CN114999667A - 一种考虑交通干预的传染病跨区域传播预测方法及系统 - Google Patents
一种考虑交通干预的传染病跨区域传播预测方法及系统 Download PDFInfo
- Publication number
- CN114999667A CN114999667A CN202210338612.6A CN202210338612A CN114999667A CN 114999667 A CN114999667 A CN 114999667A CN 202210338612 A CN202210338612 A CN 202210338612A CN 114999667 A CN114999667 A CN 114999667A
- Authority
- CN
- China
- Prior art keywords
- infectious disease
- region
- time
- real
- infected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 126
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 241000700605 Viruses Species 0.000 claims abstract description 48
- 238000004088 simulation Methods 0.000 claims abstract description 26
- 230000005540 biological transmission Effects 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 12
- 230000005541 medical transmission Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 201000010099 disease Diseases 0.000 claims abstract description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 6
- 230000007704 transition Effects 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000014599 transmission of virus Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000012010 growth Effects 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 206010027476 Metastases Diseases 0.000 claims description 4
- 230000009401 metastasis Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 208000034657 Convalescence Diseases 0.000 claims description 2
- 230000003698 anagen phase Effects 0.000 claims description 2
- 230000018109 developmental process Effects 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 230000005251 gamma ray Effects 0.000 claims description 2
- 230000009385 viral infection Effects 0.000 claims description 2
- 230000003612 virological effect Effects 0.000 claims description 2
- 230000003203 everyday effect Effects 0.000 claims 1
- 230000002265 prevention Effects 0.000 abstract description 12
- 230000009471 action Effects 0.000 description 3
- 230000010006 flight Effects 0.000 description 2
- 230000002458 infectious effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 230000001363 autoimmune Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑交通干预的传染病跨区域传播预测方法及系统；获取地理单元及主要参数；基于地理单元级别及主要参数，构建传染病模拟背景，确定对应的异地转移概率矩阵；根据异地转移概率矩阵，构建传染病动力学模型；根据传染病动力学模型，确定指定时空下各地区不同仓室人员数目，模拟和可视化各地区传染病动态；根据各地区不同仓室人员数目，确定和可视化病毒实时传播力及其置信区间；根据各地区仓室人口变化数据和病毒实时传播力，预测并可视化各地区未来传染病趋势。本发明集传染病传播模拟、病毒实时传播力计算、传染病流行趋势预测、交通防控干预措施为一体，在传染病发生早期为各地疾控部门进行传染病预测和防控提供有效的帮助。
Description
技术领域
本发明涉及公共卫生和计算机应用技术领域，特别是涉及一种考虑交通干预的传染病跨区域传播预测方法及系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
现有的传染病预测方法及相应推演系统具有封闭性的特点，缺乏考虑人口流动导致的跨区域感染和施行交通限制等干预措施对传染病传播造成的影响，不够贴合实际，准确性较低。
发明内容
为了解决现有技术的不足，本发明提供了一种考虑交通干预的传染病跨区域传播预测方法及系统；本发明系统集传染病传播过程模拟仿真、交通防控措施干预、传染病数据统计分析、传染病流行预测为一体，为传染病的预防和控制提供决策支持。
第一方面，本发明提供了一种跨区域传染病预测系统；
一种跨区域传染病预测系统，包括：存储器和处理器；
所述存储器，用于存储计算机程序指令；
所述处理器，用于调用所述计算机程序指令，当所述程序指令被执行时，用于执行以下步骤：
获取地理单元及主要参数；基于地理单元级别及主要参数，构建传染病仿真模拟背景，确定对应背景的异地转移概率矩阵；
根据所述异地转移概率矩阵，构建传染病动力学模型；
根据所述传染病动力学模型，确定指定时空下各地区不同仓室人员数目，模拟和可视化各地理单元的传染病动态；
根据所述各地区不同仓室人员数目，确定病毒实时传播力及其置信区间，并可视化指定地区的病毒实时传播力及其置信区间；
根据各地区仓室人口变化数据和病毒实时传播力，预测并可视化各地区未来传染病趋势。
第二方面，本发明提供了一种跨区域传染病预测方法；
一种跨区域传染病预测方法，包括：
获取地理单元及主要参数；基于地理单元级别及主要参数，构建传染病仿真模拟背景，确定对应背景的异地转移概率矩阵；
根据所述异地转移概率矩阵，构建传染病动力学模型；
根据所述传染病动力学模型，确定指定时空下各地区不同仓室人员数目，模拟和可视化各地理单元的传染病动态；
根据所述各地区不同仓室人员数目，确定病毒实时传播力及其置信区间，并可视化指定地区的病毒实时传播力及其置信区间；
根据各地区仓室人口变化数据和病毒实时传播力，预测并可视化各地区未来传染病趋势。
第三方面，本发明还提供了一种跨区域传染病预测系统；
一种跨区域传染病预测系统，包括：
背景搭建模块，其被配置为：获取地理单元及主要参数；基于地理单元级别及主要参数，构建仿真模拟背景，确定对应背景的异地转移概率矩阵；
模型构建模块，其被配置为：根据所述异地转移概率矩阵，构建传染病动力学模型；
传染病动态模拟模块，其被配置为：根据所述传染病动力学模型，确定指定时空下各地区不同仓室人员数目，模拟和可视化各地理单元的传染病动态；
病毒实时传播力计算模块，其被配置为：根据所述各地区不同仓室人员数目，确定病毒实时传播力及其置信区间，并可视化指定地区的病毒实时传播力和置信区间；
传染病趋势预测模块，其被配置为：根据各地区仓室人口变化数据和病毒实时传播力，预测并可视化各地区未来传染病趋势。
第四方面，本发明还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行第二方面所述方法的指令。
与现有技术相比，本发明的有益效果是：
通过人口流动交通网络和传染病动力学模型描述传染病的跨区域传播，同时提供不同交通干预措施下的传染病态势模拟，对于流行病的防控具有重要的理论价值与实用价值。本发明系统集传染病传播过程模拟仿真、交通防控措施干预、传染病数据统计分析、传染病流行预测为一体，为传染病的预防和控制提供决策支持。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为实施例一的方法流程图；
图2为实施例三的系统功能框图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
实施例一
本实施例提供了一种跨区域传染病预测系统；
如图1所示，一种跨区域传染病预测系统，包括：存储器和处理器；
所述存储器，用于存储计算机程序指令；
所述处理器，用于调用所述计算机程序指令，当所述程序指令被执行时，用于执行以下步骤：
S101：获取地理单元及主要参数；基于地理单元级别及主要参数，构建传染病仿真模拟背景，确定对应背景的异地转移概率矩阵；
S102：根据所述异地转移概率矩阵，构建传染病动力学模型；
S103：根据所述传染病动力学模型，确定指定时空下各地区不同仓室人员数目，模拟和可视化各地理单元的传染病动态；
S104：根据所述各地区不同仓室人员数目，确定病毒实时传播力及其置信区间，并可视化指定地区的病毒实时传播力及其置信区间；
S105：根据各地区仓室人口变化数据和病毒实时传播力，预测并可视化各地区未来传染病趋势。
进一步地，所述S101：获取地理单元及主要参数；基于地理单元级别及主要参数，构建传染病仿真模拟背景，确定对应背景的异地转移概率矩阵。其中，
地理单元，是指传染病模拟背景中所设定的最小区域，设定为省市级或区县级。若设定地理单元为省市级，传染病的跨区域传播将在全国所有省级单位以下的市级城市进行模拟；若设定地理单元为区县级，传染病的跨区域传播将在全国所有市级单位以下的区级或县级城市进行模拟。
主要参数，包括：传染病发生初始地点、初始感染人数、初始感染率(病毒毒株毒性)、初始治愈率、初始发生日期、模拟周期、是否存在干预措施。
构建仿真模拟背景，具体包括：设定地理单元级别，设定主要参数。
进一步地，所述S101：确定对应背景的异地转移概率矩阵，具体包括：
将城市转移概率矩阵，和出行方式选择概率矩阵进行加权求和；将加权求和结果，与表示始发城市所属城市等级的对角矩阵进行相乘，得到异地转移概率矩阵；
所述城市转移概率矩阵，是指由异地转移感染者从始发城市到终点城市地理距离长短确定的转移城市概率的矩阵；
所述出行方式选择概率矩阵，是指异地转移感染者从始发城市到终点城市选择不同出行方式概率的矩阵。
示例性地，所述S101：确定对应背景的异地转移概率矩阵，具体包括：
p＝citylevel×p'；
p'＝70％×distancedp×dt+30％×travelmodedp×dt；
其中，p是异地转移概率矩阵，由城市等级、始发城市到终点城市的距离远近、异地转移感染者所选出行方式共同决定；p′是异地转移概率矩阵中由距离远近和出行方式决定的部分；citylevel是表示始发城市等级的对角矩阵； distancedp×dt是异地转移感染者的始发城市dp到终点城市dt地理距离长短影响感染者转移概率的矩阵；travelmodedp×dt是异地转移感染者从始发城市到终点城市选择不同出行方式概率的矩阵。
应理解地，决定每所城市异地转移概率p的影响因素包括：城市经济水平(城市等级)、目的地与始发城市的地理距离远近、目的地与始发城市间的高铁航班频率、目的地与当前城市的飞机航班频率、目的地与当前城市间是否可经高速公路到达等。
进一步地，城市等级对角矩阵citylevel的获取过程包括：
城市依据GDP划分的城市等级反映了城市经济水平和商业贸易往来发达程度，城市等级越高，人口进行转移的能力越强，转移概率越高。
将全部省市或区县划分为6个等级：一线城市、新一线城市、二线城市、三线城市、四线城市、五线城市，城市等级矩阵citylevel：
进一步地，distancedp×dt的矩阵元素为始发城市到终点城市的地理距离长短的倒数，具体包括：
由于传染病发生时，感染者进行异地转移时会考虑两地距离，距离越远，进行转移的时间和成本越高，转移的概率越小。
进一步地，异地转移感染者从始发城市到终点城市的出行方式概率矩阵travelmodedp×dt：
travelmodedp×dt＝0.086×flight+0.273×train+0.641×highway；
其中，flight表示进行异地转移的人员采用航空出行方式的概率；train表示进行异地转移的人员采用火车出行方式的概率；采用highway表示进行异地转移的人员采用私家车走公路出行方式的概率。三种出行方式对应的系数是根据交通运输部公开的三种出行方式每年输送旅客量的比例所分配的。
具体地，flight由始发城市与终点城市间的飞机航班频率表示；train由始发城市与终点城市间的火车(包含高铁)航班频率表示；highway由始发城市与终点城市间是否通高速公路表示。
感染者进行异地转移的概率矩阵p，如下所示：
p＝citylevel×[0.7×distance+0.3×(0.086×flight+0.273×train+0.641×highway)]
最终，所述转移概率矩阵是一个n×n(n是设定地理单元级别的区域总数) 维的矩阵，第i行第j列的数值代表第i个城市到第j个城市的转移概率。第i 行的所有值表示第i个城市到全部所有城市的转移概率，第j列的所有值表示所有城市到第j个城市的转移概率。
防控措施是避免传染病扩散的关键因素，根据所述SICR模型，调整具有特定流行病学意义的模型参数C可以模拟实施各类交通防控措施传染病流行的情景，进而可以评估不同交通防控措施的实施效果，并指导防控资源的优化配置。
根据所述SICR模型，调整具有特定流行病学意义的模型参数C可以模拟实施各类交通防控措施传染病流行的情景。
提供5种交通干预措施的政策，通过调节异地转移概率矩阵中由距离远近和出行方式决定的部分p′来实现。
1)当采取交通干预措施“A”时，p′更新为：
p′＝0.7×distance+0.3×(0.086×flight+0×train+0.641×highway)
2)当采取交通干预措施“B”时，p′更新为：
p′＝0.7×distance+0.3×(0×flight+0.273×train+0.641×highway)
3)当采取交通干预措施“C时，p′更新为：
p′＝0.7×distance+0.3×(0.086×flight+0.273×train+0×highway)
4)当采取交通干预措施“D”时，p′更新为：
p′＝0.7×distance+0.3×(0×flight+0×train+0.641×highway)
5)当采取交通干预措施“E”时，p′更新为零矩阵，异地转移感染人数C变为 0。
进一步地，所述S102：根据所述异地转移概率矩阵，构建传染病动力学模型；具体包括：
基于传染病动力学模型，构建SICR(susceptible-infected-infected&transformed-recovered)模型。
仓室是指针对某类传染病将该地区的人群分为若干类，每一类被称为一个仓室。
首先，模型将区域内的人群分为四个仓室：易感人群S、康复人群R、不进行异地转移的感染人群I和进行异地转移的感染人群C。
易感人群S通过与感染人群I和C接触受到病毒侵袭成为感染人群I，感染人群I或C通过治疗或自身免疫系统获得对传染病毒的免疫能力或者死亡，成为移出人群R。基本传染病过程为S→I/C→R。
其中，仓室C是指异地转移感染人群，在当前背景下，认为Cijt服从伯努利分布，即Cijt～B(Ii,pij)。式中Cijt表示第t天区域i中现存感染者已成功感染另一区域j中易感者的人数，B表示伯努利分布函数，Ii表示区域i的感染人数；pij表示区域i的病人传染另一区域j中易感者的传染转移概率，受城市经济水平、地理距离、交通出行三因素的影响。
模型具体如下所示：
其中，Sit表示区域i第t天的易感人数；Iit表示区域i第t天的感染人数；Rit表示区域i第t天的康复人数；感染率βt表示易感者与感染者接触后染病的概率；恢复率γt表示感染者康复的概率；N表示区域i的总人口数；Cijt表示第t天区域 i中现存感染者已成功感染另一区域j中易感者的人数，由区域i的感染人数Ii和表示区域i的病人传染另一区域j中易感者的传染转移概率pij共同决定。
进一步地，所述S103：根据所述传染病动力学模型，确定指定时空下各地区不同仓室人员数目，模拟和可视化各地理单元的传染病动态；具体包括：
Ri,t+1＝Ri,t+γtIit；
由此，便可输出设定好的模拟场景下全国范围内各区域在模拟周期内每天的感染人数、未感染人数和治愈人数。本发明系统还提供当日全国感染人数排名前n(可自主设置)个城市或区县的动态顺位排行榜，以及当日全国总感染城市或区县数和总感染人数。
进一步地，所述S104：根据所述各地区不同仓室人员数目，确定病毒实时传播力及其置信区间，并可视化指定地区的病毒实时传播力及其置信区间；具体包括：
病毒实时传播力Rt是指在防控干预手段下，在疾病传播发展的过程中，t时刻一个病例平均能感染的人数，被用来描述传染病传染速率，反映传染病发生的潜力和严重程度；
在SICR模型中，病毒实时传播力
其中，
表示病毒的随时间变化的实时传播力；βt表示易感者与感染者接触后染病的概率；γt表示感染者恢复的概率或病毒移除率。
病毒实时传播力
的95％置信区间的计算公式为：
其中，s是
的标准差，n为样本量。
依据SICR模型计算得到的各区域的易感人数S、感染人数I、康复人数R，采用梯度下降算法求解
的两个参数βt和γt；
梯度下降算法构建的损失函数具体为：
其中，m表示城市总数；
以病毒感染率β的计算为例，首先进行参数初始化：初始化β0,β1,β2,…,βn, 终止距离ε以及步长α。
S1041：确定当前位置的损失函数的梯度，对于βi,其梯度表达式为：
S1042：用步长α乘以损失函数的梯度，得到当前位置下降的距离为：
S1043：确定是否所有的βi，其梯度下降的距离Δ都小于ε；
如果Δ小于ε，则算法终止，当前所有的βi(i＝0,1,2...n)即为最终结果，否则进入S1044；
S1044：更新所有的β，对于βi，其更新表达式为：
更新完毕后继续转入步骤S1041。
进一步地，所述S104：根据所述各地区不同仓室人员数目，确定病毒实时传播力及其置信区间，并可视化指定地区的病毒实时传播力及其置信区间；具体包括：
病毒实时传播力Rt是在疾病传播发展的过程中t时刻一个病人平均能感染的人数，是观察传染病传播态势的重要指标。输出设定的传染病发生场景下全国范围内某指定区域在模拟周期内病毒实时传播力Rt及其95％置信区间。
进一步地，所述S105：根据各地区仓室人口变化数据和病毒实时传播力，构建幂律logistic模型，预测并可视化各地区未来传染病趋势；具体包括：
依据获得的病毒传播力数据和各地理单元传染病模拟数据，利用广义理查兹模型(generalized Richards model，GRM，又名幂律logistic模型)进行未来短期预测：
其中，x为累积感染人数，x′为每日新增感染人数，r为内在感染率，K是最终的流行病规模(最大发病人数)，p为生长参数的缩放值，0≤p≤1，偏差指数a是一个调节发生率峰值时间的参数。当p＝1时，模型恢复成指数增长模型，当0≤p≤1时，早期生长阶段遵循亚指数增长。
幂律logistic模型参数由Levenberg–Marquardt优化算法进行估计。
Levenberg–Marquardt算法是非线性回归中回归参数最小二乘估计的一种估计方法，是把梯度下降法和高斯牛顿方法加以结合的一种方法，用于找到参数的最优值。
所述Levenberg–Marquardt优化算法的步骤与步骤S1041～S1044的算法步骤一致，但S1044的更新步骤变为：
βt+1＝βt-(JTJ+μI)-1g。
实施例二本实施例提供了一种跨区域传染病预测方法；
一种跨区域传染病预测方法，包括：
获取地理单元及主要参数；基于地理单元级别及主要参数，构建传染病仿真模拟背景，确定对应背景的异地转移概率矩阵；
根据所述异地转移概率矩阵，构建传染病动力学模型；
根据所述传染病动力学模型，确定指定时空下各地区不同仓室人员数目，模拟和可视化各地理单元的传染病动态；
根据所述各地区不同仓室人员数目，确定病毒实时传播力及其置信区间，并可视化指定地区的病毒实时传播力及其置信区间；
根据各地区仓室人口变化数据和病毒实时传播力，预测并可视化各地区未来传染病趋势。
实施例二的每个步骤的细节与实施例一是对应一致的，此处不再赘述。
实施例三本实施例提供了一种跨区域传染病预测系统；
如图2所示，一种跨区域传染病预测系统，包括：
背景搭建模块，其被配置为：获取地理单元及主要参数；基于地理单元级别及主要参数，构建仿真模拟背景，确定对应背景的异地转移概率矩阵；
模型构建模块，其被配置为：根据所述异地转移概率矩阵，构建传染病动力学模型；
传染病动态模拟模块，其被配置为：根据所述传染病动力学模型，确定指定时空下各地区不同仓室人员数目，模拟和可视化各地理单元的传染病动态；
病毒实时传播力计算模块，其被配置为：根据所述各地区不同仓室人员数目，确定病毒实时传播力及其置信区间，并可视化指定地区的病毒实时传播力和置信区间；
传染病趋势预测模块，其被配置为：根据各地区仓室人口变化数据和病毒实时传播力，预测并可视化各地区未来传染病趋势。
实施例三的每个步骤的细节与实施例一是对应一致的，此处不再赘述。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例二所述的方法。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种跨区域传染病预测系统，其特征是，包括：存储器和处理器；所述存储器，用于存储计算机程序指令；所述处理器，用于调用所述计算机程序指令，当所述程序指令被执行时，用于执行以下步骤：
获取地理单元及主要参数；基于地理单元级别及主要参数，构建传染病仿真模拟背景，确定对应背景的异地转移概率矩阵；
根据所述异地转移概率矩阵，构建传染病动力学模型；
根据所述传染病动力学模型，确定指定时空下各地区不同仓室人员数目，模拟和可视化各地理单元的传染病动态；
根据所述各地区不同仓室人员数目，确定病毒实时传播力及其置信区间，并可视化指定地区的病毒实时传播力及其置信区间；
根据各地区仓室人口变化数据和病毒实时传播力，预测并可视化各地区未来传染病趋势。
2.如权利要求1所述的一种跨区域传染病预测系统，其特征是，确定对应背景的异地转移概率矩阵，具体包括：
将城市转移概率矩阵，和出行方式选择概率矩阵进行加权求和；将加权求和结果，与表示始发城市所属城市等级的对角矩阵进行相乘，得到异地转移概率矩阵；
所述城市转移概率矩阵，是指由异地转移感染者从始发城市到终点城市地理距离长短确定的转移城市概率的矩阵；
所述出行方式选择概率矩阵，是指异地转移感染者从始发城市到终点城市选择不同出行方式概率的矩阵。
3.如权利要求1所述的一种跨区域传染病预测系统，其特征是，根据所述异地转移概率矩阵，构建传染病动力学模型；模型具体为：
其中，Sit表示区域i第t天的易感人数；Iit表示区域i第t天的感染人数；Rit表示区域i第t天的康复人数；感染率βt表示易感者与感染者接触后染病的概率；恢复率γt表示感染者康复的概率；N表示区域i的总人口数；Cijt表示第t天区域i中现存感染者已成功感染另一区域j中易感者的人数，在当前背景下，认为Cijt服从伯努利分布，即Cijt～B(Ii,pij)，B表示伯努利分布函数，Ii表示区域i的感染人数；pij表示区域i的病人传染另一区域j中易感者的传染转移概率，受城市经济水平、地理距离、交通出行三方面因素的影响。
4.如权利要求1所述的一种跨区域传染病预测系统，其特征是，根据所述传染病动力学模型，确定指定时空下各地区不同仓室人员数目，模拟和可视化各地理单元的传染病动态；具体包括：
Ri,t+1＝Ri,t+γtIit；
其中，仓室是指针对某类传染病将该地区的人群分为若干类，每一类被称为一个仓室。
5.如权利要求1所述的一种跨区域传染病预测系统，其特征是，根据所述各地区不同仓室人员数目，确定病毒实时传播力及其置信区间，并可视化指定地区的病毒实时传播力及其置信区间；具体包括：
病毒实时传播力Rt是指在防控干预手段下，在疾病传播发展的过程中，t时刻一个病例平均能感染的人数，被用来描述传染病传染速率，反映传染病发生的潜力和严重程度；
在传染病动力学模型中，病毒实时传播力
其中，
表示病毒的随时间变化的实时传播力；βt表示易感者与感染者接触后染病的概率；γt表示感染者恢复的概率或病毒移除率；
病毒实时传播力
的95％置信区间的计算公式为：
其中，s是
的标准差，n为样本量。
6.如权利要求5所述的一种跨区域传染病预测系统，其特征是，依据SICR模型计算得到的区域的易感人数S、感染人数I、康复人数R，采用梯度下降算法求解
的两个参数βt和γt；
梯度下降算法构建的损失函数具体为：
其中，m表示城市总数；
以病毒感染率β的计算为例，首先进行参数初始化：初始化β0,β1,β2,…,βn,终止距离ε以及步长α；
(1)确定当前位置的损失函数的梯度，对于βi,其梯度表达式为：
(2)用步长α乘以损失函数的梯度，得到当前位置下降的距离为：
(3)确定是否所有的βi，其梯度下降的距离Δ都小于ε；如果Δ小于ε，则算法终止，当前所有的βi即为最终结果，否则进入(4)；i＝0,1,2…n；
(4)更新所有的β，对于βi，其更新表达式为：
更新完毕后继续转入步骤(1)。
7.如权利要求1所述的一种跨区域传染病预测系统，其特征是，根据各地区仓室人口变化数据和病毒实时传播力，预测并可视化各地区未来传染病趋势；具体包括：
依据获得的各地区病毒传播力数据和不同仓室传染病模拟数据，利用幂律logistic模型进行未来短期预测：
其中，x为累积感染人数，x′为每日新增感染人数，r为内在感染率，K是最终的流行病规模，p为生长参数的缩放值，0≤p≤1，偏差指数a是一个调节发生率峰值时间的参数；当p＝1时，模型恢复成指数增长模型，当0≤p≤1时，早期生长阶段遵循亚指数增长。
8.一种跨区域传染病预测方法，其特征是，包括：
获取地理单元及主要参数；基于地理单元级别及主要参数，构建传染病仿真模拟背景，确定对应背景的异地转移概率矩阵；
根据所述异地转移概率矩阵，构建传染病动力学模型；
根据所述传染病动力学模型，确定指定时空下各地区不同仓室人员数目，模拟和可视化各地理单元的传染病动态；
根据所述各地区不同仓室人员数目，确定病毒实时传播力及其置信区间，并可视化指定地区的病毒实时传播力及其置信区间；
根据各地区仓室人口变化数据和病毒实时传播力，预测并可视化各地区未来传染病趋势。
9.一种跨区域传染病预测系统，其特征是，包括：
背景搭建模块，其被配置为：获取地理单元及主要参数；基于地理单元级别及主要参数，构建仿真模拟背景，确定对应背景的异地转移概率矩阵；
模型构建模块，其被配置为：根据所述异地转移概率矩阵，构建传染病动力学模型；
传染病动态模拟模块，其被配置为：根据所述传染病动力学模型，确定指定时空下各地区不同仓室人员数目，模拟和可视化各地理单元的传染病动态；
病毒实时传播力计算模块，其被配置为：根据所述各地区不同仓室人员数目，确定病毒实时传播力及其置信区间，并可视化指定地区的病毒实时传播力和置信区间；
传染病趋势预测模块，其被配置为：根据各地区仓室人口变化数据和病毒实时传播力，预测并可视化各地区未来传染病趋势。
10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210338612.6A CN114999667B (zh) | 2022-04-01 | 2022-04-01 | 一种考虑交通干预的传染病跨区域传播预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210338612.6A CN114999667B (zh) | 2022-04-01 | 2022-04-01 | 一种考虑交通干预的传染病跨区域传播预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114999667A true CN114999667A (zh) | 2022-09-02 |
| CN114999667B CN114999667B (zh) | 2024-04-05 |
Family
ID=83023741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210338612.6A Active CN114999667B (zh) | 2022-04-01 | 2022-04-01 | 一种考虑交通干预的传染病跨区域传播预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114999667B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110321424A (zh) * | 2019-06-14 | 2019-10-11 | 电子科技大学 | 一种基于深度学习的艾滋病人员行为分析方法 |
| CN113241188A (zh) * | 2021-04-14 | 2021-08-10 | 大连理工大学 | 一种开放体系下新发传染病的跨区域传播预测方法 |
| CN113470836A (zh) * | 2021-07-28 | 2021-10-01 | 联通(广东)产业互联网有限公司 | 一种传染病趋势预测方法、系统、装置及存储介质 |
| CN113517075A (zh) * | 2021-06-25 | 2021-10-19 | 联通(广东)产业互联网有限公司 | 一种基于传染病动力学的传染病预测方法、系统及介质 |
| CN113609706A (zh) * | 2021-08-25 | 2021-11-05 | 东北大学秦皇岛分校 | 调控政策对旅游业影响的仿真系统动力学模型及其实现方法 |
| CN113780635A (zh) * | 2021-08-24 | 2021-12-10 | 广东省公共卫生研究院 | 一种小空间尺度传染病时空传播模式的预测方法 |
| CN113889282A (zh) * | 2021-07-28 | 2022-01-04 | 清华大学 | 一种个体移动干预传染病防控方法及系统 |
-
2022
- 2022-04-01 CN CN202210338612.6A patent/CN114999667B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110321424A (zh) * | 2019-06-14 | 2019-10-11 | 电子科技大学 | 一种基于深度学习的艾滋病人员行为分析方法 |
| CN113241188A (zh) * | 2021-04-14 | 2021-08-10 | 大连理工大学 | 一种开放体系下新发传染病的跨区域传播预测方法 |
| CN113517075A (zh) * | 2021-06-25 | 2021-10-19 | 联通(广东)产业互联网有限公司 | 一种基于传染病动力学的传染病预测方法、系统及介质 |
| CN113470836A (zh) * | 2021-07-28 | 2021-10-01 | 联通(广东)产业互联网有限公司 | 一种传染病趋势预测方法、系统、装置及存储介质 |
| CN113889282A (zh) * | 2021-07-28 | 2022-01-04 | 清华大学 | 一种个体移动干预传染病防控方法及系统 |
| CN113780635A (zh) * | 2021-08-24 | 2021-12-10 | 广东省公共卫生研究院 | 一种小空间尺度传染病时空传播模式的预测方法 |
| CN113609706A (zh) * | 2021-08-25 | 2021-11-05 | 东北大学秦皇岛分校 | 调控政策对旅游业影响的仿真系统动力学模型及其实现方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114999667B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| McCormack et al. | A simulation model to enable the optimization of ambulance fleet allocation and base station location for increased patient survival | |
| Akhtar et al. | A dynamic neural network model for predicting risk of Zika in real time | |
| Shao et al. | Threshold and moderating effects of land use on metro ridership in Shenzhen: Implications for TOD planning | |
| Hu et al. | Forecasting and evaluating multiple interventions for COVID-19 worldwide | |
| Kuzdeuov et al. | A network-based stochastic epidemic simulator: Controlling covid-19 with region-specific policies | |
| CN113780635B (zh) | 一种小空间尺度传染病时空传播模式的预测方法 | |
| CN104183119B (zh) | 基于路段od反推的实时交通流分布预测方法 | |
| Sarkar | COVID-19 susceptibility mapping using multicriteria evaluation | |
| Khezerlou et al. | Forecasting gathering events through trajectory destination prediction: A dynamic hybrid model | |
| Liu et al. | Hybrid intelligent algorithm and its application in geological hazard risk assessment | |
| CN114048920A (zh) | 充电设施建设的选址布局方法、装置、设备及存储介质 | |
| Taghizadeh et al. | Probabilistic framework for evaluating the seismic resilience of transportation systems during emergency medical response | |
| CN113672599A (zh) | 通过创建领域知识图谱实现政务信息化项目建设管理的可视化辅助决策方法 | |
| CN113780665A (zh) | 一种基于增强循环神经网络的私家车停留位置预测方法和系统 | |
| Bodini et al. | Underdetection in a stochastic SIR model for the analysis of the COVID-19 Italian epidemic | |
| Xie et al. | Approaches to link geospatially varying social, economic, and environmental factors with electronic health record data to better understand asthma exacerbations | |
| Yao et al. | Spatiotemporal distribution of human trafficking in China and predicting the locations of missing persons | |
| Feng et al. | The Impact of Quarantine and Medical Resources on the Control of COVID-19 in Wuhan based on a Household Model | |
| Lu et al. | Stability analysis of a nonlocal SIHRDP epidemic model with memory effects | |
| Chen et al. | Correlation of the epidemic spread of COVID-19 and urban population migration in the major cities of Hubei Province, China | |
| Yazdani et al. | Optimisation-based integrated decision model for ambulance routing in response to pandemic outbreaks | |
| CN114999667A (zh) | 一种考虑交通干预的传染病跨区域传播预测方法及系统 | |
| Wang et al. | A multi-tier inspection queueing system with finite capacity for differentiated border control measures | |
| Iyaniwura et al. | Understanding the impact of mobility on COVID-19 spread: A hybrid gravity-metapopulation model of COVID-19 | |
| CN116070385A (zh) | 一种境外矿产资源供应链风险自动识别方法及系统 |
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 |