CN113838580B - 传染病传染规模预测方法、装置、存储介质及电子设备 - Google Patents

传染病传染规模预测方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN113838580B
CN113838580B CN202111030999.0A CN202111030999A CN113838580B CN 113838580 B CN113838580 B CN 113838580B CN 202111030999 A CN202111030999 A CN 202111030999A CN 113838580 B CN113838580 B CN 113838580B
Authority
CN
China
Prior art keywords
newly
symptomatic
infected
target parameter
sample data
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
Application number
CN202111030999.0A
Other languages
English (en)
Other versions
CN113838580A (zh
Inventor
梁世浩
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.)
Yidu Cloud Beijing Technology Co Ltd
Original Assignee
Yidu Cloud Beijing Technology 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 Yidu Cloud Beijing Technology Co Ltd filed Critical Yidu Cloud Beijing Technology Co Ltd
Priority to CN202111030999.0A priority Critical patent/CN113838580B/zh
Publication of CN113838580A publication Critical patent/CN113838580A/zh
Application granted granted Critical
Publication of CN113838580B publication Critical patent/CN113838580B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明公开一种传染病传染规模预测方法、装置、存储介质及电子设备，该方法包括：在设定历史时间段内采集设定地区的多条样本数据，根据所述样本数据，对预设模型中的目标参数进行计算，得到目标参数的估计值；根据目标参数的估计值和所述预设模型，确定目标参数的标准值，所述目标参数包括感染发现率；根据所述目标参数的标准值和所述预设模型得到预测模型，根据所述预测模型预测所述传染病新增人数。该方法在预测模型时考虑到感染发现率以及感染发现率的变化，以基于确定感染发现率后，通过预测模型准确预测传染病传染规模，从而有利于传染病防控。

Description

传染病传染规模预测方法、装置、存储介质及电子设备
技术领域
本发明涉及大数据技术领域，尤其涉及一种传染病传染规模预测方法、装置、存储介质及电子设备。
背景技术
传染病传播是病原体从已感染者排出，经过一定的传播途径，传入易感者而形成新的传染的全部过程，对于具有隐蔽性和高传染性等特点的病原体，则会导致传染病在人群中大规模传染。因此对未来传染病传染规模进行准确预测，对于传染病防控具有重要意义。
发明内容
本发明提供一种传染病传染规模预测方法、装置、存储介质及电子设备，以至少解决现有技术中存在的以上技术问题。
本发明一方面提供一种传染病传染规模预测方法，该方法包括：
在设定历史时间段内采集设定地区的多条样本数据，根据所述样本数据，对预设模型中的目标参数进行计算，得到目标参数的估计值；
根据目标参数的估计值和所述预设模型，确定目标参数的标准值，所述目标参数包括感染发现率；
根据所述目标参数的标准值和所述预设模型得到预测模型，根据所述预测模型预测所述传染病新增人数。
在一可实施方式中，所述样本数据包括采集时间段对应的有症状感染者的第一新增数量；
所述根据目标参数的估计值和所述预设模型，确定目标参数的标准值，包括：
根据所述样本数据对应的所述目标参数的估计值，通过所述预设模型计算所述样本数据对应的有症状感染者的第二新增数量；
比较所述第二新增数量和所述第一新增数量，若比较结果符合预设条件，则记录所述样本数据对应的所述目标参数的估计值；
根据记录的目标参数的多个估计值确定目标参数的标准值。
在一可实施方式中，所述通过所述预设模型计算所述样本数据对应的有症状感染者的第二新增数量，包括：
确定所述预设模型中的初始值，所述初始值包括易感者数量、潜伏者数量、移除者数量、有症状感染者数量和无症状感染者数量；
根据所述初始值和所述样本数据对应的目标参数的估计值，通过所述预设模型计算所述样本数据对应的有症状感染者数量在所述设定历史时间段内随时间的变化率；
根据所述变化率获取所述设定历史时间段内每个所述采集时间段对应的第二新增数量。
在一可实施方式中，根据所述预测模型预测所述传染病新增人数，包括：
根据所述设定地区的初始潜伏者数量、初始有症状感染者数量、所述感染发现率的标准值、潜伏者向感染态人群的转移概率和感染态人群向移除者转移的概率，确定有症状感染者数量随时间的变化率，根据所述变化率确定有症状感染者每日新增人数；
所述感染态人群包括有症状感染者和无症状感染者。
在一可实施方式中，根据所述预测模型预测所述传染病新增人数，包括：
根据所述设定地区的初始潜伏者数量、初始无症状感染者数量、所述感染发现率的标准值、潜伏者向感染态人群的转移概率和感染态人群向移除者转移的概率，确定无症状感染者数量随时间的变化率，根据所述变化率确定无症状感染者每日新增人数；
所述感染态人群包括有症状感染者和无症状感染者。
在一可实施方式中，该方法该包括：
将所有第一新增数量按照所述采集时间段排列组成第一新增数量序列；
将所有第二新增数量按照所述采集时间段排列组成第二新增数量序列；
所述比较所述第二新增数量和所述第一新增数量，若比较结果符合预设条件，则记录所述样本数据对应的所述目标参数的估计值，包括：计算所述第二新增数量序列和所述第一新增数量序列的似然值，若似然值满足预设条件，则记录所述样本数据对应的所述目标参数的估计值。
本发明另一方面提供一种传染病传染规模预测装置，该装置包括：
采集模块，用于在设定历史时间段内采集设定地区的多条样本数据，根据所述样本数据，对预设模型中的目标参数进行计算，得到目标参数的估计值；
确定模块，用于根据目标参数的估计值和所述预设模型，确定目标参数的标准值，所述目标参数包括感染发现率；
预测模块，用于根据所述目标参数的标准值和所述预设模型得到预测模型，根据所述预测模型预测所述传染病新增人数。
在一可实施方式中，所述样本数据包括采集时间段对应的有症状感染者的第一新增数量；
所述确定模块，具体用于：
根据所述样本数据对应的所述目标参数的估计值，通过所述预设模型计算所述样本数据对应的有症状感染者的第二新增数量；
比较所述第二新增数量和所述第一新增数量，若比较结果符合预设条件，则记录所述样本数据对应的所述目标参数的估计值；
根据记录的目标参数的多个估计值确定目标参数的标准值。
在一可实施方式中，通过所述预设模型计算所述样本数据对应的有症状感染者的第二新增数量，包括：
确定所述预设模型中的初始值，所述初始值包括易感者数量、潜伏者数量、移除者数量、有症状感染者数量和无症状感染者数量；
根据所述初始值和所述样本数据对应的目标参数的估计值，通过所述预设模型计算所述样本数据对应的有症状感染者数量在所述设定历史时间段内随时间的变化率；
根据所述变化率获取所述设定历史时间段内每个所述采集时间段对应的第二新增数量。
在一可实施方式中，所述预测模块用于：
根据所述设定地区的初始潜伏者数量、初始有症状感染者数量、所述感染发现率的标准值、潜伏者向感染态人群的转移概率和感染态人群向移除者转移的概率，确定有症状感染者数量随时间的变化率，根据所述变化率确定有症状感染者每日新增人数；
所述感染态人群包括有症状感染者和无症状感染者。
在一可实施方式中，该装置还包括记录模块，所述记录模块用于：
将所有第一新增数量按照所述采集时间段排列组成第一新增数量序列；
将所有第二新增数量按照所述采集时间段排列组成第二新增数量序列；
所述比较所述第二新增数量和所述第一新增数量，若比较结果符合预设条件，则记录所述样本数据对应的所述目标参数的估计值，包括：计算所述第二新增数量序列和所述第一新增数量序列的似然值，若似然值满足预设条件，则记录所述样本数据对应的所述目标参数的估计值。
本发明再一方面提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明所述的传染病传染规模预测方法。
本发明还一方面提供一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明所述的传染病传染规模预测方法。
本发明提供一种传染病传染规模预测方法、装置、存储介质及电子设备，该方法根据不同时间段的历史样本数据，计算预设模型中目标参数的估计值，根据目标参数的估计值和预设模型确定目标参数的标准值，再根据目标参数的估计值和预设模型得到预测模型，根据预测模型预测传染病新增人数。该方法在预测模型时考虑到感染发现率以及感染发现率的变化，以基于确定感染发现率后，通过预测模型准确预测传染病传染规模，从而有利于传染病防控。
附图说明
图1示出了一实施例的一种传染病传染规模预测方法的流程示意图；
图2示出了一实施例传染病模型的结构示意图；
图3示出了一实施例的一种传染病传染规模预测装置的结构示意图；
图4示出了一实施例电子设备的结构示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂，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，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
为了提高传染病传染规模预测的准确性，本申请提出了一种传染病传染规模预测方法，如图1所示，该方法包括：
步骤S101、在设定历史时间段内采集设定地区的多条样本数据，根据所述样本数据，对预设模型中的目标参数进行计算，得到目标参数的估计值。
在一示例中，一种传染病模型，如图2所示，在该模型中，人群分为以下几类：
易感染者S：指没有感染过传染病，迄今健康的人群；
潜伏者E：指正处在传染病潜伏期的人群；
有症状感染者I：是指感染传染病，有临床症状且具有传染性，被纳入确诊病例的人群，I类人群可以传播给S类人群，将其变为E类人群；
无症状感染者A：是指感染了传染病，但无相关临床症状的人群，不被纳入确诊病例的人群，A类人群可以传播给S类人群，将其变为E类人群；
在一个示例中，可将有症状感染和无症状感染统称为感染态，则感染态人数即有症状感染者I和无症状感染者A的数量之和；
移除者R：是指移除的人群，包括康复人群和死亡人群，康复人群是指经过隔离或治疗后痊愈而有免疫力的人群，R类人群不再与S、E、A、I人群之间有传染或被传染的可能。
在上述模型中：
α表示：无症状感染者A相对有症状感染者I的传染性比例；
β表示：(有症状感染者I的传染性)有效接触率；
σ表示：潜伏者E向感染态(I+A)的转移概率；
γ表示：感染态(I+A)向移除者R的转移概率；
r表示：有症状感染者I在感染态(I+A)中所占的比例，即感染发现率；
1-r表示：无症状感染者A在感染态(I+A)中所占的比例。
在一个示例中，所述样本数据包括采集时间段对应的有症状感染者第一新增数量。
在进行传染病传染规模预测时，首先需要针对某个设定地区(例如疫情区)进行数据采集，数据采集的时间段可以为设定的历史时间段，将该历史时间段均分为多个连续的单位时间段，每个单位时间段对应的数据即为一条样本数据。在一示例中，每条样本数据包括单位时间段内的有症状感染者I的新增数量，为了描述方便，这里记为第一新增数量。
假设设定地区为A地区，设定历史时间段为2020年5月1日-2020年5月31日，假设采集时间段为一天，即一天的数据构成一条样本数据，那么设定历史时间段内可以采集到31条样本数据，如下表1所示：
日期 I新增数量
2020/5/1 0
2020/5/2 0
…
2020/5/18 5
2020/5/19 10
…
2020/5/31 7
表1
在表1中，“I新增数量”即表示当天有症状感染者的新增数量，例如，2020年5月1日A地区新增有症状感染者0例，即2020年5月1日的样本数据对应的第一新增数量为0，说明2020年5月1日之前的潜伏者E在2020年5月1日当天没有转化为有症状感染者I；再例如，2020年5月18日A地区新增有症状感染者5例，则该条样本数据对应的第一数量为5，说明经过一定的潜伏期后，潜伏者E中5人转化为有症状感染者I。
在一个示例中，目标参数包括感染发现率，感染发现率是有症状感染者I数量占感染态人数的比例。对预设模型中的目标参数进行计算的方法可采用MCMC算法，先获取感染发现率的先验分布；基于采集时间段对应的有症状感染者的第一新增数量和先验分布，并采用MCMC算法进行迭代计算，直至迭代计算的迭代结果收敛，输出感染发现率的估计值。
在一个示例中，目标参数还包括有效接触率β，如果易感染者S经过与有症状感染者I的一次接触就感染了传染病，则这样的接触为有效接触，有效接触率即一个易感者S与有症状感染者I接触，被传染的概率，因此，可用有效接触率来表征有症状感染者I的传染性。则上述将样本数据中的采集时间段和对应的第一新增数量作输入马尔科夫链蒙特卡洛(MCMC)算法时，还可得到有效接触率的估计值。
步骤S102、根据目标参数的估计值和所述预设模型，确定目标参数的标准值，所述目标参数包括感染发现率。
在一个示例中，所述根据目标参数的估计值和所述预设模型，确定目标参数的标准值，包括：
根据所述样本数据对应的所述目标参数的估计值，通过所述预设模型计算所述样本数据对应的有症状感染者的第二新增数量；
比较所述第二新增数量和所述第一新增数量，若比较结果符合预设条件，则记录所述样本数据对应的所述目标参数的估计值；
根据记录的目标参数的多个估计值确定目标参数的标准值。
在本申请示例中，采用预设模型来计算有症状感染者I的新增数量，这里记为第二新增数量，所述预设模型如下所示：
N＝St+Et+It+At+Rt 公式(6)
其中，r为感染发现率；N为设定地区的人员总数量。不考虑设定地区人口的出生与死亡，迁入与迁出，因此每条样本数据中的人员总数量N不变。
所述传染病α的经验值为0.55。
潜伏者E向感染态的转移概率σ，指潜伏者E有多大概率会发病，即潜伏者E转移成感染态的概率，该转移概率σ可为已知平均潜伏期的倒数，例如传染病的平均潜伏期为5天，则潜伏者E向感染态的转移概率σ为1/5。
感染态向移除者R的转移概率γ，即感染态人群(无症状感染者A和有症状感染者I)康复的概率，该转移概率γ可为平均康复期的倒数，例如传染病平均康复期为30天，则由感染态向移除者R的转移概率γ为1/30。
在上述的预设模型中，表示易感染者S数量随时间的变化率；/>表示潜伏者E数量随时间的变化率；/>表示无症状感染者A数量随时间的变化率；/>表示移除者R数量随时间的变化率；/>表示有症状感染者I数量随时间的变化率。计算出上述的变化率后，即可得到该变化率对应的曲线。
需要说明的是，只要通过上述预设模型计算出有症状感染者I数量随时间的变化率、即有症状感染者I对应的曲线，那么在该曲线中即可确定某个采集时间段对应的有症状感染者I的第二新增数量，该过程包括：
(1)确定预设模型中的初始值，即待计算的曲线的起点。
在一个示例中，模型的初始值包括：S0、E0、I0、A0、R0，通过以下的公式计算各初始值：
R0设定为0；
E0＝I0/r0；
A0＝I0×r0 -1(1-r0)；
S0＝N-E0-A0-I0-R0；
其中，r0＝有症状感染者数量/感染态人数，这里，假设设定地区为A地区，选定一个与设定历史时间段相邻的前一个时间段(长度不限)，统计出在该时间段内A地区输入至B地区的有症状感染者I的数量和A地区输入至B地区的感染态人数，以此来计算出r0。N为A地区的人员总数。
在另一个示例中，也可以以样本数据中第一个采集时间段相邻的前一个时间段(长度不限)的数据为初始值，例如，承接表1的例子，可以以2020年4月30日的S、E、I、A、R为S0、E0、I0、A0、R0。
本申请示例中对于曲线起点的确定方式不做具体限定。
(2)根据所述初始值和所述样本数据对应的目标参数的估计值，通过所述预设模型计算所述样本数据对应的有症状感染者数量在所述设定历史时间段内随时间的变化率。
确定了曲线的起点之后，开始进行曲线的计算：
如上述步骤所述，每条样本数据经过MCMC算法后，可输出一组目标参数的估计值包括r(感染发现率)和β(有效接触率)，假设有n条样本数据，经过MCMC算法后，可输出n组r和β，记为(r1，β1)，(r2，β2)，(r3，β3)，....，(rn，βn)。
以(r1，β1)为例：将初始值S0、E0、I0、A0、R0，以及参数α、σ、γ、r1和β1输入上述模型，即可计算出传染病模型中各类人群数量在设定历史时间段内随时间的变化率、即各类人群对应的曲线，每条曲线对应的时间段即为所有样本数据对应的设定历史时间段。
(3)根据所述变化率获取所述设定历史时间段内每个所述采集时间段对应的第二新增数量。
根据采集时间段，即可从有症状感染者I的曲线上确定对应的有症状感染者I的数量，从而计算出各个采集时间段对应的有症状感染者I的第二新增数量。
下面以表1的例子进行更详细的说明：经过步骤S102的计算可以得到31组r和β，记为(r1，β1)，(r2，β2)，(r3，β3)，....，(r31，β31)。在确定了曲线的起点之后，将起点数据和(r1，β1)带入上述模型，即可得到2021年5月1日至5月31日这段时间内各类人群数量的变化率。那么，根据有症状感染者I的变化率对应的曲线，将5月1日和起点的有症状感染者I的数量进行减法运算，即可得到5月1日的第二新增数量；将5月2日和5月1日的有症状感染者I的数量进行减法运算，即可得到5月2日的第二新增数量，依次类推，可得到和每个采集时间段对应的第二新增数量。
在一个示例中，比较所述第二新增数量和所述第一新增数量，若两者误差在预设范围内，则记录所述样本数据对应的所述目标参数的估计值。
首先，可将所有第一新增数量序列按照所述采集时间段排列组成第一新增数量序列；将所有第二新增数量序列按照所述采集时间段排列组成第二新增数量序列。
在一个示例中，所述比较所述第二新增数量和所述第一新增数量，若比较结果符合预设条件，则记录所述样本数据对应的所述目标参数的估计值，包括：计算所述第二新增数量序列和所述第一新增数量序列的似然值，若似然值满足预设条件，则记录所述样本数据对应的所述目标参数的估计值。举例说明：实际2020年5月1日至2020年5月31日某地区每日新增有症状感染者组成第一新增数量序列；采用根据某条样本数据计算出的目标参数的估计值，经过预设模型计算出2020年5月1日至2020年5月31日某地区每日新增有症状感染者组成第二新增数量序列。利用泊松分布，计算两个序列的似然值，如果似然值为na或无穷值，则舍弃该条样本数据对应的目标参数的估计值、即感染发现率和有效接触率的值；否则，接受并记录目标参数的估计值。
针对每条样本数据均执行一遍上述步骤，由此，会记录符合条件的多个估计值。
根据记录的多个符合要求的感染发现率的估计值，对多个估计值计算平均值和置信区间，即为感染发现率的标准值，举例说明：置信区间为[0.025,0.975]，则感染发现率的标准值在0.025～0.975之间波动，可以根据实际疫情环境，对于感染发现率数值进行参数调整。采用同样方法，可计算要估计的有效接触率的标准值。
步骤S103、根据所述目标参数的标准值和所述预设模型得到预测模型，根据所述预测模型预测所述传染病新增人数。
在一个示例中，将感染发现率r的标准值和有效接触率β的标准值代入预设模型中得到预测模型，使用该预测模型可以根据当日各类人群数量预测出第二日各类人群的新增数量，即易感者新增数量、潜伏者新增数量、无症状感染者新增数量、有症状感染者新增数量及移除者新增数量。
在一个示例中，根据所述预测模型预测所述传染病新增人数，包括：
根据所述设定地区的初始潜伏者数量、初始有症状感染者数量、所述感染发现率的标准值、潜伏者向感染态人群的转移概率和感染态人群向移除者转移的概率，确定有症状感染者数量随时间的变化率，根据所述变化率确定有症状感染者每日新增人数；
所述感染态人群包括有症状感染者和无症状感染者。
举例说明：预测A地区2020年6月1日至2020年6月30日有症状感染者每日新增人数，以2020年5月31日作为预测的初始时间，这一日初始潜伏者数量记为E0、初始有症状感染者数量记为I0。将感染发现率r的标准值、初始潜伏者数量E0、初始有症状感染者数量I0、潜伏者向感染态人群的转移概率σ和感染态人群向移除者转移的概率γ代入公式(3)后，即可计算出有症状感染者I的数量随时间的变化率计算出上述的变化率后，即可得到有症状感染者I对应的曲线，那么在该曲线中即可确定有症状感染者I每日的数量。假设初始有症状感染者数量I0为30人，6月1日有症状感染者I的数量为45人，则6月1日有症状感染者I新增人数为6月1日有症状感染者I的数量减去初始有症状感染者数量，即6月1日有症状感染者I新增数量为15人；若6月2日有症状感染者I的数量为58人，则6月2日有症状感染者I新增人数为13人，依此类推计算2020年6月1日至2020年6月30日有症状感染者每日新增人数。
在一个示例中，根据所述预测模型预测所述传染病新增人数，包括：
根据所述设定地区的初始潜伏者数量、初始无症状感染者数量、所述感染发现率的标准值、潜伏者向感染态人群的转移概率和感染态人群向移除者转移的概率，确定无症状感染者数量随时间的变化率，根据所述变化率确定无症状感染者每日新增人数；
所述感染态人群包括有症状感染者和无症状感染者。
举例说明：预测A地区2020年6月1日至2020年6月30日无症状感染者每日新增人数，以2020年5月31日作为预测的初始时间，这一日初始潜伏者数量记为E0、初始无症状感染者数量记为A0。将感染发现率r的标准值、初始潜伏者数量E0、初始有症状感染者数量A0、潜伏者向感染态人群的转移概率σ和感染态人群向移除者转移的概率γ代入公式(4)后，即可计算出无症状感染者A的数量随时间的变化率计算出上述的变化率后，即可得到无症状感染者A对应的曲线，那么在该曲线中即可确定无症状感染者A每日的数量。假设初始无症状感染者数量A0为50人，6月1日无症状感染者A的数量为75人，则6月1日无症状感染者A新增人数为6月1日无症状感染者A的数量减去初始无症状感染者数量A0，即6月1日无症状感染者A新增数量为25人；若6月2日无症状感染者A的数量为110人，则6月2日无症状感染者A新增人数为35人，依此类推计算2020年6月1日至2020年6月30日无症状感染者每日新增人数。
同理，将有效接触率β的标准值、无症状感染者相对有症状感染者的传染性比例α、初始易感者数量、初始有症状感染者数量、初始无症状感染者数量、地区总人数代入公式(1)，可以预测易感者每日新增人数。
将有效接触率β的标准值、无症状感染者相对有症状感染者的传染性比例α、潜伏者向感染态人群的转移概率σ、初始易感者数量、初始有症状感染者数量、初始无症状感染者数量、初始潜伏者数量、地区总人数代入公式(2)，可以预测潜伏者每日新增人数。
将感染态人群向移除者转移的概率γ、初始有症状感染者数量、初始无症状感染者数量代入公式(5)，可以预测移除者每日移除者新增人数。
在本发明又一示例中，提供了一种传染病传染规模预测装置的示意图，如图3所示，该装置包括：
采集模块201，用于在设定历史时间段内采集设定地区的多条样本数据，根据所述样本数据，对预设模型中的目标参数进行计算，得到目标参数的估计值。
在一示例中，所述样本数据包括采集时间段对应的有症状感染者的第一新增数量。
确定模块202，用于根据目标参数的估计值和所述预设模型，确定目标参数的标准值，所述目标参数包括感染发现率。
所述确定模块202，具体用于：
根据所述样本数据对应的所述目标参数的估计值，通过所述预设模型计算所述样本数据对应的有症状感染者的第二新增数量；
比较所述第二新增数量和所述第一新增数量，若比较结果符合预设条件，则记录所述样本数据对应的所述目标参数的估计值；
根据记录的目标参数的多个估计值确定目标参数的标准值。
在一个示例中，通过所述预设模型计算所述样本数据对应的有症状感染者的第二新增数量，包括：
确定所述预设模型中的初始值，所述初始值包括易感者数量、潜伏者数量、移除者数量、有症状感染者数量和无症状感染者数量；
根据所述初始值和所述样本数据对应的目标参数的估计值，通过所述预设模型计算所述样本数据对应的有症状感染者数量在所述设定历史时间段内随时间的变化率；
根据所述变化率获取所述设定历史时间段内每个所述采集时间段对应的第二新增数量。
预测模块203，用于根据所述目标参数的标准值和所述预设模型得到预测模型，根据所述预测模型预测所述传染病新增人数。
在一个示例中，所述预测模块203用于：
根据所述设定地区的初始潜伏者数量、初始有症状感染者数量、所述感染发现率的标准值、潜伏者向感染态人群的转移概率和感染态人群向移除者转移的概率，确定有症状感染者数量随时间的变化率，根据所述变化率确定有症状感染者每日新增人数；
所述感染态人群包括有症状感染者和无症状感染者。
在一个示例中，所述预测模块203还用于：
根据所述设定地区的初始潜伏者数量、初始无症状感染者数量、所述感染发现率的标准值、潜伏者向感染态人群的转移概率和感染态人群向移除者转移的概率，确定无症状感染者数量随时间的变化率，根据所述变化率确定无症状感染者每日新增人数；
所述感染态人群包括有症状感染者和无症状感染者。
在一个示例中，该装置还包括：
记录模块，所述记录模块用于：
将所有第一新增数量按照所述采集时间段排列组成第一新增数量序列；
将所有第二新增数量按照所述采集时间段排列组成第二新增数量序列；
所述比较所述第二新增数量和所述第一新增数量，若比较结果符合预设条件，则记录所述样本数据对应的所述目标参数的估计值，包括：计算所述第二新增数量序列和所述第一新增数量序列的似然值，若似然值满足预设条件，则记录所述样本数据对应的所述目标参数的估计值。
在一示例中，本发明还提供一种计算机可读存储介质，所述存储介质包括一组计算机可执行指令，当所述指令被执行时用于执行前文所述的传染病传染规模预测方法。
在一示例中，本发明实施例还提供了一种电子设备，如图4所示，该电子设备包括：处理器302；
用于存储所述处理器302可执行指令的存储器304；
所述处理器302，用于从所述存储器304中读取所述可执行指令，并执行所述的传染病传染规模预测方法。
该电子设备还包括：总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种传染病传染规模预测方法，其特征在于，该方法包括：
在设定历史时间段内采集设定地区的多条样本数据，根据所述样本数据，对预设模型中的目标参数进行计算，得到目标参数的估计值；所述预设模型中的感染态人群包括有症状感染者和无症状感染者；其中，所述预设模型为：
N＝St+Et+It+At+Rt (6)
表示易感染者S数量随时间的变化率；/>表示潜伏者E数量随时间的变化率；/>表示无症状感染者A数量随时间的变化率；/>表示移除者R数量随时间的变化率；/>表示有症状感染者I数量随时间的变化率；α为所述传染病的经验值；β为有效接触率；r为感染发现率；N为设定地区的人员总数量；σ为潜伏者E向感染态的转移概率；γ为感染态向移除者R的转移概率；
根据目标参数的估计值和所述预设模型，确定目标参数的标准值，所述目标参数包括感染发现率，所述感染发现率为所述有症状感染者在所述感染态人群中所占的比例；
根据所述目标参数的标准值和所述预设模型得到预测模型，根据所述预测模型预测所述传染病的新增人数，所述传染病的新增人数包括有症状感染者每日新增人数和无症状感染者每日新增人数。
2.根据权利要求1所述的方法，其特征在于，所述样本数据包括采集时间段对应的有症状感染者的第一新增数量；
所述根据目标参数的估计值和所述预设模型，确定目标参数的标准值，包括：
根据所述样本数据对应的所述目标参数的估计值，通过所述预设模型计算所述样本数据对应的有症状感染者的第二新增数量；
比较所述第二新增数量和所述第一新增数量，若比较结果符合预设条件，则记录所述样本数据对应的所述目标参数的估计值；
根据记录的目标参数的多个估计值确定目标参数的标准值。
3.根据权利要求2所述的方法，其特征在于，所述通过所述预设模型计算所述样本数据对应的有症状感染者的第二新增数量，包括：
确定所述预设模型中的初始值，所述初始值包括易感者数量、潜伏者数量、移除者数量、有症状感染者数量和无症状感染者数量；
根据所述初始值和所述样本数据对应的目标参数的估计值，通过所述预设模型计算所述样本数据对应的有症状感染者数量在所述设定历史时间段内随时间的变化率；
根据所述变化率获取所述设定历史时间段内每个所述采集时间段对应的第二新增数量。
4.根据权利要求3所述的方法，其特征在于，根据所述预测模型预测所述传染病新增人数，包括：
根据所述设定地区的初始潜伏者数量、初始有症状感染者数量、所述感染发现率的标准值、潜伏者向感染态人群的转移概率和感染态人群向移除者转移的概率，确定有症状感染者数量随时间的变化率，根据所述变化率确定有症状感染者每日新增人数。
5.根据权利要求3所述的方法，其特征在于，根据所述预测模型预测所述传染病新增人数，包括：
根据所述设定地区的初始潜伏者数量、初始无症状感染者数量、所述感染发现率的标准值、潜伏者向感染态人群的转移概率和感染态人群向移除者转移的概率，确定无症状感染者数量随时间的变化率，根据所述变化率确定无症状感染者每日新增人数；
所述感染态人群包括有症状感染者和无症状感染者。
6.根据权利要求2所述的方法，其特征在于，该方法还包括：
将所有第一新增数量按照所述采集时间段排列组成第一新增数量序列；
将所有第二新增数量按照所述采集时间段排列组成第二新增数量序列；
所述比较所述第二新增数量和所述第一新增数量，若比较结果符合预设条件，则记录所述样本数据对应的所述目标参数的估计值，包括：计算所述第二新增数量序列和所述第一新增数量序列的似然值，若似然值满足预设条件，则记录所述样本数据对应的所述目标参数的估计值。
7.一种传染病传染规模预测装置，其特征在于，该装置包括：
采集模块，用于在设定历史时间段内采集设定地区的多条样本数据，根据所述样本数据，对预设模型中的目标参数进行计算，得到目标参数的估计值；所述预设模型中的感染态人群包括有症状感染者和无症状感染者；其中，所述预设模型为：
N＝St+Et+It+At+Rt (6)
表示易感染者S数量随时间的变化率；/>表示潜伏者E数量随时间的变化率；/>表示无症状感染者A数量随时间的变化率；/>表示移除者R数量随时间的变化率；/>表示有症状感染者I数量随时间的变化率；α为所述传染病的经验值；β为有效接触率；r为感染发现率；N为设定地区的人员总数量；σ为潜伏者E向感染态的转移概率；γ为感染态向移除者R的转移概率；
确定模块，用于根据目标参数的估计值和所述预设模型，确定目标参数的标准值，所述目标参数包括感染发现率，所述感染发现率为所述有症状感染者在所述感染态人群中所占的比例；
预测模块，用于根据所述目标参数的标准值和所述预设模型得到预测模型，根据所述预测模型预测所述传染病新增人数，所述传染病新增人数包括有症状感染者每日新增人数和无症状感染者每日新增人数。
8.根据权利要求7所述的装置，其特征在于，所述样本数据包括采集时间段对应的有症状感染者的第一新增数量；
所述确定模块，具体用于：
根据所述样本数据对应的所述目标参数的估计值，通过所述预设模型计算所述样本数据对应的有症状感染者的第二新增数量；
比较所述第二新增数量和所述第一新增数量，若比较结果符合预设条件，则记录所述样本数据对应的所述目标参数的估计值；
根据记录的目标参数的多个估计值确定目标参数的标准值。
9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-6任一项所述的传染病传染规模预测方法。
10.一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-6任一项所述的传染病传染规模预测方法。
CN202111030999.0A 2021-09-03 2021-09-03 传染病传染规模预测方法、装置、存储介质及电子设备 Active CN113838580B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111030999.0A CN113838580B (zh) 2021-09-03 2021-09-03 传染病传染规模预测方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111030999.0A CN113838580B (zh) 2021-09-03 2021-09-03 传染病传染规模预测方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN113838580A CN113838580A (zh) 2021-12-24
CN113838580B true CN113838580B (zh) 2024-04-12

Family

ID=78962217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111030999.0A Active CN113838580B (zh) 2021-09-03 2021-09-03 传染病传染规模预测方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN113838580B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114628039A (zh) * 2022-03-29 2022-06-14 医渡云（北京）技术有限公司 传染病预警方法及装置、存储介质及电子设备
CN117457231B (zh) * 2023-10-27 2024-06-11 中山大学 一种基于马尔可夫链模型的病毒传播风险计算方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109817342A (zh) * 2019-01-04 2019-05-28 平安科技（深圳）有限公司 流行季预测模型的参数调整方法、装置、设备及存储介质
CN111739656A (zh) * 2020-07-17 2020-10-02 医渡云（北京）技术有限公司 基于无症状感染者预测传染病趋势的方法及装置
CN111863271A (zh) * 2020-06-08 2020-10-30 浙江大学 一种新冠肺炎的重大传染病传播风险预警及防控分析系统
CN111968749A (zh) * 2020-10-21 2020-11-20 平安科技（深圳）有限公司 一种风险评估方法、装置、终端设备及可读存储介质
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
CN112037930A (zh) * 2020-11-02 2020-12-04 平安科技（深圳）有限公司 一种传染病预测设备、方法、装置及存储介质
AU2020103841A4 (en) * 2020-12-02 2021-02-11 Ajit Kumar Keshri A system and a method for quarantine epidemic models
CN112435759A (zh) * 2020-11-24 2021-03-02 医渡云（北京）技术有限公司 疫情数据预测方法及装置、电子设备和存储介质
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
CN112542250A (zh) * 2020-11-04 2021-03-23 温州大学 基于优化seird模型的全球新冠病毒传播预测方法
CN113096787A (zh) * 2021-04-19 2021-07-09 大连理工大学 数据驱动疫情检测和医疗资源分配的联合决策系统与方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4882469B2 (ja) * 2006-04-13 2012-02-22 富士通株式会社 気象予測プログラム、気象予測装置および気象予測方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109817342A (zh) * 2019-01-04 2019-05-28 平安科技（深圳）有限公司 流行季预测模型的参数调整方法、装置、设备及存储介质
CN111863271A (zh) * 2020-06-08 2020-10-30 浙江大学 一种新冠肺炎的重大传染病传播风险预警及防控分析系统
CN111739656A (zh) * 2020-07-17 2020-10-02 医渡云（北京）技术有限公司 基于无症状感染者预测传染病趋势的方法及装置
CN111968749A (zh) * 2020-10-21 2020-11-20 平安科技（深圳）有限公司 一种风险评估方法、装置、终端设备及可读存储介质
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
CN112037930A (zh) * 2020-11-02 2020-12-04 平安科技（深圳）有限公司 一种传染病预测设备、方法、装置及存储介质
CN112542250A (zh) * 2020-11-04 2021-03-23 温州大学 基于优化seird模型的全球新冠病毒传播预测方法
CN112435759A (zh) * 2020-11-24 2021-03-02 医渡云（北京）技术有限公司 疫情数据预测方法及装置、电子设备和存储介质
AU2020103841A4 (en) * 2020-12-02 2021-02-11 Ajit Kumar Keshri A system and a method for quarantine epidemic models
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
CN113096787A (zh) * 2021-04-19 2021-07-09 大连理工大学 数据驱动疫情检测和医疗资源分配的联合决策系统与方法

Also Published As

Publication number Publication date
CN113838580A (zh) 2021-12-24

Similar Documents

Publication Publication Date Title
Sanche et al. The novel coronavirus, 2019-nCoV, is highly contagious and more infectious than initially estimated
CN113838580B (zh) 传染病传染规模预测方法、装置、存储介质及电子设备
CN111430041B (zh) 传染病疫情预测方法及装置、存储介质、电子设备
CN104572583B (zh) 用于数据致密化的方法和系统
CN112002434B (zh) 一种数据处理方法、装置、电子设备及存储介质
CN111739658B (zh) 基于输入病例预测传染病趋势的方法及装置
CN112382406B (zh) 传染病的基本再生数的估算方法及装置、介质和设备
CN112365998A (zh) 传染病传播规模模拟方法、装置与电子设备
CN112259248B (zh) 一种covid-19境外输入风险评估预测方法
CN111739656A (zh) 基于无症状感染者预测传染病趋势的方法及装置
CN112863688A (zh) 疫情预测方法、装置、设备、存储介质以及程序产品
CN117292844A (zh) 基于疫情趋势及管控政策关联模型的疫情预测方法和系统
JP2008158748A (ja) 変数選択装置、方法およびプログラム
CN113345599A (zh) 疫情预测方法、疫情预测装置、存储介质与电子设备
CN111403051B (zh) 基于周期预测疫情发病人数的方法及装置、设备和介质
Nguefack-Tsague Using bayesian networks to model hierarchical relationships in epidemiological studies
Deforche An age-structured epidemiological model of the Belgian COVID-19 epidemic
Santana et al. Type I multivariate zero‐inflated COM–Poisson regression model
CN106202847A (zh) 一种就诊预测方法
CN113496780B (zh) 传染病确诊者数量预测方法、装置、服务器及存储介质
Yang et al. Bayesian data assimilation for estimating instantaneous reproduction numbers during epidemics: Applications to COVID-19
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
Xie Development and validation of models to predict hospital admission for emergency department patients
TW202209349A (zh) 用於預測癌症之電腦實施方法及計算裝置
CN112259250B (zh) 基于传染病的医疗资源预测方法、装置、设备及介质

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