一种基于最优模型的疾病预测方法、设备及存储设备技术

本发明专利技术提供了一种基于最优模型的疾病预测方法、设备及存储设备，所述方法包括步骤：S1：建立疾病模型；S2：读入疾病数据到上述建立的疾病模型；S3：对所述模型中的参数进行拟合；S4：设定计算初值及天数；S5：以所述天数作为计算次数，判断所述参数是否存在；S6：若不存在，则采用拟合方法拟合参数值；S7：若存在，则计算出疾病模型的结果；S8：判断是否有未建立的疾病模型；S9：若有，则返回S1继续执行直至所有的疾病模型均已建立；S10：若没有，对所述结果进行评价，并选出评价值最高的疾病模型进行疾病的预测。一种基于最优模型的疾病预测设备及存储设备，用来实现所述方法。本发明专利技术可以对地区疾病的情况作出有效预测。

Disease prediction method, equipment and storage device based on optimal model

The invention provides a disease prediction method, equipment and storage device based on an optimal model. The method comprises steps: S1: establishing a disease model; S2: reading disease data into the disease model established above; S3: fitting parameters in the model; S4: setting initial values and days of calculation; S5: using the days described above. S6: If it does not exist, the fitting method is used to fit the parameter value; S7: if it exists, the result of the disease model is calculated; S8: whether there is an unestablished disease model; S9: if there is, return to S1 and continue to execute until all the disease models have been established; S10: If there is no disease model, the results of the disease model will be calculated. If not, the results were evaluated and the disease model with the highest evaluation value was selected for disease prediction. A disease prediction device and storage device based on the optimal model are used to implement the method. The invention can effectively predict the situation of the disease in the area.

【技术实现步骤摘要】
一种基于最优模型的疾病预测方法、设备及存储设备
本专利技术涉及计算机技术及医学领域，具体涉及一种基于最优模型的疾病预测方法、设备及存储设备。
技术介绍
疾病模型使人们对疾病流行规律的认识更加深入全面，使人们制定的防治措施更加可靠和符合实际。建立疾病模型的基础都是要建立相应的数学模型，而疾病动力学模型一种是研究疾病传播机理的数学模型。建立疾病动力学模型不仅要刻画出疾病的发展规律，而且要能预测疾病发展趋势，对于各种疾病的发展规律，建立一种更加符合疾病的实际传播规律的疾病模型是目前需要解决的问题。
技术实现思路
本专利技术提供了一种基于最优模型的疾病预测方法、设备及存储设备，通过使用评价函数对疾病模型进行评估，可以优选出最为有效的疾病模型，从而有效解决上述问题。本专利技术提供的技术方案是：一种基于最优模型的疾病预测方法，所述方法包括步骤：S1：建立疾病模型；S2：读入疾病数据到上述建立的疾病模型；S3：对所述模型中的参数进行拟合；S4：设定计算初值及天数；S5：以所述天数作为计算次数，判断所述参数是否存在；S6：若不存在，则采用拟合方法拟合参数值；S7：若存在，则计算出疾病模型的结果；S8：判断是否有未建立的疾病模型；S9：若有，则返回S1继续执行直至所有的疾病模型均已建立；S10：若没有，对所述结果进行评价，并选出评价值最高的疾病模型进行疾病的预测。存储设备，所述存储设备存储指令及数据用于实现所述一种基于最优模型的疾病预测方法。一种基于最优模型的疾病预测设备，所述设备包括处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现所述的一种基于最优模型的疾病预测方法。本专利技术的有益效果是：本专利技术提供了一种基于最优模型的疾病预测方法、设备及存储设备，通过使用评价函数对疾病模型进行评估，可以优选出最为有效的疾病模型，从而对地区疾病的情况作出有效预测。附图说明图1是本专利技术实施例中基于最优模型的疾病预测方法的整体流程图；图2是本专利技术实施例中本专利技术方案得到的疾病比例曲线及疾病比例残差曲线示意图；图3是本专利技术实施例的硬件设备工作示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地描述，下文中提到的具体技术细节，如：方法，设备等，仅为使读者更好的理解技术方案，并不代表本专利技术仅局限于以下技术细节。本专利技术的实施例提供了一种基于最优模型的疾病预测方法、设备及存储设备。请参阅图1，图1是本专利技术实施例中基于最优模型的疾病预测方法的整体流程图，所述方法由硬件设备实现，具体步骤包括：S101：建立疾病模型；通常依次建立多个疾病模型，待每个疾病模型建立完成后，评价比较这些疾病模型，并得到最优的疾病模型，例如：所述疾病模型具体为：SI模型，SIS模型或SIR模型。其中，以SIR模型为例，其模型的表达式为：约束条件为：s(t)+i(t)+r(t)＝1式子中，s代表健康者所占比例，i代表病人所占比例，r代表移出模型的人数的治愈或死亡人数所占比例。由以上微分方程式可以得到：其中Δh即为每天易感染人群的人数变化量，Δc是移出系统的人数变化量，s与i分别是每天易感染人数比例数和患病人数比例，λ日接触率，μ是日治愈率。S102：读入疾病数据到上述建立的疾病模型中。S103：对所述模型中的参数进行拟合，所述参数具体为：病人日接触率及病人治愈率。所述拟合为将离散的参数拟合为连续的或较为密集的参数。S104：设定计算初值及天数。所述天数为疾病爆发的天数,在天数内,日接触率λ和日治愈率μ具有数据。在天数外，日接触率λ和日治愈率μ没有数据。S105：以所述天数作为计算次数，判断所述参数日接触率λ和日治愈率μ是否存在。S106：若不存在，则采用拟合方法拟合参数值，所述拟合方法具体为：最小二乘法。S107：若存在，则计算出疾病模型的结果。S108：判断是否有未建立的疾病模型。S109：若有，则返回S101继续执行，建立新的疾病模型。S110：若没有，对多个疾病模型的结果进行评价，并选择出评价值最高的模型，采用该评价值最高的模型进行疾病的预测。上述对所述多个疾病模型的结果进行评价具体为：使用评价函数进行评价。所述评价函数的评价准则具体为：准则一：疾病模型计算出的结果与实际结果的最大差值，最大差值越大则表明此模型越差，相反则越好；准则二：疾病模型计算出的结果与实际结果的平均差，平均差越小则表明此模型越好；准则三：模型计算出的结果与实际结果的累积差，当累积差越小则表明此模型越好。所述准则一所占有的评价权重最大；所述准则二所占有的评价权重小于准则一的评价权重；所述准则三所占有的评价权重小于准则二的评价权重，例如所述准则一所占权重为50％，所述准则二所占权重为30％，所述准则三所占权重为20％，从而可计算出每个疾病模型的结果的评价值。每个评估标准占用不同的评估比重，例如可以设定第一个评估准则占据最大的权重，其次是第二条，评估权重最小的则是第三条。每个评价标准的权重设置则根据专家经验设定，设定所有评价标准权重之和为1，则可设定第一个评价准则的权重为0.5，第二个评价准则的权重为0.3，第三个评价准则的权重为0.2。假设Vmax表示第一个评价标准的计算结果，Vavg表示第二个评价结果，Vacc表示第三个评价结果，则根据上述权重的设置，最终的计算结果如下：V＝0.5×Vmax+0.3×Vavg+0.2×Vacc下面以经典的SIR模型为例说明本专利技术的方法和技术，首先介绍本专利技术的自适应参数拟合方法。SIR模型(Susceptible–Infective-Removedepidemicmodel)考虑疾病有免疫性，即病人治愈后即移出感染系统，同时死亡人数也不在感染系统中，因此治愈的病人或者因病死亡的人都称为移出者(r)。SIR模型假设在疾病传播期内所考察地区的总人数不变为N，t时刻，健康者、病人和移出者的人数在总人数N中所占比例分别是s(t)、i(t)和r(t)，设病人每天的接触率为λ，即日接触率，每天的治愈率为μ，即日治愈率。根据以上假设，可以得到SIR的模型如下：约束条件为：s(t)+i(t)+r(t)＝1(2)在上述SIR模型中，需要对未知的参数日接触率λ和日治愈率μ的求解，经典模型中并没有给出具体的参数求解方法或者参数的值，因此需要根据所获得的数据进行参数的计算求解，本专利技术给出SIR模型中的参数计算方法。不同疾病的数据是不相同的，每种类型的疾病的参数也是不相同的，不能把一种疾病的参数数据代入另一种的疾病参数中计算，这样利用疾病模拟时会造成预测数据与实际数据不符合的情况本专利技术提出一种自适应的参数计算方法，该方法能根据不同类型的疾病的数据进行参数的计算；同时还能根据数据的多少，在计算过程中动态的调整修正参数值，使得预测的结果更与实际情况更加符合。根据式(1)中的偏微分方程可知式(3)中Δh即为每天易感染人群的人数变化量，Δc是移出系统的人数变化量，s与i分别是每天健康人数比例数和患病人数比例。在实际获取数据中，我们可以得到某个地区的总人数N、每天的患病人数i、治愈人数和死亡人数。因此式(3)中的相关参数是可以计算的。根据式(3)计算所得的λ和μ是一系列的离散的点。如果将这些离散点代入式(3)的微分方程中计算时，利用数值本文档来自技高网...

【技术保护点】
1.一种基于最优模型的疾病预测方法，所述方法由硬件设备实现，其特征在于：包括以下步骤：S1：建立疾病模型；S2：读入疾病数据到上述建立的疾病模型；S3：对所述模型中的参数进行拟合；S4：设定计算初值及天数；S5：以所述天数作为计算次数，判断所述参数是否存在；S6：若不存在，则采用拟合方法拟合参数值；S7：若存在，则计算出疾病模型的结果；S8：判断是否有未建立的疾病模型；S9：若有，则返回S1继续执行直至所有的疾病模型均已建立；S10：若没有，对所述结果进行评价，并选出评价值最高的疾病模型进行疾病的预测。

【技术特征摘要】
1.一种基于最优模型的疾病预测方法，所述方法由硬件设备实现，其特征在于：包括以下步骤：S1：建立疾病模型；S2：读入疾病数据到上述建立的疾病模型；S3：对所述模型中的参数进行拟合；S4：设定计算初值及天数；S5：以所述天数作为计算次数，判断所述参数是否存在；S6：若不存在，则采用拟合方法拟合参数值；S7：若存在，则计算出疾病模型的结果；S8：判断是否有未建立的疾病模型；S9：若有，则返回S1继续执行直至所有的疾病模型均已建立；S10：若没有，对所述结果进行评价，并选出评价值最高的疾病模型进行疾病的预测。2.如权利要求1所述的一种基于最优模型的疾病预测方法，其特征在于：依次建立了多个疾病模型，分别为：SI模型，SIS模型和SIR模型。3.如权利要求1所述的一种基于最优模型的疾病预测方法，其特征在于：所述参数具体为：病人日接触率及病人治愈率。4.如权利要求1所述的一种基于最优模型的疾病预测方法，其特征在于：所述拟合方法具体为：最小二乘法。5.如权利要求1所述的一种基于最优模型的疾病预测方法，其特征在于：所述对所述结果进行评价具体为：使用评价函数进行...

【专利技术属性】
技术研发人员：彭雷，戴光明，王茂才，武云，宋志明，刘振方，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北,42