CN112529329A - 基于bp算法和seir模型的传染病预测方法 - Google Patents
基于bp算法和seir模型的传染病预测方法 Download PDFInfo
- Publication number
- CN112529329A CN112529329A CN202011543135.4A CN202011543135A CN112529329A CN 112529329 A CN112529329 A CN 112529329A CN 202011543135 A CN202011543135 A CN 202011543135A CN 112529329 A CN112529329 A CN 112529329A
- Authority
- CN
- China
- Prior art keywords
- model
- persons
- seir
- data
- infectious disease
- 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
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 54
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000011161 development Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000003203 everyday effect Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 15
- 201000010099 disease Diseases 0.000 claims description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 12
- 238000011534 incubation Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000011084 recovery Methods 0.000 claims description 7
- 230000002354 daily effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000002265 prevention Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000002955 isolation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002458 infectious effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 2
- 206010051379 Systemic Inflammatory Response Syndrome Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008278 dynamic mechanism Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BP算法和SEIR模型的传染病预测方法，涉及传染病预测方法技术领域。本发明包括步骤一：SEIR模型预测易感者、感染者、潜伏者和康复人群数发展趋势，获取地市疫情历史数据、SEIR模型初始化参数、建立模型、预测结果，步骤二：基于神经网络对每日新增感染人数、感染者总数、新增死亡人数。本发明通过将所有人群进行具体划分：易感者、感染者、潜伏者和康复人群数，根据特定场景进行SEIR模型初始化参数，模型建立基于真实的传染病数据，更加趋势预测更加符合真实情况，针对不同子模型，作出预测，可视化图形显示，更加直观，通过SEIR模型，可以预测出指标量发展趋势，便于及时作出决策。
Description
技术领域
本发明属于传染病预测方法技术领域，特别是涉及一种基于BP算法和SEIR模型的传染病预测方法。
背景技术
传染病是对人类社会存在威胁的全球公共卫生问题,传染病早期预警将大大降低传染病的社会经济危害，研究表明，SEIR传染病预测模型在流行病传染方面的研究效果良好，随着神经科学的不断发展，基于神经网络的深度学习逐渐运用到各行各业的预测，众多学者对此进行研究，并取得了良好的效果，本文基于SEIR模型、神经网络，构建疾病预测系统，传染病模型是研究传染病的传播速度、空间范围、传播途径、动力学机理等问题，以指导对传染病的有效地预防和控制，常见的传染病模型按照传染病类型分为SI、SIR、SIRS、SEIR模型等，按照传播机理又分为基于常微分方程、偏微分方程、网络动力学的不同类型，相比于以上经典的传染病数学模型，随着大数据、人工智能技术的发展，神经网络、循环神经网络、长短记忆网络逐渐应用于传染病预测领域，并取得良好的预测效果。
现有的传染病预测方法，大多不能进行可视化先是，不直观，不能预测出指标量的趋势。
发明内容
本发明的目的在于提供一种基于BP算法和SEIR模型的传染病预测方法，通过将所有人群进行具体划分：易感者、感染者、潜伏者和康复人群数，根据特定场景进行SEIR模型初始化参数，模型建立基于真实的传染病数据，更加趋势预测更加符合真实情况，基于SEIR模型，可以分成许多子模型：潜伏期人群是否有传染能力、潜伏期是否有时间限制、恢复健康者是否有抗体等，针对不同子模型，作出预测，可视化图形显示，更加直观，通过SEIR模型，可以预测出指标量发展趋势，便于及时作出决策，解决了上述现有技术中存在的问题。
为达上述目的，本发明是通过以下技术方案实现的：
一种基于BP算法和SEIR模型的传染病预测方法，包括步骤一：SEIR模型预测易感者、感染者、潜伏者和康复人群数发展趋势，获取地市疫情历史数据、SEIR模型初始化参数、建立模型、预测结果；
步骤二：基于神经网络对每日新增感染人数、感染者总数、新增死亡人数、死亡人数总数预测，获取数据、数据预处理、模型建立、模型训练、指标预测。
可选的，传染病预测系统包括两部分：后端部分与前端部分，后端部分负责数据采集、模型训练与预测，前端部分为结果显示。
可选的，获取地市疫情历史数据包括：易感者、感染者、潜伏者和康复人群数。
可选的，SEIR模型初始化参数包括：基本传染指数R0＝2.68、平均潜伏期为五天，潜伏期期间不会传染、健康人群平均恢复期为七天、检测能力经过若干天的逐步提高才能实现按需检测、防控措施采取以前是自由传播、确诊病人不会再感染新的病人、已经恢复的病人不会再感染、家庭内部不会采取隔离措施、平均家庭为四人。
可选的，建立模型包括：计算的参数值、带入SEIR模型，并与现有的数据结合进行模型参数调整，预测结果包括：根据模型，预测某地易感者、感染者、潜伏者和康复人群的发展趋势。
可选的，获取数据包括：数据指标初始患者种子个数、城市总人口每日流入人口、人际平均接触频率、接触后被感染的平均概率、感染后平均潜伏期、发病后的平均康复期、发病后的平均死亡率、密切接触者的检疫比例、检疫设施的最大容量、检疫期长短、确诊患者的收治比例、收治设施的最大容量。
可选的，数据预处理包括：去除字段缺失的数据，并切分数据集为训练集和测试集。
可选的，模型建立包括：建立神经网络模型，输入层神经元十五个，隐层神经元两层，每层五个神经元，输出层一个神经元，输出层一个神经元为回归预测，回归预测包括：黑箱操作，无需理解神经网络内的具体结构，需要简单设计，就可以进行回归预测、需要对历史数据集进行训练学习，进而得出预测模型、基于海量的历史数据，可结合HADOOP技术栈，对于海量数据进行分布式存储、分布式训练、基于多个基础指标进行神经网络模型建立，在多指标的作用下进行回归预测。
可选的，模型训练包括：根据数据预处理和模型建立，进行训练。
可选的，指标预测包括：四个模型，四个模型分别为新增感染人数、感染者总数、新增死亡人数、死亡人数总数，四个模型根据获取数据进行制作。
本发明的实施例具有以下有益效果：
本发明的一个实施例通过将所有人群进行具体划分：易感者、感染者、潜伏者和康复人群数，根据特定场景进行SEIR模型初始化参数，模型建立基于真实的传染病数据，更加趋势预测更加符合真实情况，基于SEIR模型，可以分成许多子模型：潜伏期人群是否有传染能力、潜伏期是否有时间限制、恢复健康者是否有抗体等，针对不同子模型，作出预测，可视化图形显示，更加直观，通过SEIR模型，可以预测出指标量发展趋势，便于及时作出决策。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一实施例的技术框架结构示意图；
图2为本发明一实施例的预测结果结构示意图；
图3为本发明一实施例的SEIR模型结构示意图；
图4为本发明一实施例的神经网络结构示意图。
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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
为了保持本发明实施例的以下说明清楚且简明，本发明省略了已知功能和已知部件的详细说明。
请参阅图1-4所示，在本实施例中提供了一种基于BP算法和SEIR模型的传染病预测方法，包括：步骤一：SEIR模型预测易感者、感染者、潜伏者和康复人群数发展趋势，获取地市疫情历史数据、SEIR模型初始化参数、建立模型、预测结果；
步骤二：基于神经网络对每日新增感染人数、感染者总数、新增死亡人数、死亡人数总数预测，获取数据、数据预处理、模型建立、模型训练、指标预测。
本实施例一个方面的应用为：SEIR模型预测易感者、感染者、潜伏者和康复人群数发展趋势，获取地市疫情历史数据、SEIR模型初始化参数、建立模型、预测结果，基于神经网络对每日新增感染人数、感染者总数、新增死亡人数、死亡人数总数预测，获取数据、数据预处理、模型建立、模型训练、指标预测传染病预测系统包括两部分：后端部分与前端部分，后端部分负责数据采集、模型训练与预测，前端部分为结果显示。
通过将所有人群进行具体划分：易感者、感染者infected,I、潜伏者exposed，E和康复人群数，根据特定场景进行SEIR模型初始化参数，模型建立基于真实的传染病数据，更加趋势预测更加符合真实情况，基于SEIR模型，可以分成许多子模型：潜伏期人群是否有传染能力、潜伏期是否有时间限制、恢复健康者是否有抗体等，针对不同子模型，作出预测，可视化图形显示，更加直观，通过SEIR模型，可以预测出指标量发展趋势，便于及时作出决策。
本实施例的传染病预测系统包括两部分：后端部分与前端部分，后端部分负责数据采集、模型训练与预测，前端部分为结果显示。
本实施例的获取地市疫情历史数据包括：易感者、感染者infected,I、潜伏者exposed,E和康复人群数。
本实施例的SEIR模型初始化参数包括：基本传染指数R0＝2.68、平均潜伏期为五天，潜伏期期间不会传染、健康人群平均恢复期为七天、检测能力经过若干天的逐步提高才能实现按需检测、防控措施采取以前是自由传播、确诊病人不会再感染新的病人、已经恢复的病人不会再感染、家庭内部不会采取隔离措施、平均家庭为四人。
本实施例的建立模型包括：计算的参数值、带入SEIR模型，并与现有的数据结合进行模型参数调整，预测结果包括：根据模型，预测某地易感者、感染者infected,I、潜伏者exposed,E和康复人群的发展趋势。
本实施例的获取数据包括：数据指标初始患者种子个数、城市总人口每日流入人口、人际平均接触频率、接触后被感染的平均概率、感染后平均潜伏期、发病后的平均康复期、发病后的平均死亡率、密切接触者的检疫比例、检疫设施的最大容量、检疫期长短、确诊患者的收治比例、收治设施的最大容量。
本实施例的数据预处理包括：去除字段缺失的数据，并切分数据集为训练集和测试集。
本实施例的模型建立包括：建立神经网络模型，输入层神经元十五个，隐层神经元两层，每层五个神经元，输出层一个神经元，输出层一个神经元为回归预测，回归预测包括：黑箱操作，无需理解神经网络内的具体结构，需要简单设计，就可以进行回归预测、需要对历史数据集进行训练学习，进而得出预测模型、基于海量的历史数据，可结合HADOOP技术栈，对于海量数据进行分布式存储、分布式训练、基于多个基础指标进行神经网络模型建立，在多指标的作用下进行回归预测。
本实施例的模型训练包括：根据数据预处理和模型建立，进行训练。
本实施例的指标预测包括：四个模型，四个模型分别为新增感染人数、感染者总数、新增死亡人数、死亡人数总数，四个模型根据获取数据进行制作。
基础指标：
初始患者种子个数、城市总人口、每日流入人口、人际平均接触频率、接触后被感染的平均概率、感染后平均潜伏期、发病后的平均康复期、发病后的平均死亡率、密切接触者的检疫比例、检疫设施的最大容量、检疫期长短、确诊患者的收治比例、收治设施的最大容量、社交隔离措施对人际接触频率的减少比例、个人防护和卫生对接触后感染概率的降低比例。
预测指标：
每日感染人数，累计感染人数，每日死亡人数，累计死亡人数。
理论依据：
SEIR模型将人群分为易感者susceptible,S、感染者infected,I、潜伏者exposed,E和康复人群recovered,R，该模型还假设人群中所有个体都有被感染的概率，当被感染个体痊愈后，会产生抗体，即康复人群不会再被感染，考虑到防治传染病的隔离措施，模型中的人群组别新增隔离易感者、隔离潜伏者和隔离感染者，鉴于隔离感染者会立即送往定点医院隔离治疗，因此这部分人群在本模型中全部转化为住院患者。
SEIR流行病模型的基础上，引入已感染但没有确诊的人群，已确诊人群，和没有感染的人群，并加入社会防控因素，利用受限的多人群SEIR微分动力学模型分析传染病传播情况。
上述实施例可以相互结合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
Claims (10)
1.一种基于BP算法和SEIR模型的传染病预测方法，包括如下步骤：
步骤一：SEIR模型预测易感者、感染者、潜伏者和康复人群数发展趋势，获取地市疫情历史数据、SEIR模型初始化参数、建立模型、预测结果；
步骤二：基于神经网络对每日新增感染人数、感染者总数、新增死亡人数、死亡人数总数预测，获取数据、数据预处理、模型建立、模型训练、指标预测。
2.如权利要求1所述的一种基于BP算法和SEIR模型的传染病预测方法，其特征在于，传染病预测系统包括两部分：后端部分与前端部分，后端部分负责数据采集、模型训练与预测，前端部分为结果显示。
3.如权利要求1所述的一种基于BP算法和SEIR模型的传染病预测方法，其特征在于，获取地市疫情历史数据包括：易感者、感染者、潜伏者和康复人群数。
4.如权利要求1所述的一种基于BP算法和SEIR模型的传染病预测方法，其特征在于，SEIR模型初始化参数包括：基本传染指数R0＝2.68、平均潜伏期为五天，潜伏期期间不会传染、健康人群平均恢复期为七天、检测能力经过若干天的逐步提高才能实现按需检测、防控措施采取以前是自由传播、确诊病人不会再感染新的病人、已经恢复的病人不会再感染、家庭内部不会采取隔离措施、平均家庭为四人。
5.如权利要求1所述的一种基于BP算法和SEIR模型的传染病预测方法，其特征在于，建立模型包括：计算的参数值、带入SEIR模型，并与现有的数据结合进行模型参数调整，预测结果包括：根据模型，预测某地易感者、感染者、潜伏者和康复人群的发展趋势。
6.如权利要求1所述的一种基于BP算法和SEIR模型的传染病预测方法，其特征在于，获取数据包括：数据指标初始患者种子个数、城市总人口每日流入人口、人际平均接触频率、接触后被感染的平均概率、感染后平均潜伏期、发病后的平均康复期、发病后的平均死亡率、密切接触者的检疫比例、检疫设施的最大容量、检疫期长短、确诊患者的收治比例、收治设施的最大容量。
7.如权利要求1所述的一种基于BP算法和SEIR模型的传染病预测方法，其特征在于，数据预处理包括：去除字段缺失的数据，并切分数据集为训练集和测试集。
8.如权利要求7所述的一种基于BP算法和SEIR模型的传染病预测方法，其特征在于，模型建立包括：建立神经网络模型，输入层神经元十五个，隐层神经元两层，每层五个神经元，输出层一个神经元，输出层一个神经元为回归预测，回归预测包括：黑箱操作，无需理解神经网络内的具体结构，需要简单设计，就可以进行回归预测、需要对历史数据集进行训练学习，进而得出预测模型、基于海量的历史数据，可结合HADOOP技术栈，对于海量数据进行分布式存储、分布式训练、基于多个基础指标进行神经网络模型建立，在多指标的作用下进行回归预测。
9.如权利要求8所述的一种基于BP算法和SEIR模型的传染病预测方法，其特征在于，模型训练包括：根据数据预处理和模型建立，进行训练。
10.如权利要求6所述的一种基于BP算法和SEIR模型的传染病预测方法，其特征在于，指标预测包括：四个模型，四个模型分别为新增感染人数、感染者总数、新增死亡人数、死亡人数总数，四个模型根据获取数据进行制作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011543135.4A CN112529329A (zh) | 2020-12-21 | 2020-12-21 | 基于bp算法和seir模型的传染病预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011543135.4A CN112529329A (zh) | 2020-12-21 | 2020-12-21 | 基于bp算法和seir模型的传染病预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112529329A true CN112529329A (zh) | 2021-03-19 |
Family
ID=74976113
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011543135.4A Pending CN112529329A (zh) | 2020-12-21 | 2020-12-21 | 基于bp算法和seir模型的传染病预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112529329A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112086203A (zh) * | 2020-09-11 | 2020-12-15 | 河北工程大学 | 一种疫情预测方法、装置及终端设备 |
| CN113077907A (zh) * | 2021-03-25 | 2021-07-06 | 湘潭大学 | 一种新型传染病道路传染概率计算模型 |
| CN113113155A (zh) * | 2021-06-15 | 2021-07-13 | 四川大学 | 一种基于神经网络与seir模型的传染病趋势预测方法 |
| CN113223731A (zh) * | 2021-04-30 | 2021-08-06 | 南京工业大学 | 深度时序n-seir传染病预测模型 |
| CN113241188A (zh) * | 2021-04-14 | 2021-08-10 | 大连理工大学 | 一种开放体系下新发传染病的跨区域传播预测方法 |
| CN113345595A (zh) * | 2021-05-17 | 2021-09-03 | 上海大学 | 时序网络上基于检测和接触追踪的流行病干预方法 |
| CN113470836A (zh) * | 2021-07-28 | 2021-10-01 | 联通(广东)产业互联网有限公司 | 一种传染病趋势预测方法、系统、装置及存储介质 |
| CN113488193A (zh) * | 2021-08-23 | 2021-10-08 | 医渡云（北京）技术有限公司 | 预测传染病流行趋势的方法及装置、存储介质、电子设备 |
| CN113611429A (zh) * | 2021-05-12 | 2021-11-05 | 中国人民解放军军事科学院军事医学研究院 | 传染病的传播推演方法、装置及电子设备 |
| 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 |
| CN113838580A (zh) * | 2021-09-03 | 2021-12-24 | 医渡云（北京）技术有限公司 | 传染病传染规模预测方法、装置、存储介质及电子设备 |
| CN114049968A (zh) * | 2021-10-21 | 2022-02-15 | 北京北明数科信息技术有限公司 | 传染病发展趋势预测方法、系统、装置及存储介质 |
| 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 |
| CN113611429B (zh) * | 2021-05-12 | 2024-06-07 | 中国人民解放军军事科学院军事医学研究院 | 传染病的传播推演方法、装置及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111599485A (zh) * | 2020-05-26 | 2020-08-28 | 中南林业科技大学 | 传染病传播规律的预测方法、装置、设备及存储介质 |
| CN111968755A (zh) * | 2020-08-21 | 2020-11-20 | 上海海洋大学 | 一种基于lstm深度学习网络模型的疫情预测模型 |
| CN112071437A (zh) * | 2020-09-25 | 2020-12-11 | 北京百度网讯科技有限公司 | 一种传染病趋势预测方法、装置、电子设备及存储介质 |
| CN113113155A (zh) * | 2021-06-15 | 2021-07-13 | 四川大学 | 一种基于神经网络与seir模型的传染病趋势预测方法 |
-
2020
- 2020-12-21 CN CN202011543135.4A patent/CN112529329A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111599485A (zh) * | 2020-05-26 | 2020-08-28 | 中南林业科技大学 | 传染病传播规律的预测方法、装置、设备及存储介质 |
| CN111968755A (zh) * | 2020-08-21 | 2020-11-20 | 上海海洋大学 | 一种基于lstm深度学习网络模型的疫情预测模型 |
| CN112071437A (zh) * | 2020-09-25 | 2020-12-11 | 北京百度网讯科技有限公司 | 一种传染病趋势预测方法、装置、电子设备及存储介质 |
| CN113113155A (zh) * | 2021-06-15 | 2021-07-13 | 四川大学 | 一种基于神经网络与seir模型的传染病趋势预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李昊 等: "传染病动力学模型及其在新型冠状病毒肺炎疫情仿真预测中的应用综述", 《医疗卫生装备》 * |
| 许家雪 等: "基于 SEIR 模型的新型冠状病毒肺炎传染规模预测", 《科技与创新》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112086203A (zh) * | 2020-09-11 | 2020-12-15 | 河北工程大学 | 一种疫情预测方法、装置及终端设备 |
| CN113077907A (zh) * | 2021-03-25 | 2021-07-06 | 湘潭大学 | 一种新型传染病道路传染概率计算模型 |
| CN113077907B (zh) * | 2021-03-25 | 2024-03-19 | 湘潭大学 | 一种新型传染病道路传染概率计算模型 |
| CN113241188A (zh) * | 2021-04-14 | 2021-08-10 | 大连理工大学 | 一种开放体系下新发传染病的跨区域传播预测方法 |
| CN113241188B (zh) * | 2021-04-14 | 2024-02-06 | 大连理工大学 | 一种开放体系下新发传染病的跨区域传播预测方法 |
| CN113223731A (zh) * | 2021-04-30 | 2021-08-06 | 南京工业大学 | 深度时序n-seir传染病预测模型 |
| CN113611429A (zh) * | 2021-05-12 | 2021-11-05 | 中国人民解放军军事科学院军事医学研究院 | 传染病的传播推演方法、装置及电子设备 |
| CN113611429B (zh) * | 2021-05-12 | 2024-06-07 | 中国人民解放军军事科学院军事医学研究院 | 传染病的传播推演方法、装置及电子设备 |
| CN113345595A (zh) * | 2021-05-17 | 2021-09-03 | 上海大学 | 时序网络上基于检测和接触追踪的流行病干预方法 |
| CN113113155A (zh) * | 2021-06-15 | 2021-07-13 | 四川大学 | 一种基于神经网络与seir模型的传染病趋势预测方法 |
| CN113470836A (zh) * | 2021-07-28 | 2021-10-01 | 联通(广东)产业互联网有限公司 | 一种传染病趋势预测方法、系统、装置及存储介质 |
| CN113488193B (zh) * | 2021-08-23 | 2023-08-15 | 医渡云（北京）技术有限公司 | 预测传染病流行趋势的方法及装置、存储介质、电子设备 |
| CN113488193A (zh) * | 2021-08-23 | 2021-10-08 | 医渡云（北京）技术有限公司 | 预测传染病流行趋势的方法及装置、存储介质、电子设备 |
| 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 |
| CN113838580A (zh) * | 2021-09-03 | 2021-12-24 | 医渡云（北京）技术有限公司 | 传染病传染规模预测方法、装置、存储介质及电子设备 |
| CN113838580B (zh) * | 2021-09-03 | 2024-04-12 | 医渡云（北京）技术有限公司 | 传染病传染规模预测方法、装置、存储介质及电子设备 |
| CN114049968A (zh) * | 2021-10-21 | 2022-02-15 | 北京北明数科信息技术有限公司 | 传染病发展趋势预测方法、系统、装置及存储介质 |
| 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 |
| 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 |
|---|---|---|
| CN112529329A (zh) | 基于bp算法和seir模型的传染病预测方法 | |
| Gautam | Transfer Learning for COVID-19 cases and deaths forecast using LSTM network | |
| CN107451407A (zh) | 一种中医智能诊断方法、系统及中医医疗系统 | |
| CN107516110A (zh) | 一种基于集成卷积编码的医疗问答语义聚类方法 | |
| CN107506797A (zh) | 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法 | |
| CN106777954A (zh) | 一种空巢老人健康的智能监护系统及方法 | |
| Vandhana et al. | Neutrosophic fuzzy Hierarchical clustering for dengue analysis in Sri Lanka | |
| CN111081379B (zh) | 一种疾病概率决策方法及其系统 | |
| CN111513732A (zh) | 面向疫病状况下多类人群的心理压力智能评估预警系统 | |
| He et al. | Alzheimer's disease diagnosis model based on three-dimensional full convolutional DenseNet | |
| Zeng et al. | GRP-DNet: A gray recurrence plot-based densely connected convolutional network for classification of epileptiform EEG | |
| CN112365996A (zh) | 一种疾病传播防控方法及系统 | |
| CN109920551A (zh) | 基于机器学习的自闭症儿童社会行为表现特征分析系统 | |
| CN116110597B (zh) | 一种基于数字孪生的患者病症类别智能分析方法及装置 | |
| CN110085288A (zh) | 一种基于互联网的肝胆外科治疗信息共享系统及共享方法 | |
| CN111159854A (zh) | 一种养老院火灾疏散仿真模型构建方法和装置 | |
| CN111091060A (zh) | 基于深度学习的跌倒和暴力检测方法 | |
| Sirigineedi et al. | The Early Detection Of Alzheimer's Illness Using Machine Learning And Deep Learning Algorithms | |
| JP7365747B1 (ja) | 階層図ニューラルネットワークに基づく疾患診療過程異常識別システム | |
| CN109002808A (zh) | 一种人体行为识别方法及系统 | |
| Yuan et al. | An improved SEIR model for reconstructing the dynamic transmission of COVID-19 | |
| Moghtadaei et al. | A variable structure fuzzy neural network model of squamous dysplasia and esophageal squamous cell carcinoma based on a global chaotic optimization algorithm | |
| CN113616209B (zh) | 基于时空注意力机制的精神分裂症患者甄别方法 | |
| CN108538390A (zh) | 一种面向医学数据的增量式处理方法 | |
| CN108021873A (zh) | 一种聚类非对称互信息的脑电信号癫痫分类方法及系统 |
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: 20210319 |