基于所述外部输入控制预设的仿真逻辑程序中描述的行为,其中,所述预设的仿真逻辑程序中以代码形式描述了疫情发展中的状态以及驱动疫情发展中的状态的变化的行为,其中,当所述外部输入包含可学习参数时,获取可学习参数的优化值,并通过将该优化值作为可学习参数的值来执行基于所述外部输入控制所述预设的仿真逻辑程序中描述的所述行为的步骤;响应于所述控制,运行所述预设的仿真逻辑程序;基于输出的仿真结果数据对可学习参数的取值进行优化学习。
可选地,所述状态可包括预定区域范围内的正常人口数量、迁入/出正常人口数量、迁入/出感染人口数量、潜伏期患者数量、发病患者数量、隔离患者数量、确诊患者数量、死亡患者数量和治愈患者数量中的至少一个。
可选地,所述预定区域范围可为世界、洲、国、省、市、区和社区之一。
可选地,所述行为可包括内部传染行为、迁移传染行为、发病行为、隔离行为、确诊行为、死亡行为、治愈行为、迁入行为、迁出行为中的至少一个。
可选地,所述行为涉及的规则可包括计算所述状态的变化的公式;所述行为涉及的参数可包括病种传染能力值、针对所述预定区域范围的内部传染能力修正系数、针对所述预定区域范围的迁移传染能力修正系数、发病患者比例、潜伏期时间、潜伏期患者概率分布、病种特性和医疗资源情况中的至少一个;所述行为涉及的数据可包括内部人口流动数据、迁入总人口数量和迁出总人口数量中的至少一个。
可选地,所述可学习参数可包括病种传染能力值、所述预定区域范围的潜伏期患者数量的初始值、针对所述预定区域范围的内部传染能力修正系数、针对所述预定区域范围的迁移传染能力修正系数和病种特性中的至少一个。
可选地,所述仿真方法还可包括:接收用于初始化所述系统的用户输入;根据所述用户输入设置正常人口数量、迁入/出正常人口数量、迁入/出感染人口数量、潜伏期患者数量、发病患者数量、隔离患者数量、确诊患者数量、死亡患者数量和治愈患者数量中的至少一个的初始值;根据所述用户输入设置病种传染能力值、针对所述预定区域范围的内部传染能力修正系数、针对所述预定区域范围的迁移传染能力修正系数和病种特性中的至少一个的取值。
可选地,设置初始值的步骤可包括:将正常人口数量的初始值设置为所述预定区域范围内的人口总数;基于疫情开始日期和仿真开始日期将潜伏期患者数量的初始值设置为一个非零值;将迁入/出正常人口数量、迁入/出感染人口数量、潜伏期患者数量、发病患者数量、隔离患者数量、确诊患者数量、死亡患者数量和治愈患者数量的初始值设置为零。
可选地,控制步骤可包括:针对迁入行为,将迁入行为涉及的规则设置为:新增迁入正常人口数量=F1(迁入总人口数量;发病患者比例),新增迁入感染人口数量=F2(迁入总人口数量;发病患者比例),其中,F1()和F2()为迁入行为的规则函数,迁入总人口数量为迁入行为的规则函数涉及的数据,发病患者比例为迁入行为的规则函数涉及的参数;和/或
针对迁出行为,将迁出行为涉及的规则设置为:新增迁出正常人口数量=F3(正常人口数量,潜伏期患者数量,发病患者数量,迁出总人口数量;发病患者比例),新增迁出感染人口数量=F4(正常人口数量,潜伏期患者数量,发病患者数量,迁出总人口数量;发病患者比例),其中,F3()和F4()为迁出行为的规则函数,正常人口数量、潜伏期患者数量和发病患者数量迁出行为的规则函数涉及的状态,迁出总人口数据为迁出行为的规则函数涉及的数据,发病患者比例为迁出行为的规则函数涉及的参数;和/或
针对内部传染行为,将内部传染行为涉及的规则设置为:新增潜伏期患者数量=F5(正常人口数量,发病患者数量,潜伏期患者数量,内部人口流动数据;病种传染能力值,针对所述预定区域范围的内部传染能力修正系数),F5()为内部传染行为的规则函数,正常人口数量、发病患者数量、潜伏期患者数量为内部传染行为的规则函数涉及的状态,内部人口流动数据为内部传染行为的规则函数涉及的数据,病种传染能力值和针对所述预定区域范围的内部传染能力修正系数为内部传染行为的规则函数涉及的参数;和/或
针对迁移传染行为,将迁移传染行为涉及的规则设置为:新增潜伏期患者数量=F6(迁入正常人口数量,迁入感染人口数量;病种传染能力值,针对所述预定区域范围的迁移传染能力修正系数),其中,F6()为迁移传染行为的规则函数,迁入正常人口数量,迁入感染人口数量为迁移传染行为的规则函数涉及的状态,病种传染能力值和针对所述预定区域范围的迁移传染能力修正系数为迁移传染行为的规则函数涉及的参数;和/或
针对发病行为,将发病行为涉及的规则设置为:新增发病患者数量=F7(潜伏期患者数量;潜伏期时间,发病患者概率分布),其中,F7()为发病行为的规则函数,潜伏期患者数量为发病行为的规则函数涉及的状态,潜伏期时间和发病患者概率分布为发病行为的规则函数涉及的参数;和/或
针对隔离行为,将隔离行为涉及的规则设置为:新增隔离患者数量=F8(新增发病患者数量;医疗资源情况);其中,F8()为隔离行为的规则函数,新增发病患者数量为隔离行为的规则函数涉及的状态,医疗资源情况为确诊行为的规则函数涉及的参数;和/或
针对确诊行为,将确诊行为涉及的规则设置为:新增确诊患者数量=F9(隔离患者数量;病种特性,医疗资源情况),其中,F9()为确诊行为的规则函数,隔离患者数量为确诊行为的规则函数涉及的状态,病种特性和医疗资源情况为确诊行为的规则函数涉及的参数;和/或
针对死亡行为,将死亡行为涉及的规则设置为:新增死亡患者数量=F10(确诊患者数量;病种特性,医疗资源情况),其中,F10()为死亡行为的规则函数,确诊患者数量为死亡行为的规则函数涉及的状态,病种特性和医疗资源情况为死亡行为的规则函数涉及的参数;和/或
针对治愈行为,将治愈行为涉及的规则设置为:新增治愈患者数量=F11(确诊患者数量;病种特性,医疗资源情况),其中,F11()为治愈行为的规则函数,确诊患者数量为治愈行为的规则函数涉及的状态,病种特性和医疗资源情况为治愈行为的规则函数涉及的参数。
可选地,控制步骤可包括:将驱动所述状态的变化的行为所涉及的规则设置为:正常人口数量=正常人口数量+新增正常人口数量=正常人口数量+新增迁入正常人口数量-新增迁出正常人口数量+新增治愈患者数量;迁入正常人口数量=新增迁入正常人口数量;迁出正常人口数量=新增迁出正常人口数量;迁入感染人口数量=新增迁入感染人口数量;迁出感染人口数量=新增迁出感染人口数量;潜伏期患者数量=潜伏期患者数量+新增潜伏期患者数量-新增发病患者数量+迁入感染人口数量-迁出感染人口数量,其中,新增潜伏期患者数量=针对内部传染行为的潜伏期患者数量+针对迁移传染行为的潜伏期患者数量;发病患者数量=发病患者数量+新增发病患者数量-新增隔离患者数量;隔离患者数量=隔离患者数量+新增隔离患者数量-新增确诊患者数量;确诊患者数量=确诊患者数量+新增确诊患者数量-新增死亡患者数量-新增治愈患者数量;死亡患者数量=死亡患者数量+新增死亡患者数量;治愈患者数量=治愈患者数量+新增治愈患者数量。
可选地,可以以天为单位执行接收步骤、控制步骤和运行步骤;其中,所述仿真结果数据可为每天输出的所述预定区域范围内的仿真的确诊患者数量,所述参考数据可为每天的所述预定区域范围内的真实的确诊患者数量;其中,优化学习步骤可包括:计算针对预定天数的仿真的确诊患者数量与真实的确诊患者数量的均方误差,并基于计算出的均方误差,通过演化算法对可学习参数进行优化学习。
可选地,当所述外部输入包含可学习参数时,所述系统的运行模式可包括优化模式和仿真模式;在优化模式下,可迭代地执行接收步骤、控制步骤、运行步骤和优化学习步骤,从而获得可学习参数的最终优化值;在仿真模式下,可通过将可学习参数的最终优化值作为可学习参数的值来执行基于外部输入控制所述预设的仿真逻辑程序中描述的所述行为的步骤。
可选地,接收步骤可包括实时接收外部输入;控制步骤可包括基于实时的外部输入控制仿真逻辑程序中描述的所述行为;运行步骤可包括响应于所述控制,实时运行所述预设的仿真逻辑程序;优化学习步骤可包括基于实时输出的仿真结果数据对可学习参数的取值进行优化学习。
可选地,所述外部输入可包括与疫情发展相关的领域知识、数据和事件中的至少一个。
可选地,所述可学习参数可包括与疫情发展相关的无法从领域知识、数据或事件中直接获得的至少一个参数。
可选地,所述行为可涉及规则、参数和数据中的至少一个。
可选地,控制步骤可包括:将所述外部输入转换为所述行为涉及的规则、参数和数据中的至少一个,其中,运行步骤可包括:将转换后的规则、参数和数据中的至少一个应用于所述预设的仿真逻辑程序并运行,从而获得并输出仿真结果数据。
可选地,所述仿真方法还可包括:接收用于修改所述行为的用户输入;根据所述用户输入修改所述行为涉及的规则、参数和数据中的至少一个,其中,运行步骤可包括:将修改后的所述行为涉及的规则、参数和数据中的至少一个应用于所述预设的仿真逻辑程序并运行,从而获得并输出仿真结果数据。
可选地,所述仿真方法还可包括:接收用于初始化所述系统的用户输入;根据所述用户输入设置所述状态的初始值以及可学习参数的取值。
可选地,所述仿真方法还可包括:接收用于修改所述状态的用户输入;根据所述用户输入修改所述状态中的至少一个状态的变化。
可选地,所述仿真方法还可包括:接收疫情发展的参考数据;其中,优化学习步骤可包括:将输出的仿真结果数据与所述被仿真事项的参考数据进行比较;基于比较的结果,通过优化算法对可学习参数进行优化学习。
可选地,所述仿真方法还可包括:接收控制输入;根据所述控制输入执行相应控制;其中,所述控制输入包括开始仿真输入、仿真干预输入、暂停仿真输入数据导入输入、切换模式输入和结果显示输入中的至少一个。
可选地,所述仿真方法还可包括:显示用户界面;其中,所述用户界面可包括用于接收控制输入的按钮、接收到的数据以及仿真相关数据;其中,接收到的数据包括所述外部输入;其中,所述仿真相关数据可包括当前模式、输出的仿真结果数据和疫情发展的参考数据中的至少一个。
根据本发明的另一方面,提供一种存储指令的计算机可读存储介质,其特征在于,当所述指令被至少一个计算装置运行时,促使所述至少一个计算装置执行根据本发明的疫情推演仿真方法。
根据本发明的仿真系统及仿真方法,可利用真实数据,通过拟合真实数据(例如,历史数据),来确定暂时无法从领域知识获取的仿真所需参数,从而降低仿真系统对领域知识的依赖,扩大仿真系统的适用领域和适用范围,符合许多不同场景的仿真需求,并提升仿真精度。
此外,根据本发明的适用于疫情推演场景的疫情推演仿真系统及仿真方法,与传统的传染病模型(例如,SIR、SEIR)相比,可实现更复杂的疫情推演仿真逻辑,可利用疫情的真实数据,通过拟合真实的疫情数据,来确定暂时无法从疫情领域知识获取的仿真所需的疫情推演参数,从而获得更精确的疫情推演仿真结果。
附图说明
从下面结合附图对本发明实施例的详细描述中,本发明的这些和/或其他方面和优点将变得更加清楚并更容易理解,其中:
图1是示出根据本发明的示例性实施例的仿真系统的框图;
图2是示出根据本发明的示例性实施例的仿真系统的逻辑示意图;
图3是示出根据本发明的示例性实施例的控制模块与仿真逻辑程序之间的关系的示意图;
图4示出根据本发明的示例性实施例的仿真系统的架构图;
图5是示出根据本发明的示例性实施例的仿真方法的流程图;
图6是示出根据本发明的示例性实施例的疫情推演仿真逻辑的示意图。
具体实施方式
为了使本领域技术人员更好地理解本发明,下面结合附图和具体实施方式对本发明的示例性实施例作进一步详细说明。
本发明的基本思路在于使用数据驱动的方式降低仿真系统对领域知识的依赖,从而扩大仿真系统的适用范围并提升仿真系统的精度。根据该基本思路,提出一种通用的仿真系统框架并可将其应用于疫情推演场景。该仿真系统框架可包括三个基本部分,即,用于运行基于数据驱动的仿真逻辑的仿真模块、用于对仿真逻辑进行灵活干预的控制模块和以数据驱动方式学习仿真所需的部分参数的优化模块。因此,在设计该仿真系统框架时,可在明确总体设计(如整理可获取的领域知识、数据,确定仿真系统的抽象层次等)前提下,独立地进行三个部分的设计。使用开始开发、整体设计、三个部分的独立设计开发、测试与迭代、开发完成这样的流程来开发这样的仿真系统框架。
下面将参照图1至图6详细描述根据本发明的示例性实施例的仿真系统及仿真方法。
图1是示出根据本发明的示例性实施例的仿真系统的框图。
参照图1,根据本发明的示例性实施例的仿真系统100可包括用户接口模块101、控制模块102、仿真模块103和优化模块104。
根据本发明的示例性实施例,用户接口模块101是用于接收从外部输入的数据的模块。此外,用户接口模块101还可接收任何其它外部的用户输入和控制输入等。
仿真模块103是用于存储并运行预设的仿真逻辑程序的模块。这里,预设的仿真逻辑程序以代码形式描述了被仿真事项中的状态以及驱动状态变化的行为。被仿真事项中的状态可包括一个或更多个状态,驱动状态变化的行为也可包括一个或更多个行为,行为涉及规则、参数和数据中的至少一个。例如,在仿真系统100为汽车速度仿真系统的情况下,预设的仿真逻辑程序以代码形式描述了汽车速度的变化中的状态(例如,汽车速度)以及驱动汽车速度的变化中的状态变化的行为(例如,汽车的加速)。又例如,在仿真系统100为疫情推演仿真系统的情况下,预设的仿真逻辑程序以代码形式描述了疫情发展中的状态(例如,确诊患者数量等)以及驱动疫情发展中的状态的变化的行为(例如,确认行为等)。将在下面对这两种应用场景进行详细描述。
控制模块102是用于由用户或开发者对仿真逻辑程序进行精细控制的模块。例如,控制模块102可以以通过用户接口模块101接收到的外部输入为依据,根据自身逻辑将外部输入转换为仿真逻辑程序所需要的规则、参数和数据,或者控制模块102可直接干涉(例如,修改)仿真逻辑程序中的状态或行为。此外,控制模块102还可根据其它用户输入或控制输入执行相应的控制。
优化模块104是用于对仿真系统100所需的可学习参数进行优化学习以提高仿真系统100的仿真精度的模块。
下面将参照图2和图3具体描述根据本发明的示例性实施例的仿真系统100的具体操作。
图2是示出根据本发明的示例性实施例的仿真系统100的逻辑示意图。
参照图2,用户接口模块101可接收外部输入。这里,外部输入可包括与被仿真事项相关的领域知识、数据和事件中的至少一个。此外,外部输入还可包括可学习参数。这里,可学习参数是指与被仿真事项相关的无法从领域知识、数据或事件中直接获得的至少一个参数。
控制模块102可基于通过用户接口模块101接收到的外部输入控制预设的仿真逻辑程序中描述的行为。
仿真模块103可响应于控制模块102的控制,运行所述预设的仿真逻辑程序。
优化模块104可基于仿真模块103输出的仿真结果数据对可学习参数的取值进行优化学习。
根据本发明的示例性实施例,控制模块102将外部输入(例如,领域知识、数据、事件、可学习参数中的至少一个)转换为预设的仿真逻辑程序中描述的行为涉及的规则、参数和数据中的至少一个并发送给仿真模块103。仿真模块103可将控制模块102转换后的规则、参数和数据中的至少一个应用于预设的仿真逻辑程序并运行,从而获得并输出仿真结果数据。
根据本发明的示例性实施例,控制模块102还可直接干预仿真逻辑程序中描述的行为。例如,用户接口模块101还可接收用于修改仿真逻辑程序中的行为的用户输入。控制模块102可根据该用户输入修改规则、参数和数据中的至少一个并发送给仿真模块103。仿真模块103可将修改后的规则、参数和数据中的至少一个应用于预设的仿真逻辑程序并运行,从而获得并输出仿真结果数据。
根据本发明的示例性实施例,控制模块102还可直接干预仿真逻辑程序中描述的状态的变化。例如,用户接口模块101还可接收用于修改仿真逻辑程序中描述的状态的用户输入。控制模块102可根据该用户输入修改仿真逻辑程序中描述的状态中的至少一个状态的变化。
例如,参照图3,图3是示出根据本发明的示例性实施例的控制模块102与仿真逻辑程序之间的关系的示意图。控制模块102可包括一个或更多个控制器,例如,可包括规则控制器、参数控制器、数据控制器和状态控制器中的至少一个。规则控制器可将外部输入中的领域知识和可学习参数中的至少一个转换为仿真逻辑程序中的行为所涉及的规则,或者可根据用户输入干预(例如,修改)仿真逻辑程序中的行为所涉及的规则。参数控制器可将外部输入中的领域知识和可学习参数中的至少一个转换为仿真逻辑程序中的行为所涉及的参数,或者可根据用户输入干预(例如,修改)仿真逻辑程序中的行为所涉及的参数。数据控制器可将外部输入中的数据和可学习参数中的至少一个转换为仿真逻辑程序中的行为所涉及的参数,或者可根据用户输入干预(例如,修改)仿真逻辑程序中的行为所涉及的数据。仿真模块103可响应于规则控制器、参数控制器和数据控制器的控制,运行仿真逻辑程序,在运行仿真逻辑程序的过程中,仿真逻辑程序中的行为所涉及的规则、参数和数据可根据规则控制器、参数控制器和数据控制器的控制,驱动仿真逻辑程序中的状态从当前状态改变到下一个状态。此外,状态控制器可根据用户输入中的事件和可学习参数中的至少一个直接干预仿真逻辑程序中的状态的变化(即,直接修改变换后的状态)。当然,上述关系仅是示例性的,本申请对控制模块102的输入、内部结构和转换逻辑不作限制。
返回参照图2,根据本发明的示例性实施例,用户接口模块101还可接收用于初始化仿真系统100的用户输入。控制模块102可根据该用户输入设置仿真逻辑程序中的状态的初始值。此外,当外部输入包含可学习参数时,控制模块102可根据该用户输入设置可学习参数的取值。此外,当仿真逻辑程序中的状态的初始值无法从领域知识、数据或事件中直接获得,可将仿真逻辑程序中的状态的初始值作为可学习参数。
在初始化完成后,当控制模块102基于外部输入(例如,领域知识、数据、事件和可学习参数中的至少一个)对仿真逻辑程序中的行为进行控制时,仿真模块103可运行仿真逻辑程序,使得仿真逻辑程序中的行为驱动仿真逻辑程序中的状态从初始状态改变到下一个状态。因此,仿真模块103可输出改变后的状态作为仿真结果数据。当外部输入包含可学习参数时,优化模块104可基于仿真模块103输出的仿真结果数据对可学习参数的取值进行优化学习。在进行下一次仿真时,用户接口模块101可重新接收外部输入(例如,重新接收领域知识、数据和事件中的至少一个),控制模块102可从用户接口模块101获取重新接收到的外部输入,可从优化模块104获取可学习参数的优化值,并通过将该优化值作为外部输入中的可学习参数的值来基于重新接收到的外部输入控制仿真逻辑程序中的行为。随后,仿真模块103可基于控制模块102的此次控制,再次运行仿真逻辑程序并输出仿真结果数据,并且优化模块104可再次基于仿真结果数据对可学习参数的当前值进行优化学习。依此类推。
也就是说,在外部输入包括可学习参数的情况下,仿真系统100的运行模式可包括优化模式和仿真模式。在优化模式下,用户接口模块101、控制模块102、仿真模块103和优化模块104可迭代地执行操作,从而获得可学习参数的最终优化值。在仿真模式下,控制模块102通过将可学习参数的最终优化值作为可学习参数的值来执行基于外部输入控制所述预设的仿真逻辑程序中描述的所述行为的步骤,并且仿真模块103可响应于控制模块102的控制,运行预设的仿真逻辑程序,并输出精确的仿真结果数据。
可见,即使仿真系统100需要一些无法从领域知识或数据中直接或通过简单运算获得的参数(即,可学习参数),也可通过先人为设置这些参数的取值,再通过仿真系统100的仿真和优化学习,来获得这些参数的最优值,使得仿真系统100的仿真结果趋于精确,也即利用数据驱动的方式来降低仿真系统100对领域知识或数据的依赖,提高仿真系统100的精度。
根据本发明的示例性实施例,用户接口模块101可实时接收外部输入,控制模块102基于实时的外部输入控制预设的仿真逻辑程序中描述的行为,仿真模块103响应于控制模块102的控制,实时运行预设的仿真逻辑程序,优化模块104基于所述仿真模块实时输出的仿真结果数据对可学习参数的取值进行优化学习。例如,用户接口模块101、控制模块102、仿真模块103和优化模块104可以以预定时间间隔迭代地执行操作。再例如,用户接口模块101、控制模块102和仿真模块103可以以第一预定时间间隔执行操作,而优化模块104可以以第二预定时间间隔执行操作,其中,第二预定时间间隔大于第一预定时间间隔。例如,疫情推演应用场景下,用户接口模块101、控制模块102和仿真模块103可每天执行操作,每天输出疫情仿真结果数据,而优化模块104可每十天执行操作,即,优化模块104可基于十天的疫情仿真结果数据对可学习参数执行优化,这将在后面会被详细描述。
根据本发明的示例性实施例,用户接口模块101还可接收被仿真事项的参考数据,例如,被仿真事项的历史数据或真实数据。优化模块104可基于仿真模块103输出的仿真结果数据和被仿真事项的参考数据计算优化目标,通过优化算法对优化目标进行优化,从而调整可学习参数的值。
这里,可学习参数可包括类型及取值范围,其中,类型用于描述该可学习参数的种类,例如,整数(1、2、3)、浮点数(3.1415926)、字符串(如“+”“-”),取值范围则是与类型对应的、该可学习参数所有可取到的值的范围(例如某个可学习参数的类型为浮点数,取值范围为[0,100])。
优化目标是受可学习参数影响的、可以定量计算的某个值。优化目标的计算中可以涉及但不限于:仿真结果、数据、领域知识。本申请对计算方式不做限制。
优化算法是通过调整可学习参数(对优化算法而言即为“决策变量”),根据需要最大化/最小化优化目标的算法。不同的优化器可以采取不同的优化算法,解决不同的问题(由可学习参数和优化目标决定)。优化算法包括但不限于:梯度下降法、贝叶斯优化算法、演化算法和机器学习算法。本申请对优化算法不做限制。此外,在机器学习算法的情况下,可学习参数可为机器学习模型所涉及的参数,优化目标可为机器学习模型相关的损失函数,优化算法可为机器学习模型对应的训练算法。
例如,优化模块104将仿真模块103输出的仿真结果数据与被仿真事项的参考数据进行比较,并基于作为优化目标的比较结果,通过优化算法对可学习参数进行优化学习。
此外,根据本发明的示例性实施例,仿真系统100除了可包括用户接口模块101、控制模块102、仿真模块103和优化模块104之外,还可包括数据管理模块105、数据管理接口模块106。此外,仿真系统100还可包括计算与存储引擎模块107。如图4所示,图4示出根据本发明的示例性实施例的仿真系统100的架构图。
具体地说,参照图4,用户接口模块101可接收控制输入。例如,控制输入包括用于开始仿真的开始仿真输入、用于干预仿真的仿真干预输入、用于暂停(或结束)仿真的暂停(或结束)仿真输入、用于导入数据的数据导入输入、用于切换优化模式和仿真模式的切换模式输入、用于结果显示的结果显示输入中的至少一个,但不限于此。
根据本发明的示例性实施例,用户接口模块101可将接收到的控制输入发送到控制模块102,由控制模块102根据接收到的控制输入执行相应控制。
根据本发明的示例性实施例,用户接口模块101可根据接收到的控制输入直接执行相应控制。此外,用户接口模块101还可用作显示模块,用于显示用户界面。用户接口模块101可还通过触敏屏幕来实现。用户接口模块101显示的用户界面可包括用于接收控制输入的按钮、用户接口模块101接收到的数据以及仿真相关数据。这里,用户接口模块101接收到的数据可包括如上所述的外部输入、修改行为或状态的用户输入、状态的初始值和可学习参数的取值等的任何输入的数据。仿真相关数据可包括当前模式(例如,优化模式或仿真模式)、仿真结果数据和被仿真事项的参考数据中的至少一个。
数据管理模块105可存储并管理与仿真系统100相关的数据。例如,这些数据可包括预置数据、实时数据和用户数据。这里,预置数据可指开发者在开发仿真系统100时用到的数据,可随仿真系统100一同提供给客户。实时数据可指随时间变化的数据,在仿真系统100使用过程中不断更新。用户数据可指用户提供的数据。这些数据可通过用户接口模块101接收,或可被预先存储,或可通过网络传输接收等,本申请对此不做限制。数据管理接口模块106可将数据管理模块105中的数据中的至少一条数据导入控制模块102。例如,数据管理模块105可存储并管理通过用户接口模块101接收到的外部输入,并响应于例如通过用户接口模块101的控制输入,经由数据管理接口模块106将外部输入导入控制模块102。
计算与存储引擎模块107可为支持仿真系统100的计算与存储需求。计算与存储引擎模块107可为仿真系统100提供底层资源,包括计算资源和存储资源。计算资源可包括算法库、计算框架和计算硬件等。存储资源可包括数据库软件、存储器硬件、分布式存储服务器和互联网等。
图5是示出根据本发明的示例性实施例的仿真方法的流程图。根据本发明的示例性实施例的仿真方法可由如上描述的根据本发明的示例性实施例的仿真系统100实现,也可由包括至少一个计算装置和至少一个存储指令的存储装置的系统实现。
如图5所示,在步骤501,可接收外部输入。这里,外部输入可包括与被仿真事项相关的领域知识、数据和事件中的至少一个。此外,外部输入还可包括可学习参数。这里,可学习参数是指与被仿真事项相关的无法从领域知识、数据或事件中直接获得的至少一个参数。
在步骤502,可基于外部输入控制预设的仿真逻辑程序中描述的行为,其中,所述预设的仿真逻辑程序中以代码形式描述了被仿真事项中的状态以及驱动状态变化的行为。这里,所述行为可涉及规则、参数和数据中的至少一个。例如,在汽车速度仿真的情况下,预设的仿真逻辑程序以代码形式描述了汽车速度的变化中的状态(例如,汽车速度)以及驱动汽车速度的变化中的状态变化的行为(例如,汽车的加速)。又例如,在疫情推演仿真的情况下,预设的仿真逻辑程序以代码形式描述了疫情发展中的状态(例如,确诊患者数量等)以及驱动疫情发展中的状态的变化的行为(例如,确认行为等)。将在下面对这两种应用场景进行详细描述。
在步骤503,可响应于所述控制,运行所述预设的仿真逻辑程序。
在步骤504,可基于输出的仿真结果数据对可学习参数的取值进行优化学习。
根据本发明的示例性实施例,在步骤502,可基于外部输入(例如,领域知识、数据、事件、可学习参数中的至少一个)转换为预设的仿真逻辑程序中的行为涉及的规则、参数和数据中的至少一个。随后,在步骤503,可将转换后的规则、参数和数据中的至少一个应用于预设的仿真逻辑程序并运行,从而获得并输出仿真结果数据。
此外,根据本发明的示例性实施例,可直接干预仿真逻辑程序中描述的行为。例如,可接收用于修改仿真逻辑程序中的行为的用户输入。随后,在步骤502,根据该用户输入修改规则、参数和数据中的至少一个。随后,在步骤503,可将修改后的规则、参数和数据中的至少一个应用于预设的仿真逻辑程序并运行,从而获得并输出仿真结果数据。
此外,根据本发明的示例性实施例,可直接干预仿真逻辑程序中描述的状态的变化。例如,可接收用于修改仿真逻辑程序中描述的状态的用户输入。随后,可根据该用户输入修改所述状态中的至少一个状态的变化。
此外,根据本发明的示例性实施例,可对仿真系统100或上述系统进行初始化。例如,可接收用于初始化的用户输入。随后,可根据该用户输入设置仿真逻辑程序中描述的状态的初始值以及可学习参数的取值。此外,当仿真逻辑程序中的状态的初始值无法从领域知识、数据或事件中直接获得,可将仿真逻辑程序中的状态的初始值作为可学习参数。
此外,根据本发明的示例性实施例,可对可学习参数进行优化学习。例如,可接收被仿真事项的参考数据。随后,在步骤504,将输出的仿真结果数据与被仿真事项的参考数据进行比较,并基于比较的结果,通过优化算法对可学习参数进行优化学习。
此外,根据本发明的示例性实施例,在初始化完成后,当基于外部输入(例如,领域知识、数据、事件和可学习参数中的至少一个)对仿真逻辑程序中的行为进行控制时,可运行仿真逻辑程序,使得仿真逻辑程序中的行为驱动仿真逻辑程序中的状态从初始状态改变到下一个状态,从而可输出改变后的状态作为仿真结果数据。当外部输入包含可学习参数时,可基于仿真模块103输出的仿真结果数据对可学习参数的取值进行优化学习。在进行下一次仿真时,可重新接收外部输入(例如,重新接收领域知识、数据和事件中的至少一个),并可获取上一次优化学习后的可学习参数的优化值,并通过将该优化值作为外部输入中的可学习参数的值来基于重新接收到的外部输入控制仿真逻辑程序中的行为。随后,可此次控制,再次运行仿真逻辑程序并输出仿真结果数据,并且可再次基于仿真结果数据对可学习参数的当前值进行优化学习。依此类推。
也就是说,在外部输入包括可学习参数的情况下,仿真系统100或上述系统的运行模式可包括优化模式和仿真模式。在优化模式下,迭代地执行接收步骤、控制步骤、运行步骤和优化学习步骤,从而获得可学习参数的最终优化值,从而获得可学习参数的最终优化值。在仿真模式下,可通过将可学习参数的最终优化值作为可学习参数的值来执行基于外部输入控制所述预设的仿真逻辑程序中描述的所述行为的步骤,并且可响应于所述控制,运行预设的仿真逻辑程序,并输出精确的仿真结果数据。
此外,根据本发明的示例性实施例,可实时接收外部输入;可基于实时的外部输入控制预设的仿真逻辑程序中描述的行为;可响应于控制模块102的控制,实时运行预设的仿真逻辑程序;可基于所述仿真模块实时输出的仿真结果数据对可学习参数的取值进行优化学习。例如,可以以预定时间间隔迭代地执行接收步骤、控制步骤、运行步骤和优化学习步骤。再例如,可以以第一预定时间间隔执行接收步骤、控制步骤和运行步骤,而可以以第二预定时间间隔执行优化学习步骤,其中,第二预定时间间隔大于第一预定时间间隔。例如,疫情推演应用场景下,可每天执行操作接收步骤、控制步骤和运行步骤,每天输出疫情仿真结果数据,而可每十天执行优化学习步骤,即,可基于十天的疫情仿真结果数据对可学习参数执行优化,这将在后面会被详细描述。
此外,根据本发明的示例性实施例,可接收控制输入,并根据所述控制输入执行相应控制。例如,控制输入包括用于开始仿真的开始仿真输入、用于干预仿真的仿真干预输入、用于暂停仿真的暂停仿真输入、用于导入数据的数据导入输入、用于切换优化模式和仿真模式的切换模式输入、用于结果显示的结果显示输入中的至少一个,但不限于此。
此外,根据本发明的示例性实施例,可显示用户界面。例如,用户界面可包括用于接收控制输入的按钮、接收到的数据以及仿真相关数据。接收到的数据可包括如上所述的外部输入、修改行为或状态的用户输入、状态的初始值和可学习参数的取值等的任何输入的数据。仿真相关数据可包括当前模式(例如,优化模式或仿真模式)、仿真结果数据和被仿真事项的参考数据中的至少一个。
下面,将详细介绍根据本发明的仿真系统100以及仿真方法应用于汽车速度仿真场景和疫情推演仿真场景的实施例。
汽车速度仿真场景
根据本发明的示例性实施例的仿真系统100可被应用为汽车速度仿真系统100。汽车速度仿真系统100用于对汽车速度的变化进行仿真。因此,在汽车速度仿真系统100的仿真逻辑程序中,可将汽车速度v设置为状态,并将汽车的加速设置为驱动状态变化的行为。仿真的时间周期(相邻两个状态的时间间隔)可设置为t。
汽车速度仿真系统100的用户接口模块101可接收外部输入,这里,外部输入可包括与汽车速度的变化相关的领域知识、数据和事件中的至少一个。
汽车速度仿真系统100的控制模块102可基于外部输入控制仿真逻辑程序中描述的行为。例如,控制模块102可将与汽车速度的变化相关的领域知识转换为加速行为涉及的规则和加速行为涉及的参数,即,加速公式,下一时刻速度其中,F为汽车牵引力,m为汽车的质量,且F和m为加速行为涉及的参数。
另外,当汽车上装载了人或货物时,汽车的总质量相当于汽车本身的质量与汽车装载的人和/或货物的质量之和。因此,外部输入中的与汽车速度的变化相关的数据可包括汽车装载的货物的相关数据,例如,货物种类、数量和单位质量。控制模块102可将汽车装载的货物的相关数据用于计算汽车的总质量。
在上述与汽车速度的变化相关的领域知识和数据中,无法直接获得上述加速公式中的计算符号(例如,“+”号)具体是什么符号,因此可将该计算符号设置为可学习参数,并可通过优化模块104进行优化学习。
此外,由于汽车牵引力F可因某些因素(例如,汽车老化程度)而无法直接获得汽车牵引力F,因此可将汽车牵引力F设置为可学习参数,并可通过优化模块104进行优化学习。
此外,通常可获得汽车装载的货物种类和数量,但无法直接获得货物单位质量,因此,可将货物单位质量设置为可学习参数,并可通过优化模块104进行优化学习。
此外,当通过用户接口模块101接收到修改加速行为的用户输入时,控制模块102可根据该用户输入直接调整加速行为所涉及的规则、参数和数量中的至少一个。例如,用户可通过用户接口模块101修改加速公式,因此,控制模块102可根据用户输入对仿真逻辑程序中的加速公式进行修改。
此外,当通过用户接口模块101接收到用于修改汽车速度的用户输入或突发事件(例如,行驶路径上有行人),控制模块102可根据该用户输入或该突发事件直接调整汽车速度的变化,例如,可直接将汽车速度的下一状态修改为0。
在上述示例中,汽车速度仿真系统100涉及三个可学习参数,即,(1)加速公式中的计算符号,其类型为字符串,取值范围为四则运算符号“+、-、×、÷”;(2)汽车牵引力F,其类型为浮点数,取值范围为[0,10000]牛顿;(3)货物单位质量,其类型为浮点数,取值范围为[0,1000]千克。
优化模块104可对上述三个可学习参数进行优化学习。具体地说,在汽车速度仿真系统100的初始化阶段,可设置汽车速度状态的初始值以及这三个可学习参数的取值,可在控制模块102的控制下,由仿真模块103对经过预定时间间隔t(例如,10秒)的汽车速度状态的变化进行仿真,并输出仿真的汽车速度的下一状态(例如,经过10秒,汽车速度由初始速度0加速到vm/s)。假设存在对真实系统的观测数量,例如,在真实世界中,该汽车承载该货物,加速10秒后,汽车速度由初始速度0加速到10m/s。因此,优化模块100可将仿真结果数据v与真实的参考数量10m/s进行比较,例如,计算一个仿真误差作为优化目标,例如,(v-10)2,通过调整上述三个可学习参数来使优化目标最小化,从而达到对上述三个可学习参数进行优化学习的目的。
另外,在上述示例中,考虑到上述三个可学习参数包括多种类型,优化模块104可使用通用性较强的演化算法来对上述三个可学习参数进行优化,例如,可找到使v=10m/s的一组或多组可学习参数的取值。
在汽车速度仿真系统100中,可每隔预定时间间隔t对汽车速度进行一次仿真,并对可学习参数进行一次优化。或者,可每隔预定时间间隔t对汽车速度进行一次仿真,并每隔预定时间间隔10t,利用十次的仿真结果来对可学习参数进行一次优化。例如,可计算十次仿真结果与真实数据之间的均方误差,来对可学习参数进行优化。
疫情推演仿真场景
根据本发明的示例性实施例的仿真系统100可被应用为疫情推演仿真系统100。疫情推演仿真系统100用于对疫情的发展进行仿真。例如,疫情推演仿真系统100可以以预定区域范围(例如,世界、洲、国、省、市、区和社区之一),以预定的仿真时间周期(例如,日、月、年之一)进行疫情发展的仿真。
如图6所示,图6是示出根据本发明的示例性实施例的疫情推演仿真逻辑的示意图。图6中的仿真逻辑使用于每个省、市、区、社区,也适用于仿真过程中的每一天。下面,以市为例进行描述,但不限于此。图6中虚线框表示市的边界,实线框代表仿真逻辑涉及的状态,箭头代表仿真逻辑涉及的行为。其中,迁入感染者、迁入正常人群是所有向该市迁移(从不同市出发)的对应人群总和。
具体地说,在疫情推演仿真系统100的仿真逻辑程序中,可将与疫情发展相关的状态设置为状态,并将与疫情发展相关的行为设置为驱动状态变化的行为。根据本发明的示例性实施例,与疫情发展相关的状态可包括预定区域范围(例如,市)内的正常人口数量、迁入/出正常人口数量、迁入/出感染人口数量、潜伏期患者数量、发病患者数量、隔离患者数量、确诊患者数量、死亡患者数量和治愈患者数量中的至少一个。与疫情发展相关的行为可包括内部传染行为、迁移传染行为、发病行为、隔离行为、确诊行为、死亡行为、治愈行为、迁入行为、迁出行为中的至少一个。
疫情推演仿真系统100的用户接口模块101可接收外部输入,这里,外部输入可包括与疫情发展相关的领域知识、数据和事件中的至少一个。
疫情推演仿真系统100的控制模块102可基于外部输入控制仿真逻辑程序中描述的行为。例如,控制模块102可将外部输入转换为如上所述的行为所涉及的规则(例如,如上所述的状态的变化的公式)、参数(例如,病种传染能力值、针对所述预定区域范围的内部传染能力修正系数、针对所述预定区域范围的迁移传染能力修正系数、发病患者比例、潜伏期时间、潜伏期患者概率分布、病种特性和医疗资源情况中的至少一个)和数据(例如,内部人口流动数据、迁入总人口数量和迁出总人口数量中的至少一个)。此外,根据本发明的示例性实施例,控制模块102可包括多个控制器,每个控制器处理一种行为,还可包括用于修改行为的控制器和/或用于修改状态的控制器。
具体地说,根据本发明的示例性实施例,针对迁入行为,即,正常人群和感染人群迁入城市的行为,控制模块102可将迁入行为涉及的规则设置为:
新增迁入正常人口数量=F1(迁入总人口数量;发病患者比例),
新增迁入感染人口数量=F2(迁入总人口数量;发病患者比例),
其中,F1()和F2()为迁入行为的规则函数,迁入总人口数量为迁入行为的规则函数涉及的数据,发病患者比例为迁入行为的规则函数涉及的参数。这里,迁入总人口数量可为真实数据,发病患者比例可通过计算得到,例如,发病患者比例=(潜伏期患者数量+发病患者数量)/(正常人口数量+潜伏期患者数量+发病患者数量)。此外,例如,新增迁入感染人口数量=迁入总人口数量×发病患者比例,新增迁入正常人口数量=迁入总人口数量×(1-发病患者比例),但不限于此。本申请对F1()和F2()的具体内容不作限制。
此外,根据本发明的示例性实施例,针对迁出行为,即,正常人群和感染人群迁出城市的行为,控制模块102可将迁出行为涉及的规则设置为:
新增迁出正常人口数量=F3(正常人口数量,潜伏期患者数量,发病患者数量,迁出总人口数量;发病患者比例),
新增迁出感染人口数量=F4(正常人口数量,潜伏期患者数量,发病患者数量,迁出总人口数量;发病患者比例),
其中,F3()和F4()为迁出行为的规则函数,正常人口数量、潜伏期患者数量和发病患者数量迁出行为的规则函数涉及的状态,迁出总人口数据为迁出行为的规则函数涉及的数据,发病患者比例为迁出行为的规则函数涉及的参数。这里,迁出总人口数量可为真实数据,发病患者比例可通过计算得到,例如,发病患者比例=(潜伏期患者数量+发病患者数量)/(正常人口数量+潜伏期患者数量+发病患者数量)。此外,例如,新增迁出感染人口数量=迁出总人口数量×发病患者比例,新增迁出正常人口数量=迁出总人口数量×(1-发病患者比例),但不限于此。本申请对F3()和F4()的具体内容不作限制。
此外,根据本发明的示例性实施例,针对内部传染行为,即,因市内正常人群与潜伏期患者、发病患者接触导致的潜伏期患者增加的行为,控制模块102可将内部传染行为涉及的规则设置为:
新增潜伏期患者数量=F5(正常人口数量,发病患者数量,潜伏期患者数量,内部人口流动数据;病种传染能力值,针对所述预定区域范围的内部传染能力修正系数),
其中,F5()为内部传染行为的规则函数,正常人口数量、发病患者数量、潜伏期患者数量为内部传染行为的规则函数涉及的状态,内部人口流动数据为内部传染行为的规则函数涉及的数据,病种传染能力值和针对所述预定区域范围的内部传染能力修正系数为内部传染行为的规则函数涉及的参数。这里,内部人口流动数据可指在市内人口流动的数据,病种传染能力值可指该病种的普遍的传染能力值,内部传染能力修正系数可指对该病种在所述预定区域范围内的内部传染能力进行修正的值(因为病种在不同地区的传染能力可能不同),也就是说,该病种在所述预定区域范围内的内部传染能力值可相应于病种传染能力值与针对所述预定区域范围(例如,市)的内部传染能力修正系数的乘积。内部人口流动数据可为真实数据,病种传染能力值和针对所述预定区域范围(例如,市)的内部传染能力修正系数可因无法直接获得而为可学习参数。本申请对F5()的具体内容不作限制。
此外,根据本发明的示例性实施例,针对迁移传染行为,即,因迁入正常人群与迁入感染者(包括潜伏期患者和发病患者)的接触,导致潜伏期患者增加的行为,控制模块102可将迁移传染行为涉及的规则设置为:
新增潜伏期患者数量=F6(迁入正常人口数量,迁入感染人口数量;病种传染能力值,针对所述预定区域范围的迁移传染能力修正系数),
其中,F6()为迁移传染行为的规则函数,迁入正常人口数量,迁入感染人口数量为迁移传染行为的规则函数涉及的状态,病种传染能力值和针对所述预定区域范围的迁移传染能力修正系数为迁移传染行为的规则函数涉及的参数。这里,病种传染能力值可指该病种的普遍的传染能力值,迁移传染能力修正系数可指对该病种在所述预定区域范围内的迁移传染能力进行修正的值(因为病种在迁移时的传染能力可能不同),也就是说,该病种在所述预定区域范围内的迁移传染能力值可相应于病种传染能力值与针对所述预定区域范围(例如,市)的迁移传染能力修正系数的乘积。病种传染能力值和针对所述预定区域范围(例如,市)的迁移传染能力修正系数可因无法直接获得而为可学习参数。本申请对F6()的具体内容不作限制。
此外,根据本发明的示例性实施例,针对发病行为,即,潜伏期患者渡过潜伏期,转变为发病患者的行为,控制模块102可将发病行为涉及的规则设置为:
新增发病患者数量=F7(潜伏期患者数量;潜伏期时间,发病患者概率分布),
其中,F7()为发病行为的规则函数,潜伏期患者数量为发病行为的规则函数涉及的状态,潜伏期时间和发病患者概率分布为发病行为的规则函数涉及的参数。这里,潜伏期时间和发病患者概率分布可为真实数据或基于真实数据计算的值。本申请对F7()的具体内容不作限制。
此外,根据本发明的示例性实施例,针对隔离行为,即,发病患者被隔离的行为,控制模块102可将隔离行为涉及的规则设置为:
新增隔离患者数量=F8(新增发病患者数量;医疗资源情况);
其中,F8()为隔离行为的规则函数,新增发病患者数量为隔离行为的规则函数涉及的状态,医疗资源情况为隔离行为的规则函数涉及的参数。这里,考虑到医疗资源不足而导致部分新增发病患者数量无法被隔离的情况,从而可将医疗资源情况作为隔离行为的规则函数涉及的参数,其中,医疗资源情况可由真实数据获得。本申请对F8()的具体内容不作限制。
此外,根据本发明的示例性实施例,针对确诊行为,即,隔离患者被确诊的行为,控制模块102可将确诊行为涉及的规则设置为:
新增确诊患者数量=F9(隔离患者数量;病种特性,医疗资源情况),
其中,F9()为确诊行为的规则函数,隔离患者数量为确诊行为的规则函数涉及的状态,病种特性和医疗资源情况为确诊行为的规则函数涉及的参数。这里,病种特性可由领域知识或先验知识获得,或者在无法直接获得的情况下可被设置为可学习参数,医疗资源情况可由真实数据获得。本申请对F9()的具体内容不作限制。
此外,根据本发明的示例性实施例,针对死亡行为,即,确诊患者死亡的行为,控制模块102可将死亡行为涉及的规则设置为:
新增死亡患者数量=F10(确诊患者数量;病种特性,医疗资源情况)
其中,F10()为死亡行为的规则函数,确诊患者数量为死亡行为的规则函数涉及的状态,病种和医疗资源情况为死亡行为的规则函数涉及的参数。这里,病种特性可由领域知识或先验知识获得,或者在无法直接获得的情况下可被设置为可学习参数,医疗资源情况可由真实数据获得。本申请对F10()的具体内容不作限制。
此外,根据本发明的示例性实施例,针对治愈行为,即,确诊患者治愈的行为,控制模块102可将治愈行为涉及的规则设置为:
新增治愈患者数量=F11(确诊患者数量;病种特性,医疗资源情况)
其中,F11()为治愈行为的规则函数,确诊患者数量为治愈行为的规则函数涉及的状态,病种特性和医疗资源情况为治愈行为的规则函数涉及的参数。这里,病种特性可由领域知识或先验知识获得,或者在无法直接获得的情况下可被设置为可学习参数,医疗资源情况可由真实数据获得。本申请对F11()的具体内容不作限制。
此外,根据本发明的示例性实施例,控制模块102可基于上述行为的规则,进一步设置驱动如上所述的状态的变化的行为规则:
正常人口数量=正常人口数量+新增正常人口数量=正常人口数量+新增迁入正常人口数量-新增迁出正常人口数量+新增治愈患者数量;
迁入正常人口数量=新增迁入正常人口数量;
迁出正常人口数量=新增迁出正常人口数量;
迁入感染人口数量=新增迁入感染人口数量;
迁出感染人口数量=新增迁出感染人口数量;
潜伏期患者数量=潜伏期患者数量+新增潜伏期患者数量-新增发病患者数量+迁入感染人口数量-迁出感染人口数量,其中,新增潜伏期患者数量=针对内部传染行为的潜伏期患者数量+针对迁移传染行为的潜伏期患者数量;
发病患者数量=发病患者数量+新增发病患者数量-新增隔离患者数量;
隔离患者数量=隔离患者数量+新增隔离患者数量-新增确诊患者数量;
确诊患者数量=确诊患者数量+新增确诊患者数量-新增死亡患者数量-新增治愈患者数量;
死亡患者数量=死亡患者数量+新增死亡患者数量;
治愈患者数量=治愈患者数量+新增治愈患者数量。
当然,上述疫情发展的状态和行为以及行为所涉及的规则、参数和数据仅是示例性的,仿真逻辑程序还可根据用户需求设置任何其它状态和行为,且控制模块102还可设置任何其它规则、参数和和数据。
随后,仿真模块103可响应于控制模块104的上述控制,运行仿真逻辑程序,并输出疫情仿真结果。
此外,当通过用户接口模块101接收到修改上述行为的用户输入时,控制模块102可根据该用户输入直接调整上述行为所涉及的规则、参数和数量中的至少一个。例如,用户可通过用户接口模块101修改关于迁移传染行为的规则函数,因此,控制模块102可根据用户输入对仿真逻辑程序中的关于迁移传染行为的规则函数进行修改。
此外,当通过用户接口模块101接收到用于修改上述状态的用户输入或突发事件(例如,某监狱发病集中爆发),控制模块102可根据该用户输入或该突发事件直接状态的变化,例如,可直接将新增发病患者的数量修改为200。
在上述与疫情发展相关的领域知识和数据中,无法直接获得上述规则所涉及的病种传染能力值、所述预定区域范围的潜伏期患者数量的初始值、针对所述预定区域范围的内部传染能力修正系数、针对所述预定区域范围的迁移传染能力修正系数和病种特性中的至少一个,因此,可将病种传染能力值、所述预定区域范围的潜伏期患者数量的初始值、针对所述预定区域范围的内部传染能力修正系数、针对所述预定区域范围的迁移传染能力修正系数和病种特性中的至少一个设置为可学习参数,并可通过优化模块104进行优化学习。
具体地说,在疫情推演仿真系统100的初始化阶段,可通过用户接口模块101接收如上所述状态的初始值以及如上所述可学习参数的取值。例如,用户可将正常人口数量的初始值设置为所述预定区域范围内的人口总数;可基于疫情开始日期和仿真开始日期设置迁入/出正常人口数量、迁入/出感染人口数量、潜伏期患者数量、发病患者数量、隔离患者数量、确诊患者数量、死亡患者数量和治愈患者数量的初始值。例如,可基于疫情开始日期和仿真开始日期将潜伏期患者数量的初始值设置为一个非零的值,并将迁入/出正常人口数量、迁入/出感染人口数量、发病患者数量、隔离患者数量、确诊患者数量、死亡患者数量和治愈患者数量的初始值设置为零。用户可根据领域知识和先验知识,设置病种传染能力值、针对所述预定区域范围的内部传染能力修正系数、针对所述预定区域范围的迁移传染能力修正系数和病种特性中的至少一个的取值。
在控制模块102的控制下,由仿真模块103对经过预定时间间隔t(例如,一天)的如上所述的状态的变化进行仿真,并输出仿真疫情数据。另外,可通过用户接口模块101接收关于疫情发展的参考数据,即,当天的真实疫情数据。因此,优化模块100可将仿真疫情数据与真实疫情数据进行比较,例如,计算一个仿真误差化为优化目标,通过调整如上所述的可学习参数来使优化目标最小化,从而达到对如上所述的可学习参数进行优化学习的目的。
在疫情推演仿真系统100中,在优化模式下,可利用每天更新的外部输入,每天对疫情发展进行一次仿真,并对可学习参数进行一次优化。或者,利用每天更新的外部输入,每天对疫情发展进行一次仿真,并每预定天数(例如,十天),利用预定天数的仿真结果来对可学习参数进行一次优化。例如,仿真疫情数据可以是每天输出的所述预定区域范围内的仿真的确诊患者数量,真实疫情数据可以是每天的所述预定区域范围内的真实的确诊患者数量。优化模块100可计算针对预定天数(例如,十天)的仿真的确诊患者数量与真实的确诊患者数量的均方误差,并基于计算出的均方误差,通过演化算法对可学习参数进行优化学习。
在疫情推演仿真系统100中,在仿真模式下,可利用每天更新的外部输入以及最终优化的可学习参数,每天对疫情发展进行一次仿真。
此外,在疫情推演仿真系统100中,用户接口模块101可接收控制输入。例如,控制输入包括用于开始仿真的开始按钮、用于干预仿真的干预按钮、用于暂停仿真的暂停按钮、用于导入数据的导入按钮、用于切换优化模式和仿真模式的切换按钮、用于结果显示的显示按钮中的至少一个,但不限于此。控制模块102可根据接收到的控制输入执行相应的控制。
此外,在疫情推演仿真系统100中,用户接口模块101还可用作显示模块,用于在控制模块102的控制下显示用户界面。用户接口模块101可还通过触敏屏幕来实现。用户接口模块101显示的用户界面可包括用于接收控制输入的按钮、用户接口模块101接收到的数据以及仿真相关数据。这里,用户接口模块101接收到的数据可包括如上所述的外部输入、修改行为或状态的用户输入、状态的初始值和可学习参数的取值等的任何输入的数据。仿真相关数据可包括当前模式、仿真结果数据和疫情发展的参考数据中的至少一个。
数据管理模块105可存储并管理与疫情推演仿真系统100相关的数据。例如,这些数据可包括预置数据、实时数据和用户数据。这里,预置数据可指开发者在开发疫情推演仿真系统100时用到的数据,可随疫情推演仿真系统100一同提供给客户。实时数据可指随时间变化的数据,在疫情推演仿真系统100使用过程中不断更新。用户数据可指用户提供的数据。这些数据可通过用户接口模块101接收,或可被预先存储,或可通过网络传输接收等,本申请对此不做限制。数据管理接口模块106可将数据管理模块105中的数据中的至少一条数据导入控制模块102。例如,数据管理模块105可存储并管理通过用户接口模块101接收到的外部输入,并响应于例如通过用户接口模块101的控制输入,经由数据管理接口模块106将外部输入导入控制模块102。
计算与存储引擎模块107可为支持疫情推演仿真系统100的计算与存储需求。计算与存储引擎模块107可为疫情推演仿真系统100提供底层资源,包括计算资源和存储资源。计算资源可包括算法库、计算框架和计算硬件等。存储资源可包括数据库软件、存储器硬件、分布式存储服务器和互联网等。
以上已参照图1至图6描述了根据本发明示例性实施例的仿真系统及仿真方法。
图1所示出的系统、装置及单元可被分别配置为执行特定功能的软件、硬件、固件或上述项的任意组合。例如,这些系统、装置或单元可对应于专用的集成电路,也可对应于纯粹的软件代码,还可对应于软件与硬件相结合的模块。此外,这些系统、装置或单元所实现的一个或多个功能也可由物理实体设备(例如,处理器、客户端或服务器等)中的组件来统一执行。
此外,参照图5所描述的方法可通过记录在计算机可读存储介质上的程序(或指令)来实现。
例如,根据本发明的示例性实施例,可提供一种用于仿真的计算机可读存储介质,其中,在所述计算机可读存储介质上记录有用于执行参照图5所描述的仿真方法步骤的计算机程序(或指令)。例如,所述计算机程序(或指令)可用于执行以下方法步骤:接收外部输入;基于所述外部输入控制预设的仿真逻辑程序中描述的行为,其中,所述预设的仿真逻辑程序中以代码形式描述了被仿真事项中的状态以及驱动状态变化的行为,其中,当所述外部输入包含可学习参数时,获取可学习参数的优化值,并通过将该优化值作为可学习参数的值来执行基于所述外部输入控制所述预设的仿真逻辑程序中描述的所述行为的步骤;响应于所述控制,运行所述预设的仿真逻辑程序;基于输出的仿真结果数据对可学习参数的取值进行优化学习。
再例如,根据本发明的示例性实施例,可提供一种用于疫情推演仿真的计算机可读存储介质,其中,在所述计算机可读存储介质上记录有用于执行根据本发明的示例性实施例的在疫情推演场景下的仿真方法,例如,可以下方法步骤:接收外部输入;基于所述外部输入控制预设的仿真逻辑程序中描述的行为,其中,所述预设的仿真逻辑程序中以代码形式描述了疫情发展中的状态以及驱动疫情发展中的状态的变化的行为,其中,当所述外部输入包含可学习参数时,获取可学习参数的优化值,并通过将该优化值作为可学习参数的值来执行基于所述外部输入控制所述预设的仿真逻辑程序中描述的所述行为的步骤;响应于所述控制,运行所述预设的仿真逻辑程序;基于输出的仿真结果数据对可学习参数的取值进行优化学习。
上述计算机可读存储介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行,应注意,所述计算机程序还可用于执行除了上述步骤以外的附加步骤或者在执行上述步骤时执行更为具体的处理,这些附加步骤和进一步处理的内容已经在参照图5和图6进行相关方法的描述过程中提及,因此这里为了避免重复将不再进行赘述。
应注意,根据本发明示例性实施例的仿真系统可完全依赖计算机程序的运行来实现相应的功能,即,各个单元在计算机程序的功能架构中与各步骤相应,使得整个系统通过专门的软件包(例如,lib库)而被调用,以实现相应的功能。
另一方面,图1所示的各个装置也可以通过硬件、软件、固件、中间件、微代码或其任意组合来实现。当以软件、固件、中间件或微代码实现时,用于执行相应操作的程序代码或者代码段可以存储在诸如存储介质的计算机可读介质中,使得处理器可通过读取并运行相应的程序代码或者代码段来执行相应的操作。
例如,本发明的示例性实施例还可以实现为计算装置,该计算装置包括存储部件和处理器,存储部件中存储有计算机可执行指令集合,当所述计算机可执行指令集合被所述处理器执行时,执行根据本发明的示例性实施例的仿真方法。
具体说来,所述计算装置可以部署在服务器或客户端中,也可以部署在分布式网络环境中的节点装置上。此外,所述计算装置可以是PC计算机、平板装置、个人数字助理、智能手机、web应用或其他能够执行上述指令集合的装置。
这里,所述计算装置并非必须是单个的计算装置,还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。计算装置还可以是集成控制系统或系统管理器的一部分,或者可被配置为与本地或远程(例如,经由无线传输)以接口互联的便携式电子装置。
在所述计算装置中,处理器可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制,处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
根据本发明示例性实施例的仿真方法中所描述的某些操作可通过软件方式来实现,某些操作可通过硬件方式来实现,此外,还可通过软硬件结合的方式来实现这些操作。
处理器可运行存储在存储部件之一中的指令或代码,其中,所述存储部件还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收,其中,所述网络接口装置可采用任何已知的传输协议。
存储部件可与处理器集成为一体,例如,将RAM或闪存布置在集成电路微处理器等之内。此外,存储部件可包括独立的装置,诸如,外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储部件和处理器可在操作上进行耦合,或者可例如通过I/O端口、网络连接等互相通信,使得处理器能够读取存储在存储部件中的文件。
此外,所述计算装置还可包括视频显示器(诸如,液晶显示器)和用户交互接口(诸如,键盘、鼠标、触摸输入装置等)。计算装置的所有组件可经由总线和/或网络而彼此连接。
根据本发明示例性实施例的仿真方法所涉及的操作可被描述为各种互联或耦合的功能块或功能示图。然而,这些功能块或功能示图可被均等地集成为单个的逻辑装置或按照非确切的边界进行操作。
因此,可提供一种包括至少一个计算装置和至少一个存储装置的系统,所述至少一个存储装置中存储有指令,当所述指令在被所述至少一个计算装置运行时,促使所述至少一个计算装置执行根据本发明的示例性实施例的仿真方法。
根据本发明的示例性实施例,所述至少一个计算装置是根据本发明示例性实施例的用于仿真的计算装置,存储装置中存储有计算机可执行指令集合,当所述计算机可执行指令集合被所述至少一个计算装置执行时,可执行以下方法步骤:接收外部输入;基于所述外部输入控制预设的仿真逻辑程序中描述的行为,其中,所述预设的仿真逻辑程序中以代码形式描述了被仿真事项中的状态以及驱动状态变化的行为,其中,当所述外部输入包含可学习参数时,获取可学习参数的优化值,并通过将该优化值作为可学习参数的值来执行基于所述外部输入控制所述预设的仿真逻辑程序中描述的所述行为的步骤;响应于所述控制,运行所述预设的仿真逻辑程序;基于输出的仿真结果数据对可学习参数的取值进行优化学习。
另外,可提供一种包括至少一个计算装置和至少一个存储装置的系统,所述至少一个存储装置中存储有指令,当所述指令在被所述至少一个计算装置运行时,促使所述至少一个计算装置执行根据本发明的示例性实施例的疫情推演仿真方法。
根据本发明的示例性实施例,所述至少一个计算装置是根据本发明示例性实施例的用于仿真的计算装置,存储装置中存储有计算机可执行指令集合,当所述计算机可执行指令集合被所述至少一个计算装置执行时,可执行根据本发明的示例性实施例的疫情推演仿真方法,例如,包括以下方法步骤:接收外部输入;基于所述外部输入控制预设的仿真逻辑程序中描述的行为,其中,所述预设的仿真逻辑程序中以代码形式描述了疫情发展中的状态以及驱动疫情发展中的状态的变化的行为,其中,当所述外部输入包含可学习参数时,获取可学习参数的优化值,并通过将该优化值作为可学习参数的值来执行基于所述外部输入控制所述预设的仿真逻辑程序中描述的所述行为的步骤;响应于所述控制,运行所述预设的仿真逻辑程序;基于输出的仿真结果数据对可学习参数的取值进行优化学习。
以上描述了本发明的各示例性实施例,应理解,上述描述仅是示例性的,并非穷尽性的,本发明不限于所披露的各示例性实施例。在不偏离本发明的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。因此,本发明的保护范围应该以权利要求的范围为准。
Claims (48)
1.一种疫情推演仿真系统,包括:
用户接口模块,被配置为接收外部输入;
控制模块,被配置为基于所述外部输入控制预设的仿真逻辑程序中描述的行为,其中,所述预设的仿真逻辑程序中以代码形式描述了疫情发展中的状态以及驱动疫情发展中的状态的变化的行为,其中,当所述外部输入包含可学习参数时,所述控制模块从优化模块获取可学习参数的优化值,并通过将该优化值作为可学习参数的值来执行基于所述外部输入控制所述预设的仿真逻辑程序中描述的所述行为的步骤;其中,所述可学习参数包括与疫情发展相关的无法从领域知识、数据或事件中直接获得的至少一个参数;
仿真模块,被配置为响应于所述控制模块的控制,运行所述预设的仿真逻辑程序;
优化模块,被配置为基于所述仿真模块输出的仿真结果数据对可学习参数的取值进行优化学习。
2.如权利要求1所述的疫情推演仿真系统,其中,所述状态包括预定区域范围内的正常人口数量、迁入/出正常人口数量、迁入/出感染人口数量、潜伏期患者数量、发病患者数量、隔离患者数量、确诊患者数量、死亡患者数量和治愈患者数量中的至少一个。
3.如权利要求2所述的疫情推演仿真系统,其中,所述预定区域范围为世界、洲、国、省、市、区和社区之一。
4.如权利要求2所述的疫情推演仿真系统,其中,所述行为包括内部传染行为、迁移传染行为、发病行为、隔离行为、确诊行为、死亡行为、治愈行为、迁入行为、迁出行为中的至少一个。
5.如权利要求4所述的疫情推演仿真系统,其中,
所述行为涉及的规则包括计算所述状态的变化的公式;
所述行为涉及的参数包括病种传染能力值、针对所述预定区域范围的内部传染能力修正系数、针对所述预定区域范围的迁移传染能力修正系数、发病患者比例、潜伏期时间、潜伏期患者概率分布、病种特性和医疗资源情况中的至少一个;
所述行为涉及的数据包括内部人口流动数据、迁入总人口数量和迁出总人口数量中的至少一个。
6.如权利要求5所述的疫情推演仿真系统,其中,所述可学习参数包括病种传染能力值、所述预定区域范围的潜伏期患者数量的初始值、针对所述预定区域范围的内部传染能力修正系数、针对所述预定区域范围的迁移传染能力修正系数和病种特性中的至少一个。
7.如权利要求6所述的疫情推演仿真系统,其中,所述用户接口模块被配置为:接收用于初始化所述疫情推演仿真系统的用户输入;
所述控制模块被配置为:根据所述用户输入设置正常人口数量、迁入/出正常人口数量、迁入/出感染人口数量、潜伏期患者数量、发病患者数量、隔离患者数量、确诊患者数量、死亡患者数量和治愈患者数量中的至少一个的初始值;
根据所述用户输入设置病种传染能力值、针对所述预定区域范围的内部传染能力修正系数、针对所述预定区域范围的迁移传染能力修正系数、发病患者比例和病种特性中的至少一个的取值。
8.如权利要求7所述的疫情推演仿真系统,其中,所述控制模块被配置为:
将正常人口数量的初始值设置为所述预定区域范围内的人口总数;
基于疫情开始日期和仿真开始日期将潜伏期患者数量的初始值设置为一个非零值;
将迁入/出正常人口数量、迁入/出感染人口数量、发病患者数量、隔离患者数量、确诊患者数量、死亡患者数量和治愈患者数量的初始值设置为零。
9.如权利要求7所述的疫情推演仿真系统,其中,所述控制模块被配置为:
针对迁入行为,将迁入行为涉及的规则设置为:
新增迁入正常人口数量=F1(迁入总人口数量;发病患者比例),
新增迁入感染人口数量=F2(迁入总人口数量;发病患者比例),
其中,F1()和F2()为迁入行为的规则函数,迁入总人口数量为迁入行为的规则函数涉及的数据,发病患者比例为迁入行为的规则函数涉及的参数;和/或
针对迁出行为,将迁出行为涉及的规则设置为:
新增迁出正常人口数量=F3(正常人口数量,潜伏期患者数量,发病患者数量,迁出总人口数量;发病患者比例),
新增迁出感染人口数量=F4(正常人口数量,潜伏期患者数量,发病患者数量,迁出总人口数量;发病患者比例),
其中,F3()和F4()为迁出行为的规则函数,正常人口数量、潜伏期患者数量和发病患者数量迁出行为的规则函数涉及的状态,迁出总人口数据为迁出行为的规则函数涉及的数据,发病患者比例为迁出行为的规则函数涉及的参数;和/或
针对内部传染行为,将内部传染行为涉及的规则设置为:
新增潜伏期患者数量=F5(正常人口数量,发病患者数量,潜伏期患者数量,内部人口流动数据;病种传染能力值,针对所述预定区域范围的内部传染能力修正系数),
其中,F5()为内部传染行为的规则函数,正常人口数量、发病患者数量、潜伏期患者数量为内部传染行为的规则函数涉及的状态,内部人口流动数据为内部传染行为的规则函数涉及的数据,病种传染能力值和针对所述预定区域范围的内部传染能力修正系数为内部传染行为的规则函数涉及的参数;和/或
针对迁移传染行为,将迁移传染行为涉及的规则设置为:
新增潜伏期患者数量=F6(迁入正常人口数量,迁入感染人口数量;病种传染能力值,针对所述预定区域范围的迁移传染能力修正系数),
其中,F6()为迁移传染行为的规则函数,迁入正常人口数量,迁入感染人口数量为迁移传染行为的规则函数涉及的状态,病种传染能力值和针对所述预定区域范围的迁移传染能力修正系数为迁移传染行为的规则函数涉及的参数;和/或
针对发病行为,将发病行为涉及的规则设置为:
新增发病患者数量=F7(潜伏期患者数量;潜伏期时间,发病患者概率分布),
其中,F7()为发病行为的规则函数,潜伏期患者数量为发病行为的规则函数涉及的状态,潜伏期时间和发病患者概率分布为发病行为的规则函数涉及的参数;和/或
针对隔离行为,将隔离行为涉及的规则设置为:
新增隔离患者数量=F8(新增发病患者数量;医疗资源情况),
其中,F8()为隔离行为的规则函数,新增发病患者数量为隔离行为的规则函数涉及的状态,医疗资源情况为隔离行为的规则函数涉及的参数;和/或
针对确诊行为,将确诊行为涉及的规则设置为:
新增确诊患者数量=F9(隔离患者数量;病种特性,医疗资源情况),
其中,F9()为确诊行为的规则函数,隔离患者数量为确诊行为的规则函数涉及的状态,病种特性和医疗资源情况为确诊行为的规则函数涉及的参数;和/或
针对死亡行为,将死亡行为涉及的规则设置为:
新增死亡患者数量=F10(确诊患者数量;病种特性,医疗资源情况),
其中,F10()为死亡行为的规则函数,确诊患者数量为死亡行为的规则函数涉及的状态,病种特性和医疗资源情况为死亡行为的规则函数涉及的参数;和/或
针对治愈行为,将治愈行为涉及的规则设置为:
新增治愈患者数量=F11(确诊患者数量;病种特性,医疗资源情况),
其中,F11()为治愈行为的规则函数,确诊患者数量为治愈行为的规则函数涉及的状态,病种特性和医疗资源情况为治愈行为的规则函数涉及的参数。
10.如权利要求9所述的疫情推演仿真系统,其中,所述控制模块被配置为:
将驱动所述状态的变化的行为所涉及的规则设置为:
正常人口数量=正常人口数量+新增正常人口数量=正常人口数量+新增迁入正常人口数量-新增迁出正常人口数量+新增治愈患者数量;
迁入正常人口数量=新增迁入正常人口数量;
迁出正常人口数量=新增迁出正常人口数量;
迁入感染人口数量=新增迁入感染人口数量;
迁出感染人口数量=新增迁出感染人口数量;
潜伏期患者数量=潜伏期患者数量+新增潜伏期患者数量-新增发病患者数量+迁入感染人口数量-迁出感染人口数量,其中,新增潜伏期患者数量=针对内部传染行为的潜伏期患者数量+针对迁移传染行为的潜伏期患者数量;
发病患者数量=发病患者数量+新增发病患者数量-新增隔离患者数量;
隔离患者数量=隔离患者数量+新增隔离患者数量-新增确诊患者数量;
确诊患者数量=确诊患者数量+新增确诊患者数量-新增死亡患者数量-新增治愈患者数量;
死亡患者数量=死亡患者数量+新增死亡患者数量;
治愈患者数量=治愈患者数量+新增治愈患者数量。
11.如权利要求2所述的疫情推演仿真系统,其中,所述用户接口模块、所述控制模块和所述仿真模块以天为单位执行操作;
其中,所述用户接口模块,被配置为接收每天的所述预定区域范围内的真实的确诊患者数量;
其中,所述优化模块,被配置为计算针对预定天数的仿真的确诊患者数量与真实的确诊患者数量的均方误差,并基于计算出的均方误差,通过演化算法对可学习参数进行优化学习。
12.如权利要求1至11中的任意一个权利要求所述的疫情推演仿真系统,其中,当所述外部输入包含可学习参数时,所述疫情推演仿真系统的运行模式包括优化模式和仿真模式;
在优化模式下,所述用户接口模块、所述控制模块、所述仿真模块和所述优化模块迭代地执行操作,从而获得可学习参数的最终优化值;
在仿真模式下,所述控制模块通过将可学习参数的最终优化值作为可学习参数的值来执行基于所述外部输入控制所述预设的仿真逻辑程序中描述的所述行为的步骤。
13.如权利要求1至11中的任意一个权利要求所述的疫情推演仿真系统,其中,所述用户接口模块实时接收外部输入;
所述控制模块基于实时的外部输入控制所述预设的仿真逻辑程序中描述的所述行为;
所述仿真模块响应于所述控制模块的控制,实时运行所述预设的仿真逻辑程序;
所述优化模块基于所述仿真模块实时输出的仿真结果数据对可学习参数的取值进行优化学习。
14.如权利要求1至11中的任意一个权利要求所述的疫情推演仿真系统,其中,所述外部输入包括与疫情发展相关的领域知识、数据和事件中的至少一个。
15.如权利要求1至11中的任意一个权利要求所述的疫情推演仿真系统,其中,所述行为涉及规则、参数和数据中的至少一个。
16.如权利要求15所述的疫情推演仿真系统,其中,
所述控制模块,被配置为将所述外部输入转换为所述行为涉及的规则、参数和数据中的至少一个并发送到所述仿真模块;
所述仿真模块,被配置为将转换后的规则、参数和数据中的至少一个应用于所述预设的仿真逻辑程序并运行,从而获得并输出仿真结果数据。
17.如权利要求15所述的疫情推演仿真系统,其中,
所述用户接口模块,还被配置为接收用于修改所述行为的用户输入;
所述控制模块,被配置为根据所述用户输入修改所述行为涉及的规则、参数和数据中的至少一个并发送到所述仿真模块;
所述仿真模块,被配置为将修改后的所述行为涉及的规则、参数和/或数据中的至少一个应用于所述预设的仿真逻辑程序并运行,从而获得并输出仿真结果数据。
18.如权利要求1至11中的任意一个权利要求所述的疫情推演仿真系统,其中,
所述用户接口模块,还被配置为接收用于初始化所述疫情推演仿真系统的用户输入;
所述控制模块,被配置为根据所述用户输入设置所述状态的初始值以及可学习参数的取值。
19.如权利要求1至11中的任意一个权利要求所述的疫情推演仿真系统,其中,
所述用户接口模块,还被配置为接收用于修改所述状态的用户输入;
所述控制模块,被配置为根据所述用户输入修改所述状态中的至少一个状态的变化。
20.如权利要求1至11中的任意一个权利要求所述的疫情推演仿真系统,其中,
所述用户接口模块,还被配置为接收疫情发展的参考数据;
所述优化模块,被配置为:将所述仿真模块输出的仿真结果数据与疫情发展的参考数据进行比较,基于比较的结果,通过优化算法对可学习参数进行优化学习。
21.如权利要求1至11中的任意一个权利要求所述的疫情推演仿真系统,其中,
所述用户接口模块,还被配置为接收控制输入并将所述控制输入发送到所述控制模块;
所述控制模块,被配置为根据所述控制输入执行相应控制;
其中,所述控制输入包括开始仿真输入、仿真干预输入、暂停仿真输入、数据导入输入、切换模式输入和结果显示输入中的至少一个。
22.如权利要求1至11中的任意一个权利要求所述的疫情推演仿真系统,其中,
所述用户接口模块,还被配置为接收控制输入,并根据所述控制输入执行相应控制;
其中,所述控制输入包括开始仿真输入、仿真干预输入、暂停仿真输入、数据导入输入、切换模式输入和结果显示输入中的至少一个。
23.如权利要求1至11中的任意一个权利要求所述的疫情推演仿真系统,其中,
所述用户接口模块,还被配置为显示用户界面;
其中,所述用户界面包括用于接收控制输入的按钮、通过所述用户接口模块接收到的数据以及仿真相关数据;
其中,通过所述用户接口模块接收到的数据包括所述外部输入;
其中,所述仿真相关数据包括当前模式、所述仿真模块输出的仿真结果数据和疫情发展的参考数据中的至少一个。
24.如权利要求1至11中的任意一个权利要求所述的疫情推演仿真系统,还包括:
数据管理模块,被配置为存储并管理与所述疫情推演仿真系统相关的数据,
数据管理接口模块,被配置为将所述数据管理模块中的数据中的至少一条数据导入所述控制模块。
25.如权利要求1至11中的任意一个权利要求所述的疫情推演仿真系统,还包括:
计算与存储引擎模块,被配置为支持所述疫情推演仿真系统的计算与存储需求。
26.一种由包括至少一个计算装置和至少一个存储装置的系统执行的仿真方法,所述至少一个存储装置中存储有指令,当所述指令在被所述至少一个计算装置运行时,促使所述至少一个计算装置执行所述仿真方法,该仿真方法包括:
接收外部输入;
基于所述外部输入控制预设的仿真逻辑程序中描述的行为,其中,所述预设的仿真逻辑程序中以代码形式描述了疫情发展中的状态以及驱动疫情发展中的状态的变化的行为,其中,当所述外部输入包含可学习参数时,获取可学习参数的优化值,并通过将该优化值作为可学习参数的值来执行基于所述外部输入控制所述预设的仿真逻辑程序中描述的所述行为的步骤;其中,所述可学习参数包括与疫情发展相关的无法从领域知识、数据或事件中直接获得的至少一个参数;
响应于所述控制,运行所述预设的仿真逻辑程序;
基于输出的仿真结果数据对可学习参数的取值进行优化学习。
27.如权利要求26所述的仿真方法,其中,所述状态包括预定区域范围内的正常人口数量、迁入/出正常人口数量、迁入/出感染人口数量、潜伏期患者数量、发病患者数量、隔离患者数量、确诊患者数量、死亡患者数量和治愈患者数量中的至少一个。
28.如权利要求27所述的仿真方法,其中,所述预定区域范围为世界、洲、国、省、市、区和社区之一。
29.如权利要求27所述的仿真方法,其中,所述行为包括内部传染行为、迁移传染行为、发病行为、隔离行为、确诊行为、死亡行为、治愈行为、迁入行为、迁出行为中的至少一个。
30.如权利要求29所述的仿真方法,其中,
所述行为涉及的规则包括计算所述状态的变化的公式;
所述行为涉及的参数包括病种传染能力值、针对所述预定区域范围的内部传染能力修正系数、针对所述预定区域范围的迁移传染能力修正系数、发病患者比例、潜伏期时间、潜伏期患者概率分布、病种特性和医疗资源情况中的至少一个;
所述行为涉及的数据包括内部人口流动数据、迁入总人口数量和迁出总人口数量中的至少一个。
31.如权利要求30所述的仿真方法,其中,所述可学习参数包括病种传染能力值、所述预定区域范围的潜伏期患者数量的初始值、针对所述预定区域范围的内部传染能力修正系数、针对所述预定区域范围的迁移传染能力修正系数和病种特性中的至少一个。
32.如权利要求31所述的仿真方法,还包括:
接收用于初始化所述系统的用户输入;
根据所述用户输入设置正常人口数量、迁入/出正常人口数量、迁入/出感染人口数量、潜伏期患者数量、发病患者数量、隔离患者数量、确诊患者数量、死亡患者数量和治愈患者数量中的至少一个的初始值;
根据所述用户输入设置病种传染能力值、针对所述预定区域范围的内部传染能力修正系数、针对所述预定区域范围的迁移传染能力修正系数、发病患者比例和病种特性中的至少一个的取值。
33.如权利要求32所述的仿真方法,其中,设置初始值的步骤包括:
将正常人口数量的初始值设置为所述预定区域范围内的人口总数;
基于疫情开始日期和仿真开始日期将潜伏期患者数量的初始值设置为一个非零值;
将迁入/出正常人口数量、迁入/出感染人口数量、发病患者数量、隔离患者数量、确诊患者数量、死亡患者数量和治愈患者数量的初始值设置为零。
34.如权利要求32所述的仿真方法,其中,控制步骤包括:
针对迁入行为,将迁入行为涉及的规则设置为:
新增迁入正常人口数量=F1(迁入总人口数量;发病患者比例),
新增迁入感染人口数量=F2(迁入总人口数量;发病患者比例),
其中,F1()和F2()为迁入行为的规则函数,迁入总人口数量为迁入行为的规则函数涉及的数据,发病患者比例为迁入行为的规则函数涉及的参数;和/或
针对迁出行为,将迁出行为涉及的规则设置为:
新增迁出正常人口数量=F3(正常人口数量,潜伏期患者数量,发病患者数量,迁出总人口数量;发病患者比例),
新增迁出感染人口数量=F4(正常人口数量,潜伏期患者数量,发病患者数量,迁出总人口数量;发病患者比例),
其中,F3()和F4()为迁出行为的规则函数,正常人口数量、潜伏期患者数量和发病患者数量迁出行为的规则函数涉及的状态,迁出总人口数据为迁出行为的规则函数涉及的数据,发病患者比例为迁出行为的规则函数涉及的参数;和/或
针对内部传染行为,将内部传染行为涉及的规则设置为:
新增潜伏期患者数量=F5(正常人口数量,发病患者数量,潜伏期患者数量,内部人口流动数据;病种传染能力值,针对所述预定区域范围的内部传染能力修正系数),
其中,F5()为内部传染行为的规则函数,正常人口数量、发病患者数量、潜伏期患者数量为内部传染行为的规则函数涉及的状态,内部人口流动数据为内部传染行为的规则函数涉及的数据,病种传染能力值和针对所述预定区域范围的内部传染能力修正系数为内部传染行为的规则函数涉及的参数;和/或
针对迁移传染行为,将迁移传染行为涉及的规则设置为:
新增潜伏期患者数量=F6(迁入正常人口数量,迁入感染人口数量;病种传染能力值,针对所述预定区域范围的迁移传染能力修正系数),
其中,F6()为迁移传染行为的规则函数,迁入正常人口数量,迁入感染人口数量为迁移传染行为的规则函数涉及的状态,病种传染能力值和针对所述预定区域范围的迁移传染能力修正系数为迁移传染行为的规则函数涉及的参数;和/或
针对发病行为,将发病行为涉及的规则设置为:
新增发病患者数量=F7(潜伏期患者数量;潜伏期时间,发病患者概率分布),
其中,F7()为发病行为的规则函数,潜伏期患者数量为发病行为的规则函数涉及的状态,潜伏期时间和发病患者概率分布为发病行为的规则函数涉及的参数;和/或
针对隔离行为,将隔离行为涉及的规则设置为:
新增隔离患者数量=F8(新增发病患者数量;医疗资源情况),
其中,F8()为隔离行为的规则函数,新增发病患者数量为隔离行为的规则函数涉及的状态,医疗资源情况为确诊行为的规则函数涉及的参数;和/或
针对确诊行为,将确诊行为涉及的规则设置为:
新增确诊患者数量=F9(隔离患者数量;病种特性,医疗资源情况),
其中,F9()为确诊行为的规则函数,隔离患者数量为确诊行为的规则函数涉及的状态,病种特性和医疗资源情况为确诊行为的规则函数涉及的参数;和/或
针对死亡行为,将死亡行为涉及的规则设置为:
新增死亡患者数量=F10(确诊患者数量;病种特性,医疗资源情况),
其中,F10()为死亡行为的规则函数,确诊患者数量为死亡行为的规则函数涉及的状态,病种特性和医疗资源情况为死亡行为的规则函数涉及的参数;和/或
针对治愈行为,将治愈行为涉及的规则设置为:
新增治愈患者数量=F11(确诊患者数量;病种特性,医疗资源情况),
其中,F11()为治愈行为的规则函数,确诊患者数量为治愈行为的规则函数涉及的状态,病种特性和医疗资源情况为治愈行为的规则函数涉及的参数。
35.如权利要求34所述的仿真方法,其中,控制步骤包括:将驱动所述状态的变化的行为所涉及的规则设置为:
正常人口数量=正常人口数量+新增正常人口数量=正常人口数量+新增迁入正常人口数量-新增迁出正常人口数量+新增治愈患者数量;
迁入正常人口数量=新增迁入正常人口数量;
迁出正常人口数量=新增迁出正常人口数量;
迁入感染人口数量=新增迁入感染人口数量;
迁出感染人口数量=新增迁出感染人口数量;
潜伏期患者数量=潜伏期患者数量+新增潜伏期患者数量-新增发病患者数量+迁入感染人口数量-迁出感染人口数量,其中,新增潜伏期患者数量=针对内部传染行为的潜伏期患者数量+针对迁移传染行为的潜伏期患者数量;
发病患者数量=发病患者数量+新增发病患者数量-新增隔离患者数量;
隔离患者数量=隔离患者数量+新增隔离患者数量-新增确诊患者数量;
确诊患者数量=确诊患者数量+新增确诊患者数量-新增死亡患者数量-新增治愈患者数量;
死亡患者数量=死亡患者数量+新增死亡患者数量;
治愈患者数量=治愈患者数量+新增治愈患者数量。
36.如权利要求27所述的仿真方法,其中,以天为单位执行接收步骤、控制步骤和运行步骤;
其中,所述仿真结果数据为每天输出的所述预定区域范围内的仿真的确诊患者数量,所述参考数据为每天的所述预定区域范围内的真实的确诊患者数量;
其中,优化学习步骤包括:计算针对预定天数的仿真的确诊患者数量与真实的确诊患者数量的均方误差,并基于计算出的均方误差,通过演化算法对可学习参数进行优化学习。
37.如权利要求26至36中的任意一个权利要求所述的仿真方法,其中,当所述外部输入包含可学习参数时,所述系统的运行模式包括优化模式和仿真模式;
在优化模式下,迭代地执行接收步骤、控制步骤、运行步骤和优化学习步骤,从而获得可学习参数的最终优化值;
在仿真模式下,通过将可学习参数的最终优化值作为可学习参数的值来执行基于外部输入控制所述预设的仿真逻辑程序中描述的所述行为的步骤。
38.如权利要求26至36中的任意一个权利要求所述的仿真方法,其中,接收步骤包括实时接收外部输入;
控制步骤包括基于实时的外部输入控制仿真逻辑程序中描述的所述行为;
运行步骤包括响应于所述控制,实时运行所述预设的仿真逻辑程序;
优化学习步骤包括基于实时输出的仿真结果数据对可学习参数的取值进行优化学习。
39.如权利要求26至36中的任意一个权利要求所述的仿真方法,其中,所述外部输入包括与疫情发展相关的领域知识、数据和事件中的至少一个。
40.如权利要求26至36中的任意一个权利要求所述的仿真方法,其中,所述行为涉及规则、参数和数据中的至少一个。
41.如权利要求40所述的仿真方法,其中,控制步骤包括:
将所述外部输入转换为所述行为涉及的规则、参数和数据中的至少一个,
其中,运行步骤包括:
将转换后的规则、参数和数据中的至少一个应用于所述预设的仿真逻辑程序并运行,从而获得并输出仿真结果数据。
42.如权利要求40所述的仿真方法,还包括:
接收用于修改所述行为的用户输入;
根据所述用户输入修改所述行为涉及的规则、参数和数据中的至少一个,
其中,运行步骤包括:
将修改后的所述行为涉及的规则、参数和数据中的至少一个应用于所述预设的仿真逻辑程序并运行,从而获得并输出仿真结果数据。
43.如权利要求26至36中的任意一个权利要求所述的仿真方法,还包括:
接收用于初始化所述系统的用户输入;
根据所述用户输入设置所述状态的初始值以及可学习参数的取值。
44.如权利要求26至36中的任意一个权利要求所述的仿真方法,还包括:
接收用于修改所述状态的用户输入;
根据所述用户输入修改所述状态中的至少一个状态的变化。
45.如权利要求26至36中的任意一个权利要求所述的仿真方法,还包括:
接收疫情发展的参考数据;
其中,优化学习步骤包括:将输出的仿真结果数据与所述被仿真事项的参考数据进行比较;
基于比较的结果,通过优化算法对可学习参数进行优化学习。
46.如权利要求26至36中的任意一个权利要求所述的仿真方法,还包括:
接收控制输入;
根据所述控制输入执行相应控制;
其中,所述控制输入包括开始仿真输入、仿真干预输入、暂停仿真输入数据导入输入、切换模式输入和结果显示输入中的至少一个。
47.如权利要求26至36中的任意一个权利要求所述的仿真方法,还包括:
显示用户界面;
其中,所述用户界面包括用于接收控制输入的按钮、接收到的数据以及仿真相关数据;
其中,接收到的数据包括所述外部输入;
其中,所述仿真相关数据包括当前模式、输出的仿真结果数据和疫情发展的参考数据中的至少一个。
48.一种存储指令的计算机可读存储介质,其特征在于,当所述指令被至少一个计算装置运行时,促使所述至少一个计算装置执行如权利要求26到47中的任一权利要求所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010322919.8A CN111540478B (zh) | 2020-04-22 | 2020-04-22 | 疫情推演仿真系统和仿真方法 |
CN202311207016.5A CN117219290A (zh) | 2020-04-22 | 2020-04-22 | 疫情推演仿真系统和仿真方法 |
PCT/CN2021/084557 WO2021213166A1 (zh) | 2020-04-22 | 2021-03-31 | 仿真系统及仿真方法、疫情推演仿真系统及仿真方法 |
EP21792125.3A EP4141584A4 (en) | 2020-04-22 | 2021-03-31 | SIMULATION SYSTEM AND SIMULATION METHOD AND EPIDEMIC DEDUCTION SIMULATION SYSTEM AND SIMULATION METHOD |
US17/921,025 US20230170098A1 (en) | 2020-04-22 | 2021-03-31 | Simulation system and simulation method, and epidemic deduction simulation system and simulation method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010322919.8A CN111540478B (zh) | 2020-04-22 | 2020-04-22 | 疫情推演仿真系统和仿真方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311207016.5A Division CN117219290A (zh) | 2020-04-22 | 2020-04-22 | 疫情推演仿真系统和仿真方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111540478A CN111540478A (zh) | 2020-08-14 |
CN111540478B true CN111540478B (zh) | 2023-10-10 |
Family
ID=71980146
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010322919.8A Active CN111540478B (zh) | 2020-04-22 | 2020-04-22 | 疫情推演仿真系统和仿真方法 |
CN202311207016.5A Pending CN117219290A (zh) | 2020-04-22 | 2020-04-22 | 疫情推演仿真系统和仿真方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311207016.5A Pending CN117219290A (zh) | 2020-04-22 | 2020-04-22 | 疫情推演仿真系统和仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN111540478B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021213166A1 (zh) * | 2020-04-22 | 2021-10-28 | 第四范式(北京)技术有限公司 | 仿真系统及仿真方法、疫情推演仿真系统及仿真方法 |
CN112185583B (zh) * | 2020-10-14 | 2022-05-31 | 天津之以科技有限公司 | 一种基于贝叶斯网络的数据挖掘检疫方法 |
CN112002434B (zh) * | 2020-10-30 | 2021-02-19 | 平安科技(深圳)有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
CN112768067A (zh) * | 2020-12-15 | 2021-05-07 | 广州呼吸健康研究院 | 新型冠状病毒各地风险指数评估系统 |
CN112669989A (zh) * | 2021-03-22 | 2021-04-16 | 南栖仙策(南京)科技有限公司 | 一种引入专家知识的传染病传播模型构建方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1881227A (zh) * | 2006-05-16 | 2006-12-20 | 中国人民解放军第三军医大学 | 传染病疫情诊断及危害度分类智能分析模型技术 |
WO2010062676A1 (en) * | 2008-10-30 | 2010-06-03 | Vertex Pharmaceuticals Incorporated | Modeling evolutionary dynamics of hepatitis-c resistant variants in patients dosed with telaprevir |
CN101794342A (zh) * | 2009-09-30 | 2010-08-04 | 中国人民解放军防化指挥工程学院 | 基于非线性、变系数预测模型的传染病疫情预测分析方法 |
CN102222163A (zh) * | 2011-05-25 | 2011-10-19 | 中国人民解放军防化指挥工程学院 | 一种具有免疫期且受季节影响的传染病疫情预测方法 |
CN103390091A (zh) * | 2012-05-08 | 2013-11-13 | 中国人民解放军防化学院 | 一种传染病疫情优化控制方法 |
CN103390089A (zh) * | 2012-05-07 | 2013-11-13 | 中国人民解放军防化学院 | 一种具有控制变量的传染病疫情预测方法 |
CN106874616A (zh) * | 2017-03-06 | 2017-06-20 | 北京经纬恒润科技有限公司 | 一种参数优化调整方法及系统 |
CN110136842A (zh) * | 2019-04-04 | 2019-08-16 | 平安科技(深圳)有限公司 | 急性传染病的发病预测方法、装置及计算机可读存储介质 |
CN110957043A (zh) * | 2018-09-26 | 2020-04-03 | 金敏 | 疾病预测系统 |
CN110993119A (zh) * | 2020-03-04 | 2020-04-10 | 同盾控股有限公司 | 基于人口迁移的疫情预测方法、装置、电子设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001073427A1 (en) * | 2000-03-29 | 2001-10-04 | Biomedware, Inc. | Model transition sensitivity analysis system and method |
-
2020
- 2020-04-22 CN CN202010322919.8A patent/CN111540478B/zh active Active
- 2020-04-22 CN CN202311207016.5A patent/CN117219290A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1881227A (zh) * | 2006-05-16 | 2006-12-20 | 中国人民解放军第三军医大学 | 传染病疫情诊断及危害度分类智能分析模型技术 |
WO2010062676A1 (en) * | 2008-10-30 | 2010-06-03 | Vertex Pharmaceuticals Incorporated | Modeling evolutionary dynamics of hepatitis-c resistant variants in patients dosed with telaprevir |
CN101794342A (zh) * | 2009-09-30 | 2010-08-04 | 中国人民解放军防化指挥工程学院 | 基于非线性、变系数预测模型的传染病疫情预测分析方法 |
CN102222163A (zh) * | 2011-05-25 | 2011-10-19 | 中国人民解放军防化指挥工程学院 | 一种具有免疫期且受季节影响的传染病疫情预测方法 |
CN103390089A (zh) * | 2012-05-07 | 2013-11-13 | 中国人民解放军防化学院 | 一种具有控制变量的传染病疫情预测方法 |
CN103390091A (zh) * | 2012-05-08 | 2013-11-13 | 中国人民解放军防化学院 | 一种传染病疫情优化控制方法 |
CN106874616A (zh) * | 2017-03-06 | 2017-06-20 | 北京经纬恒润科技有限公司 | 一种参数优化调整方法及系统 |
CN110957043A (zh) * | 2018-09-26 | 2020-04-03 | 金敏 | 疾病预测系统 |
CN110136842A (zh) * | 2019-04-04 | 2019-08-16 | 平安科技(深圳)有限公司 | 急性传染病的发病预测方法、装置及计算机可读存储介质 |
CN110993119A (zh) * | 2020-03-04 | 2020-04-10 | 同盾控股有限公司 | 基于人口迁移的疫情预测方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111540478A (zh) | 2020-08-14 |
CN117219290A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111540478B (zh) | 疫情推演仿真系统和仿真方法 | |
KR102527878B1 (ko) | 키 포인트 학습 모델 구축 방법, 장치, 전자 기기 및 판독 가능한 저장 매체 그리고 프로그램 | |
JP6017590B2 (ja) | スパイキングニューラル計算のための方法および装置 | |
WO2021213166A1 (zh) | 仿真系统及仿真方法、疫情推演仿真系统及仿真方法 | |
CN111522255B (zh) | 仿真系统和仿真方法 | |
Rast et al. | The leaky integrate-and-fire neuron: A platform for synaptic model exploration on the spinnaker chip | |
JP2015510195A (ja) | スパイキングニューラル計算のための方法および装置 | |
WO2023202511A1 (zh) | 一种数据的处理方法、神经网络的训练方法以及相关设备 | |
Wang et al. | Periodic traveling wave of a time periodic and diffusive epidemic model with nonlocal delayed transmission | |
Végh et al. | On the spatiotemporal behavior in biology-mimicking computing systems | |
US11288340B2 (en) | Dynamically updating a model associated to a simulated interactive object | |
KR102561799B1 (ko) | 디바이스에서 딥러닝 모델의 레이턴시를 예측하는 방법 및 시스템 | |
CN111191336B (zh) | 航空发动机控制原型闭环仿真方法和系统、存储介质 | |
CN110471767A (zh) | 一种设备的调度方法 | |
Schiller et al. | Emulating vehicular ad hoc networks for evaluation and testing of automotive embedded systems | |
Ma et al. | Efficient implementation of complex interventions in large scale epidemic simulations | |
Short et al. | RTE-SIM: A simple, low-cost and flexible environment to support the teaching of real-time and embedded control | |
US11568205B1 (en) | Causal impact estimation model using warm starting for selection bias reduction | |
Staroletov | A formal model of a partitioned real-time operating system in Promela | |
Korotunov et al. | Analysis of the Verification Approaches for the Cyber-Physical Systems. | |
Zhang | A Cloud Computing Task Scheduling Method Based on Genetic Algorithm | |
US20240007403A1 (en) | Machine learning techniques for implementing tree-based network congestion control | |
Bulterman et al. | Application-level performance prediction tools for network-based svstems | |
US20240036530A1 (en) | Infrastructure optimization controlled by reinforcement-learning-based agent controllers | |
US20240037193A1 (en) | Methods and systems that safely update control policies within reinforcement-learning-based management-system agents |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |