CN112967811A - 新型冠状病毒各地疫情各地累积感染人数预测方法、系统及装置 - Google Patents

新型冠状病毒各地疫情各地累积感染人数预测方法、系统及装置 Download PDF

Info

Publication number
CN112967811A
CN112967811A CN202011478032.4A CN202011478032A CN112967811A CN 112967811 A CN112967811 A CN 112967811A CN 202011478032 A CN202011478032 A CN 202011478032A CN 112967811 A CN112967811 A CN 112967811A
Authority
CN
China
Prior art keywords
people
infected
predicting
confirmed
accumulated
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
Application number
CN202011478032.4A
Other languages
English (en)
Inventor
何建行
杨子峰
曾志奇
王珂
谭峻东
刘勇
钟鸣
王一君
王耀南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hengqin Jingzhun Intelligent Medical Technology Co Ltd
Guangzhou Institute Of Respiratory Health
Original Assignee
Hengqin Jingzhun Intelligent Medical Technology Co Ltd
Guangzhou Institute Of Respiratory Health
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hengqin Jingzhun Intelligent Medical Technology Co Ltd, Guangzhou Institute Of Respiratory Health filed Critical Hengqin Jingzhun Intelligent Medical Technology Co Ltd
Priority to CN202011478032.4A priority Critical patent/CN112967811A/zh
Publication of CN112967811A publication Critical patent/CN112967811A/zh
Pending legal-status Critical Current

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
    • G16H50/50—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
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

新型冠状病毒各地疫情各地累积感染人数预测方法、系统及装置，属于人工智能辅助传染病动力学领域。为了解决传统的传染病预测模型存在确认时间延迟从而不能确定每天的真实确认数据，预测的结果准确率低的问题。本发明对新增确诊人数时间序列A0进行翻转，并使用从感染到确诊的延迟天数分布对翻转后的A0进行卷积，再对卷积后的序列进行翻转，将翻转后的向量记为A1；将新增确诊人数时间序列A1除以gamma分布的累积分布函数的翻转后的向量A2得到调整右删后的新增确诊人数时间序列A3，得到修正的感染人数数据；然后基于修正的感染人数数据，采用逻辑增长模型预测未来疫情走势。用于新型冠状病毒各地疫情各地累积感染人数的预测。

Description

新型冠状病毒各地疫情各地累积感染人数预测方法、系统及 装置
技术领域
本发明涉及一种新型冠状病毒感染人数预测方法、系统及装置，属于人工智能辅助传 染病动力学领域。
背景技术
随着冠状病毒病(COVID-19)大流行在全球范围内的扩散，部分学者尝试通过传染病 动力学模型对COVID-19疫情发展态势进行研究和分析，主要使用SIR/SEIR等传统传染病 动力学模型。但由于传统动力学模型的常微分方程中有过多的超参数需要确定，各地区的 真实爆发日期难以确定，发病日期到医院确诊日期存在一定的延迟等问题，传统的传染病 动力学模型可能在实际的应用场景下缺乏一定的实用性。
发明内容
本发明是为了解决传统的传染病预测模型存在确认时间延迟的问题，从而不能确定每 天的真实确认数据，预测的结果准确率低。
新型冠状病毒各地疫情各地累积感染人数预测方法，包括以下步骤：
步骤一、基于医院确诊数据对感染人数数据进行修正：
针对获取的累积确诊人数及医院确诊日期，将新增确诊人数时间序列记为A0；使用伽 马分布拟合感染和医院确诊日期之间的延迟天数；对A0进行翻转，即flip操作，并使用从 感染到确诊的延迟天数分布对翻转后的A0进行卷积，再对卷积后的序列进行翻转，将翻 转后的向量记为A1；
将新增确诊人数时间序列A1除以A2得到调整右删后的新增确诊人数时间序列A3，A2为gamma分布的累积分布函数的翻转(flip)后的向量；
调整右删后的新增确诊人数时间序列A3即为修正的感染人数数据；
步骤二、基于修正的感染人数数据，采用逻辑增长模型预测未来疫情走势。
进一步地，所述的逻辑增长模型为修正后的逻辑增长模型；
修正后的逻辑增长模型方程及其一阶导方程如下：
Figure BDA0002837773590000011
Figure BDA0002837773590000021
式中：P(t)为COVID-19的累积确诊人数，随时间变化而改变；K为承载能力；P0为函数在t＝0时的初始值；r为增长率或扩散速度；t0为爆发的初始时间；s为增加非线性性的因素；β为偏差。
进一步地，步骤二所述基于修正的感染人数数据，采用修正后的逻辑增长模型预测未 来疫情走势的具体过程包括以下步骤：
将修正的感染人数数据代入公式(2)中，拟合得出最佳的K、P0、r、t0、s、β的值， 从而在实际预测过程中利用f(t，β)得到每日新增感染人数随时间变化的预测值；
利用修正的感染人数数据和每日新增感染人数随时间变化的预测值得到累积感染人数 预测值。
新型冠状病毒各地疫情各地累积感染人数预测系统，所述系统包括：
感染人数数据修正模块，用于对感染人数数据进行修正，具体过程包括以下步骤：
针对获取的累积确诊人数及医院确诊日期，将新增确诊人数时间序列记为A0；使用伽 马分布拟合感染和医院确诊日期之间的延迟天数；对A0进行翻转，即flip操作，并使用从 感染到确诊的延迟天数分布对翻转后的A0进行卷积，再对卷积后的序列进行翻转，将翻 转后的向量记为A1；
将新增确诊人数时间序列A1除以A2得到调整右删后的新增确诊人数时间序列A3，A2为gamma分布的累积分布函数的翻转(flip)后的向量；
逻辑增长模型预测模块，用于根据修正的感染人数数据，采用逻辑增长模型预测未来 疫情走势。
进一步地，逻辑增长模型预测模块中采用修正后的逻辑增长模型预测未来疫情走势的 具体过程包括以下步骤：
将修正的感染人数数据代入公式(2)中，拟合得出最佳的K、P0、r、t0、s、β的值， 从而在实际预测过程中利用f(t，β)得到每日新增感染人数随时间变化的预测值；
利用修正的感染人数数据和每日新增感染人数随时间变化的预测值得到累积感染人数 预测值。
进一步地，新型冠状病毒各地疫情各地累积感染人数预测系统，还包括各地实时累积 确诊人数获取模块，用于实时获取累积确诊人数及医院确诊日期。
新型冠状病毒各地疫情各地累积感染人数预测装置用于存储和/或运行新型冠状病毒 各地疫情各地累积感染人数预测系统。
有益效果：
1、为了估计具有适当不确定性的报告延迟(感染日期到医院确诊日期的延迟)，本发 明使用伽马分布拟合感染和医院病例通知之间的延迟天数，使用二项式升标法来增加估计 的病例数从而预估真实感染人数。由于本发明将观察到的病例分布到过去，以重新创建真 实感染人数的起始曲线，所以本发明具有更加准确的数据，并基于更加准确的数据来处理 预测模型，使得模型的预测结果能够更加接近真实情况，从而提高模型的预测准确率。
2、本发明采用修正后的逻辑增长模型的导数来模拟每日新病例，以防止误差项之间的 序列相关性导致的模型对数据过度拟合，并保证了参数相关的不确定性。最后使用拟合好 的修正后的逻辑增长模型预测未来疫情走势，从而保证模型的预测准确率。
3、本发明基础的逻辑增长模和本发明预测COVID-19各地累积感染人数，经过对逻辑增长模型的适用性研究和实验，初步的研究结果表明，在一定的政府管控措施下，基础的逻辑增长模型非常适合。但是，当其他因素盛行时(例如，境外传入)，传染病的扩散可 能会使研究方法变得复杂，而单一的逻辑增长模型可能就不够，本发明采用的修正过的逻 辑增长模型能更好地应用于实际的场景中。
附图说明
图1为具体实施方式一的流程示意图；
图2为本发明预测疫情人数(部分)效果图。
具体实施方式
本发明的新型冠状病毒各地疫情各地累积感染人数预测方法、系统及装置来自于广州 呼吸健康研究院开放课题(中国恒大集团所提供资金资助)-2020GIRHHMS23。
具体实施方式一：结合图1说明本实施方式，
本实施方式所述的新型冠状病毒各地疫情各地累积感染人数预测方法，包括以下步骤：
步骤一、基于医院确诊数据对感染人数数据进行修正：
实时获取累积确诊人数及医院确诊日期；
为了估计具有适当不确定性的报告延迟(感染日期到医院确诊日期的延迟)，本发明使 用伽马分布拟合感染和医院确诊日期之间的延迟天数，即假设感染到确诊日期的延迟天数 服从gamma分布，有了延迟天数的分布就可以根据该分布将新增确诊人数回溯到时间上， 为了达到这个目的，将新增确诊人数时间序列记为A0，对A0进行翻转(flip)，并使用从 感染到确诊的延迟天数分布(gamma分布)对翻转后的A0进行卷积(convolve)，再对该序列进行翻转(flip)，得到真实的新增确诊人数时间序列A1。实际上本发明是将观察到的病例分布到过去，以重新创建真实感染人数的起始曲线，该曲线就是绘制“感染人数/天数”图时的函数曲线。
由于将医院确诊日期转换为预计真实感染日期后，那么每天的预计真实感染人数就都 会变化。例如，今天确诊了10个人，系统认为这10个人的真实感染日期是在前几天(具体是第几天，根据服从gamma分布的延迟天数确定)，那么将今天确诊的这10个人移给前 几天，同理，将每天的人数都做这样的处理。但这样会导致数据被"右删(Right-Censoring)"，因为最近几天被感染的人应该在未来才会被确诊，即最近几天的(即右边的)感染人数会看起来较低，因此现在有了一个右删减的时间序列，于是本发明又调整了右删 (Right-Censoring)的时间序列，即将新增确诊人数时间序列A1除以A2得到调整右删后 的新增确诊人数时间序列A3，A2为gamma分布的累积分布函数的翻转(flip)后的向量。
上述过程有以下几点需要说明：
1、上述过程中，第一个翻转(flip)是“将确认日期转换为预计感染的日期”中的一个步骤，第二个翻转(flip)是“调整右删”的一个步骤，“调整右删”的input是“将确认 日期转换为预计感染的日期”的output。
2、新增确诊人数时间序列是长度为时间t的向量，gamma分布的累积分布函数是关于 时间t的函数，取离散值(以天为单位)即得长度为时间t的向量，翻转是将一个向量翻转元素顺序，这里是对“gamma分布的累积分布函数是关于时间t的函数，取离散值(以天 为单位)得到的长度为时间t的向量”做翻转，得到A2；最后再用新增确诊人数时间序列 A1除以A2，长度相同的两个向量相除是指对应元素两两相除，结果为长度t的向量A3。
步骤二、基于修正的感染人数数据，采用修正后的逻辑增长模型预测未来疫情走势；
修正后的逻辑增长模型方程及其一阶导方程如下：
Figure BDA0002837773590000041
Figure BDA0002837773590000042
式中：P(t)为COVID-19的累积确诊人数，随时间变化而改变；K为承载能力；P0为函数在t＝0时的初始值；r为增长率或扩散速度；t0为爆发的初始时间；s为增加非线性性的因素；β为偏差。
修正后的逻辑增长模型P(t)的修正是指将3变量的简单逻辑增长模型改成了适合预测 流行病发展趋势的5变量模型(增加了t0和s两个参数))，在实际使用过程中原本是将修 正的感染人数数据代入公式(1)中，拟合得出最佳的K、P0、r、t0、s的值，将最佳参数 代回P(t)对应的公式中，然后在实际预测的过程中利用公式(1)进行预测得到累积感染人 数的预测值，从而得到P(t)累积确诊人数随时间变化的预测值，但由于误差项中的序列相 关性会产生有偏差的参数并导致模型对数据的过度拟合，并低估了与参数相关的不确定性，所以本发明采用逻辑增长模型的导数来模拟每日新病例，而不再使用逻辑增长模型来模拟累积确诊人数，于是改用将修正的感染人数数据代入公式(2)中，拟合得出最佳的K、P0、 r、t0、s、β的值，从而在实际预测过程中利用f(t，β)得到每日新增感染人数随时间变化的 预测值，利用修正的感染人数数据和每日新增感染人数随时间变化的预测值就能够得到累积感染人数预测值。
使用公式(2)来拟合是因为公式(1)中误差项中的序列相关性会产生有偏差的参数 并导致模型对数据的过度拟合，并低估了与参数相关的不确定性。所以本发明采用修正后 的逻辑增长模型的导数来模拟每日新病例，以防止误差项之间的序列相关性导致的模型对 数据过度拟合，并保证了参数相关的不确定性。最后使用拟合好的修正后的逻辑增长模型 预测未来疫情走势。
发明研究了逻辑增长模型的适用性，使用修正过的逻辑增长模型来预测COVID-19各 地累积感染人数，初步的研究结果表明，在一定的政府管控措施下，基础的逻辑增长模型 非常适合。但是，当其他因素盛行时(例如，境外传入)，传染病的扩散可能会使研究方法变得复杂，而单一的逻辑增长模型可能就不够，而本发明采用的修正过的逻辑增长模型能更好地应用于实际的场景中，本发明能够提供COVID-19病例的估计并比较各地区之间的扩散速度。本发明只有在病例数出现最大增加的确定日期后才能产生结果，本发明可能通过回顾性分析各地区的疫情，为制定更好的抗COVID-19政策做出贡献。
本发明的预测效果如图2所示。
具体实施方式二：
本实施方式为新型冠状病毒各地疫情各地累积感染人数预测系统，所述系统包括：
各地实时累积确诊人数获取模块，用于实时获取累积确诊人数及医院确诊日期；
感染人数数据修正模块，用于对感染人数数据进行修正，具体过程包括以下步骤：
使用伽马分布拟合感染和医院确诊日期之间的延迟天数，将新增确诊人数时间序列记 为A0，对A0反转，并使用从感染到确诊的延迟天数分布对翻转后的A0进行卷积，再对该序列进行翻转(flip)，将翻转后的向量记为A1；再用新增确诊人数时间序列A1除以翻 转后的gamma累积函数向量A2，得到真实的新增确诊人数时间序列A3，进而预估真实感 染人数，即修正的感染人数数据；
逻辑增长模型预测模块，用于根据修正的感染人数数据，采用逻辑增长模型预测未来 疫情走势。
所述的逻辑增长模型为修正后的逻辑增长模型；
修正后的逻辑增长模型方程及其一阶导方程如下：
Figure BDA0002837773590000061
Figure BDA0002837773590000062
式中：P(t)为COVID-19的累积确诊人数，随时间变化而改变；K为承载能力；P0为函数在t＝0时的初始值；r为增长率或扩散速度；t0为爆发的初始时间；s为增加非线性性的因素；β为偏差。
逻辑增长模型预测模块中采用修正后的逻辑增长模型预测未来疫情走势的具体过程包 括以下步骤：
将修正的感染人数数据代入公式(2)中，拟合得出最佳的K、P0、r、t0、s、β的值， 从而在实际预测过程中利用f(t，β)得到每日新增感染人数随时间变化的预测值；
利用修正的感染人数数据和每日新增感染人数随时间变化的预测值就能够得到累积感 染人数预测值。
具体实施方式三：
本实施方式为新型冠状病毒各地疫情各地累积感染人数预测装置，所述装置用于存储 和/或运行新型冠状病毒各地疫情各地累积感染人数预测系统。
本发明的实施例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的 实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其 它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术 方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (8)

1.新型冠状病毒各地疫情各地累积感染人数预测方法，其特征在于，包括以下步骤：
步骤一、基于医院确诊数据对感染人数数据进行修正：
针对获取的累积确诊人数及医院确诊日期，将新增确诊人数时间序列记为A0；使用伽马分布拟合感染和医院确诊日期之间的延迟天数；对A0进行翻转，即flip操作，并使用从感染到确诊的延迟天数分布对翻转后的A0进行卷积，再对卷积后的序列进行翻转，将翻转后的向量记为A1；
将新增确诊人数时间序列A1除以A2得到调整右删后的新增确诊人数时间序列A3，A2为gamma分布的累积分布函数的翻转(flip)后的向量；
调整右删后的新增确诊人数时间序列A3即为修正的感染人数数据；
步骤二、基于修正的感染人数数据，采用逻辑增长模型预测未来疫情走势。
2.根据权利要求1所述的新型冠状病毒各地疫情各地累积感染人数预测方法，其特征在于，所述的逻辑增长模型为修正后的逻辑增长模型；
修正后的逻辑增长模型方程及其一阶导方程如下：
Figure FDA0002837773580000011
Figure FDA0002837773580000012
式中：P(t)为COVID-19的累积确诊人数，随时间变化而改变；K为承载能力；P0为函数在t＝0时的初始值；r为增长率或扩散速度；t0为爆发的初始时间；s为增加非线性性的因素；β为偏差。
3.根据权利要求2所述的新型冠状病毒各地疫情各地累积感染人数预测方法，其特征在于，步骤二所述基于修正的感染人数数据，采用修正后的逻辑增长模型预测未来疫情走势的具体过程包括以下步骤：
将修正的感染人数数据代入公式(2)中，拟合得出最佳的K、P0、r、t0、s、β的值，从而在实际预测过程中利用f(t，β)得到每日新增感染人数随时间变化的预测值；
利用修正的感染人数数据和每日新增感染人数随时间变化的预测值得到累积感染人数预测值。
4.新型冠状病毒各地疫情各地累积感染人数预测系统，其特征在于，所述系统包括：
感染人数数据修正模块，用于对感染人数数据进行修正，具体过程包括以下步骤：
针对获取的累积确诊人数及医院确诊日期，将新增确诊人数时间序列记为A0；使用伽马分布拟合感染和医院确诊日期之间的延迟天数；对A0进行翻转，即flip操作，并使用从感染到确诊的延迟天数分布对翻转后的A0进行卷积，再对卷积后的序列进行翻转，将翻转后的向量记为A1；
将新增确诊人数时间序列A1除以A2得到调整右删后的新增确诊人数时间序列A3，A2为gamma分布的累积分布函数的翻转(flip)后的向量；
逻辑增长模型预测模块，用于根据修正的感染人数数据，采用逻辑增长模型预测未来疫情走势。
5.根据权利要求4所述的新型冠状病毒各地疫情各地累积感染人数预测系统，其特征在于，所述的逻辑增长模型为修正后的逻辑增长模型；
修正后的逻辑增长模型方程及其一阶导方程如下：
Figure FDA0002837773580000021
Figure FDA0002837773580000022
式中：P(t)为COVID-19的累积确诊人数，随时间变化而改变；K为承载能力；P0为函数在t＝0时的初始值；r为增长率或扩散速度；t0为爆发的初始时间；s为增加非线性性的因素；β为偏差。
6.根据权利要求5所述的新型冠状病毒各地疫情各地累积感染人数预测系统，其特征在于，逻辑增长模型预测模块中采用修正后的逻辑增长模型预测未来疫情走势的具体过程包括以下步骤：
将修正的感染人数数据代入公式(2)中，拟合得出最佳的K、P0、r、t0、s、β的值，从而在实际预测过程中利用f(t，β)得到每日新增感染人数随时间变化的预测值；
利用修正的感染人数数据和每日新增感染人数随时间变化的预测值得到累积感染人数预测值。
7.根据权利要求4、5或6所述的新型冠状病毒各地疫情各地累积感染人数预测系统，其特征在于，所述系统还包括各地实时累积确诊人数获取模块，用于实时获取累积确诊人数及医院确诊日期。
8.新型冠状病毒各地疫情各地累积感染人数预测装置，其特征在于，所述装置用于存储和/或运行权利要求4至7之一所述的新型冠状病毒各地疫情各地累积感染人数预测系统。
CN202011478032.4A 2020-12-15 2020-12-15 新型冠状病毒各地疫情各地累积感染人数预测方法、系统及装置 Pending CN112967811A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011478032.4A CN112967811A (zh) 2020-12-15 2020-12-15 新型冠状病毒各地疫情各地累积感染人数预测方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011478032.4A CN112967811A (zh) 2020-12-15 2020-12-15 新型冠状病毒各地疫情各地累积感染人数预测方法、系统及装置

Publications (1)

Publication Number Publication Date
CN112967811A true CN112967811A (zh) 2021-06-15

Family

ID=76271282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011478032.4A Pending CN112967811A (zh) 2020-12-15 2020-12-15 新型冠状病毒各地疫情各地累积感染人数预测方法、系统及装置

Country Status (1)

Country Link
CN (1) CN112967811A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113793689A (zh) * 2021-08-06 2021-12-14 兰州理工大学 一种基于累积和控制图的流行疾病监控方法
CN114596966A (zh) * 2022-01-11 2022-06-07 南京邮电大学 一种面向流行病智能监测系统的疫情预测分析方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2020100564A4 (en) * 2020-04-14 2020-05-21 Phan, Hung Thanh Mr CORONAVIRUS IMPACT ON THE WORLD ECONOMY PROBLEMS SOLVING: I invent the equation for solving the forecast of number of COVID-19 cases in the future so to help a country can re open the business as early as possible in the minimizes of COVID-19
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
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
CN111477342A (zh) * 2020-06-25 2020-07-31 中航信移动科技有限公司 一种隔离区域航空输入感染预警系统
CN111564221A (zh) * 2020-03-18 2020-08-21 自然资源部第一海洋研究所 一种由统计数据驱动的传染病疫情预测方法
CN111968751A (zh) * 2020-06-29 2020-11-20 金电联行（北京）信息技术有限公司 一种使用多基线校正模型的传染病趋势预测方法与系统
AU2020102631A4 (en) * 2020-10-07 2020-11-26 A, Anbuchezian Dr The Severity Level and Early Prediction of Covid-19 Using CEDCNN Classifier

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111564221A (zh) * 2020-03-18 2020-08-21 自然资源部第一海洋研究所 一种由统计数据驱动的传染病疫情预测方法
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
AU2020100564A4 (en) * 2020-04-14 2020-05-21 Phan, Hung Thanh Mr CORONAVIRUS IMPACT ON THE WORLD ECONOMY PROBLEMS SOLVING: I invent the equation for solving the forecast of number of COVID-19 cases in the future so to help a country can re open the business as early as possible in the minimizes of COVID-19
CN111477342A (zh) * 2020-06-25 2020-07-31 中航信移动科技有限公司 一种隔离区域航空输入感染预警系统
CN111968751A (zh) * 2020-06-29 2020-11-20 金电联行（北京）信息技术有限公司 一种使用多基线校正模型的传染病趋势预测方法与系统
AU2020102631A4 (en) * 2020-10-07 2020-11-26 A, Anbuchezian Dr The Severity Level and Early Prediction of Covid-19 Using CEDCNN Classifier

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113793689A (zh) * 2021-08-06 2021-12-14 兰州理工大学 一种基于累积和控制图的流行疾病监控方法
CN113793689B (zh) * 2021-08-06 2023-10-24 兰州理工大学 一种基于累积和控制图的流行疾病监控方法
CN114596966A (zh) * 2022-01-11 2022-06-07 南京邮电大学 一种面向流行病智能监测系统的疫情预测分析方法及系统
CN114596966B (zh) * 2022-01-11 2024-04-19 南京邮电大学 一种面向流行病智能监测系统的疫情预测分析方法及系统

Similar Documents

Publication Publication Date Title
CN112967811A (zh) 新型冠状病毒各地疫情各地累积感染人数预测方法、系统及装置
CN107730887B (zh) 实现交通流量预测的方法及装置、可读存储介质
Breslow et al. Improved Horvitz–Thompson estimation of model parameters from two-phase stratified samples: applications in epidemiology
CN112037930B (zh) 一种传染病预测设备、方法、装置及存储介质
US20170115358A1 (en) Innovative framework combining cycling and calendar aging models
CN111478963B (zh) 消息推送方法、装置、电子设备及计算机可读存储介质
CN111564221B (zh) 一种由统计数据驱动的传染病疫情预测方法
Miller et al. Learning insulin-glucose dynamics in the wild
Doike et al. A blood glucose level prediction system using machine learning based on recurrent neural network for hypoglycemia prevention
CN113838580B (zh) 传染病传染规模预测方法、装置、存储介质及电子设备
Mate et al. Efficient algorithms for finite horizon and streaming restless multi-armed bandit problems
CN117095828A (zh) 基于糖尿病患者随访记录的血糖值预测和告警方法
WO2023124654A1 (zh) 一种数据标准化处理方法、装置、电子设备及存储介质
WO2022227219A1 (zh) 房产指数数据分析方法、装置、设备及存储介质
CN116130064A (zh) 基于规则约束的自动排班算法
CN114756604A (zh) 一种基于Prophet组合模型的监测时序数据预测方法
TWI540996B (zh) 資訊處理裝置、資訊處理方法及資訊處理程式產品
CN112992374A (zh) 基于传播动力学和多项式回归的新冠病毒传播预测方法
CN114169590A (zh) 一种基于多情景划分的水库入库径流预报校正方法和系统
CN110245844B (zh) 异常指标检测方法及装置
Brogi et al. Covid-19 in Italy: actual infected population, testing strategy and imperfect compliance
CN110599620A (zh) 数据处理方法、装置、计算机设备和可读存储介质
Arefeen et al. Glysim: Modeling and simulating glycemic response for behavioral lifestyle interventions
CN117313014B (zh) 一种窑炉运转能耗异常数据实时监测预警方法
Yang et al. Revealing the Transmission Dynamics of COVID-19: A Bayesian Framework for Rt Estimation

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