CN112086203A - 一种疫情预测方法、装置及终端设备 - Google Patents

一种疫情预测方法、装置及终端设备 Download PDF

Info

Publication number
CN112086203A
CN112086203A CN202010954125.3A CN202010954125A CN112086203A CN 112086203 A CN112086203 A CN 112086203A CN 202010954125 A CN202010954125 A CN 202010954125A CN 112086203 A CN112086203 A CN 112086203A
Authority
CN
China
Prior art keywords
population
epidemic situation
city
migration
index
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
CN202010954125.3A
Other languages
English (en)
Inventor
任丹萍
郭卫云
陈湘国
魏忠诚
赵继军
胡劲华
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.)
Hebei University of Engineering
Original Assignee
Hebei University of Engineering
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 Hebei University of Engineering filed Critical Hebei University of Engineering
Priority to CN202010954125.3A priority Critical patent/CN112086203A/zh
Publication of CN112086203A publication Critical patent/CN112086203A/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

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

本发明适用于计算机应用技术领域，提供了一种疫情预测方法、装置及终端设备，该方法包括：获取预设时间段内目标城市的疫情数据和所述目标城市与至少一个相关城市间的城市迁移规模指数；根据所述疫情数据和城市迁移规模指数计算所述目标城市的疫情参数；根据所述疫情参数和城市迁移规模指数构建改进SEIR模型；获取当前时间的疫情数据和城市迁移规模指数，并根据当前时间的疫情数据、当前时间的城市迁移规模指数和改进SEIR模型，得到目标城市的疫情预测数据。本发明提供的技术方案充分考虑了城市间的人口流动情况，计算目标城市的疫情预测数据时应用了城市迁移规模指数，能够贴合实际准确的预测疫情的发展趋势，为疫情防控提供依据。

Description

一种疫情预测方法、装置及终端设备
技术领域
本发明属于计算机应用技术领域，尤其涉及一种疫情预测方法、装置及终端设备。
背景技术
在对传染病传播的分析和研究中，根据现有的疫情数据对疾病在未来的传播情况进行预测，可以为防控提供有效的依据和支持，具有重要意义。例如在应对2019新型冠状病毒(COVID-19)疫情的过程中，就需要对疫情传播进行预测，从而逐步调整防控措施。新型冠状病毒的传播途径主要为直接传播、气溶胶传播以及接触传播，传播过程中的因果关系之间具备强非线性相关性，预测难度大。
在目前的传染病预测研究中，通常使用的传染动力学模型为SI模型和SIS模型。然而不同的疾病具有不同的传播途径和特点，在人口流动越来越频繁的今天，传统的预测方法难以准确描述疫情的传播情况。
发明内容
有鉴于此，本发明实施例提供了一种疫情预测方法、装置及终端设备，以解决现有技术中疫情预测准确度低的问题。
本发明实施例的第一方面提供了一种疫情预测方法，包括：
获取预设时间段内目标城市的疫情数据和所述目标城市与至少一个相关城市间的城市迁移规模指数；
根据所述疫情数据和城市迁移规模指数计算所述目标城市的疫情参数；
根据所述疫情参数和城市迁移规模指数构建改进SEIR模型；
获取当前时间的疫情数据和城市迁移规模指数，并根据所述当前时间的疫情数据、所述当前时间的城市迁移规模指数和所述改进SEIR模型，得到所述目标城市的疫情预测数据。
本发明实施例的第二方面提供了一种疫情预测装置，包括：
数据获取模块，用于获取预设时间段内目标城市的疫情数据和所述目标城市与至少一个相关城市间的城市迁移规模指数；
疫情参数计算模块，用于根据所述疫情数据和城市迁移规模指数计算所述目标城市的疫情参数；
模型构建模块，用于根据所述疫情参数和城市迁移规模指数构建改进SEIR模型；
疫情预测模块，用于获取当前时间的疫情数据和城市迁移规模指数，并根据所述当前时间的疫情数据、所述当前时间的城市迁移规模指数和所述改进SEIR模型，得到所述目标城市的疫情预设数据。
本发明实施例的第三方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
本发明实施例的第四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，所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例提供的一种疫情预测的方法包括：获取预设时间段内目标城市的疫情数据和所述目标城市与至少一个相关城市间的城市迁移规模指数；根据所述疫情数据和城市迁移规模指数计算所述目标城市的疫情参数；根据所述疫情参数和城市迁移规模指数构建改进SEIR模型；获取当前时间的疫情数据和城市迁移规模指数，并根据当前时间的疫情数据、当前时间的城市迁移规模指数和改进SEIR模型，得到目标城市的疫情预测数据。本发明提供的技术方案充分考虑了城市间的人口流动情况，计算目标城市的疫情预测数据时应用了城市迁移规模指数，能够贴合实际准确的预测疫情的发展趋势，为疫情防控提供依据。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种疫情预测方法的实现流程示意图；
图2是现有的SEIR模型中各个人群间的转化关系示意图；
图3是本发明实施例提供改进SEIR模型中各个人群间的转化关系示意图；
图4是本发明实施例提供的一种疫情预测装置的结构示意图；
图5是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
参见图1，本发明实施例提供了一种疫情预测方法，其特征在于，包括：
S101:获取预设时间段内目标城市的疫情数据和所述目标城市与至少一个相关城市间的城市迁移规模指数；
在本发明的一个实施例中，疫情数据包括：所述目标城市的每日累计病例数、每日累计死亡病例数、每日累计治愈病例数、每日新增病例数、每日新增死亡病例数、每日新增治愈病例数以及城市总人口。
在本实施例中，获取疫情数据具体包括：获取初始疫情数据，对初始疫情数据进行预处理得到疫情数据。
在本实施例中，对初始疫情数据进行预处理包括：将各个来源获取的初始疫情数据进行整合，即根据初始疫情数据的类别进行合并存储。
在本实施例中，城市迁移规模指数为第一相关城市每天迁入或迁出到目标城市的人口数量占目标城市每天迁入或迁出的总人口数量的比例。
可选的，城市迁移规模指数的数据来源为百度地图慧眼。
在本实施例中，疫情数据的获取来源灵活多样，通过对获取得到的数据进行全面的分析，可以提高疫情预测的合理性和预测准确性。
S102:根据所述疫情数据和城市迁移规模指数计算所述目标城市的疫情参数；
在本发明的一个实施例中，S102具体包括：
S201：将所述目标城市的城市总人口分为至少一类预设人群，根据所述疫情数据计算各类预设人群的每日人口数量；
在本实施例中，预设人群包括：易感人群(susceptible,S)、潜伏人群(exposed,E)、感染人群(infected,I)以及移除人群(Removed,R)。
S202：根据所述预设时间段内的城市规模迁移指数和预设迁移指数阈值，将预设时间段内的城市规模迁移指数分为至少一个迁移指数区间，并根据各个迁移指数区间对应的时间段将所述预设时间段分为至少一个时间子段；
在本实施例中，第一迁移指数区间对应的时间子段可以仅包括一个时间段，也可以包括多个连续的时间段，第一迁移指数区间为任一迁移指数区间。
例如，预设时间段为2020.1.1-2020.31，预设迁移指数阈值为3％,根据预设迁移指数阈值将预设时间段内的城市迁移规模指数分为[0,3％]和(3％，1]两个迁移指数区间。2020.1.1-2020.1.10时间段内，每日对应的城市迁移规模指数大于3％，2020.1.11-2020.1.20时间段内，每日对应的城市迁移规模指数小于或等于3％，2020.1.21-2020.1.31时间段内，每日对应的城市迁移规模指数大于3％，则迁移规模指数区间[0,3％]对应的时间子段为2020.1.11-2020.1.20，迁移规模指数区间(3％，1]对应的时间子段包括2020.1.1-2020.1.10和2020.1.21-2020.1.31。
S203：根据各个时间子段对应的各类预设人群的每日人口数量计算所述目标城市在每个时间子段对应的初始疫情参数；
在本实施例中，S203包括：
根据第一人群在第一时间子段内每日的人口数量，计算所述第一人群在第一时间子段内每日的人口数量变化率；所述第一人群为任一种预设人群；
基于各个种类人群在第一时间子段内每日的人口数量变化率和预设变化率-疫情参数对应关系，计算所述第一时间子段对应的初始疫情参数。
在本实施例中，疫情参数包括所述潜伏人群向所述感染人群转化的转化率、所述感染人群向所述移除人群转化的转化率、所述易感人群向所述潜伏人群转化的转化率、所述感染人群向所述易感人群的传染概率以及所述潜伏人群向所述易感人群的传染概率。
在本实施例中，预设变化率-疫情参数对应关系为：
Figure BDA0002678027380000051
式(1)中，N为所述目标城市的城市总人口数，S为所述易感人群的人数，E为所述潜伏人群的人数，I为所述感染人群的人数，R为所述移除人群的人数；
Figure BDA0002678027380000052
为所述易感人群的数量变化率，
Figure BDA0002678027380000053
为所述潜伏人群的数量变化率，
Figure BDA0002678027380000054
为所述感染人群的数量变化率，
Figure BDA0002678027380000055
为所述移除人群的数量变化率；β1为所述易感人群向所述潜伏人群转化的转化率，α为所述潜伏人群向所述感染人群转化的转化率，γ为所述感染人群向所述移除人群转化的转化率；β2为所述感染人群向所述易感人群的传染概率，β3为所述潜伏人群向所述易感人群的传染概率。
在本实施例中，计算所述初始疫情参数的具体过程包括：
以时间(日期)、城市迁移规模指数、各个人群的数量变化率作为自变量，以各个人群的人口预测数量作为因变量，使用机器学习中的多元回归的极大似然算法训练初始疫情参数。
S204：基于贝叶斯优化方法对每个时间子段对应的初始疫情参数进行优化，得到各个时间子段对应的疫情参数；
可选的，使用贝叶斯优化方法在Python中的实现模块Hyperopt模块对初始疫情参数进行优化，得到疫情参数。
在本实施例中，相比于常用的参数调试方法如网格搜索和随机搜索，贝叶斯优化方法能够高效的实现参数的优化。具体的，网格搜索适用于需要随整个空间进行搜索的情况，但速度慢；随机搜索的速度快但容易出现遗漏；而贝叶斯优化方法能够综合以上两种方法的优点。
S205：根据各个时间子段对应的疫情参数和各个时间子段对应的迁移指数区间，确定各个迁移指数区间对应的疫情参数。
在本实施例中，分别计算各个迁移指数区间对应的疫情参数，从而充分考虑人口流动情况对疫情参数的影响，可以提高疫情参数的准确性。
S103:根据所述疫情参数和城市迁移规模指数构建改进SEIR模型；
现有的SEIR模型中包括的人群为易感人群、潜伏人群、感染人群以及移除人群，包含的参数仅包括：易感人群向潜伏人群转化的转化率、潜伏人群向感染人群转化的转化率以及感染人群向移除人群转化的转化率。
现有的SEIR模型表示为：
Figure BDA0002678027380000071
式(2)中，N为目标城市的城市总人口数，S为易感人群的人数，E为潜伏人群的人数，I为感染人群的人数，R为移除人群的人数；
Figure BDA0002678027380000072
为所述易感人群的数量变化率，
Figure BDA0002678027380000073
为所述潜伏人群的数量变化率，
Figure BDA0002678027380000074
为所述感染人群的数量变化率，
Figure BDA0002678027380000075
为所述移除人群的数量变化率；β*为现有SEIR模型中易感人群向潜伏人群转化的转化率，α*为现有SEIR模型中潜伏人群向感染人群转化的转化率，γ*为现有SEIR模型中感染人群向移除人群转化的转化率。
在本发明的一个实施例中，改进SEIR模型中，所述预设人群包括易感人群、潜伏人群、感染人群以及移除人群；
所述疫情参数包括所述潜伏人群向所述感染人群转化的转化率、所述感染人群向所述移除人群转化的转化率、所述易感人群向所述潜伏人群转化的转化率、所述感染人群向所述易感人群的传染概率以及所述潜伏人群向所述易感人群的传染概率；
S103包括：
根据第一迁移指数区间对应的疫情参数和预设变化率-疫情参数对应关系，得到第一迁移指数区间对应的改进SEIR模型；所述第一迁移指数区间为任一迁移指数区间；
所述改进SEIR模型为：
Figure BDA0002678027380000081
式(3)中，N为所述城市总人口数，S为所述易感人群的人数，E为所述潜伏人群的人数，I为所述感染人群的人数，R为所述移除人群的人数；
Figure BDA0002678027380000082
为所述易感人群的数量变化率，
Figure BDA0002678027380000083
为所述潜伏人群的数量变化率，
Figure BDA0002678027380000084
为所述感染人群的数量变化率，
Figure BDA0002678027380000085
为所述移除人群的数量变化率；β1为所述易感人群向所述潜伏人群转化的转化率，α为所述潜伏人群向所述感染人群转化的转化率，γ为所述感染人群向所述移除人群转化的转化率；β2为所述感染人群向所述易感人群的传染概率，β3为所述潜伏人群向所述易感人群的传染概率。
图2为现有的SEIR模型中各个人群间的转化关系示意图，图2中β*为现有SEIR模型中易感人群向潜伏人群转化的转化率，α*为现有SEIR模型中潜伏人群向感染人群转化的转化率，γ*为现有SEIR模型中感染人群向移除人群转化的转化率。
图3是本发明实施例提供的改进型SEIR模型中各个人群间的转化关系示意图，图3中β1为所述易感人群向所述潜伏人群转化的转化率，α为所述潜伏人群向所述感染人群转化的转化率，γ为所述感染人群向所述移除人群转化的转化率；β2为所述感染人群向所述易感人群的传染概率，β3为所述潜伏人群向所述易感人群的传染概率。
参见图2和图3，本发明实施例提供的技术方案中考虑了在引入城市迁移指数影响时的易感人群向潜伏人群转化的转化率，感染人群向易感人群的传染概率以及潜伏人群向易感人群的传染概率。使改进SEIR模型更符合新型冠状病毒肺炎或其他具有相似传播规律的疫情情况，同时也更符合人口流动的实际情况。
S104:获取当前时间的疫情数据和城市迁移规模指数，并根据所述当前时间的疫情数据、所述当前时间的城市迁移规模指数和所述改进SEIR模型，得到所述目标城市的疫情预测数据。
在本发明的一个实施例中，S104包括：
获取当前时间的城市迁移规模指数，并确定所述当前城市迁移规模指数所在的迁移指数区间；
根据所述当前城市迁移规模指数对应的迁移指数区间确定所述当前城市迁移规模指数对应的改进SEIR模型；
将所述当前时间的疫情数据输入所述当前城市迁移规模指数对应的改进SEIR模型，得到所述目标城市的疫情预测数据。
可选的，为了比较城市迁移规模指数对疫情发展的影响，可以设置模拟实验。模拟实验具体包括：设置至少一个城市迁移规模设定指数，确定第一城市迁移规模设定指数所在的迁移指数区间；第一城市迁移规模设定指数为任一城市迁移规模设定指数；
根据第一城市迁移规模设定指数对应的迁移指数区间确定第一城市迁移规模设定指数对应的改进SEIR模型；
将当前时间的疫情数据输入第一城市迁移规模设定指数对应的改进SEIR模型，得到第一城市迁移规模设定指数对应的疫情预测数据。
通过设置不同的城市迁移规模设定指数，获得各个城市迁移规模设定指数对应的疫情预测数据，可以直观的体现出人口流动对疫情发展的影响，为疫情防控措施提供数据依据。
可选的，对比目标城市的疫情预测数据与通过现有技术中其他模型计算的疫情预测数据，对改进SEIR模型进行验证。若改进SEIR模型输出的疫情预测数据与实际情况或其他模型计算的疫情预测数据偏差过大，则重新计算改进SEIR模型中的疫情参数。
在本发明的一个实施例中，在S104之后，所述方法还包括：
根据所述疫情预测数据生成展示图像。
具体的，将实时的疫情数据与疫情预测数据进行对比展示。
本发明实施例提供的技术方案充分考虑了城市间的人口流动情况，包含目标城市和相关城市之间的城市迁移规模指数，能够贴合实际准确的预测疫情的发展趋势，为疫情防控提供依据。
本发明实施例可应用于预测新冠肺炎的疫情态势，提高预测的准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
参见图4，本发明实施例提供了一种疫情预测装置100，包括：
数据获取模块110，用于获取预设时间段内目标城市的疫情数据和所述目标城市与至少一个相关城市间的城市迁移规模指数；
疫情参数计算模块120，用于根据所述疫情数据和城市迁移规模指数计算所述目标城市的疫情参数；
模型构建模块130，用于根据所述疫情参数和城市迁移规模指数构建改进SEIR模型；
疫情预测模块140，用于获取当前时间的疫情数据和城市迁移规模指数，并根据所述当前时间的疫情数据、所述当前时间的城市迁移规模指数和所述改进SEIR模型，得到所述目标城市的疫情预测数据。
在本实施例中，所述数据获取模块110获取的疫情数据包括：所述目标城市的每日累计病例数、每日累计死亡病例数、每日累计治愈病例数、每日新增病例数、每日新增死亡病例数、每日新增治愈病例数以及城市总人口。
在本发明的一个实施例中，所述疫情参数计算模块120包括：
人口数量计算单元，用于将所述目标城市的城市总人口分为至少一类预设人群，根据所述疫情数据计算各类预设人群的每日人口数量；
时间子段划分单元，用于根据所述预设时间段的城市迁移规模指数和预设迁移指数阈值，将预设时间段内的城市迁移规模知识分为至少一个迁移指数区间，并根据各个迁移指数区间对应的时间段将所述预设时间段分为至少一个时间子段；
初始疫情参数计算单元，用于根据各个时间子段对应的各类预设人群的每日人口数量计算所述目标城市在每个时间子段对应的初始疫情参数；
优化单元，用于基于贝叶斯优化方法对每个时间子段对应的初始疫情参数进行优化，得到各个时间子段对应的疫情参数。
疫情参数确定单元，用于根据各个时间子段对应的疫情参数和各个时间子段对应的迁移指数区间，确定各个迁移指数区间对应的疫情参数。
在本实施例中，初始疫情参数计算单元包括：
人口数量变化率计算子单元，用于根据第一人群在第一时间子段内的每日人口数量，计算所述第一人群在第一时间子段内每日的人口数量变化率；所述第一人群为任一预设人群；
初始疫情参数计算子单元，用于基于各个种类人群在第一时间子段内每日的人口数量变化率和预设变化率-疫情参数对应关系，计算所述第一时间子段对应的初始疫情参数。
在本实施例中，所述预设人群包括易感人群、潜伏人群、感染人群以及康复人群；所述疫情参数包括所述潜伏人群向所述感染人群转化的转化率、所述感染人群向所述移除人群转化的转化率、所述易感人群向所述潜伏人群转化的转化率、所述感染人群向所述易感人群的传染概率以及所述潜伏人群向所述易感人群的传染概率；
所述模型构建模块130具体用于：根据第一迁移指数区间对应的疫情参数和预设变化率-疫情参数对应关系，得到第一迁移指数区间对应的改进SEIR模型；所述第一迁移指数区间为任一迁移指数区间；
所述改进SEIR模型为：
Figure BDA0002678027380000121
其中，N为所述城市总人口数，S为所述易感人群的人数，E为所述潜伏人群的人数，I为所述感染人群的人数，R为所述移除人群的人数；
Figure BDA0002678027380000122
为所述易感人群的数量变化率，
Figure BDA0002678027380000123
为所述潜伏人群的数量变化率，
Figure BDA0002678027380000124
为所述感染人群的数量变化率，
Figure BDA0002678027380000125
为所述移除人群的数量变化率；β1为所述易感人群向所述潜伏人群转化的转化率，α为所述潜伏人群向所述感染人群转化的转化率，γ为所述感染人群向所述移除人群转化的转化率；β2为所述感染人群向所述易感人群的传染概率，β3为所述潜伏人群向所述易感人群的传染概率。
在本实施例中，疫情预测模块140包括：
迁移指数区间确定单元，用于获取当前时间的城市迁移规模指数，并确定所述当前城市迁移规模指数所述的迁移指数区间；
改进SEIR模型选取单元，用于根据所述当前城市迁移规模指数对应的迁移指数区间确定所述当前城市迁移规模指数对应的改进SEIR模型；
疫情预测单元，用于将所述当前时间的疫情数据输入所述当前城市迁移规模指数对应的改进SEIR模型，得到所述目标城市的疫情预测数据。
在本实施例中，疫情预测装置100还包括：
图像生成模块，用于根据疫情预测数据生成展示图像。
通过本发明实施例提供的疫情预测装置，能够充分考虑城市间的人口流动情况，包含目标城市和相关城市之间的城市迁移规模指数，能够贴合实际准确的预测疫情的发展趋势，为疫情防控提供依据。
图5是本发明一实施例提供的终端设备的示意图。如图5所示，该实施例的终端设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块110至140的功能。
示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述终端设备5中的执行过程。例如，所述计算机程序52可以被分割成虚拟装置中的模块。
所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal 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。
所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种疫情预测方法，其特征在于，包括：
获取预设时间段内目标城市的疫情数据和所述目标城市与至少一个相关城市间的城市迁移规模指数；
根据所述疫情数据和城市迁移规模指数计算所述目标城市的疫情参数；
根据所述疫情参数和城市迁移规模指数构建改进SEIR模型；
获取当前时间的疫情数据和城市迁移规模指数，并根据所述当前时间的疫情数据、所述当前时间的城市迁移规模指数和所述改进SEIR模型，得到所述目标城市的疫情预测数据。
2.如权利要求1所述的一种疫情预测方法，其特征在于，所述疫情数据包括：所述目标城市的每日累计病例数、每日累计死亡病例数、每日累计治愈病例数、每日新增病例数、每日新增死亡病例数、每日新增治愈病例数以及城市总人口。
3.如权利要求1所述的一种疫情预测方法，其特征在于，所述根据所述疫情数据和城市迁移规模指数计算所述目标城市的疫情参数包括：
将所述目标城市的城市总人口分为至少一类预设人群，根据所述疫情数据计算各类预设人群在所述预设时间段内的每日人口数量；
根据所述预设时间段内的城市规模迁移指数和预设迁移指数阈值，将预设时间段内的城市规模迁移指数分为至少一个迁移指数区间，并根据各个迁移指数区间对应的时间段将所述预设时间段分为至少一个时间子段；
根据第一时间子段对应的各类预设人群的每日人口数量计算所述目标城市在第一时间子段对应的初始疫情参数；所述第一时间子段为所述预设时间段内的任一时间子段；
基于贝叶斯优化方法对每个时间子段对应的初始疫情参数进行优化，得到各个时间子段对应的疫情参数；
根据各个时间子段对应的疫情参数和各个时间子段对应的迁移指数区间，确定各个迁移指数区间对应的疫情参数。
4.如权利要求3所述的一种疫情预测方法，其特征在于，所述根据各个时间子段对应的各类预设人群的每日人口数量计算所述目标城市在每个时间子段对应的初始疫情参数包括：
根据第一人群在第一时间子段内的每日人口数量，计算所述第一人群在第一时间子段内每日的人口数量变化率；所述第一人群为任一类预设人群；
基于各个种类人群在第一时间子段内每日的人口数量变化率和预设变化率-疫情参数对应关系，计算所述第一时间子段对应的初始疫情参数。
5.如权利要求3所述的一种疫情预测方法，其特征在于，所述预设人群包括易感人群、潜伏人群、感染人群以及移除人群；
所述疫情参数包括所述潜伏人群向所述感染人群转化的转化率、所述感染人群向所述移除人群转化的转化率、所述易感人群向所述潜伏人群转化的转化率、所述感染人群向所述易感人群的传染概率以及所述潜伏人群向所述易感人群的传染概率；
所述根据所述疫情参数和城市迁移规模指数构建改进SEIR模型，包括：
根据第一迁移指数区间对应的疫情参数和预设变化率-疫情参数对应关系，得到第一迁移指数区间对应的改进SEIR模型；所述第一迁移指数区间为任一迁移指数区间；
所述改进SEIR模型为：
Figure FDA0002678027370000021
其中，N为所述城市总人口数，S为所述易感人群的人数，E为所述潜伏人群的人数，I为所述感染人群的人数，R为所述移除人群的人数；
Figure FDA0002678027370000031
为所述易感人群的数量变化率，
Figure FDA0002678027370000032
为所述潜伏人群的数量变化率，
Figure FDA0002678027370000033
为所述感染人群的数量变化率，
Figure FDA0002678027370000034
为所述移除人群的数量变化率；β1为所述易感人群向所述潜伏人群转化的转化率，α为所述潜伏人群向所述感染人群转化的转化率，γ为所述感染人群向所述移除人群转化的转化率；β2为所述感染人群向所述易感人群的传染概率，β3为所述潜伏人群向所述易感人群的传染概率。
6.如权利要求1所述的一种疫情预测方法，其特征在于，所述获取当前时间的疫情数据和城市迁移规模指数，并根据所述当前时间的疫情数据、所述当前时间的城市迁移规模指数和所述改进SEIR模型，得到所述目标城市的疫情预测数据，包括：
获取当前时间的疫情数据和城市迁移规模指数，并确定所述当前城市迁移规模指数所在的迁移指数区间；
根据所述当前城市迁移规模指数对应的迁移指数区间确定所述当前城市迁移规模指数对应的改进SEIR模型；
将所述当前时间的疫情数据输入所述当前城市迁移规模指数对应的改进SEIR模型，得到所述目标城市的疫情预测数据。
7.如权利要求1所述的一种疫情预测方法，其特征在于，在所述根据所述当前时间的疫情数据、所述当前时间的城市迁移规模指数和所述改进SEIR模型，得到所述目标城市的疫情预测数据之后，所述方法还包括：
根据所述疫情预测数据生成展示图像。
8.一种疫情预测装置，其特征在于，包括：
数据获取模块，用于获取预设时间段内目标城市的疫情数据和所述目标城市与至少一个相关城市间的城市迁移规模指数；
疫情参数计算模块，用于根据所述疫情数据和城市迁移规模指数计算所述目标城市的疫情参数；
模型构建模块，用于根据所述疫情参数和城市迁移规模指数构建改进SEIR模型；
疫情预测模块，用于获取当前时间的疫情数据和城市迁移规模指数，并根据所述当前时间的疫情数据、所述当前时间的城市迁移规模指数和所述改进SEIR模型，得到所述目标城市的疫情预设数据。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述方法的步骤。
10.一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任一项所述方法的步骤。
CN202010954125.3A 2020-09-11 2020-09-11 一种疫情预测方法、装置及终端设备 Pending CN112086203A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010954125.3A CN112086203A (zh) 2020-09-11 2020-09-11 一种疫情预测方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010954125.3A CN112086203A (zh) 2020-09-11 2020-09-11 一种疫情预测方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN112086203A true CN112086203A (zh) 2020-12-15

Family

ID=73737536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010954125.3A Pending CN112086203A (zh) 2020-09-11 2020-09-11 一种疫情预测方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN112086203A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113161005A (zh) * 2021-03-17 2021-07-23 第四范式（北京）技术有限公司 目标区域的疫情推演方法和目标区域疫情推演模拟器
CN113192645A (zh) * 2021-03-16 2021-07-30 郑州大学 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
CN113326341A (zh) * 2021-06-07 2021-08-31 航天科工智能运筹与信息安全研究院(武汉)有限公司 街道疫情发展推演方法、装置及计算机可读介质
CN113327685A (zh) * 2021-06-07 2021-08-31 航天科工智能运筹与信息安全研究院(武汉)有限公司 城市疫情发展推演方法、装置及计算机可读介质
CN113345594A (zh) * 2020-12-22 2021-09-03 中国联合网络通信集团有限公司 信息预测的方法和装置
CN113345599A (zh) * 2021-08-04 2021-09-03 医渡云（北京）技术有限公司 疫情预测方法、疫情预测装置、存储介质与电子设备
CN113380422A (zh) * 2021-05-24 2021-09-10 首都医科大学 一种疫情规模预测方法、装置、电子设备及存储介质
CN113380423A (zh) * 2021-05-24 2021-09-10 首都医科大学 疫情规模预测方法、装置、电子设备及存储介质
CN114188035A (zh) * 2021-12-15 2022-03-15 中国海洋大学 一种基于改进seir模型的传染病预测方法及系统
WO2023024173A1 (zh) * 2021-08-23 2023-03-02 北京航空航天大学 一种细粒度传染病仿真模型的构建方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101777092A (zh) * 2009-12-18 2010-07-14 中国人民解放军防化指挥工程学院 基于考虑空间非均匀性的传染病传播模型疫情预测方法
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
WO2020103683A1 (zh) * 2018-11-20 2020-05-28 中国科学院脑科学与智能技术卓越创新中心 基于脑功能图谱的猴-人跨物种迁移进行精神疾病的个体化预测方法和系统
CN112529329A (zh) * 2020-12-21 2021-03-19 广东珠江智联信息科技股份有限公司 基于bp算法和seir模型的传染病预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101777092A (zh) * 2009-12-18 2010-07-14 中国人民解放军防化指挥工程学院 基于考虑空间非均匀性的传染病传播模型疫情预测方法
WO2020103683A1 (zh) * 2018-11-20 2020-05-28 中国科学院脑科学与智能技术卓越创新中心 基于脑功能图谱的猴-人跨物种迁移进行精神疾病的个体化预测方法和系统
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
CN112529329A (zh) * 2020-12-21 2021-03-19 广东珠江智联信息科技股份有限公司 基于bp算法和seir模型的传染病预测方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113345594B (zh) * 2020-12-22 2023-06-20 中国联合网络通信集团有限公司 信息预测的方法和装置
CN113345594A (zh) * 2020-12-22 2021-09-03 中国联合网络通信集团有限公司 信息预测的方法和装置
CN113192645A (zh) * 2021-03-16 2021-07-30 郑州大学 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
CN113192645B (zh) * 2021-03-16 2023-06-13 郑州大学 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
CN113161005A (zh) * 2021-03-17 2021-07-23 第四范式（北京）技术有限公司 目标区域的疫情推演方法和目标区域疫情推演模拟器
CN113380423A (zh) * 2021-05-24 2021-09-10 首都医科大学 疫情规模预测方法、装置、电子设备及存储介质
CN113380422A (zh) * 2021-05-24 2021-09-10 首都医科大学 一种疫情规模预测方法、装置、电子设备及存储介质
CN113327685A (zh) * 2021-06-07 2021-08-31 航天科工智能运筹与信息安全研究院(武汉)有限公司 城市疫情发展推演方法、装置及计算机可读介质
CN113326341B (zh) * 2021-06-07 2022-10-11 航天科工智能运筹与信息安全研究院(武汉)有限公司 街道疫情发展推演方法、装置及计算机可读介质
CN113326341A (zh) * 2021-06-07 2021-08-31 航天科工智能运筹与信息安全研究院(武汉)有限公司 街道疫情发展推演方法、装置及计算机可读介质
CN113327685B (zh) * 2021-06-07 2023-10-20 航天科工智能运筹与信息安全研究院(武汉)有限公司 城市疫情发展推演方法、装置及计算机可读介质
CN113345599A (zh) * 2021-08-04 2021-09-03 医渡云（北京）技术有限公司 疫情预测方法、疫情预测装置、存储介质与电子设备
WO2023024173A1 (zh) * 2021-08-23 2023-03-02 北京航空航天大学 一种细粒度传染病仿真模型的构建方法
CN114188035A (zh) * 2021-12-15 2022-03-15 中国海洋大学 一种基于改进seir模型的传染病预测方法及系统
CN114188035B (zh) * 2021-12-15 2024-04-09 中国海洋大学 一种基于改进seir模型的传染病预测方法及系统

Similar Documents

Publication Publication Date Title
CN112086203A (zh) 一种疫情预测方法、装置及终端设备
WO2021212752A1 (zh) 基于设备指标数据的异常检测方法、装置、设备及存储介质
CN110851338B (zh) 异常检测方法、电子设备及存储介质
CN110147456B (zh) 一种图像分类方法、装置、可读存储介质及终端设备
WO2020207190A1 (zh) 一种三维信息确定方法、三维信息确定装置及终端设备
CN107038478B (zh) 路况预测方法及装置、计算机设备与可读介质
CN111461168B (zh) 训练样本扩充方法、装置、电子设备及存储介质
WO2019227716A1 (zh) 流感预测模型的生成方法、装置及计算机可读存储介质
CN113344552B (zh) 一种基于工程造价的多项目联合管理方法及系统
CN113516275A (zh) 一种配电网超短期负荷预测方法、装置及终端设备
CN111798988A (zh) 风险区域预测方法、装置、电子设备及计算机可读介质
CN112102011A (zh) 基于人工智能的用户等级预测方法、装置、终端及介质
CN111160614B (zh) 资源转移预测模型的训练方法、装置及计算设备
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN110472227B (zh) 一种词汇掌握程度评估方法、装置、终端设备及存储介质
CN110322693A (zh) 一种交通数据补全方法、系统、设备及介质
CN112651782B (zh) 基于缩放点积注意力的行为预测方法、装置、设备及介质
CN113869599A (zh) 鱼类疫病发展预测方法、系统、设备及介质
CN114461618A (zh) 一种计量缺失数据补全方法、装置及终端设备
CN113299361A (zh) 一种基于病人临床表现的档案构建方法及系统
CN109344877B (zh) 一种样本数据处理方法、样本数据处理装置及电子设备
CN116434973A (zh) 基于人工智能的传染病预警方法、装置、设备及介质
CN111679959A (zh) 计算机性能数据确定方法、装置、计算机设备及存储介质
CN115985517A (zh) 模型训练方法、感染人数预测方法、介质及设备
CN114385878A (zh) 政务数据的可视化展示方法、装置及终端设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201215