CN112037930A

CN112037930A - 一种传染病预测设备、方法、装置及存储介质

Info

Publication number: CN112037930A
Application number: CN202011204575.7A
Authority: CN
Inventors: 陈天歌
Original assignee: Ping An Technology Shenzhen Co Ltd
Current assignee: Ping An Technology Shenzhen Co Ltd
Priority date: 2020-11-02
Filing date: 2020-11-02
Publication date: 2020-12-04
Anticipated expiration: 2040-11-02
Also published as: CN112037930B; WO2021190658A1

Abstract

本申请实施例公开了一种传染病预测设备、方法、装置及存储介质，应用于医疗技术领域。其中，该传染病预测设备包括：存储器和处理器，存储器用于存储程序指令，处理器可用于调用程序指令执行：根据目标传染病的滑动窗口获取目标传染病对应的多组动态参数；根据多组动态参数确定目标传染病的传染速率变化信息；根据目标传染病的传染速率变化信息，从多个传染速率模型中选择出目标传染速率模型以确定传染病预测模型；获取目标传染病的疫情数据，将疫情数据输入传染病预测模型，得到对目标传染病的预测信息。采用本申请实施例，有助于提升传染病预测的可靠性。

Description

一种传染病预测设备、方法、装置及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种传染病预测设备、方法、装置及存储介质。

背景技术

目前，各种疾病的发病率逐年升高，其中各种传染病的爆发给人们的生活带来了极大影响。由此，如何实现对传染病发展趋势的可靠预测，以采取相应管控措施，成为亟需解决的问题。

发明内容

本申请实施例提供了一种传染病预测设备、方法、装置及存储介质，有助于提升传染病预测的可靠性。

第一方面，本申请实施例提供了一种传染病预测设备，包括：存储器和处理器；

所述存储器，用于存储程序指令；

所述处理器，用于调用所述程序指令，当所述程序指令被执行时，用于执行以下步骤：

根据目标传染病的滑动窗口获取所述目标传染病对应的多组动态参数；其中，所述动态参数用于确定所述目标传染病的传染速率；

根据所述多组动态参数确定所述目标传染病的传染速率变化信息；其中，所述传染速率变化信息用于指示所述目标传染病的传染速率的动态变化情况；

根据所述目标传染病的传染速率变化信息，从多个传染速率模型中选择出目标传染速率模型，并根据所述目标传染速率模型确定传染病预测模型；

获取所述目标传染病的疫情数据，将所述疫情数据输入所述传染病预测模型，得到对所述目标传染病的预测信息。

第二方面，本申请实施例提供了一种传染病预测方法，包括：

第三方面，本申请实施例提供了一种传染病预测装置，包括：

获取模块，用于根据目标传染病的滑动窗口获取所述目标传染病对应的多组动态参数；其中，所述动态参数用于确定所述目标传染病的传染速率；

确定模块，用于根据所述多组动态参数确定所述目标传染病的传染速率变化信息；其中，所述传染速率变化信息用于指示所述目标传染病的传染速率的动态变化情况；

所述确定模块，还用于根据所述目标传染病的传染速率变化信息，从多个传染速率模型中选择出目标传染速率模型，并根据所述目标传染速率模型确定传染病预测模型；

处理模块，用于获取所述目标传染病的疫情数据，将所述疫情数据输入所述传染病预测模型，得到对所述目标传染病的预测信息。

第四方面，本申请实施例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，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的传染病预测设备执行的部分或全部步骤。可选的，该计算机可读存储介质可以是非易失性的，也可以是易失性的。

本申请实施例可根据滑动窗口获取目标传染病对应的多组动态参数，以根据多组动态参数确定目标传染病的传染速率变化信息，进而可根据目标传染病的传染速率变化信息选择出目标传染速率模型，以根据目标传染速率模型确定传染病预测模型，使得后续能够通过获取目标传染病的疫情数据，将疫情数据输入传染病预测模型，得到对目标传染病的预测信息，使得能够结合动态参数实现传染病预测，有助于提升传染病预测的可靠性。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。

图1是本申请实施例提供的一种传染病预测系统的结构示意图；

图2是本申请实施例提供的一种传染病预测方法的流程示意图；

图3a是本申请实施例提供的另一种传染病预测方法的流程示意图；

图3b是本申请实施例提供的一种传染病预测效果对比示意图;

图4是本申请实施例提供的一种传染病预测装置的结构示意图；

图5是本申请实施例提供的一种传染病预测设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请的技术方案可应用于传染病预测系统，并可具体应用于传染病预测设备（传染病预测装置）中，用于实现对传染病发展趋势的预测。可选的，该传染病预测设备可以是终端，也可以是服务器，还可以为数据平台或其他设备。该终端可包括手机、平板电脑、计算机等等，本申请不做限定。可以理解，在其他实施例中，该终端还可叫做其余名称，比如叫做终端设备、智能终端、用户设备、用户终端等等，此处不一一列举。

本申请的技术方案可应用于人工智能、智慧城市、区块链和/或大数据技术领域，如可通过数据平台或其他设备实现，涉及的数据可通过区块链节点存储，或者可存储于数据库，本申请不做限定。

目前，各种传染病的爆发给人们的生活带来了极大影响，如何实现对传染病发展趋势的可靠预测成为亟需解决的问题。发明人在研究中发现，传统的传染病模型是基于固定参数假设对疫情发展走势进行预测，无法衡量管控政策等变化对于控制疫情的效果，因此无法精准预测在实施各类管控政策前提下的疫情发展，疫情预测的准确性较差。而本申请能够通过确定动态参数，基于动态参数变化实现传染病预测。例如，可通过将动态参数变化嵌入传染病模型，以实现疫情的准确预测，提升传染病预测的可靠性。

本申请实施例提供了一种传染病预测系统、方法、装置、设备和介质等，使得有助于提升传染病预测的可靠性。以下分别详细说明。

请参见图1，是本申请实施例提供的一种传染病预测系统的结构示意图。如图1所示，该传染病预测系统可包括传染病预测设备（传染病预测装置）101和存储设备（存储装置）102。其中，

传染病预测设备101，可用于根据目标传染病的滑动窗口获取该目标传染病对应的多组动态参数；根据多组动态参数确定该目标传染病的传染速率变化信息；根据该目标传染病的传染速率变化信息，确定目标传染速率模型，比如从多个传染速率模型中选择出目标传染速率模型，并根据该目标传染速率模型确定传染病预测模型；获取该目标传染病的疫情数据，将疫情数据输入该传染病预测模型，得到对该目标传染病的预测信息。

存储设备102，可用于存储本申请涉及的数据，如疫情数据等等。进而传染病预测设备101可通过从存储设备102获取传染病对应的疫情数据，以基于该疫情数据实现对该传染病的发展趋势的预测。

可选的，该存储设备102可以为服务器，或者可以数据库，或者可以其他存储设备，本申请不做限定。

可以理解，该存储设备和传染病预测设备可以分别为独立的设备，即独立部署，或者，该存储设备和传染病预测设备也可以部署于同一设备中，本申请不做限定，图1仅示出了独立部署的场景。例如，在一些实施例中，该存储设备和传染病预测设备可部署于服务器中，或者说，该存储设备可以部署于传染病预测设备中。

在一些实施例中，该存储设备可以为区块链节点，该动态参数和/或疫情数据等数据可以从区块链获取。也即，用于传染病预测的部分或全部数据可以预先存储于区块链中。通过从区块链节点中获取数据，可以提升获取的数据的可靠性，进而有助于提升基于该数据实现的传染病预测的可靠性。

请一并参见图2，图2是本申请实施例提供的一种传染病预测方法的流程示意图。该方法可以由上述的传染病预测设备执行，如图2所示，该传染病预测方法可包括以下步骤：

201、根据目标传染病的滑动窗口获取该目标传染病对应的多组动态参数。

其中，该动态参数可用于确定该目标传染病的传染速率。该多组动态参数是基于滑动窗口确定的。

可选的，不同疾病或不同疾病类型对应的滑动窗口可以相同，也可以不同。

例如，在一些实施例中，可以为不同疾病设置不同时长的滑动窗口，比如一疾病的历史传染速率越高，设置的滑动窗口可以越短；又如，在一些实施例中，可以为不同疾病类型设置不同时长的滑动窗口，比如一疾病类型对应的历史传染速率越高，设置的滑动窗口可以越短。进而可通过确定目标疾病（或目标疾病所属的疾病类型）的历史传染速率，确定出该目标疾病的滑动窗口，从而有助于提升传染病预测的可靠性。

又如，在一些实施例中，该滑动窗口还可结合待进行传染病预测的区域和疾病（类型）进行确定。比如可根据目标区域的疾病的历史传染速率确定滑动窗口，等等，此处不赘述，以提升滑动窗口设置的可靠性，进而提升传染病预测的可靠性。

在一些实施例中，该动态参数可以是针对某一区域（目标区域）的传染病数据，如目标区域的新增病例数。由此可实现对特定区域的传染病预测。

在确定出滑动窗口之后，即可按照滑动窗口采集动态参数。例如，假设选定3天为滑动窗口，则可获取第1-3天数据、2-4天数据、3-5天数据...以此类推，以获取得到多组动态参数。

在一些实施例中，该动态参数可以为目标区域的动态参数；在该根据目标传染病的滑动窗口获取该目标传染病对应的多组动态参数之前，传染病预测设备还可获取该目标传染病在该目标区域且在预设时间段（如最近一周）内的历史传染速率，进可根据该历史传染速率，确定该目标传染病的滑动窗口。例如，该历史传染速率越高，该滑动窗口对应的时长可以为越短。

可选的，该动态参数涉及的参数可以包括一个或多个人群在该滑动窗口的人数变化量（如新增人数），或者可以包括一个或多个人群在滑动窗口的起始时间点的人数和截止时间点的人数等等。其中，该人群可以包括易感人群、潜伏期人群、已感染人群、移除人群（即已治愈或死亡）等。

202、根据该多组动态参数确定该目标传染病的传染速率变化信息。

其中，该传染速率变化信息可用于指示该目标传染病的传染速率的动态变化情况。可选的，该传染速率变化信息可以是传染速率变化曲线，或者可以是其他形式的用于指示传染速率动态变化的信息，本申请不做限定。

可选的，该获取的动态参数的数目可以预先设置得到，或者根据计算出的传染速率变化情况确定出。以便于根据该多组动态参数对应的传染速率变化信息确定动态变化特征，以选择传染速率模型。

也就是说，本申请可利用真实疫情数据估算传染速率的变化情况。比如通过收集连续的单日新增病例数作为基础数据，选定滑动窗口，对传染速率进行计算，如按照选定3天为滑动窗口，则根据第1-3天数据、2-4天数据、3-5天数据等等分别估计单日传染速率，并建立连续的传染速率变化曲线。可选的，还可以以更小的粒度采集真实疫情数据来确定传染速率变化情况，以提升精确性。例如，以2天为滑动窗口，又如以小时粒度进行数据采集，如以12小时为滑动窗口，等等，此处不一一列举。

203、根据该目标传染病的传染速率变化信息，从多个传染速率模型中选择出目标传染速率模型。

在获取目标传染病的传染速率变化信息之后，即可根据该传染速率变化信息确定传染速率模型，即目标传染速率模型。可选的，本申请涉及的传染速率模型可以是传染速率参数方程（函数），如线性、对数、反逻辑斯蒂方程等参数方程，或者说传染速率模型可以是基于传染速率参数方程确定的。

在一些实施例中，以传染速率模型为传染速率参数方程为例，在确定目标传染速率模型时，可以根据该目标传染病的传染速率变化信息，从多个传染速率参数方程类型中选择出目标类型，以基于该目标类型（如线性、对数或反逻辑斯蒂方程类型等等）确定目标传染速率模型。例如，传染病预测设备可根据该目标类型的传染速率参数方程下的传染速率和真实传染速率，调整该目标类型的传染速率参数方程的系数，以得到目标传染速率模型。可选的，该传染速率参数方程类型可包括线性方程类型、对数方程类型或反逻辑斯蒂方程类型。

可选的，在根据该目标类型的传染速率参数方程下的传染速率和真实传染速率，调整该目标类型的传染速率参数方程的系数，以得到目标传染速率模型时，传染病预测设备可获取第一时间窗口下该目标类型的传染速率参数方程下的传染速率和真实传染速率；计算该目标类型的传染速率参数方程下的传染速率和该真实传染速率之间的差值，判断该差值是否小于速率阈值；当该差值不小于该速率阈值时，调整该目标类型的传染速率参数方程的系数，并计算调整该系数后第二时间窗口下该目标类型的传染速率参数方程下的传染速率和真实传染速率，直到同一时间窗口下该目标类型的传染速率参数方程下的传染速率和真实传染速率之间的差值小于该速率阈值；基于该目标类型的传染速率参数方程和该差值小于该速率阈值时对应的系数，确定该目标传染速率模型。

也就是说，可对目标传染病速率模型的系数赋予初值，通过获取同一时间窗口下基于选择的目标传染病速率模型确定出的传染速率和基于真实数据确定的真实传染速率是否匹配（如差值是否小于速率阈值），来进行模型训练，在不匹配时切换系数，直到训练出目标传染病速率模型确定出的传染速率和真实传染速率匹配，以得到模型系数，训练得到目标传染病模型。可选的，在得到染速率匹配对应的系数之后，还可基于采集的多组历史数据对该目标传染病模型进行验证，如果验证通过，比如基于针对每组历史数据该系数的目标传染病速率模型确定出的传染速率和真实传染速率均匹配，则可将该系数作为该目标传染病模型的系数，以训练得到目标传染病模型。

204、根据该目标传染速率模型确定传染病预测模型。

传染病预测设备在确定出目标传染速率模型如目标传染速率参数方程之后，即可将该目标传染速率参数方程嵌入初始的传染病预测模型，以实现根据目标传染速率模型确定传染病预测模型。

可选的，该传染病预测模型可以是房室模型，如单室模型或多室模型，也可以是非房室模型。例如，该传染病预测模型可以为SI模型、SIR模型、SIRS模型或SEIR模型等等。

在一些实施例中，该传染病预测模型可以为房室模型。在该根据该目标传染速率模型确定传染病预测模型之前，传染病预测设备还可确定该目标传染病所属的目标传染病类型。进一步的，传染病预测设备可根据预先存储的传染病类型和房室模型的对应关系，确定该目标传染病类型对应的目标房室模型。进而在根据该目标传染速率模型确定传染病预测模型时，传染病预测设备可将该目标传染速率参数方程嵌入该目标房室模型，以得到该传染病预测模型。

在一些实施例中，该传染病预测模型可以为房室模型。在该根据该目标传染速率模型确定传染病预测模型之前，传染病预测设备还可获取该目标传染病的特征信息和预测目标信息。进一步的，传染病预测设备可根据该目标传染病的特征信息和预测目标信息，确定该目标传染病类型对应的目标房室模型。进而在根据该目标传染速率模型确定传染病预测模型时，传染病预测设备可将该目标传染速率参数方程嵌入该目标房室模型，以得到该传染病预测模型。

本申请实施例可通过确定传染速率变化信息，如通过计算传染速率变化曲线，来选择合适的动态参数方程，进而将动态参数变化嵌入传统的传染病模型，以实现疫情准确预测。

205、获取该目标传染病的疫情数据，将该疫情数据输入该传染病预测模型，得到对该目标传染病的预测信息。

其中，该疫情数据包括易感人群数目（人数）、潜伏期人群数目、已感染人群数目和/或移除人群（即已治愈或死亡）数目等等。

可选的，该预测信息可用于指示该目标传染病的传播趋势，如指示该疫情数据包括的各人群的数目变化情况，以实现传染病传播趋势的预测。例如，该预测信息可包括一个或多个人群在单位时间内（如每天）的人数变化量或变化率；又如，该预测信息可包括单位时间内传染速率的变化量，等等，此处不一一列举。其中，该人群可以为易感人群、潜伏期人群、已感染人群、移除人群等等。

在训练得到传染病预测模型之后，即可利用采集的疫情数据，预测得到该目标传染病的发展趋势。

在一些实施例中，可以是在接收到终端设备的疫情预测请求时，触发获取该目标传染病的疫情数据，以便于根据该疫情数据进行疫情预测。可选的，该疫情预测请求可以携带目标传染病的信息如标识等，以便于根据该目标传染病的信息获取相应的数据进行传染病阈值。可选的，该疫情预测请求还可携带目标区域信息，进而传染病预测设备可根据该目标传染病的信息和目标区域信息获取该目标区域的疫情数据，以实现对该目标区域的传染病预测。

在本申请实施例中，传染病预测设备可根据滑动窗口获取目标传染病对应的多组动态参数，以根据多组动态参数确定目标传染病的传染速率变化信息，进而可根据目标传染病的传染速率变化信息选择出目标传染速率模型，以根据目标传染速率模型确定传染病预测模型，使得后续能够通过获取目标传染病的疫情数据，利用传染病预测模型对疫情数据进行处理，以得到对目标传染病的预测信息，使得能够结合动态参数实现传染病预测，有助于提升传染病预测的可靠性。

参见图3a，图3a是本申请实施例提供的另一种传染病预测方法的流程示意图，如图3a所示，该传染病预测方法可包括以下步骤：

301、根据目标传染病的滑动窗口获取该目标传染病对应的多组动态参数。

其中，该动态参数可用于确定该目标传染病的传染速率。

302、根据该多组动态参数确定该目标传染病的传染速率变化信息。

其中，该传染速率变化信息可用于指示该目标传染病的传染速率的动态变化情况。

303、根据该目标传染病的传染速率变化信息，从多个传染速率参数方程类型中选择出目标类型。

可选的，该传染速率参数方程类型可包括线性方程类型、对数方程类型或反逻辑斯蒂方程类型。

其中，该步骤301-303的描述可参照上述实施例的相关描述，此处不赘述。

在一些实施例中，该传染速率变化信息可以为传染速率变化曲线，进而可根据传染速率变化曲线，选择线性、对数或反逻辑斯蒂方程等参数方程形式，确定采用的动态参数方程。例如，线性、对数、反逻辑斯蒂方程及其微分方程可以如下所示：

其中，

可表示传染速率，a,b,k,C均为方程中涉及的系数，其可以为常数。

304、根据该目标类型的传染速率参数方程下的传染速率和真实传染速率，调整该目标类型的传染速率参数方程的系数，以得到目标传染速率模型。

在选择出传染速率参数方程类型即动态参数方程的类型之后，即可确定该方程中的系数（权重）。

在一些实施例中，可结合动态参数方程对传染速率进行拟合，或者可结合动态参数方程的房室模型对真实的每日新增病例数据进行拟合，通过马尔科夫链蒙特卡洛方法对参数值进行估算。

例如，以反逻辑斯蒂方程举例，需估计的参数为C和k。首先可从C和k的分布中随机抽样，计算得到反逻辑斯蒂方程下的传染速率，和真实数据对比；然后对C和k重新抽样，若基于新的抽样的计算结果优于上一组，则更新参数为新的抽样；循环以上步骤，直至找到最优的参数估计，比如计算出的数据和真实数据相差在阈值范围内，或者遍历完所有分布后计算出的数据和真实数据相差最小。进而可将估算出的最优参数代入结合了传染速率的动态参数方程的方式模型中，以实现根据传染速度变化曲线拟合参数方程。

305、根据该目标传染速率模型确定传染病预测模型。

其中，该传染病预测模型可以是房室模型，如单室模型或多室模型，也可以是非房室模型，此处不赘述。在本实施例中，以传染病预测模型可以为房室模型为例进行说明。

在一些实施例中，可根据疾病特点及预测目标选定适用的房室模型，比如新冠病毒具有潜伏期长的特点，为预测感染人数的周期变化，可选用SEIR模型以对新冠疫情传播过程进行充分建模。SEIR模型将人群分为四部分，分别是：S，易感人群；E，潜伏期人群；I，已感染人群；R，移除人群（即已治愈或死亡）。SEIR房室模型基于各部分人群的相互转化速率，拟合各部分人群的演变趋势。例如，SEIR模型可表示如下：

其中，

可表示感染速率（如从易感人群转化为潜伏人群的转化速率，或者可称为传染速率）；

可表示移除速率（如从感染状态中康复或死亡的速率）；

为总体人数，等于SEIR 四部分人数之和。传统的SEIR模型中，核心参数

为固定参数，因此模型只适用于感染速率保持不变的情况。

而本方案可结合动态参数，通过结合参数方程

的方式允许

的动态变化，模型变为：

其中，

可表示传染速率，该

为基于动态参数确定的传染速率参数方程（模型），如上述确定出的线性方程、对数方程或反逻辑斯蒂方程；

可表示移除速率；

为总人数。从而可以训练得到基于动态参数的传染病预测模型。进而可基于上述模型确定单位时间内各人群的人数变化量。

306、获取该目标传染病的疫情数据，将该疫情数据输入该传染病预测模型，得到对该目标传染病的预测信息。

其中，该疫情数据包括易感人群数目和潜伏期人群数目等等，该预测信息用于指示该目标传染病的传播趋势，如预测得到该疫情数据包括的各人群的数目变化情况。例如，可将该疫情数据代入上述的风险预测模型（如SEIR微分方程），分别得到易感人群、潜伏期人群等在单位时间内的人数变化量，还可得到单位时间内传染速率的变化量等等。由此可通过计算传染速率变化曲线，选择合适的动态参数方程，进而将动态参数变化嵌入传统的传染病模型，以实现疫情准确预测。例如，可精准预测传染病如新冠肺炎疫情的传播，有助于医疗资源分配、交通管控、隔离措施等政策的制定。

可选的，采集的疫情数据可以是目标区域的疫情数据，以便于预测出该目标区域的传染病发展情况，实现对传染病的传播预测。

本技术方案可以在传统的传染病房室模型基础上，嵌入参数方程以评估由管控政策等带来的参数的动态变化，其预测效果远优于传统的传染病房室模型。例如，请参见图3b，是本申请实施例提供的一种传染病预测效果对比示意图。如图3b所示，左图为传统模型，右图为采用本技术方案的预测模型，黑色点线为真实数据（actual number），左图曲线为传统模型预测效果，可见与真实数据相差较大。右侧为基于本申请技术方案的预测结果，其中曲线1为基于动态参数方程对数（logarithmic）方程的预测结果，其与真实数据几乎重叠，该场景下预测效果最好，曲线2（除曲线1外波峰较高的曲线）为基于线性（linear）的预测结果，曲线3（除曲线1外波峰较低的曲线）为基于反逻辑（inverse logit）的预测结果，均由于基于固定参数的传统预测模型。

307、按照预设的时间间隔获取利用所述传染病预测模型确定出的预测信息和真实信息。

可选的，该时间间隔（周期）可基于目标传染病的历史传染速率确定出，如最近三天的历史传染速率。历史传染速率越高，该时间间隔可以设置为越短，以实现对训练出的模型的及时校验。或者，该时间间隔可以为设置的固定值。或者，该时间间隔还可通过其他方式确定出，本申请不做限定。

308、当连续N次获取的预测信息和真实信息不匹配时，触发重新按照滑动窗口获取所述目标传染病对应的多组动态参数，并基于该多组动态参数对应的传染速率变化信息选择目标传染速率模型，以确定新的传染病预测模型进行传染病预测。其中，N为大于或等于2的整数。

其中，预测信息和真实信息匹配可以是指两者之间的差值小于或等于阈值，反之，不匹配可以是指两者之间的差值大于阈值，等等，具体可预先设置得到确定是否匹配的方式，本申请不做限定。

在一些实施例中，可设置触发条件触发重新训练传染病预测模型。例如，可按照预设时间间隔触发基于动态参数重新训练传染病预测模型；又如，在连续N次（如3次）基于传染病预测模型确定出的预测信息如传染速率或新增人数和对应的真实信息如实际传染速率或新增人数的差值超过预设阈值时，触发基于动态参数重新训练传染病预测模型。以便于及时切换传染速率参数方程，实现重新训练传染病预测模型，提升疫情预测的准确性。

例如，在一些实施例中，可按照预设的时间间隔获取利用所述传染病预测模型确定出的指定人群的新增数目和真实新增数目的差值。当连续N次获取的差值大于数目阈值时，可触发重新按照滑动窗口获取所述目标传染病对应的多组动态参数，并基于该多组动态参数对应的传染速率变化信息选择目标传染速率模型（可能会选择新的类型的参数方程，也可以仍是原来的参数方式，但涉及的系数可能发生改变，需重新确定），以确定新的传染病预测模型进行传染病预测。从而有助于进一步提升传染病预测的可靠性。

在本申请实施例中，传染病预测设备可根据滑动窗口获取的目标传染病对应的多组动态参数确定传染速率变化信息，进而可根据传染速率变化信息选择出目标传染速率模型以确定传染病预测模型，使得后续能够利用传染病预测模型对疫情数据进行处理，实现对目标传染病的传播的预测或发展趋势的预测，使得能够结合动态参数实现传染病预测，有助于提升传染病预测的可靠性。而且还可基于一些触发条件对传染病预测模型进行调整，以进一步提升疫情预测的可靠性。可见，本申请可将由管控政策等带来的动态参数变化嵌入传统的传染病模型，纳入管控政策实施等对于疫情的发展的动态影响，实现疫情发展走势的精准预测。将本技术方案应用于疫情传播预测系统中，可为防疫方案的精准实施、医疗资源的有效调配提供政策支持。比如可精准预测传染病如新冠肺炎疫情的传播，有助于医疗资源分配、交通管控、隔离措施等政策的制定。

可以理解，上述方法实施例都是对本申请的并发症预测方法或系统的举例说明，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

本申请实施例还提供了一种传染病预测装置。该装置可包括用于执行前述图2或者图3a所述的方法的模块。请参见图4，是本申请实施例提供的一种传染病预测装置的结构示意图。本实施例中所描述的传染病预测装置，可配置于传染病预测设备中，如图4所示，本实施例的传染病预测装置400可以包括：获取模块401、确定模块402和处理模块403。其中，

获取模块401，用于根据目标传染病的滑动窗口获取所述目标传染病对应的多组动态参数；其中，所述动态参数用于确定所述目标传染病的传染速率；

确定模块402，用于根据所述多组动态参数确定所述目标传染病的传染速率变化信息；其中，所述传染速率变化信息用于指示所述目标传染病的传染速率的动态变化情况；

所述确定模块402，还用于根据所述目标传染病的传染速率变化信息，从多个传染速率模型中选择出目标传染速率模型，并根据所述目标传染速率模型确定传染病预测模型；

处理模块403，用于获取所述目标传染病的疫情数据，将所述疫情数据输入所述传染病预测模型，得到对所述目标传染病的预测信息。

在一些实施例中，所述传染速率模型基于传染速率参数方程确定；所述确定模块402根据所述目标传染病的传染速率变化信息，从多个传染速率模型中选择出目标传染速率模型时，可具体用于：

根据所述目标传染病的传染速率变化信息，从多个传染速率参数方程类型中选择出目标类型；其中，所述传染速率参数方程类型可包括线性方程类型、对数方程类型或反逻辑斯蒂方程类型；

根据所述目标类型的传染速率参数方程下的传染速率和真实传染速率，调整所述目标类型的传染速率参数方程的系数，以得到目标传染速率模型。

在一些实施例中，所述确定模块402根据所述目标类型的传染速率参数方程下的传染速率和真实传染速率，调整所述目标类型的传染速率参数方程的系数，以得到目标传染速率模型时，可具体用于：

获取第一时间窗口下所述目标类型的传染速率参数方程下的传染速率和真实传染速率；

计算所述目标类型的传染速率参数方程下的传染速率和所述真实传染速率之间的差值，判断所述差值是否小于速率阈值；

当所述差值不小于所述速率阈值时，调整所述目标类型的传染速率参数方程的系数，并计算调整所述系数后第二时间窗口下所述目标类型的传染速率参数方程下的传染速率和真实传染速率，直到同一时间窗口下所述目标类型的传染速率参数方程下的传染速率和真实传染速率之间的差值小于所述速率阈值；

基于所述目标类型的传染速率参数方程和所述差值小于所述速率阈值时对应的系数，确定所述目标传染速率模型。

在一些实施例中，所述传染病预测模型为房室模型；

确定模块402，还用于在所述确定模块402根据所述目标传染速率模型确定传染病预测模型之前，确定所述目标传染病所属的目标传染病类型；

确定模块402，还用于根据预先存储的传染病类型和房室模型的对应关系，确定所述目标传染病类型对应的目标房室模型；

所述确定模块402根据所述目标传染速率模型确定传染病预测模型时，可具体用于：

将所述目标传染速率参数方程嵌入所述目标房室模型，以得到所述传染病预测模型。

在一些实施例中，所述传染病预测模型为房室模型；

获取模块401，还用于在所述确定模块402根据所述目标传染速率模型确定传染病预测模型之前，获取所述目标传染病的特征信息和预测目标信息；

确定模块402，还用于根据所述目标传染病的特征信息和预测目标信息，确定所述目标传染病类型对应的目标房室模型；

在一些实施例中，所述动态参数为目标区域的动态参数；

所述获取模块401，还用于在根据目标传染病的滑动窗口获取所述目标传染病对应的多组动态参数之前，获取所述目标传染病在所述目标区域且在预设时间段内的历史传染速率；

所述确定模块402，还用于根据所述历史传染速率，确定所述目标传染病的滑动窗口；其中，所述历史传染速率越高，所述滑动窗口对应的时长越短。

在一些实施例中，所述确定模块402，还可用于在根据所述目标传染速率模型确定传染病预测模型之后，按照预设的时间间隔获取利用所述传染病预测模型确定出的指定人群的新增数目和真实新增数目的差值；当连续N次获取的所述差值大于数目阈值时，可触发获取模块401重新按照滑动窗口获取所述目标传染病对应的多组动态参数，确定模块402基于该多组动态参数对应的传染速率变化信息选择目标传染速率模型，以确定新的传染病预测模型进行传染病预测。

可以理解的是，本实施例的传染病预测装置的各功能模块可根据上述方法实施例图2或者图3a中的方法具体实现，其具体实现过程可以参照上述方法实施例图2或者图3a的相关描述，此处不再赘述。

请参见图5，图5是本申请实施例提供的一种传染病预测设备的结构示意图。如图5所示，该传染病预测设备可包括：处理器501和存储器502。该处理器501和存储器502可相互连接。可选的，该传染病预测设备还可包括通信接口503。上述处理器501、存储器502和通信接口503可通过总线或其他方式连接，本申请不做限定。其中，存储器502可用于存储程序指令，处理器501可用于调用所述程序指令执行上述实施例的部分或全部步骤，如执行上述实施例中传染病预测设备执行的部分或全部步骤。通信接口503可受所述处理器的控制用于收发消息。例如，存储器502可用于存储计算机程序，所述计算机程序包括程序指令，处理器501用于执行存储器502存储的程序指令。其中，处理器501被配置用于调用所述程序指令，执行以下步骤：

在一些实施例中，所述传染速率模型基于传染速率参数方程确定；所述处理器501在执行所述根据所述目标传染病的传染速率变化信息，从多个传染速率模型中选择出目标传染速率模型时，具体执行以下步骤：

在一些实施例中，所述处理器501在执行所述根据所述目标类型的传染速率参数方程下的传染速率和真实传染速率，调整所述目标类型的传染速率参数方程的系数，以得到目标传染速率模型时，具体执行以下步骤：

在一些实施例中，所述传染病预测模型为房室模型；在所述根据所述目标传染速率模型确定传染病预测模型之前，所述处理器501还执行以下步骤：

确定所述目标传染病所属的目标传染病类型；

根据预先存储的传染病类型和房室模型的对应关系，确定所述目标传染病类型对应的目标房室模型；

所述处理器在执行所述根据所述目标传染速率模型确定传染病预测模型时，具体执行以下步骤：

获取所述目标传染病的特征信息和预测目标信息；

根据所述目标传染病的特征信息和预测目标信息，确定所述目标传染病类型对应的目标房室模型；

在一些实施例中，所述动态参数为目标区域的动态参数；在所述根据目标传染病的滑动窗口获取所述目标传染病对应的多组动态参数之前，所述处理器501还用于执行以下步骤：

获取所述目标传染病在所述目标区域且在预设时间段内的历史传染速率；

根据所述历史传染速率，确定所述目标传染病的滑动窗口；其中，所述历史传染速率越高，所述滑动窗口对应的时长越短。

在一些实施例中，在所述根据所述目标传染速率模型确定传染病预测模型之后，所述处理器501还用于执行以下步骤：

按照预设的时间间隔获取利用所述传染病预测模型确定出的指定人群的新增数目和真实新增数目的差值；

当连续N次获取的所述差值大于数目阈值时，触发重新按照滑动窗口获取所述目标传染病对应的多组动态参数，并基于该多组动态参数对应的传染速率变化信息选择目标传染速率模型，以确定新的传染病预测模型进行传染病预测。

应当理解，在本申请实施例中，所称处理器501可以是中央处理单元（CentralProcessing Unit，CPU），该处理器501还可以是其他通用处理器、数字信号处理器（DigitalSignal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

该存储器502可以包括只读存储器和随机存取存储器，并向处理器501提供指令和数据。存储器502的一部分还可以包括非易失性随机存取存储器。例如，存储器502还可以存储目标传染病的疫情数据。

该通信接口503可以包括输入设备和/或输出设备，例如该输入设备是可以是控制面板、麦克风、接收器等，输出设备可以是显示屏、发送器等，此处不一一列举。

具体实现中，本申请实施例中所描述的处理器501、存储器502和通信接口503可执行本申请实施例提供的图2或者图3a所述的方法实施例所描述的实现方式，也可执行本申请实施例所描述的传染病预测装置的实现方式，在此不再赘述。

本申请实施例中还提供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，所述计算机程序包括程序指令，所述程序指令被处理器执行时，可执行上述传染病预测方法实施例中所执行的部分或全部步骤，如传染病预测设备执行的部分或全部步骤。

可选的，本申请涉及的存储介质如计算机可读存储介质可以是非易失性的，也可以是易失性的，本申请不做限定。

本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行上述传染病预测装置方法实施例中所执行的步骤。

在一些实施例中，所述的计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

其中，本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random AccessMemory，RAM）等。

以上所揭露的仅为本申请一种较佳实施例而已，当然不能以此来限定本申请之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本申请权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims

1.一种传染病预测设备，其特征在于，所述设备包括：存储器和处理器；

所述存储器，用于存储程序指令；

2.根据权利要求1所述的设备，其特征在于，所述传染速率模型基于传染速率参数方程确定；所述处理器在执行所述根据所述目标传染病的传染速率变化信息，从多个传染速率模型中选择出目标传染速率模型时，具体执行以下步骤：

3.根据权利要求2所述的设备，其特征在于，所述处理器在执行所述根据所述目标类型的传染速率参数方程下的传染速率和真实传染速率，调整所述目标类型的传染速率参数方程的系数，以得到目标传染速率模型时，具体执行以下步骤：

4.根据权利要求2所述的设备，其特征在于，所述传染病预测模型为房室模型；在所述根据所述目标传染速率模型确定传染病预测模型之前，所述处理器还执行以下步骤：

确定所述目标传染病所属的目标传染病类型；

5.根据权利要求2所述的设备，其特征在于，所述传染病预测模型为房室模型；在所述根据所述目标传染速率模型确定传染病预测模型之前，所述处理器还执行以下步骤：

获取所述目标传染病的特征信息和预测目标信息；

6.根据权利要求1-5任一项所述的设备，其特征在于，所述动态参数为目标区域的动态参数；在所述根据目标传染病的滑动窗口获取所述目标传染病对应的多组动态参数之前，所述处理器还用于执行以下步骤：

7.根据权利要求1-5任一项所述的设备，其特征在于，在所述根据所述目标传染速率模型确定传染病预测模型之后，所述处理器还用于执行以下步骤：

当连续N次获取的所述差值大于数目阈值时，触发重新按照滑动窗口获取所述目标传染病对应的多组动态参数，并基于该多组动态参数对应的传染速率变化信息选择目标传染速率模型，以确定新的传染病预测模型进行传染病预测；其中，N为大于或等于2的整数。

8.一种传染病预测方法，其特征在于，包括：

9.一种传染病预测装置，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的设备执行的步骤。