CN111739656A - 基于无症状感染者预测传染病趋势的方法及装置 - Google Patents

基于无症状感染者预测传染病趋势的方法及装置 Download PDF

Info

Publication number
CN111739656A
CN111739656A CN202010690484.2A CN202010690484A CN111739656A CN 111739656 A CN111739656 A CN 111739656A CN 202010690484 A CN202010690484 A CN 202010690484A CN 111739656 A CN111739656 A CN 111739656A
Authority
CN
China
Prior art keywords
period
infectious disease
latent
infection
people
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.)
Granted
Application number
CN202010690484.2A
Other languages
English (en)
Other versions
CN111739656B (zh
Inventor
焦增涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yidu Cloud Beijing Technology Co Ltd
Original Assignee
Yidu Cloud Beijing Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yidu Cloud Beijing Technology Co Ltd filed Critical Yidu Cloud Beijing Technology Co Ltd
Priority to CN202010690484.2A priority Critical patent/CN111739656B/zh
Publication of CN111739656A publication Critical patent/CN111739656A/zh
Application granted granted Critical
Publication of CN111739656B publication Critical patent/CN111739656B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

本公开实施例提供了一种基于无症状感染者预测传染病趋势的方法及装置。该方法包括：获取目标传染病预设时间段内的已知疫情数据；根据所述已知疫情数据，确定无症状感染者潜伏期内当前被移除的概率以及不同时期的感染能力指数；根据所述无症状感染者潜伏期内当前被移除的概率、所述不同时期的感染能力指数、所述已知疫情数据以及预先训练好的针对所述目标传染病的传染病模型，预测未来所述目标传染病的疫情数据。在易感期阶段、潜伏期阶段以及移除期阶段，融入了无症状感染者的影响，在传感病模型中增加了无症状感染者的感染顺序，从而提升了传染病模型预测的准确性。

Description

基于无症状感染者预测传染病趋势的方法及装置
技术领域
公开涉及医疗数据处理技术领域，具体而言，涉及一种基于无症状感染者预测传染病趋势的方法、装置、存储介质及电子设备。
背景技术
传染病模型基于对传染病的传播速度、空间范围、传播途径、动力学机理等问题研究，用以指导对传染病的有效地预防和控制。
在传染病模型SEIR中，人群按照易感期（Susceptible，S）、潜伏期（Exposed，E）、感染期（Infectious，I）以及移除期（Remove，R）的顺序感染。
相关技术中，基于上述模型进行疫情数据预测时，并未考虑无症状感染者对疫情的影响，仅按照固定单一的感染顺序进行预测，在对疫情数据进行预测时，考虑不周全，并未针对潜伏期人员进行区分，的人员进行区分，降低了传染病模型预测的准确性。
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
本公开实施例提供一种基于无症状感染者预测传染病趋势的方法、装置、存储介质及电子设备，融合了无症状感染病例的感染顺序的影响，提升了传染病模型预测的准确性。
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一个方面，提供了一种基于无症状感染者预测传染病趋势的方法，其中，包括：获取目标传染病预设时间段内的已知疫情数据；根据所述已知疫情数据，确定无症状感染者潜伏期内当前被移除的概率以及不同时期的感染能力指数；根据所述无症状感染者潜伏期内当前被移除的概率、所述不同时期的感染能力指数、所述已知疫情数据以及预先训练好的针对所述目标传染病的传染病模型，预测未来所述目标传染病的疫情数据。
在本公开的一些示例性实施例中，基于前述方案，所述已知疫情数据包括：预设时间段内无症状感染者从潜伏期的各个时间段被移除的人数以及所述预设时间段内潜伏期被移除的人数；根据所述已知疫情数据，确定无症状感染者潜伏期内当前被移除的概率，包括：根据所述预设时间段内无症状感染者从潜伏期的各个时间段被移除的人数以及所述预设时间段内潜伏期被移除的人数，确定所述预设时间段内无症状感染者从潜伏期的各个时间段被移除的人数占据所述预设时间段内潜伏期被移除的人数的比值；根据所述预设时间段内无症状感染者从潜伏期的各个时间段被移除的人数占据所述预设时间段内潜伏期被移除的人数的比值，确定第一分布的参数，基于所述第一分布的参数确定所述潜伏期内当前被移除的概率。
在本公开的一些示例性实施例中，基于前述方案，所述不同时期的感染能力指数包括：潜伏期的感染能力指数和感染期的感染能力指数。
在本公开的一些示例性实施例中，基于前述方案，根据所述已知疫情数据，确定不同时期的感染能力指数，包括：构建实际被移除人数以及预测被移除人数的均方误差的目标函数；预设潜伏期的感染能力指数和感染期的感染能力指数的值；根据所述预设时间段内各个时间段内实际被移除人数，以及根据所述传染病模型预测的预测被移除人数，确定所述目标函数的最小值；将所述目标函数的最小值对应的潜伏期的感染能力指数和感染期的感染能力指数，分别作为所述目标传染病在潜伏期的感染能力指数和感染期的感染能力指数。
在本公开的一些示例性实施例中，基于前述方案，所述已知疫情数据还包括：当前潜伏期人数据、当前感染期人数、当前易感期人数以及当前移除期人数，根据所述无症状感染者潜伏期内当前被移除的概率、所述不同时期的感染能力指数、所述已知疫情数据以及预先训练好的针对所述目标传染病的传染病模型，预测未来所述目标传染病的疫情数据，包括：根据所述当前潜伏期人数、所述潜伏期的感染能力指数、所述感染期的感染能力指数、所述当前易感期人数、所述无症状感染者潜伏期内当前被移除的概率以及预先训练好的潜伏期模型，预测未来潜伏期人数；根据所述当前潜伏期人数、所述当前感染期人数、所述无症状感染者潜伏期内当前被移除的概率以及预先训练好的移除期模型，预测未来移除期人数。
在本公开的一些示例性实施例中，基于前述方案，根据所述潜伏期内当前被移除的概率、所述不同时期的感染能力指数、所述已知疫情数据以及预先训练好的针对所述目标传染病的传染病模型，预测未来所述目标传染病的疫情数据，还包括：
根据所述当前易感期人数、所述潜伏期的感染能力指数、所述感染期的感染能力指数以及预先训练好的易感期模型，预测未来易感期人数。
在本公开的一些示例性实施例中，基于前述方案，
所述潜伏期模型包括：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
表示潜伏期在
Figure DEST_PATH_IMAGE003
时刻的人数，
Figure DEST_PATH_IMAGE004
表示潜伏期在t时刻的人 数，
Figure DEST_PATH_IMAGE005
表示易感期在t时刻的人数，
Figure DEST_PATH_IMAGE006
表示t时刻目标传染病在潜伏期的感染能力 指数，
Figure DEST_PATH_IMAGE007
表示t时刻目标传染病在感染期的感染能力指数，
Figure DEST_PATH_IMAGE008
表示t时刻的总人数，
Figure DEST_PATH_IMAGE009
表示潜伏期内t时刻被感染的概率，
Figure DEST_PATH_IMAGE010
表示t时刻无症状感染者潜伏期被移除的 概率；
所述移除期模型包括：
Figure DEST_PATH_IMAGE011
其中，
Figure DEST_PATH_IMAGE012
表示移除期在
Figure 464757DEST_PATH_IMAGE003
时刻的人数，
Figure DEST_PATH_IMAGE013
表示移除期在t时刻的人 数，
Figure DEST_PATH_IMAGE014
表示感染期在t时刻被移除的概率，
Figure DEST_PATH_IMAGE015
表示感染期在t时刻的人数，
Figure 87368DEST_PATH_IMAGE009
表示 潜伏期内t时刻被感染的概率，
Figure DEST_PATH_IMAGE016
表示t时刻无症状感染者潜伏期被移除的概率，
Figure DEST_PATH_IMAGE017
表示潜伏期在t时刻的人数。
根据本公开实施例的一个方面，提供了一种基于无症状感染者预测传染病趋势的装置，其中，包括：获取模块，配置为获取目标传染病预设时间段内的已知疫情数据；确定模块，配置为根据所述已知疫情数据，确定无症状感染者潜伏期内当前被移除的概率以及不同时期的感染能力指数；预测模块，配置为根据所述无症状感染者潜伏期内当前被移除的概率、所述不同时期的感染能力指数、所述已知疫情数据以及预先训练好的针对所述目标传染病的传染病模型，预测未来所述目标传染病的疫情数据。
根据本公开实施例的一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述实施例中所述的方法。
根据本公开实施例的一个方面，提供了一种电子设备，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中所述的方法。
本发明实施例中，获取目标传染病预设时间段内的已知疫情数据；根据所述已知疫情数据，确定无症状感染者潜伏期内当前被移除的概率以及不同时期的感染能力指数；根据所述无症状感染者潜伏期内当前被移除的概率、所述不同时期的感染能力指数、所述已知疫情数据以及预先训练好的针对所述目标传染病的传染病模型，预测未来所述目标传染病的疫情数据。在易感期阶段、潜伏期阶段以及移除期阶段，融入了无症状感染者的影响，在传感病模型中增加了无症状感染者的感染顺序，从而提升了传染病模型预测的准确性。
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示意性示出了根据相关技术中的一个实施例的传染病模型的结构示意图；
图2示意性示出了根据本公开的一个实施例的基于无症状感染者预测传染病趋势的方法的流程图；
图3示意性示出了根据本公开的一个实施例的传染病模型的结构示意图；
图4示意性示出了根据本公开的一实施例的基于无症状感染者预测传染病趋势的装置的框图；
图5示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
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。
图1示意性示出了根据相关技术中的一个实施例的传染病模型的结构示意图，如图1所示，SEIR模型包括4个部分，感染顺序为：易感期（Susceptible，S）、潜伏期（Exposed，E）、感染期（Infectious，I）以及移除期（Remove，R）。该模型在进行疫情数据预测时，并未考虑无症状感染者对疫情的影响，仅按照固定单一的感染顺序进行预测，在对疫情数据进行预测时，考虑不周全，并未针对潜伏期人员进行区分，的人员进行区分，降低了传染病模型预测的准确性。
基于此，本发明实施例提出了一种基于无症状感染者预测传染病趋势的方法，在易感期阶段、潜伏期阶段以及移除期阶段，融入了无症状感染者的影响，在传感病模型中增加了无症状感染者的感染顺序，从而提升了传染病模型预测的准确性。
图2示意性示出了根据本公开的一个实施例的基于无症状感染者预测传染病趋势的方法的流程图。本公开实施例所提供的方法可以由任意具备计算处理能力的电子设备处理，例如服务器和/或终端设备，在下面的实施例中，以服务器为执行主体为例进行举例说明，但本公开并不限定于此。
如图2所示，该方法可以包括但不限于以下流程：
在S210中，获取目标传染病预设时间段内的已知疫情数据。
本发明实施例中，无症状感染者由潜伏期直接进入移除期，而没有经历过感染期发病的阶段，有症状感染者由潜伏期进入感染期发病，然后进入移除期。
需要指出的是，感染期是指患者发病、产生症状的时期，移除期包括：确诊、自愈、死亡三个时期。
本发明实施例中，预设时间段是指当前时刻之前的时间段，例如，当前时刻为t，预设时间段可以是t-14至t的时间段。
在S220中，根据所述已知疫情数据，确定无症状感染者潜伏期内当前被移除的概率以及不同时期的感染能力指数。
本发明实施例中，已知疫情数据包括：预设时间段内无症状感染者从潜伏期的各个时间段被移除的人数以及所述预设时间段内潜伏期被移除的人数。根据所述已知疫情数据，确定无症状感染者潜伏期内当前被移除的概率，包括：根据所述预设时间段内无症状感染者从潜伏期的各个时间段被移除的人数以及所述预设时间段内潜伏期被移除的人数，确定所述预设时间段内无症状感染者从潜伏期的各个时间段被移除的人数占据所述预设时间段内潜伏期被移除的人数的比值，根据所述预设时间段内无症状感染者从潜伏期的各个时间段被移除的人数占据所述预设时间段内潜伏期被移除的人数的比值，确定第一分布的参数，基于所述第一分布的参数确定所述潜伏期内当前被移除的概率。
本发明实施例中，可以统计出预设时间段内的已知疫情数据中，无症状感染者在潜伏期被移除的各个时间段的人数以及潜伏期被移除的总人数，利用各个时间段的人数除以潜伏期被移除的总人数，得到第一分布的参数，该第一分布可以是泊松分布、均匀分布、正太分布中的一种，表示潜伏期的每一时刻被移除的概率。
例如，当前时刻为t，t-14至t为预设时间段，在其对应的已知疫情数据中，在无症状感染者在潜伏期的第一天被移除的人数为10，在潜伏期的第二天被移除的人数为20……在t-14至t内潜伏期被移除的总人数（t-14至t的各个时刻的潜伏期被移除人数之和）为100，则利用潜伏期被移除的各个时间段的人数除以100，则得到泊松分布（或均匀分布、正太分布）的分布参数，利用泊松分布（或均匀分布、正太分布）表示潜伏期的每一时刻被移除的概率。
需要指出的是，本发明实施例中，还可以根据已知疫情数据确定传染病模型的潜伏期内当前被感染的概率以及感染期内当前被移除的概率。
本发明实施例中，可以根据所述预设时间段内有症状感染者在潜伏期的各个时间段被感染的人数占据所述预设时间段对应的潜伏期的人数的比值，确定第二分布的参数，基于所述第二分布的参数确定所述潜伏期内当前被感染的概率。
本发明实施例中，可以统计出预设时间段内的已知疫情数据中，潜伏期被感染的各个时间段的人数以及潜伏期被感染的总人数，利用各个时间段的人数除以潜伏期被感染的总人数，得到第二分布的参数，该第二分布可以是泊松分布、均匀分布、正太分布中的一种，表示潜伏期的每一时刻被感染的概率。
例如，当前时刻为t，t-14至t为预设时间段，在其对应的已知疫情数据中，在潜伏期的第一天被感染的人数为10，在潜伏期的第二天被感染的人数为20……在t-14至t内潜伏期被感染的总人数（t-14至t的各个时刻的潜伏期被感染的人数之和）为100，则利用潜伏期被感染的各个时间段（t-14至t的每一天）的人数除以100，则得到泊松分布（或均匀分布、正太分布）的分布参数，利用泊松分布（或均匀分布、正太分布）表示潜伏期的每一时刻被感染的概率。
本发明实施例中，根据所述预设时间段内有症状感染者在感染期的各个时间段被移除的人数占据所述预设时间段对应的感染期的人数的比值，确定第三分布的参数，基于所述第三分布的参数确定所述感染期内当前被移除的概率。
本发明实施例中，可以统计出预设时间段内的已知疫情数据中，感染期被移除的各个时间段的人数以及感染期的总人数，利用各个时间段的人数除以感染期的总人数，得到第三分布的参数，该第三分布可以是泊松分布、均匀分布、正太分布中的一种，表示感染期的每一时刻被移除的概率。
例如，当前时刻为t，t-14至t为预设时间段，在其对应的已知疫情数据中，在感染期的第一天被移除的人数为10，在感染期的第二天被移除的人数为20……在t-14至t内感染期的总人数（t-14至t的各个时刻的感染期人数之和）为100，则利用感染期被移除的各个时间段（t-14至t的每一天）的人数除以100，则得到泊松分布（或均匀分布、正太分布）的分布参数，利用泊松分布（或均匀分布、正太分布）表示感染期的每一时刻被移除的概率。
需要说明的是，由于已知疫情数据的数目有限，因此，本发明实施例中为了求得各个时刻潜伏期被移除的概率、各个时刻的潜伏期被感染的概率以及各个时刻的感染期被移除的概率时，利用潜伏期被移除的各个时间段的人数除以潜伏期被移除的总人数、利用潜伏期被感染的各个时间段的人数除以潜伏期被感染的总人数、利用感染期被移除的各个时间段的人数除以感染期的总人数、得到第一分布、第二分布以及第三分布的分布参数，从而可以得到潜伏期的任意时刻被移除的概率、潜伏期的任意时刻被感染的概率以及感染期的任意时刻被移除的概率。
本发明实施例中，不同时期的感染能力指数包括：潜伏期的感染能力指数和感染期的感染能力指数。
在确定不同时期的感染能力指数时，可以构建实际被移除人数以及预测被移除人数的均方误差MSE的目标函数，预设潜伏期的感染能力指数和感染期的感染能力指数的值，根据所述预设时间段内各个时间段内实际被移除人数，以及根据所述传染病模型预测的预测被移除人数，确定所述目标函数的最小值，将所述目标函数的最小值对应的潜伏期的感染能力指数和感染期的感染能力指数，分别作为所述潜伏期的感染能力指数和感染期的感染能力指数。
例如，目标函数可以如下：
Figure DEST_PATH_IMAGE018
（1）
其中，
Figure DEST_PATH_IMAGE019
表示t时刻的目标函数，
Figure DEST_PATH_IMAGE020
表示t时刻潜伏期的感染能力指数，
Figure 45966DEST_PATH_IMAGE007
表示t时刻感染期的感染能力指数，
Figure DEST_PATH_IMAGE021
表示t时 刻的移除期人数的预测值，
Figure DEST_PATH_IMAGE022
表示t时刻的移除期人数的真实值，T表示移除 周期，一般可以基于目标传染病的已知疫情数据中统计得出。
预设潜伏期的感染能力指数和感染期的感染能力指数的多个值，并基于潜伏期的感染能力指数和感染期的感染能力指数的每一组值得到基于传染病模型预测的预测被移除人数，基于每一组值的预测被移除人数以及实际被移除人数，确定所述目标函数取最小值时对应的潜伏期的感染能力指数和感染期的感染能力指数的值，将该感染能力指数和感染期的感染能力指数的值分别作为所述潜伏期的感染能力指数和感染期的感染能力指数。
需要指出的是，本发明实施例中利用基于移除期的预测值以及真实值的均方误差的目标函数确定不同时期的感染能力指数，是由于已知疫情数据中移除期的人数相对其他时期的人数来说更准确，更容易获取。
需要指出的是，本发明实施例中目标函数还可以是实际被移除人数以及预测被移除人数的平均绝对误差MAE、根均方误差RMSE等。
需要指出的是，本发明实施例中还可以通过其他方法确定不同时期的感染能力指数。例如基于已知疫情数据中的各个时期的人数以及各个时期的传染病模型，反推导出当前的感染能力指数。
需要指出的是，上述潜伏内当前被移除的概率、潜伏期内当前被感染的概率以及感染期内当前被移除的概率，也可以采用类似确定不同时期的感染能力指数的方法确定。
在S230中，根据所述无症状感染者潜伏期内当前被移除的概率、所述不同时期的感染能力指数、所述已知疫情数据以及预先训练好的针对所述目标传染病的传染病模型，预测未来所述目标传染病的疫情数据。
需要说明的是，未来是指当前时刻以后的任意时刻。
本发明实施例中，已知疫情数据还包括：当前潜伏期人数据、当前感染期人数、当前易感期人数以及当前移除期人数。
本发明实施例中，未来所述目标传染病的疫情数据可以包括：未来所述目标传染病的易感期人数、潜伏期人数以及移除期人数中的至少一种，但本发明并不限于此，例如，未来所述目标传染病的疫情数据还可以包括未来所述目标传染病的感染期人数。
本发明实施例中，可以根据述当前易感期人数、所述潜伏期的感染能力指数、所述感染期的感染能力指数以及预先训练好的易感期模型，预测未来易感期人数。
易感期模型可以如下：
Figure DEST_PATH_IMAGE023
（2）
其中，
Figure DEST_PATH_IMAGE024
表示易感期在
Figure 115379DEST_PATH_IMAGE003
时刻的人数，
Figure DEST_PATH_IMAGE025
表示易感期在t时刻的人 数，
Figure 935567DEST_PATH_IMAGE020
表示t时刻目标传染病在潜伏期的感染能力指数，
Figure 288051DEST_PATH_IMAGE007
表示t时刻目标传染 病在感染期的感染能力指数，
Figure DEST_PATH_IMAGE026
表示t时刻的总人数。
本发明实施例中，可以根据所述当前潜伏期人数、所述潜伏期的感染能力指数、所述感染期的感染能力指数、所述当前易感期人数、所述无症状感染者潜伏期内当前被移除的概率以及预先训练好的潜伏期模型，预测未来潜伏期人数。
潜伏期模型可以如下：
Figure DEST_PATH_IMAGE027
（3）
其中，
Figure 417550DEST_PATH_IMAGE002
表示潜伏期在
Figure 793168DEST_PATH_IMAGE003
时刻的人数，
Figure 213785DEST_PATH_IMAGE004
表示潜伏期在t时刻的人 数，
Figure 686355DEST_PATH_IMAGE005
表示易感期在t时刻的人数，
Figure 986755DEST_PATH_IMAGE006
表示t时刻目标传染病在潜伏期的感染能力 指数，
Figure 911985DEST_PATH_IMAGE007
表示t时刻目标传染病在感染期的感染能力指数，
Figure 73977DEST_PATH_IMAGE008
表示t时刻的总人数，
Figure 135473DEST_PATH_IMAGE009
表示潜伏期内t时刻被感染的概率，
Figure 419824DEST_PATH_IMAGE010
表示t时刻无症状感染者潜伏期被移除的概 率。
本发明实施例中，可以根据所述当前潜伏期人数、所述当前感染期人数、所述无症状感染者潜伏期内当前被移除的概率以及预先训练好的移除期模型，预测未来移除期人数。
移除期模型可以如下：
Figure DEST_PATH_IMAGE028
（4）
其中，
Figure 97930DEST_PATH_IMAGE012
表示移除期在
Figure 125929DEST_PATH_IMAGE003
时刻的人数，
Figure DEST_PATH_IMAGE029
表示移除期在t时刻的人 数，
Figure 432146DEST_PATH_IMAGE014
表示感染期在t时刻被移除的概率，
Figure 621818DEST_PATH_IMAGE015
表示感染期在t时刻的人数，
Figure 708592DEST_PATH_IMAGE009
表示 潜伏期内t时刻被感染的概率，
Figure 274703DEST_PATH_IMAGE016
表示t时刻无症状感染者潜伏期被移除的概率，
Figure DEST_PATH_IMAGE030
表示潜伏期在t时刻的人数。
当未来所述目标传染病的疫情数据包括未来所述目标传染病的感染期人数时，可以根据所述当前感染期人数、所述当前感染期人数以及预先训练好的感染期模型，预测未来感染期人数。
感染期模型可以如下：
Figure DEST_PATH_IMAGE031
（5）
其中，
Figure DEST_PATH_IMAGE032
表示感染期在
Figure 514054DEST_PATH_IMAGE003
时刻的人数，
Figure 61579DEST_PATH_IMAGE015
表示感染期在t时刻的人 数，
Figure 448698DEST_PATH_IMAGE009
表示潜伏期内t时刻被感染的概率，
Figure 818499DEST_PATH_IMAGE004
表示潜伏期在t时刻的人数，
Figure 646778DEST_PATH_IMAGE014
表示 感染期在t时刻被移除的概率。
本发明实施例中，当前时刻可以是t时刻，基于t时刻的易感期、潜伏期、感染期以 及移除期人数，可以确定
Figure DEST_PATH_IMAGE033
时刻（即未来）的各个时期的人数。
图3示意性示出了根据本公开的一个实施例的传染病模型的结构示意图，如图3所示，本发明实施例中，无症状感染者可以由潜伏期直接进入至移除期，从而基于无症状感染者改变了传染病的感染顺序。
本发明实施例中，获取目标传染病预设时间段内的已知疫情数据；根据所述已知疫情数据，确定无症状感染者潜伏期内当前被移除的概率以及不同时期的感染能力指数；根据所述潜伏期内当前被移除的概率、所述不同时期的感染能力指数、所述已知疫情数据以及预先训练好的针对所述目标传染病的传染病模型，预测未来所述目标传染病的疫情数据。在易感期阶段、潜伏期阶段以及移除期阶段，融入了无症状感染者的影响，在传感病模型中增加了无症状感染者的感染顺序，从而提升了传染病模型预测的准确性。
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预测传染病趋势的方法。对于本公开装置实施例中未披露的细节，请参照本公开上述的预测传染病趋势的方法的实施例。
图4示意性示出了根据本公开的一实施例的基于无症状感染者预测传染病趋势的装置的框图。
参照图4所示，根据本公开的一个实施例的基于无症状感染者预测传染病趋势的装置400，可以包括：获取模块410、确定模块420以及预测模块430。
获取模块410可以配置为获取目标传染病预设时间段内的已知疫情数据。
确定模块420可以配置为根据所述已知疫情数据，确定无症状感染者潜伏期内当前被移除的概率以及不同时期的感染能力指数。
预测模块430可以配置为根据所述潜伏期内当前被移除的概率、所述不同时期的感染能力指数、所述已知疫情数据以及预先训练好的针对所述目标传染病的传染病模型，预测未来所述目标传染病的疫情数据。
本发明实施例中，所述已知疫情数据包括：预设时间段内无症状感染者从潜伏期的各个时间段被移除的人数以及所述预设时间段内潜伏期被移除的人数。
本发明实施例中，所述确定模块420，配置为根据所述预设时间段内无症状感染者从潜伏期的各个时间段被移除的人数以及所述预设时间段内潜伏期被移除的人数，确定所述预设时间段内无症状感染者从潜伏期的各个时间段被移除的人数占据所述预设时间段内潜伏期被移除的人数的比值；根据所述预设时间段内无症状感染者从潜伏期的各个时间段被移除的人数占据所述预设时间段内潜伏期被移除的人数的比值，确定第一分布的参数，基于所述第一分布的参数确定所述潜伏期内当前被移除的概率。
本发明实施例中，所述不同时期的感染能力指数包括：潜伏期的感染能力指数和感染期的感染能力指数。
本发明实施例中，所述确定模块420，配置为构建实际被移除人数以及预测被移除人数的均方误差的目标函数；预设潜伏期的感染能力指数和感染期的感染能力指数的值；根据所述预设时间段内各个时间段内实际被移除人数，以及根据所述传染病模型预测的预测被移除人数，确定所述目标函数的最小值；将所述目标函数的最小值对应的潜伏期的感染能力指数和感染期的感染能力指数，分别作为所述潜伏期的感染能力指数和感染期的感染能力指数。
本发明实施例中，所述已知疫情数据还包括：当前潜伏期人数据、当前感染期人数、当前易感期人数以及当前移除期人数。
本发明实施例中，所述预测模块430，包括：第一预测单元431，配置为根据所述当前潜伏期人数、所述潜伏期的感染能力指数、所述感染期的感染能力指数、所述当前易感期人数、所述无症状感染者潜伏期内当前被移除的概率以及预先训练好的潜伏期模型，预测未来潜伏期人数；第二预测单元432，配置为根据所述当前潜伏期人数、所述当前感染期人数、所述无症状感染者潜伏期内当前被移除的概率以及预先训练好的移除期模型，预测未来移除期人数。
本发明实施例中，所述预测模块430，包括第三预测单元433，配置为根据所述当前易感期人数、所述潜伏期的感染能力指数、所述感染期的感染能力指数以及预先训练好的易感期模型，预测未来易感期人数。
本发明实施例中，所述潜伏期模型包括：
Figure 630783DEST_PATH_IMAGE001
其中，
Figure 239619DEST_PATH_IMAGE002
表示潜伏期在
Figure 413112DEST_PATH_IMAGE003
时刻的人数，
Figure 361476DEST_PATH_IMAGE004
表示潜伏期在t时刻的人 数，
Figure 329432DEST_PATH_IMAGE005
表示易感期在t时刻的人数，
Figure 425564DEST_PATH_IMAGE006
表示t时刻目标传染病在潜伏期的感染能力 指数，
Figure 324119DEST_PATH_IMAGE007
表示t时刻目标传染病在感染期的感染能力指数，
Figure 189307DEST_PATH_IMAGE008
表示t时刻的总人数，
Figure 328164DEST_PATH_IMAGE009
表示潜伏期内t时刻被感染的概率，
Figure 849275DEST_PATH_IMAGE010
表示t时刻无症状感染者潜伏期被移除的 概率；
所述移除期模型包括：
Figure 98991DEST_PATH_IMAGE011
其中，
Figure 84264DEST_PATH_IMAGE012
表示移除期在
Figure 586833DEST_PATH_IMAGE003
时刻的人数，
Figure 657557DEST_PATH_IMAGE029
表示移除期在t时刻的人 数，
Figure 710964DEST_PATH_IMAGE014
表示感染期在t时刻被移除的概率，
Figure 488427DEST_PATH_IMAGE015
表示感染期在t时刻的人数，
Figure 969087DEST_PATH_IMAGE009
表示 潜伏期内t时刻被感染的概率，
Figure 182900DEST_PATH_IMAGE016
表示t时刻无症状感染者潜伏期被移除的概率，
Figure 39997DEST_PATH_IMAGE030
表示潜伏期在t时刻的人数。
本发明实施例中，获取目标传染病预设时间段内的已知疫情数据；根据所述已知疫情数据，确定无症状感染者潜伏期内当前被移除的概率以及不同时期的感染能力指数；根据所述潜伏期内当前被移除的概率、所述不同时期的感染能力指数、所述已知疫情数据以及预先训练好的针对所述目标传染病的传染病模型，预测未来所述目标传染病的疫情数据。在易感期阶段、潜伏期阶段以及移除期阶段，融入了无症状感染者的影响，在传感病模型中增加了无症状感染者的感染顺序，从而提升了传染病模型预测的准确性。
图5示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。需要说明的是，图5示出的电子设备的计算机系统500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5所示，计算机系统500包括中央处理单元（CPU）501，其可以根据存储在只读存储器（ROM）502中的程序或者从存储部分508加载到随机访问存储器（RAM）503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出（I/O）接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本公开的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元（CPU）501执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机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。而在本公开中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机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、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块和/或单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的模块和/或单元也可以设置在处理器中。其中，这些模块和/或单元的名称在某种情况下并不构成对该模块和/或单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。例如，所述的电子设备可以实现如图2所示的各个步骤。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
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、触控终端、或者网络设备等）执行根据本公开实施方式的方法。
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它实施方案。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下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种基于无症状感染者预测传染病趋势的方法，其特征在于，包括：
获取目标传染病预设时间段内的已知疫情数据；
根据所述已知疫情数据，确定无症状感染者潜伏期内当前被移除的概率以及不同时期的感染能力指数；
根据所述无症状感染者潜伏期内当前被移除的概率、所述不同时期的感染能力指数、所述已知疫情数据以及预先训练好的针对所述目标传染病的传染病模型，预测未来所述目标传染病的疫情数据。
2.根据权利要求1所述方法，其特征在于，所述已知疫情数据包括：预设时间段内无症状感染者从潜伏期的各个时间段被移除的人数以及所述预设时间段内潜伏期被移除的人数；
根据所述已知疫情数据，确定无症状感染者潜伏期内当前被移除的概率，包括：
根据所述预设时间段内无症状感染者从潜伏期的各个时间段被移除的人数以及所述预设时间段内潜伏期被移除的人数，确定所述预设时间段内无症状感染者从潜伏期的各个时间段被移除的人数占据所述预设时间段内潜伏期被移除的人数的比值；
根据所述预设时间段内无症状感染者从潜伏期的各个时间段被移除的人数占据所述预设时间段内潜伏期被移除的人数的比值，确定第一分布的参数，基于所述第一分布的参数确定所述潜伏期内当前被移除的概率。
3.根据权利要求1所述的方法，其特征在于，所述不同时期的感染能力指数包括：潜伏期的感染能力指数和感染期的感染能力指数。
4.根据权利要求3所述的方法，其特征在于，根据所述已知疫情数据，确定不同时期的感染能力指数，包括：
构建实际被移除人数以及预测被移除人数的均方误差的目标函数；
预设潜伏期的感染能力指数和感染期的感染能力指数的值；
根据所述预设时间段内各个时间段内实际被移除人数，以及根据所述传染病模型预测的预测被移除人数，确定所述目标函数的最小值；
将所述目标函数的最小值对应的潜伏期的感染能力指数和感染期的感染能力指数，分别作为所述目标传染病在潜伏期的感染能力指数和感染期的感染能力指数。
5.根据权利要求3所述的方法，其特征在于，所述已知疫情数据包括：当前潜伏期人数据、当前感染期人数、当前易感期人数以及当前移除期人数；
根据所述无症状感染者潜伏期内当前被移除的概率、所述不同时期的感染能力指数、所述已知疫情数据以及预先训练好的针对所述目标传染病的传染病模型，预测未来所述目标传染病的疫情数据，包括：
根据所述当前潜伏期人数、所述潜伏期的感染能力指数、所述感染期的感染能力指数、所述当前易感期人数、所述无症状感染者潜伏期内当前被移除的概率以及预先训练好的潜伏期模型，预测未来潜伏期人数；
根据所述当前潜伏期人数、所述当前感染期人数、所述无症状感染者潜伏期内当前被移除的概率以及预先训练好的移除期模型，预测未来移除期人数。
6.根据权利要求5所述的方法，其特征在于，根据所述潜伏期内当前被移除的概率、所述不同时期的感染能力指数、所述已知疫情数据以及预先训练好的针对所述目标传染病的传染病模型，预测未来所述目标传染病的疫情数据，还包括：
根据所述当前易感期人数、所述潜伏期的感染能力指数、所述感染期的感染能力指数以及预先训练好的易感期模型，预测未来易感期人数。
7.根据权利要求5所述的方法，其特征在于，所述潜伏期模型包括：
Figure 327389DEST_PATH_IMAGE001
其中，
Figure 182212DEST_PATH_IMAGE002
表示潜伏期在
Figure 961950DEST_PATH_IMAGE003
时刻的人数，
Figure 357159DEST_PATH_IMAGE004
表示潜伏期在t时刻的人数，
Figure 358482DEST_PATH_IMAGE005
表 示易感期在t时刻的人数，
Figure 180944DEST_PATH_IMAGE006
表示t时刻目标传染病在潜伏期的感染能力指数，
Figure 385661DEST_PATH_IMAGE007
表 示t时刻目标传染病在感染期的感染能力指数，
Figure 584561DEST_PATH_IMAGE008
表示t时刻的总人数，
Figure 253440DEST_PATH_IMAGE009
表示潜伏期内 t时刻被感染的概率，
Figure 433754DEST_PATH_IMAGE010
表示t时刻无症状感染者潜伏期被移除的概率；
所述移除期模型包括：
Figure 188083DEST_PATH_IMAGE011
其中，
Figure 862778DEST_PATH_IMAGE012
表示移除期在
Figure 386164DEST_PATH_IMAGE003
时刻的人数，
Figure 816008DEST_PATH_IMAGE013
表示移除期在t时刻的人数，
Figure 244584DEST_PATH_IMAGE014
表 示感染期在t时刻被移除的概率，
Figure 519708DEST_PATH_IMAGE015
表示感染期在t时刻的人数，
Figure 163179DEST_PATH_IMAGE009
表示潜伏期内t时刻 被感染的概率，
Figure 436028DEST_PATH_IMAGE010
表示t时刻无症状感染者潜伏期被移除的概率，
Figure 164950DEST_PATH_IMAGE004
表示潜伏期在t时刻 的人数。
8.一种基于无症状感染者预测传染病趋势的装置，其特征在于，包括：
获取模块，配置为获取目标传染病预设时间段内的已知疫情数据；
确定模块，配置为根据所述已知疫情数据，确定无症状感染者潜伏期内当前被移除的概率以及不同时期的感染能力指数；
预测模块，配置为根据所述无症状感染者潜伏期内当前被移除的概率、所述不同时期的感染能力指数、所述已知疫情数据以及预先训练好的针对所述目标传染病的传染病模型，预测未来所述目标传染病的疫情数据。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
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，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法。
CN202010690484.2A 2020-07-17 2020-07-17 基于无症状感染者预测传染病趋势的方法及装置 Active CN111739656B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010690484.2A CN111739656B (zh) 2020-07-17 2020-07-17 基于无症状感染者预测传染病趋势的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010690484.2A CN111739656B (zh) 2020-07-17 2020-07-17 基于无症状感染者预测传染病趋势的方法及装置

Publications (2)

Publication Number Publication Date
CN111739656A true CN111739656A (zh) 2020-10-02
CN111739656B CN111739656B (zh) 2021-02-09

Family

ID=72654871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010690484.2A Active CN111739656B (zh) 2020-07-17 2020-07-17 基于无症状感染者预测传染病趋势的方法及装置

Country Status (1)

Country Link
CN (1) CN111739656B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968749A (zh) * 2020-10-21 2020-11-20 平安科技（深圳）有限公司 一种风险评估方法、装置、终端设备及可读存储介质
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
CN112542250A (zh) * 2020-11-04 2021-03-23 温州大学 基于优化seird模型的全球新冠病毒传播预测方法
CN113838580A (zh) * 2021-09-03 2021-12-24 医渡云（北京）技术有限公司 传染病传染规模预测方法、装置、存储介质及电子设备
CN114783620A (zh) * 2021-08-27 2022-07-22 中国人民解放军陆军防化学院 一种covid-19疫情预测动力学方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107658023A (zh) * 2017-09-25 2018-02-02 泰康保险集团股份有限公司 疾病预测方法、装置、介质和电子设备
CN110993118A (zh) * 2020-02-29 2020-04-10 同盾控股有限公司 基于集成学习模型的疫情预测方法、装置、设备及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107658023A (zh) * 2017-09-25 2018-02-02 泰康保险集团股份有限公司 疾病预测方法、装置、介质和电子设备
CN110993118A (zh) * 2020-02-29 2020-04-10 同盾控股有限公司 基于集成学习模型的疫情预测方法、装置、设备及介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SERHANI,MUSTAPHA 等: "Mathematical modeling of COVID-19 spreading with asymptomatic infected and interacting peoples", 《RESEARCHSQUARE》 *
YANG,ZIFENG 等: "Modified SEIR and AI prediction of the epidemics trend of COVID-19 in China under public health interventions", 《JOURNAL OF THORACIC DISEASE》 *
魏永越 等: "基于改进的SEIR+CAQ传染病动力学模型进行新型冠状病毒肺炎疫情趋势分析", 《中华流行病杂志》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111968749A (zh) * 2020-10-21 2020-11-20 平安科技（深圳）有限公司 一种风险评估方法、装置、终端设备及可读存储介质
CN112542250A (zh) * 2020-11-04 2021-03-23 温州大学 基于优化seird模型的全球新冠病毒传播预测方法
CN114783620A (zh) * 2021-08-27 2022-07-22 中国人民解放军陆军防化学院 一种covid-19疫情预测动力学方法
CN113838580A (zh) * 2021-09-03 2021-12-24 医渡云（北京）技术有限公司 传染病传染规模预测方法、装置、存储介质及电子设备
CN113838580B (zh) * 2021-09-03 2024-04-12 医渡云（北京）技术有限公司 传染病传染规模预测方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN111739656B (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN111739656B (zh) 基于无症状感染者预测传染病趋势的方法及装置
CN111739658B (zh) 基于输入病例预测传染病趋势的方法及装置
WO2021179630A1 (zh) 一种并发症风险预测系统、方法、装置、设备及介质
CN112086203A (zh) 一种疫情预测方法、装置及终端设备
CN109598302B (zh) 就诊费用预测方法、装置、设备及计算机可读存储介质
KR20220099504A (ko) 친화도 예측 방법 및 모델의 트레이닝 방법, 장치, 전자 기기 및 기록 매체
CN114780338A (zh) 主机信息处理方法、装置、电子设备和计算机可读介质
US20200111575A1 (en) Producing a multidimensional space data structure to perform survival analysis
CN113516275A (zh) 一种配电网超短期负荷预测方法、装置及终端设备
CN112507138A (zh) 专病知识图谱构建方法及装置、介质及电子设备
Yildirim et al. Real-time internet of medical things framework for early detection of Covid-19
CN112420211B (zh) 未知传染病的预警方法、装置、电子设备及计算机介质
CN113220895B (zh) 基于强化学习的信息处理方法、装置、终端设备
CN112435745B (zh) 就诊策略推荐方法、装置、电子设备及存储介质
CN113345599A (zh) 疫情预测方法、疫情预测装置、存储介质与电子设备
CN112466401B (zh) 利用人工智能ai模型组分析多类数据的方法及装置
CN116503608A (zh) 基于人工智能的数据蒸馏方法及相关设备
CN113643140B (zh) 确定医保支出影响因素的方法、装置、设备和介质
CN113678147A (zh) 搜索方法以及信息处理系统
CN113053531B (zh) 医疗数据处理方法、装置、计算机可读存储介质及设备
US20210110287A1 (en) Causal Reasoning and Counterfactual Probabilistic Programming Framework Using Approximate Inference
CN110349664B (zh) 基于循环神经网络的肿瘤预测装置、终端设备及存储介质
CN110880042B (zh) 网络游戏报名信息处理方法及装置
CN114334161B (zh) 模型训练方法、数据处理方法、装置、介质、电子设备
CN112131468A (zh) 推荐系统中的数据处理方法、装置

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