CN112712903A

CN112712903A - 一种基于人机物三元空间协同感知的传染病监测方法

Info

Publication number: CN112712903A
Application number: CN202110052981.4A
Authority: CN
Inventors: 范小朋; 俞诗杰; 舒昝
Original assignee: Hangzhou Zhongke Advanced Technology Research Institute Co ltd
Current assignee: Hangzhou Zhongke Advanced Technology Research Institute Co ltd
Priority date: 2021-01-15
Filing date: 2021-01-15
Publication date: 2021-04-27

Abstract

本发明公开了一种基于人机物三元空间协同感知的传染病监测方法。该方法包括：通过线上和线下结合的方式采集社会空间监测数据、信息空间监测数据和物理空间监测数据，构建三元空间数据集；对所述三元空间数据集进行处理，以提取传染病相关的关键词和分类，并对数据来源定位地理位置；建立监测预警模型，以分析不同时空范围内的传染病风险程度，并结合多种类型的风险特征因子进行疫情风险预警。本发明通过线上和线下结合的方式及时采集相关数据，通过完成时空覆盖和目标覆盖的协同感知，动态实时地监测传染病状态，能够准确、及时地进行传染病预警。

Description

一种基于人机物三元空间协同感知的传染病监测方法

技术领域

本发明涉及信息技术领域，更具体地，涉及一种基于人机物三元空间协同感知的传染病监测方法。

背景技术

近年来，传染病，特别是新发突发传染病的流行，严重威胁人类健康，这种传染病引发的重大公共卫生事件迫切需要更加精准的数据模型来有效地模拟疾病在人群中的扩散过程。由于计算机建模和模拟为理解传染病传播扩散过程、预测传染病扩散态势和科学制定防控监测措施提供了关键科学支撑，所以近年来传染病的建模发展迅速，涌现出各类模型。

在新发传染病暴发时，传染病扩散模型能够辅助调查者开展成本效益分析，为传染病的防控提供理论依据。目前常用的传染病扩散模型有数学模型、统计学模型、元胞自动机模型(Cellular Automata，CA)和智能体模型(Agent-based model，ABM)等。数学模型中的典型代表是描述疾病基本机制的SIR和SIS模型。在此基础上，根据疾病发病机理和传播方式的不同，各类新的传染病模型越来越接近现实情况。但是，这些数学模型中均质空间的假设忽略了人口分布的空间异质性对传染病传播的影响，使得模型的模拟精度受到影响。由于现实中传染病的传播具有随机性和空间异质性，且与疫情防控措施密切相关，仅仅采用统计学模型模拟的结果无法准确反映疫情的实际变化情况。例如，元胞自动机模型是一种时间和空间都离散的动力学模型，一个时刻的状态只由自身和相邻元胞决定，其忽略了个体间的社会关系在传染病传播过程中的作用，且不能表达个体在空间上的移动过程，因此无法清晰描述疾病的一些个体传播特性。

另外，大规模人群移动感知数据的获取越来越便捷，扩散模型已经由传统的理论模型向现实模型转变。基于智能体的模型(ABM)目前得到了广泛的应用，它是由能够相互作用并与环境交互的智能体组成的计算机仿真模型。智能体能够模拟人的智能行为，通过微观的智能体的交互作用来模拟流行病在整个人群接触网络上的动态扩散过程传播。基于智能体的空间显式个体模型能够准确地模拟疾病在时间和空间上的扩散机制，能够支持更加精准的时空模拟结果分析和防控策略制定，但是空间显式个体模型不仅需要详细的个体属性信息，例如年龄、性别、职住地等，还需要详细的个体活动轨迹信息。对于个体属性信息可以从人口普查数据等来源获取，而个体活动的详细信息却非常稀缺。

总体而言，在传染病模型的研究方面，目前的研究多为基于单个城市或区域的传统的传播动力学模型或扩散模型，尚未充分考虑城市内部精细尺度下人群移动的异质性对传染病传播规律的影响。当前防控大多对某个地区或城市整体统一实施，精准性和针对性不足。如何针对城市内部精细空间单元进行更精准地监测和预警，是当前亟待解决的问题。此外，现有针对传染病的数据模型主要基于传播风险、病情扩散和疫情防控。在目前大数据和人工智能技术支撑下虽然能有效的评估传染病疫情形势，但是很难在准确地在疫情爆发之前做出有效的疑似病例监测和大面积疫情爆发预测，因此无法提前建立联动防控机制和最小范围的控制住疫情传播。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于人机物三元空间协同感知的传染病监测方法，在现有的联动防御体制下，融合三元空间数据，构建监测预警模型，能够及时准确地对传染病的防控做出响应。

本发明的技术方案是提供一种基于人机物三元空间协同感知的传染病监测方法。该方法包括以下步骤：

通过线上和线下结合的方式采集社会空间监测数据、信息空间监测数据和物理空间监测数据，构建三元空间数据集；

对所述三元空间数据集进行处理，以提取传染病相关的关键词和分类，并对数据来源定位地理位置；

建立监测预警模型，以分析不同时空范围内的传染病风险程度，并结合多种类型的风险特征因子进行疫情风险预警。

与现有技术相比，本发明的优点在于，从人类社会、信息空间和物理空间的三元空间中获取数据，针对传染病预监测和预警所需要的数据源，通过线上和线下结合的方式及时的采集相关数据，通过完成时空覆盖和目标覆盖的协同感知，动态实时监测传染病的状态，并根据当前状态区域风险和群体风险给出预警状态级别。本发明充分考虑了目前传染病监测数据主要来源于定点监测的模式，尚未形成多源数据监测的联动效应，针对性的提出面向三元空间的协同感知模型来应对风险监测，并且通过关联一般意义上的传染病症状，提供基于概率的监测指数，能够对未来传染病爆发提前做出预警，解决了传染病的早期发现和预警。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是根据本发明一个实施例的基于人机物三元空间协同感知的传染病监测方法的流程图；

图2是根据本发明一个实施例的人工智能辅助处理过程示意图；

图3是根据本发明一个实施例的模型风险因子示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

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。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本发明提出一种基于人机物三元空间协同感知的传染病监测和预警技术方案。传染病的监测预警来源于物理、信息和社会三元空间的多种感知源，数据源之间彼此互补但空间隔离，消除这种空间隔离性并建立三元空间的交织性与时空关联性，可以实现对传染病的全景刻画。此外，结合现有的传染病防控体制，充分发挥线上和线下的数据融合能力，能够从根本上解决传染病监测预警问题。

参见图1所示，所提供的基于人机物三元空间协同感知的传染病监测方法包括以下步骤。

步骤S110，采集社会空间、信息空间和物理空间的传染病监测数据，构建三元空间数据集。

本发明将传染病的常规监测手段和大数据相结合进行传染病的监测和预警。

具体地，从人类社会、信息空间和物理空间组成的三元空间中获取传染病监测的主要支撑数据。例如，监测数据可来自于人类社会的医院门诊、哨点监测数据；信息空间的健康码、搜索引擎、社交网络、电话语音等关键字数据；物理空间的交通轨迹、特定药物购买、人流密集区的联网体温监测数据等。进一步地，结合现有哨点监测、区域联动等常规监测信息化，建立传染病的时空监测模型，并从区域风险和群体风险的两个角度及时可靠地展现监测结果，对接现有疾控信息系统，实现监测预警机制。

结合目前新冠肺炎传染病传播情况，传染病监测数据的基本集合分为病例数据和普通数据。例如，病例数据主要是以医院为起点，由疾控中心负责发布和收集的确诊病例。病例数据对于流行病监测具有重要的定位作用。在本文中，普通数据是指病例数据以外的数据。在现有技术中，还没有充分发挥普通数据的作用来对疫情的未来可能性做出预警。经调研发现，目前体温监测数据没有得到充分的应用，大多数体温采集数据并没有联网，也就是说不具备实时监测的基本条件，本发明通过联网体温枪和联网体温监测门采集数据，将联网体温数据作为基础数据集，因为“发热”症状是反应众多传染病特征的基础性关键指标，不只是针对新冠肺炎。例如，传染病三元空间数据集说明如下表1。

表1传染病三元空间数据集类型

步骤S120，利用人工智能辅助处理三元空间数据集，提取关键词和分类，并定位数据来源。

参见图2所示，本发明结合人工智能最新进展来辅助处理来自信息空间的数据。在这次新冠病毒疫情中发现，从电话内容和网络信息中与疫情相关的信息随着疫情的传播而显著增加。对电话内容、网络搜索引擎和社交媒体等信息的监测可以有效地预测重大传染病的爆发。

由于电话数据体量较大，存在大量口语化的表述，常规方法无法做到数据精准分类。因此，在语音方面通过来自疾控中心、报警电话中的关键词发现，可以在第一时间发现疫情的变化。例如，通过自动语音识别(ASR)技术并结合自然语言处理(NLP)技术实现数据的精准智能分类、关键词提取。

在网络搜索引擎和社交媒体的信息提取中，例如利用Bert语言模型进行语义表征，然后结合基于自注意力机制的深度学习模型(Bi-LSTM)来自动检测包含与重大传染病相关的文字。

进一步地，对于已进行关键词提取和分类的数据，结合地理信息系统(GIS)技术定位地理位置。通过对这些相关文字信息和数据的来源地进行统计和分析，实现对传染病在空间信息中的监测预警，如更新监测数据，实现自动推送预警等。具体地，统计分析后的数据结果，一方面作为关键影响因子之一的互联网趋势因子(来自语音和文本的互联网信息)参与预警模型的计算；另一方面，再进一步数据清洗后可实时自动存储至后台管理数据库，为应用层面的数据展示提供支持。

步骤S130，建立监测预警模型，以分析不同时空范围内的传染病风险程度，并结合多种类型的风险特征因子进行疫情风险预警。

传染病监测预警的主要目的是尽可能提前发现疫情爆发点。在一个实施例中，监测主要分为两种类型，第一种类型是定点监测，主要监测内容是区域范围内现有的确诊病例、疑似病例、愈后个体三种类别的定点范围内监测；第二种类型是常规监测，主要监测内容是区域范围内发热的体温异常者的风险监测。

传染病监测预警的关键原则是“时空覆盖同一性原则”，即来自三元空间的多源数据证据指向同一时空范围越多，该时空区域的风险越大。这一原则在上述两种类别的监测中，体现出不同的模型特点。

a)定点监测的目标人群相对明确，采用的方法是在疾控中心的数据基础上，根据流行病调查结果进一步监测密接人群，定位密接人群的出现时空区域，并结合现有的多源数据融合的传染病传播风险精细化评估模型和基于人口移动的传染病时空传播与预测预警模型进一步评估传染病传播风险。例如，采用时空路径交叉覆盖来计算潜在路径范围Range(p1,p2)，采用轨迹数据停留点探测的方法来计算潜在路径范围内的滞留时间，从而计算指定区域内的输入风险因子(区域覆盖度，滞留时长)。

x1,y1,t1分别表示初始横纵坐标和时间点，x2,y2,t2分别表示最终横纵坐标和时间点，p₁，p₂，…，p_n表示轨迹停留点，s₁，s₂，…，s_n表示单位滞留时间内的区域覆盖度。

b)常规监测的目标人群主要是潜在的传染病患者，采用的方法是三元空间数据融合的方法。例如，利用上述三元空间基础数据集，首先完成数据定位工作，包括体温数据采集位置、药物购买位置、互联网IP地址定位等。在指定区域范围内计算体温异常因子、药物购买因子、互联网趋势因子。

最后，本发明采用多因子风险评估模型来实现传染病监测预警风险评估，主要包括输入风险因子(病例进入区域)、体温异常因子、药物购买因子、传播风险因子(来自现有的传染病时空传播模型)和互联网趋势因子(来自语音和文本的互联网信息)，将上述特征加入到Learn-to-rank模型。

在一个实施例中，Learn-to-rank模型的目标函数如下：

P(Ψ|Ω)＝P((ω|0),β²)P(β²|a,b)

＝∏_mN(ω_m|0,β²)∏_mInverse-Gamma(β²|a,b)

其中ω是特征参数向量，β是方差向量，a表示形状参数，b表示逆尺度参数，m表示首次求积计算标识，Ψ表示有效风险因子，Ω表示全部风险因子。

在实际应用中，进一步地，通过数据积累，求得在全部风险因子影响下有效风险因子的发生概率，完成因子有效性检验，调整模型参数使得预警效果得到提高。模型相关风险因子示意图参见图3所示。

相应地，本发明还提供一种人机物三元空间协同感知的传染病监测系统，用于实现上述方法的一个方面或多个方面。例如，系统架构设计主要通过多种数据采集方式从三元空间获取目标数据，经过批处理、大数据存储和分析等数据处理流程，最终，通过监测预警模型输出的传染病监测和预警数据显示是通过交互式的多种维度图形展示，结合GIS地理信息系统，构建立体时空数据大屏。用户可以通过权限管理查看监测结果和预警分析。系统主要支持两种方式的呈现，指定区域和风险人群，并且可以实时提示预警风险。系统可以支持如下操作：按地理区域划分，显示不同区域的感染发热人数以及年龄、性别、体重等信息；按群体划分，例如对疫情影响较大的群体，出租车司机、公交司机、快递员等，显示不同群体的感染发热人数以及职业的种类、人员年龄、分布情况等信息；按年龄划分，显示不同年龄的感染发热人员以及占比情况；按时间划分，呈现不同时段的感染发热人数的变化情况整体走势。

需说明的是，本发明的人机物三元空间协同感知技术架构中，可根据应用实际情况，选择合理的软件应用或方法。此外，人机物三元空间协同感知和传染病监测预警模型的应用层面，不局限于单独的监测和预测，可结合其他现有传染病模型，在疫情防控期间共同实现联合防控的目的。

为进一步验证本发明的效果，进行了实验。以传染病登革热为例，通过分析病例时空分布特征，融合城市内部气象、植被、土地利用、人口、交通等众多维度的数据，基于机器学习模型对深圳市登革热本地感染风险分布进行了100米级别的建模和制图。在此基础上，基于海量手机数据引入大规模人口移动特征，进行了疾病输入风险的建模作为疾病的精准防控提供高分辨率的空间依据，并为本发明提供的多风险因子引入提供了良好的基础。经验证，本发明能够准确地预测出传染病传播的风险和可能性。

综上所述，本发明的技术方案可总结为“针对疫情痛点问题，围绕核心关键技术，突破关键算法模型”。本发明正式产业化之后市场前景非常广阔，将可推广到全国各个地区，现今市场上尚未有同类产品。与现有技术相比，本发明的优点主要体现在：

第一，传染病监测数据的收集。从人机物三元空间的多种数据源采集数据，利用定点医院和特定机构根据现有疫情防控法规协调多部门多机构的数据采集工作。在人类社会空间中采集医院门诊、哨点监测、指定机构、兴趣点、人口流动、人口分布、行政规划等数据；在物理空间中采集交通轨迹、出入境记录、联网体温、药物购买等数据；在信息空间中采集健康码、搜索引擎、社交网络关键字、电话语音等数据。

第二，关键算法和模型等技术突破。通过三元空间的数据采集，利用大数据分析和人工智能的技术手段，通过使用相应的传染病监测、传播和应对的分析模型，建立基于协同感知的传染病时空监测模型，并从区域风险和群体风险的两个角度及时可靠地展现监测结果，进一步为定点疾病监测和高传播风险场所进行风险传播监测提供决策依据及数据支持。通过医疗机构的确诊病例、可疑病例数据和风险监测的体温数据，运用传染病传播风险精细化评估模型及SEIR时空传播模型进行传播分析及预警。利用传播模型进行风险评估，对关键节点进行识别，通过对关键点的控制及数据理论的支持，对医疗机构定点监测及风险监测提供指导，并通过模型评估控制节点的控制效果。

第三，研发成果应用示范。在上述成果的基础上，形成传染病监测预警传播防控的综合技术解决方案，协调重点疫区的疾控政府部门，建立可行的应用示范，发挥科研成果转化为社会服务，并产生实际的社会和经济效益，为进一步完善传染病防控做出应有的贡献。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims

1.一种基于人机物三元空间协同感知的传染病监测方法，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，从监测数据来源区分所述三元空间数据集包括来自于社会空间的医院门诊、哨点监测数据，来自于信息空间的健康码、搜索引擎、社交网络、电话语音数据以及来自于物理空间的交通轨迹、药物购买、联网体温监测数据；从监测数据类型区分，所述三元空间数据集包括病例数据和普通数据，其中，病例数据是收集的确诊病例相关信息，普通数据是指病例数据以外的数据。

3.根据权利要求1所述的方法，其特征在于，对所述三元空间数据集进行处理包括以下步骤：

对于采集的语音信息，通过自动语音识别技术并结合自然语言处理技术实现数据的分类和关键词提取；

对于采集的文本信息，利用语言模型进行语义表征，并结合基于自注意力机制的深度学习模型自动提取与传染病相关的关键词；

结合地理信息系统技术对监测数据的来源定位地理位置。

4.根据权利要求1所述的方法，其特征在于，根据以下步骤建立所述监测预警模型：

对于设定的区域范围，进行定点监测和常规监测以确定多种类型的风险特征因子，其中，定点监测针对该区域范围内的现有的确诊病例、疑似病例和愈后个体，常规监测针对该区域范围内发热的体温异常者，多种类型的风险特征因子包括输入风险因子、传播风险因子、体温异常因子、药物购买因子、互联网趋势因子中的一项或多项；

将所述风险特征因子输入到多因子风险评估模型，以评估传染病预警风险。

5.根据权利要求4所述的方法，其特征在于，对于所述定点监测的目标人群，采用时空路径交叉覆盖来计算潜在路径范围，采用轨迹数据停留点探测来计算潜在路径范围内的滞留时间，进而计算指定区域范围内的输入风险因子，该风险因子表征区域覆盖度和滞留时长。

6.根据权利要求4所述的方法，其特征在于，对于所述常规监测的目标人群，基于所述三元空间数据集定位体温数据采集位置、药物购买位置、互联网IP地址位置，并计算指定区域范围内的体温异常因子、药物购买因子、互联网趋势因子。

7.根据权利要求4所述的方法，其特征在于，采用多因子风险评估模型是Learn-to-rank模型，目标函数表示为：

P(Ψ|Ω)＝P((ω|0),β²)P(β²|a,b)

＝Π_mN(ω_m|0,β²)Π_mInverse-Gamma(β²|a,b)

其中，ω是特征参数向量，β是方差向量，a表示形状参数，b表示逆尺度参数，m表示首次求积计算标识，Ψ表示有效风险因子，Ω表示全部风险因子。

8.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至7中任一项所述方法的步骤。

9.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在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程序时实现权利要求1至7中任一项所述的方法的步骤。