CN114864104A - 传染病疫情预测方法及装置、存储介质、电子设备 - Google Patents
传染病疫情预测方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN114864104A CN114864104A CN202210567572.2A CN202210567572A CN114864104A CN 114864104 A CN114864104 A CN 114864104A CN 202210567572 A CN202210567572 A CN 202210567572A CN 114864104 A CN114864104 A CN 114864104A
- Authority
- CN
- China
- Prior art keywords
- confirmed
- persons
- cases
- infectious disease
- time
- 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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例是关于一种传染病疫情预测方法及装置、存储介质、电子设备,涉及医疗大数据处理技术领域,该方法包括获取已知医疗数据;其中,所述已知医疗数据中包括某一个特定地区在多个时刻的疑似病例人数、确诊人数以及移除人数;基于动力学方程构建所述疑似病例人数、确诊人数以及移除人数之间的多个函数关系,并根据所述已知医疗数据以及各所述函数关系计算各所述函数关系中所包括的多个参数的参数值;根据各所述参数值以及各所述函数关系,对所述传染病在未来时间段内的确诊人数进行预测。本发明实施例提高了预测的确诊人数的准确率。
Description
交叉引用
本案是以母案的申请号为:202010224851.X,申请日为:2020年03月26日,发明名
称为:传染病疫情预测方法及装置、存储介质、电子设备的分案申请。
技术领域
本发明实施例涉及医疗大数据处理技术领域,具体而言,涉及一种传染病疫情预测方法、传染病疫情预测装置、计算机可读存储介质以及电子设备。
背景技术
流行病一直是人类健康和生命安全的主要威胁。对于传染病突发事件,只有尽早发现、及时预警,才能为实施各种应对措施赢得时间,把事件控制在萌芽状态,最大限度的降低事件的危害程度。
在现有的传染病疫情预测方法中,主要是通过以下两种方式进行预测的:一种是,通过流行病领域专家凭经验、直觉预测;另一种是,基于现有的传播动力学模型进行预测。
但是,上述方法存在如下缺陷:一方面,通过经验预测特别依赖专家的水平,预测结果缺乏科学依据,且可解释性较差;另一方面,传统的传播动力学模型在建模时候会做各种假设,如假设没有潜伏期,或者假设潜伏期没有传染性的,这些假设在某些疫情是不成立的,因此会导致预测结果的准确率较低。
因此,需要提供一种新的传染病疫情预测方法。
需要说明的是,在上述背景技术部分发明的信息仅用于加强对本发明的背景的理解,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
本发明的目的在于提供一种传染病疫情预测方法、传染病疫情预测装置、计算机可读存储介质以及电子设备,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的预测结果的准确率较低的问题。
根据本公开的一个方面,提供一种传染病疫情预测方法,包括:
获取已知医疗数据;其中,所述已知医疗数据中包括某一个特定地区在多个时刻的疑似病例人数、确诊人数以及移除人数;
基于动力学方程构建所述疑似病例人数与确诊人数、以及确诊人数与移除人数之间的多个函数关系;
根据所述已知医疗数据以及各所述函数关系计算各所述函数关系中所包括的多个参数的参数值;其中,所述参数包括疑似病例人数中真正病毒携带者的比例、潜伏期病例人均每天接触正常人的次数、潜伏期病例与正常人每次接触平均传播的概率、确诊病人平均每天接触人的次数、确诊病人与正常人接触平均传播的概率、潜伏期平均天数以及确诊病人移出的平均天数;
根据各所述参数值以及各所述函数关系,对所述传染病在未来时间段内的确诊人数进行预测。
在本公开的一种示例性实施例中,基于动力学方程构建所述疑似病例人数与确诊人数,以及确诊人数与移除人数之间的多个函数关系包括:
其中,E(t)表示t时刻的疑似病例人数;I(t)表示t时刻的确诊人数;R(t)表示t时刻的移除人数;p表示t时刻的疑似病例人数中真正病毒携带者的比例;k1表示t时刻潜伏期病例人均每天接触正常人的次数;b1表示t时刻潜伏期病例与正常人每次接触平均传播的概率;k2表示t时刻确诊病人平均每天接触人的次数;b2表示t时刻确诊病人与正常人接触平均传播的概率;T1表示潜伏期平均天数;T2表示t时刻确诊病人移出的平均天数。
在本公开的一种示例性实施例中,根据所述已知医疗数据以及各所述函数关系计算各所述函数关系中所包括的多个参数的取值包括:
对各所述函数关系进行离散化处理,得到两个相邻时刻的所述疑似病例人数之间的关系、确诊人数之间的关系以及移除人数之间的关系;
根据两个相邻时刻的所述疑似病例人数之间的关系、确诊人数之间的关系以及移除人数之间的关系,得到多个等式;
以各所述等式两边的差的绝对值最小为目标构建目标函数,并根据所述已知医疗数据以及所述目标函数计算各所述函数关系中所包括的多个参数的参数值。
在本公开的一种示例性实施例中,以所述等式两边的差的绝对值最小为目标构建目标函数包括:
在本公开的一种示例性实施例中,根据所述已知医疗数据以及所述目标函数计算各所述函数关系中所包括的多个参数的参数值包括:
基于投影梯度下降以及交替最小的方法,根据所述已知医疗数据以及所述目标函数计算各所述函数关系中所包括的多个参数的参数值。
在本公开的一种示例性实施例中,所述传染病疫情预测方法还包括:
基于各所述参数值对所述传染病在未来时间段的确诊人数的最大值进行预测;
根据所述确诊人数的最大值对应的时间点,对所述传染病的拐点时间进行预测。
在本公开的一种示例性实施例中,所述传染病疫情预测方法还包括:
判断所述确诊人数在预设时间段内的增长率是否连续为零;其中,所述预设时间段不小于一周;
在确定所述确诊人数在预设时间段内的增长率连续为零时,根据所述传染病从开始时刻至增长率为零时刻的总的确诊人数,计算所述疫情的总感染人数。
根据本公开的一个方面,提供一种传染病疫情预测装置,包括:
医疗数据获取模块,用于获取已知医疗数据;其中,所述已知医疗数据中包括某一个特定地区在多个时刻的疑似病例人数、确诊人数以及移除人数;
函数关系构建模块,用于基于动力学方程构建所述疑似病例人数与确诊人数、以及确诊人数与移除人数之间的多个函数关系;
参数值计算模块,用于根据所述已知医疗数据以及各所述函数关系计算各所述函数关系中所包括的多个参数的参数值;其中,所述参数包括疑似病例人数中真正病毒携带者的比例、潜伏期病例人均每天接触正常人的次数、潜伏期病例与正常人每次接触平均传播的概率、确诊病人平均每天接触人的次数、确诊病人与正常人接触平均传播的概率、潜伏期平均天数以及确诊病人移出的平均天数;
第一预测模块,用于根据各所述参数值以及各所述函数关系,对所述传染病在未来时间段内的确诊人数进行预测。
根据本公开的一个方面,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上述任意一项所述的传染病疫情预测方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的传染病疫情预测方法。
本发明实施例提供的一种传染病疫情预测方法,一方面,通过获取已知医疗数据,然后基于动力学方程构建疑似病例人数与确诊人数,以及确诊人数与移除人数之间的多个函数关系,并根据已知医疗数据以及各函数关系计算各函数关系中所包括的多个参数的参数值;最后根据各参数值以及各函数关系,对传染病在未来时间段内的疑似病例人数以及确诊人数进行预测,解决了现有技术中由于通过经验预测特别依赖专家的水平,预测结果缺乏科学依据,且可解释性较差的问题,为传染病在未来时间段内的确诊人数的预测提供了科学依据;另一方面,解决了现有技术中由于传统的传播动力学模型在建模时候会做各种假设,如假设没有潜伏期,或者假设潜伏期没有传染性的,这些假设在某些疫情是不成立的,因此会导致预测结果的准确率较低的问题,提高了预测的确诊人数的准确率;再一方面,由于上述已知医疗数据是一个特定地区在多个时刻的疑似病例人数、确诊人数以及移除人数,因此基于该特定地区的已知医疗数据所计算出来的各参数的参数值具有更强的针对性,因此提高了参数值的准确率,进而进一步的提高了预测的确诊人数的准确率。
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,并不能限制本发明。
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。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。
图1示意性示出根据本发明示例实施例的一种传染病疫情预测方法的流程图。
图2示意性示出根据本发明示例实施例的一种根据所述已知医疗数据以及各所述函数关系计算各所述函数关系中所包括的多个参数的参数值的方法流程图。
图3示意性示出根据本发明示例实施例的一种利用上述传染病疫情预测方法进行预测所得到的预测结果示例图。
图4示意性示出根据本发明示例实施例的另一种利用上述传染病疫情预测方法进行预测所得到的预测结果示例图。
图5示意性示出根据本发明示例实施例的另一种传染病疫情预测方法的流程图。
图6示意性示出根据本发明示例实施例的另一种传染病疫情预测方法的流程图。
图7示意性示出根据本发明示例实施例的一种传染病疫情预测装置的框图。
图8示意性示出根据本发明示例实施例的一种用于实现上述传染病疫情预测方法的电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。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方式中。在下面的描述中,提供许多具体细节从而给出对本发明的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而省略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技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。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。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,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。
本示例实施方式中首先提供了一种传染病疫情预测方法,该方法可以运行于服务器、服务器集群或云服务器等;当然,本领域技术人员也可以根据需求在其他平台运行本发明的方法,本示例性实施例中对此不做特殊限定。参考图1所示,该传染病疫情预测方法可以包括以下步骤:
步骤S110.获取已知医疗数据;其中,所述已知医疗数据中包括某一个特定地区在多个时刻的疑似病例人数、确诊人数以及移除人数。
步骤S120.基于动力学方程构建所述疑似病例人数与确诊人数、以及确诊人数与移除人数之间的多个函数关系;
步骤S130.根据所述已知医疗数据以及各所述函数关系计算各所述函数关系中所包括的多个参数的参数值;其中,所述参数包括疑似病例人数中真正病毒携带者的比例、潜伏期病例人均每天接触正常人的次数、潜伏期病例与正常人每次接触平均传播的概率、确诊病人平均每天接触人的次数、确诊病人与正常人接触平均传播的概率、潜伏期平均天数以及确诊病人移出的平均天数。
步骤S140.根据各所述参数值以及各所述函数关系,对所述传染病在未来时间段内的确诊人数进行预测。
上述传染病疫情预测方法中,一方面,通过获取已知医疗数据,然后基于动力学方程构建疑似病例人数与确诊人数,以及确诊人数与移除人数之间的多个函数关系,并根据已知医疗数据以及各函数关系计算各函数关系中所包括的多个参数的参数值;最后根据各参数值以及各函数关系,对传染病在未来时间段内的疑似病例人数以及确诊人数进行预测,解决了现有技术中由于通过经验预测特别依赖专家的水平,预测结果缺乏科学依据,且可解释性较差的问题,为传染病在未来时间段内的确诊人数的预测提供了科学依据;另一方面,解决了现有技术中由于传统的传播动力学模型在建模时候会做各种假设,如假设没有潜伏期,或者假设潜伏期没有传染性的,这些假设在某些疫情是不成立的,因此会导致预测结果的准确率较低的问题,提高了预测的确诊人数的准确率;再一方面,由于上述已知医疗数据是一个特定地区在多个时刻的疑似病例人数、确诊人数以及移除人数,因此基于该特定地区的已知医疗数据所计算出来的各参数的参数值具有更强的针对性,因此提高了参数值的准确率,进而进一步的提高了预测的确诊人数的准确率。
以下,将结合附图对本发明示例实施例传染病疫情预测方法中涉及的各步骤进行详细的解释以及说明。
首先,对本发明示例实施例中涉及到的动力学模型进行解释以及说明。具体的,动力学模型,也即传染病模型,即为传染病的基本数学模型,研究传染病的传播速度、空间范围、传播途径、动力学机理等问题,以指导对传染病的有效地预防和控制。常见的传染病模型按照传染病类型分为SI、SIR、SIRS、SEIR模型等,按照传播机理又分为基于常微分方程、偏微分方程、网络动力学的不同类型。
一般把传染病流行范围内的人群分成如下几类:
S类,易感者(Susceptible),指未得病者,但缺乏免疫能力,与感染者接触后容易受到感染;
E类,暴露者(Exposed),潜伏状态,疑似病例,指接触过感染者,但暂无能力传染给其他人的人,对潜伏期长的传染病适用;
I类,感病者(Infectious),指染上传染病的人,可以传播给S类成员,将其变为E类或I类成员;
R类,康复者(Recovered),指被隔离或因病愈而具有免疫力的人。如免疫期有限,R类成员可以重新变为S类。
传统SEIR模型对上述四种人群人数变化的微分方程组为:
其中,β为传染率,γ为康复率,α为潜伏期发展为患者的速率,N为染病地区内的总人数。
但是,该模型所包括的参数中并未包括病毒携带者E人群的感染能力,因此,会使得最终的预测结果的准确率较低。
以下,结合上述传染病模型对步骤S110-步骤S130进行解释以及说明。
在步骤S110中,获取已知医疗数据;其中,所述已知医疗数据中包括某一个特定地区在多个时刻的疑似病例人数、确诊人数以及移除人数。
在本示例实施例中,由于每个地区的疫情情况并不一致,比如感染人数不同、总人数也不同,因此为了可以提高所计算得到的参数的准确性,需要积极与某一个特定地区在多个时刻的疑似病例人数、确诊人数以及移除人数对所涉及到的参数进行计算;其中,该特定地区可以包括具有发病人员的区域,也就是感染区域或者发病区域;移除人数包括已治愈人数以及死亡人数。具体的,可以基于卫健委每天对每个地区的公开数据获取该已知医疗数据。
在步骤S120中,基于动力学方程构建所述疑似病例人数与确诊人数、以及确诊人数与移除人数之间的多个函数关系。
在步骤S130中,根据所述已知医疗数据以及各所述函数关系计算各所述函数关系中所包括的多个参数的参数值;其中,所述参数包括疑似病例人数中真正病毒携带者的比例、潜伏期病例人均每天接触正常人的次数、潜伏期病例与正常人每次接触平均传播的概率、确诊病人平均每天接触人的次数、确诊病人与正常人接触平均传播的概率、潜伏期平均天数以及确诊病人移出的平均天数。
以下,将对步骤S120-步骤S130进行解释以及说明。具体的,在本示例实施例中,通过增加参数潜伏期病例人均每天接触正常人的次数、潜伏期病例与正常人每次接触平均传播的概率,可以解决现有技术中由于未对病毒携带者E人群的感染能力进行考量,进而会使得最终的预测结果的准确率较低的问题,进一步的提高了预测结果的准确率。
进一步的,首先,基于动力学方程构建所述疑似病例人数与确诊人数,以及确诊人数与移除人数之间的多个函数关系,具体的可以包括:
其中,S(t)表示t时刻的正常人数;E(t)表示t时刻的疑似病例人数;I(t)表示t时刻的确诊人数;R(t)表示t时刻的移除人数;p表示t时刻的疑似病例人数中真正病毒携带者的比例;k1表示t时刻潜伏期病例人均每天接触正常人的次数;b1表示t时刻潜伏期病例与正常人每次接触平均传播的概率;k2表示t时刻确诊病人平均每天接触人的次数;b2表示t时刻确诊病人与正常人接触平均传播的概率;T1表示潜伏期平均天数;T2表示t时刻确诊病人移出的平均天数。
此处需要补充说明的是,b1以及b2与个人防护(譬如戴口罩、洗手等)以及身体素质有关,可以根据具体情况对b1进行适应性调整;同时,k2与防控政策有关,也可以根据具体情况进行适应性调整;T2与医疗资源供给有关,也可以根据具体情况进行适应性调整。进一步的,在公式1中,由于正常一个群体中(如全中国),总的正常人S数量远超感染人数量,所以正常人数变化可以忽略不计,也即公式1在计算时可以忽略。由于省略了公式(1)的计算,因此可以进一步的提高参数的计算效率。
更进一步的,当得到上述多个函数关系以后,还需要根据所述已知医疗数据以及各所述函数关系计算各所述函数关系中所包括的多个参数的参数值。具体的,参考图2所示,根据所述已知医疗数据以及各所述函数关系计算各所述函数关系中所包括的多个参数的参数值可以包括步骤S210-步骤S230。其中:
在步骤S210中,对各所述函数关系进行离散化处理,得到两个相邻时刻的所述疑似病例人数之间的关系、确诊人数之间的关系以及移除人数之间的关系。
在步骤S220中,根据两个相邻时刻的所述疑似病例人数之间的关系、确诊人数之间的关系以及移除人数之间的关系,得到多个等式。
在步骤S230中,以各所述等式两边的差的绝对值最小为目标构建目标函数,并根据所述已知医疗数据以及所述目标函数计算各所述函数关系中所包括的多个参数的参数值。
以下,将对步骤S210-步骤S230进行解释以及说明。具体的,由于微分方程描述是连续的,因此可以以天为单位进行模型简化。其中,在公式1中,由于正常一个群体中(如全中国),总的正常人S数量远超感染人数量,所以正常人数变化可以忽略不计,也即公式1在计算时可以忽略。
进一步的,对公式2离散化后可以得到如下公式(5):
因此,故t+1时刻疑似人群数可以如下公式(6)所示:
同时,对公式(3)离散化后可以得到如下公式(7):
因此,t+1时刻确诊人数可以如下公式(8)所示:
另外,对公式(4)离散化后可以得到如下公式(9):
因此,t+1时刻移出人数可以如下公式(10)所示:
需要补充说明的是,由于k1、b1、k2、b2、p以及T2都是时间t的函数,所以为了简化式子,缩减变量规模,可以做如下定义:
则公式(6)、(8)以及(10)可以分别被替换为如下公式(11)、(12)以及(13)所示:
E(t+1)=(A1(t)-A3(t)+1)*E(t)+A2(t)I(t); 公式(11)
I(t+1)=A3(t)E(t)+(1-A4(t))I(t); 公式(12)
R(t+1)=A4(t)I(t)+R(t); 公式(13)
由此可以得出,公式简化之后,任意t+1时刻三类人群的人数都是t时刻三类人群人数以A1(t)、A2(t)、A3(t)、A4(t)为系数的函数。所以要想解上述方程组,主要问题就转化为A1(t)、A2(t)、A3(t)、A4(t)四个式子的参数估计问题。
更进一步的,对上述各参数的估计,可以基于官方公开数据(卫健委公开的数据)估计上述A1(t)、A2(t)、A3(t)、A4(t)四个式子的参数,上式都是关于参数t的函数。因为多项式函数可以逼近任意的函数表达,可以定义任意上四个参数:
因此,参数估计目标就转化为估计基于公开数据估计λi,j的问题。根据最优化理论,可以定义如下目标函数,目标是寻找使公式(11)、(12)以及(13)两边总差异最小的参数组合,此处可以使用L1距离(等式两边的差的绝对值),目标函数可以如下公式(15)所示:
其中:
其中,E(t)表示t时刻的疑似病例人数;I(t)表示t时刻的确诊人数;R(t)表示t时刻的移除人数。
进一步的,可以根据官方公布的数据,t时刻的E(t)取每天公布的疑似病例数,I(t)取每天公布的确诊病例数,R(t)取每天公布的死亡和治愈病例数。从官方正式公布数据截止至今,t时间以天为单位。需要进一步补充说明的是,由于该问题是典型的非凸函数最优化问题,因此可以采用启发式的方法(如:投影梯度下降和交替最小)估计出所有参数λi,j的参数值。
在步骤S140中,根据各所述参数值以及各所述函数关系,对所述传染病在未来时间段内的确诊人数进行预测。
在本示例实施例中,当得到所有参数λi,j的参数值以后,可以根据各参数值以及函数关系,对传染病在未来时间段内的疑似病例人数以及确诊人数进行预测。
譬如,在参数估计完成之后,A1(t)、A2(t)、A3(t)、A4(t)四个式子变成仅依赖与时间t的函数。已知t时刻的E(t)、I(t)以及R(t),直接带入公式可以计算t+1时刻的具体人数。进一步的,通过计算任意时刻E(t)、I(t)、R(t),进而可以对未来3天确诊人数进行预测,具体的,可以直接通过计算t+1、t+2、t+3时刻的模型值即可得到。当然,也可以对疑似病例人数进行预测,本示例对此不做特殊限制。进一步的,通过该方法,可以使得医院以及其他部门及时的根据该确诊人数进行安排,避免疫情进一步的恶化。具体的,预测结果示例图可以参考图3以及图4所示。其中,图3以及图4中分别示出了利用该预测方法对两个不同地区进行预测的示例图,其中的虚线部分表示的是预测数据,圆圈部分表示的是实际数据;图3以及图4中的横坐标为时间(天),纵坐标为具体的确诊人数(个)。并且,根据图3以及图4来看,预测数据以及实际数据基本一致。
图5示意性示出根据本发明示例实施例的另一种传染病疫情预测方法。参考图5所示,该传染病疫情预测方法还可以包括步骤S510以及步骤S520。其中:
在步骤S510中,基于各所述参数值,确定所述传染病在未来时间段的确诊人数的最大值以及该最大值对应的时间点。
在步骤S520中,根据所述确诊人数的最大值对应的时间点,对所述传染病的拐点时间进行预测。
以下,将对步骤S510以及步骤S520进行解释以及说明。首先,可以基于估计的参数,迭代计算未来任意时刻的模型值,并根据各时刻的模型值得到确诊病例数I的最大值;然后,再将该确诊病例数I的最大值所对应的时间t作为疫情拐点时间。基于该疫情拐点时间,使得其他部门可以对其他人员的工作以及活动时间进行安排,以避免造成更多的损失。
图6示意性示出根据本发明示例实施例的另一种传染病疫情预测方法。参考图6所示,该传染病疫情预测方法还可以包括步骤S610以及步骤S620。其中:
在步骤S610中,判断所述确诊人数在预设时间段内的增长率是否连续为零;其中,所述预设时间段不小于一周。
在步骤S620中,在确定所述确诊人数在预设时间段内的增长率连续为零时,根据所述传染病从开始时刻至增长率为零时刻的总的确诊人数,计算所述疫情的总感染人数。
以下,将对步骤S610以及步骤S620进行解释以及说明。譬如,随着时间t的增大,通过多次迭代计算模型,直至连续一周确诊病例数I的增长为0,则可以停止计算,当然,也可以是直至10天或者半个月确诊病例数I的增长为0再停止计算,本示例对此不做特殊限制。然后将从开始时刻至该时刻的所有确诊病例数加起来,即可得到疫情总感染人数。通过该方法,可以明确的计算出整个疫情期间的确诊病例总数,进而根据该确诊病例总数出具正式的书面报告,并对该书面报告进行展示,以使得大众可以对其进行阅览。
本发明示例实施例提供的传染病疫情预测方法,一方面,通过优化SIER模型,考虑潜伏期疾病的传染特性,进而提高了预测结果的准确率;另一方面,用非凸函数最优化估计的方法,得出模型的递归表达式,降低需要人工干预的参数规模,进而提高了模型的准确率;再一方面,SIER模型考虑潜伏期传染特性,对动力学模型的微分方程进行了改写;将潜伏期病例数据更换成疑似病例数据,更加便于计算;同时,度模型微分方程的参数进行了融合以及简化,提高了计算速度。
本发明示例实施例还提供了一种传染病疫情预测装置。参考图7所示,该传染病疫情预测装置可以包括医疗数据获取模块710、函数关系构建模块720、参数值计算模块730以及第一预测模块740。其中:
医疗数据获取模块710可以用于获取已知医疗数据;其中,所述已知医疗数据中包括某一个特定地区在多个时刻的疑似病例人数、确诊人数以及移除人数。
函数关系构建模块720可以用于基于动力学方程构建所述疑似病例人数与确诊人数,以及确诊人数与移除人数之间的多个函数关系。
参数值计算模块730可以用于根据所述已知医疗数据以及各所述函数关系计算各所述函数关系中所包括的多个参数的参数值;其中,所述参数包括疑似病例人数中真正病毒携带者的比例、潜伏期病例人均每天接触正常人的次数、潜伏期病例与正常人每次接触平均传播的概率、确诊病人平均每天接触人的次数、确诊病人与正常人接触平均传播的概率、潜伏期平均天数以及确诊病人移出的平均天数。
第一预测模块740可以用于根据各所述参数值以及各所述函数关系,对所述传染病在未来时间段内的确诊人数进行预测。
在本公开的一种示例性实施例中,基于动力学方程构建所述疑似病例人数与确诊人数,以及确诊人数与移除人数之间的多个函数关系包括:
其中,E(t)表示t时刻的疑似病例人数;I(t)表示t时刻的确诊人数;R(t)表示t时刻的移除人数;p表示t时刻的疑似病例人数中真正病毒携带者的比例;k1表示t时刻潜伏期病例人均每天接触正常人的次数;b1表示t时刻潜伏期病例与正常人每次接触平均传播的概率;k2表示t时刻确诊病人平均每天接触人的次数;b2表示t时刻确诊病人与正常人接触平均传播的概率;T1表示潜伏期平均天数;T2表示t时刻确诊病人移出的平均天数。
在本公开的一种示例性实施例中,根据所述已知医疗数据以及各所述函数关系计算各所述函数关系中所包括的多个参数的取值包括:
对各所述函数关系进行离散化处理,得到两个相邻时刻的所述疑似病例人数之间的关系、确诊人数之间的关系以及移除人数之间的关系;
根据两个相邻时刻的所述疑似病例人数之间的关系、确诊人数之间的关系以及移除人数之间的关系,得到多个等式;
以各所述等式两边的差的绝对值最小为目标构建目标函数,并根据所述已知医疗数据以及所述目标函数计算各所述函数关系中所包括的多个参数的参数值。
在本公开的一种示例性实施例中,以所述等式两边的差的绝对值最小为目标构建目标函数包括:
在本公开的一种示例性实施例中,根据所述已知医疗数据以及所述目标函数计算各所述函数关系中所包括的多个参数的参数值包括:
基于投影梯度下降以及交替最小的方法,根据所述已知医疗数据以及所述目标函数计算各所述函数关系中所包括的多个参数的参数值。
在本公开的一种示例性实施例中,所述传染病疫情预测装置还包括:
第二预测模块,可以用于基于各所述参数值,确定所述传染病在未来时间段的确诊人数的最大值以及该最大值对应的时间点;
第三预测模块,可以用于根据所述确诊人数的最大值对应的时间点,对所述传染病的拐点时间进行预测。
在本公开的一种示例性实施例中,所述传染病疫情预测装置还包括:
判断模块,可以用于判断所述确诊人数在预设时间段内的增长率是否连续为零;其中,所述预设时间段不小于一周;
感染人数计算模块,可以用于在确定所述确诊人数在预设时间段内的增长率连续为零时,根据所述传染病从开始时刻至增长率为零时刻的总的确诊人数,计算所述疫情的总感染人数。
上述传染病疫情预测装置中各模块的具体细节已经在对应的传染病疫情预测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用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,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,尽管在附图中以特定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特定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。
在本发明的示例性实施例中,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:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图8来描述根据本发明的这种实施方式的电子设备800。图8显示的电子设备800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8所示,电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于:上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830以及显示单元840。
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810执行,使得所述处理单元810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方式的步骤。例如,所述处理单元810可以执行如图1中所示的步骤S110:获取已知医疗数据;其中,所述已知医疗数据中包括某一个特定地区在多个时刻的疑似病例人数、确诊人数以及移除人数;步骤S120:基于动力学方程构建所述疑似病例人数与确诊人数、以及确诊人数与移除人数之间的多个函数关系;步骤S130:根据所述已知医疗数据以及各所述函数关系计算各所述函数关系中所包括的多个参数的参数值;其中,所述参数包括疑似病例人数中真正病毒携带者的比例、潜伏期病例人均每天接触正常人的次数、潜伏期病例与正常人每次接触平均传播的概率、确诊病人平均每天接触人的次数、确诊病人与正常人接触平均传播的概率、潜伏期平均天数以及确诊病人移出的平均天数;步骤S140:根据各所述参数值以及各所述函数关系,对所述传染病在未来时间段内的确诊人数进行预测。
存储单元820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)8201和/或高速缓存存储单元8202,还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204,这样的程序模块8205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830可以为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800也可以与一个或多个外部设备900(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800交互的设备通信,和/或与使得该电子设备800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850进行。并且,电子设备800还可以通过网络适配器860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860通过总线830与电子设备800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800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。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式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)执行根据本发明实施方式的方法。
在本发明的示例性实施例中,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。在一些可能的实施方式中,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方式的步骤。
根据本发明的实施方式的用于实现上述方法的程序产品,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发明的发明后,将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、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发明的一般性原理并包括本发明未发明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,本发明的真正范围和精神由权利要求指出。
Claims (13)
1.一种传染病疫情预测方法,其特征在于,包括:
获取已知医疗数据;其中,所述已知医疗数据中包括某一个特定地区在多个时刻的疑似病例人数、确诊人数以及移除人数;
基于动力学方程构建所述疑似病例人数与确诊人数、以及确诊人数与移除人数之间的多个函数关系;
根据所述已知医疗数据以及各所述函数关系计算各所述函数关系中所包括的多个参数的参数值;其中,所述参数包括疑似病例人数中真正病毒携带者的比例、潜伏期病例人均每天接触正常人的次数、潜伏期病例与正常人每次接触平均传播的概率、确诊病人平均每天接触人的次数、确诊病人与正常人接触平均传播的概率、潜伏期平均天数以及确诊病人移出的平均天数;
根据各所述参数值以及各所述函数关系,对所述传染病在未来时间段内的确诊人数进行预测。
3.根据权利要求2所述的传染病疫情预测方法,其特征在于,根据所述已知医疗数据以及各所述函数关系计算各所述函数关系中所包括的多个参数的取值包括:
对各所述函数关系进行离散化处理,得到两个相邻时刻的所述疑似病例人数之间的关系、确诊人数之间的关系以及移除人数之间的关系;
根据两个相邻时刻的所述疑似病例人数之间的关系、确诊人数之间的关系以及移除人数之间的关系,得到多个等式;
以各所述等式两边的差的绝对值最小为目标构建目标函数,并根据所述已知医疗数据以及所述目标函数计算各所述函数关系中所包括的多个参数的参数值。
4.根据权利要求3所述的传染病疫情预测方法,其特征在于,根据两个相邻时刻的所述疑似病例人数之间的关系、确诊人数之间的关系以及移除人数之间的关系,得到多个等式,包括:
利用A1(t)、A2(t)、A3(t)以及A4(t)对各相邻时刻的所述疑似病例人数之间的关系、确诊人数之间的关系以及移除人数之间的关系进行简化,得到如下多个等式:
E(t+1)=(A1(t)-A3(t)+1)*E(t)+A2(t)I(t);
I(t+1)=A3(t)E(t)+(1-A4(t))I(t);
R(t+1)=A4(t)I(t)+R(t);
其中,任意t+1时刻的疑似病例人数、确诊人数以及移除人数,均是t时刻的疑似病例人数、确诊人数以及移除人数以A1(t)、A2(t)、A3(t)以及A4(t)为系数的函数。
6.根据权利要求5所述的传染病疫情预测方法,其特征在于,所述预设简化规则为多项式函数可以逼近任意的函数表达规则。
8.根据权利要求7所述的传染病疫情预测方法,其特征在于,根据所述已知医疗数据以及所述目标函数计算各所述函数关系中所包括的多个参数的参数值包括:
基于投影梯度下降以及交替最小的方法,根据所述已知医疗数据以及所述目标函数计算各所述函数关系中所包括的多个参数的参数值。
9.根据权利要求1所述的传染病疫情预测方法,其特征在于,所述传染病疫情预测方法还包括:
基于各所述参数值,确定所述传染病在未来时间段的确诊人数的最大值以及该最大值对应的时间点;
根据所述确诊人数的最大值对应的时间点,对所述传染病的拐点时间进行预测。
10.根据权利要求1所述的传染病疫情预测方法,其特征在于,所述传染病疫情预测方法还包括:
判断所述确诊人数在预设时间段内的增长率是否连续为零;其中,所述预设时间段不小于一周;
在确定所述确诊人数在预设时间段内的增长率连续为零时,根据所述传染病从开始时刻至增长率为零时刻的总的确诊人数,计算所述疫情的总感染人数。
11.一种传染病疫情预测装置,其特征在于,包括:
医疗数据获取模块,用于获取已知医疗数据;其中,所述已知医疗数据中包括某一个特定地区在多个时刻的疑似病例人数、确诊人数以及移除人数;
函数关系构建模块,用于基于动力学方程构建所述疑似病例人数与确诊人数、以及确诊人数与移除人数之间的多个函数关系;
参数值计算模块,用于根据所述已知医疗数据以及各所述函数关系计算各所述函数关系中所包括的多个参数的参数值;其中,所述参数包括疑似病例人数中真正病毒携带者的比例、潜伏期病例人均每天接触正常人的次数、潜伏期病例与正常人每次接触平均传播的概率、确诊病人平均每天接触人的次数、确诊病人与正常人接触平均传播的概率、潜伏期平均天数以及确诊病人移出的平均天数;
第一预测模块,用于根据各所述参数值以及各所述函数关系,对所述传染病在未来时间段内的确诊人数进行预测。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-10任一项所述的传染病疫情预测方法。
13.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-10任一项所述的传染病疫情预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210567572.2A CN114864104A (zh) | 2020-03-26 | 2020-03-26 | 传染病疫情预测方法及装置、存储介质、电子设备 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210567572.2A CN114864104A (zh) | 2020-03-26 | 2020-03-26 | 传染病疫情预测方法及装置、存储介质、电子设备 |
CN202010224851.XA CN111430041B (zh) | 2020-03-26 | 2020-03-26 | 传染病疫情预测方法及装置、存储介质、电子设备 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010224851.XA Division CN111430041B (zh) | 2020-03-26 | 2020-03-26 | 传染病疫情预测方法及装置、存储介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114864104A true CN114864104A (zh) | 2022-08-05 |
Family
ID=71548915
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010224851.XA Active CN111430041B (zh) | 2020-03-26 | 2020-03-26 | 传染病疫情预测方法及装置、存储介质、电子设备 |
CN202210567572.2A Pending CN114864104A (zh) | 2020-03-26 | 2020-03-26 | 传染病疫情预测方法及装置、存储介质、电子设备 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010224851.XA Active CN111430041B (zh) | 2020-03-26 | 2020-03-26 | 传染病疫情预测方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN111430041B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111883260B (zh) * | 2020-07-27 | 2023-06-30 | 西北工业大学 | 一种基于改进的seir模型疫情群体演变预测方法 |
CN112201361A (zh) * | 2020-09-01 | 2021-01-08 | 浙江大学山东工业技术研究院 | 一种基于lstm模型的covid-19疫情预测方法 |
CN112071437B (zh) * | 2020-09-25 | 2023-08-29 | 北京百度网讯科技有限公司 | 一种传染病趋势预测方法、装置、电子设备及存储介质 |
CN112382403A (zh) * | 2020-09-30 | 2021-02-19 | 哈尔滨工业大学 | 一种基于人员聚集度的seiqr传染病模型的构建方法 |
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 |
CN112309583A (zh) * | 2020-11-04 | 2021-02-02 | 北京航空航天大学 | 一种面向防控隔离政策的疫情预测模型 |
CN112509706B (zh) * | 2020-11-16 | 2023-06-06 | 鹏城实验室 | 传染病预警方法、装置、设备及计算机可读存储介质 |
CN112366000A (zh) * | 2020-11-25 | 2021-02-12 | 重庆市卫生健康统计信息中心 | 预测传染病传播时区域特定人群人数的方法 |
CN112967811A (zh) * | 2020-12-15 | 2021-06-15 | 广州呼吸健康研究院 | 新型冠状病毒各地疫情各地累积感染人数预测方法、系统及装置 |
CN112669980B (zh) * | 2020-12-28 | 2022-03-11 | 山东大学 | 一种基于节点相似度的流行病传播网络重构方法和系统 |
CN112687396B (zh) * | 2020-12-31 | 2024-05-28 | 医渡云(北京)技术有限公司 | 基于防疫措施的疾病信息的处理方法、装置、设备和介质 |
CN113077907B (zh) * | 2021-03-25 | 2024-03-19 | 湘潭大学 | 一种新型传染病道路传染概率计算模型 |
CN113113153A (zh) * | 2021-04-13 | 2021-07-13 | 上海市疾病预防控制中心 | 利用图模型实现疫情爆发期间疫情动态信息分析的方法、系统、装置、处理器及其存储介质 |
CN113539494B (zh) * | 2021-07-14 | 2024-04-30 | 医渡云(北京)技术有限公司 | 疫苗接种比例的计算方法及装置、存储介质、电子设备 |
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 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794342B (zh) * | 2009-09-30 | 2015-09-09 | 中国人民解放军防化指挥工程学院 | 一种基于考虑隔离措施的传染病疫情预测方法 |
CN105808956A (zh) * | 2009-10-19 | 2016-07-27 | 提拉诺斯公司 | 集成的健康数据采集和分析系统 |
CN102222163B (zh) * | 2011-05-25 | 2016-11-09 | 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 |
CN103390089B (zh) * | 2012-05-07 | 2016-12-14 | 中国人民解放军防化学院 | 一种具有控制变量的传染病疫情预测方法 |
CN103390091B (zh) * | 2012-05-08 | 2016-04-06 | 中国人民解放军防化学院 | 一种传染病疫情优化控制方法 |
CN106127427A (zh) * | 2016-06-20 | 2016-11-16 | 西安建筑科技大学 | 基于鼠疫传染病模型的多目标输送路径组合优化方法 |
CA3027424A1 (en) * | 2016-07-15 | 2018-01-18 | Knox Spencer Associates Llc | Systems and methods for determining, tracking, and predicting common infectious illness outbreaks |
CN108172301B (zh) * | 2018-01-31 | 2021-02-02 | 中国科学院软件研究所 | 一种基于梯度提升树的蚊媒传染病疫情预测方法及系统 |
US20190252078A1 (en) * | 2018-02-15 | 2019-08-15 | X Development Llc | Predicting the spread of contagions |
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 |
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 |
CN110136842A (zh) * | 2019-04-04 | 2019-08-16 | 平安科技(深圳)有限公司 | 急性传染病的发病预测方法、装置及计算机可读存储介质 |
-
2020
- 2020-03-26 CN CN202010224851.XA patent/CN111430041B/zh active Active
- 2020-03-26 CN CN202210567572.2A patent/CN114864104A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN111430041B (zh) | 2022-06-14 |
CN111430041A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111430041B (zh) | 传染病疫情预测方法及装置、存储介质、电子设备 | |
Djidjou-Demasse et al. | Optimal COVID-19 epidemic control until vaccine deployment | |
Volz et al. | Bayesian phylodynamic inference with complex models | |
Hart et al. | High infectiousness immediately before COVID-19 symptom onset highlights the importance of continued contact tracing | |
Achterberg et al. | Comparing the accuracy of several network-based COVID-19 prediction algorithms | |
Aslan et al. | Modeling COVID‐19: Forecasting and analyzing the dynamics of the outbreaks in Hubei and Turkey | |
CN111524611A (zh) | 构建传染病趋势预测模型的方法、预测方法、装置及设备 | |
Ponsiglione et al. | A finite-state machine approach to study patients dropout from medical examinations | |
CN111768873A (zh) | 一种covid-19实时风险预测方法 | |
Menon et al. | Modelling and simulation of COVID-19 propagation in a large population with specific reference to India | |
CN111739653B (zh) | 传染病传播的评估方法、装置、计算机设备和存储介质 | |
Chaves et al. | COVID-19 basic reproduction number and assessment of initial suppression policies in Costa Rica | |
CN112382406B (zh) | 传染病的基本再生数的估算方法及装置、介质和设备 | |
CN112863688A (zh) | 疫情预测方法、装置、设备、存储介质以及程序产品 | |
German et al. | Modeling exit strategies from COVID-19 lockdown with a focus on antibody tests | |
CN112365998A (zh) | 传染病传播规模模拟方法、装置与电子设备 | |
Xia et al. | Controlling epidemics through optimal allocation of test kits and vaccine doses across networks | |
Gibson et al. | Real-time mechanistic bayesian forecasts of covid-19 mortality | |
CN113838580B (zh) | 传染病传染规模预测方法、装置、存储介质及电子设备 | |
Chadi et al. | A reinforcement learning based decision support tool for epidemic control: validation study for COVID-19 | |
Nesteruk | Improvement of the software for modeling the dynamics of epidemics and developing a user-friendly interface | |
Ramakrishnan et al. | A two-time-scale model for hospital patient flow | |
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 | |
Bagal et al. | Estimating the parameters of SIR model of COVID-19 cases in India during lock down periods | |
CN114068035A (zh) | 传染病的干预动作调整方法及装置、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 |