CN112420210A - 基于城市多因素的新发重大传染病r0计算方法 - Google Patents
基于城市多因素的新发重大传染病r0计算方法 Download PDFInfo
- Publication number
- CN112420210A CN112420210A CN202011302840.5A CN202011302840A CN112420210A CN 112420210 A CN112420210 A CN 112420210A CN 202011302840 A CN202011302840 A CN 202011302840A CN 112420210 A CN112420210 A CN 112420210A
- Authority
- CN
- China
- Prior art keywords
- epidemic
- population
- city
- urban
- model
- 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
Links
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 45
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 12
- 201000010099 disease Diseases 0.000 claims abstract description 37
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 230000012010 growth Effects 0.000 claims description 47
- 238000012417 linear regression Methods 0.000 claims description 13
- 206010035664 Pneumonia Diseases 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 230000000903 blocking effect Effects 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 238000012353 t test Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 claims 1
- 230000002265 prevention Effects 0.000 abstract description 9
- 230000005540 biological transmission Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000036962 time dependent Effects 0.000 description 3
- 201000003176 Severe Acute Respiratory Syndrome Diseases 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000007773 growth pattern Effects 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000005541 medical transmission Effects 0.000 description 2
- 208000001490 Dengue Diseases 0.000 description 1
- 206010012310 Dengue fever Diseases 0.000 description 1
- 206010069767 H1N1 influenza Diseases 0.000 description 1
- 206010051379 Systemic Inflammatory Response Syndrome Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 208000025729 dengue disease Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 201000010740 swine influenza Diseases 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明旨在流行病爆发初期,疫情数据相对收集不完全的情况下,利用本方案计算新发重大传染病基本传染数R0,探索传染病R0与城市多因素之间的关系,为早期的疫情防控提供帮助。本发明公开一种基于城市多因素的新发重大传染病R0计算方法主要分为以下三个过程:首先构建各个城市的logistic流行病传播模型,其次根据提出的流行病R0的计算方法计算各个城市流行病R0值,最后计算流行病R0与城市多因素之间的关系。
Description
技术领域
本发明属于数学与卫生学的交叉领域,是一种基于城市多因素的一种新发重大传染病R0计算方法。通过引入logistic流行病模型计算流行病爆发初期各个城市的流行病R0值,由此 利用OLS线性回归模型探究流行病R0与城市多因素之间的关系。
背景技术
在流行病传播动力学中,基本传染数指标(Basic reproduction number,R0)是某新发 重大传染病在没有外力干预以及所有人都无该传染病免疫力的情况下,一个新感染者在患病 周期内能传染的平均人数。R0反映一种流行病的流行程度刻画了流行病爆发初期的传播能力, 其数值越大,则代表流行病的控制越难,其值的计算对于流行病的预防和控制、免疫及防疫 策略具有较大的指导意义。较为常见的流行病传染动力学模型包括经典的SIR模型,以及基 于该模型开发出的用于不同流行病及各类流行病学研究的两阶段SIR模型、SIRS模型,SEIR 模型等等,这些模型相对较复杂,需要考虑易感人群、感染人群、潜伏人群、移除人群等, 有些还需考虑患者的年龄结构、性别等特征。大多数情况下,难以完全收集满足流行病传播 动力学研究要求的数据集,模型构建、R0计算较为困难。
引起世界范围流行病快速传播的一个重要因素是难以完全收集满足流行病传播动力学研 究要求的数据集,无法进行早期快速评估新发重大传染病能力的基本传染数指标R0。针对这 一难题,本方案提出了一种基于城市多因素,如:人口因素、经济因素、医疗条件因素、省 市发展相关指数等因素,多元线性回归模型快速计算R0。
现有流行病学研究已经表明城市相关信息在传染病传播过程的重要性,城市层面的内生 差异,包含地理因素、气候因素、人口特征、空间结构、区域连通性、经济发展状况等等, 与城市流行病传播能力和感染模式有关。由于高人口密度及高的人口流通性,大型城市更易 于爆发某些传染病,如早些年的登革热、塞卡病毒、严重急性呼吸综合征、H1N1流感疫情 等。在大型城市肆虐,造成极为严重的卫生、经济损失。探索疫情传播与城市多因素之间的 联系、更科学的指导城市疫情防控是有必要的。
基于此,本方案提出一种城市多因素的传染病R0计算方法。运用logistic模型,对传染 病传播过程建模,完成R0的计算;运用OLS多元线性回归模型,完成R0与城市多因素关联的 探索。通过对严重急性呼吸综合征疫情数据及新冠肺炎疫情数据分析,计算传染病R0,验证 了logistic模型的有效性;选取合理的R0值,探索其与省市人口因素、经济因素、医疗条件 因素、省市发展相关指数等数据之间的关联,验证了OLS多元线性回归模型在计算R0上的可 靠性。
发明内容
本发明旨在流行病爆发初期,疫情数据相对收集不完全的情况下,利用本方案计算新发 重大传染病基本传染数R0,探索传染病R0与城市多因素之间的关系,为早期的疫情防控提供 帮助。
本发明的技术方案是基于城市多因素的新发重大传染病R0计算方法主要分为以下三个过 程:首先构建各个城市的logistic流行病传播模型,其次根据提出的流行病R0的计算方法计 算各个城市流行病R0值,最后计算流行病R0与城市多因素之间的关系。
1)构建logistic流行病传播模型
大多数情况下,流行病疫情数据往往不完整,缺乏详细病例数据,且实际感染过程无法 观察、感染率通常是非线性的,难于估算流行病R0。因此有必要通过使用政府公布的流行病 每日新增数据构建描述疫情爆发模式的简单模型,并由此初步计算流行病R0。
logistic回归模型主要用于流行病学、生物学、人口学等领域,可用于探索某种流行病 的危险因素,根据其危险因素预测发生概率,也可用于估算某指定条件下可容纳的种群数量 最大值。在人口学中,考虑到环境、自然资源等因素对人口增长的阻滞作用,即密度依赖性 质,可使用logistic人口阻滞增长模型来表示人口的变化趋势,人口增长的连续指数模型描 述为:
其中N(t)表示t时刻下人口的总数,r(N)表示为人口总数为N(t)时的人口瞬时增长率。阻 滞作用反映在人口数量对瞬时增长率r的影响上,r会随人口数量的增加而降低。对(1)式积 分,可以得到:
N(t+1)=λN(t)
λ=er(N)
N(t)、N(t+1)表示不同时刻下人口的总数,λ表示时刻t下人口的瞬时增长率,增长率 会随时间的推移逐渐降低。该模型已被广泛用于描述有限资源下的人口增长场景。
假设r(N)为N(t)的线性函数,即:
r(N)=rmax-sN(t)
假设指定条件下环境所能容纳的最大人口数量为Nmax,当N=Nmax时,人口总数达到阈 值,此时人口增长率r(N)=0,代入上式中,可以得到:
将r(N)代入(1)式中,可以得到:
根据(2)式,可证明当N(t)=Nmax/2时,dN(t)/dt达到最大值。图1(a)中展示了 人口数N、dN(t)/dt随时间的变化情况;图1(b)中展示了人口增长率r随人口数N的变化情 况。
对式(2)求积分,可以得到logistic模型的离散形式:
可以利用式(3)计算rmax和Nmax,该公式广泛应用于人口学、生物学领域,验证人口、生物增长与数量之间的关系。
流行病的爆发模式与人口增长模式相似,使用logistic模型建模可行。流行病爆发初期, 此时政府和人民的防控意识较差,流行病属于自然增长,患者数量增长趋势符合R0指数形式。 随着人们防控意识的增强、政府强有力的干预措施及易感人群的减少,流行病增长率将不断 降低,这与logistic模型应用于人口学中的人口阻滞效应相似,即同样表现出密度依赖性质。 流行病累计病例对应于N(t),流行病最大感染人数对应于Nmax,流行病每日新增感染病例将 在某一时刻达到峰值,后将持续降低。
2)流行病R0的计算方法
本发明使用一种基于数学推导的R0计算方法。通过logistic模型,可以计算流行病传播 的最大增长速率rmax、流行病最大累计感染病例数Nmax。根据流行病传播的最大增长速率rmax及两病例之间的平均感染间隔时间,即可初步计算流行病的R0,其计算公式如下所示:
R0=rm×(D1+D2) (3)
第一部分为患者感染到发病确诊的平均时间D1,住院的患者也会感染一线的医生,因此 第二部分为患者在医院治疗的平均时间D2。
3)流行病R0与城市多因素之间的关系
计算流行病传播与城市相关因素之间的关系,可利用OLS回归模型将各省市新冠肺炎基 本传染数R0与城市相关因素进行多元线性回归。建立各个城市流行病传染数R0与人口密度X1、 人均GDP X2、医疗机构密度X3、私人车辆总数X4、春运期间迁入及迁出人口数X5和X6、GRP 指数X7、CPI指数X8等因素的多元回归模型:
R0=β0+β1X1+β2X2+…+β8X8+ε
其中β1、β2...β8为偏回归系数,即保持其他城市因素不变时,特定城市因素对R0的边际 影响,ε表示误差。代入n个省市的数据后,可得:
R01=β0+β1X11+β2X21+…+β8X81+ε1
R02=β0+β1X12+β2X22+…+β8X82+ε2
……
R0n=β0+β1X1n+β2X2n+…+β8X8n+εn
将上述方程组写成矩阵形式,有:
即可表示为:
R0=Xβ与ε
利用OLS线性回归残差平方和最小原理,可以得到:
ε′ε=(R0-Xβ)(R0-Xβ)′
=R0′R0-R0′Xβ-β′X′R0与β′X′Xβ
上式对β求导并令其为0,满足残差平方和最小原理时,有:
X′Xβ=X′R0
若矩阵X′X的逆矩阵存在,则上述方程有解,最小二乘估计解为:
则可得R0与与城市相关因素的关系式为:
可以通过相关性系数、t检验、P检验等判断线性回归的拟合度,检验R0与城市相关因素 联系的紧密程度。
有益效果
1、疫情爆发初期快速评估新发重大传染病基本传染数指标R0。
2、获得流行病R0与城市多因素之间的关系,为各个城市的疫情防控工作提供帮助。
附图说明
图1是基于城市多因素的传染病R0计算流程图;
图2是logistic模型模拟人口增长示意图,模型参数:rmax=0.2,Nmax=200:
(a)人口数N、dN(t)/dt随时间的变化图,(b)人口增长率r随人口数N的变化图;
图3是北京市、河北省、广东省新冠肺炎累计病例和每日新增病例数随时间的变化曲线 及病例增长率随累计病例数的变化曲线:
(a1)北京市新冠肺炎累计病例数、每日新增病例数随时间变化图;(a2)北京市新冠肺炎 病例增长率随累计病例数的变化图;(b1)河北省新冠肺炎累计病例数、每日新增病例数随时 间变化图;(b2)北京市新冠肺炎病例增长率随累计病例数的变化图;(c1)广东省新冠肺炎累 计病例数、每日新增病例数随时间变化图;(c2)广东省新冠肺炎病例增长率随累计病例数的 变化图。
具体实施方式
本发明主要应用于流行病爆发初期,即难以完全收集满足流行病传播动力学研究要求的 疫情数据集的情况下,快速评估新发重大传染病基本传染数指标R0,并研究其与城市多因素 之间的关系。
第一步:收集流行病爆发初期各个城市的每日疫情数据(仅需要每日新增病例数据)。
第二步:利用收集的疫情数据构建各个城市的logistic流行病传播模型。
第三步:根据上一步得到的各个城市logistic流行病传播模型的参数,计算该城市流行 病R0值。
第四步:获得流行病R0与城市多因素之间的关系。
本发明基于城市多因素的新发重大传染病R0计算方法主要分为以下三个过程:首先构建 各个城市的logistic流行病传播模型,其次根据提出的流行病R0的计算方法计算各个城市流 行病R0值,最后计算流行病R0与城市多因素之间的关系。
1)构建logistic流行病传播模型
大多数情况下,流行病疫情数据往往不完整,缺乏详细病例数据,且实际感染过程无法 观察、感染率通常是非线性的,难于估算流行病R0。因此有必要通过使用政府公布的流行病 每日新增数据构建描述疫情爆发模式的简单模型,并由此初步计算流行病R0。
logistic回归模型主要用于流行病学、生物学、人口学等领域,可用于探索某种流行病 的危险因素,根据其危险因素预测发生概率,也可用于估算某指定条件下可容纳的种群数量 最大值。在人口学中,考虑到环境、自然资源等因素对人口增长的阻滞作用,即密度依赖性 质,可使用logistic人口阻滞增长模型来表示人口的变化趋势,人口增长的连续指数模型描 述为:
其中N(t)表示t时刻下人口的总数,r(N)表示为人口总数为N(t)时的人口瞬时增长率。阻 滞作用反映在人口数量对瞬时增长率r的影响上,r会随人口数量的增加而降低。对(1)式积 分,可以得到:
N(t+1)=λN(t)
λ=er(N)
N(t)、N(t+1)表示不同时刻下人口的总数,λ表示时刻t下人口的瞬时增长率,增长率 会随时间的推移逐渐降低。该模型已被广泛用于描述有限资源下的人口增长场景。
假设r(N)为N(t)的线性函数,即:
r(N)=rmax-sN(t)
假设指定条件下环境所能容纳的最大人口数量为Nmax,当N=Nmax时,人口总数达到阈 值,此时人口增长率r(N)=0,代入上式中,可以得到:
将r(N)代入(1)式中,可以得到:
根据(2)式,可证明当N(t)=Nmax/2时,dN(t)/dt达到最大值。图1(a)中展示了 人口数N、dN(t)/dt随时间的变化情况;图1(b)中展示了人口增长率r随人口数N的变化情 况。
对式(2)求积分,可以得到logistic模型的离散形式:
可以利用式(3)计算rmax和Nmax,该公式广泛应用于人口学、生物学领域,验证人口、生物增长与数量之间的关系。
流行病的爆发模式与人口增长模式相似,使用logistic模型建模可行。流行病爆发初期, 此时政府和人民的防控意识较差,流行病属于自然增长,患者数量增长趋势符合R0指数形式。 随着人们防控意识的增强、政府强有力的干预措施及易感人群的减少,流行病增长率将不断 降低,这与logistic模型应用于人口学中的人口阻滞效应相似,即同样表现出密度依赖性质。 流行病累计病例对应于N(t),流行病最大感染人数对应于Nmax,流行病每日新增感染病例将 在某一时刻达到峰值,后将持续降低。
2)流行病R0的计算方法
本发明使用一种基于数学推导的R0计算方法。通过logistic模型,可以计算流行病传播 的最大增长速率rmax、流行病最大累计感染病例数Nmax。根据流行病传播的最大增长速率rmax及两病例之间的平均感染间隔时间,即可初步计算流行病的R0,其计算公式如下所示:
R0=rm×(D1+D2) (3)
第一部分为患者感染到发病确诊的平均时间D1,住院的患者也会感染一线的医生,因此 第二部分为患者在医院治疗的平均时间D2。
3)流行病R0与城市多因素之间的关系
计算流行病传播与城市相关因素之间的关系,可利用OLS回归模型将各省市新冠肺炎基 本传染数R0与城市相关因素进行多元线性回归。建立各个城市流行病传染数R0与人口密度X1、 人均GDP X2、医疗机构密度X3、私人车辆总数X4、春运期间迁入及迁出人口数X5和X6、GRP 指数X7、CPI指数X8等因素的多元回归模型:
R0=β0+β1X1+β2X2+…+β8X8+ε
其中β1、β2...β8为偏回归系数,即保持其他城市因素不变时,特定城市因素对R0的边际 影响,ε表示误差。代入n个省市的数据后,可得:
R01=β0+β1X11+β2X21+…+β8X81+ε1
R0e=β0+β1X12+β2X22+…+β8X82+ε2
……
R0n=β0+β1X1n+β2X2n+…+β8X8n+εn
将上述方程组写成矩阵形式,有:
即可表示为:
R0=Xβ+ε
利用OLS线性回归残差平方和最小原理,可以得到:
ε′ε=(R0-Xβ)(R0-Xβ)′
=R0′R0-R0′Xβ-β′X′R0+β′X′Xβ
上式对β求导并令其为0,满足残差平方和最小原理时,有:
X′Xβ=X′R0
若矩阵X′X的逆矩阵存在,则上述方程有解,最小二乘估计解为:
则可得R0与与城市相关因素的关系式为:
可以通过相关性系数、t检验、P检验等判断线性回归的拟合度,检验R0与城市相关因素 联系的紧密程度。
Claims (4)
1.基于城市多因素的新发重大传染病R0计算方法,其特征在于,主要分为以下三个过程:首先,构建各个城市的logistic流行病传播模型;其次,根据提出的流行病R0的计算方法计算各个城市流行病R0值;最后,计算流行病R0与城市多因素之间的关系。
2.根据权利要求1所述的基于城市多因素的新发重大传染病R0计算方法,其特征在于,1)构建logistic流行病传播模型:通过使用政府公布的流行病每日新增数据构建描述疫情爆发模式的简单模型,并由此初步计算流行病R0:
在人口学中,考虑到环境、自然资源因素对人口增长的阻滞作用,即密度依赖性质,可使用logistic人口阻滞增长模型来表示人口的变化趋势,人口增长的连续指数模型描述为:
其中,N(t)表示t时刻下人口的总数,r(N)表示为人口总数为N(t)时的人口瞬时增长率,阻滞作用反映在人口数量对瞬时增长率r的影响上,r会随人口数量的增加而降低;
对(1)式积分,可以得到:
N(t+1)=λN(t)
N(t)、N(t+1)表示不同时刻下人口的总数,λ表示时刻t下人口的瞬时增长率,增长率会随时间的推移逐渐降低,该模型已被广泛用于描述有限资源下的人口增长场景;
假设r(N)为N(t)的线性函数,即:
r(N)=rmax-sN(t)
假设指定条件下环境所能容纳的最大人口数量为Nmax,当N=Nmax时,人口总数达到阈值,此时人口增长率r(N)=0,代入上式中,可以得到:
将r(N)代入(1)式中,可以得到:
根据(2)式,可证明当N(t)=Nmax/2时,dN(t)/dt达到最大值;
对式(2)求积分,可以得到logistic模型的离散形式:
可以利用式(3)计算rmax和Nmax,该公式广泛应用于人口学、生物学领域,验证人口、生物增长与数量之间的关系。
3.根据权利要求1所述的基于城市多因素的新发重大传染病R0计算方法,其特征在于,2)流行病R0的计算方法:基于数学推导的R0计算方法,通过logistic模型,可以计算流行病传播的最大增长速率rmax、流行病最大累计感染病例数Nmax:
根据流行病传播的最大增长速率rmax及两病例之间的平均感染间隔时间,即可初步计算流行病的R0,其计算公式如下所示:
R0=rm×(D1+D2) (3)
第一部分为患者感染到发病确诊的平均时间D1,住院的患者也会感染一线的医生,因此第二部分为患者在医院治疗的平均时间D2。
4.根据权利要求1所述的基于城市多因素的新发重大传染病R0计算方法,其特征在于,3)流行病R0与城市多因素之间的关系:计算流行病传播与城市相关因素之间的关系,利用OLS回归模型将各省市新冠肺炎基本传染数R0与城市相关因素进行多元线性回归:
建立各个城市流行病传染数R0与人口密度X1、人均GDPX2、医疗机构密度X3、私人车辆总数X4、春运期间迁入及迁出人口数X5和X6、GRP指数X7、CPI指数X8若干因素的多元回归模型:
R0=β0+β1X1+β2X2+…+β8X8+ε
其中β1、β2...β8为偏回归系数,即保持其他城市因素不变时,特定城市因素对R0的边际影响,ε表示误差。代入n个省市的数据后,可得:
将上述方程组写成矩阵形式,有:
即可表示为:
R0=Xβ+ε
利用OLS线性回归残差平方和最小原理,可以得到;
ε′ε=(R0-Xβ)(R0-Xβ)′
=R0′R0-R0′Xβ-β′X′R0与β′X′Xβ
上式对β求导并令其为0,满足残差平方和最小原理时,有:
X′Xβ=X′R0
若矩阵X′X的逆矩阵存在,则上述方程有解,最小二乘估计解为:
则可得R0与与城市相关因素的关系式为:
可以通过相关性系数、t检验、P检验等判断线性回归的拟合度,检验R0与城市相关因素联系的紧密程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011302840.5A CN112420210B (zh) | 2020-11-19 | 2020-11-19 | 基于城市多因素的新发重大传染病r0计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011302840.5A CN112420210B (zh) | 2020-11-19 | 2020-11-19 | 基于城市多因素的新发重大传染病r0计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112420210A true CN112420210A (zh) | 2021-02-26 |
CN112420210B CN112420210B (zh) | 2023-01-24 |
Family
ID=74773118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011302840.5A Active CN112420210B (zh) | 2020-11-19 | 2020-11-19 | 基于城市多因素的新发重大传染病r0计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112420210B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113539500A (zh) * | 2021-05-31 | 2021-10-22 | 诺滨科技(北京)有限公司 | 一种流行病流行估计方法、设备及计算机可读介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013089809A2 (en) * | 2011-12-16 | 2013-06-20 | Rivas Ariel L | Connectivity of rapidly disseminating epidemics |
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 |
CN111326261A (zh) * | 2020-02-20 | 2020-06-23 | 武汉东湖大数据交易中心股份有限公司 | 一种基于气象数据的上呼吸道疾病的预测系统及其预测方法 |
CN111354471A (zh) * | 2020-02-19 | 2020-06-30 | 自然资源部第一海洋研究所 | 基于数据的传染病传播率及疫情评估方法 |
CN111524611A (zh) * | 2020-04-24 | 2020-08-11 | 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
- 2020-11-19 CN CN202011302840.5A patent/CN112420210B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013089809A2 (en) * | 2011-12-16 | 2013-06-20 | Rivas Ariel L | Connectivity of rapidly disseminating epidemics |
CN111354471A (zh) * | 2020-02-19 | 2020-06-30 | 自然资源部第一海洋研究所 | 基于数据的传染病传播率及疫情评估方法 |
CN111326261A (zh) * | 2020-02-20 | 2020-06-23 | 武汉东湖大数据交易中心股份有限公司 | 一种基于气象数据的上呼吸道疾病的预测系统及其预测方法 |
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 |
CN111524611A (zh) * | 2020-04-24 | 2020-08-11 | 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 |
Non-Patent Citations (2)
Title |
---|
XIAOJING GUO ET AL.: "Transmissibility of COVID-19 in 11 major cities in china and its association with temperature and humidity in Beijing,Shanghai,Guangzhou,and Chengdu", 《INFECTION DISEASES OF POVERTY》 * |
贺湘焱: "新疆肺结核流行特征及预防控制效果评价", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113539500A (zh) * | 2021-05-31 | 2021-10-22 | 诺滨科技(北京)有限公司 | 一种流行病流行估计方法、设备及计算机可读介质 |
CN113539500B (zh) * | 2021-05-31 | 2024-05-31 | 诺滨科技(北京)有限公司 | 一种流行病流行估计方法、设备及计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112420210B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Yan et al. | A hybrid model for short-term bacillary dysentery prediction in Yichang City, China | |
Bertaglia et al. | Hyperbolic compartmental models for epidemic spread on networks with uncertain data: application to the emergence of Covid-19 in Italy | |
Cheng | Hybrid genetic algorithms for structural reliability analysis | |
CN113223731A (zh) | 深度时序n-seir传染病预测模型 | |
Acedo et al. | An exact global solution for the classical SIRS epidemic model | |
Lazebnik et al. | Comparison of pandemic intervention policies in several building types using heterogeneous population model | |
CN102945310A (zh) | 基于自治计算的流行病传播网络建模与推断 | |
CN106777935A (zh) | 一种基于网络结构的疾病动态预测方法 | |
Bellamy et al. | Analysis of clustered and interval censored data from a community‐based study in asthma | |
CN113470836A (zh) | 一种传染病趋势预测方法、系统、装置及存储介质 | |
CN111431755A (zh) | 基于复杂网络的多层时序网络模型构建及关键节点识别方法 | |
CN112420210B (zh) | 基于城市多因素的新发重大传染病r0计算方法 | |
Xu et al. | Stability analysis and optimal control of a fractional-order generalized SEIR model for the COVID-19 pandemic | |
Gao et al. | Modeling covid-19 with mean field evolutionary dynamics: Social distancing and seasonality | |
Tu et al. | Functional model selection for sparse binary time series with multiple inputs | |
Garg et al. | Forecasting hospital bed requirements and cost of care using phase type survival trees | |
Baggio et al. | Knowledge management and transfer in Tourism: An Italian case | |
Hussein et al. | A modeling and simulation approach to analyze and control transition states in epidemic models | |
Ramesh et al. | Statistical model checking for dynamical processes on networks: a healthcare application | |
Ahn et al. | Reproduction Factor Based Latent Epidemic Model Inference: A Data-Driven Approach Using COVID-19 Datasets | |
Zhou et al. | Covid-19 spread prediction model | |
Bai et al. | A modified SEIR model with a jump in the transmission parameter applied to COVID‐19 data on Wuhan | |
Alexandrou et al. | Modeling the evolution of COVID-19 | |
Xue et al. | A Networked Meta-Population Epidemic Model with Population Flow and Its Application to the Prediction of the COVID-19 Pandemic. |
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 |