CN113496780A - 传染病确诊者数量预测方法、装置、服务器及存储介质 - Google Patents
传染病确诊者数量预测方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN113496780A CN113496780A CN202010197391.6A CN202010197391A CN113496780A CN 113496780 A CN113496780 A CN 113496780A CN 202010197391 A CN202010197391 A CN 202010197391A CN 113496780 A CN113496780 A CN 113496780A
- Authority
- CN
- China
- Prior art keywords
- persons
- infectious disease
- confirmed
- cumulative
- 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.)
- Granted
Links
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 217
- 238000000034 method Methods 0.000 title claims abstract description 41
- 208000015181 infectious disease Diseases 0.000 claims abstract description 187
- 230000002458 infectious effect Effects 0.000 claims abstract description 6
- 230000001186 cumulative effect Effects 0.000 claims description 102
- 238000004891 communication Methods 0.000 claims description 19
- 230000007717 exclusion Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
-
- 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)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例提供了一种传染病确诊者数量预测方法、装置、服务器及存储介质，该方法包括：确定传染病预测天数、基本传染数、传染病潜伏周期，基于以下步骤进行迭代，直至传染病预测天数归零输出传染病第二累计确诊者数量：获取第一易感者数量、第一现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数量；基于第一累计痊愈者数量、第一累计确诊者数量、基本传染数、传染病潜伏周期更新预设传染病预测模型中系数；基于第一易感者数量、第一现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数量、经过更新的传染病预测模型，输出第二易感者数量、第二现存疑似者数量、第二累计确诊者数量、第二累计痊愈者数量；对传染病预测天数进行递减。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种传染病确诊者数量预测 方法、装置、服务器及存储介质。
背景技术
传染病是由各种病原体引起的能在人与人、动物与动物或者人与动物 之间相互传播的一类疾病，并且传染病是对人类社会存在威胁的全球性公 共卫生问题，因此对传染病疾病数据的预测，对于传染病研究、传染病预 防等存在重大意义。
相关技术中，用于传染病疾病数据预测的数学模型和方法，主要存在 传统方法、传播动力学模型以及多元统计方法等。其中，传播动力学模型 是最常见的模型，是对进行理论性定量研究的一种重要方式，其经典形式 有SIR模型和SEIR模型。
现有传播动力学模型将人群主要分为易感者、潜伏者、感染者、痊愈 者，这样虽然基本符合传染病传播的规律，但是传染病在实际传播过程中， 对于潜伏者的相关参数无法获取，且获取的感染者数据的范围远小于传播 动力学模型中感染者的定义，导致无法直观反映真实环境中传染病疾病数 据情况。
发明内容
本发明实施例的目的在于提供一种传染病确诊者数量预测方法、装置、 服务器及存储介质，以实现可以准确对真实环境中传染病确诊者数量进行 预测的有益效果。具体技术方案如下：
在本发明实施例的第一方面，首先提供了一种传染病确诊者数量预测 方法，所述方法包括：
确定传染病预测天数、基本传染数、传染病潜伏周期，基于以下步骤 进行迭代，直至所述传染病预测天数归零输出传染病第二累计确诊者数量：
获取当前轮次对应的第一易感者数量、第一现存疑似者数量、第一累 计确诊者数量、第一累计痊愈者数量；
基于所述第一累计痊愈者数量、所述第一累计确诊者数量、所述基本 传染数以及所述传染病潜伏周期更新预设传染病预测模型中系数；
基于所述第一易感者数量、所述第一现存疑似者数量、所述第一累计 确诊者数量、所述第一累计痊愈者数量以及经过更新的传染病预测模型， 输出第二易感者数量、第二现存疑似者数量、第二累计确诊者数量、第二 累计痊愈者数量；
对所述传染病预测天数进行递减。
在一个可选的实施方式中，当当前轮次为首轮时，所述获取当前轮次 对应的第一易感者数量、第一现存疑似者数量、第一累计确诊者数量、第 一累计痊愈者数量，包括：
确定传染病预测区域以及当前时刻；
获取所述传染病预测区域所述当前时刻对应的第一易感者数量、第一 现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数量。
在一个可选的实施方式中，当当前轮次为非首轮时，所述获取当前轮 次对应的第一易感者数量、第一现存疑似者数量、第一累计确诊者数量、 第一累计痊愈者数量，包括：
确定上一轮次对应的第二易感者数量、第二现存疑似者数量、第二累 计确诊者数量、第二累计痊愈者数量为当前轮次对应的第一易感者数量、 第一现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数量。
在一个可选的实施方式中，所述方法还包括：
确定累计疑似者排除数量以及累计疑似者数量；
基于所述第一累计痊愈者数量、所述第一累计确诊者数量、所述基本 传染数以及所述传染病潜伏周期更新传染病预测模型中系数，包括：
基于γ2＝R/I、γ1＝A/B、α＝1/T、β＝R0×γ2更新传染病预测模型中系数；
其中，所述R为所述第一累计痊愈者数量，所述I为所述第一累计确诊 者数量，所述A为所述累计疑似者排除数量，所述B为所述累计疑似者数量， 所述T为所述传染病潜伏周期，所述R0为所述基本传染数。
在一个可选的实施方式中，所述传染病预测模型，包括：
其中，所述S为所述第一易感者数量，所述N为所述第一易感者数量、 所述第一现存疑似者数量、所述第一累计确诊者数量之和，所述E为所述第 一现存疑似者数量。
在一个可选的实施方式中，所述基于所述第一易感者数量、所述第一 现存疑似者数量、所述第一累计确诊者数量、所述第一累计痊愈者数量以 及经过更新的传染病预测模型，输出第二易感者数量、第二现存疑似者数 量、第二累计确诊者数量、第二累计痊愈者数量，包括：
将所述第一易感者数量输入至经过更新的传染病预测模型式(1)中， 并在经过更新的传染病预测模型输出结果的基础之上加上所述第一易感者 数量输出第二易感者数量；
将所述第一现存疑似者数量输入至经过更新的传染病预测模型式(2) 中，并在经过更新的传染病预测模型输出结果的基础之上加上所述第一现 存疑似者数量输出第二现存疑似者数量；
将所述第一累计确诊者数量输入至经过更新的传染病预测模型式(3) 中，并在经过更新的传染病预测模型输出结果的基础之上加上所述第一累 计确诊者数量输出第二累计确诊者数量；
将所述第一累计痊愈者数量输入至经过更新的传染病预测模型式(4) 中，并在经过更新的传染病预测模型输出结果的基础之上加上所述第一累 计痊愈者数量输出第二累计痊愈者数量。
在一个可选的实施方式中，对所述传染病预测天数进行递减，包括：
基于预设的递减规则对所述传染病预测天数进行减1。
在一个可选的实施方式中，所述直至所述传染病预测天数归零输出传 染病第二累计确诊者数量，包括：
直至所述传染病预测天数归零，输出最后轮次或者每一轮次的传染病 第二累计确诊者数量。
在本发明实施例的第二方面，还提供了一种传染病确诊者数量预测装 置，所述装置包括：
确定模块，用于确定传染病预测天数、基本传染数、传染病潜伏周期；
迭代输出模块，用于基于以下步骤进行迭代，直至所述传染病预测天 数归零输出传染病第二累计确诊者数量：获取当前轮次对应的第一易感者 数量、第一现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数量； 基于所述第一累计痊愈者数量、所述第一累计确诊者数量、所述基本传染 数以及所述传染病潜伏周期更新传染病预测模型中系数；基于所述第一易 感者数量、所述第一现存疑似者数量、所述第一累计确诊者数量、所述第一累计痊愈者数量以及经过更新的传染病预测模型，输出第二易感者数量、 第二现存疑似者数量、第二累计确诊者数量、第二累计痊愈者数量；对所 述传染病预测天数进行递减。
在本发明实施例的第三方面，还提供了一种服务器，包括处理器、通 信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信 总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面中任 一所述的传染病确诊者数量预测方法。
在本发明实施例的四方面，还提供了一种存储介质，所述存储介质中 存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面中任 一所述的传染病确诊者数量预测方法。
在本发明实施例的第五方面，还提供了一种包含指令的计算机程序产 品，当其在计算机上运行时，使得计算机执行上述第一方面中任一所述的 传染病确诊者数量预测方法。
本发明实施例提供的技术方案，通过确定传染病预测天数、基本传染 数、传染病潜伏周期，并基于以下步骤进行迭代，直至传染病预测天数归 零输出传染病第二累计确诊者数量：获取当前轮次对应的第一易感者数量、 第一现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数量，基于 第一累计痊愈者数量、第一累计确诊者数量、基本传染数以及传染病潜伏 周期更新预设传染病预测模型中系数，基于第一易感者数量、第一现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数量以及经过更新的传 染病预测模型，输出第二易感者数量、第二现存疑似者数量、第二累计确 诊者数量、第二累计痊愈者数量，对传染病预测天数进行递减。如此针对 现有传播动力学模型进行改进，可以准确对真实环境中传染病确诊者数量 进行预测。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本 发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对 实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地， 对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以 根据这些附图获得其他的附图。
图1为本发明实施例中示出的一种传染病预测模型示意图；
图2为本发明实施例中示出的一种传染病确诊者数量预测方法的实施 流程示意图；
图3为本发明实施例中示出的一种第二累计确诊者数量趋势示意图；
图4为本发明实施例中示出的一种传染病确诊者数量预测装置的结构 示意图；
图5为本发明实施例中示出的一种服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，而不是全部的实施 例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动 的前提下所获得的所有其他实施例，都属于本发明保护的范围。
首先对本发明实施例提供的传染病预测模型(即改进的传播动力学模 型)进行说明，该传染病预测模型可以基于SEIR模型进行改进，从而可以 对传染病的发展进行预测。如图1所示，为本发明实施例提供的传染病预 测模型示意图。
在本发明实施例中，对于人类社会总体人口划分为四个群体，定义如 下：易感者：在接触到确诊者之后可能会被感染；现存疑似者：对应国家 和各地相关机构公布的现存疑似病例数量，易感者被感染后变为疑似病例， 同时以一定的概率被确诊；累计确诊者：对应国家和各地相关机构公布的 累计确诊病例数量，确诊者以一定的概率被治愈或自愈；累计痊愈者：累 计痊愈的病例数量。
其中，N＝易感者(S)+现存疑似者(E)+累计确诊者(I)，图1中所示 α，γ1，γ2，β的定义为：α：疑似者转为确诊者的概率；γ1：疑似者被排出 的概率；γ2：确诊者痊愈概率；β：易感者被感染的概率。
综上，本发明实施例提供的传染病预测模型，包括：
其中，传染病预测模型中参数如下表1所示，传染病预测模型中参数 系数如下表2所示。
| 参数 | 含义 |
| N | 地区总人口数量 |
| S | 易感者数量 |
| E | 现存疑似者数量 |
| I | 累计确诊者数量 |
| R | 累计痊愈者数量 |
表1
| 系数 | 含义 |
| α， | 疑似者转为确诊者的概率 |
| γ1 | 疑似者被排出的概率 |
| γ2 | 确诊者痊愈概率 |
| β | 易感者被感染的概率 |
表2
其中参数N、S、E、I、R可以有由公开数据获取，γ1、γ2、α、β四个 系数的确认依据如下：γ2＝R/I、γ1＝A/B、α＝1/T、β＝R0×γ2，所述R为累计 痊愈者数量，所述I为累计确诊者数量，所述A为累计疑似者排除数量，所 述B为累计疑似者数量，所述T为传染病潜伏周期，所述R0为基本传染数。
基于上述传染病预测模型，如图2所示，为本发明实施例提供的一种 传染病确诊者数量预测方法的实施流程示意图，该方法具体可以包括以下 步骤：
S201，确定传染病预测天数、基本传染数、传染病潜伏周期，基于以 下步骤进行迭代，直至所述传染病预测天数归零输出传染病第二累计确诊 者数量：
在本发明实施例中，可以预测未来一段时间内传染病累计确诊者数量， 因此需要确定传染病预测天数、基本传染数、传染病潜伏周期等常量。
例如，对于传染病预测天数可以是自2020年2月12日起未来32天， 也可以是自2020年2月12日起未来1天(即2月13日)。
例如，对于基本传染数可以是R0，可以通过最大似然估计法根据历史 的确诊者数量计算得出。
例如，对于传染病潜伏周期T，可以是12天，可以是14天。
此外，本发明实施例还可以确定累计疑似者排除数量以及累计疑似者 数量。
在确定传染病预测天数、基本传染数、传染病潜伏周期、累计疑似者 排除数量以及累计疑似者数量之后，本发明实施例基于下述步骤S202至步 骤S205进行迭代，直至传染病预测天数归零输出传染病第二累计确诊者数 量。
其中，在本发明实施例中，基于下述步骤S202至步骤S205进行迭代， 直至传染病预测天数归零，可以输出最后轮次或者每一轮次的传染病第二 累计确诊者数量，用户可以自由选择，本发明实施例对此不作限定。
S202，获取当前轮次对应的第一易感者数量、第一现存疑似者数量、 第一累计确诊者数量、第一累计痊愈者数量；
在本发明实施例中，当当前轮次为首轮时，确定传染病预测区域以及 当前时刻，获取所述传染病预测区域、所述当前时刻对应的第一易感者数 量、第一现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数量。
此时，对于第一易感者数量、第一现存疑似者数量、第一累计确诊者 数量、第一累计痊愈者数量，可以视为传染病预测区域、当前时刻对应的 第一易感者数量、第一现存疑似者数量、第一累计确诊者数量、第一累计 痊愈者数量。
例如，在本发明实施例中，针对此次XXXX疫情，对XX(XX)XXX 地区进行传染病确诊者数量预测，确定当前时刻2020年2月12日，获取 XX(XX)XXX地区、当前时刻2020年2月12日对应的第一易感者数量、 第一现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数量，如下 所示：
由相关机构公布的数据可知，2月12日XX(XX)XXX地区第一累计 确诊者数量为11598，第一累计治愈者数量为2470；
XX(XX)现存疑似者数量为13435，其中XXX现存疑似者数量为9028， 由此可计算得出XX(XX)XXX地区的第一现存疑似者数量为 13435-9028＝4407；
此外假设XX(XX)XXX地区内现总人口数N为13亿，由此可以获 取传染病预测模型中的各人群参数，如下表3所示。
| 参数 | 含义 |
| N | 13亿 |
| S | 1299983995 |
| E | 4407 |
| I | 11598 |
| R | 2470 |
表3
其中，表1所示S为第一易感者数量，E为第一现存疑似者数量，I为 第一累计确诊者数量，R为第一累计痊愈者数量。
当当前轮次为非首轮时，获取当前轮次对应的第一易感者数量、第一 现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数量，即确定上 一轮次对应的第二易感者数量、第二现存疑似者数量、第二累计确诊者数 量、第二累计痊愈者数量为当前轮次对应的第一易感者数量、第一现存疑 似者数量、第一累计确诊者数量、第一累计痊愈者数量。
此时，将上一轮次对应的第二易感者数量、第二现存疑似者数量、第 二累计确诊者数量、第二累计痊愈者数量，视为当前轮次对应的第一易感 者数量、第一现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数 量，即当前轮次传染病预测模型的输入，为上一轮次模型的输出，可以如 下表4所示的对应关系。
| 当前轮次 | 上一轮次 |
| 第一易感者数量 | 第二易感者数量 |
| 第一现存疑似者数量 | 第二现存疑似者数量 |
| 第一累计确诊者数量 | 第二累计确诊者数量 |
| 第一累计痊愈者数量 | 第二累计痊愈者数量 |
表4
S203，基于所述第一累计痊愈者数量、所述第一累计确诊者数量、所 述基本传染数以及所述传染病潜伏周期更新预设传染病预测模型中系数；
在本发明实施例中，基于上述第一累计痊愈者数量、上述第一累计确 诊者数量、上述基本传染数、上述传染病潜伏周期、上述累计疑似者排除 数量以及上述累计疑似者数量更新预设传染病预测模型中系数。
具体地，基于γ2＝R/I、γ1＝A/B、α＝1/T、β＝R0×γ2更新传染病预测模型 中系数。
其中，所述R为所述第一累计痊愈者数量，所述I为所述第一累计确诊 者数量，所述A为所述累计疑似者排除数量，所述B为所述累计疑似者数量， 所述T为所述传染病潜伏周期，所述R0为所述基本传染数。
例如，如上述表3所示，传染病潜伏周期T为12天，则
R0根据最大似然估计法根据历史的确诊数计算得0.91626，由此可知：
β＝R0×γ2＝0.91626×0.213＝0.195；
γ1＝A/B，其中A和B可以是固定值，也可以动态调整。
S204，基于所述第一易感者数量、所述第一现存疑似者数量、所述第 一累计确诊者数量、所述第一累计痊愈者数量以及经过更新的传染病预测 模型，输出第二易感者数量、第二现存疑似者数量、第二累计确诊者数量、 第二累计痊愈者数量；
在本发明实施例中，对于传染病预测模型，可以如上述所示：
其中，所述S为所述第一易感者数量，所述N为所述第一易感者数量、 所述第一现存疑似者数量、所述第一累计确诊者数量之和，所述E为所述第 一现存疑似者数量，所述R为所述第一累计痊愈者数量，所述I为所述第一 累计确诊者数量，γ2＝R/I、γ1＝A/B、α＝1/T、β＝R0×γ2。
基于所述第一易感者数量、所述第一现存疑似者数量、所述第一累计 确诊者数量、所述第一累计痊愈者数量以及经过更新的传染病预测模型， 输出第二易感者数量、第二现存疑似者数量、第二累计确诊者数量、第二 累计痊愈者数量：
将所述第一易感者数量输入至经过更新的传染病预测模型式(1)中， 并在经过更新的传染病预测模型输出结果的基础之上加上所述第一易感者 数量输出第二易感者数量；
将所述第一现存疑似者数量输入至经过更新的传染病预测模型式(2) 中，并在经过更新的传染病预测模型输出结果的基础之上加上所述第一现 存疑似者数量输出第二现存疑似者数量；
将所述第一累计确诊者数量输入至经过更新的传染病预测模型式(3) 中，并在经过更新的传染病预测模型输出结果的基础之上加上所述第一累 计确诊者数量输出第二累计确诊者数量；
将所述第一累计痊愈者数量输入至经过更新的传染病预测模型式(4) 中，并在经过更新的传染病预测模型输出结果的基础之上加上所述第一累 计痊愈者数量输出第二累计痊愈者数量。
例如，可以预测2月13日XX(XX)XXX地区第二累计确诊者数量：
Inew＝I+αE＝11598+0.083*4407≈11964。
S205，对所述传染病预测天数进行递减。
在本发明实施例中，对于上述传染病预测天数进行递减，以便于传染 病预测天数归零，可以输出最后轮次或者每一轮次的传染病第二累计确诊 者数量，意味着当传染病预测天数归零，即可输出最后轮次或者每一轮次 的传染病第二累计确诊者数量。
其中，在本发明实施例中可以基于预设的递减规则对传染病预测天数 进行减1，直至传染病预测天数归零，可以输出最后轮次或者每一轮次的传 染病第二累计确诊者数量。
例如，可以预测自2020年2月12日起未来32天XX(XX)XXX地 区第二累计确诊者数量，可以得到如图3所示的第二累计确诊者数量趋势 示意图。
通过上述对本发明实施例提供的技术方案的描述，通过确定传染病预 测天数、基本传染数、传染病潜伏周期，并基于以下步骤进行迭代，直至 传染病预测天数归零输出传染病第二累计确诊者数量：获取当前轮次对应 的第一易感者数量、第一现存疑似者数量、第一累计确诊者数量、第一累 计痊愈者数量，基于第一累计痊愈者数量、第一累计确诊者数量、基本传 染数以及传染病潜伏周期更新预设传染病预测模型中系数，基于第一易感者数量、第一现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数 量以及经过更新的传染病预测模型，输出第二易感者数量、第二现存疑似 者数量、第二累计确诊者数量、第二累计痊愈者数量，对传染病预测天数 进行递减。如此针对现有传播动力学模型进行改进，可以准确对真实环境 中传染病确诊者数量进行预测。
与上述方法实施例相对应，本发明实施例还提供了一种传染病确诊者 数量预测装置，如图4所示，该装置可以包括：确定模块410、迭代输出模 块420。
确定模块410，用于确定传染病预测天数、基本传染数、传染病潜伏周 期；
迭代输出模块420，用于基于以下步骤进行迭代，直至所述传染病预测 天数归零输出传染病第二累计确诊者数量：获取当前轮次对应的第一易感 者数量、第一现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数 量；基于所述第一累计痊愈者数量、所述第一累计确诊者数量、所述基本 传染数以及所述传染病潜伏周期更新传染病预测模型中系数；基于所述第 一易感者数量、所述第一现存疑似者数量、所述第一累计确诊者数量、所述第一累计痊愈者数量以及经过更新的传染病预测模型，输出第二易感者 数量、第二现存疑似者数量、第二累计确诊者数量、第二累计痊愈者数量； 对所述传染病预测天数进行递减。
本发明实施例还提供了一种服务器，如图5所示，包括处理器51、通 信接口52、存储器53和通信总线54，其中，处理器51，通信接口52，存 储器53通过通信总线54完成相互间的通信，
存储器53，用于存放计算机程序；
处理器51，用于执行存储器53上所存放的程序时，实现如下步骤：
确定传染病预测天数、基本传染数、传染病潜伏周期，基于以下步骤 进行迭代，直至所述传染病预测天数归零输出传染病第二累计确诊者数量： 获取当前轮次对应的第一易感者数量、第一现存疑似者数量、第一累计确 诊者数量、第一累计痊愈者数量；基于所述第一累计痊愈者数量、所述第 一累计确诊者数量、所述基本传染数以及所述传染病潜伏周期更新预设传 染病预测模型中系数；基于所述第一易感者数量、所述第一现存疑似者数量、所述第一累计确诊者数量、所述第一累计痊愈者数量以及经过更新的 传染病预测模型，输出第二易感者数量、第二现存疑似者数量、第二累计 确诊者数量、第二累计痊愈者数量；对所述传染病预测天数进行递减。
上述服务器提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地 址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示， 但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述服务器与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)， 也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储 器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是 数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路 (Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field －Programmable GateArray，简称FPGA)或者其他可编程逻辑器件、分立门 或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种存储介质，该存储介质 中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任 一所述的传染病确诊者数量预测方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序 产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的 传染病确诊者数量预测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任 意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品 的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机 上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施 例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算 机网络、或者其他可编程装置。所述计算机指令可以存储在存储介质中， 或者从一个存储介质向另一个存储介质传输，例如，所述计算机指令可以 从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、 光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另 一个网站站点、计算机、服务器或数据中心进行传输。所述存储介质可以 是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如， 软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬 盘Solid State Disk(SSD))等。
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。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相 同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的 不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例， 所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护 范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等， 均包含在本发明的保护范围内。
Claims (11)
1.一种传染病确诊者数量预测方法，其特征在于，所述方法包括：
确定传染病预测天数、基本传染数、传染病潜伏周期，基于以下步骤进行迭代，直至所述传染病预测天数归零输出传染病第二累计确诊者数量：
获取当前轮次对应的第一易感者数量、第一现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数量；
基于所述第一累计痊愈者数量、所述第一累计确诊者数量、所述基本传染数以及所述传染病潜伏周期更新预设传染病预测模型中系数；
基于所述第一易感者数量、所述第一现存疑似者数量、所述第一累计确诊者数量、所述第一累计痊愈者数量以及经过更新的传染病预测模型，输出第二易感者数量、第二现存疑似者数量、第二累计确诊者数量、第二累计痊愈者数量；
对所述传染病预测天数进行递减。
2.根据权利要求1所述的方法，其特征在于，当当前轮次为首轮时，所述获取当前轮次对应的第一易感者数量、第一现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数量，包括：
确定传染病预测区域以及当前时刻；
获取所述传染病预测区域所述当前时刻对应的第一易感者数量、第一现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数量。
3.根据权利要求1所述的方法，其特征在于，当当前轮次为非首轮时，所述获取当前轮次对应的第一易感者数量、第一现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数量，包括：
确定上一轮次对应的第二易感者数量、第二现存疑似者数量、第二累计确诊者数量、第二累计痊愈者数量为当前轮次对应的第一易感者数量、第一现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数量。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定累计疑似者排除数量以及累计疑似者数量；
基于所述第一累计痊愈者数量、所述第一累计确诊者数量、所述基本传染数以及所述传染病潜伏周期更新传染病预测模型中系数，包括：
基于γ2＝R/I、γ1＝A/B、α＝1/T、β＝R0×γ2更新传染病预测模型中系数；
其中，所述R为所述第一累计痊愈者数量，所述I为所述第一累计确诊者数量，所述A为所述累计疑似者排除数量，所述B为所述累计疑似者数量，所述T为所述传染病潜伏周期，所述R0为所述基本传染数。
5.根据权利要求4所述的方法，其特征在于，所述传染病预测模型，包括：
其中，所述S为所述第一易感者数量，所述N为所述第一易感者数量、所述第一现存疑似者数量、所述第一累计确诊者数量之和，所述E为所述第一现存疑似者数量。
6.根据权利要求5所述的方法，其特征在于，所述基于所述第一易感者数量、所述第一现存疑似者数量、所述第一累计确诊者数量、所述第一累计痊愈者数量以及经过更新的传染病预测模型，输出第二易感者数量、第二现存疑似者数量、第二累计确诊者数量、第二累计痊愈者数量，包括：
将所述第一易感者数量输入至经过更新的传染病预测模型式(1)中，并在经过更新的传染病预测模型输出结果的基础之上加上所述第一易感者数量输出第二易感者数量；
将所述第一现存疑似者数量输入至经过更新的传染病预测模型式(2)中，并在经过更新的传染病预测模型输出结果的基础之上加上所述第一现存疑似者数量输出第二现存疑似者数量；
将所述第一累计确诊者数量输入至经过更新的传染病预测模型式(3)中，并在经过更新的传染病预测模型输出结果的基础之上加上所述第一累计确诊者数量输出第二累计确诊者数量；
将所述第一累计痊愈者数量输入至经过更新的传染病预测模型式(4)中，并在经过更新的传染病预测模型输出结果的基础之上加上所述第一累计痊愈者数量输出第二累计痊愈者数量。
7.根据权利要求1所述的方法，其特征在于，所述对所述传染病预测天数进行递减，包括：
基于预设的递减规则对所述传染病预测天数进行减1。
8.根据权利要求1所述的方法，其特征在于，所述直至所述传染病预测天数归零输出传染病第二累计确诊者数量，包括：
直至所述传染病预测天数归零，输出最后轮次或者每一轮次的传染病第二累计确诊者数量。
9.一种传染病确诊者数量预测装置，其特征在于，所述装置包括：
确定模块，用于确定传染病预测天数、基本传染数、传染病潜伏周期；
迭代输出模块，用于基于以下步骤进行迭代，直至所述传染病预测天数归零输出传染病第二累计确诊者数量：获取当前轮次对应的第一易感者数量、第一现存疑似者数量、第一累计确诊者数量、第一累计痊愈者数量；基于所述第一累计痊愈者数量、所述第一累计确诊者数量、所述基本传染数以及所述传染病潜伏周期更新传染病预测模型中系数；基于所述第一易感者数量、所述第一现存疑似者数量、所述第一累计确诊者数量、所述第一累计痊愈者数量以及经过更新的传染病预测模型，输出第二易感者数量、第二现存疑似者数量、第二累计确诊者数量、第二累计痊愈者数量；对所述传染病预测天数进行递减。
10.一种服务器，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-8中任一所述的方法步骤。
11.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010197391.6A CN113496780B (zh) | 2020-03-19 | 2020-03-19 | 传染病确诊者数量预测方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010197391.6A CN113496780B (zh) | 2020-03-19 | 2020-03-19 | 传染病确诊者数量预测方法、装置、服务器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113496780A true CN113496780A (zh) | 2021-10-12 |
| CN113496780B CN113496780B (zh) | 2023-11-03 |
Family
ID=77993496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010197391.6A Active CN113496780B (zh) | 2020-03-19 | 2020-03-19 | 传染病确诊者数量预测方法、装置、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113496780B (zh) |
Cited By (1)
| 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 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004024463A (ja) * | 2002-06-25 | 2004-01-29 | Hitachi High-Technologies Corp | 感染症知識ベース編集支援方法およびそのプログラム |
| CN102222163A (zh) * | 2011-05-25 | 2011-10-19 | 中国人民解放军防化指挥工程学院 | 一种具有免疫期且受季节影响的传染病疫情预测方法 |
| US20150327518A1 (en) * | 2014-05-14 | 2015-11-19 | Foundation of Soongsil University-lndustry Cooperation | Method of monitoring infectious disease, system using the same, and recording medium for performing the same |
| KR20170021692A (ko) * | 2015-08-18 | 2017-02-28 | 주식회사 에스원 | 전염병 감염 의심자의 이동 경로 추적 시스템 및 이를 이용한 이동 경로 추적 방법 |
| KR101779705B1 (ko) * | 2016-03-16 | 2017-09-20 | 한양대학교 산학협력단 | 사물인터넷기반 신종 감염병 예측 대응 플랫폼 시스템 |
| CN108364694A (zh) * | 2018-03-09 | 2018-08-03 | 中华人民共和国陕西出入境检验检疫局 | 基于多数据源大数据的机场疾病预警及防控系统构建方法 |
| CN108986921A (zh) * | 2018-07-04 | 2018-12-11 | 泰康保险集团股份有限公司 | 疾病预测方法、装置、介质及电子设备 |
| RU2677002C1 (ru) * | 2017-01-31 | 2019-01-14 | Юрий Иванович Нечаев | Способ эволюционного моделирования эпидемической динамики вич-инфекции |
| CN109859854A (zh) * | 2018-12-17 | 2019-06-07 | 中国科学院深圳先进技术研究院 | 传染病预测方法、装置、电子设备及计算机可读介质 |
| KR101960504B1 (ko) * | 2017-12-18 | 2019-07-15 | 세종대학교산학협력단 | 전염병 확산 예측 모델링 장치 및 방법 |
| WO2019196281A1 (zh) * | 2018-04-11 | 2019-10-17 | 平安科技（深圳）有限公司 | 流行病分级预测方法及装置、计算机装置及可读存储介质 |
| CN110517739A (zh) * | 2019-06-28 | 2019-11-29 | 遵义医学院附属医院 | 一种用于结核病信息进行采集的装置和方法 |
-
2020
- 2020-03-19 CN CN202010197391.6A patent/CN113496780B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004024463A (ja) * | 2002-06-25 | 2004-01-29 | Hitachi High-Technologies Corp | 感染症知識ベース編集支援方法およびそのプログラム |
| CN102222163A (zh) * | 2011-05-25 | 2011-10-19 | 中国人民解放军防化指挥工程学院 | 一种具有免疫期且受季节影响的传染病疫情预测方法 |
| US20150327518A1 (en) * | 2014-05-14 | 2015-11-19 | Foundation of Soongsil University-lndustry Cooperation | Method of monitoring infectious disease, system using the same, and recording medium for performing the same |
| KR20170021692A (ko) * | 2015-08-18 | 2017-02-28 | 주식회사 에스원 | 전염병 감염 의심자의 이동 경로 추적 시스템 및 이를 이용한 이동 경로 추적 방법 |
| KR101779705B1 (ko) * | 2016-03-16 | 2017-09-20 | 한양대학교 산학협력단 | 사물인터넷기반 신종 감염병 예측 대응 플랫폼 시스템 |
| RU2677002C1 (ru) * | 2017-01-31 | 2019-01-14 | Юрий Иванович Нечаев | Способ эволюционного моделирования эпидемической динамики вич-инфекции |
| KR101960504B1 (ko) * | 2017-12-18 | 2019-07-15 | 세종대학교산학협력단 | 전염병 확산 예측 모델링 장치 및 방법 |
| CN108364694A (zh) * | 2018-03-09 | 2018-08-03 | 中华人民共和国陕西出入境检验检疫局 | 基于多数据源大数据的机场疾病预警及防控系统构建方法 |
| WO2019196281A1 (zh) * | 2018-04-11 | 2019-10-17 | 平安科技（深圳）有限公司 | 流行病分级预测方法及装置、计算机装置及可读存储介质 |
| CN108986921A (zh) * | 2018-07-04 | 2018-12-11 | 泰康保险集团股份有限公司 | 疾病预测方法、装置、介质及电子设备 |
| CN109859854A (zh) * | 2018-12-17 | 2019-06-07 | 中国科学院深圳先进技术研究院 | 传染病预测方法、装置、电子设备及计算机可读介质 |
| CN110517739A (zh) * | 2019-06-28 | 2019-11-29 | 遵义医学院附属医院 | 一种用于结核病信息进行采集的装置和方法 |
Non-Patent Citations (3)
| Title |
|---|
| DUGAS, AF，等: "Influenza Forecasting with Google Flu Trends", PLOS ONE, vol. 08, no. 02, pages 56176 * |
| 罗成，等: "SIR模型在成人麻疹爆发及其疫情控制评价中的应用", 山东大学学报(医学版), vol. 54, no. 09, pages 87 - 91 * |
| 陈恩，等: "一种基于WPF方法的SEIR传染病动力学模型仿真研究", 医疗卫生装备, no. 03, pages 1 - 6 * |
Cited By (2)
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113496780B (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hans | Model uncertainty and variable selection in Bayesian lasso regression | |
| Devleesschauwer et al. | DALY calculation in practice: a stepwise approach | |
| Austin et al. | Why summary comorbidity measures such as the Charlson comorbidity index and Elixhauser score work | |
| US10685138B2 (en) | Re-identification risk measurement estimation of a dataset | |
| US10026114B2 (en) | System for clustering and aggregating data from multiple sources | |
| US10242213B2 (en) | Asymmetric journalist risk model of data re-identification | |
| EP1950684A1 (en) | Anonymity measuring device | |
| US10430716B2 (en) | Data driven featurization and modeling | |
| WO2020181807A1 (zh) | 健康提醒方法、装置、计算机设备及存储介质 | |
| Unwin et al. | Using Hawkes Processes to model imported and local malaria cases in near-elimination settings | |
| Acosta et al. | A flexible statistical framework for estimating excess mortality | |
| WO2021159813A1 (zh) | 数据类别确定方法及装置、终端设备、存储介质 | |
| Friedman | Contrast trees and distribution boosting | |
| US8417541B1 (en) | Multi-stage model for predicting probabilities of mortality in adult critically ill patients | |
| CN113496780A (zh) | 传染病确诊者数量预测方法、装置、服务器及存储介质 | |
| CN114496140B (zh) | 查询条件的数据匹配方法、装置、设备及介质 | |
| Poirier et al. | Influenza forecasting for French regions combining EHR, web and climatic data sources with a machine learning ensemble approach | |
| US20200051698A1 (en) | Precision clinical decision support with data driven approach on multiple medical knowledge modules | |
| Chang et al. | A hybrid Bayesian adaptive design for dose response trials | |
| CN112382406B (zh) | 传染病的基本再生数的估算方法及装置、介质和设备 | |
| JP6747438B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
| US20150339602A1 (en) | System and method for modeling health care costs | |
| Jochmann | What belongs where? Variable selection for zero-inflated count models with an application to the demand for health care | |
| WO2022227219A1 (zh) | 房产指数数据分析方法、装置、设备及存储介质 | |
| Bello et al. | Application of Bootstrap Re-sampling Method to a Categorical Data of HIV/AIDS Spread across different Social-Economic Classes |
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 |