CN112309583A - 一种面向防控隔离政策的疫情预测模型 - Google Patents
一种面向防控隔离政策的疫情预测模型 Download PDFInfo
- Publication number
- CN112309583A CN112309583A CN202011218773.9A CN202011218773A CN112309583A CN 112309583 A CN112309583 A CN 112309583A CN 202011218773 A CN202011218773 A CN 202011218773A CN 112309583 A CN112309583 A CN 112309583A
- Authority
- CN
- China
- Prior art keywords
- model
- diagnosis
- sueir
- epidemic situation
- confirmed
- 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
Links
- 238000002955 isolation Methods 0.000 title claims abstract description 31
- 230000002265 prevention Effects 0.000 title claims abstract description 16
- 238000003745 diagnosis Methods 0.000 claims abstract description 47
- 208000015181 infectious disease Diseases 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims description 15
- 201000010099 disease Diseases 0.000 claims description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 5
- 208000035473 Communicable disease Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 244000223014 Syzygium aromaticum Species 0.000 description 1
- 235000016639 Syzygium aromaticum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Pathology (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种面向防控隔离政策的疫情预测模型,包括:建立SUEIR模型,SUEIR模型通过传染能力、传染方式对人群进行划分,将患者进一步划分为未确诊、确诊未隔离和确诊已隔离三个状态,利用SUEIR模型计算出未来各个状态的人数,随后将属于确诊的状态人数累加,实现疫情确诊数预测。本发明不仅能够对疫情确诊数进行准确预测,而且对各种防控政策进行了解释。
Description
技术领域
本发明属于疫情预测技术领域,更具体的说是涉及一种面向防控隔离政策的疫情预测模型。
背景技术
目前传染病预测、分析通常局限于数据收集整理、模型设计优化,缺少完成数据甄别、收集整理、设计优化针对性模型,最后提交定制化报告的完整产品线。
现有的传染病发展预测模型是以动力学模型为基础,分析不同人群的患病状态,不适用于带有外界政策影响的信息时代传染病预测。由于对传染病进行即时预测的需求,预测时无法获取准确的感染人数,只能获取确诊人数。影响传染的参数也仅有简单的传染率、治愈率、死亡率,无法体现防控政策的影响。
因此,如何提供一种面向防控隔离政策的疫情预测模型是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种面向防控隔离政策的疫情预测模型,不仅能够对疫情确诊数进行准确预测,而且对各种防控政策进行了解释。
为了实现上述目的,本发明采用如下技术方案:
一种面向防控隔离政策的疫情预测模型,包括:
建立SUEIR模型,SUEIR模型通过传染能力、传染方式对人群进行划分,将患者进一步划分为未确诊、确诊未隔离和确诊已隔离三个状态,利用SUEIR模型计算出未来各个状态的人数,随后将属于确诊的状态人数累加,实现疫情确诊数预测。
优选的,所述SUEIR模型为:
Rn=Rn-1+γISn-1
ISn=ISn-1-γISn-1+ρUn-1+λIn-1
In=In-1+εUn-1-λIn-1
Un=Un-1-ρUn-1-εUn-1+αUn-1
其中,R为移除数量,S为易感数量,I为患病数量,E为潜伏数量,U为发明未确认数量,I为确认为隔离数量,IS为隔离数量,γ为移除率,ρ为未确认者连带隔离率,λ为确认者隔离率,α为发病率,σ为未确诊者传染率,ε为确诊率,n为迭代次数,β为确诊者传染率,N为人群总数。
优选的,采用SUEIR模型进行疫情预测的方法,包括如下步骤:
获取历史数据:获取所需的确诊病例数据;
进行参数初始化:经SUEIR模型所有参数初始化为前一天的拟合值;
进行状态初始化:将SUEIR模型所有状态初始化为若干天前的值,同时根据当天的真实确诊总数进行修正;
参数拟合:利用初始化参数与初始化状态进行推导,从初始状态推导至当天,然后根据历史数据的真实值和推导结果的差距,利用最小二乘法对参数进行细调;
未来疫情预测:利用拟合好的参数和当天的状态,继续利用SUEIR模型来计算未来一段时间的病例数据。
本发明的有益效果在于:
本发明首先,获取某地区的历史确诊数据时间序列,通过SUEIR模型记录获取这一地区参数的大致初始值,随后,使用最小二乘法拟合出满足历史确诊数据的最终参数,此时已经获取了真实参数和每个状态的历史人数,利用SUEIR模型计算出未来各个状态的人数,再将属于确诊的状态人数累加,实现疫情确诊数预测,即达到了确诊数预测的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,还可以根据提供的附图获得其他的附图。
图1附图为本发明的病情状态的转换图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
请参阅附图1,本发明提供了一种面向防控隔离政策的疫情预测模型,包括:
建立SUEIR模型,SUEIR模型通过传染能力、传染方式对人群进行划分,将患者进一步划分为未确诊、确诊未隔离和确诊已隔离三个状态,利用SUEIR模型计算出未来各个状态的人数,随后将属于确诊的状态人数累加,实现疫情确诊数预测。
SUEIR模型将患者分为未确诊、确诊未隔离和确诊已隔离。增加了从发病未确诊到隔离、确诊,确诊到隔离三条状态转化路径。此外,三种患者对易感人群有着不同的感染率。
SUEIR模型为:
Rn=Rn-1+γISn-1
ISn=ISn-1-γISn-1+ρUn-1+λIn-1
In=In-1+εUn-1-λIn-1
Un=Un-1-ρUn-1-εUn-1+αUn-1
其中,R为移除数量,S为易感数量,I为患病数量,E为潜伏数量,U为发明未确认数量,I为确认为隔离数量,IS为隔离数量,γ为移除率,ρ为未确认者连带隔离率,λ为确认者隔离率,α为发病率,σ为未确诊者传染率,ε为确诊率,n为迭代次数,β为确诊者传染率,N为人群总数。将不同患者的传染率用不同参数(β,σ)表示,同时隔离患者的传染率为0。在实际应用过程中,我们近似认为Sn=Sn-1,因为患病人数与总人口之比通常小于1%。
采用SUEIR模型进行疫情预测的方法,包括如下步骤:
获取历史数据:获取所需的确诊病例数据;具体为从公开数据平台(如约翰斯霍普金斯大学、丁香园、世卫组织官网等)获取各地区确诊时间序列。
进行参数初始化:经SUEIR模型所有参数初始化为前一天的拟合值;如果是第一天预测这个国家,就根据新闻报道进行估算,例如,假设通过新闻得知,A国对待隔离密切接触者的严格程度高于B国,但低于C国,B国的未确诊者连带隔离率为0.6,C国为0.9,则A国可初始化为0.7-0.8。
进行状态初始化:将SUEIR模型所有状态初始化为若干天前的值(通常为5-14天),同时根据当天的真实确诊总数进行修正(修正方法:将隔离+确诊修正为确诊总数,多或少的将其体发病未确诊中)。如果是第一次预测,则根据该国隔离率,将确诊总数分配至隔离+确诊,未确诊按照相同阶段(初始爆发、加速爆发、缓和等等)的其他国家进行类比。易感染群为该国总人口。
参数拟合:利用初始化参数与初始化状态进行推导,从初始状态推导至当天,然后根据历史数据的真实值和推导结果的差距,利用最小二乘法对参数进行细调;
未来疫情预测:利用拟合好的参数和当天的状态,继续利用SUEIR模型来计算未来一段时间的病例数据。利用未来某一时刻的隔离+确诊,即可获得当天的确诊病例数预测结果。
本发明首先,获取某地区的历史确诊数据时间序列,通过SUEIR模型记录获取这一地区参数的大致初始值,例如:直接体现口罩普及率的未确诊者感染率参数,美国初始化为0.1,韩国初始化为0.03。随后,使用最小二乘法拟合出满足历史确诊数据的最终参数,此时已经获取了真实参数和每个状态的历史人数,利用SUEIR模型计算出未来各个状态的人数,再将属于确诊的状态人数累加,实现疫情确诊数预测,即达到了确诊数预测的效果。本发明适用于信息时代的大规模传染病预测和防控政策影响分析。除了对确诊数的预测,本发明还可以通过参数对某地区的隔离政策效果进行建模和解释。例如:从确诊未隔离转化到确诊已隔离的参数“隔离率”体现了一个地区“应收尽收”的水平。如果一个地区所有患者一经确诊就立刻隔离,那么这个参数远大于1,趋近于无穷大。
这一部分的参数多为SUEIR新增的参数,每个参数具体对应一类防控政策的效果。除了前文提到的口罩普及率-未确诊者感染率外,还有核酸检测能力-确诊率、密接排查力度-未确诊者连带隔离率、应收尽收程度-隔离率。这些参数通过新闻获取一次初值后,每日应用模型和历史数据进行拟合。不同地区的参数相对高低评价了不同地区对应政策的效果。例如:A国的未确诊者感染率高于B国,则A国口罩普及度比B国差。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (3)
1.一种面向防控隔离政策的疫情预测模型,其特征在于,包括:
建立SUEIR模型,SUEIR模型通过传染能力、传染方式对人群进行划分,将患者进一步划分为未确诊、确诊未隔离和确诊已隔离三个状态,利用SUEIR模型计算出未来各个状态的人数,随后将属于确诊的状态人数累加,实现疫情确诊数预测。
3.根据权利要求2所述的一种面向防控隔离政策的疫情预测模型,其特征在于,采用SUEIR模型进行疫情预测的方法,包括如下步骤:
获取历史数据:获取所需的确诊病例数据;
进行参数初始化:经SUEIR模型所有参数初始化为前一天的拟合值;
进行状态初始化:将SUEIR模型所有状态初始化为若干天前的值,同时根据当天的真实确诊总数进行修正;
参数拟合:利用初始化参数与初始化状态进行推导,从初始状态推导至当天,然后根据历史数据的真实值和推导结果的差距,利用最小二乘法对参数进行细调;
未来疫情预测:利用拟合好的参数和当天的状态,继续利用SUEIR模型来计算未来一段时间的病例数据。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011218773.9A CN112309583A (zh) | 2020-11-04 | 2020-11-04 | 一种面向防控隔离政策的疫情预测模型 |
PCT/CN2020/139719 WO2022095255A1 (zh) | 2020-11-04 | 2020-12-26 | 一种面向防控隔离政策的疫情预测模型 |
US17/213,375 US11900027B2 (en) | 2020-11-04 | 2021-03-26 | Epidemic forecasting model for policies of prevention, control and isolation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011218773.9A CN112309583A (zh) | 2020-11-04 | 2020-11-04 | 一种面向防控隔离政策的疫情预测模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112309583A true CN112309583A (zh) | 2021-02-02 |
Family
ID=74326096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011218773.9A Pending CN112309583A (zh) | 2020-11-04 | 2020-11-04 | 一种面向防控隔离政策的疫情预测模型 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112309583A (zh) |
WO (1) | WO2022095255A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689957A (zh) * | 2021-08-23 | 2021-11-23 | 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)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180150609A1 (en) * | 2016-11-29 | 2018-05-31 | Electronics And Telecommunications Research Institute | Server and method for predicting future health trends through similar case cluster based prediction models |
CN111430041A (zh) * | 2020-03-26 | 2020-07-17 | 北京懿医云科技有限公司 | 传染病疫情预测方法及装置、存储介质、电子设备 |
CN111863271A (zh) * | 2020-06-08 | 2020-10-30 | 浙江大学 | 一种新冠肺炎的重大传染病传播风险预警及防控分析系统 |
CN111883260A (zh) * | 2020-07-27 | 2020-11-03 | 西北工业大学 | 一种基于改进的seir模型疫情群体演变预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170103172A1 (en) * | 2015-10-07 | 2017-04-13 | The Arizona Board Of Regents On Behalf Of The University Of Arizona | System And Method To Geospatially And Temporally Predict A Propagation Event |
US20170316324A1 (en) * | 2016-04-27 | 2017-11-02 | Virginia Polytechnic Institute And State University | Computerized Event-Forecasting System and User Interface |
CN111445997A (zh) * | 2020-04-02 | 2020-07-24 | 南京三眼精灵信息技术有限公司 | 基于机器学习算法的传染病动力学模型及分析方法 |
CN111524611B (zh) * | 2020-04-24 | 2023-03-03 | 腾讯科技(深圳)有限公司 | 构建传染病趋势预测模型的方法、预测方法、装置及设备 |
-
2020
- 2020-11-04 CN CN202011218773.9A patent/CN112309583A/zh active Pending
- 2020-12-26 WO PCT/CN2020/139719 patent/WO2022095255A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180150609A1 (en) * | 2016-11-29 | 2018-05-31 | Electronics And Telecommunications Research Institute | Server and method for predicting future health trends through similar case cluster based prediction models |
CN111430041A (zh) * | 2020-03-26 | 2020-07-17 | 北京懿医云科技有限公司 | 传染病疫情预测方法及装置、存储介质、电子设备 |
CN111863271A (zh) * | 2020-06-08 | 2020-10-30 | 浙江大学 | 一种新冠肺炎的重大传染病传播风险预警及防控分析系统 |
CN111883260A (zh) * | 2020-07-27 | 2020-11-03 | 西北工业大学 | 一种基于改进的seir模型疫情群体演变预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689957A (zh) * | 2021-08-23 | 2021-11-23 | 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 |
CN113689957B (zh) * | 2021-08-23 | 2024-03-12 | 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 |
Also Published As
Publication number | Publication date |
---|---|
WO2022095255A1 (zh) | 2022-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Addy et al. | A generalized stochastic model for the analysis of infectious disease final size data | |
CN113593716B (zh) | 一种传染病趋势预测方法及装置 | |
CN113113155A (zh) | 一种基于神经网络与seir模型的传染病趋势预测方法 | |
CN113517076A (zh) | 基于图神经网络与迁移学习的疾病病例数预测方法及系统 | |
CN107958472A (zh) | 基于稀疏投影数据的pet成像方法、装置、设备及存储介质 | |
CN112309583A (zh) | 一种面向防控隔离政策的疫情预测模型 | |
De Simone et al. | A Bayesian approach for monitoring epidemics in presence of undetected cases | |
Augustijn et al. | Machine learning to derive complex behaviour in agent-based modellzing | |
Nie et al. | Contrastive haze-aware learning for dynamic remote sensing image dehazing | |
Santermans et al. | Structural differences in mixing behavior informing the role of asymptomatic infection and testing symptom heritability | |
Glasauer | Sequential Bayesian updating as a model for human perception | |
Letham et al. | Look-ahead acquisition functions for Bernoulli level set estimation | |
CN112259248A (zh) | 一种covid-19境外输入风险评估预测方法 | |
CN116864142A (zh) | 一种流行病趋势预测方法及系统 | |
CN116206771A (zh) | 一种基于集成卡尔曼滤波和社交网络的传染病参数估计方法 | |
Rosenstrom et al. | Could Earlier Availability of Boosters and Pediatric Vaccines Have Reduced Impact of COVID-19? | |
CN114743690A (zh) | 传染病的预警方法、装置、介质及电子设备 | |
Cook et al. | Cox regression with covariates missing not at random | |
Pak et al. | Evaluation of the natural history of disease by combining incident and prevalent cohorts: application to the Nun Study | |
Pasquali et al. | A stochastic SIR model for the analysis of the COVID-19 Italian epidemic | |
Becker et al. | Dependent HIV incidences in back‐projection of AIDS incidence data | |
US11900027B2 (en) | Epidemic forecasting model for policies of prevention, control and isolation | |
Sypsa et al. | Comparison of smoothing techniques for CD4 data in a Markov model with states defined by CD4: an example on the estimation of the HIV incubation time distribution | |
CN116822910B (zh) | 一种医院智慧分诊排队管理系统 | |
Sengupta et al. | One-way ANOVA Model with Underreported Counts |
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: 20210202 |