WO2022160370A1 - 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 - Google Patents

基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 Download PDF

Info

Publication number
WO2022160370A1
WO2022160370A1 PCT/CN2021/075404 CN2021075404W WO2022160370A1 WO 2022160370 A1 WO2022160370 A1 WO 2022160370A1 CN 2021075404 W CN2021075404 W CN 2021075404W WO 2022160370 A1 WO2022160370 A1 WO 2022160370A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
exponential smoothing
new
confirmed cases
area
Prior art date
Application number
PCT/CN2021/075404
Other languages
English (en)
French (fr)
Inventor
吴志雄
甘建武
李晓琼
黄鼎
Original Assignee
南威软件股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 南威软件股份有限公司 filed Critical 南威软件股份有限公司
Publication of WO2022160370A1 publication Critical patent/WO2022160370A1/zh

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Definitions

  • the invention relates to the technical field of epidemic pre-warning, in particular to an early-warning method based on an improved triple exponential smoothing model and an LSTM model in a new crown epidemic.
  • the prediction and early warning methods for new coronary pneumonia are mainly divided into two types from the perspective of data sources.
  • the purpose of the present invention is to propose an early warning method based on the improved triple exponential smoothing model and the LSTM model in the new crown epidemic, which can improve the prediction accuracy.
  • Two sets of time-series data are composed of the number of existing confirmed cases and the number of new confirmed cases per day in the whole country and each region, respectively, to form a prediction data set of the number of existing confirmed cases and the number of newly confirmed cases per day.
  • the ratio used for model training and model evaluation is 4: 1;
  • ⁇ is the first smoothing coefficient
  • Predict the predicted value after time T at time t 0 for the improved triple exponential smoothing model is the actual value after time T at time t 0 , that is, the actual value at time t 0 +T; n is the total number of periods used for the model evaluation data set, and t 0 is the last period used for the model training data set.
  • ⁇ y1 and ⁇ y2 are the average absolute errors of the triple exponential smoothing model and the LSTM network for the prediction of the existing number of confirmed diagnoses in the region ; absolute error; are the three-time exponential smoothing model of the number of existing confirmed cases, and the predicted value of the number of existing confirmed cases of the new crown in the region at time t of the LSTM network; are the three-time exponential smoothing model and the predicted value of the number of existing confirmed cases of the new crown in the country at time t of the LSTM network;
  • ⁇ x1 and ⁇ x2 are the average absolute errors of the triple exponential smoothing model and the LSTM network for the prediction of the number of newly diagnosed daily in the region ;
  • the mean absolute error of the population forecast are the three exponential smoothing model of the number of new confirmed cases per day, and the predicted value of the number of new confirmed cases per day in the region at time t of the LSTM network; They are the three-time exponential smoothing model and the predicted value of the number of new confirmed cases of the new crown day in the country at the time of LSTM network t;
  • PD area is the population density of the region; max ⁇ PD ⁇ , min ⁇ PD ⁇ are the maximum and minimum population density of the same region-level area; PerGDP area is the per capita GDP of the region; max ⁇ PerGDP ⁇ , min ⁇ PerGDP ⁇ is the maximum and minimum value of GDP per region with the same regional level;
  • the regional comprehensive risk index RiskIndex area,t is calculated:
  • RiskIndex area,t ( ⁇ YIndex area,t +(1- ⁇ )XIndex area,t ) ⁇ BaseIndex area ;
  • ⁇ is a hyperparameter
  • the value of the hyperparameter n is 0.5.
  • the present invention also provides an early warning system based on the improved triple exponential smoothing model and the LSTM model in the new crown epidemic, including a memory, a processor, and computer program instructions stored on the memory and can be run by the processor. When the processor runs the When computer program instructions are used, the method steps as described above can be implemented.
  • the present invention also provides a computer-readable storage medium on which computer program instructions that can be executed by a processor are stored, and when the processor executes the computer program instructions, the above method steps can be implemented.
  • the present invention has the following beneficial effects: when the triple exponential smoothing model in the present invention is used for quadratic and triple exponential smoothing, the application of the proposed self-adaptive smoothing index can well meet the requirements of unknown time changes, improve prediction accuracy. At the same time, the learning and early warning of the model of the present invention can be run automatically without the need for on-site operators.
  • the two methods given are easy to understand and easy to understand for the number of existing confirmed cases in the country or in the region, the number of new confirmed cases per day, risk index, and risk level, which is convenient for operators to make judgments.
  • FIG. 1 is a schematic diagram of the principle of an embodiment of the present invention.
  • this embodiment provides an early warning method based on the improved triple exponential smoothing model and the LSTM model in the new crown epidemic, which specifically includes the following steps:
  • Two sets of time-series data are composed of the number of existing confirmed cases and the number of new confirmed cases per day in the whole country and each region, respectively, to form a prediction data set of the number of existing confirmed cases and the number of newly confirmed cases per day.
  • the ratio used for model training and model evaluation is 4: 1;
  • the crawling of epidemic data in various regions of the country is specifically:
  • the use of the prediction data set to construct an improved exponential smoothing model, and the use of the constructed triple exponential smoothing model to respectively predict the number of existing diagnoses and the number of newly diagnosed patients per day is as follows: Coefficient and initial value, the smoothing coefficient is a fixed value, which has a certain adaptability to the change of time series, can not meet the requirements of time change well, and the prediction accuracy is not high, and the improved cubic smoothing index, in the second When smoothing is performed three times, an adaptive dynamic smoothing coefficient is used to meet the requirements of time changes and improve the prediction accuracy. Specifically include the following steps:
  • n is the total number of periods
  • n is the total number of periods
  • n is the triple exponential smoothing value of the t and t-1 periods
  • ⁇ is the first-order smoothing coefficient
  • ⁇ is the first smoothing coefficient
  • Predict the predicted value after time T at time t 0 for the improved triple exponential smoothing model is the actual value after time T at time t 0 , that is, the actual value at time t 0 +T; n is the total number of periods used for the model evaluation data set, and t 0 is the last period used for the model training data set.
  • the use of the prediction data set to train the LSTM model, and the use of the trained LSTM model to respectively predict the number of existing diagnoses and the number of newly diagnosed patients per day is specifically as follows: using the artificial neural network library Keras, using the data contained in Keras The LSTM network module builds the LSTM model to predict the number of existing confirmed cases of new coronary pneumonia and the number of new confirmed cases per day. Build the LSTM model: Through the artificial neural network library Keras, use the LSTM network module and loss function, layer number and Dropout module included in Keras to input the training set data into the LSTM network for training, and the loss function selects the mean square error function (MSE).
  • MSE mean square error function
  • the optimizer selects Adam, and continuously optimizes the LSTM network by setting the number of iterations epoch, batch size batch_size and time step n_lag, and minimizes the loss function to obtain the parameter settings of LSTM (the number of iterations epoch is 100, batch processing The size batch_size is 1 and the time step n_lag is 12). At this point, it is determined that the training model is optimal, and then the model parameters are saved. Specifically include the following steps:
  • the calculation of the new coronary pneumonia epidemic risk index of a certain day in a region is specifically:
  • ⁇ y1 and ⁇ y2 are the average absolute errors of the triple exponential smoothing model and the LSTM network for the prediction of the existing number of confirmed diagnoses in the region ; absolute error; are the three-time exponential smoothing model of the number of existing confirmed cases, and the predicted value of the number of existing confirmed cases of the new crown in the region at time t of the LSTM network; are the three-time exponential smoothing model and the predicted value of the number of existing confirmed cases of the new crown in the country at time t of the LSTM network;

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于改进的三次指数平滑模型及LSTM模型在新冠疫情的预警方法，具体包括以下步骤：爬取全国各个地区的疫情数据；将全国与各地区疫情的现存确诊人数、日新增确诊人数分别构成两组时间序列数据，形成现存确诊人数、日新增确诊人数预测数据集；使用预测数据集构建改进的指数平滑模型，采用构建的三次指数平滑模型分别进行现存确诊人数、日新增确诊人数的预测；使用预测数据集训练LSTM模型，采用训练好的LSTM模型分别进行现存确诊人数、日新增确诊人数的预测；结合三次指数平滑模型与LSTM模型预测的结果，计算地区某天的新冠肺炎疫情风险指数，并以此划分风险等级。该方法能够提高预测的精度。

Description

基于改进的三次指数平滑模型及LSTM模型在新冠疫情的预警方法 技术领域
本发明涉及疫情预警技术领域，特别是基于改进的三次指数平滑模型及LSTM模型在新冠疫情的预警方法。
背景技术
2019年12月，首例新冠肺炎患者出现直至席卷全球，全球人民开始了艰辛的抗疫战斗，新冠肺炎的大多数患者症状轻微，预后良好，但也有部分患者迅速发展至危重状态，各地区进入紧急“备战”状态。因此，若能够对新冠肺炎进行准确预警，便能够辅助公共卫生、应急、疾控等部门和其他相关决策者制定疫情防控策略，比如落实在具体时间地点上的医疗投入、是否限制流动、对个人采取的防护建议、复工复学的可能性。
目前，对新冠肺炎的预测预警方法从数据来源角度主要分为两种。
其一，中国工程院院士钟南山团队代表中国国家卫生健康委员会高级别专家组通过整合临床风险因素，建立新冠肺炎的危重症预测模型，该模型的建立是基于中国1590例新冠肺炎患者，通过LASSO回归对72个临床因素进行筛选，发现10个关键的独立风险因子，包括：胸部X光异常、年龄、咯血、气促、意识障碍、基础疾病数量、既往癌症史、中性粒细胞与淋巴细胞比值、乳酸脱氢酶和直接胆红素，随后根据每个风险因子的权重构建多因素预测模型，内部验证准确度达到88％，可用于患者就诊时的分流处理，提高医疗资源分配的效率，但该方法需要拥有患者的临床检查数据，数据获取难度大。
其二，通过研发大数据预测模型希望对疫情防控这件事情做到有的放矢、未雨绸缪。第一类模型从数据本身观察预测，包括自回归和机器学习(深度学习)两种，从数据本身观察预测比较简单易于实施，对近期预测效果尚可，但长期预测性能显著下降，并且只能给出变量预测结果，并不能够揭示疫情发展更深层次的规律；第二类模型是融合传染病动力学的模型，考虑了随时间变化的抗疫措施的动态影响，因此可以预测较长时间的值，准确率明显提升，但其缺陷在于模型参数太多而已知数据太少，拟合过程中容易受噪音干扰，鲁棒性差。此外，没有疫情直报数据、百度人口迁徙数据以外的其他数据，以及各省独立建模等都影响模型性能。
发明内容
有鉴于此，本发明的目的是提出一种基于改进的三次指数平滑模型及LSTM模型在新冠疫 情的预警方法，能够提高预测的精度。
本发明采用以下方案实现：一种基于改进的三次指数平滑模型及LSTM模型在新冠疫情的预警方法，具体包括以下步骤：
爬取全国各个地区的疫情数据；
将全国与各地区疫情的现存确诊人数、日新增确诊人数分别构成两组时间序列数据，形成现存确诊人数、日新增确诊人数预测数据集，用于模型训练及模型评估的比值为4:1；
使用预测数据集构建改进的指数平滑模型，采用构建的三次指数平滑模型分别进行现存确诊人数、日新增确诊人数的预测；
使用预测数据集训练LSTM模型，采用训练好的LSTM模型分别进行现存确诊人数、日新增确诊人数的预测；
结合三次指数平滑模型与LSTM模型预测的结果，计算地区某天的新冠肺炎疫情风险指数，并以此划分风险等级。
进一步地，所述爬取全国各个地区的疫情数据具体为：
利用爬虫工具爬取全国各地每日包括新冠肺炎确诊人数、疑似人数、死亡人数、恢复人数数据在内的相关疫情数据，并汇聚各地包括人口密集度、人均地区生产总值在内的数据，存储至数据库中。
进一步地，所述使用预测数据集构建改进的指数平滑模型，采用构建的三次指数平滑模型分别进行现存确诊人数、日新增确诊人数的预测具体包括以下步骤：
获取各地区以及全国的现存确诊人数或日新增确诊人数的时间序列，对原始数据进行一次指数平滑处理：
Figure PCTCN2021075404-appb-000001
式中，
Figure PCTCN2021075404-appb-000002
为第t期的一次指数平滑值；y t第t期的实际值；
Figure PCTCN2021075404-appb-000003
第t-1期的一次指数平滑值，α为一次平滑系数；
将第二次、第三次平滑系数更改为自适应动态平滑系数，在一次指数平滑的基础上，进行二次和三次指数平滑：
Figure PCTCN2021075404-appb-000004
Figure PCTCN2021075404-appb-000005
Figure PCTCN2021075404-appb-000006
式中，
Figure PCTCN2021075404-appb-000007
为第t、t-1期的二次指数平滑值，n为期数总数；
Figure PCTCN2021075404-appb-000008
为第t、t-1期的三次指数平滑值；
Figure PCTCN2021075404-appb-000009
为二、三次第t期自适应动态平滑系数，α为一次平滑系数；y t、y t-1第t、t-1期的实际值；
建立预测方程：
Figure PCTCN2021075404-appb-000010
Figure PCTCN2021075404-appb-000011
Figure PCTCN2021075404-appb-000012
Figure PCTCN2021075404-appb-000013
Figure PCTCN2021075404-appb-000014
为在t时刻预测T时刻后的预测值；
Figure PCTCN2021075404-appb-000015
为第t期的一次指数平滑值；
Figure PCTCN2021075404-appb-000016
为第t期的二次指数平滑值；
Figure PCTCN2021075404-appb-000017
为第t期的三次指数平滑值；α为一次平滑系数；
根据上面的预测方程来预测各地区或全国的现存确诊人数或日新增确诊人数，并计算平均绝对误差ε 1：
Figure PCTCN2021075404-appb-000018
式中，
Figure PCTCN2021075404-appb-000019
为改进的三次指数平滑模型在t 0时刻预测T时刻后的预测值；
Figure PCTCN2021075404-appb-000020
为t 0时刻T时 刻后的实际值，即t 0+T时刻的实际值；n为用于模型评估数据集的总期数，t 0为用于模型训练数据集的最后一期。
进一步地，所述使用预测数据集训练LSTM模型，采用训练好的LSTM模型分别进行现存确诊人数、日新增确诊人数的预测具体为：
将预测数据集划分为训练集和测试集，采用训练集对LSTM网络进行训练，采用训练好的LSTM网络来预测各地区或全国的现存确诊人数或日新增确诊人数，并计算平均绝对误差ε 2：
Figure PCTCN2021075404-appb-000021
式中，
Figure PCTCN2021075404-appb-000022
为LSTM模型在t 0+T时刻的预测值；
Figure PCTCN2021075404-appb-000023
为t 0+T时刻的实际值；n为用于模型评估数据集的总期数，t 0为用于模型训练数据集的最后一期。
进一步地，所述结合三次指数平滑模型与LSTM模型预测的结果，计算地区某天的新冠肺炎疫情风险指数具体为：
计算现存确诊人数风险指数YIndex area,t：
Figure PCTCN2021075404-appb-000024
式中，ε y1、ε y2分别为三次指数平滑模型、LSTM网络对地区现存确诊人数预测的平均绝对误差；ε Y1、ε Y2分别为三次指数平滑模型、LSTM模型对全国现存确诊人数预测的平均绝对误差；
Figure PCTCN2021075404-appb-000025
分别为现存确诊人数三次指数平滑模型、LSTM网络t时地区新冠现存确诊人数预测值；
Figure PCTCN2021075404-appb-000026
分别为三次指数平滑模型、LSTM网络t时全国新冠现存确诊人数预测值；
计算日新增确诊人数风险指数XIndex area,t：
Figure PCTCN2021075404-appb-000027
式中，ε x1、ε x2分别为三次指数平滑模型、LSTM网络对地区日新增确诊人数预测的平均绝对误差；ε X1、ε X2分别为三次指数平滑模型、LSTM网络对全国日新增确诊人数预测的平均绝对误差；
Figure PCTCN2021075404-appb-000028
分别为日新增确诊人数三次指数平滑模型、LSTM网络t时地区新冠日新增确诊人数预测值；
Figure PCTCN2021075404-appb-000029
分别为三次指数平滑模型、LSTM网络t时全国新冠日新增确诊人数预测值；
计算地区基础风险指数BaseIndex area：
Figure PCTCN2021075404-appb-000030
式中，PD area为地区的人口密度；max{PD}、min{PD}为与同一地区级别区域的人口密度最大值、最小值；PerGDP area为地区的人均地区生产总值；max{PerGDP}、min{PerGDP}为与同一地区级别区域的均地区生产总值最大值、最小值；
结合现存确诊人数风险指数、日新增确诊人数风险指数、基础风险指数，计算得到地区综合风险指数RiskIndex area,t：
RiskIndex area,t＝(η·YIndex area,t+(1-η)XIndex area,t)×BaseIndex area；
式中，η为超参数。
进一步地，所述超参数η取值为0.5。
进一步地，所述划分风险等级具体如下：
将RiskIndex area,t为0的地区等级设为无风险，将RiskIndex area,t范围为(0,0.2)的地区等级设为低风险，将RiskIndex area,t范围为[0.2,0.4)的地区等级设为中风险，将RiskIndex area,t范围为[0.4， 0.6)的地区等级设为中高风险，将RiskIndex area,t范围为[0.6，1)的地区等级设为高风险。
本发明还提供了一种基于改进的三次指数平滑模型及LSTM模型在新冠疫情的预警系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上文所述的方法步骤。
本发明还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上文方法步骤。
与现有技术相比，本发明有以下有益效果：本发明中的三次指数平滑模型在二次、三次指数平滑时，提出的自适应平滑指数的应用能够很好满足未知时间变化的要求，提高预测精确度。同时，本发明模型的学习和预警能够自动运行，无需现场操作人员操作。给出的两种方法预测出的全国或地区现存确诊人数、日新增确诊人数、风险指数、风险等级易于理解，方便操作人员进行判断。
附图说明
图1为本发明实施例的原理示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。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，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种基于改进的三次指数平滑模型及LSTM模型在新冠疫情的预警方法，具体包括以下步骤：
爬取全国各个地区的疫情数据；
将全国与各地区疫情的现存确诊人数、日新增确诊人数分别构成两组时间序列数据，形成 现存确诊人数、日新增确诊人数预测数据集，用于模型训练及模型评估的比值为4:1；
使用预测数据集构建改进的指数平滑模型，采用构建的三次指数平滑模型分别进行现存确诊人数、日新增确诊人数的预测；
使用预测数据集训练LSTM模型，采用训练好的LSTM模型分别进行现存确诊人数、日新增确诊人数的预测；
结合三次指数平滑模型与LSTM模型预测的结果，计算地区某天的新冠肺炎疫情风险指数，并以此划分风险等级。
在本实施例中，所述爬取全国各个地区的疫情数据具体为：
利用爬虫工具爬取全国各地每日包括新冠肺炎确诊人数、疑似人数、死亡人数、恢复人数数据在内的相关疫情数据，并汇聚各地包括人口密集度、人均地区生产总值在内的数据，存储至数据库中。
在本实施例中，所述使用预测数据集构建改进的指数平滑模型，采用构建的三次指数平滑模型分别进行现存确诊人数、日新增确诊人数的预测具体为：由于三次平滑指数模型依赖于平滑系数和初始值，其平滑系数为固定值，这对时间序列的变化存在一定的适应性问题，不能很好的满足时间变化的要求，预测精度不高，而改进的三次平滑指数，则在二、三次进行平滑时，采用自适应动态平滑系数，以满足时间变化的要求，提高预测精确度。具体包括以下步骤：
获取各地区以及全国的现存确诊人数或日新增确诊人数的时间序列，具体取该地区(全国)新冠肺炎现存确诊人数(或日新增确诊人数)时间序列{y 0,y 1,y 2,…,y n}，选取合适的平滑系数α∈[0,1]，以及初始值S 0＝y 0；
对原始数据进行一次指数平滑处理：
Figure PCTCN2021075404-appb-000031
式中，
Figure PCTCN2021075404-appb-000032
为第t期的一次指数平滑值；y t第t期的实际值；
Figure PCTCN2021075404-appb-000033
第t-1期的一次指数平滑值，α为一次平滑系数；
将第二次、第三次平滑系数更改为自适应动态平滑系数，以满足时间变化的要求，提高预测精确度。在一次指数平滑的基础上，进行二次和三次指数平滑：
Figure PCTCN2021075404-appb-000034
Figure PCTCN2021075404-appb-000035
Figure PCTCN2021075404-appb-000036
式中，
Figure PCTCN2021075404-appb-000037
为第t、t-1期的二次指数平滑值，n为期数总数；
Figure PCTCN2021075404-appb-000038
为第t、t-1期的三次指数平滑值；
Figure PCTCN2021075404-appb-000039
为二、三次第t期自适应动态平滑系数，α为一次平滑系数；y t、y t-1第t、t-1期的实际值；
建立预测方程：
Figure PCTCN2021075404-appb-000040
Figure PCTCN2021075404-appb-000041
Figure PCTCN2021075404-appb-000042
Figure PCTCN2021075404-appb-000043
Figure PCTCN2021075404-appb-000044
为在t时刻预测T时刻后的预测值；
Figure PCTCN2021075404-appb-000045
为第t期的一次指数平滑值；
Figure PCTCN2021075404-appb-000046
为第t期的二次指数平滑值；
Figure PCTCN2021075404-appb-000047
为第t期的三次指数平滑值；α为一次平滑系数；
根据上面的预测方程来预测各地区或全国的现存确诊人数或日新增确诊人数，并计算平均绝对误差ε 1：
Figure PCTCN2021075404-appb-000048
式中，
Figure PCTCN2021075404-appb-000049
为改进的三次指数平滑模型在t 0时刻预测T时刻后的预测值；
Figure PCTCN2021075404-appb-000050
为t 0时刻T时 刻后的实际值，即t 0+T时刻的实际值；n为用于模型评估数据集的总期数，t 0为用于模型训练数据集的最后一期。
在本实施例中，所述使用预测数据集训练LSTM模型，采用训练好的LSTM模型分别进行现存确诊人数、日新增确诊人数的预测具体为：通过人工神经网络库Keras，利用Keras中包含的LSTM网络模块构建LSTM模型分别进行新冠肺炎现存确诊人数、日新增确诊人数的预测。构建LSTM模型：通过人工神经网络库Keras，利用Keras中包含的LSTM网络模块以及损失函数、层数和Dropout模块，将训练集数据输入到LSTM网络中进行训练，损失函数选取均方误差函数(MSE)，优化器选取Adam，通过设置迭代次数epoch、批处理大小batch_size以及时间步长n_lag，不断优化LSTM网络，并使损失函数降到最低，获得LSTM的参数设置(迭代次数epoch为100、批处理大小batch_size为1以及时间步长n_lag为12)。此时，认定训练模型已是最优，然后保存模型参数。具体包括以下步骤：
将预测数据集按照4:1的比例划分为训练集和测试集，采用训练集对LSTM网络进行训练，采用训练好的LSTM网络来预测各地区或全国的现存确诊人数或日新增确诊人数，并计算平均绝对误差ε 2：
Figure PCTCN2021075404-appb-000051
式中，
Figure PCTCN2021075404-appb-000052
为LSTM模型在t 0+T时刻的预测值；
Figure PCTCN2021075404-appb-000053
为t 0+T时刻的实际值；n为用于模型评估数据集的总期数，t 0为用于模型训练数据集的最后一期。
重复以上两个步骤对全国、指定地区现存确诊人数、日新增确诊人数分别进行改进的三次指数平滑模型和LSTM模型预测，得出现存确诊人数、日新增确诊人数的预测模型、参数和预测结果。
在本实施例中，所述结合三次指数平滑模型与LSTM模型预测的结果，计算地区某天的新冠肺炎疫情风险指数具体为：
计算现存确诊人数风险指数YIndex area,t：
Figure PCTCN2021075404-appb-000054
式中，ε y1、ε y2分别为三次指数平滑模型、LSTM网络对地区现存确诊人数预测的平均绝对误差；ε Y1、ε Y2分别为三次指数平滑模型、LSTM模型对全国现存确诊人数预测的平均绝对误差；
Figure PCTCN2021075404-appb-000055
分别为现存确诊人数三次指数平滑模型、LSTM网络t时地区新冠现存确诊人数预测值；
Figure PCTCN2021075404-appb-000056
分别为三次指数平滑模型、LSTM网络t时全国新冠现存确诊人数预测值；
计算日新增确诊人数风险指数XIndex area,t：
Figure PCTCN2021075404-appb-000057
式中，ε x1、ε x2分别为三次指数平滑模型、LSTM网络对地区日新增确诊人数预测的平均绝对误差；ε X1、ε X2分别为三次指数平滑模型、LSTM网络对全国日新增确诊人数预测的平均绝对误差；
Figure PCTCN2021075404-appb-000058
分别为日新增确诊人数三次指数平滑模型、LSTM网络t时地区新冠日新增确诊人数预测值；
Figure PCTCN2021075404-appb-000059
分别为三次指数平滑模型、LSTM网络t时全国新冠日新增确诊人数预测值；
计算地区基础风险指数BaseIndex area：
Figure PCTCN2021075404-appb-000060
式中，PD area为地区的人口密度，单位：人/每平方公里；max{PD}、min{PD}为与同一地区级别区域的人口密度最大值、最小值；PerGDP area为地区的人均地区生产总值；max{PerGDP}、min{PerGDP}为与同一地区级别区域的均地区生产总值最大值、最小值；
结合现存确诊人数风险指数、日新增确诊人数风险指数、基础风险指数，计算得到地区综合风险指数RiskIndex area,t：
RiskIndex area,t＝(η·YIndex area,t+(1-η)XIndex area,t)×BaseIndex area；
式中，η为超参数，且满足η∈[0,1]。优选的，本实施例中，所述超参数η取值为0.5。
在本实施例中，所述划分风险等级具体如下：
将RiskIndex area,t为0的地区等级设为无风险，将RiskIndex area,t范围为(0,0.2)的地区等级设为低风险，将RiskIndex area,t范围为[0.2,0.4)的地区等级设为中风险，将RiskIndex area,t范围为[0.4，0.6)的地区等级设为中高风险，将RiskIndex area,t范围为[0.6，1)的地区等级设为高风险。具体如下表：
riskIndex 0 (0,0.2) [0.2,0.4) [0.4,0.60) [0.60,1]
风险等级 无风险P4 低风险P3 中风险P2 中高风险P1 高风险P0
本实施例还提供了一种基于改进的三次指数平滑模型及LSTM模型在新冠疫情的预警系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上文所述的方法步骤。
本实施例还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上文方法步骤。
特别的，本实施例不仅仅展示模型对时间序列预测的结果，同时根据实时疫情状况预警地区风险等级，综合考虑城市与城市、城市与全国之间的联系，能够更直观展示地区疫情状况。辅助公共卫生、应急、疾控等部门和其他相关决策者制定疫情防控策略，比如落实在具体时间地点上的医疗投入、是否限制流动、对个人采取的防护建议、复工复学的可能性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质 (包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (9)

  1. 一种基于改进的三次指数平滑模型及LSTM模型在新冠疫情的预警方法，其特征在于，包括以下步骤：
    爬取全国各个地区的疫情数据；
    将全国与各地区疫情的现存确诊人数、日新增确诊人数分别构成两组时间序列数据，形成现存确诊人数、日新增确诊人数预测数据集，用于模型训练及模型评估数据集的比值为4:1；
    使用预测数据集构建改进的指数平滑模型，采用构建的三次指数平滑模型分别进行现存确诊人数、日新增确诊人数的预测；
    使用预测数据集训练LSTM模型，采用训练好的LSTM模型分别进行现存确诊人数、日新增确诊人数的预测；
    结合三次指数平滑模型与LSTM模型预测的结果，计算地区某天的新冠肺炎疫情风险指数，并以此划分风险等级。
  2. 根据权利要求1所述的一种基于改进的三次指数平滑模型及LSTM模型在新冠疫情的预警方法，其特征在于，所述爬取全国各个地区的疫情数据具体为：
    利用爬虫工具爬取全国各地每日包括新冠肺炎确诊人数、疑似人数、死亡人数、恢复人数数据在内的相关疫情数据，并汇聚各地包括人口密集度、人均地区生产总值在内的数据，存储至数据库中。
  3. 根据权利要求1所述的一种基于改进的三次指数平滑模型及LSTM模型在新冠疫情的预警方法，其特征在于，所述使用预测数据集构建改进的指数平滑模型，采用构建的三次指数平滑模型分别进行现存确诊人数、日新增确诊人数的预测具体包括以下步骤：
    获取各地区以及全国的现存确诊人数或日新增确诊人数的时间序列，对原始数据进行一次指数平滑处理：
    Figure PCTCN2021075404-appb-100001
    式中，
    Figure PCTCN2021075404-appb-100002
    为第t期的一次指数平滑值；y t第t期的实际值；
    Figure PCTCN2021075404-appb-100003
    第t-1期的一次指数平滑值，α为一次平滑系数；
    将第二次、第三次平滑系数更改为自适应动态平滑系数，在一次指数平滑的基础上，进行 二次和三次指数平滑：
    Figure PCTCN2021075404-appb-100004
    Figure PCTCN2021075404-appb-100005
    Figure PCTCN2021075404-appb-100006
    式中，
    Figure PCTCN2021075404-appb-100007
    为第t、t-1期的二次指数平滑值，n为期数总数；
    Figure PCTCN2021075404-appb-100008
    为第t、t-1期的三次指数平滑值；
    Figure PCTCN2021075404-appb-100009
    为二、三次第t期自适应动态平滑系数，α为一次平滑系数；y t、y t-1第t、t-1期的实际值；
    建立预测方程：
    Figure PCTCN2021075404-appb-100010
    Figure PCTCN2021075404-appb-100011
    Figure PCTCN2021075404-appb-100012
    Figure PCTCN2021075404-appb-100013
    Figure PCTCN2021075404-appb-100014
    为在t时刻预测T时刻后的预测值；
    Figure PCTCN2021075404-appb-100015
    为第t期的一次指数平滑值；
    Figure PCTCN2021075404-appb-100016
    为第t期的二次指数平滑值；
    Figure PCTCN2021075404-appb-100017
    为第t期的三次指数平滑值；α为一次平滑系数；
    根据上面的预测方程来预测各地区或全国的现存确诊人数或日新增确诊人数，并计算平均绝对误差ε 1：
    Figure PCTCN2021075404-appb-100018
    式中，
    Figure PCTCN2021075404-appb-100019
    为改进的三次指数平滑模型在t 0时刻预测T时刻后的预测值；
    Figure PCTCN2021075404-appb-100020
    为t 0时刻T时刻后的实际值，即t 0+T时刻的实际值；n为用于模型评估数据集的总期数，t 0为用于模型训练数据集的最后一期。
  4. 根据权利要求1所述的一种基于改进的三次指数平滑模型及LSTM模型在新冠疫情的预警方法，其特征在于，所述使用预测数据集训练LSTM模型，采用训练好的LSTM模型分别进行现存确诊人数、日新增确诊人数的预测具体为：
    将预测数据集划分为训练集和测试集，采用训练集对LSTM网络进行训练，采用训练好的LSTM网络来预测各地区或全国的现存确诊人数或日新增确诊人数，并计算平均绝对误差ε 2：
    Figure PCTCN2021075404-appb-100021
    式中，
    Figure PCTCN2021075404-appb-100022
    为LSTM模型在t 0+T时刻的预测值；
    Figure PCTCN2021075404-appb-100023
    为t 0+T时刻的实际值；n为用于模型评估数据集的总期数，t 0为用于模型训练数据集的最后一期。
  5. 根据权利要求1所述的一种基于改进的三次指数平滑模型及LSTM模型在新冠疫情的预警方法，其特征在于，所述结合三次指数平滑模型与LSTM模型预测的结果，计算地区某天的新冠肺炎疫情风险指数具体为：
    计算现存确诊人数风险指数YIndex area,t：
    Figure PCTCN2021075404-appb-100024
    式中，ε y1、ε y2分别为三次指数平滑模型、LSTM网络对地区现存确诊人数预测的平均绝对误差；ε Y1、ε Y2分别为三次指数平滑模型、LSTM模型对全国现存确诊人数预测的平均绝对误差；
    Figure PCTCN2021075404-appb-100025
    分别为现存确诊人数三次指数平滑模型、LSTM网络t时地区新冠现存确诊人数预测 值；
    Figure PCTCN2021075404-appb-100026
    分别为三次指数平滑模型、LSTM网络t时全国新冠现存确诊人数预测值；
    计算日新增确诊人数风险指数XIndex area,t：
    Figure PCTCN2021075404-appb-100027
    式中，ε x1、ε x2分别为三次指数平滑模型、LSTM网络对地区日新增确诊人数预测的平均绝对误差；ε X1、ε X2分别为三次指数平滑模型、LSTM网络对全国日新增确诊人数预测的平均绝对误差；
    Figure PCTCN2021075404-appb-100028
    分别为日新增确诊人数三次指数平滑模型、LSTM网络t时地区新冠日新增确诊人数预测值；
    Figure PCTCN2021075404-appb-100029
    分别为三次指数平滑模型、LSTM网络t时全国新冠日新增确诊人数预测值；
    计算地区基础风险指数BaseIndex area：
    Figure PCTCN2021075404-appb-100030
    式中，PD area为地区的人口密度；max{PD}、min{PD}为与同一地区级别区域的人口密度最大值、最小值；PerGDP area为地区的人均地区生产总值；max{PerGDP}、min{PerGDP}为与同一地区级别区域的均地区生产总值最大值、最小值；
    结合现存确诊人数风险指数、日新增确诊人数风险指数、基础风险指数，计算得到地区综合风险指数RiskIndex area,t：
    RiskIndex area,t＝(η·YIndex area,t+(1-η)XIndex area,t)×BaseIndex area；
    式中，η为超参数。
  6. 根据权利要求5所述的一种基于改进的三次指数平滑模型及LSTM模型在新冠疫情的预警方法，其特征在于，所述超参数η取值为0.5。
  7. 根据权利要求1所述的一种基于改进的三次指数平滑模型及LSTM模型在新冠疫情的预警方法，其特征在于，所述划分风险等级具体如下：
    将RiskIndex area,t为0的地区等级设为无风险，将RiskIndex area,t范围为(0,0.2)的地区等级设为低风险，将RiskIndex area,t范围为[0.2,0.4)的地区等级设为中风险，将RiskIndex area,t范围为[0.4，0.6)的地区等级设为中高风险，将RiskIndex area,t范围为[0.6，1)的地区等级设为高风险。
  8. 一种基于改进的三次指数平滑模型及LSTM模型在新冠疫情的预警系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-7所述的方法步骤。
  9. 一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-7所述的方法步骤。
PCT/CN2021/075404 2021-01-29 2021-02-05 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 WO2022160370A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110129756.6 2021-01-29
CN202110129756.6A CN112820414B (zh) 2021-01-29 2021-01-29 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法

Publications (1)

Publication Number Publication Date
WO2022160370A1 true WO2022160370A1 (zh) 2022-08-04

Family

ID=75860476

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/075404 WO2022160370A1 (zh) 2021-01-29 2021-02-05 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法

Country Status (2)

Country Link
CN (1) CN112820414B (zh)
WO (1) WO2022160370A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071114A (zh) * 2023-04-04 2023-05-05 广州携旅信息科技有限公司 一种酒店电视媒体广告的流量预估方法和系统

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113342972B (zh) * 2021-05-24 2023-02-28 支付宝(杭州)信息技术有限公司 舆情识别模型训练方法、系统以及舆情风险监测方法和系统
CN113707336B (zh) * 2021-08-26 2024-06-21 深圳平安智慧医健科技有限公司 基于数据分析的传染病防治预警方法、装置、设备及介质
CN114596966B (zh) * 2022-01-11 2024-04-19 南京邮电大学 一种面向流行病智能监测系统的疫情预测分析方法及系统
CN116167250B (zh) * 2023-04-23 2023-07-07 南京群顶科技股份有限公司 一种基于温差加权和时间序列算法的机房环境评估方法
CN117172501A (zh) * 2023-09-21 2023-12-05 奇点数联(北京)科技有限公司 一种基于数据挖掘的物资分配系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272142A (zh) * 2018-08-14 2019-01-25 苏州朗动网络科技有限公司 基于事件的数据预测方法、装置、计算机设备和存储介质
CN109785003A (zh) * 2019-01-17 2019-05-21 四川骏逸富顿科技有限公司 一种药品零售行业药品销售预测系统及方法
CN111798991A (zh) * 2020-07-09 2020-10-20 重庆邮电大学 基于lstm的新冠肺炎疫情群体态势预测方法
CN111883262A (zh) * 2020-09-28 2020-11-03 平安科技（深圳）有限公司 疫情趋势预测方法、装置、电子设备及存储介质
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
WO2021016391A1 (en) * 2019-07-23 2021-01-28 The Broad Institute, Inc. Health data aggregation and outbreak modeling

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239849A (zh) * 2017-04-17 2017-10-10 西安电子科技大学 一种基于改进的指数平滑灰色模型电力负荷预测方法
CN109360625B (zh) * 2018-11-12 2021-11-23 四川骏逸富顿科技有限公司 用于互联网中短期用药咨询业务量的预测系统及预测方法
CN111429006A (zh) * 2020-03-24 2020-07-17 北京明略软件系统有限公司 金融风险指标预测模型构建、风险态势预测方法和装置
CN111968751B (zh) * 2020-06-29 2021-10-19 金电联行（北京）信息技术有限公司 一种使用多基线校正模型的传染病趋势预测方法与系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272142A (zh) * 2018-08-14 2019-01-25 苏州朗动网络科技有限公司 基于事件的数据预测方法、装置、计算机设备和存储介质
CN109785003A (zh) * 2019-01-17 2019-05-21 四川骏逸富顿科技有限公司 一种药品零售行业药品销售预测系统及方法
WO2021016391A1 (en) * 2019-07-23 2021-01-28 The Broad Institute, Inc. Health data aggregation and outbreak modeling
CN111798991A (zh) * 2020-07-09 2020-10-20 重庆邮电大学 基于lstm的新冠肺炎疫情群体态势预测方法
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
CN111883262A (zh) * 2020-09-28 2020-11-03 平安科技（深圳）有限公司 疫情趋势预测方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071114A (zh) * 2023-04-04 2023-05-05 广州携旅信息科技有限公司 一种酒店电视媒体广告的流量预估方法和系统
CN116071114B (zh) * 2023-04-04 2023-07-28 广州携旅信息科技有限公司 一种酒店电视媒体广告的流量预估方法和系统

Also Published As

Publication number Publication date
CN112820414A (zh) 2021-05-18
CN112820414B (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
WO2022160370A1 (zh) 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法
Avery et al. An economist’s guide to epidemiology models of infectious disease
US8015136B1 (en) Algorithmic method for generating a medical utilization profile for a patient and to be used for medical risk analysis decisioning
CN111768873A (zh) 一种covid-19实时风险预测方法
CN113192645B (zh) 一种基于离散格网的传染病时空扩散演变和人为防控仿真方法
CN105046406A (zh) 住院病人医疗管理质量评估方法
Rondeau et al. Nested frailty models using maximum penalized likelihood estimation
WO2016073776A1 (en) System for management of health resources
Elleuch et al. Real-time prediction of COVID-19 patients health situations using Artificial Neural Networks and Fuzzy Interval Mathematical modeling
CN113161004A (zh) 一种疫情预测系统及方法
dos Santos et al. Prediction of COVID-19 using time-sliding window: the case of Piauí state-Brazil
CN114861224A (zh) 基于风险和ucon访问控制模型的医疗数据系统
Chen et al. PREDICTIVE MODELING OF POSTOPERATIVE OUTCOMES
Hong et al. A data-driven spatially-specific vaccine allocation framework for COVID-19
CN116864142A (zh) 一种流行病趋势预测方法及系统
Goldman et al. The future Americans model: technical documentation
Austin et al. Bayesian modeling of missing data in clinical research
Ge et al. Simulation analysis of epidemic trend for covid-19 based on seirs model
Bernardini et al. A multicenter prospective study validated a nomogram to predict individual risk of dependence in ambulation after rehabilitation
Islam et al. Population Age Group Sensitivity for COVID-19 Infections with Deep Learning
Chen et al. Dynamic COVID risk assessment accounting for community virus exposure from a spatial-temporal transmission model
CN117912708B (zh) 公共卫生中慢性非传染性疾病防控方法、系统及存储介质
Yarsky A simple COVID-19 model applied to American states to simulate mitigation and containment strategies
Zhong et al. Vaccination and three non-pharmaceutical interventions determine the end of COVID-19 at 381 metropolitan statistical areas in the US
Moya et al. Mathematical model for the Study of obesity in a population and its impact on the growth of diabetes

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21921970

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21921970

Country of ref document: EP

Kind code of ref document: A1