CN111768873A - 一种covid-19实时风险预测方法 - Google Patents

一种covid-19实时风险预测方法 Download PDF

Info

Publication number
CN111768873A
CN111768873A CN202010495748.9A CN202010495748A CN111768873A CN 111768873 A CN111768873 A CN 111768873A CN 202010495748 A CN202010495748 A CN 202010495748A CN 111768873 A CN111768873 A CN 111768873A
Authority
CN
China
Prior art keywords
data
epidemic
risk
epidemic situation
cumulative
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
Application number
CN202010495748.9A
Other languages
English (en)
Inventor
胡跃译
王贤敏
罗孟晗
张俊华
毕佳
胡凤昌
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202010495748.9A priority Critical patent/CN111768873A/zh
Publication of CN111768873A publication Critical patent/CN111768873A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种COVID‑19实时风险预测方法，包括以下步骤：获取疫情危险评估数据和社会脆弱性评估数据；建立传染数衰减方程和疫情传播动力学模型；根据传染数衰减方程和疫情传播动力学模型对疫情危险性评估数据进行预测；建立熵值‑层次分析法组合模型；根据熵值‑层次分析组合模型、疫情危险评估数据和社会脆弱性评估数据进行疫情风险预测；绘制疫情风险预测等级地图；本方法为后期疫情防控决策提供了支持，同时也可用于今后新的疫情发生时期或其他突发性公共安全事件下风险的应急预测。

Description

一种COVID-19实时风险预测方法
技术领域
本发明涉及数据分析技术领域，尤其涉及一种COVID-19实时风 险预测方法。
背景技术
学术上关于COVID-19风险预测主要是风险概率分析，通过分析 病原体及传染源、潜在传染源的输入、传播途径、传播潜力等得出特 定地点和环境下出现疫情爆发的风险。这些方法主要考虑疫情传播感 染病例数等特征，风险评估指标集不够完备，没有耦合经济、人口、 政策和医疗措施等指标，风险预测的准确性有待提高；风险预测方法 没有结合疫情传播动力学机制，在长时间预测方面存在一定缺陷，限 制了地区风险预测的准确性和合理性；同时在研究传染病传播和发展 规律方面，传统疫情动力学模型也存在一定缺陷：忽视了政策和病毒 自身随时间变化的特征，不能够对真实疫情发展规律进行拟合仿真。
发明内容
有鉴于此，本发明提出了一种COVID-19实时风险预测方法，以 解决如何提高风险预测的准确性，实现不同区域风险分级预测的问题。 为实现上述目的，本发明提出的COVID-19实时风险预测方法包括步 骤：
S1、获取疫情基础病例数据；
S2、根据S1获取的疫情基础病例数据建立传染数衰减方程得到基 本传染数，再根据基本传染数和S1获取的疫情基础病例数据建立疫 情传播动力学模型；
S3、将本区域实时易感者、感染者、潜伏者、治愈者以及死亡者 数据作为疫情传播动力学模型的输入数据，对本区域实时疫情基础病 例数据进行预测；
S4、根据本区域实时疫情基础病例数据，计算疫情危险性数据；
S5、确定社会脆弱性数据；
S6、对疫情危险性数据和社会脆弱性数据进行归一化处理，分别 建立熵值-层次分析法组合模型，得到疫情危险性数据权重矩阵和社 会脆弱性数据权重矩阵；
S7、根据疫情危险性数据权重矩阵、社会脆弱性数据权重矩阵、 疫情危险性数据以及社会脆弱性数据进行区域疫情风险预测，根据预 测风险值将区域疫情风险划分为三个等级，三级风险是风险值<0.3， 二级风险是0.3≤风险值≤0.5，一级风险是风险值>0.5；
S8、根据S7风险等级，利用ArcMap10.2软件绘制疫情风险预测 等级地图。
进一步地，疫情病例基础数据包括区域人口、区域面积、累计确 诊病例、累计死亡病例以及累计治愈病例。
进一步地，所述S2中传染数衰减方程如下：
Figure BDA0002522743790000031
其中，C为基本传染数，C0为疫情初期基本传染数，k为衰 减系数，t0为预计传染病消失的时间，t为时间。
进一步地，所述S2中疫情传播动力学模型如下：
Figure BDA0002522743790000032
其中，C为基本传染数，当C＜1时，传染病将会逐渐消失；β 为发病率；θ是潜伏者相对于传染者的传染能力；S为易感者，σ为 潜伏者转化感染者的速率，为1/潜伏期；α为致死率；γ为感染者治愈 的速率，本文中时间单位为d，每个时间步长为1d，I为感染者，E 为潜伏者，R为治愈者，D为死亡者，t为时间。
进一步地，所述易感者＝区域人口-累计确诊病例；感染者＝累计 确诊病例-累计死亡病例-累计治愈病例；潜伏者(t)＝累计确诊病例 (t+a)-累计确诊病例(t)，t为时间，a为潜伏期；治愈者＝累计治愈病例； 死亡者＝累计死亡病例。
进一步地，疫情危险性数据包括每日新增确诊病例密度、现存确 诊病例密度、累计死亡人数密度、死亡率、连续3天有无新增以及14天有无聚集性疫情。
进一步地，每日新增确诊病例密度＝(当日累计确诊人数-前一日 累计确诊人数)/区域面积；现存确诊病例密度＝(累计确诊病例-累 计治愈病例-累计死亡病例)/区域面积；累计死亡人数密度＝累计死 亡病例/区域面积；死亡率＝累计死亡病例/累计确诊人数。
进一步地，社会脆弱性数据包括人口密度、年龄大于一定值以上 人口占比、人均GDP和每万人病床数。
进一步地，疫情危险性数据权重矩阵和社会脆弱性数据权重矩阵 步骤如下：
S61、用归一化处理后的疫情危险性数据构建熵值法模型和层次 分析法模型；
S62、将熵值法模型中各数据权重系数v＝(v1，v2，v3，......vn) 和层次分析法模型中各数据权重系数w＝(w1，w2，w3，......wn)进 行加权平均，计算得到疫情危险性数据权重矩阵σi：
Figure BDA0002522743790000041
S63、用归一化处理后的社会脆弱性数据构建熵值法模型和层次 分析法模型；
S64、将熵值法模型中各数据权重系数v＝(v1，v2，v3，......vn) 和层次分析法模型中各数据权重系数w＝(w1，w2，w3，......wn)进 行加权平均，计算得到社会脆弱性数据权重矩阵σj：
Figure BDA0002522743790000042
其中，σi指第i疫情危险性数据对应权重，i＝1.....n，σj指第j个 社会脆弱性数据对应权重，j＝1.....n，n为权重总个数。
进一步地，步骤S7预测风险值计算如下：
疫情危险性值＝疫情危险性数据×疫情危险性数据权重；
社会脆弱性值＝社会脆弱性数据×社会脆弱性数据权重；
预测风险值＝疫情危险性值×社会脆弱性值。
本发明提供的技术方案带来的有益效果是：
(1)建立了更加完备的指标集，能够更加准确地预测区域疫情 风险；同时建立了传染数衰减方程，考虑了政策和病毒随时间变化的 特征，使疫情传播动力学模型能够更好地拟合疫情发展的整个过程；
(2)将疫情动力学模型和疫情风险预测相结合，实现区域风险 的动态预测，进而进行风险等级划分，绘制风险地图，为风险控制措 施提供辅助决策。
附图说明
图1是本发明一种COVID-19实时风险预测方法流程图；
图2是一种COVID-19实时风险预测方法欧洲8国疫情动态传播 预测图；
图3是一种COVID-19实时风险预测方法欧洲8国疫情风险演变 趋势预测图；
图4是一种COVID-19实时风险预测方法欧洲8国疫情风险预测 等级地图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对 照附图详细说明本发明的具体实施方式。
参阅图1所示，是本发明一种COVID-19实时风险预测方法的流 程图，本实施例对欧洲8个国家进行了疫情风险预测，具体步骤如下：
S1、获取疫情基础病例数据；
在本实施例中，疫情基础病例数据包括区域基本概况(区域人口、 区域面积)和欧洲8国疫情发生时间至2020年4月16日病例统计数 据(累计确诊病例、累计死亡病例、累计治愈病例)，本方法疫情基 础病例数据来自腾讯、丁香园和WHO等。
S2、根据S1获取的疫情基础病例数据建立传染数衰减方程得到基 本传染数，传染数衰减方程如下：
Figure BDA0002522743790000061
其中，C为基本传染数，C0为疫情初期基本传染数，k为衰减系 数，本实施例中，0.1≤k≤0.3，t0为预计传染病消失的时间，t为时间， 根据基本传染数和S1获取的疫情基础病例数据建立疫情传播动力学 模型，疫情传播动力学模型如下：
Figure BDA0002522743790000062
其中，C为基本传染数，当C＜1时，传染病将会逐渐消失；β 为发病率；θ是潜伏者相对于传染者的传染能力，本实例认为潜伏期 患者与确诊患者传染能力相同，取值为1；S为易感者，σ为潜伏者转 化感染者的速率，为1/潜伏期，本实施例中取1/7；α为致死率；γ为感染者治愈的速率，本文中时间单位为d，每个时间步长为1d，I为 感染者，E为潜伏者，R为治愈者，D为死亡者，t为时间；
S3、将本区域实时易感者、感染者、潜伏者、治愈者以及死亡者 数据作为疫情传播动力学模型的输入数据，对本区域实时疫情基础病 例数据进行预测；
所述易感者＝区域人口-累计确诊病例；感染者＝累计确诊病例-累 计死亡病例-累计治愈病例；本方法认为潜伏者在经历a潜伏期后将 会转化成感染者，潜伏者(t)＝累计确诊病例(t+a)-累计确诊病例(t)，a 为潜伏期，t为时间；治愈者＝累计治愈病例；死亡者＝累计死亡病例， 疫情传播动力学模型参数β发病率、α致死率和γ感染者治愈的速率皆采用马尔可夫链方法或欧拉数值方法或非线性最小二乘拟合方法求 解。
在本实施例中，利用欧洲8国疫情发生时间至2020年4月16日 病例统计数据，计算易感者、感染者、潜伏者、治愈者以及死亡者五 项输入数据，采用非线性最小二乘拟合方法求解参数，得到疫情传播 动力学模型。输入2020年4月17日真实疫情基础病例数据，即可对欧洲8国累计确诊病例、累计死亡病例、现存确诊病例、累计死亡病 例进行预测，欧洲8国现存确诊病例预测结果如图2所示。
S4、根据本区域实时疫情基础病例数据，计算疫情危险性数据； 疫情危险性数据包括每日新增确诊病例密度、现存确诊病例密度、累 计死亡人数密度、死亡率、连续3天有无新增以及14天有无聚集性 疫情，在本实施例中，考虑到相较于感染病例数指标，感染病例密度， 即感染人数除以地区面积能够更准确地反映疫情传播的严重程度，聚 集性疫情容易导致疫情大规模传播，死亡率更是表明区域疫情的危险 性，因此采用新增确诊密度、现存确诊密度、累计死亡病例密度、死 亡率、连续3天有无新增和聚集性疫情作为预测危险性数据；
新增确诊病例密度＝(当日累计确诊人数-前一日累计确诊人数) /区域面积；
现存确诊病例密度＝(累计确诊病例-累计治愈病例-累计死亡病 例)/区域面积；
累计死亡人数密度＝累计死亡病例/区域面积；
死亡率＝累计死亡病例/累计确诊人数。
S5、确定社会脆弱性数据；
在本实施例中，社会脆弱性数据包括人口密度、年龄大于一定值 (例如65岁)的以上人口占比、人均GDP和每万人病床数。人口密 度大、经济发展水平低且医疗条件差的国家和地区更倾向于大规模传 播。其中，考虑到本次疫情对老年人更具攻击性，因此将人口结构， 即65岁以上人口占比纳入社会脆弱性评价数据；人均GDP反映了社 会活跃度，人均GDP越高，国民活跃度越高，人群接触机会也会相 应增加；医疗水平则采用每万人病床数、每平方公里医院数以及每万 人口医院数来衡量，本发明社会脆弱性数据来自世界银行与经济合作 与发展组织。
S6、对疫情危险性数据和社会脆弱性数据进行归一化处理，分别 建立熵值-层次分析法组合模型，得到疫情危险性数据权重矩阵和社 会脆弱性数据权重矩阵；具体步骤如下：
S61、用归一化处理后的疫情危险性数据构建熵值法模型和层次 分析法模型；
S62、将熵值法模型中各数据权重系数v＝(v1，v2，v3，......vn) 和层次分析法模型中各数据权重系数w＝(w1，w2，w3，......wn)进 行加权平均，计算得到疫情危险性数据权重矩阵σi：
Figure BDA0002522743790000091
在本实施例中，i＝1......6；n＝6，v1、v2、v3、v4、v5、v6分别代表 每日新增确诊病例密度、现存确诊病例密度、累计死亡人数密度、死 亡率、连续3天有无新增以及14天有无聚集性疫情的熵值法权重系 数；w1、w2、w3、w4、w5、w6分别代表每日新增确诊病例密度、 现存确诊病例密度、累计死亡人数密度、死亡率、连续3天有无新增 以及14天有无聚集性疫情的层次分析法权重系数；
S63、用归一化处理后的社会脆弱性数据构建熵值法模型和层次 分析法模型；
S64、将熵值法模型中各数据权重系数v＝(v1，v2，v3，......vn) 和层次分析法模型中各数据权重系数w＝(w1，w2，w3，......wn)进 行加权平均，计算得到社会脆弱性数据权重矩阵σj：
Figure BDA0002522743790000101
其中，σi指第i疫情危险性数据对应权重，i＝1.....n，σj指第j个 社会脆弱性数据对应权重，j＝1.....n，n为权重总个数。
在本实施例中，i＝1......4，n＝4；v1、v2、v3、v4分别代表人口密度、 年龄大于65岁以上人口占比、人均GDP和每万人病床数的熵值法权 重系数；w1、w2、w3、w4分别代表人口密度、年龄大于65岁以上 人口占比、人均GDP和每万人病床数的层次分析法权重系数；
S7、根据疫情危险性数据权重矩阵、社会脆弱性数据权重矩阵、 疫情危险性数据以及社会脆弱性数据进行区域疫情风险预测，预测风 险值计算如下：
疫情危险性值＝疫情危险性数据×疫情危险性数据权重；
社会脆弱性值＝社会脆弱性数据×社会脆弱性数据权重；
预测风险值＝疫情危险性值×社会脆弱性值；
根据预测风险值将区域疫情风险划分为三个等级，三级风险是风 险值＜0.3，二级风险是0.3≤风险值≤0.5，一级风险是风险值＞0.5，在 本实施例中，对欧洲8国进行了风险预测，风险变化趋势如图3所示。
S8、根据S7风险等级，选取4个时间节点利用ArcMap10.2软件 绘制了欧洲疫情风险预测图4。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局 限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而 不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离 本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这 些均属于本发明的保护之内。

Claims (10)

1.一种COVID-19实时风险预测方法，其特征在于，包括以下步骤：
S1、获取疫情基础病例数据；
S2、根据S1获取的疫情基础病例数据建立传染数衰减方程得到基本传染数，再根据基本传染数和S1获取的疫情基础病例数据建立疫情传播动力学模型；
S3、将本区域实时易感者、感染者、潜伏者、治愈者以及死亡者数据作为疫情传播动力学模型的输入数据，对本区域实时疫情基础病例数据进行预测；
S4、根据本区域实时疫情基础病例数据，计算疫情危险性数据；
S5、确定社会脆弱性数据；
S6、对疫情危险性数据和社会脆弱性数据进行归一化处理，分别建立熵值-层次分析法组合模型，得到疫情危险性数据权重矩阵和社会脆弱性数据权重矩阵；
S7、根据疫情危险性数据权重矩阵、社会脆弱性数据权重矩阵、疫情危险性数据以及社会脆弱性数据进行本区域疫情风险预测，根据预测风险值将区域疫情风险划分为三个等级，三级风险是风险值<0.3，二级风险是0.3≤风险值≤0.5，一级风险是风险值>0.5；
S8、根据S7划分的风险等级，利用ArcMap10.2软件绘制疫情风险预测等级地图。
2.根据权利要求1所述的一种COVID-19实时风险预测方法，其特征在于，疫情病例基础数据包括区域人口、区域面积、累计确诊病例、累计死亡病例以及累计治愈病例。
3.根据权利要求1所述的一种COVID-19实时风险预测方法，其特征在于，所述S2中传染数衰减方程如下：
Figure FDA0002522743780000021
其中，C为基本传染数，C0为疫情初期基本传染数，k为衰减系数，t0为预计传染病消失的时间，t为时间。
4.根据权利要求1所述的一种COVID-19实时风险预测方法，其特征在于，所述S2中疫情传播动力学模型如下：
Figure FDA0002522743780000022
其中，C为基本传染数，当C＜1时，传染病将会逐渐消失；β为发病率；θ是潜伏者相对于传染者的传染能力；S为易感者，σ为潜伏者转化感染者的速率，为1/潜伏期；α为致死率；γ为感染者治愈的速率，本文中时间单位为d，每个时间步长为1d，I为感染者，E为潜伏者，R为治愈者，D为死亡者，t为时间。
5.根据权利要求4所述的一种COVID-19实时风险预测方法，其特征在于，所述易感者＝区域人口-累计确诊病例；感染者＝累计确诊病例-累计死亡病例-累计治愈病例；潜伏者(t)＝累计确诊病例(t+a)-累计确诊病例(t)，t为时间，a为潜伏期；治愈者＝累计治愈病例；死亡者＝累计死亡病例。
6.根据权利要求1所述的一种COVID-19实时风险预测方法，其特征在于，疫情危险性数据包括每日新增确诊病例密度、现存确诊病例密度、累计死亡人数密度、死亡率、连续3天有无新增以及14天有无聚集性疫情。
7.根据权利要求6所述的一种COVID-19实时风险预测方法，其特征在于，每日新增确诊病例密度＝(当日累计确诊人数-前一日累计确诊人数)/区域面积；现存确诊病例密度＝(累计确诊病例-累计治愈病例-累计死亡病例)/区域面积；累计死亡人数密度＝累计死亡病例/区域面积；死亡率＝累计死亡病例/累计确诊人数。
8.根据权利要求1所述的一种COVID-19实时风险预测方法，其特征在于，社会脆弱性数据包括人口密度、年龄大于一定值以上人口占比、人均GDP和每万人病床数。
9.根据权利要求1所述的一种COVID-19实时风险预测方法，其特征在于，疫情危险性数据权重矩阵和社会脆弱性数据权重矩阵计算步骤如下：
S61、用归一化处理后的疫情危险性数据构建熵值法模型和层次分析法模型；
S62、将熵值法模型中各数据权重系数v＝(v1，v2，v3，......vn)和层次分析法模型中各数据权重系数w＝(w1，w2，w3，......wn)进行加权平均，计算得到疫情危险性数据权重矩阵σi：
Figure FDA0002522743780000041
S63、用归一化处理后的社会脆弱性数据构建熵值法模型和层次分析法模型；
S64、将熵值法模型中各数据权重系数v＝(v1，v2，v3，......vn)和层次分析法模型中各数据权重系数w＝(w1，w2，w3，......wn)进行加权平均，计算得到社会脆弱性数据权重矩阵σj：
Figure FDA0002522743780000042
其中，σi指第i个疫情危险性数据对应的权重，i＝1.....n，σj指第j个社会脆弱性数据对应的权重，j＝1.....n，n为权重总个数。
10.根据权利要求1所述的一种COVID-19实时风险预测方法，其特征在于，所述步骤S7预测风险值计算如下：
疫情危险性值＝疫情危险性数据×疫情危险性数据权重；
社会脆弱性值＝社会脆弱性数据×社会脆弱性数据权重；
预测风险值＝疫情危险性值×社会脆弱性值。
CN202010495748.9A 2020-06-03 2020-06-03 一种covid-19实时风险预测方法 Pending CN111768873A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010495748.9A CN111768873A (zh) 2020-06-03 2020-06-03 一种covid-19实时风险预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010495748.9A CN111768873A (zh) 2020-06-03 2020-06-03 一种covid-19实时风险预测方法

Publications (1)

Publication Number Publication Date
CN111768873A true CN111768873A (zh) 2020-10-13

Family

ID=72719942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010495748.9A Pending CN111768873A (zh) 2020-06-03 2020-06-03 一种covid-19实时风险预测方法

Country Status (1)

Country Link
CN (1) CN111768873A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112466475A (zh) * 2020-11-25 2021-03-09 北京深演智能科技股份有限公司 创建预测模型的方法和装置
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
CN112671856A (zh) * 2020-12-15 2021-04-16 青岛智能产业技术研究院 一种基于疾病传播特征的智能预警系统及预警方法
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
CN112986503A (zh) * 2021-04-20 2021-06-18 深圳市儒翰基因科技有限公司 一种量化的病原体微生物安全风险指标的监测系统及方法
CN113192640A (zh) * 2021-05-06 2021-07-30 浙江工业大学 基于迁移学习的新冠危险阶段评估方法和系统
CN113192644A (zh) * 2021-02-26 2021-07-30 上海市疾病预防控制中心 针对区域疫情风险实现量化分级评估检测的方法、装置、处理器及其计算机可读存储介质
CN113780635A (zh) * 2021-08-24 2021-12-10 广东省公共卫生研究院 一种小空间尺度传染病时空传播模式的预测方法
CN114334172A (zh) * 2021-12-13 2022-04-12 北京融信数联科技有限公司 一种疫情风险评估方法、系统及可读存储介质
WO2022134480A1 (zh) * 2020-12-21 2022-06-30 北京百度网讯科技有限公司 建立风险预测模型的方法、区域风险预测方法及对应装置
WO2022198943A1 (zh) * 2021-03-24 2022-09-29 南方科技大学 密接人员感染风险评估方法、装置、电子设备及存储介质
EP4163922A1 (en) 2021-10-10 2023-04-12 Centre Hospitalier Universitaire Vaudois (CHUV) A method for predicting side effects of a coronavirus vaccine
WO2023057650A1 (en) 2021-10-10 2023-04-13 Centre Hospitalier Universitaire Vaudois (Chuv) A method for predicting side effects of drugs and vaccines
WO2023078082A1 (en) * 2021-11-02 2023-05-11 International Business Machines Corporation Determining infection risk levels

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204154A (zh) * 2016-07-20 2016-12-07 武汉斗鱼网络科技有限公司 基于层次分析法和熵值法的用户价值评分系统及其方法
US20170316324A1 (en) * 2016-04-27 2017-11-02 Virginia Polytechnic Institute And State University Computerized Event-Forecasting System and User Interface
CN108182522A (zh) * 2017-12-25 2018-06-19 中国电子科技集团公司第二十八研究所 一种基于ahp-熵权法的航道交通安全风险评估方法
CN108198629A (zh) * 2018-03-06 2018-06-22 云南省疾病预防控制中心 一种传染病跨境输入传播风险自动评估系统及方法
WO2018121396A1 (zh) * 2016-12-29 2018-07-05 中国银联股份有限公司 商户价值评价方法
CN110459329A (zh) * 2019-07-11 2019-11-15 广东省公共卫生研究院 一种登革热风险综合评估方法
CN111063451A (zh) * 2020-03-17 2020-04-24 广州地理研究所 基于输入-扩散函数的传染病疫情早期风险态势分析方法
CN111128399A (zh) * 2020-03-30 2020-05-08 广州地理研究所 一种基于人流密度的流行病疫情风险等级评估方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170316324A1 (en) * 2016-04-27 2017-11-02 Virginia Polytechnic Institute And State University Computerized Event-Forecasting System and User Interface
CN106204154A (zh) * 2016-07-20 2016-12-07 武汉斗鱼网络科技有限公司 基于层次分析法和熵值法的用户价值评分系统及其方法
WO2018121396A1 (zh) * 2016-12-29 2018-07-05 中国银联股份有限公司 商户价值评价方法
CN108182522A (zh) * 2017-12-25 2018-06-19 中国电子科技集团公司第二十八研究所 一种基于ahp-熵权法的航道交通安全风险评估方法
CN108198629A (zh) * 2018-03-06 2018-06-22 云南省疾病预防控制中心 一种传染病跨境输入传播风险自动评估系统及方法
CN110459329A (zh) * 2019-07-11 2019-11-15 广东省公共卫生研究院 一种登革热风险综合评估方法
CN111063451A (zh) * 2020-03-17 2020-04-24 广州地理研究所 基于输入-扩散函数的传染病疫情早期风险态势分析方法
CN111128399A (zh) * 2020-03-30 2020-05-08 广州地理研究所 一种基于人流密度的流行病疫情风险等级评估方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
CINTRA, H. P. C: "Estimative of real number of infections by COVID-19 on Brazil and possible scenarios", HTTPS://WWW.MEDRXIV.ORG/CONTENT/10.1101/2020.05.03.20052779V3, pages 1 *
CINTRA, P. H. P.: "MATHEMATICAL MODELS FOR DESCRIBING AND PREDICTING THE COVID-19 PANDEMIC CRISIS", ARXIV:2006.02507V1 *
CINTRA, P. H. P.: "MATHEMATICAL MODELS FOR DESCRIBING AND PREDICTING THE COVID-19 PANDEMIC CRISIS", HTTPS://WWW.MEDRXIV.ORG/CONTENT/10.1101/2020.05.03.20052779V3, pages 5 - 10 *
GUOPING ZHANG: "Forecasting and Analysis of Time Variation of Parameters of COVID-19 Infection in China Using An Improved SEIR Model", DOI: HTTPS://DOI.ORG/10.21203/RS.3.RS-16159/V1 *
MUKA AMM , SANNYAL M: "Transmission Dynamics of COVID-19 in Bangladesh- A Compartmental Modeling Approach", PREPRINT FROM RESEARCH SQUARE *
杨雪美;: "突发重大传染病疫情社会易损性评价及影响因素分析", 中国卫生经济, no. 06, pages 51 *
翟鹏龙: "COVID-19疫情的实时区域传播分析、预测与预警", 《应用数学学报》, vol. 43, no. 02, pages 298 *
袁以美: "蓄滞洪区社会稳定风险模糊层次熵权耦合分析", 《人民黄河》, vol. 40, no. 12, pages 63 *
邵磊;陈郁;张树深;: "基于AHP和熵权的跨界突发性大气环境风险源模糊综合评价", 中国人口・资源与环境, no. 1 *
陈廷瑞;谢海斌;倪成剑;魏晶娇;朱善冰;林上统;李前梁;池海潮;王坚;陈国智;张菊;何凡;: "温州市台风灾后肠道传染病疫情风险的评估", 中国预防医学杂志, no. 10 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112466475A (zh) * 2020-11-25 2021-03-09 北京深演智能科技股份有限公司 创建预测模型的方法和装置
CN112671856A (zh) * 2020-12-15 2021-04-16 青岛智能产业技术研究院 一种基于疾病传播特征的智能预警系统及预警方法
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
WO2022134480A1 (zh) * 2020-12-21 2022-06-30 北京百度网讯科技有限公司 建立风险预测模型的方法、区域风险预测方法及对应装置
CN113192644A (zh) * 2021-02-26 2021-07-30 上海市疾病预防控制中心 针对区域疫情风险实现量化分级评估检测的方法、装置、处理器及其计算机可读存储介质
CN113192644B (zh) * 2021-02-26 2024-05-24 上海市疾病预防控制中心 针对区域疫情风险实现量化分级评估检测的方法、装置、处理器及其计算机可读存储介质
WO2022198943A1 (zh) * 2021-03-24 2022-09-29 南方科技大学 密接人员感染风险评估方法、装置、电子设备及存储介质
CN112986503A (zh) * 2021-04-20 2021-06-18 深圳市儒翰基因科技有限公司 一种量化的病原体微生物安全风险指标的监测系统及方法
CN113192640A (zh) * 2021-05-06 2021-07-30 浙江工业大学 基于迁移学习的新冠危险阶段评估方法和系统
CN113780635A (zh) * 2021-08-24 2021-12-10 广东省公共卫生研究院 一种小空间尺度传染病时空传播模式的预测方法
CN113780635B (zh) * 2021-08-24 2023-09-01 广东省公共卫生研究院 一种小空间尺度传染病时空传播模式的预测方法
WO2023057650A1 (en) 2021-10-10 2023-04-13 Centre Hospitalier Universitaire Vaudois (Chuv) A method for predicting side effects of drugs and vaccines
EP4163922A1 (en) 2021-10-10 2023-04-12 Centre Hospitalier Universitaire Vaudois (CHUV) A method for predicting side effects of a coronavirus vaccine
WO2023078082A1 (en) * 2021-11-02 2023-05-11 International Business Machines Corporation Determining infection risk levels
CN114334172A (zh) * 2021-12-13 2022-04-12 北京融信数联科技有限公司 一种疫情风险评估方法、系统及可读存储介质

Similar Documents

Publication Publication Date Title
CN111768873A (zh) 一种covid-19实时风险预测方法
Krantz et al. Level of underreporting including underdiagnosis before the first peak of COVID-19 in various countries: Preliminary retrospective results based on wavelets and deterministic modeling
CN111524611B (zh) 构建传染病趋势预测模型的方法、预测方法、装置及设备
CN113192645B (zh) 一种基于离散格网的传染病时空扩散演变和人为防控仿真方法
WO2022160370A1 (zh) 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法
Tuomisto et al. An agent-based epidemic model REINA for COVID-19 to identify destructive policies
Moussaoui et al. Prediction of confinement effects on the number of COVID-19 outbreak in Algeria
Zhang et al. COVID-19 infection and recovery in various countries: Modeling the dynamics and evaluating the non-pharmaceutical mitigation scenarios
Dai et al. Evaluation of prevention and control interventions and its impact on the epidemic of coronavirus disease 2019 in Chongqing and Guizhou Provinces
Hou et al. Changing transmission dynamics of COVID-19 in China: a nationwide population-based piecewise mathematical modelling study
Harsha et al. Covid-19 epidemic study II: phased emergence from the lockdown in Mumbai
Bicher et al. Guiding Austria through the COVID-19 Epidemics with a Forecast-Based Early Warning System
CN115394455A (zh) 基于空间聚类离散格网的传染病时空扩散预测方法及装置
CN112259248B (zh) 一种covid-19境外输入风险评估预测方法
CN113161004B (zh) 一种疫情预测系统及方法
Linton et al. Localized end-of-outbreak determination for coronavirus disease 2019 (COVID-19): examples from clusters in Japan
Ge et al. Simulation analysis of epidemic trend for covid-19 based on seirs model
CN114496265A (zh) 城市内部传染病时空扩散建模方法及系统
Youdom et al. Modelling and projections of the COVID-19 epidemic and the potential impact of social distancing in Cameroon
Grover et al. Estimation of quality adjusted life year (QALY) for different states of india during COVID-19
Buonomo et al. Modelling information–dependent social behaviors in response to lockdowns: the case of COVID–19 epidemic in Italy
Li et al. Does our collective stringency control the virus? Investigating lockdown effectiveness on community mobility data
Bharti et al. Multi-parametric disease dynamics study and analysis of the COVID-19 epidemic and implementation of population-wide intrusions: The Indian perspective
Wanke et al. Performance Evaluation and Lockdown Decisions of the UK Healthcare System in Dealing with COVID-19: a Novel Unbiased MCDM Score Decomposition into Latent Vagueness and Randomness Components
Bhattachayya et al. Network-based modeling of covid-19 dynamics: Early pandemic spread in india

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