CN112652403B - 疫情预测方法及装置 - Google Patents
疫情预测方法及装置 Download PDFInfo
- Publication number
- CN112652403B CN112652403B CN202011565916.3A CN202011565916A CN112652403B CN 112652403 B CN112652403 B CN 112652403B CN 202011565916 A CN202011565916 A CN 202011565916A CN 112652403 B CN112652403 B CN 112652403B
- Authority
- CN
- China
- Prior art keywords
- city
- current date
- target city
- target
- predicting
- 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.)
- Active
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
-
- 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
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (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
本申请公开了一种疫情预测方法及装置,在确定待进行疫情预测的目标城市之后;先预测所述目标城市在当前日期的有效传染数;然后,获取所述目标城市在所述当前日期之前K天的真实有效传染数,所述K为大于等于1的整数;再基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,预测所述目标城市在当前日期的疫情内外部风险。基于上述方案,能够实现疫情预测,从而实现对疫情防治的辅助。
Description
技术领域
本申请涉及数据处理技术领域,更具体的说,是涉及一种疫情预测方法及装置。
背景技术
2019新型冠状病毒(2019-nCoV)于2020年1月12日被世界卫生组织正式命名,它可能感染导致新型冠状病毒肺炎,简称“新冠肺炎”。
因此,如何提供一种疫情预测方法以辅助疫情防治,成为本领域技术人员亟待解决的技术问题。
发明内容
鉴于上述问题,本申请提出了一种疫情预测方法及装置。具体方案如下:
一种疫情预测方法,包括:
确定待进行疫情预测的目标城市;
预测所述目标城市在当前日期的有效传染数;
获取所述目标城市在所述当前日期之前K天的真实有效传染数,所述K为大于等于1的整数;
基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,预测所述目标城市在当前日期的疫情内外部风险。
可选地,所述预测所述目标城市在当前日期的有效传染数,包括:
获取所述目标城市在当前日期的表征向量;
将所述目标城市在当前日期的表征向量,输入预先构建的有效传染数预测模型,预测得到所述目标城市在当前日期的有效传染数;所述有效传染数预测模型是以所述目标城市在当前日期之前的k天的表征向量为训练样本,以所述目标城市在当前日期之前的k天的真实有效传染数为样本标签,训练得到的。
可选地,所述获取所述目标城市在当前日期的表征向量,包括:
获取所述目标城市所在国家在当前日期的全国城市交通拓扑图;所述全国城市交通拓扑图中每一节点对应一个城市,每一节点的属性为该节点对应城市在当前日期的原始特征向量;每一边连接两个具有交通联系的城市;
从所述全国城市交通拓扑图中确定所述目标城市对应的交通拓扑子图,所述交通拓扑子图包括中心节点,以及所述中心节点的全部邻居节点,以及节点间的边,所述中心节点为所述目标城市,所述邻居节点为与所述目标城市具有交通联系的城市;
使用图卷积神经网络对所述拓扑子图进行处理,得到所述目标城市在当前日期的表征向量。
可选地,所述基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,预测所述目标城市在当前日期的疫情内外部风险,包括:
基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,确定待用有效传染数;
基于所述目标城市在当前日期前一天的已确诊病例,以及所述待用有效传染数,预测所述目标城市在当前日期的潜在确诊病例最大量;
基于所述目标城市在当前日期的潜在确诊病例最大量、所述目标城市的总人口数、以及所述目标城市的每日交通输出客流量,预测所述目标城市在当前日期的疫情内外部风险。
可选地,在预测所述目标城市在当前日期的疫情内外部风险之后,所述方法还包括:
针对所述目标城市所在国家的全国城市中的每个城市,获取所述城市在当前日期之前K天的真实新增患病人数;
基于所述城市在当前日期之前K天的真实新增患病人数,预测所述城市在当前日期的新增患病人数;
获取所述城市在当前日期已确定物资缺口量;
基于所述城市在当前日期之前一天的真实新增确诊病例数、预测得到的所述城市在当前日期的新增确诊病例数,以及,所述城市在当前日期已确定物资缺口量,确定所述城市在当前日期的预估物资缺口量。
可选地,在确定所述目标城市所在国家的各个城市在当前日期的预估物资缺口量之后,所述方法还包括:
获取物资产地及产量信息;
基于所述各个城市在当前日期的预估物资缺口量、各个产地的产量,以及,从物资产地向所述各个城市进行物资运输的代价,计算得到各个产地向所述各个城市运输物资量。
可选地,在计算得到各个产地向所述各个城市运输物资量之后,所述方法还包括:
针对每个城市,基于K-means算法从所述城市的社区中选取用于作为仓库的社区。
可选地,在每个作为仓库的社区在得到物资后,所述方法还包括:
确定所述作为仓库的社区的物资配送方式。
可选地,在预测所述目标城市在当前日期的疫情内外部风险之后,所述方法还包括:
构建所述目标城市所在国家的各个城市的务工人员指导矩阵,矩阵中每个值用于指示是否允许两个城市之间输入务工人员。
一种疫情预测装置,包括:
确定单元,用于确定待进行疫情预测的目标城市;
第一预测单元,用于预测所述目标城市在当前日期的有效传染数;
获取单元,用于获取所述目标城市在所述当前日期之前K天的真实有效传染数,所述K为大于等于1的整数;
第二预测单元,用于基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,预测所述目标城市在当前日期的疫情内外部风险。
借由上述技术方案,本申请公开了一种疫情预测方法及装置,在确定待进行疫情预测的目标城市之后;先预测所述目标城市在当前日期的有效传染数;然后,获取所述目标城市在所述当前日期之前K天的真实有效传染数,所述K为大于等于1的整数;再基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,预测所述目标城市在当前日期的疫情内外部风险。基于上述方案,能够实现疫情预测,从而实现对疫情防治的辅助。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本申请实施例公开的疫情预测方法的流程示意图;
图2为本申请实施例公开的一种疫情预测装置结构示意图;
图3为本申请实施例公开的一种疫情预测设备的硬件结构框图。
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,所描述的实施例仅仅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。
接下来,通过下述实施例对本申请提供的疫情预测方法进行介绍。
参照图1,图1为本申请实施例公开的疫情预测方法的流程示意图,该方法可以包括:
步骤S101:确定待进行疫情预测的目标城市。
步骤S102:预测所述目标城市在当前日期的有效传染数。
步骤S103:获取所述目标城市在所述当前日期之前K天的真实有效传染数,所述K为大于等于1的整数。
步骤S104:基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,预测所述目标城市在当前日期的疫情内外部风险。
需要说明的是,上述各个步骤的具体实现方式将通过后续实施例详细说明,此处不再展开描述。
本实施例公开了一种疫情预测方法,在确定待进行疫情预测的目标城市之后;先预测所述目标城市在当前日期的有效传染数;然后,获取所述目标城市在所述当前日期之前K天的真实有效传染数,所述K为大于等于1的整数;再基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,预测所述目标城市在当前日期的疫情内外部风险。基于上述方案,能够实现疫情预测,从而实现对疫情防治的辅助。
在本申请的另一个实施例中,对上述步骤S102预测所述目标城市在当前日期的有效传染数的具体实现方式进行详细介绍,该方式可以包括以下步骤:
步骤S201:获取所述目标城市在当前日期的表征向量。
步骤S202:将所述目标城市在当前日期的表征向量,输入预先构建的有效传染数预测模型,预测得到所述目标城市在当前日期的有效传染数;所述有效传染数预测模型是以所述目标城市在当前日期之前的k天的表征向量为训练样本,以所述目标城市在当前日期之前的k天的真实有效传染数为样本标签,训练得到的。
为便于理解,假设当前日期为ti+k+1,则在本申请中,可以获取目标城市从第ti天到第ti+k天的表征向量作为训练样本,同时获取第ti天到第ti+k天的真实有效传染数值/>为样本标签,基于长短时记忆网络模型进行训练,得到有效传染数预测模型。
在本申请的另一个实施例中,对上述步骤S201获取所述目标城市在当前日期的表征向量的具体实现方式进行详细介绍,该方式可以包括以下步骤:
步骤S301:获取所述目标城市所在国家在当前日期的全国城市交通拓扑图;所述全国城市交通拓扑图中每一节点对应一个城市,每一节点的属性为该节点对应城市在当前日期的原始特征向量;每一边连接两个具有交通联系的城市。
由于交通带来的人员流动,城市受疫情影响程度不仅要受自身影响,还会受到周边城市的影响,因此,在本申请中,可以对目标城市所在国家的全国城市的交通拓扑图建模,目标城市所在国家的全国城市的交通拓扑图中每一节点对应一个城市,每一边连接两个具有交通联系的城市。这里所说的具有交通联系具体可以是城市之间有直达火车或者其他交通线路,如果城市之间进行交通管制,则城市之间不具有交通联系。
需要说明的是,所述目标城市所在国家在当前日期的全国城市中,每一城市在当前日期的原始特征向量可以基于该城市在当前日期的基本信息、医务资源信息、疫情相关信息得到。
在本申请中,城市的基本信息包括数值型特征和分类型特征。其中,数值型特征包括:城市人口,含户籍人口和流动人口;城市人口密度,规定为城市人口与城市陆地面积的比值;每日流动人口:含流入旅客人数和流出旅客人数;城市陆地面积;城市GDP值;城市生活保障物资存量,含食品、水和其他生活必需品。分类型特征包括:城市气候类型,例如,热带季风气候、亚热带季风气候、温带季风气候、温带大陆气候、高山高原气候等;城市当季平均气温,以10摄氏度为基准,每相差5摄氏度为一种类型。
城市的医务资源信息主要为数值型特征,包括:城市三甲级医院的数量;城市三甲级医院的医护人员数量;城市传染病医院的床位数量;城市卫生所数量;城市卫生所的医护人员数量;城市荧光RT-PCR检测新型冠状病毒核酸试剂盒存量;城市医护人员的防护设备存量,含手套、长袖罩衫、面部护具(包括外科/手术面罩和眼睛护具、面部保护罩或带有保护罩的外科/手术面罩,特别是在对新型冠状病毒的被检测者进行会产生气溶胶的医疗程序时需要的N95呼吸器和护目镜)。
城市的疫情相关信息包括是否出现社区传播,以及其他数值型特征:城市现存确诊病例数,确诊标准为:疑似病例且具备病原学证据之一,如,实时荧光RT-PCR检测新型冠状病毒核酸阳性,病毒基因测序与已知的新型冠状病毒高度同源,等;城市现存疑似病例数,疑似病例标准为:有流行病学史中的任何一条且符合临床表现中的任何2条,或无明确流行病学史且符号临床表现中的3条,具体临床表现为:发热或呼吸道症状、具有症状的肺炎影响学特征、发病早期白细胞总数正常或降低,或淋巴细胞计数减少;城市因新冠肺炎感染导致死亡人数;城市确诊病例数增率,为当日现存确诊病例数与前一天确诊病例数的比值;城市疑似病例数增率,为当日现存疑似病例数与前一天疑似病例数的比值;城市死亡病例数增率,为当日因新冠肺炎感染导致死亡人数与前一天死亡人数的比值;医护人员确诊病例人数;医护人员确诊病例数占总确诊病例数的比值。
需要说明的是,在基于城市在当前日期的基本信息、医务资源信息、疫情相关信息,得到城市在第i天的原始特征向量的过程中,可先对城市在当前日期的基本信息、医务资源信息、疫情相关信息中的数值型特征进行标准化处理,对于其中的分类型特征使用one-hot向量表示,得到城市在第i天的原始特征向量pi,将pi输入一个全连接嵌入层神经网络,得到特征向量xi,向量xi的维度由嵌入层的输出维度确定。用矩阵Xi表示全国城市在第i天数据,其中第j行Xij表示城市j在第i天的特征向量。
步骤S302:从所述全国城市交通拓扑图中确定所述目标城市对应的交通拓扑子图,所述交通拓扑子图包括中心节点,以及所述中心节点的全部邻居节点,以及节点间的边,所述中心节点为所述目标城市,所述邻居节点为与所述目标城市具有交通联系的城市对应的节点;
为便于理解,假设所述全国城市交通拓扑图为Ki。从Ki中构建一种被称为ego-net的子图Gi,ego-net的中心节点为城市c对应节点vi,并且Gi中还包含Ki中vi的全部一阶邻居和二阶邻居及这些节点间的边。如果城市c为目标城市,则子图Gi即为目标城市对应的交通拓扑子图。
步骤S303:使用图卷积神经网络对所述拓扑子图中进行处理,得到所述目标城市在当前日期的表征向量。
为便于理解,假设城市c为目标城市,则子图Gi即为目标城市对应的交通拓扑子图。对图Gi使用图卷积神经网络学习中心节点城市的特征,由图Gi得到其邻接矩阵Ai,进而通过以下公式得到图中节点表征,其中α为激活函数,W0,W1,b0,b1为待学习参数:
在本申请的另一个实施例中,对上述步骤S104基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,预测所述目标城市在当前日期的疫情内外部风险的具体实现方式进行详细介绍,该方式可以包括以下步骤:
步骤S401:基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,确定待用有效传染数;
由于新冠病毒具有平均5天左右的潜伏期,并且无症状感染者也具有传染能力,因此,不能简单使用现有确诊人数衡量疫情扩散范围,因此需要使用预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,对目标城市潜在患者总数进行估计。在本申请中,可以基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,确定待用有效传染数,为便于理解,假设预测的所述目标城市在当前日期的有效传染数为yk+1,所述目标城市在所述当前日期之前K天的真实有效传染数为y1至yk。若yk+1与yk相差较大,且y1至yk逐渐增大,说明由于数据缺乏,人们对于病毒的传染能力认知低于实际值,此时yk+1更可能接近病毒真实基本传染数,选用yk+1作为待用有效传染数。若yk+1与yk相差不大,且可观察到y1逐渐变化至yk时接近收敛至yk,说明目前已知数据可以较为精确的估计真实有效传染数,直接选用yk作为待用有效传染数;其他情况下,使用yk+1与yk的均值作为待用有效传染数。
步骤S402:基于所述目标城市在当前日期前一天的已确诊病例,以及所述待用有效传染数,预测所述目标城市在当前日期的潜在确诊病例最大量;
在本申请中,假设基于所述目标城市在当前日期前一天的已确诊病例确定目标城市中确诊的第i名患者,假设其从患病至入院用时ki天,则目标城市在当前日期的潜在确诊病例最大量为:
其中,R0表示所述待用有效传染数。
步骤S403:基于所述目标城市在当前日期的潜在确诊病例最大量、所述目标城市的总人口数、以及所述目标城市的每日交通输出客流量,预测所述目标城市在当前日期的疫情内外部风险。
在本申请中,预测所述目标城市在当前日期的疫情内外部风险包括预测所述目标城市在当前日期的内部扩散风险,以及,预测所述目标城市在当前日期的外部扩散风险。为便于理解,预测所述目标城市在当前日期的内部扩散风险的方式可以如下:设目标城市总人口数为N,当所述目标城市在当前日期的潜在确诊病例最大量M占目标城市总人口数比例达到一定值,即时,目标城市内部需采取停止大型活动、限制或封闭聚集性场所等措施。预测所述目标城市在当前日期的外部扩散风险的方式可以如下:设目标城市每日交通输出客流量为W,当/>即所述目标城市在当前日期的潜在确诊病例最大量的向外输出量大于一定值时,目标城市需采取封域策略。其中,参数α,β为疫情风险参数。
在本申请的另一个实施例中,在预测所述目标城市在当前日期的疫情内外部风险之后,还可以包括以下步骤:
步骤S501:针对所述目标城市所在国家的全国城市中的每个城市,获取所述城市在当前日期之前K天的真实新增患病人数;
步骤S502:基于所述城市在当前日期之前K天的真实新增患病人数,预测所述城市在当前日期的新增患病人数;
步骤S503:获取所述城市在当前日期已确定物资缺口量;
步骤S504:基于所述城市在当前日期之前一天的真实新增确诊病例数、预测得到的所述城市在当前日期的新增确诊病例数,以及,所述城市在当前日期已确定物资缺口量,确定所述城市在当前日期的预估物资缺口量。
为便于理解,假设所述城市在当前日期之前K天的真实新增患病人数分别为{ΔI1,ΔI2...ΔIk},基于所述城市在当前日期之前K天的真实新增患病人数,预测所述城市在当前日期的新增患病人数为ΔIk+1,所述城市在当前日期已确定物资缺口量为Q,则可以基于公式预估所述城市在当前日期的预估物资缺口量P。
在本申请的另一个实施例中,在确定所述目标城市所在国家的各个城市在当前日期的预估物资缺口量之后,还可以包括以下步骤:
步骤S601:获取物资产地及产量信息;
步骤S602:基于所述各个城市在当前日期的预估物资缺口量、各个产地的产量,以及,从物资产地向所述各个城市进行物资运输的代价,计算得到各个产地向所述各个城市运输物资量。
在本申请中,得到各个城市预估物资缺口量后,使用运筹学方法对问题进行建模求解。设物资有m个产地Ai(i=1,2,...,m),其产量分别为ai(i=1,2,...,m),有n个需求地Bj,其需求量分别为bj(j=1,2,...,n),需求量即为预估物资缺口量。此外,从任意地点Ai向任意另一个地点Bj运输物资均有一个代价cij,代价的含义由实际应用所决定。如果目的是使得全局运输费用最低,则代价含义为不同城市间的单位运价。如果目的是使得物资尽可能按照疫情的严重程度进行调配,疫情越严重的地区越优先调配,则对于需求地Bj而言,任意地点Ai向其运输代价均设为1/bj,表示疫情越严重的地区运输代价越小,越应该尽量满足。在供给与需求平衡的条件下的数学模型如下,其中xij供应点i向需求点j运输货物的量:
xij≥0(i=1,2,...,m,j=1,2,...,n)
一般来说,供给需求平衡总不一定能够满足,所以可以通过下面2种方法将不满足供给需求平衡的运输问题转化为为供给需求平衡问题。当总供给量大于总需求量时,即可以增加一个假想需求城市Bn+1,实际上就是将多余的货物在其产地就地贮存,且/>同时令ci,n+1=0(i=1,2,...,m)。当总供给量小于总需求量时,即/>可以增加一个假想供给城市Am+1,城市分配的物资实际中并不存在,且/>同时令cm+1,j=0(j=1,2,...,n)。
使用遗传算法对以上问题进行求解,即可求得各个产地向所述各个城市运输物资量。
在本申请的另一个实施例中,在计算得到各个产地向所述各个城市运输物资量之后,还可以:针对每个城市,基于K-means算法从所述城市的社区中选取用于作为仓库的社区。
为便于理解,在本申请中,设城市内部有m个社区Xi(i=1,2,...,m)与其对应二维坐标xi(i=1,2,...,m),可基于K-means算法在其中选择k个位置作为仓库修建的地点。具体的,首先将社区分为k个簇C=C1,C2,...,Ck,然后最小化损失函数:
其中μi为簇Ci的中心点:
为求得一个近似解,K-means算法采用如下步骤得到贪心策略近似解:
步骤1:在样本中随机选取k个样本点充当中心点;
步骤2:计算所有样本点与各个簇中心之间的距离,然后把样本点划入最近的簇中;
步骤3:根据簇中已有样本点,重新计算簇中心;
步骤4:重复步骤2、步骤3至收敛或最大迭代次数。
使用K-means算法得到k个中心点后,选择与这k个中心点距离最近的样本点作为最终的中心点,并在其对应社区进行仓库建设。
在本申请的另一个实施例中,在每个作为仓库的社区在得到物资后,所述方法还包括:确定所述作为仓库的社区的物资配送方式。
需要说明的是,每个作为仓库的社区获得了物资后需要将物资下发到簇内所有的社区,若物资总量充足则每个社区可以得到全部所需物资,若物资总量不足则按照每个社区的申请量按比例分配物资。在实际应用中,可供调度的车辆数目往往不足,一辆运输车需要对多个社区进行供应,如何降低运输车辆的运输成本,提高全部供应完毕的时间,是一个重要的问题。因此,在每个作为仓库的社区在得到物资后,确定所述作为仓库的社区的物资配送策略。具体的,假设每个作为仓库的社区对应的簇内一共有N个社区,M个车辆从该作为仓库的社区出发,分别走一条运输路线,使得每个社区有且仅有一辆车经过,且总路程最短。同时,尽量使得不同车辆的任务尽可能平均,即为所述作为仓库的社区的物资配送策略。
在本申请中,可以基于上述配送策略,通过遗传算法得到所述作为仓库的社区的物资配送方式。
在本申请的另一个实施例中,在预测所述目标城市在当前日期的疫情内外部风险之后,还可以包括:
构建所述目标城市所在国家的各个城市的务工人员指导矩阵,矩阵中每个值用于指示是否允许两个城市之间输入务工人员。以便疫情防治人员基于所述目标城市所在国家的各个城市的务工人员指导矩阵进行复工指导。
需要说明的是,在本申请中,假设全国具有N个城市,建立一个N*N的务工人员指导矩阵M,Mij表示是否允许城市i向城市j输入务工人员,Mij=0表示不允许,Mij=1表示允许。主要输入为城市新增确诊病例数、主要活动中心人流量数据、交通出行数据、主要道路节点拥堵程度数据。人流量数据、出行数据、拥堵程度数据反应了经济活动程度,如果经济活动程度高而新增确诊病例数少,说明经济恢复整体向好,如果经济活动程度低而新增确诊病例数多,说明经济恢复风险性高。
在全国范围内指导有序复工方面,假设全国具有N个城市,建立一个N*N的务工人员指导矩阵M,Mij表示是否允许城市i向城市j输入务工人员,Mij=0表示不允许,Mij=1表示允许。使用如下准则对Mij的值进行判断:假设考虑城市i向城市j输入务工人员,首先预测两城市的经济恢复指数,取未来时段预测值的平均值yi,yj,其次获取城市j的务工人员缺口数量W。若两城市满足以下条件:(1)yi<α,yj<β;(2)则可以允许城市i向城市j输送劳动力,Mij设为1,其中α,β,γ均为设定的风险参数,一般认为α<β,即对人员的输出城市的要求更加严格,从而防止疫情的大规模流动性传播。
下面对本申请实施例公开的疫情预测装置进行描述,下文描述的疫情预测装置与上文描述的疫情预测方法可相互对应参照。
参照图2,图2为本申请实施例公开的一种疫情预测装置结构示意图。如图2所示,该疫情预测装置可以包括:
确定单元11,用于确定待进行疫情预测的目标城市;
第一预测单元12,用于预测所述目标城市在当前日期的有效传染数;
获取单元13,用于获取所述目标城市在所述当前日期之前K天的真实有效传染数,所述K为大于等于1的整数;
第二预测单元14,用于基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,预测所述目标城市在当前日期的疫情内外部风险。
参照图3,图3为本申请实施例提供的疫情预测设备的硬件结构框图,参照图3,疫情预测设备的硬件结构可以包括:至少一个处理器1,至少一个通信接口2,至少一个存储器3和至少一个通信总线4;
在本申请实施例中,处理器1、通信接口2、存储器3、通信总线4的数量为至少一个,且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;
处理器1可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器3可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于:
确定待进行疫情预测的目标城市;
预测所述目标城市在当前日期的有效传染数;
获取所述目标城市在所述当前日期之前K天的真实有效传染数,所述K为大于等于1的整数;
基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,预测所述目标城市在当前日期的疫情内外部风险。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种存储介质,该存储介质可存储有适于处理器执行的程序,所述程序用于:
确定待进行疫情预测的目标城市;
预测所述目标城市在当前日期的有效传染数;
获取所述目标城市在所述当前日期之前K天的真实有效传染数,所述K为大于等于1的整数;
基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,预测所述目标城市在当前日期的疫情内外部风险。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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申请。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申请的精神或范围的情况下,在其它实施例中实现。因此,本申请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 (7)
1.一种疫情预测方法,其特征在于,包括:
确定待进行疫情预测的目标城市;
预测所述目标城市在当前日期的有效传染数;
获取所述目标城市在所述当前日期之前K天的真实有效传染数,所述K为大于等于1的整数;
基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,预测所述目标城市在当前日期的疫情内外部风险;
其中,所述预测所述目标城市在当前日期的有效传染数,包括:
获取所述目标城市在当前日期的表征向量;
将所述目标城市在当前日期的表征向量,输入预先构建的有效传染数预测模型,预测得到所述目标城市在当前日期的有效传染数;所述有效传染数预测模型是以所述目标城市在当前日期之前的k天的表征向量为训练样本,以所述目标城市在当前日期之前的k天的真实有效传染数为样本标签,训练得到的;
所述获取所述目标城市在当前日期的表征向量,包括:
获取所述目标城市所在国家在当前日期的全国城市交通拓扑图;所述全国城市交通拓扑图中每一节点对应一个城市,每一节点的属性为该节点对应城市在当前日期的原始特征向量;每一边连接两个具有交通联系的城市;
从所述全国城市交通拓扑图中确定所述目标城市对应的交通拓扑子图,所述交通拓扑子图包括中心节点,以及所述中心节点的全部邻居节点,以及节点间的边,所述中心节点为所述目标城市,所述邻居节点为与所述目标城市具有交通联系的城市;
使用图卷积神经网络对所述拓扑子图进行处理,得到所述目标城市在当前日期的表征向量;
所述基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,预测所述目标城市在当前日期的疫情内外部风险,包括:
基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,确定待用有效传染数;
基于所述目标城市在当前日期前一天的已确诊病例,以及所述待用有效传染数,预测所述目标城市在当前日期的潜在确诊病例最大量;
基于所述目标城市在当前日期的潜在确诊病例最大量、所述目标城市的总人口数、以及所述目标城市的每日交通输出客流量,预测所述目标城市在当前日期的疫情内外部风险。
2.根据权利要求1所述的方法,其特征在于,在预测所述目标城市在当前日期的疫情内外部风险之后,所述方法还包括:
针对所述目标城市所在国家的全国城市中的每个城市,获取所述城市在当前日期之前K天的真实新增患病人数;
基于所述城市在当前日期之前K天的真实新增患病人数,预测所述城市在当前日期的新增患病人数;
获取所述城市在当前日期已确定物资缺口量;
基于所述城市在当前日期之前一天的真实新增确诊病例数、预测得到的所述城市在当前日期的新增确诊病例数,以及,所述城市在当前日期已确定物资缺口量,确定所述城市在当前日期的预估物资缺口量。
3.根据权利要求2所述的方法,其特征在于,在确定所述目标城市所在国家的各个城市在当前日期的预估物资缺口量之后,所述方法还包括:
获取物资产地及产量信息;
基于所述各个城市在当前日期的预估物资缺口量、各个产地的产量,以及,从物资产地向所述各个城市进行物资运输的代价,计算得到各个产地向所述各个城市运输物资量。
4.根据权利要求3所述的方法,其特征在于,在计算得到各个产地向所述各个城市运输物资量之后,所述方法还包括:
针对每个城市,基于K-means算法从所述城市的社区中选取用于作为仓库的社区。
5.根据权利要求4所述的方法,其特征在于,在每个作为仓库的社区在得到物资后,所述方法还包括:
确定所述作为仓库的社区的物资配送方式。
6.根据权利要求1所述的方法,其特征在于,在预测所述目标城市在当前日期的疫情内外部风险之后,所述方法还包括:
构建所述目标城市所在国家的各个城市的务工人员指导矩阵,矩阵中每个值用于指示是否允许两个城市之间输入务工人员。
7.一种疫情预测装置,其特征在于,包括:
确定单元,用于确定待进行疫情预测的目标城市;
第一预测单元,用于预测所述目标城市在当前日期的有效传染数;
获取单元,用于获取所述目标城市在所述当前日期之前K天的真实有效传染数,所述K为大于等于1的整数;
第二预测单元,用于基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,预测所述目标城市在当前日期的疫情内外部风险;
其中,所述第一预测单元,包括:
表征向量获取单元,用于获取所述目标城市在当前日期的表征向量;
有效传染数预测单元,用于将所述目标城市在当前日期的表征向量,输入预先构建的有效传染数预测模型,预测得到所述目标城市在当前日期的有效传染数;所述有效传染数预测模型是以所述目标城市在当前日期之前的k天的表征向量为训练样本,以所述目标城市在当前日期之前的k天的真实有效传染数为样本标签,训练得到的;
所述表征向量获取单元,具体用于获取所述目标城市所在国家在当前日期的全国城市交通拓扑图;所述全国城市交通拓扑图中每一节点对应一个城市,每一节点的属性为该节点对应城市在当前日期的原始特征向量;每一边连接两个具有交通联系的城市;从所述全国城市交通拓扑图中确定所述目标城市对应的交通拓扑子图,所述交通拓扑子图包括中心节点,以及所述中心节点的全部邻居节点,以及节点间的边,所述中心节点为所述目标城市,所述邻居节点为与所述目标城市具有交通联系的城市;使用图卷积神经网络对所述拓扑子图进行处理,得到所述目标城市在当前日期的表征向量;
所述第二预测单元,具体用于基于预测的所述目标城市在当前日期的有效传染数,以及,所述目标城市在所述当前日期之前K天的真实有效传染数,确定待用有效传染数;基于所述目标城市在当前日期前一天的已确诊病例,以及所述待用有效传染数,预测所述目标城市在当前日期的潜在确诊病例最大量;基于所述目标城市在当前日期的潜在确诊病例最大量、所述目标城市的总人口数、以及所述目标城市的每日交通输出客流量,预测所述目标城市在当前日期的疫情内外部风险。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011565916.3A CN112652403B (zh) | 2020-12-25 | 2020-12-25 | 疫情预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011565916.3A CN112652403B (zh) | 2020-12-25 | 2020-12-25 | 疫情预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112652403A CN112652403A (zh) | 2021-04-13 |
CN112652403B true CN112652403B (zh) | 2023-07-14 |
Family
ID=75363095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011565916.3A Active CN112652403B (zh) | 2020-12-25 | 2020-12-25 | 疫情预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112652403B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113113154A (zh) * | 2021-04-16 | 2021-07-13 | 南方科技大学 | 一种传染病防控方法、装置、计算机设备及存储介质 |
CN113744882B (zh) * | 2021-09-17 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 目标区域的确定方法、装置、设备以及存储介质 |
CN113837588B (zh) * | 2021-09-17 | 2023-12-29 | 北京百度网讯科技有限公司 | 一种评估模型的训练方法、装置、电子设备及存储介质 |
CN115268310B (zh) * | 2022-06-20 | 2023-12-15 | 江苏南星家纺有限公司 | 一种纺织面料用的透气性可调控制系统 |
CN116644869B (zh) * | 2023-07-27 | 2023-11-10 | 中南大学湘雅医院 | 一种实时数据分析与公共卫生事件预测系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794342A (zh) * | 2009-09-30 | 2010-08-04 | 中国人民解放军防化指挥工程学院 | 基于非线性、变系数预测模型的传染病疫情预测分析方法 |
CN103390091A (zh) * | 2012-05-08 | 2013-11-13 | 中国人民解放军防化学院 | 一种传染病疫情优化控制方法 |
CN110111902A (zh) * | 2019-04-04 | 2019-08-09 | 平安科技(深圳)有限公司 | 急性传染病的发病周期预测方法、装置及存储介质 |
CN110993118A (zh) * | 2020-02-29 | 2020-04-10 | 同盾控股有限公司 | 基于集成学习模型的疫情预测方法、装置、设备及介质 |
CN111462917A (zh) * | 2020-03-02 | 2020-07-28 | 珠海中科先进技术研究院有限公司 | 基于空间地理分析和机器学习的疫情预警方法及系统 |
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 |
CN111598328A (zh) * | 2020-05-14 | 2020-08-28 | 国网河北省电力有限公司电力科学研究院 | 一种计及疫情事件的电力负荷预测方法 |
CN111933300A (zh) * | 2020-09-28 | 2020-11-13 | 平安科技(深圳)有限公司 | 疫情防控效果预测方法、装置、服务器及存储介质 |
CN112002434A (zh) * | 2020-10-30 | 2020-11-27 | 平安科技(深圳)有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0810912D0 (en) * | 2008-06-13 | 2008-07-23 | Inst Animal Health Ltd | Vector |
-
2020
- 2020-12-25 CN CN202011565916.3A patent/CN112652403B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794342A (zh) * | 2009-09-30 | 2010-08-04 | 中国人民解放军防化指挥工程学院 | 基于非线性、变系数预测模型的传染病疫情预测分析方法 |
CN103390091A (zh) * | 2012-05-08 | 2013-11-13 | 中国人民解放军防化学院 | 一种传染病疫情优化控制方法 |
CN110111902A (zh) * | 2019-04-04 | 2019-08-09 | 平安科技(深圳)有限公司 | 急性传染病的发病周期预测方法、装置及存储介质 |
CN110993118A (zh) * | 2020-02-29 | 2020-04-10 | 同盾控股有限公司 | 基于集成学习模型的疫情预测方法、装置、设备及介质 |
CN111462917A (zh) * | 2020-03-02 | 2020-07-28 | 珠海中科先进技术研究院有限公司 | 基于空间地理分析和机器学习的疫情预警方法及系统 |
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 |
CN111598328A (zh) * | 2020-05-14 | 2020-08-28 | 国网河北省电力有限公司电力科学研究院 | 一种计及疫情事件的电力负荷预测方法 |
CN111933300A (zh) * | 2020-09-28 | 2020-11-13 | 平安科技(深圳)有限公司 | 疫情防控效果预测方法、装置、服务器及存储介质 |
CN112002434A (zh) * | 2020-10-30 | 2020-11-27 | 平安科技(深圳)有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
交通管制在新型冠状病毒传播中的作用――基于人口迁徙数据的传染病动力学模型及预测;顾天奇;庄楚天;李晋;梁华;包渊秋;;上海城市管理(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112652403A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112652403B (zh) | 疫情预测方法及装置 | |
Ghelichi et al. | Logistics for a fleet of drones for medical item delivery: A case study for Louisville, KY | |
Kim et al. | Drone-aided healthcare services for patients with chronic diseases in rural areas | |
Oruc et al. | Post-disaster assessment routing problem | |
Sung et al. | Optimal allocation of emergency medical resources in a mass casualty incident: Patient prioritization by column generation | |
Fikar et al. | Home health care routing and scheduling: A review | |
Silalahi et al. | GIS-based approaches on the accessibility of referral hospital using network analysis and the spatial distribution model of the spreading case of COVID-19 in Jakarta, Indonesia | |
Shahnejat-Bushehri et al. | A robust home health care routing-scheduling problem with temporal dependencies under uncertainty | |
Asaduzzaman et al. | A loss network model with overflow for capacity planning of a neonatal unit | |
Liu et al. | Medical supplies scheduling in major public health emergencies | |
Nasir et al. | Quantitative thresholds based decision support approach for the home health care scheduling and routing problem | |
Lu et al. | Memetic algorithm for the multiple traveling repairman problem with profits | |
Lee et al. | The impact of hospital closures and hospital and population characteristics on increasing emergency department volume: a geographic analysis | |
Basso et al. | Crowding on public transport using smart card data during the COVID-19 pandemic: New methodology and case study in Chile | |
Chen et al. | Correlation of the epidemic spread of COVID-19 and urban population migration in the major cities of Hubei Province, China | |
Yazdani et al. | Optimisation-based integrated decision model for ambulance routing in response to pandemic outbreaks | |
Zhang et al. | Peak-easing strategies for urban subway operations in the context of COVID-19 epidemic | |
Feng et al. | Casualty transport scheduling considering survival probability and injury classification | |
Li et al. | Integrating equity and efficiency into urban logistics resilience under emergency lockdowns | |
Schjølberg et al. | Comparing Metaheuristic Optimization Algorithms for Ambulance Allocation: An Experimental Simulation Study | |
Yazdani et al. | Logistics of patient evacuation in response to disease outbreaks: critical considerations for transportation planning | |
Jin et al. | Optimal routing of vehicles with communication capabilities in disasters | |
Xu et al. | Quantifying the competitiveness of transit relative to taxi with multifaceted data | |
de Oliveira et al. | An integrated emergency care delivery system for major events | |
JP6094996B2 (ja) | 動物感染症対策のための意思決定を支援する装置、方法およびプログラム |
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 |