CN114708987A - 基于周期预测疫情发病人数的方法及装置、设备和介质 - Google Patents
基于周期预测疫情发病人数的方法及装置、设备和介质 Download PDFInfo
- Publication number
- CN114708987A CN114708987A CN202210346084.9A CN202210346084A CN114708987A CN 114708987 A CN114708987 A CN 114708987A CN 202210346084 A CN202210346084 A CN 202210346084A CN 114708987 A CN114708987 A CN 114708987A
- Authority
- CN
- China
- Prior art keywords
- determining
- period
- patients
- day
- patient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000008929 regeneration Effects 0.000 claims abstract description 156
- 238000011069 regeneration method Methods 0.000 claims abstract description 156
- 230000008859 change Effects 0.000 claims abstract description 49
- 238000003860 storage Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 168
- 201000010099 disease Diseases 0.000 claims description 32
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000007476 Maximum Likelihood Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 2
- 230000003203 everyday effect Effects 0.000 abstract description 4
- 230000002354 daily effect Effects 0.000 description 47
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 208000015181 infectious disease Diseases 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000007480 spreading Effects 0.000 description 3
- 238000003892 spreading Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing 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
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
本公开是关于一种基于周期预测疫情发病人数的方法及装置、电子设备以及存储介质,涉及计算机技术领域,可以应用于预测疫情传播期间的发病人数的场景。该方法包括:从初始患者数据中确定患者时序信息,并根据患者时序信息确定现有统计周期对应的当前有效再生数;根据当前有效再生数确定目标多项式,通过目标多项式和当前有效再生数拟合出有效再生数序列的变化曲线,以根据变化曲线预测待测周期的未来有效再生数;确定待测周期的首日新增患者数;根据未来有效再生数和首日新增患者数构建人数预测函数,并根据人数预测函数预测待测周期的日新增患者数。本公开可以基于实际数据对未来周期每天的新增病患人数进行预测。
Description
本申请是申请日为2020年4月8日,申请号为CN202010271242.X,名称为“基于周期预测疫情发病人数的方法及装置、设备和介质”的发明专利申请的分案申请。
技术领域
本公开涉及计算机技术技术领域,具体而言,涉及一种基于周期预测疫情发病人数的方法、基于周期预测疫情发病人数的装置、电子设备以及计算机可读存储介质。
背景技术
经典的流行病传播模型(Susceptible Exposed Infectious Recovered,SEIR)模型将流行范围内的人群分为了四类:易感者(Susceptible)、暴露者(Exposed)、感病者(Infectious)和康复者(Recovered),从而建立模型以分析各类人群变化。
在某一流行病传播时期,为了估计新增病患的增长趋势,研究人员对该流行病基本再生数进行测算,以确定该流行病的传播能力,即患者人数变化趋势。如今,关于新增患者人数的测算,主要是源于SEIR模型,基于SEIR模型计算每个状态的人数变化趋势。另外,还可以采用极大似然算法,利用每日新增患者序列计算出基本再生数值,在得到基本再生数值后,可以计算出在一个周期之后,现有病患在一个患病周期内可以感染的新病患人数。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种基于周期预测疫情发病人数的方法、基于周期预测疫情发病人数的装置、电子设备以及计算机可读存储介质,进而至少在一定程度上克服现有的SEIR模型无法根据实际新增病患的人数变化进行优化且无法得到一个计算周期内每一天的新增病患变化的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本公开的第一方面,提供一种基于周期预测疫情发病人数的方法,包括:从初始患者数据中确定患者时序信息,并根据患者时序信息确定现有统计周期对应的当前有效再生数;根据所述当前有效再生数确定目标多项式,通过目标多项式和当前有效再生数拟合出有效再生数序列的变化曲线,以根据变化曲线预测待测周期的未来有效再生数;确定待测周期的首日新增患者数;根据未来有效再生数和首日新增患者数构建人数预测函数,并根据人数预测函数预测待测周期的日新增患者数。
可选的,根据患者时序信息确定现有统计周期对应的当前有效再生数,包括:确定统计周期的统计天数,根据统计天数和患者时序信息将初始患者数据进行划分,以生成对应的初始患者序列;获取基础再生数,根据基础再生数和初始患者序列,并通过极大似然算法确定现有统计周期对应的当前有效再生数。
可选的,基于未来有效再生数和首日新增患者数构建人数预测函数,包括:根据未来有效再生数和首日新增患者数确定待测周期的患者总增量;确定统计周期的统计天数,并根据统计天数和患者总增量确定患者的基底增量;确定待测周期的多个天数编号,并根据基底增量和各天数编号确定与各天数编号对应的增量比例;根据初始患者数据确定缩放系数,根据统计天数、未来有效再生数、增量比例和缩放系数构建人数预测函数。
可选的,上述方法还包括:确定待测周期之前的多个周期的实际新增患者数以及实际日增患者数;确定缩放系数的取值范围以及步长,根据取值范围和步长确定目标数量个缩放系数值;根据目标数据量个缩放系数值和人数预测函数分别确定待测周期之前的多个周期的预测日新增患者数和预测新增患者数;根据多个周期对应的实际新增患者数、多个周期对应的实际日增患者数、以及多个周期对应的预测新增患者数和多个周期对应的预测日新增患者数确定人数预测函数的损失函数;将各缩放系数值逐个带入损失函数进行计算,得到目标数量个损失函数值;从目标数量个损失函数值中确定与最小损失函数值对应的目标缩放系数值,将目标缩放系数值带入人数预测函数。
可选的,根据多个周期对应的实际新增患者数、多个周期对应的实际日增患者数以及多个周期对应的预测新增患者数和多个周期对应的预测日新增患者数确定人数预测函数的损失函数,包括:确定多个周期对应的实际新增患者数与多个周期对应的预测新增患者数的总量均方误差;确定多个周期对应的实际日增患者数与多个周期对应的预测日增患者数的日均方误差;确定统计总天数,根据总量均方误差、日均方误差以及统计总天数确定损失函数。
可选的,损失函数数loss为:其中,loss为损失函数,SUM实际为多个周期对应的实际新增患者数,SUM预测为多个周期对应的预测新增患者数,DAY实际为多个周期对应的实际日增患者数,DAY预测为多个周期对应的预测日增患者数,T为统计总天数。
根据本公开的第二方面,提供一种基于周期预测疫情发病人数的装置,包括:第一再生数确定模块,用于从初始患者数据中确定患者时序信息,并根据患者时序信息确定现有统计周期对应的当前有效再生数;第二再生数确定模块,用于根据所述当前有效再生数确定目标多项式,通过目标多项式和当前有效再生数拟合出有效再生数序列的变化曲线,以根据变化曲线预测待测周期的未来有效再生数;患者数确定模块,用于确定待测周期的首日新增患者数;人数预测模块,用于根据未来有效再生数和首日新增患者数构建人数预测函数,并根据人数预测函数预测待测周期的日新增患者数。
可选的,第一再生数确定模块包括第一再生数确定单元,用于确定统计周期的统计天数,根据统计天数和患者时序信息将初始患者数据进行划分,以生成对应的初始患者序列;获取基础再生数,根据基础再生数和初始患者序列,并通过极大似然算法确定现有统计周期对应的当前有效再生数。
可选的,人数预测模块包括函数构建单元,用于根据未来有效再生数和首日新增患者数确定待测周期的患者总增量;确定统计周期的统计天数,并根据统计天数和患者总增量确定患者的基底增量;确定待测周期的多个天数编号,并根据基底增量和各天数编号确定与各天数编号对应的增量比例;根据初始患者数据确定缩放系数,根据统计天数、未来有效再生数、增量比例和缩放系数构建人数预测函数。
可选的,基于周期预测疫情发病人数的装置还包括缩放系数确定模块,用于确定待测周期之前的多个周期的实际新增患者数以及实际日增患者数;确定缩放系数的取值范围以及步长,根据取值范围和步长确定目标数量个缩放系数值;根据目标数据量个缩放系数值和人数预测函数分别确定待测周期之前的多个周期的预测日新增患者数和预测新增患者数;根据多个周期对应的实际新增患者数、多个周期对应的实际日增患者数、以及多个周期对应的预测新增患者数和多个周期对应的预测日新增患者数确定人数预测函数的损失函数;将各缩放系数值逐个带入损失函数进行计算,得到目标数量个损失函数值;从目标数量个损失函数值中确定与最小损失函数值对应的目标缩放系数值,将目标缩放系数值带入人数预测函数。
可选的,缩放系数确定模块包括损失函数确定单元,用于确定多个周期对应的实际新增患者数与多个周期对应的预测新增患者数的总量均方误差;确定多个周期对应的实际日增患者数与多个周期对应的预测日增患者数的日均方误差;确定统计总天数,根据总量均方误差、日均方误差以及统计总天数确定损失函数。
根据本公开的第三方面,提供一种电子设备,包括:处理器;以及存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的基于周期预测疫情发病人数的方法。
根据本公开的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现根据上述任意一项所述的基于周期预测疫情发病人数的方法。
本公开提供的技术方案可以包括以下有益效果:
本公开的示例性实施例中的基于周期预测疫情发病人数的方法,从初始患者数据中确定患者时序信息,并根据患者时序信息确定现有统计周期对应的当前有效再生数;根据所述当前有效再生数确定目标多项式,通过目标多项式和当前有效再生数拟合出有效再生数序列的变化曲线,以根据变化曲线预测待测周期的未来有效再生数;确定待测周期的首日新增患者数;根据未来有效再生数和首日新增患者数构建人数预测函数,并根据人数预测函数预测待测周期的日新增患者数。一方面,通过人数预测函数预测待测周期的日新增患者数,可以基于实际患者数据,针对每一天新增病患的变化,对未来周期内每天的新增病患数进行预测,而不局限于仅以周期为单位的人数预测,即细粒度地拟合了每一天的人数变化。另一方面,通过目标多项式和当前有效再生数拟合出有效再生数序列的变化曲线,根据变化曲线可以确定出未来有效再生数,以便拟合不同的新增人数变化趋势。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。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他的附图。在附图中:
图1示意性示出了根据本公开的示例性实施方式的基于周期预测疫情发病人数的方法的流程图;
图2示意性示出了根据本公开的示例性实施方式的预测日新增患者数的整体流程图;
图3示意性示出了根据本公开的示例性实施方式的确定当前有效再生数的流程图;
图4示意性示出了根据本公开的示例性实施方式的构建人数预测函数的流程图;
图5示意性示出了根据本公开的示例性实施方式的确定日新增患者数的流程图;
图6示意性示出了根据本公开的示例性实施方式的确定优化人数预测函数的流程图;
图7示意性示出了根据本公开的示例性实施方式的构建人数预测函数的损失函数的流程图;
图8示意性示出了根据本公开的示例性实施方式的基于周期预测疫情发病人数的装置的方框图;
图9示意性示出了根据本公开一示例性实施例的电子设备的框图;
图10示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
目前,关于疫情传播期间的新增人数测算,主要是源于经典的SEIR流行病传播模型,基于感染态、潜伏期、传染期和隔离态的个体数目,结合潜伏期和传染期时长,构建了函数关系,利用这些参数计算出每个状态的人数变化趋势。然而,SEIR模型针对新增病患的预测是基于一套固定的计算公式,在提供初始信息之后,不会随着实际新增病患的人数变化去做优化,因此,如果发生外界因素干扰,将会出现模型预测误差越来越大的情况。另外,在获得基础再生数之后,仅可以推断出一个周期之后的人数总量,无法获得一个周期内每一天的新增病患变化。例如,患病周期为10天时,无法获悉十天之内的人数变化趋势。
基于此,在本示例实施例中,首先提供了一种基于周期预测疫情发病人数的方法,可以利用服务器来实现本公开的用基于周期预测疫情发病人数的方法,也可以利用终端设备来实现本公开所述的方法,其中,本公开中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant,PDA)等移动终端,以及诸如台式计算机等固定终端。图1示意性示出了根据本公开的一些实施例的基于周期预测疫情发病人数的方法流程的示意图。参考图1,该基于周期预测疫情发病人数的方法可以包括以下步骤:
步骤S110,从初始患者数据中确定患者时序信息,并根据患者时序信息确定现有统计周期对应的当前有效再生数。
步骤S120,根据所述当前有效再生数确定目标多项式,通过目标多项式和当前有效再生数拟合出有效再生数序列的变化曲线,以根据变化曲线预测待测周期的未来有效再生数。
步骤S130,确定待测周期的首日新增患者数。
步骤S140,根据未来有效再生数和首日新增患者数构建人数预测函数,并根据人数预测函数预测待测周期的日新增患者数。
根据本示例实施例中的基于周期预测疫情发病人数的方法,一方面,通过人数预测函数预测待测周期的日新增患者数,可以基于实际患者数据,针对每一天新增病患的变化,对未来周期内每天的新增病患数进行预测,而不局限于仅以周期为单位的人数预测,即细粒度地拟合了每一天的人数变化。另一方面,通过目标多项式和当前有效再生数拟合出有效再生数序列的变化曲线,根据变化曲线可以确定出未来有效再生数,以便拟合不同的新增人数变化趋势。
下面,将对本示例实施例中的基于周期预测疫情发病人数的方法进行进一步的说明。
在步骤S110中,从初始患者数据中确定患者时序信息,并根据患者时序信息确定现有统计周期对应的当前有效再生数。
在本公开的一些示例性实施方式中,初始患者可以是从现有患者数据记录中确定出的某一疾病的所有确诊患者。初始患者数据可以是与初始患者相关的数据信息,初始患者数据可以包括患者的患者个人信息、患者确诊时间、患者病情信息等。患者时序信息可以是初始患者中不同患者对应的确诊时间的相关时序信息。例如,从现有患者数据中获取了从该疾病开始的15天内的确诊患者,可以为第1天的确诊患者添加对应的时序信息1,为第2天的确诊患者添加对应的时序信息2,以此类推,为第15天的确诊患者添加对应的时序信息15。现有统计周期可以根据患者时序信息确定出的初始患者所处的统计周期,例如,初始患者分布在三个统计周期内,则现有统计周期的数量为三个。有效再生数(EffectiveReproduction Number,Rt)可以是在疾病传播发展的过程中,t时刻开始出现症状的一个患者平均能感染的人数。大多数情况下这个t代表一个时刻,一般单位为天。在本公开中,每个统计周期对应一个有效再生数。当前有效再生数可以是根据现有的实际数据计算出的有效再生数。
参考图2,图2示意性示出了预测日新增患者数的整体流程图。在步骤S210中,通过网络或预先建立的疫情分析数据库中获取初始患者数据,从初始患者数据中确定患者时序信息;在步骤S220中,根据患者时序信息确定对应的当前有效再生数。
根据本公开的一些示例性实施例,确定统计周期的统计天数,根据统计天数和患者时序信息将初始患者数据进行划分,以生成对应的初始患者序列;获取基础再生数,根据基础再生数和初始患者序列,并通过极大似然算法确定现有统计周期对应的当前有效再生数。统计周期可以是根据某一疾病的发病情况确定出的统计周期,例如,某一疾病从感染到出现症状的周期为10天,则可以将10天作为一个统计周期。统计天数可以是一个统计周期包含的天数,例如,统计天数可以为5天、10天、14天等,统计天数可以根据某一疾病的发病特征确定,本公开对此不作任何特殊限定。初始患者序列可以是根据统计周期对初始患者数据进行划分处理后,得到的患者序列。基本再生数(Basic Reproduction Number,R0)可以是指没有干预的情况下,在一个全部是易感人群的环境中,平均一个患者在患病周期可以传染的人数。极大似然算法,也称为最大概似估计或最大似然估计,是一种参数估计的方法,通过采样来对概率模型的参数进行估计。当前有效再生数可以是根据现有的初始患者序列确定出的与各初始患者序列对应的有效再生数,当前有效再生数可以是指各现有统计周期分别对应的有效再生数,每个统计周期均具有与其对应的有效再生数。
参考图3,图3示意性示出了确定当前有效再生数的流程图。在步骤S310中,根据某一疾病的传染特征确定与该疾病对应的统计周期,即一个统计周期中包含的天数。在获取到初始患者数据后,可以根据患者时序信息对初始患者数据进行划分。举例而言,一个统计周期的统计天数为5天,则按照一个周期为5天对初始患者数据进行划分,将患者时序信息为1、2、3、4、5的患者划分为一个序列,以此类推,对初始患者数据进行划分处理,对最后不足一个周期的患者数据也划分为一个独立的周期序列。例如,对获取到的18天的患者进行划分处理,则得到初始患者序列为4个周期序列,分别为:{x1,x2,x3,x4,x5},{x6,x7,x8,x9,x 10},{x11,x12,x13,x14,x15},{x16,x17,x18};其中,xn为该天对应的新增患者人数。在步骤S320中,获取该疾病对应的基础再生数,可以通过R语言(The R ProgrammingLanguage)的R0包,采用极大似然算法,根据初始患者序列生成对应的有效再生数,即当前有效再生数。
举例而言,假设初始患者序列符合泊松分布,假设初始患者序列为:N1,N2...Nx,Nx可以表示第x个统计周期对应的患者人数。结合患者生成时间(潜伏期时间+发病到确诊时间)的分布w,得到如公式1所示的最大化log似然函数。
在步骤S120中,根据所述当前有效再生数确定目标多项式,通过目标多项式和当前有效再生数拟合出有效再生数序列的变化曲线,以根据变化曲线预测待测周期的未来有效再生数。
在本公开的一些示例性实施方式中,目标多项式可以是用于拟合有效再生数的变化趋势曲线的多项式。有效再生数序列可以是对当前有效再生数进行拟合处理得到的有效再生数序列。变化曲线可以是反映有效再生数变化趋势的曲线。待测周期可以是需要确定新增病患人数的某一未来周期。未来有效再生数可以是根据变化曲线预测出的未来周期对应的有效再生数。
参考图2,在步骤S230中,可以根据计算出的当前有效再生数确定未来周期的未来有效再生数。具体的,根据初始患者序列确定出当前有效再生数后,可以根据当前有效再生数确定出用于拟合有效再生数的变化曲线的目标多项式,例如,为了可以拟合出较为复杂的抖动曲线,可以选择3阶多项式,本公开可以根据计算场景确定目标多项式的阶数,本公开对此不作任何特殊限定。选用当前周期数作为目标多项式的输入值,例如,第一周期为1-5天,第二周期为6-10天,则第一周期和第二周期分别对应输入值1和2。将每个周期的实际有效再生数Rt作为输出值,采用3阶多项式的目标多项式进行拟合,得到有效再生数序列的变化曲线。举例而言,将拟合Rt的多项式记为fn(n)的表达式如公式2所示,其中n为第几个周期。
将实际的周期数n值和对应的Rt值带入fn(n)中计算,可以求解系数项a、b、c的值和常数项d的值,获得Rt拟合的多项式结果。该拟合过程可以通过polyfit函数进行,polyfit函数可以是矩阵实验室(Matrix Laboratory,MATLAB)软件中用于进行曲线拟合的一个函数;其中,曲线拟合可以是已知离散点上的数据集,即已知在点集上的函数值,构造一个解析函数(其图形为一曲线)使在原离散点上尽可能接近给定的值。根据拟合出的变化曲线可以确定出未来有效再生数,即未来周期对应的有效再生数Rt。
在步骤S130中,确定待测周期的首日新增患者数。
在本公开的一些示例性实施方式中,首日新增患者数可以是待测周期内第一天新增的患者人数。根据现有患者数据可以确定出待测周期的首日新增患者数,以便根据首日新增患者数构建人数预测函数。
在步骤S140中,根据未来有效再生数和首日新增患者数构建人数预测函数,并根据人数预测函数预测待测周期的日新增患者数。
在本公开的一些示例性实施方式中,日新增患者数可以是根据人数预测函数预测出的在某一待测周期内每一天产生的新增病患人数。根据得到的人数预测函数可以预测出待测周期内每天对应的新增患者数,即日新增患者数,从而实现以天为单位的细粒度预测结果。人数预测函数可以是用于预测在未来周期内某一疾病的新增病患人数的计算模型。
参考图2,在步骤S240中,根据有效再生数的变化曲线确定出未来有效再生数后,可以根据有效再生数构建用于预测新增病患人数的人数预测函数,并根据人数预测函数预测出某一未来周期内的日新增患者数,以根据日新增患者数的变化趋势预估该疾病的传播发展何时到达高峰,再结合各地医院的最大承载量,制定消除该疾病的决策方案。
根据本公开的一些示例性实施例,根据未来有效再生数和首日新增患者数确定待测周期的患者总增量;确定统计周期的统计天数,并根据统计天数和患者总增量确定患者的基底增量;确定待测周期的多个天数编号,并根据基底增量和各天数编号确定与各天数编号对应的增量比例;根据初始患者数据确定缩放系数,根据统计天数、未来有效再生数、增量比例和缩放系数构建人数预测函数。待测周期的首日新增患者总数可以是在该统计周期内第一天的新增患者人数。待测周期的患者总增量可以是在该统计周期内总共产生的新增患者人数,即在该统计周期内每天产生的新增患者的总和。基底增量可以是根据统计天数和患者总增量确定的新增病患人数。天数编号可以是待测周期内每一天对应的编号,例如,一个统计周期为5天,则对该统计周期内的每一天对应的天数编号为“1,2,3,4,5”。增量比例可以是待测周期内每一天产生的新增病患人数占患者总增量的比例。缩放系数可以是在预测未来周期内新增病患人数时,为了控制总体误差而引入的一个缩放/拉伸的系数,缩放系数可以用b表示。目前,对现有的初始患者数据确定出来的。
采用现有技术的SEIR模型,依据基础再生数R0的定义,仅可以估计出一个统计周期之后新增病患人数的变化,而无法确定出该统计周期内的每一天的人数变化,针对此问题,可以构建基于指数函数的初始人数预测函数f(a,b,Rt,fir),参考图4,图4示意性示出了构建人数预测函数的流程图。具体步骤如下:
在步骤S410中,确定该待测周期内的首日新增患者数,即待测周期内的第一天新增病患人数,记为fir;获取未来有效再生数,在本示例实施例中,未来有效再生数可以是该待测周期对应的有效再生数Rt;根据首日新增患者数fir和未来有效再生数Rt确定患者总增量,如公式3所示。
总增量=fir×Rt(公式3)
在步骤S420中,获取统计周期的统计天数,记为a;根据统计天数和患者总增量确定基底增量,基底增量可以采用base表示,则基底增量如公式4所示。
在步骤S430中,根据基底增量,可以确定出待测周期内的每一天新增病患人数对应的增量比例,即天数编号n对应的增量比例ration如公式5所示。
在步骤S440中,根据得到的首日新增患者数fir和未来有效再生数Rt和增量比例,可以得到待测周期内的初始日新增患者数为:fir×Rt×ration,即构建出初始人数预测函数。
根据本公开的一些示例性实施例,定义不同统计周期对应的人数预测函数一致,为了控制总体误差,引入缩放系数,根据缩放系数和初始日新增患者数可以得到预测日新增患者数为:因此,人数预测函数的表达式可以如公式6所示。
根据本公开的一些示例性实施例,根据患者总增量和各增量比例预测与各天数编号对应的初始日新增患者数;确定缩放系数的取值范围以及步长,根据步长从取值范围中确定一初始缩放系数值;根据初始缩放系数值逐个与各初始日新增患者数进行计算,以确定待测日新增患者数。初始日新增患者数可以是根据上述建立的人数预测函数确定的在待测周期内每一天产生的新增患者人数。缩放系数的取值范围可以是预先定义的缩放系数的值所处的取值区间。步长可以是缩放系数在每次运算时所加的某个数的数值。缩放系数值可以是缩放系数对应的具体数值。初始缩放系数值可以是根据步长从初始系数的取值范围中确定出的一个缩放系数值,用于计算待测周期的待测日新增患者数。日新增患者数可以是根据缩放系数对初始日新增患者数进行缩放调整后得到日新增患者数。
参考图5,图5示意性示出了确定预测日新增患者数的流程图。本公开中提供了两种确定缩放系数值的方法,图5中的步骤S510~步骤S530中公开了根据现有患者数据的数据特征确定缩放系数值的过程。在步骤S510中,根据患者总增量和各增量比例预测与各天数编号对应的初始日新增患者数。初始日新增患者数可以根据上述人数预测函数确定得到。在步骤S520中,在引入缩放系数后,可以确定出该缩放系数的取值范围,并设定缩放系数对应的步长。在步骤S530中,可以根据给定的步长从取值范围中选取一缩放系数值作为初始缩放系数值,确定出初始缩放系数值后,可以将初始缩放系数值分别与初始日新增患者数进行计算,以得到待测日新增患者数。举例而言,对于缩放系数b,可以限定b的取值范围为[0.1,20],并确定b的步长为0.1,则可以生成目标数量为200个的b值,可以从这200个b值中选取一个初始缩放系数值(如10),并将10带入人数预测函数中,将初始缩放系数值与各初始日新增患者数逐一进行计算,可以得到待测周期内每一天的新增病患人数,即预测新日增病患数。
根据本公开的一些示例性实施例,为了根据现有患者数据优化缩放系数,本发明实施例提供第二种缩放系数的确定方法,包括:确定待测周期之前的多个周期的实际新增患者数以及实际日增患者数;确定缩放系数的取值范围以及步长,根据取值范围和步长确定目标数量个缩放系数值;根据目标数据量个缩放系数值和人数预测函数分别确定待测周期之前的多个周期的预测日新增患者数和预测新增患者数;根据多个周期对应的实际新增患者数、多个周期对应的实际日增患者数、以及多个周期对应的预测新增患者数和多个周期对应的预测日新增患者数确定人数预测函数的损失函数;将各缩放系数值逐个带入损失函数进行计算,得到目标数量个损失函数值;从目标数量个损失函数值中确定与最小损失函数值对应的目标缩放系数值,将目标缩放系数值带入人数预测函数。
待测周期之前的多个周期可以是待测周期之前的已经存在实际新增患者数所对应的周期。实际新增患者数可以是在待测周期之前的各个周期内实际产生的新增病患人数,可以记为SUM实际。实际日增患者数可以是在待测周期之前的各个周期内每一天实际产生的新增病患人数,记为DAY实际。预测新增患者数可以是根据人数预测函数预测出的待测周期之前的各个周期内的新增患者人数,预测新增患者数可以是待测周期之前的各个周期内预测日新增患者数之和,预测新增患者数可以记为SUM预测。预测日增患者数可以是根据人数预测函数预测出的待测周期之前的各个周期内的每天新增患者人数,预测日增患者数可以记为DAY预测。目标数量可以是根据取值范围和步长确定出的多个缩放系数值的个数。损失函数可以是反映人数预测函数预测的患者新增人数与实际患者新增人数之间的差距的函数。损失函数值可以是将缩放系数值带入到损失函数后确定出的损失函数对应的函数值。最小损失函数值可以是从多个损失函数值中确定出的数值最小的损失函数值。目标缩放系数值可以是与最小损失函数值对应的缩放系数值。目标缩放系数值可以是目标多项式进行优化处理后,人数预测函数取得最小损失函数值时对应的缩放系数值。
参考图6,确定缩放系数的方式包括:在步骤S610中,确定待测周期之前的多个周期的实际新增患者数以及实际日增患者数。在步骤S620中,确定缩放系数的取值范围以及步长,根据取值范围和步长确定目标数量个缩放系数值。在步骤S630中,根据目标数据量个缩放系数值和人数预测函数分别确定待测周期之前的多个周期的预测日新增患者数和预测新增患者数;其中,将待测日新增患者数进行求和处理得到待测新增患者数。在步骤S640中,根据多个周期对应的实际新增患者数、多个周期对应的实际日增患者数、以及多个周期对应的预测新增患者数和多个周期对应的预测日新增患者数确定人数预测函数的损失函数。在步骤S650中,将各缩放系数值逐个带入损失函数进行计算,得到目标数量个损失函数值;举例而言,对于缩放系数b,可以限定b的取值范围为[0.1,20],并确定b的步长为0.1,则可以生成目标数量为200个的b值,将这200个b值分别带入至损失函数中进行计算,可以得到200个损失函数值。在步骤S660中,从目标数量个损失函数值中确定与最小损失函数值对应的目标缩放系数值,将目标缩放系数值带入人数预测函数。从得到的200个损失函数值中选取一个最小损失函数值,并获取与该最小损失函数值对应的目标缩放系数值,并将目标缩放系数值带入到人数预测函数,以对人数预测函数进行优化。
根据本公开的一些示例性实施例,确定多个周期对应的实际新增患者数与多个周期对应的预测新增患者数的总量均方误差;确定多个周期对应的实际日增患者数与多个周期对应的预测日增患者数的日均方误差;确定统计总天数,根据总量均方误差、日均方误差以及统计总天数确定损失函数。总量均方误差可以是根据待测周期之前的多个周期的实际新增患者数与预测新增患者数两者的具体数值确定出的误差。日均方误差可以是根据待测周期之前的多个周期的实际日增患者数与预测日增患者数两者的具体数值确定出的误差。统计总天数可以记为T。
在步骤S250和步骤S260中,可以计算出日均方误差和总量均方误差,以便根据日均方误差和总量均方误差确定损失函数。参考图7,图7示意性示出了确定人数预测函数的损失函数的流程图。获取到待测周期之前的多个周期的的实际新增患者数和实际日新增患者数;在步骤S710中,计算待测周期之前的多个周期的实际新增患者数与预测新增患者数之间的总量均方误差;在步骤S720中,计算待测周期之前的多个周期的实际日增患者与预测日增患者数之间的日均方误差;在步骤S730中,根据总量均方误差、日均方误差以及统计天数可以确定出对应的损失函数。
损失函数loss如公式7所示。
其中,∑(DAY实际-DAY预测)2是待测周期之前的多个周期的日均方误差之和。
由于在实践中发现,针对新增病患人数抖动较大的区域,人数预测函数如果只针对日新增病患人数的预测误差进行优化,则将每一天的预测误差累计后导致预测的累积值和实际值偏差较大。这是因为指数函数曲线相对于抖动的数据会更为平滑,数据如果波动越厉害,往往平滑后的偏差会较大。所以,本公开在对人数预测函数的优化方向不仅限于减小每一天的预测误差;在针对抖动较大的变化时,优化的目标也会把累积值加入进行考量,将待测周期内的患者总增量作为约束的一部分。这种优化方式可以使人数预测函数的优化方向更宏观,而并不只局限于每一天的偏差。
在步骤S270中,可以确定使损失函数取得最小损失函数值时所对应的目标缩放系数值;在步骤S280中,可以根据目标缩放系数值对人数预测函数进行优化,使得人数预测函数可以根据实际人数变化得到相应调整。具体的,优化人数预测函数烦人具体过程可以是:得到目标数量个缩放系数值后,可以将不同的b值带入至损失函数后,可以得到各个b值对应的损失函数值。从得到的多个损失函数值中选取最小的损失函数值所对应的b值,作为人数预测函数f(a,b,Rt,fir)中的b值,即目标缩放系数值。根据目标缩放系数值对人数预测函数进行优化处理。由于本公开中的人数预测函数不同于SEIR模型的病患人数变化的固定计算形式,本公开对于每日新增病患人数变化的拟合趋势是一个动态变化的方案,更符合实际疫情的变化情况。
举例而言,某一疾病对应的统计周期包含的统计天数为5天,在确定出目标缩放系数值(即b值)后,结合fn(n)生成的未来时段的Rt值,可以采用f(a,b,Rt,fir)计算出未来周期内具体每一天的预测新增病患人数。其中,fir如果为实际值直接带入即可;如果fir为某个未来周期内的值,则可以依据现有最近的一个周期的fir值,逐个周期向后推算,即可获得未来每一个周期的fir值。
综上所述,本公开的示例性实施例中的基于周期预测疫情发病人数的方法,从初始患者数据中确定患者时序信息,并根据患者时序信息确定现有统计周期对应的当前有效再生数;根据所述当前有效再生数确定目标多项式,通过目标多项式和当前有效再生数拟合出有效再生数序列的变化曲线,以根据变化曲线预测待测周期的未来有效再生数;确定待测周期的首日新增患者数;根据未来有效再生数和首日新增患者数构建人数预测函数,并根据人数预测函数预测待测周期的日新增患者数。一方面,本公开中构建的人数预测函数,可以基于实际患者数据,针对每一天新增病患的变化,对未来周期内每天的新增病患数进行预测,而不局限于仅以周期为单位的人数预测,实现了在周期内细粒度地拟合每一天的人数变化。另一方面,通过目标多项式和当前有效再生数拟合出有效再生数序列的变化曲线,根据变化曲线可以确定出未来有效再生数,以便拟合不同的新增人数变化趋势。又一方面,在拟合每一天的新增人数时,考虑到周期内的患者总增量,对患者总增量进行约束,可以避免在拟合抖动较大的数据时,人数预测函数陷入对日新增病患数的拟合,而忽略了患者总增量造成的偏差。再一方面,本公开可以依据日新增病患数,动态调整人数预测函数的预测结果,从而针对疾病的待测情况重新构建人数预测函数进行人数预测。
需要说明的是,尽管在附图中以待测顺序描述了本发明中方法的各个步骤,但是,这并非要求或者暗示必须按照该待测顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
此外,在本示例实施例中,还提供了一种基于周期预测疫情发病人数的装置。参考图8,该基于周期预测疫情发病人数的装置800可以包括:第一再生数确定模块810、第二再生数确定模块820、患者数确定模块830、以及人数预测模块840。
具体的,第一再生数确定模块810可以用于从初始患者数据中确定患者时序信息,并根据患者时序信息确定现有统计周期对应的当前有效再生数;第二再生数确定模块820可以用于根据所述当前有效再生数确定目标多项式,通过目标多项式和当前有效再生数拟合出有效再生数序列的变化曲线,以根据变化曲线预测待测周期的未来有效再生数;患者数确定模块830可以用于确定待测周期的首日新增患者数;人数预测模块840可以用于根据未来有效再生数和首日新增患者数构建人数预测函数,并根据人数预测函数预测待测周期的日新增患者数。
在本公开的一种示例性实施方案中,第一再生数确定模块包括第一再生数确定单元,用于确定统计周期的统计天数,根据统计天数和患者时序信息将初始患者数据进行划分,以生成对应的初始患者序列;获取基础再生数,根据基础再生数和初始患者序列,并通过极大似然算法确定现有统计周期对应的当前有效再生数。
在本公开的一种示例性实施方案中,人数预测模块包括函数构建单元,用于根据未来有效再生数和首日新增患者数确定待测周期的患者总增量;确定统计周期的统计天数,并根据统计天数和患者总增量确定患者的基底增量;确定待测周期的多个天数编号,并根据基底增量和各天数编号确定与各天数编号对应的增量比例;根据初始患者数据确定缩放系数,根据统计天数、未来有效再生数、增量比例和缩放系数构建人数预测函数。
在本公开的一种示例性实施方案中,损失函数确定模块包括缩放系数确定模块,用于确定待测周期之前的多个周期的实际新增患者数以及实际日增患者数;确定缩放系数的取值范围以及步长,根据取值范围和步长确定目标数量个缩放系数值;根据目标数据量个缩放系数值和人数预测函数分别确定待测周期之前的多个周期的预测日新增患者数和预测新增患者数;根据多个周期对应的实际新增患者数、多个周期对应的实际日增患者数、以及多个周期对应的预测新增患者数和多个周期对应的预测日新增患者数确定人数预测函数的损失函数;将各缩放系数值逐个带入损失函数进行计算,得到目标数量个损失函数值;从目标数量个损失函数值中确定与最小损失函数值对应的目标缩放系数值,将目标缩放系数值带入人数预测函数。
在本公开的一种示例性实施方案中,缩放系数确定模块包括损失函数确定单元,用于确定多个周期对应的实际新增患者数与多个周期对应的预测新增患者数的总量均方误差;确定多个周期对应的实际日增患者数与多个周期对应的预测日增患者数的日均方误差;确定统计总天数,根据总量均方误差、日均方误差以及统计总天数确定损失函数。
上述中各虚拟基于周期预测疫情发病人数的装置模块的具体细节已经在对应的基于周期预测疫情发病人数的方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了基于周期预测疫情发病人数的装置的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施例、完全的软件实施例(包括固件、微代码等),或硬件和软件方面结合的实施例,这里可以统称为“电路”、“模块”或“系统”。
下面参考图9来描述根据本发明的这种实施例的电子设备900。图9显示的电子设备900仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于:上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930、显示单元940。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元910执行,使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
存储单元920可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)921和/或高速缓存存储单元922,还可以进一步包括只读存储单元(ROM)923。
存储单元920可以包括具有一组(至少一个)程序模块925的程序/实用工具924,这样的程序模块925包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线930可以表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备900也可以与一个或多个外部设备970(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备900交互的设备通信,和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且,电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器960通过总线930与电子设备900的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备900使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图10所示,描述了根据本发明的实施例的用于实现上述方法的程序产品1000,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,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。
所述程序产品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为但不限于电、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。
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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
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发明操作的程序代码,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。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (10)
1.一种基于周期预测疫情发病人数的方法,其特征在于,包括:
从初始患者数据中确定患者时序信息,并根据所述患者时序信息确定现有统计周期对应的当前有效再生数;
根据所述当前有效再生数确定目标多项式,通过所述目标多项式和所述当前有效再生数拟合出有效再生数序列的变化曲线,以根据所述变化曲线预测待测周期的未来有效再生数;
确定所述待测周期的首日新增患者数;
根据所述未来有效再生数和所述首日新增患者数构建人数预测函数,并根据所述人数预测函数预测所述待测周期的待测日新增患者数。
2.根据权利要求1所述的基于周期预测疫情发病人数的方法,其特征在于,所述根据所述患者时序信息确定现有统计周期对应的当前有效再生数,包括:
确定统计周期的统计天数,根据所述统计天数和所述患者时序信息将所述初始患者进行划分,以生成对应的初始患者序列;
获取基础再生数,根据所述基础再生数和所述初始患者序列,并通过极大似然算法确定所述现有统计周期对应的当前有效再生数。
3.根据权利要求1所述的基于周期预测疫情发病人数的方法,其特征在于,所述根据所述有效再生数和所述首日新增患者数构建人数预测函数,包括:
根据所述未来有效再生数和首日新增患者数确定所述待测周期的患者总增量;
确定统计周期的统计天数,并根据所述统计天数和所述患者总增量确定患者的基底增量;
确定所述待测周期的多个天数编号,并根据所述基底增量和各所述天数编号确定与各所述天数编号对应的增量比例;
根据所述初始患者数据确定缩放系数,根据所述统计天数、所述未来有效再生数、所述增量比例和所述缩放系数构建所述人数预测函数。
5.根据权利要求3或4所述的基于周期预测疫情发病人数的方法,其特征在于,所述缩放系数确定方法包括:
确定待测周期之前的多个周期的实际新增患者数以及实际日增患者数;
确定所述缩放系数的取值范围以及步长,根据所述取值范围和所述步长确定目标数量个缩放系数值;
根据所述目标数据量个缩放系数值和所述人数预测函数分别确定所述待测周期之前的多个周期的预测日新增患者数和预测新增患者数;
根据所述多个周期对应的实际新增患者数、所述多个周期对应的实际日增患者数以及所述多个周期对应的预测新增患者数和所述多个周期对应的预测日新增患者数确定所述人数预测函数的损失函数;
将各所述缩放系数值逐个带入所述损失函数进行计算,得到所述目标数量个损失函数值;
从所述目标数量个损失函数值中确定与最小损失函数值对应的目标缩放系数值,将所述目标缩放系数值带入所述人数预测函数。
6.根据权利要求5所述的基于周期预测疫情发病人数的方法,其特征在于,所述根据所述多个周期对应的实际新增患者数、所述多个周期对应的实际日增患者数以及所述多个周期对应的预测新增患者数和所述多个周期对应的预测日新增患者数确定所述人数预测函数的损失函数,包括:
确定所述多个周期对应的实际新增患者数与所述多个周期对应的预测新增患者数的总量均方误差;
确定所述多个周期对应的实际日增患者数与所述多个周期对应的预测日增患者数的日均方误差;
确定统计总天数,根据所述总量均方误差、所述日均方误差以及所述统计总天数确定损失函数。
8.一种基于周期预测疫情发病人数的装置,其特征在于,包括:
第一再生数确定模块,用于从初始患者数据中确定患者时序信息,并根据所述患者时序信息确定现有统计周期对应的当前有效再生数;
第二再生数确定模块,用于根据所述当前有效再生数确定目标多项式,通过所述目标多项式和所述当前有效再生数拟合出有效再生数序列的变化曲线,以根据所述变化曲线预测待测周期的未来有效再生数;
患者数确定模块,用于确定所述待测周期的首日新增患者数;
人数预测模块,用于根据所述未来有效再生数和所述首日新增患者数构建人数预测函数,并根据所述人数预测函数预测所述待测周期的待测日新增患者数。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现根据权利要求1至7中任一项所述的基于周期预测疫情发病人数的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现根据权利要求1至7中任一项所述的基于周期预测疫情发病人数的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210346084.9A CN114708987A (zh) | 2020-04-08 | 2020-04-08 | 基于周期预测疫情发病人数的方法及装置、设备和介质 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210346084.9A CN114708987A (zh) | 2020-04-08 | 2020-04-08 | 基于周期预测疫情发病人数的方法及装置、设备和介质 |
CN202010271242.XA CN111403051B (zh) | 2020-04-08 | 2020-04-08 | 基于周期预测疫情发病人数的方法及装置、设备和介质 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010271242.XA Division CN111403051B (zh) | 2020-04-08 | 2020-04-08 | 基于周期预测疫情发病人数的方法及装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114708987A true CN114708987A (zh) | 2022-07-05 |
Family
ID=71429479
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010271242.XA Active CN111403051B (zh) | 2020-04-08 | 2020-04-08 | 基于周期预测疫情发病人数的方法及装置、设备和介质 |
CN202210346084.9A Pending CN114708987A (zh) | 2020-04-08 | 2020-04-08 | 基于周期预测疫情发病人数的方法及装置、设备和介质 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010271242.XA Active CN111403051B (zh) | 2020-04-08 | 2020-04-08 | 基于周期预测疫情发病人数的方法及装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN111403051B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112382406B (zh) * | 2020-11-11 | 2022-01-04 | 医渡云(北京)技术有限公司 | 传染病的基本再生数的估算方法及装置、介质和设备 |
CN112992373B (zh) * | 2021-03-10 | 2022-09-16 | 山东大学 | 一种传染病的流行趋势预判方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170308678A1 (en) * | 2014-02-19 | 2017-10-26 | Hrl Laboratories, Llc | Disease prediction system using open source data |
US10178120B1 (en) * | 2015-07-23 | 2019-01-08 | Hrl Laboratories, Llc | Method for determining contagion dynamics on a multilayer network |
CN108364694B (zh) * | 2018-03-09 | 2022-04-01 | 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 |
CN109166630B (zh) * | 2018-08-03 | 2021-11-23 | 杜占玮 | 一种传染病数据监控处理方法和系统 |
-
2020
- 2020-04-08 CN CN202010271242.XA patent/CN111403051B/zh active Active
- 2020-04-08 CN CN202210346084.9A patent/CN114708987A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN111403051A (zh) | 2020-07-10 |
CN111403051B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6810495B2 (en) | Method and system for software rejuvenation via flexible resource exhaustion prediction | |
CN108509325B (zh) | 系统超时时间的动态确定方法与装置 | |
CN111430041B (zh) | 传染病疫情预测方法及装置、存储介质、电子设备 | |
CN112382406B (zh) | 传染病的基本再生数的估算方法及装置、介质和设备 | |
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 | |
CN111739658B (zh) | 基于输入病例预测传染病趋势的方法及装置 | |
CN112037930B (zh) | 一种传染病预测设备、方法、装置及存储介质 | |
CN109461023B (zh) | 流失用户挽回方法及装置、电子设备、存储介质 | |
WO2021068617A1 (zh) | 任务处理时间自动预测方法、装置、电子设备及介质 | |
CN112365998A (zh) | 传染病传播规模模拟方法、装置与电子设备 | |
CN109272348B (zh) | 活跃用户数量确定方法及装置、存储介质和电子设备 | |
CN109065176B (zh) | 一种血糖预测方法、装置、终端和存储介质 | |
CN114726758B (zh) | 工业网络异常确定方法、装置、计算机设备及存储介质 | |
US20200111576A1 (en) | Producing a multidimensional space data structure to perform survival analysis | |
CN111489830A (zh) | 分段预测疫情数据的方法及装置、介质和电子设备 | |
CN113838580B (zh) | 传染病传染规模预测方法、装置、存储介质及电子设备 | |
CN113345599A (zh) | 疫情预测方法、疫情预测装置、存储介质与电子设备 | |
CN111683156A (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN112182067A (zh) | 个体身高预测方法、装置、电子设备及存储介质 | |
KR20200061968A (ko) | 시계열 데이터 처리 장치 및 이의 동작 방법 | |
JP5555109B2 (ja) | サービス時間予測装置及びサービス時間予測方法 | |
CN113764109A (zh) | 传染病传播规模预测方法、装置、介质及电子设备 | |
CN115101211A (zh) | 传染病人数预测方法、装置、电子设备及介质 | |
CN115437794A (zh) | I/o请求调度方法、装置、电子设备及存储介质 | |
CN111506382B (zh) | 进度条曲线确定方法及装置、存储介质、电子设备 |
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 |