CN113470836A - 一种传染病趋势预测方法、系统、装置及存储介质 - Google Patents

一种传染病趋势预测方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN113470836A
CN113470836A CN202110854635.8A CN202110854635A CN113470836A CN 113470836 A CN113470836 A CN 113470836A CN 202110854635 A CN202110854635 A CN 202110854635A CN 113470836 A CN113470836 A CN 113470836A
Authority
CN
China
Prior art keywords
population
finite element
persons
infectious disease
variation
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
Application number
CN202110854635.8A
Other languages
English (en)
Other versions
CN113470836B (zh
Inventor
朱艳春
曾杰川
柳子用
郑宇浩
邱述洪
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.)
China Unicom Guangdong Industrial Internet Co Ltd
Original Assignee
China Unicom Guangdong Industrial Internet Co Ltd
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 China Unicom Guangdong Industrial Internet Co Ltd filed Critical China Unicom Guangdong Industrial Internet Co Ltd
Priority to CN202110854635.8A priority Critical patent/CN113470836B/zh
Publication of CN113470836A publication Critical patent/CN113470836A/zh
Application granted granted Critical
Publication of CN113470836B publication Critical patent/CN113470836B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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

  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种传染病趋势预测方法、系统、装置及存储介质。传染病趋势预测方法包括：根据有限元分析方法，进行有限元区域的划分；根据有限元区域内的人群类别，构建SEIR模型；根据有限元区域间的人群流动因素，引入人口流动率参数；根据人口流动率参数，计算各有限元区域在单位时间t内的人口变化量；根据SEIR模型和人口变化量预测传染病趋势。该方法根据区域特性进行有限元区域的划分，在每一个有限元区域内构建新的SEIR模型，提高了传染病预测的颗粒度和精准度；通过引入有限元区域之间的人口流动率参数并计算有限元区域在单位时间t内的人口变化量，使得传染病趋势预测的结果更加客观，本申请可广泛应用于计算机技术领域内。

Description

一种传染病趋势预测方法、系统、装置及存储介质
技术领域
本申请涉及计算机技术领域，尤其是一种传染病趋势预测方法、系统、装置及存储介质。
背景技术
传染病是一种能够在人与人、或人与动物之间相互传播并广泛流行的疾病，经过各种途径传染给另一个人或物种的疾病。通常这种疾病可借由直接接触已感染的个体、感染者的体液及排泄物、感染者所污染到的物体等进行传播，其传播的方式包括空气传播、水源传播、食物传播、接触传播、土壤传播、垂直传播(母婴传播)、体液传播、粪口传播等。因此，对传染病的发病机理，传染规律，以及防控策略的研究显得尤为重要。
传染病动力学模型是对传染病进行理论性定量研究的一种重要方法，它是根据种群生长的特性、疾病的发生及在种群内的传播、发展规律，以及与之有关的社会等因素，建立起来的能反映传染病动力学特性的数学模型。通过对模型动力学性态的定性、定量分析和数值模拟，来显示疾病的发展过程，揭示其流行规律，预测疾病的流行趋势，可以帮助人们做出更好的防控决策。
常见的传染病动力学模型包括“SIR”模型、“SEIR”模型等。SIR模型把人群分为三类，包括易感者(S)、感染者(I)、康复者(R)，易感者会被感染变为感染者，感染者有一定几率康复转变为康复者；SEIR模型在SIR模型的基础上引入了潜伏者(E)。SEIR模型适用于具有潜伏期的流行病预测，即易感者被患病者感染之后，并不会马上变为感染者，而是先转变为潜伏者，经过潜伏期后再转变为感染者。与SIR模型相比，SEIR模型引入潜伏者因素，疾病的传播周期会更长。
然而，当前SEIR模型并没有考虑人口流动、人群分布密度等因素，而这些因素往往会严重影响SEIR模型的预测准确率。随着网络通信、空间定位、大数据和人工智能技术的发展，传统SEIR模型并不能很好的满足精细化管理的需要。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此，本发明实施例的一个目的在于提供一种传染病趋势预测方法，该方法能够更加全面、精确地预测传染病趋势。
本发明实施例的另一个目的在于提供一种传染病趋势预测系统。
为了达到上述技术目的，本发明实施例所采取的技术方案包括：
第一方面，本发明实施例提供了一种传染病趋势预测方法，包括以下步骤：
根据有限元分析方法，进行有限元区域的划分；
根据所述有限元区域内的人群类别，构建SEIR模型；
根据所述有限元区域间的人群流动因素，引入人口流动率参数；
根据所述人口流动率参数，计算各所述有限元区域在单位时间t内的人口变化量；
根据所述SEIR模型和所述人口变化量预测传染病趋势。
本发明实施例的一种传染病趋势预测方法，能够提高传染病预测的颗粒度和精准度，综合考虑了不同区域之间的差异以及人口流动，使得传染病趋势预测的结果更加客观、准确。
另外，根据本发明上述实施例的一种传染病趋势预测方法，还可以具有以下附加的技术特征：
进一步地，本发明实施例的一种传染病趋势预测方法中，所述根据有限元分析方法，进行有限元区域的划分包括：
根据区域特性划分所述有限元区域，所述区域特性包括人群密度、轨道交通状况以及功能区块。
进一步地，在本发明的一个实施例中，所述根据所述有限元区域内的人群类别，构建 SEIR模型，包括：
划分各所述有限元区域内的人群类别，所述人群类别包括易感者、潜伏者、感染者以及康复者；
根据各所述人群类别在单位时间t内的变化量构建相应的SEIR模型。
进一步地，在本发明的一个实施例中，所述根据各所述人群类别在单位时间t内的变化量构建相应的SEIR模型，包括：
根据预设信息，计算各所述人群类别的在单位时间t内的人口变化量；
所述易感者的人口变化量：
Figure BDA0003183666450000021
所述潜伏者的人口变化量：
Figure BDA0003183666450000022
所述感染者的人口变化量：
Figure BDA0003183666450000023
所述康复者的人口变化量：
Figure BDA0003183666450000024
式中，S为所述易感者的人数，E为所述潜伏者的人数，I为所述感染者的人数，R为所述康复者的人数，b为所述传染病的传染率，a为所述潜伏者单位时间t内转化为所述感染者的概率，r为所述感染者的康复率，N为所述有限元区域内的人口总数；
根据所述变化量构建所述SEIR模型，所述SEIR模型中包括各所述人群类别的总人数；
所述易感者当前的总人数：
Figure BDA0003183666450000031
所述潜伏者当前的总人数：
Figure BDA0003183666450000032
所述感染者当前的总人数：
Figure BDA0003183666450000033
所述康复者当前的总人数：
Figure BDA0003183666450000034
式中，S(t-1)表示所述易感者在上一单位时间的总人数，S(t)表示所述易感者当前的总人数，E(t-1)表示所述潜伏者在上一单位时间的总人数，E(t)表示所述潜伏者当前的总人数， I(t-1)表示所述感染者在上一单位时间的总人数，I(t)表示所述感染者当前的总人数，R(t-1) 表示所述康复者在上一单位时间的总人数，R(t)表示所述康复者当前的总人数。
进一步地，在本发明的一个实施例中，所述预设信息包括：
所述有限元区域内不考虑人口的出生、死亡和流动因素，所述人口总数恒等于N；
单位时间t内，单个所述感染者能传染的所述易感者的人数与所述易感者的总人数成正比，比例系数为
Figure BDA0003183666450000035
单位时间t内，所述感染者中康复的人数与所述感染者的总人数成正比，比例系数为r。
进一步地，在本发明的一个实施例中，所述根据所述有限元区域间的人群流动因素，引入人口流动率参数，包括：
预设所述有限元区域的数量为n，所述有限元区域用Pn表示，所述有限元区域之间的人口流动参数为vij，其中1≤i≤n，1≤j≤n，vij表示Pi到Pj的人口流动参数。
进一步地，在本发明的一个实施例中，所述根据所述人口流动率参数，计算各所述有限元区域在单位时间t内的人口变化量，包括：
Pi的所述易感者的人口变化量：
Figure BDA0003183666450000036
Pi的所述潜伏者的人口变化量：
Figure BDA0003183666450000037
Pi的所述感染者的人口变化量：
Figure BDA0003183666450000041
Pi的所述康复者的人口变化量：
Figure BDA0003183666450000042
Pi的所述人口总数的人口变化量：
Figure BDA0003183666450000043
其中，在所述有限元区域内，各所述人群类别的人口流动量占相应所述人群类别的比例与总人口流动量占人口总数的比例相同。
第二方面，本发明实施例提出了一种传染病趋势预测系统，包括：
有限元区域划分模块，用于根据有限元分析方法，进行有限元区域的划分；
SEIR模型构建模块，用于根据所述有限元区域内的人群类别，构建SEIR模型；
人口流动率参数引入模块，用于根据所述有限元区域间的人群流动因素，引入人口流动率参数；
人口变化量计算模块，用于根据所述人口流动率参数，计算各所述有限元区域在单位时间t内的人口变化量；
传染病趋势预测模块，用于根据所述SEIR模型和所述人口变化量预测传染病趋势。
第三方面，本发明实施例提供了一种传染病趋势预测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现所述的一种传染病趋势预测方法。
第四方面，本发明实施例提供了一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于实现所述的一种传染病趋势预测方法。
本发明的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到：
本发明实施例在传统SEIR模型的基础上，根据区域特性进行有限元区域的划分，在每一个有限元区域内构建新的SEIR模型，提高了传染病预测的颗粒度和精准度；通过引入有限元区域之间的人口流动率参数并计算有限元区域在单位时间t内的人口变化量，使得传染病趋势预测的结果更加客观、贴近现实情况，从而进一步提高传染病趋势预测的精准度。
附图说明
为了更清楚地说明本申请实施例或者现有技术中的技术方案，下面对本申请实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本申请的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1为本发明一种传染病趋势预测方法具体实施例的流程示意图；
图2为本发明一种传染病趋势预测方法具体实施例的SEIR模型原理图；
图3为本发明一种传染病趋势预测方法具体实施例的人口总数变化曲线图；
图4为本发明一种传染病趋势预测方法具体实施例的PA、PB、PC各人群类别总人数变化曲线对比图；
图5为本发明一种传染病趋势预测方法具体实施例的PA、PB、PC整体区域各人群类别总人数变化曲线对比图；
图6为本发明一种传染病趋势预测系统具体实施例的结构示意图；
图7为本发明一种传染病趋势预测装置具体实施例的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
传统的SEIR动力学模型是在以人群均匀分布的假设基础上对流行病趋势进行预测，忽略了不同区域的人群密度差异性对流行病传播效果的影响；同时，传统的SEIR动力学模型忽略了不同区域间的人群流动性对流行病传播效果的影响，随着网络通信、空间定位、大数据和人工智能技术的发展，传统的SEIR动力学模型并不能很好的满足精细化管理的需要。为此，本发明提出了一种传染病趋势预测方法和系统，不同于传统的SEIR动力学模型中只考虑人群均匀分布的情况，本发明根据不同区域人群密度的差异对原始区域进行有限元的划分，提出一种有限元SEIR动力学模型，所述SEIR动力学模型考虑了不同区域人群密度差异性对传染病传播的影响，同时引入了人口流动率因素，考虑了区域间的人群流动性对传染病传播的影响。本发明所提出的传染病趋势预测方法更加符合传染病传播的特点，可以对传染病的发展趋势做出精细化预测，帮助疾控部门及时采取合理的防控措施。
下面参照附图详细描述根据本发明实施例提出的一种传染病趋势预测方法和系统，首先将参照附图描述根据本发明实施例提出的一种传染病趋势预测方法。
参照图1，本发明实施例中提供一种传染病趋势预测方法，本发明实施例中的一种传染病趋势预测方法，可应用于终端中，也可应用于服务器中，还可以是运行于终端或服务器中的软件等。终端可以是平板电脑、笔记本电脑、台式计算机等，但并不局限于此。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。本发明实施例中的一种传染病趋势预测方法主要包括以下步骤：
S101、根据有限元分析方法，进行有限元区域的划分；
具体地，有限元分析是用较简单的问题代替复杂问题后再求解，它将求解域看成是由许多小的有限元互连子域(有限元区域)组成，每一子域假定一个合适的近似解，然后推导求解域的满足条件，从而得到问题的解。因为实际问题被较简单的问题所代替，所以有限元分析求解得到的解并不是准确解，而是计算精度高很的近似解。
在本发明中，采用有限元分析方法，根据区域特性划分所述有限元区域，所述区域特性包括人群密度、轨道交通状况以及功能区块。
其中，所述有限元区域内的人群密度对传染病的传播效果的影响：人群密度越大，单位时间t内被传染的人数就会越多；
所述有限元区域内的轨道交通状况对传染病的传播效果的影响：轨道交通状况越好，传染病的传播效果越强。
不同的功能区块内，传染病的传播效果也存在差异，例如在生活区、工作区等人群互动频繁的功能区块，传染病的传播效果较强；而在休闲区等人群互动较少的功能区块，传染病的传播效果较弱。
S102、根据所述有限元区域内的人群类别，构建SEIR模型；
S102可以进一步划分为以下步骤S1021-S1022：
步骤S1021、划分各所述有限元区域内的人群类别，所述人群类别包括易感者、潜伏者、感染者以及康复者；
步骤S1022、根据各所述人群类别在单位时间t内的变化量构建相应的SEIR模型。
根据预设信息，计算各所述人群类别的在单位时间t内的人口变化量；
所述预设信息包括：
(1)所述有限元区域内不考虑人口的出生、死亡和流动因素，所述人口总数恒等于N；
(2)单位时间t内，单个所述感染者能传染的所述易感者的人数与所述易感者的总人数成正比，比例系数为
Figure BDA0003183666450000071
(3)单位时间t内，所述感染者中康复的人数与所述感染者的总人数成正比，比例系数为r。
所述易感者的人口变化量：
Figure BDA0003183666450000072
所述潜伏者的人口变化量：
Figure BDA0003183666450000073
所述感染者的人口变化量：
Figure BDA0003183666450000074
所述康复者的人口变化量：
Figure BDA0003183666450000075
式中，S为所述易感者的人数，E为所述潜伏者的人数，I为所述感染者的人数，R为所述康复者的人数，b为所述传染病的传染率，a为所述潜伏者单位时间t内转化为所述感染者的概率(即潜伏期的倒数)，r为所述感染者的康复率，N为所述有限元区域内的人口总数；
根据所述变化量构建所述SEIR模型，所述SEIR模型中包括各所述人群类别的总人数；
所述易感者当前的总人数：
Figure BDA0003183666450000076
所述潜伏者当前的总人数：
Figure BDA0003183666450000077
所述感染者当前的总人数：
Figure BDA0003183666450000078
所述康复者当前的总人数：
Figure BDA0003183666450000081
式中，S(t-1)表示所述易感者在上一单位时间的总人数，S(t)表示所述易感者当前的总人数，E(t-1)表示所述潜伏者在上一单位时间的总人数，E(t)表示所述潜伏者当前的总人数， I(t-1)表示所述感染者在上一单位时间的总人数，I(t)表示所述感染者当前的总人数，R(t-1) 表示所述康复者在上一单位时间的总人数，R(t)表示所述康复者当前的总人数。
S103、根据所述有限元区域间的人群流动因素，引入人口流动率参数；
具体地，预设所述有限元区域的数量为n，所述有限元区域用Pn表示，所述有限元区域之间的人口流动参数为vij，其中1≤i≤n，1≤j≤n，vij表示Pi到Pj的人口流动参数。
S104、根据所述人口流动率参数，计算各所述有限元区域在单位时间t内的人口变化量；
Pi的所述易感者的人口变化量：
Figure BDA0003183666450000082
Pi的所述潜伏者的人口变化量：
Figure BDA0003183666450000083
Pi的所述感染者的人口变化量：
Figure BDA0003183666450000084
Pi的所述康复者的人口变化量：
Figure BDA0003183666450000085
Pi的所述人口总数的人口变化量：
Figure BDA0003183666450000086
其中，在所述有限元区域内，假设各所述人群类别的人口流动量占相应所述人群类别的比例与总人口流动量占人口总数的比例相同
S105、根据所述SEIR模型和所述人口变化量预测传染病趋势。
如前所述，所述SEIR模型中包括各所述人群类别的总人数，根据S104中的公式，计算 Pi的易感者人数，其中，Si(t-1)表示Pi的所述易感者在上一单位时间的总人数，Si(t)表示Pi的所述易感者当前的总人数，Ei(t-1)表示Pi的所述潜伏者在上一单位时间的总人数，Ei(t) 表示Pi的所述潜伏者当前的总人数，Ii(t-1)表示Pi的所述感染者在上一单位时间的总人数， Ii(t)表示Pi的所述感染者当前的总人数，Ri(t-1)表示Pi的所述康复者在上一单位时间的总人数，Ri(t)表示Pi的所述康复者当前的总人数，则：
Pi的所述易感者当前的总人数：
Figure BDA0003183666450000091
Pi的所述潜伏者当前的总人数：
Figure BDA0003183666450000092
Pi的所述感染者当前的总人数：
Figure BDA0003183666450000093
Pi的所述康复者当前的总人数：
Figure BDA0003183666450000094
Pi的所述人口总数：
Figure BDA0003183666450000095
因此，可通过上一单位时间易感者、潜伏者、感染者以及康复者的总人数以及人口变化量计算当前的易感者、潜伏者、感染者以及康复者的总人数，从而预测传染病的趋势。
作为一种可能的实施例，以说明本发明相较于传统SEIR模型的不同及优势，本发明一种传染病趋势预测方法如下：
根据有限元分析方法，考虑人群密度、轨道交通状况以及功能区块等区域特性，划分有限元区域A、B、C(PA、PB、PC)，则PA、PB、PC的SEIR模型如图2所示。
假设PA、PB、PC的初始人口总数分别为10000，5000，1000(单位：千人)，由于PA、 PB、PC之间存在人口流动，不同有限元区域之间的人口流动率参数不同。
PA、PB、PC的人口总数的人口变化量为：
Figure BDA0003183666450000096
Figure BDA0003183666450000097
Figure BDA0003183666450000098
(2)根据PA、PB、PC的人口总数的人口变化量以及上一单位时间的人口总数，计算PA、 PB、PC当前的人口总数：
Figure BDA0003183666450000099
Figure BDA00031836664500000910
Figure BDA00031836664500000911
假设PA到PB的人口流动率参数vab＝0.09，PA到PC的人口流动率参数vac＝0.0002，PB到PA的人口流动率参数vba＝0.01，PB到PC的人口流动率参数vbc＝0.0001，PC到PA的人口流动率参数vca＝0.001，PC到PB的人口流动率参数vcb＝0.002。
参照图3，可以理解的是，在考虑PA、PB、PC间的人群流动因素时，最终PA、PB、PC的人口总数会达到一个新的平衡状态，根据PA、PB、PC的人口总数的人口变化量的计算公式可得，当PA、PB、PC的人口总数的人口变化量相等时，PA、PB、PC的人口总数达到新的平衡状态：
Figure BDA0003183666450000101
即：
-Na*(vab+vac)+Nb*vba+Nc*vca＝Na*vab-Nb*(vba+vbc)+Nc*vcb＝ Na*vac+Nb*vbc-Nc*(vcb+vca) (1)
同时，PA、PB、PC的人口总数之和是恒定不变的，即：
Na+Nb+Nc＝10000+5000+1000＝16000 (2)
根据公式(1)、(2)以及人口流动率参数的取值可得，在所述新的平衡状态下，PA、PB、 PC的人口总数分别为7945、7159、895(单位：千人)。以此PA、PB、PC的人口总数作为各个SEIR模型的人口总数。
假设所述传染病的传染率为0.5，潜伏期为10个单位时间，康复率为0.1，PA的易感者初始总人数为7939，潜伏者初始总人数为5，感染者初始总人数为1，康复者初始总人数为0，PB的易感者初始总人数为7150，潜伏者初始总人数为7，感染者初始总人数为2，康复者初始总人数为0，PC的易感者初始总人数为895，潜伏者初始总人数为0，感染者初始总人数为0，康复者初始总人数为0。
利用本发明中的SEIR模型(f-SEIR)绘制传染病趋势曲线，并与根据传统的SEIR模型绘制的传染病趋势曲线进行比较，如图4、图5所示，可得出如下结论：
(1)参照图4，由于PA、PB、PC之间存在人口流动，各有限元区域输出的感染者变化曲线与传统的SEIR模型存在明显差异，特别是起始阶段不存在潜伏者和感染者的PC。由于 PC与PA、PB之间存在人口流动，导致PC出现感染者，这也符合实际情况，而传统SEIR模型由于未考虑人群流动因素，并不能反映PC的实际情况；
(2)参照图4，由于PA、PB、PC的人口流动率参数不同，PA、PB的初始感染者人数不同，相较于传统的SEIR模型绘制的传染病趋势曲线，利用f-SEIR绘制的传染病趋势曲线反应出PA、PB的感染者存在明显的提早和延后趋势；
(3)参照图5，对PA、PB、PC组成的整体区域进行传统的SEIR模型模拟，与f-SEIR 模型相比，存在明显的高估问题。
其次，参照附图描述根据本申请实施例提出的一种传染病趋势预测系统。
图6是本申请一个实施例的一种传染病趋势预测系统结构示意图。
所述系统具体包括：
有限元区域划分模块601，用于根据有限元分析方法，进行有限元区域的划分；
SEIR模型构建模块602，用于根据所述有限元区域内的人群类别，构建SEIR模型；
人口流动率参数引入模块603，用于根据所述有限元区域间的人群流动因素，引入人口流动率参数；
人口变化量计算模块604，用于根据所述人口流动率参数，计算各所述有限元区域在单位时间t内的人口变化量；
传染病趋势预测模块605，用于根据所述SEIR模型和所述人口变化量预测传染病趋势。
可见，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图7，本申请实施例提供了一种传染病趋势预测装置，包括：
至少一个处理器701；
至少一个存储器702，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器701执行时，使得所述至少一个处理器701 实现所述的一种传染病趋势预测方法。
同理，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本申请的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本申请，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本申请的范围，本申请的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干程序用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器 (RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行程序的定序列表，可以具体实现在任何计算机可读介质中，以供程序执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从程序执行系统、装置或设备取程序并执行程序的系统)使用，或结合这些程序执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供程序执行系统、装置或设备或结合这些程序执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的程序执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。
以上是对本申请的较佳实施进行了具体说明，但本申请并不限于所述实施例，熟悉本领域的技术人员在不违背本申请精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种传染病趋势预测方法，其特征在于，包括以下步骤：
根据有限元分析方法，进行有限元区域的划分；
根据所述有限元区域内的人群类别，构建SEIR模型；
根据所述有限元区域间的人群流动因素，引入人口流动率参数；
根据所述人口流动率参数，计算各所述有限元区域在单位时间t内的人口变化量；
根据所述SEIR模型和所述人口变化量预测传染病趋势。
2.根据权利要求1所述的一种传染病趋势预测方法，其特征在于，所述根据有限元分析方法，进行有限元区域的划分包括：
根据区域特性划分所述有限元区域，所述区域特性包括人群密度、轨道交通状况以及功能区块。
3.根据权利要求1所述的一种传染病趋势预测方法，其特征在于，所述根据所述有限元区域内的人群类别，构建SEIR模型，包括：
划分各所述有限元区域内的人群类别，所述人群类别包括易感者、潜伏者、感染者以及康复者；
根据各所述人群类别在单位时间t内的变化量构建相应的SEIR模型。
4.根据权利要求3所述的一种传染病趋势预测方法，其特征在于，所述根据各所述人群类别在单位时间t内的变化量构建相应的SEIR模型，包括：
根据预设信息，计算各所述人群类别的在单位时间t内的人口变化量；
所述易感者的人口变化量：
Figure FDA0003183666440000011
所述潜伏者的人口变化量：
Figure FDA0003183666440000012
所述感染者的人口变化量：
Figure FDA0003183666440000013
所述康复者的人口变化量：
Figure FDA0003183666440000014
式中，S为所述易感者的人数，E为所述潜伏者的人数，I为所述感染者的人数，R为所述康复者的人数，b为所述传染病的传染率，a为所述潜伏者单位时间t内转化为所述感染者的概率，r为所述感染者的康复率，N为所述有限元区域内的人口总数；
根据所述变化量构建所述SEIR模型，所述SEIR模型中包括各所述人群类别的总人数；
所述易感者当前的总人数：
Figure FDA0003183666440000015
所述潜伏者当前的总人数：
Figure FDA0003183666440000016
所述感染者当前的总人数：
Figure FDA0003183666440000021
所述康复者当前的总人数：
Figure FDA0003183666440000022
式中，S(t-1)表示所述易感者在上一单位时间的总人数，S(t)表示所述易感者当前的总人数，E(t-1)表示所述潜伏者在上一单位时间的总人数，E(t)表示所述潜伏者当前的总人数，I(t-1)表示所述感染者在上一单位时间的总人数，I(t)表示所述感染者当前的总人数，R(t-1)表示所述康复者在上一单位时间的总人数，R(t)表示所述康复者当前的总人数。
5.根据权利要求4所述的一种传染病趋势预测方法，其特征在于，所述预设信息包括：
所述有限元区域内不考虑人口的出生、死亡和流动因素，所述人口总数恒等于N；
单位时间t内，单个所述感染者能传染的所述易感者的人数与所述易感者的总人数成正比，比例系数为
Figure FDA0003183666440000023
单位时间t内，所述感染者中康复的人数与所述感染者的总人数成正比，比例系数为r。
6.根据权利要求5所述的一种传染病趋势预测方法，其特征在于，所述根据所述有限元区域间的人群流动因素，引入人口流动率参数，包括：
预设所述有限元区域的数量为n，所述有限元区域用Pn表示，所述有限元区域之间的人口流动参数为vij，其中1≤i≤n，1≤j≤n，vij表示Pi到Pj的人口流动参数。
7.根据权利要求6所述的一种传染病趋势预测方法，其特征在于：所述根据所述人口流动率参数，计算各所述有限元区域在单位时间t内的人口变化量，包括：
Pi的所述易感者的人口变化量：
Figure FDA0003183666440000024
Pi的所述潜伏者的人口变化量：
Figure FDA0003183666440000025
Pi的所述感染者的人口变化量：
Figure FDA0003183666440000026
Pi的所述康复者的人口变化量：
Figure FDA0003183666440000027
Pi的所述人口总数的人口变化量：
Figure FDA0003183666440000031
其中，在所述有限元区域内，各所述人群类别的人口流动量占相应所述人群类别的比例与总人口流动量占人口总数的比例相同。
8.一种传染病趋势预测系统，其特征在于，包括：
有限元区域划分模块，用于根据有限元分析方法，进行有限元区域的划分；
SEIR模型构建模块，用于根据所述有限元区域内的人群类别，构建SEIR模型；
人口流动率参数引入模块，用于根据所述有限元区域间的人群流动因素，引入人口流动率参数；
人口变化量计算模块，用于根据所述人口流动率参数，计算各所述有限元区域在单位时间t内的人口变化量；
传染病趋势预测模块，用于根据所述SEIR模型和所述人口变化量预测传染病趋势。
9.一种传染病趋势预测装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7中任一项所述的一种传染病趋势预测方法。
10.一种存储介质，其中存储有处理器可执行的程序，其特征在于：所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-7中任一项所述的一种传染病趋势预测方法。
CN202110854635.8A 2021-07-28 2021-07-28 一种传染病趋势预测方法、系统、装置及存储介质 Active CN113470836B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110854635.8A CN113470836B (zh) 2021-07-28 2021-07-28 一种传染病趋势预测方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110854635.8A CN113470836B (zh) 2021-07-28 2021-07-28 一种传染病趋势预测方法、系统、装置及存储介质

Publications (2)

Publication Number Publication Date
CN113470836A true CN113470836A (zh) 2021-10-01
CN113470836B CN113470836B (zh) 2024-09-03

Family

ID=77882657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110854635.8A Active CN113470836B (zh) 2021-07-28 2021-07-28 一种传染病趋势预测方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113470836B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114512245A (zh) * 2022-02-17 2022-05-17 四川省疾病预防控制中心 一种新发传染病模型建立方法及计算机装置
CN114708986A (zh) * 2022-03-17 2022-07-05 太原理工大学 基于动力学建立羊布鲁氏菌病的多斑块模型的方法和介质
CN114999667A (zh) * 2022-04-01 2022-09-02 山东大学 一种考虑交通干预的传染病跨区域传播预测方法及系统
CN117690601A (zh) * 2024-02-02 2024-03-12 江西省胸科医院(江西省第三人民医院) 基于大数据分析的结核病流行趋势预测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682188A (zh) * 2011-03-15 2012-09-19 中国科学院遥感应用研究所 一种城市级传染病模拟的方法及装置
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
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
CN112529329A (zh) * 2020-12-21 2021-03-19 广东珠江智联信息科技股份有限公司 基于bp算法和seir模型的传染病预测方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682188A (zh) * 2011-03-15 2012-09-19 中国科学院遥感应用研究所 一种城市级传染病模拟的方法及装置
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
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
CN112529329A (zh) * 2020-12-21 2021-03-19 广东珠江智联信息科技股份有限公司 基于bp算法和seir模型的传染病预测方法
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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
张蕊 等: "基于有限元理论的行人流社会力仿真模型改进研究", 《城市交通》, pages 76 - 81 *
张鹏 等: "交通流问题的有限元分析和模拟(Ⅰ)", 《计算物理》, pages 329 - 333 *
曹志冬 等: "广州SARS流行的空间风险因子与空间相关性特征", 《地理学报》, 30 September 2008 (2008-09-30), pages 981 - 993 *
黄志超 等: "有限元网格划分技术研究", 《南昌大学学报(工科版)》, 31 December 2002 (2002-12-31), pages 25 - 31 *
黄良英 等: "SARS传播的数学模型的建立与分析", 《南昌大学学报(理科版)》, pages 348 - 351 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114512245A (zh) * 2022-02-17 2022-05-17 四川省疾病预防控制中心 一种新发传染病模型建立方法及计算机装置
CN114708986A (zh) * 2022-03-17 2022-07-05 太原理工大学 基于动力学建立羊布鲁氏菌病的多斑块模型的方法和介质
CN114999667A (zh) * 2022-04-01 2022-09-02 山东大学 一种考虑交通干预的传染病跨区域传播预测方法及系统
CN114999667B (zh) * 2022-04-01 2024-04-05 山东大学 一种考虑交通干预的传染病跨区域传播预测方法及系统
CN117690601A (zh) * 2024-02-02 2024-03-12 江西省胸科医院(江西省第三人民医院) 基于大数据分析的结核病流行趋势预测系统
CN117690601B (zh) * 2024-02-02 2024-05-24 江西省胸科医院(江西省第三人民医院) 基于大数据分析的结核病流行趋势预测系统

Also Published As

Publication number Publication date
CN113470836B (zh) 2024-09-03

Similar Documents

Publication Publication Date Title
CN113470836A (zh) 一种传染病趋势预测方法、系统、装置及存储介质
Bascompte et al. Mutualistic interactions reshuffle the effects of climate change on plants across the tree of life
VanderWeele Controlled direct and mediated effects: definition, identification and bounds
Li et al. A comparative study on the prediction of the BP artificial neural network model and the ARIMA model in the incidence of AIDS
Serrano et al. A novel agent-based rumor spreading model in twitter
Qiu et al. A simulation optimisation on the hierarchical health care delivery system patient flow based on multi-fidelity models
El Emam et al. A method for managing re-identification risk from small geographic areas in Canada
Ahern et al. Predicting the population health impacts of community interventions: the case of alcohol outlets and binge drinking
Ganesan et al. Spatio-temporal predictive modeling framework for infectious disease spread
Pan et al. Dynamic analysis of a SIDRW rumor propagation model considering the effect of media reports and rumor refuters
Singh et al. Probabilistic data structure-based community detection and storage scheme in online social networks
van Maanen et al. An agent-based approach to modeling online social influence
Yao et al. On source dependency models for reliable social sensing: Algorithms and fundamental error bounds
Gordon et al. Predicting elderly patient length of stay in hospital and community care using a series of conditional Coxian phase-type distributions, further conditioned on a survival tree
Phelps et al. The importance of thinking beyond the water-supply in cholera epidemics: A historical urban case-study
Chen et al. Gravitational scaling analysis on spatial diffusion of COVID-19 in Hubei Province, China
Jun-Qiang et al. Measuring road network vulnerability with sensitivity analysis
Mourad et al. Stochastic mathematical models for the spread of COVID-19: a novel epidemiological approach
Ronald Doni et al. Weather and population based forecasting of novel COVID-19 using deep learning approaches
Santoro et al. Development and application of a dynamic transmission model of health systems’ preparedness and response to COVID-19 in twenty-six Latin American and Caribbean countries
Das et al. Functional regression-based monitoring of quality of service in hospital emergency departments
Smith et al. Can you model growth of trust? A study of the sustainability of a rural community health centre in North India
Engebretsen et al. A compelling demonstration of why traditional statistical regression models cannot be used to identify risk factors from case data on infectious diseases: a simulation study
Burden et al. Empirical zoning distributions for small area data
Tao et al. Understanding self-organized regularities in healthcare services based on autonomy oriented modeling

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