基于机器学习算法的传染病动力学模型及分析方法技术

本发明专利技术提出了一种基于机器学习算法的传染病动力学模型及分析方法，包括：步骤S1，构建SEIR模型，对目标区域内的人群按照病毒传染状态进行分类，包括：易感人群、潜伏期人群、确认感染人群和康复人群；步骤S2，根据预设的传播过程，拟合传染概率，模拟病毒传染流程；步骤S3，对构建的SEIR模型进行升级优化，包括：引入病毒特性分析，修正病毒传染流程；引入人为干预因素，模拟群体间传染过程；得到修正后的模型，利用所述修正后的模型，生成传播趋势数据，输出传染病相关群体数量态势曲线。

【技术实现步骤摘要】
基于机器学习算法的传染病动力学模型及分析方法
本专利技术涉及机器学习算法
，特别涉及一种基于机器学习算法的传染病动力学模型及分析方法。
技术介绍
除了有效的检测、隔离手段外，疫情防控工作的重点之一，还需要根据疫情情况预测病毒传播趋势，及时甚至预先开展针对性防控工作。要做到趋势预测，仅仅依靠相关统计工作是无法完成的，最为直接有效的手段是根据病毒特点建立相应数据模型，帮助人们理解传染病流行机理，以模型为基础分析病毒传播趋势并计算相应传播数据，从而为实际防控工作提供数据支撑和指导。在众多传染病模型中，群体类模型较为常用，该类模型将处于相同传染病病情状态的人群构成一个群体，随着病情的发展(如潜伏、确诊、治愈等)，人员在不同群体间移动。根据群体的不同，常见的群体类模型有SI、SIR、SIRS、SEIR等，它们分别对应不同传染病特性下的群体迁移过程。现在方式存在以下缺陷和不足，群体类模型虽然具有较高的适用性，但是自身存在一定短板：未考虑传染病本身特征：不同传染病致病体可能存在不同的特征，例如病毒在潜伏期是否具有传染性、本文档来自技高网...

【技术保护点】
1.一种基于机器学习算法的传染病动力学模型及分析方法，其特征在于，包括如下步骤：/n步骤S1，构建SEIR模型，对目标区域内的人群按照病毒传染状态进行分类，包括：易感人群、潜伏期人群、确认感染人群和康复人群；/n步骤S2，根据预设的传播过程，拟合传染概率，模拟病毒传染流程；/n步骤S3，对构建的SEIR模型进行升级优化，包括：/n引入病毒特性分析，修正病毒传染流程；/n引入人为干预因素，模拟群体间传染过程；/n得到修正后的模型，利用所述修正后的模型，生成传播趋势数据，输出传染病相关群体数量态势曲线。/n

【技术特征摘要】
1.一种基于机器学习算法的传染病动力学模型及分析方法，其特征在于，包括如下步骤：
步骤S1，构建SEIR模型，对目标区域内的人群按照病毒传染状态进行分类，包括：易感人群、潜伏期人群、确认感染人群和康复人群；
步骤S2，根据预设的传播过程，拟合传染概率，模拟病毒传染流程；
步骤S3，对构建的SEIR模型进行升级优化，包括：
引入病毒特性分析，修正病毒传染流程；
引入人为干预因素，模拟群体间传染过程；
得到修正后的模型，利用所述修正后的模型，生成传播趋势数据，输出传染病相关群体数量态势曲线。


2.如权利要求1所述的基于机器学习算法的传染病动力学模型及分析方法，其特征在于，在所述步骤S2中，所述预设的传播过程，包括：
(1)病毒传播过程中，区域全部人群没有流动，即全部人群没有变化；
(2)潜伏期人群最终全部会发病而成为确认感染人群；
(3)康复人群人员不会再次被感染。


3.如权利要求1所述的基于机器学习算法的传染病动力学模型及分析方法，其特征在于，在所述步骤S2中，所述拟合传染概率，包括：
(1)单位时间t内，易感人群的群体每个个体有β的概率被感染成为潜伏期人群；
(2)单位时间t内，潜伏期人群的群体每个个体有α的概率发病从而成为确认感染人群；
(3)单位时间t内，确认感染人群的群体每个个体有γ的概率被治愈从而成为康复人群；
(4)单位时间t内，确认感染人群的群体每个个体可接触r个人；
表示为微分方程即：












其中t以天为单位，上式转化为：



It＝It-1+αEt-1-γIt-1
Rt＝Rt-1+γIt-1
Nt＝St-1+Et-1+It-1+Rt-1。


4.如权利要求1所述的基于机器学习算法的传染病动力学模型及分析方法，其特征在于，在所述步骤S3中，
所述病毒特性分析包括：致死率和潜伏期传染特性。

<...

【专利技术属性】
技术研发人员：梁兵，汪利鹏，孙启明，
申请(专利权)人：南京三眼精灵信息技术有限公司，
类型：发明
国别省市：江苏;32