CN116206771A - 一种基于集成卡尔曼滤波和社交网络的传染病参数估计方法 - Google Patents
一种基于集成卡尔曼滤波和社交网络的传染病参数估计方法 Download PDFInfo
- Publication number
- CN116206771A CN116206771A CN202310052657.1A CN202310052657A CN116206771A CN 116206771 A CN116206771 A CN 116206771A CN 202310052657 A CN202310052657 A CN 202310052657A CN 116206771 A CN116206771 A CN 116206771A
- Authority
- CN
- China
- Prior art keywords
- infection
- node
- nodes
- removal
- social network
- 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
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 114
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001914 filtration Methods 0.000 title claims abstract description 31
- 238000012937 correction Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 230000007480 spreading Effects 0.000 claims abstract description 4
- 239000002245 particle Substances 0.000 claims description 46
- 238000012986 modification Methods 0.000 claims description 9
- 230000004048 modification Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000036039 immunity Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000006806 disease prevention Effects 0.000 abstract description 2
- 238000011084 recovery Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 201000005505 Measles Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012546 transfer 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
-
- 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
- G06Q50/01—Social networking
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Marketing (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于传染病防治技术领域,具体为基于集成卡尔曼滤波和社交网络的传染病参数估计方法。本发明方法包括:构建地区社交网络,表征传染病的传播路径;获取该地区疫情传播过程中感染人数占比和移除人数占比的观测数;基于SIR传染病模型和社交网络,建立社交网络上节点之间的传染病模型;通过集成卡尔曼滤波获取当前时刻估计的节点之间平均感染概率、节点平均移除率和修正之后的感染人数占比和移除人数占比;根据集成卡尔曼滤波修正之后的感染人数占比和移除人数占比,修正模型在当前时刻的节点状态;集成卡尔曼滤波收敛后,得到对传染病参数的估计。本发明可有效估计在相对封闭地区的疫情传播参数,利用社交网络信息提高估计的准确性。
Description
技术领域
本发明属于传染病防治技术领域,具体涉及传染病参数估计方法。
背景技术
传染病是人类生存与健康的严重挑战,对传染病的建模和预测对于控制和消除传染病的发生和流行,保障人们的身体健康具有重要意义。目前最常用的传染病模型统称为仓室模型,通过某种划分把人群划分为几个仓室来研究,例如SIR模型常用来描述如麻疹、水痘等可以被治愈切感染者永久保留对该疾病免疫能力的疾病传播过程。卡尔曼滤波是估计传染病参数的有效方法。然而,目前基于集成卡尔曼滤波的传染病参数估计方法忽略了社交网络的重要性,只能估计人群宏观的感染率和恢复率,不能精确估计离散节点细粒度的参数。本方法通过利用社交网络,估计存在接触的节点之间的感染概率和节点本身的恢复概率,对传染病防治起到更好的指导作用。
发明内容
本发明的目的在于,针对传染病参数估计方法的缺点或不足,提供一种基于集成卡尔曼滤波和社交网络的传染病参数估计方法。
本发明提供的基于集成卡尔曼滤波和社交网络的传染病参数估计方法,包括获取地区内的社交网络,观测传染病的感染人数占比和移除(恢复)人数占比,利用集成卡尔曼滤波算法对传染病参数进行估计,具体步骤为:
步骤1构建地区社交网络,表征传染病的传播路径;例如封闭学校的学生之间的社交连接关系;
步骤2获取该地区疫情传播过程中感染人数占比和移除人数占比的观测数;
步骤3基于SIR传染病模型和社交网络,建立社交网络上节点之间的传染病模型;
步骤4通过集成卡尔曼滤波获取当前时刻估计的节点之间平均感染概率β、节点平均移除率γ参数和修正之后的感染人数占比和移除人数占比;
步骤5每长度为L时间窗口,根据集成卡尔曼滤波修正之后的感染人数占比和移除人数占比,修正模型在当前时刻的节点状态;
步骤6集成卡尔曼滤波收敛后,得到对传染病参数的估计。
各步骤的详细说明如下。
步骤1,构建地区社交网络,表征传染病的传播路径;
社交网络中,使用节点表示该区域内的人群,使用无向边表示节点(人)与节点(人)之间的连接,即边连接的两个节点(人)存在社交关系,可以被对方传染;
以图1为例,20个节点表示区域内的20个人,连边表示其因社交关系而潜在的传染路径。在以下步骤中,以M个节点为例,记为node1,node2,…,nodeM。
步骤2,获取该地区疫情传播过程中感染人数占比和移除人数占比的观测数,该数据可以由疫情发生过程中统计或相关部门公开数据获取。
步骤3,基于SIR传染病模型和社交网络,建立社交网络上节点之间的传染病模型。
假设存在M个节点的社交网络G,每个节点存在三种状态:s-易感者,i-感染者,r-移除者。移除后的节点将拥有免疫且不会再次被感染,两个参数β和γ分别表示感染概率和移除概率。在建模传染过程中,遵循如下规则:
步骤3.1.找出感染者节点相邻的易感者节点集合;
步骤3.2.遍历该易感者节点集合,取随机数,若随机数小于β,则将该邻居节点感染,即该邻居状态由s变成i;
步骤3.3.遍历结束后,取随机数,若随机数小于γ,则该感染者节点转为移除者节点,即状态由i变为r。
步骤4.通过集成卡尔曼滤波获取当前时刻估计的节点之间平均感染概率β、节点平均移除率γ参数和修正之后的感染人数占比和移除人数占比;使用集成卡尔曼滤波对参数β和γ进行估计。具体步骤为:
步骤4.1.选取粒子(即集成卡尔曼滤波中的采样模型)数N,例如50,100,200,每个粒子维护独自的社交网络传染模型;
步骤4.2.按照步骤1中获取的社交网络建立M个节点的社交网络关系,假设初始感染人数占比满足正态分布合理设置初始感染人数占比均值i0和方差Pi,采样获得N个粒子各自的初始感染节点占比,在每个粒子上,按照其初始感染节点占比随机采样,设置初始感染节点;设置所有粒子的初始移除节点占比为0;即,在每个粒子上,部分采样的节点状态为s-感染者,剩余节点状态为r-易感者;
步骤4.3.假设初始的感染概率满足正态分布采样得到每个粒子的初始感染概率β0,1,…,β0,N;相同地,采样/>得到每个粒子的初始移除概率γ0,1,…,γ0,N;这里,β0,Pβ,γ0,Pγ基于先验设置即可,本方法不要求初始值精度过高,因而本方法操作简便;
步骤4.4.遍历所有粒子k=1,…,N,已知t-1时刻第k个粒子中社交网络中节点的状态和当前对第k个粒子中模型参数的估计βt,k和γt,k,对每个粒子的社交网络分别执行步骤3所示的感染过程;对于第k个粒子,得到其在t时刻的感染人数占比和移除人数占比
步骤4.5.记t时刻第k个粒子模型预测的状态为:
其中,φ(·)为将定义域由[0,1]映射为[-∞,+∞]的任意可逆函数,例如φ(x)=tan((x-0.5)π)/300;计算算法的平均预测状态:
步骤4.7.获取实际疫情数据集在t时刻对感染人数占比It和移除人数占比Rt,令观测yt=[It,Rt],假设观测噪声服从均值为0,方差为R的多元正态分布,根据观测数据自适应设置观测噪声的方差Ht,Ht[0,0]=(0.04It)2,Ht[1,1]=(0.04Rt)2,且设置对角元素的上下界,协方差矩阵其余位置元素为0;
步骤4.8.根据如下步骤对预测的状态进行修正:
其中,即为算法在t时刻对该地区实际感染人数占比的估计/>实际移除人数占比的估计/>平均感染概率/>和平均移除概率同时,算法输出对于每个粒子的修正后的状态:/>粒子k在t时刻修正感染人数占比/>修正移除人数/>修正感染概率/>修正移除概率/>
步骤5.将集成卡尔曼滤波算法修正的状态修改到粒子的传染模型上,分为对参数的修改和对节点的修改。
步骤5.2对节点的修改。定义时间窗口L,每L步将所有粒子修正后的实际感染人数占比和实际移除人数占比修改到其传染病模型上;本方法的创新点之一就是,针对基于社交网络的传染病模型,如何将集成卡尔曼滤波修正后的宏观的感染人数占比和移除人数占比反映到粒子的微观的网络节点状态上。具体包括,记录每个节点状态由s变成i的时刻和由i变成r的时刻;状态的修正主要有以下4种形式:
(1)s→i:遍历当前感染的节点,将其状态为s的邻居节点组成易感集合Sneighbor,等概率选取节点感染。更新新感染节点的状态前进时刻为当前t+0.5,用于区分在预测阶段新感染的节点;
(2)i→r:按照感染时间正序对当前感染节点排序,先感染的先移除,相同时刻感染的等概率移除。更新移除节点的状态前进为r的时刻为当前t+0.5,用于区分在预测阶段移除的节点;
(3)r→i:按照移除时间倒序对当前移除节点排序,后移除的先回退倒感染状态,相同时刻移除的节点等概率回退。回退节点的状态前进为r的时刻记录清空;
(4)i→s:按照感染时间倒序对当前感染节点排序,后感染的先回退倒易感状态,相同时刻感染的节点等概率回退。回退节点的状态前进为i的时刻记录清空。
由于系统单步的结果具有随机性,故引入一个参数时间窗口L,即对系统的状态修正按照如下方法进行:
每一步都更新系统的参数,即需要同化的参数β和γ;
每L步更新系统的其他状态,即感染人数占比和移除人数占比。
具体修改具体步骤为:
步骤1:如果当前移除人数占比大于集成卡尔曼滤波修正之后的值,则执行r→i;若小于,执行i→r;
步骤2:如果当前感染人数占比大于集成卡尔曼滤波修正之后的值,则执行i→s;若小于,执行s→i。
步骤6.集成卡尔曼滤波收敛后,得到对传染病参数的估计。可进一步用于该传染病的其它地区或时间的预测和该传染病性能的研究。
本发明的主要特点和优点:
(1)对社交网络上的离散节点传染的传染病模型进行建模,在仅观测整体感染人数占比和移除人数占比的条件下对模型的参数进行估计;
(2)提出基于传染病先验和状态转移时刻的节点状态修正方法;
(3)提出适用于社交网络上的离散节点传染的传染病模型参数估计的基于观测的自适应观测噪声方法;
(4)本方法可推广到基于社交网络的如SIS、SEIR、SEIS等其它传染病模型的参数估计。
本发明不要求已知该地区每个人的状态,只需观测整体感染情况即可。本发明可有效用于估计在相对封闭地区的疫情传播参数,利用社交网络信息提高估计的准确性。
附图说明
图1为社交网络示意图。
图2为数据集中三种人群(s-易感者,i-感染者,r-移除者)人数图。
图3为本发明方法对参数估计结果示意图。其中,(a)为β参数,(b)为γ参数。
具体实施方式
下面通过模拟例子结合附图进一步介绍本发明。
模拟拥有M=5000人口的封闭地区的传染病过程,假设其社交网络为平均度为5,重连率为0.1的Watts Strogatz(WS)小世界图。在生成实际疫情数据集时,选用初始t=0时刻感染人数占比为0.002,即10人感染,初始0人移除,即0人移除。设置感染率β=0.005,移除率γ=0.002,即在每个时刻,感染者感染其任意一个易感邻居的概率为0.005,感染者成为移除者的概率为0.002,模拟3000轮,生成数据集如图2所示。图2展示了数据集中三种人群数,其中横轴代表时间,纵轴代表人数,s(即蓝色曲线)表示易感人群数,i表示感染人群数,r表示移除人群数。随着时间推移,易感人群数逐步下降,移除人群数逐步上升,感染人数数先升后降。实验中仅能观察到图示的该地区感染人数和移除人数,每个人的状态不可见。
对于集成卡尔曼滤波,初始粒子感染率参数i0=0.01,Pi=1e-4,初始粒子移除参数β0=0.01,Pβ=1e-4。粒子数N=200,时间窗口L=5,本方法对感染率β和移除率γ的估计结果如图3所示。其中,图3(a)展示了对于参数β的值的预测,横轴为时间,纵轴为β的预测值,‘beta gt’(gt为英文ground truth的缩写)为β的真实值,‘beta pre’(pre为prediction的缩写)为算法对β的预测值。与之相似,图3(b)展示了对于参数γ的值的预测,其中‘gamma pre’为算法预测值,‘gamma gt’为真实值。由图可见,在初识时刻,即t=0,对β的预测值的随机初始化较差,随着算法的迭代,在t=2500之后对β的预测值接近真实值,效果较好。
可见,本方法可以实现在社交网络上的传染病参数的精确估计。
Claims (2)
1.一种基于集成卡尔曼滤波和社交网络的传染病参数估计方法,其特征在于,包括获取地区内的社交网络,观测传染病的感染人数占比和移除人数占比,利用集成卡尔曼滤波算法对传染病参数进行估计,具体步骤为:
步骤1,构建地区社交网络,表征传染病的传播路径;
社交网络中,使用节点表示该区域内的人群,使用无向边表示点与点之间的连接,即边连接的两个节点存在社交关系,可以被对方传染;设节点数为M,记为node1,node2,…,nodeM;
步骤2,获取该地区疫情传播过程中感染人数占比和移除人数占比的观测数,该数据由疫情发生过程中统计或相关部门公开数据获取;
步骤3,基于SIR传染病模型和社交网络,建立社交网络上节点之间的传染病模型;
记M个节点的社交网络为G,每个节点存在三种状态:s-易感者,i-感染者,r-移除者;移除后的节点将拥有免疫且不会再次被感染,两个参数β和γ分别表示感染概率和移除概率;在建模传染过程中,遵循如下规则:
步骤3.1.找出感染者节点相邻的易感者节点集合;
步骤3.2.遍历该易感者节点集合,取随机数,若随机数小于β,则将该邻居节点感染,即该邻居状态由s变成i;
步骤3.3.遍历结束后,取随机数,若随机数小于γ,则该感染者节点转为移除者节点,即状态由i变为r;
步骤4.通过集成卡尔曼滤波获取当前时刻估计的节点之间平均感染概率β、节点平均移除率γ,和修正之后的感染人数占比和移除人数占比;使用集成卡尔曼滤波对参数β和γ进行估计;具体步骤为:
步骤4.1.选取粒子数N,每个粒子维护独自的社交网络传染模型;
步骤4.2.按照步骤1中获取的社交网络建立M个节点的社交网络关系,假设初始感染人数占比满足正态分布合理设置初始感染人数占比均值i0和方差Pi,采样获得N个粒子的初始感染节点占比,在每个粒子上,按照其初始感染节点占比随机采样,设置初始感染节点;设置所有粒子的初始移除节点占比为0,即,在每个粒子上,部分采样的节点状态为i-感染者,剩余节点状态为s-易感者;
步骤4.3.假设初始的感染概率满足正态分布采样得到每个粒子的初始感染概率β0,1,…,β0,N;相同地,假设初始的移除概率满足正态分布/>采样得到每个粒子的初始移除概率γ0,1,…,γ0,N;这里,β0,Pβ,γ0,Pγ基于先验设置;
步骤4.4.遍历所有粒子k=1,…,N,已知t-1时刻第k个粒子中社交网络中节点的状态和当前对第k个粒子中模型参数的估计βt,k和γt,k,对每个粒子的社交网络分别执行步骤3所示的感染过程;对于第k个粒子,得到其在t时刻的感染人数占比和移除人数占比/>
步骤4.5.记t时刻第k个粒子模型预测的状态为:
其中,φ(·)为将定义域由[0,1]映射为[-∞,+∞]的任意可逆函数,计算平均预测状态:
步骤4.7.获取实际疫情数据集在t时刻对感染人数占比It和移除人数占比Rt,令观测yt=[It,Rt],假设观测噪声服从均值为0,方差为R的多元正态分布,根据观测数据自适应设置观测噪声的方差Ht,Ht[0,0]=(0.04It)2,Ht[1,1]=(0.04Rt)2,且设置对角元素的上下界,协方差矩阵其余位置元素为0;
步骤4.8.根据如下步骤对预测的状态进行修正:
其中,即为在t时刻对该地区实际感染人数占比的估计/>实际移除人数占比的估计/>平均感染概率/>和平均移除概率/>同时,算法输出对于每个粒子的修正后的状态:/>粒子k在t时刻修正感染人数占比/>修正移除人数/>修正感染概率/>修正移除概率/>
步骤5.将集成卡尔曼滤波算法修正的状态修改到粒子的传染模型上,分为对参数的修改和对节点的修改;
步骤5.2对节点的修改;定义时间窗口L,每L步将所有粒子修正后的实际感染人数占比和实际移除人数占比修改到其传染病模型上;
步骤6.集成卡尔曼滤波收敛后,得到对传染病参数的估计;可进一步用于该传染病的其它地区或时间的预测和该传染病性能的研究。
2.根据权利要求1所述的传染病参数估计方法,其特征在于,其特征在于,步骤5.2所述对节点的修改,具体包括,记录每个节点状态由s变成i的时刻和由i变成r的时刻;状态的修正有以下4种形式:
(1)s→i:遍历当前感染的节点,将其状态为s的邻居节点组成易感集合Sneighbor,等概率选取节点感染;更新新感染节点的状态前进时刻为当前t+0.5,用于区分在预测阶段新感染的节点;
(2)i→r:按照感染时间正序对当前感染节点排序,先感染的先移除,相同时刻感染的等概率移除;更新移除节点的状态前进为r的时刻为当前t+0.5,用于区分在预测阶段移除的节点;
(3)r→i:按照移除时间倒序对当前移除节点排序,后移除的先回退倒感染状态,相同时刻移除的节点等概率回退;重置回退节点的状态前进为r的时刻清空;
(4)i→s:按照感染时间倒序对当前感染节点排序,后感染的先回退倒易感状态,相同时刻感染的节点等概率回退;重置回退节点的状态前进为i的时刻清空;
由于系统单步的结果具有随机性,故引入一个参数时间窗口L,即对系统的状态修正按照如下方法进行:
每一步都更新系统的参数,即需要同化的参数β和γ;
每L步更新系统的其他状态,即感染人数占比和移除人数占比;
修改具体步骤为:
步骤1:如果当前移除人数占比大于集成卡尔曼滤波修正之后的值,则执行r→i;若小于,执行i→r;
步骤2:如果当前感染人数占比大于集成卡尔曼滤波修正之后的值,则执行i→s;若小于,执行s→i。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310052657.1A CN116206771A (zh) | 2023-02-02 | 2023-02-02 | 一种基于集成卡尔曼滤波和社交网络的传染病参数估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310052657.1A CN116206771A (zh) | 2023-02-02 | 2023-02-02 | 一种基于集成卡尔曼滤波和社交网络的传染病参数估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116206771A true CN116206771A (zh) | 2023-06-02 |
Family
ID=86507095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310052657.1A Pending CN116206771A (zh) | 2023-02-02 | 2023-02-02 | 一种基于集成卡尔曼滤波和社交网络的传染病参数估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116206771A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057174A (zh) * | 2023-10-13 | 2023-11-14 | 长江三峡集团实业发展(北京)有限公司 | 一种缺资料地区径流预测的方法 |
-
2023
- 2023-02-02 CN CN202310052657.1A patent/CN116206771A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057174A (zh) * | 2023-10-13 | 2023-11-14 | 长江三峡集团实业发展(北京)有限公司 | 一种缺资料地区径流预测的方法 |
CN117057174B (zh) * | 2023-10-13 | 2024-01-26 | 长江三峡集团实业发展(北京)有限公司 | 一种缺资料地区径流预测的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | Learning continuous-time social network dynamics | |
CN111966823B (zh) | 一种面向标签噪声的图节点分类方法 | |
CN111582610A (zh) | 基于卷积神经网络对家庭能量分解的预测方法 | |
CN116206771A (zh) | 一种基于集成卡尔曼滤波和社交网络的传染病参数估计方法 | |
CN111611297B (zh) | 顾及参数时变性的传播模型建立方法及其预测方法 | |
CN109766710B (zh) | 关联社交网络数据的差分隐私保护方法 | |
CN109471995A (zh) | 一种复杂网络的双曲嵌入方法 | |
Zhi et al. | Dynamic truth discovery on numerical data | |
Kiamari et al. | COVID-19 Risk Estimation using a Time-varying SIR-model | |
CN112905656A (zh) | 一种融合时序网络的动态社区发现系统 | |
Freyermuth et al. | Tree-structured wavelet estimation in a mixed effects model for spectra of replicated time series | |
CN106909798A (zh) | 一种基于累积概率曲线的逐日降水多模式集合方法 | |
Gao et al. | Modeling covid-19 with mean field evolutionary dynamics: Social distancing and seasonality | |
CN111414552B (zh) | 一种在线社交网络谣言传播范围的估计方法 | |
Cislaghi et al. | Exploratory tools for disease mapping in geographical epidemiology | |
CN112561066A (zh) | 一种快速重构传播网络结构的方法 | |
CN117153423A (zh) | 基于贝叶斯推理的新发传染病暴发时间预测方法 | |
Katriel | Stochastic discrete-time age-of-infection epidemic models | |
Wang | An analytical SIR model of epidemics and a sustainable suppression policy: Testing | |
Gao et al. | Consistent estimation in general sublinear preferential attachment trees | |
JP6950701B2 (ja) | モデル推定装置、モデル推定方法およびモデル推定プログラム | |
CN116580824A (zh) | 基于联邦图机器学习的跨地域医疗合作预测方法 | |
CN113806925B (zh) | 基于贝叶斯层次最优化的od矩阵估计方法 | |
CN115033915A (zh) | 一种基于生成对抗网络的敏感标签轨迹数据差分隐私发布方法 | |
CN112905907B (zh) | 一种系统进化移植分区时序网络的动态社区发现方法 |
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 |