CN113869599A - 鱼类疫病发展预测方法、系统、设备及介质 - Google Patents
鱼类疫病发展预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN113869599A CN113869599A CN202111210274.XA CN202111210274A CN113869599A CN 113869599 A CN113869599 A CN 113869599A CN 202111210274 A CN202111210274 A CN 202111210274A CN 113869599 A CN113869599 A CN 113869599A
- Authority
- CN
- China
- Prior art keywords
- epidemic disease
- fish
- epidemic
- current time
- time period
- 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
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 137
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 137
- 238000011161 development Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 50
- 241000251468 Actinopterygii Species 0.000 claims abstract description 149
- 230000018109 developmental process Effects 0.000 claims abstract description 114
- 238000006243 chemical reaction Methods 0.000 claims abstract description 44
- 230000008929 regeneration Effects 0.000 claims abstract description 31
- 238000011069 regeneration method Methods 0.000 claims abstract description 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 24
- 208000015181 infectious disease Diseases 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000009466 transformation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims description 8
- 208000024891 symptom Diseases 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000005541 medical transmission Effects 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000009360 aquaculture Methods 0.000 description 3
- 244000144974 aquaculture Species 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例中提供了一种鱼类疫病发展预测方法、系统、设备及介质，属于数据识别技术领域，具体包括：构建疫病发展的初始判断；根据预设标准对每条待测鱼的状态进行分类；计算鱼群状态转换关系；根据鱼群状态转换关系和初始判断，得到不同时段对应的疫病传播参数；根据全部疫病传播参数和鱼群状态转换关系，计算不同时段对应的基本再生数；提取当前时段的疫病发展数据，确定当前时段对应的疫病发展阶段；根据当前时段的疫病发展阶段对应的疫病传播参数和基本再生数，生成预测结果。通过本公开的方案，采集目标水域内的数据与历史数据进行拟合，得到疫病传播的相关参数，确定疫病的发展阶段和后续的疫病发展预测，提高了预测的效率和精准度。
Description
技术领域
本公开实施例涉及数据处理技术领域，尤其涉及一种鱼类疫病发展预测方法、系统、设备及介质。
背景技术
目前，水生养殖生物疫病是渔业养殖业经济危害最主要的因素之一，每年引发的水产养殖损失可达上百亿元。水生养殖疫病具有周期性、规律性等特点，可用科学的方法进行研究和预测，然而现有的水产养殖农业技术中对传播疫情发展的判断目前主要依赖粗略的经验，缺乏宏观定量的确定水生养殖生物疫病发展阶段的方法和工具。
可见，亟需一种高效精准的鱼类疫病发展预测方法。
发明内容
有鉴于此，本公开实施例提供一种鱼类疫病发展预测方法、系统、设备及介质，至少部分解决现有技术中存在鱼类疫病发展预测效率和预测精准度较差的问题。
第一方面，本公开实施例提供了一种鱼类疫病发展预测方法，包括：
获取目标水域内的疫病历史数据，构建疫病发展的初始判断；
采集所述目标水域内预设数量的待测鱼，并根据预设标准对每条所述待测鱼的状态进行分类；
根据全部所述待测鱼在不同时段内的状态，计算鱼群状态转换关系；
根据所述鱼群状态转换关系和所述初始判断，得到不同时段对应的疫病传播参数；
根据全部所述疫病传播参数和所述鱼群状态转换关系，计算不同时段对应的基本再生数；
提取当前时段的疫病发展数据，并与所述初始判断进行拟合，确定所述当前时段对应的疫病发展阶段；
根据所述当前时段的疫病发展阶段对应的疫病传播参数和所述基本再生数，生成预测结果。
根据本公开实施例的一种具体实现方式，所述获取目标水域内的疫病历史数据，构建疫病发展的初始判断的步骤，包括：
根据所述疫病历史数据分析不同时期内不同状态的鱼类数量，生成所述初始判断。
根据本公开实施例的一种具体实现方式，所述鱼群状态转换关系为
其中，时间t时刻分为易感鱼群S(t)，潜伏期鱼群E(t)，感染鱼群I(t)，死亡鱼群D(t)。
根据本公开实施例的一种具体实现方式，所述疫病传播参数包括从易感鱼群转向潜伏期鱼群的有效接触率、潜伏期出现症状的转化率、患病群体的恢复率和鱼群系统中死亡率。
根据本公开实施例的一种具体实现方式，所述根据全部所述疫病传播参数和所述鱼群状态转换关系，计算不同时段对应的基本再生数的步骤，包括：
根据所述从易感鱼群转向潜伏期鱼群的有效接触率得到感染速率矩阵；
根据所述潜伏期出现症状的转化率和所述患病群体的恢复率得到转化矩阵；
将所述感染速率矩阵与所述转化矩阵逆矩阵后的矩阵谱半径作为所述基本再生数。
根据本公开实施例的一种具体实现方式，所述提取当前时段的疫病发展数据，并与所述初始判断进行拟合，确定所述当前时段对应的疫病发展阶段的步骤，包括：
以所述初始判断和所述鱼群状态转换关系为约束条件，与所述当前时段的疫病发展数据进行拟合，生成所述当前时段对应的传染系数；
将所述传染系数与全部所述基本再生数和全部所述疫病传播参数进行比较，确定所述当前时段对应的疫病发展阶段。
根据本公开实施例的一种具体实现方式，所述以所述初始判断和所述鱼群状态转换关系为约束条件，与所述当前时段的疫病发展数据进行拟合，生成所述当前时段对应的传染系数的步骤，包括：
计算所述初始判断对应的模拟值和所述当前时段对应的真实值之差的累计平方和；
利用预设算法计算所述累计平方和的最小差值，将得到的值作为所述传染系数。
第二方面，本公开实施例提供了一种鱼类疫病发展预测系统，包括：
获取模块，用于获取目标水域内的疫病历史数据，构建疫病发展的初始判断；
采集模块，用于采集所述目标水域内预设数量的待测鱼，并根据预设标准对每条所述待测鱼的状态进行分类；
第一计算模块，用于根据全部所述待测鱼在不同时段内的状态，计算鱼群状态转换关系；
第二计算模块，用于根据所述鱼群状态转换关系和所述初始判断，得到不同时段对应的疫病传播参数；
第三计算模块，用于根据全部所述疫病传播参数和所述鱼群状态转换关系，计算不同时段对应的基本再生数；
拟合模块，用于提取当前时段的疫病发展数据，并与所述初始判断进行拟合，确定所述当前时段对应的疫病发展阶段；
预测模块，用于根据所述当前时段的疫病发展阶段对应的疫病传播参数和所述基本再生数，生成预测结果。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的鱼类疫病发展预测方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的鱼类疫病发展预测方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的鱼类疫病发展预测方法。
本公开实施例中的鱼类疫病发展预测方案，包括：获取目标水域内的疫病历史数据，构建疫病发展的初始判断；采集所述目标水域内预设数量的待测鱼，并根据预设标准对每条所述待测鱼的状态进行分类；根据全部所述待测鱼在不同时段内的状态，计算鱼群状态转换关系；根据所述鱼群状态转换关系和所述初始判断，得到不同时段对应的疫病传播参数；根据全部所述疫病传播参数和所述鱼群状态转换关系，计算不同时段对应的基本再生数；提取当前时段的疫病发展数据，并与所述初始判断进行拟合，确定所述当前时段对应的疫病发展阶段；根据所述当前时段的疫病发展阶段对应的疫病传播参数和所述基本再生数，生成预测结果。
本公开实施例的有益效果为：通过本公开的方案，采集目标水域内的数据与历史数据进行拟合，得到疫病传播的相关参数，确定疫病的发展阶段和后续的疫病发展预测，提高了预测的效率和精准度。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种鱼类疫病发展预测方法的流程示意图；
图2为本公开实施例提供的一种鱼类疫病发展预测方法涉及的鱼类疫病数据拟合以及未来发展预测示意图；
图3为本公开实施例提供的一种鱼类疫病发展预测系统的结构示意图；
图4为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种鱼类疫病发展预测方法，所述方法可以应用于水产养殖场景的鱼类疫病发展预测过程中。
参见图1，为本公开实施例提供的一种鱼类疫病发展预测方法的流程示意图。如图1所示，所述方法主要包括以下步骤：
S101，获取目标水域内的疫病历史数据，构建疫病发展的初始判断；
具体实施时，若A地水域内爆发了鱼类疫病，需要对A地水域内的鱼群疫病发展进行预测时，则可以先获取A地水域内的疫病发展的一个完整周期对应的历史数据，具体的，还可以选取所述疫病历史数据中相同疫病对应的历史数据，构建疫病发展的初始判断，或者，通过机器学习等方法建立传染模块，以使得后续的预测结果更精准。
S102，采集所述目标水域内预设数量的待测鱼，并根据预设标准对每条所述待测鱼的状态进行分类；
具体实施时，可以预设鱼类的不同状态作为不同的预设标准，在采集到所述目标水域内预设数量的待测鱼后，可以根据所述预设标准对每条所述待测鱼的状态进行分类。
例如，可以先拍摄每条所述待测鱼的图像，然后通过图像的识别结果与所述预设标准进行比对，得到每条所述待测鱼的状态类型，当然，还可以通过其他方法识别和划分所述待测鱼的状态，在此不再列举。
S103，根据全部所述待测鱼在不同时段内的状态，计算鱼群状态转换关系；
可选的，所述鱼群状态转换关系为
其中，时间t时刻分为易感鱼群S(t)，潜伏期鱼群E(t)，感染鱼群I(t)，死亡鱼群D(t)。
具体实施时，考虑到随着时间的发展，鱼群的状态可能也发生改变，则可以根据全部所述待测鱼在不同时段内的状态，从而计算得到所述鱼群状态转换关系。
S104，根据所述鱼群状态转换关系和所述初始判断，得到不同时段对应的疫病传播参数；
可选的，所述疫病传播参数包括从易感鱼群转向潜伏期鱼群的有效接触率、潜伏期出现症状的转化率、患病群体的恢复率和鱼群系统中死亡率。
具体实施时，考虑到所述目标水域内可能存在外部控制条件，鱼群可能存在感染后状态转变为死亡，也可能存在由感染状态转变为治愈状态，则可以根据所述鱼群状态转换关系和所述初始判断，得到不同时段对应的疫病传播参数。
S105，根据全部所述疫病传播参数和所述鱼群状态转换关系，计算不同时段对应的基本再生数；
具体实施时，在得到全部所述疫病传播参数和所述鱼群状态转换关系后，可以通过推导计算，得到疫病发展的不同时段对应的基本再生数，即得到在疫病发展的不同时段，平均每一条已感染的鱼将要感染多少鱼。
S106，提取当前时段的疫病发展数据，并与所述初始判断进行拟合，确定所述当前时段对应的疫病发展阶段；
具体实施时，当需要对疫病发展进行预测时，则可以提取当前时段的疫病发展数据，具体可以包括易感鱼群S(t)，潜伏期鱼群E(t)，感染鱼群I(t)，死亡鱼群D(t)，然后与所述初始判断进行拟合，确定所述当前时段对应的疫病发展阶段。
S107，根据所述当前时段的疫病发展阶段对应的疫病传播参数和所述基本再生数，生成预测结果。
当所述目标水域在当前时段的疫病发展阶段后，则可以根据所述当前时段的疫病发展阶段对应的疫病传播参数和所述基本再生数，生成所述预测结果。例如，如图2所示，横坐标为出现病鱼后的天数，纵坐标为各类别鱼群S、E、I、D在某天的数量，前20天死亡数据按步骤20进行拟合，第20到30天数据用于比较模型预测与真实数据差异，30天之后数据为模型预测各鱼群发展数量。
本实施例提供的鱼类疫病发展预测方法，通过采集目标水域内的数据与历史数据进行拟合，得到疫病传播的相关参数，确定疫病的发展阶段和后续的疫病发展预测，提高了预测的效率和精准度。
在上述实施例的基础上，步骤S101所述的，获取目标水域内的疫病历史数据，构建疫病发展的初始判断，包括：
根据所述疫病历史数据分析不同时期内不同状态的鱼类数量，生成所述初始判断。
具体实施时，可以在根据所述疫病历史数据得到在一种疫病的一个完整发展周期内，例如，若整个疫病发展周期为50天，则可以以10天为一个时期，分析不同时期内不同状态的鱼类数量，生成所述初始判断。
在上述实施例的基础上，步骤S105所述的，根据全部所述疫病传播参数和所述鱼群状态转换关系，计算不同时段对应的基本再生数，包括：
根据所述从易感鱼群转向潜伏期鱼群的有效接触率得到感染速率矩阵；
根据所述潜伏期出现症状的转化率和所述患病群体的恢复率得到转化矩阵；
将所述感染速率矩阵与所述转化矩阵逆矩阵后的矩阵谱半径作为所述基本再生数。
具体实施时，在得到所述疫病传播参数后，可以根据所述从易感鱼群转向潜伏期鱼群的有效接触率得到感染速率矩阵，然后根据所述潜伏期出现症状的转化率和所述患病群体的恢复率得到转化矩阵，在得到所述感染速率矩阵和所述转化矩阵后，可以再将所述感染速率矩阵乘以所述转化矩阵的逆矩阵后的矩阵谱半径，即特征值绝对值中的最大值作为所述基本再生数。所述基本再生数具体计算公式可以表达为R＝fv-1，其中，f为所述感染速率矩阵，v为所述转化矩阵，所述感染速率矩阵的表达式可以为
所述转化矩阵的表达式可以为
β为所述从易感鱼群转向潜伏期鱼群的有效接触率，ω为所述潜伏期出现症状的转化率，ρ为所述患病群体的恢复率
在上述实施例的基础上，步骤S106所述的，提取当前时段的疫病发展数据，并与所述初始判断进行拟合，确定所述当前时段对应的疫病发展阶段，包括：
以所述初始判断和所述鱼群状态转换关系为约束条件，与所述当前时段的疫病发展数据进行拟合，生成所述当前时段对应的传染系数；
将所述传染系数与全部所述基本再生数和全部所述疫病传播参数进行比较，确定所述当前时段对应的疫病发展阶段。
具体实施时，当需要对疫病发展进行预测时，可以先确定当前时期对应的疫病发展的阶段，然后进行下一步的预测流程，具体的，可以提取当前时段的疫病发展数据，然后以所述初始判断和所述鱼群状态转换关系为约束条件，与所述当前时段的疫病发展数据进行拟合，生成所述当前时段对应的传染系数，再将所述传染系数与全部所述基本再生数和全部所述疫病传播参数进行比较，根据所述传染系数与其他所述基本再生数以及其他所述疫病传播参数的相似度，确定所述目标水域在当前时段对应的疫病发展阶段。
进一步的，所述以所述初始判断和所述鱼群状态转换关系为约束条件，与所述当前时段的疫病发展数据进行拟合，生成所述当前时段对应的传染系数的步骤，包括：
计算所述初始判断对应的模拟值和所述当前时段对应的真实值之差的累计平方和；
利用预设算法计算所述累计平方和的最小差值，将得到的值作为所述传染系数。
例如，可以根据所述初始判断计算疫病模型的模拟值与所述当前时段对应的真实时间节点上的数据值之差的累计平方和，使用包括遗传算法在内等算法求解出累计平方和之差最小得到最优参数，将得到的值作为所述传染系数。
与上面的方法实施例相对应，参见图3，本公开实施例还提供了一种鱼类疫病发展预测系统30，包括：
获取模块301，用于获取目标水域内的疫病历史数据，构建疫病发展的初始判断；
采集模块302，用于采集所述目标水域内预设数量的待测鱼，并根据预设标准对每条所述待测鱼的状态进行分类；
第一计算模块303，用于根据全部所述待测鱼在不同时段内的状态，计算鱼群状态转换关系；
第二计算模块304，用于根据所述鱼群状态转换关系和所述初始判断，得到不同时段对应的疫病传播参数；
第三计算模块305，用于根据全部所述疫病传播参数和所述鱼群状态转换关系，计算不同时段对应的基本再生数；
拟合模块306，用于提取当前时段的疫病发展数据，并与所述初始判断进行拟合，确定所述当前时段对应的疫病发展阶段；
预测模块307，用于根据所述当前时段的疫病发展阶段对应的疫病传播参数和所述基本再生数，生成预测结果。
图3所示系统可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图4，本公开实施例还提供了一种电子设备40，该电子设备包括：至少一个处理器以及与该至少一个处理器通信连接的存储器。其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的鱼类疫病发展预测方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的鱼类疫病发展预测方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的鱼类疫病发展预测方法。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备40的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备40可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中，还存储有电子设备40操作所需的各种程序和数据。处理装置401、ROM402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备40与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备40，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种鱼类疫病发展预测方法，其特征在于，包括：
获取目标水域内的疫病历史数据，构建疫病发展的初始判断；
采集所述目标水域内预设数量的待测鱼，并根据预设标准对每条所述待测鱼的状态进行分类；
根据全部所述待测鱼在不同时段内的状态，计算鱼群状态转换关系；
根据所述鱼群状态转换关系和所述初始判断，得到不同时段对应的疫病传播参数；
根据全部所述疫病传播参数和所述鱼群状态转换关系，计算不同时段对应的基本再生数；
提取当前时段的疫病发展数据，并与所述初始判断进行拟合，确定所述当前时段对应的疫病发展阶段；
根据所述当前时段的疫病发展阶段对应的疫病传播参数和所述基本再生数，生成预测结果。
2.根据权利要求1所述的方法，其特征在于,所述获取目标水域内的疫病历史数据，构建疫病发展的初始判断的步骤，包括：
根据所述疫病历史数据分析不同时期内不同状态的鱼类数量，生成所述初始判断。
3.根据权利要求1所述的方法，其特征在于,所述鱼群状态转换关系为
其中，时间t时刻分为易感鱼群S(t)，潜伏期鱼群E(t)，感染鱼群I(t)，死亡鱼群D(t)。
4.根据权利要求1所述的方法，其特征在于,所述疫病传播参数包括从易感鱼群转向潜伏期鱼群的有效接触率、潜伏期出现症状的转化率、患病群体的恢复率和鱼群系统中死亡率。
5.根据权利要求4所述的方法，其特征在于,所述根据全部所述疫病传播参数和所述鱼群状态转换关系，计算不同时段对应的基本再生数的步骤，包括：
根据所述从易感鱼群转向潜伏期鱼群的有效接触率得到感染速率矩阵；
根据所述潜伏期出现症状的转化率和所述患病群体的恢复率得到转化矩阵；
将所述感染速率矩阵与所述转化矩阵逆矩阵后的矩阵谱半径作为所述基本再生数。
6.根据权利要求1所述的方法，其特征在于,所述提取当前时段的疫病发展数据，并与所述初始判断进行拟合，确定所述当前时段对应的疫病发展阶段的步骤，包括：
以所述初始判断和所述鱼群状态转换关系为约束条件，与所述当前时段的疫病发展数据进行拟合，生成所述当前时段对应的传染系数；
将所述传染系数与全部所述基本再生数和全部所述疫病传播参数进行比较，确定所述当前时段对应的疫病发展阶段。
7.根据权利要求6所述的方法，其特征在于,所述以所述初始判断和所述鱼群状态转换关系为约束条件，与所述当前时段的疫病发展数据进行拟合，生成所述当前时段对应的传染系数的步骤，包括：
计算所述初始判断对应的模拟值和所述当前时段对应的真实值之差的累计平方和；
利用预设算法计算所述累计平方和的最小差值，将得到的值作为所述传染系数。
8.一种鱼类疫病发展预测系统，其特征在于，包括：
获取模块，用于获取目标水域内的疫病历史数据，构建疫病发展的初始判断；
采集模块，用于采集所述目标水域内预设数量的待测鱼，并根据预设标准对每条所述待测鱼的状态进行分类；
第一计算模块，用于根据全部所述待测鱼在不同时段内的状态，计算鱼群状态转换关系；
第二计算模块，用于根据所述鱼群状态转换关系和所述初始判断，得到不同时段对应的疫病传播参数；
第三计算模块，用于根据全部所述疫病传播参数和所述鱼群状态转换关系，计算不同时段对应的基本再生数；
拟合模块，用于提取当前时段的疫病发展数据，并与所述初始判断进行拟合，确定所述当前时段对应的疫病发展阶段；
预测模块，用于根据所述当前时段的疫病发展阶段对应的疫病传播参数和所述基本再生数，生成预测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-7中任一项所述的鱼类疫病发展预测方法。
10.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-7中任一项所述的鱼类疫病发展预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111210274.XA CN113869599A (zh) | 2021-10-18 | 2021-10-18 | 鱼类疫病发展预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111210274.XA CN113869599A (zh) | 2021-10-18 | 2021-10-18 | 鱼类疫病发展预测方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113869599A true CN113869599A (zh) | 2021-12-31 |
Family
ID=79000112
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111210274.XA Pending CN113869599A (zh) | 2021-10-18 | 2021-10-18 | 鱼类疫病发展预测方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113869599A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114533799A (zh) * | 2022-03-17 | 2022-05-27 | 湖南师范大学 | 裸花紫珠在淡水鱼类抗病毒方面的应用 |
| CN116562469A (zh) * | 2023-07-10 | 2023-08-08 | 湖南师范大学 | 一种淡水鱼类病原传播预测方法、装置、设备及存储介质 |
-
2021
- 2021-10-18 CN CN202111210274.XA patent/CN113869599A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114533799A (zh) * | 2022-03-17 | 2022-05-27 | 湖南师范大学 | 裸花紫珠在淡水鱼类抗病毒方面的应用 |
| CN116562469A (zh) * | 2023-07-10 | 2023-08-08 | 湖南师范大学 | 一种淡水鱼类病原传播预测方法、装置、设备及存储介质 |
| CN116562469B (zh) * | 2023-07-10 | 2023-09-19 | 湖南师范大学 | 一种淡水鱼类病原传播预测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110704751A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN111291071B (zh) | 数据处理方法、装置及电子设备 | |
| CN109902446B (zh) | 用于生成信息预测模型的方法和装置 | |
| CN113869599A (zh) | 鱼类疫病发展预测方法、系统、设备及介质 | |
| CN113886181B (zh) | 应用于AIOps故障预警的动态阈值预测方法、设备及介质 | |
| CN114721835A (zh) | 边缘数据中心服务器能耗预测方法、系统、设备及介质 | |
| CN112037223A (zh) | 图像缺陷检测方法、装置及电子设备 | |
| CN110766184A (zh) | 订单量预测方法和装置 | |
| CN111738316A (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
| CN110555861B (zh) | 光流计算方法、装置及电子设备 | |
| CN116539994A (zh) | 基于多源时间序列数据的变电站主设备运行状态检测方法 | |
| CN110069997A (zh) | 场景分类方法、装置及电子设备 | |
| CN110378936B (zh) | 光流计算方法、装置及电子设备 | |
| CN109977925B (zh) | 表情确定方法、装置及电子设备 | |
| CN112561779B (zh) | 图像风格化处理方法、装置、设备及存储介质 | |
| CN115543638B (zh) | 基于不确定性的边缘计算数据收集分析方法、系统及设备 | |
| CN113723712B (zh) | 风电功率预测方法、系统、设备及介质 | |
| CN112036519A (zh) | 基于多位sigmoid的分类处理方法、装置及电子设备 | |
| CN112416989A (zh) | 互联网演艺经纪人平台的管理方法、装置及电子设备 | |
| CN110704679A (zh) | 视频分类方法、装置及电子设备 | |
| CN113361701A (zh) | 神经网络模型的量化方法和装置 | |
| CN111310901B (zh) | 用于获取样本的方法及装置 | |
| CN118299022B (zh) | 手术设备信息化管理系统及方法 | |
| CN111526054B (zh) | 用于获取网络的方法及装置 | |
| CN116757443B (zh) | 新型配电网电力线损率预测方法、装置、电子设备和介质 |
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 |