一种传染病趋势预测方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了一种传染病趋势预测方法、装置、电子设备及存储介质，涉及疫情趋势预测领域。实现方案为：获取当前周期之前的N个历史周期内每一个历史周期的隔离人员的数量；将每一个历史周期的隔离人员的数量输入至训练好的趋势预测模型中；获取趋势预测模型基于每一个历史周期的隔离人员的数量以及预先获取的先验知识输出的当前周期之后的M个未来周期内每一个未来周期的隔离人员的数量；基于每一个未来周期的隔离人员的数量预测出传染病在M个未来周期内的疫情趋势。本申请实施例不仅可以提高疾病预测的准确性，还可以给出疾病传播的基本指标，解释性强，同时解决了泛化能力难以保证的问题。

【技术实现步骤摘要】
一种传染病趋势预测方法、装置、电子设备及存储介质
本申请涉及人工智能
，尤其涉及疫情趋势预测技术，具体涉及一种传染病趋势预测方法、装置、电子设备和存储介质。
技术介绍
传染病的有效防治是全人类面临的共同挑战，通过大数据，特别是数据的时空关联特性，来精准预测传染病的传播趋势和速度，将极大有助于人类社会控制传染病，保障社会公共卫生安全。希望可运用大数据技术助力传染病的传播预测和控制，以构建一个传染性疾病预测模型，增强人类对传染病的认知和控制能力。一般期望在传染病初期就能够对未来趋势有预知能力，这样才能够帮助政府部门尽早进行防范措施，因此一般来说可用的样本量极少。
技术实现思路
本公开提供了一种用于传染病趋势预测方法、装置、电子设备以及存储介质。第一方面，本申请实施例提供了一种传染病趋势预测方法，所述方法包括：获取当前周期之前的N个历史周期内每一个历史周期的隔离人员的数量；其中，所述隔离人员的数量包括：死亡人员的数量和恢复人员的数量；将每一个历史周期的隔离人员的数量输入至训练好的趋势预测模型中；获取所述趋势预测模型基于每一个历史周期的隔离人员的数量以及预先获取的先验知识输出的所述当前周期之后的M个未来周期内每一个未来周期的隔离人员的数量；基于每一个未来周期的隔离人员的数量预测出传染病在所述M个未来周期内的疫情趋势；其中，N和M均为大于等于1的自然数。第二方面，本申请实施例提供了一种传染病趋势预测装置，所述装置包括：获取模块、输入输出模块和预测模块；其中，所述获取模块，用于获取当前周期之前的N个历史周期内每一个历史周期的隔离人员的数量；其中，所述隔离人员的数量包括：死亡人员的数量和恢复人员的数量；所述输入输出模块，用于将每一个历史周期的隔离人员的数量输入至训练好的趋势预测模型中；获取所述趋势预测模型基于每一个历史周期的隔离人员的数量以及预先获取的先验知识输出的所述当前周期之后的M个未来周期内每一个未来周期的隔离人员的数量；所述预测模块，用于基于每一个未来周期的隔离人员的数量预测出传染病在所述M个未来周期内的疫情趋势；其中，N和M均为大于等于1的自然数。第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请任意实施例所述的轻量级检测模型的训练方法。第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请任意实施例所述的轻量级检测模型的训练方法。根据本申请的技术可以提高疾病预测的准确性。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明附图用于更好地理解本方案，不构成对本申请的限定。其中：图1是本申请实施例提供的传染病趋势预测方法的第一流程示意图；图2是本申请实施例提供的趋势预测模型的结构示意图；图3是本申请实施例提供的传染病趋势预测方法的第二流程示意图；图4是本申请实施例提供的传染病趋势预测装置的第一结构示意图；图5是本申请实施例提供的传染病趋势预测装置的第二结构示意图；图6是用来实现本申请实施例的传染病趋势预测方法的电子设备的框图。具体实施方式以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。实施例一图1是本申请实施例提供的传染病趋势预测方法的第一流程示意图，该方法可以由传染病趋势预测装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，传染病趋势预测方法可以包括以下步骤：S101、获取当前周期之前的N个历史周期内每一个历史周期的隔离人员的数量；其中，隔离人员的数量包括：死亡人员的数量和恢复人员的数量。在本申请的具体实施例中，电子设备可以获取当前周期之前的N个历史周期内每一个历史周期的隔离人员的数量；其中，隔离人员的数量包括：死亡人员的数量和恢复人员的数量。本申请实施例中的恢复人员是指在每一个历史周期内由生病状态转变为健康状态的人员。具体地，恢复人员的数量可以从各个医院统计的住院人数和出院人数以及各个人员患病的类型中得到。本申请实施例中的历史周期和未来周期可以分别以天为单位。在本步骤中，电子设备可以获取当日之前的N天内每一天的隔离人员的数量；例如，当N取值为3时，电子设备按照当天的日期为基准，获取目标地理范围内的前一天隔离人员的数量、前两天隔离人员的数量和前三天隔离人员的数量。S102、将每一个历史周期的隔离人员的数量输入至训练好的趋势预测模型中；获取趋势预测模型基于每一个历史周期的隔离人员的数量以及预先获取的先验知识输出的当前周期之后的M个未来周期内每一个未来周期的隔离人员的数量。图2是本申请实施例提供的趋势预测模型的结构示意图。如图2所示，本申请中的趋势预测模型可以是SEIQ模型；其中，S表示易感人群；E表示暴露潜伏人群、I表示确诊人群；Q表示隔离人群；并且，易感人群、暴露潜伏人群、确诊人群和隔离人群相互之间存在转换和制约关系。SEIQ模型是一种结合改进的传染病模型和机器学习参数拟合技术的传染病动态预测模型，SEIQ模型将人群分成易感者(易感态)、暴露者(暴露态)、感病者(感病态)和隔离者(隔离态)，其中，易感者(Susceptible)，即未患病者但缺乏免疫能力，与感病者接触后容易受到感染的人群；暴露者(Exposed)，即潜伏期患者，适用于潜伏期长的传染病；感病者(Infectious)，即感染上传染病的人，可以传染给易感态将其变为暴露者或感病者；隔离者为疫情期间处于隔离状态的人群，即隔离者可以是感病者经过一段时间，进行隔离的人。在本步骤中，电子设备可以将每一个历史周期的隔离人员的数量输入至训练好的趋势预测模型中；获取趋势预测模型基于每一个历史周期的隔离人员的数量以及预先获取的先验知识输出的当前周期之后的M个未来周期内每一个未来周期的隔离人员的数量；其中，先验知识可以包括：感染概率b、平均接触人数R0、潜伏期暴露系数sigma、死亡或者恢复系数r；其中，感染概率b的取值范围为[0.01-0.07]；平均接触人数R0的取值范围为[2-7]；潜伏期暴露系数sigma的取值范围为[1/14-1/10]；死亡或者恢复系数r的取值范围为[1/10-1]。上述先验知识可以根据用户的输入进行确定。例如，用户可以在输入界面中输入城市规模、初始，每日新增人数、管控日期本文档来自技高网...

【技术保护点】
1.一种传染病趋势预测方法，所述方法包括：/n获取当前周期之前的N个历史周期内每一个历史周期的隔离人员的数量；其中，所述隔离人员的数量包括：死亡人员的数量和恢复人员的数量；/n将每一个历史周期的隔离人员的数量输入至训练好的趋势预测模型中；获取所述趋势预测模型基于每一个历史周期的隔离人员的数量以及预先获取的先验知识输出的所述当前周期之后的M个未来周期内每一个未来周期的隔离人员的数量；/n基于每一个未来周期的隔离人员的数量预测出传染病在所述M个未来周期内的疫情趋势；其中，N和M均为大于等于1的自然数。/n

【技术特征摘要】
1.一种传染病趋势预测方法，所述方法包括：
获取当前周期之前的N个历史周期内每一个历史周期的隔离人员的数量；其中，所述隔离人员的数量包括：死亡人员的数量和恢复人员的数量；
将每一个历史周期的隔离人员的数量输入至训练好的趋势预测模型中；获取所述趋势预测模型基于每一个历史周期的隔离人员的数量以及预先获取的先验知识输出的所述当前周期之后的M个未来周期内每一个未来周期的隔离人员的数量；
基于每一个未来周期的隔离人员的数量预测出传染病在所述M个未来周期内的疫情趋势；其中，N和M均为大于等于1的自然数。


2.根据权利要求1所述的方法，其中，所述先验知识包括：感染概率、平均接触人数、潜伏期暴露系数、死亡或者恢复系数；其中，所述感染概率的取值范围为[0.01-0.07]；所述平均接触人数的取值范围为[2-7]；所述潜伏期暴露系数的取值范围为[1/14-1/10]；所述死亡或者恢复系数的取值范围为[1/10-1]。


3.根据权利要求1所述的方法，在所述获取当前周期之前的N个历史周期内每一个历史周期的隔离人员的数量之前，所述方法还包括：
在自然发病阶段的数据样本中提取出一个数据样本作为当前自然样本；
若所述趋势预测模型不满足预先设置的所述自然发病阶段对应的收敛条件，将所述当前自然样本输入至所述趋势预测模型，使用所述当前自然样本对所述趋势预测模型进行训练，得到所述趋势预测模型的至少一个自然参数；将所述当前自然样本的下一个自然样本作为所述当前自然样本，重复执行上述操作，直到所述趋势预测模型满足所述自然发病阶段对应的收敛条件。


4.根据权利要求3所述的方法，所述方法还包括：
在城市管控阶段的数据样本中提取出一个数据样本作为当前管控样本；
若所述趋势预测模型不满足预先设置的所述城市管控阶段对应的收敛条件，将所述当前管控样本输入至所述趋势预测模型，使用所述当前管控样本对所述趋势预测模型进行训练，得到所述趋势预测模型的至少一个管控参数；将所述当前管控样本的下一个管控样本作为所述当前管控样本，重复执行上述操作，直到所述趋势预测模型满足所述城市管控阶段对应的收敛条件。


5.根据权利要求3所述的方法，所述自然发病阶段的数据样本包括：目标地理范围内的人群在所述自然发病阶段中预定发病状态下的数量；其中，所述预定发病状态包括：易感态、暴露态、感病态以及隔离态。


6.根据权利要求4所述的方法，所述城市管控阶段的数据样本包括：所述目标地理范围内的人群在所述城市管控阶段中所述预定发病状态下的数量；其中，所述预定发病状态包括：易感态、暴露态、感病态以及隔离态。


7.根据权利要求3所述的方法，所述方法还包括：
当所述目标地理范围内的人口向所述目标地理范围外迁出或者所述目标地理范围外的人口向所述目标地理范围内迁入时，在所述自然发病阶段的新的数据样本中提取出一个新的数据样本作为当前新的自然样本；
若所述趋势预测模型不满足预先设置的所述自然发病阶段对应的新的收敛条件，将所述当前新的自然样本输入至所述趋势预测模型，使用所述当前新的自然样本对所述趋势预测模型进行训练，得到所述趋势预测模型的至少一个新的自然参数；将所述当前新的自然样本的下一个新的自然样本作为所述当前新的自然样本，重复执行上述操作，直到所述趋势预测模型满足所述自然发病阶段对应的新的收敛条件。


8.根据权利要求7所述的方法，所述方法还包括：
在所述城市管控阶段的新的数据样本中提取出一个新的数据样本作为当前新的管控样本；
若所述趋势预测模型不满足预先设置的所述城市管控阶段对应的新的收敛条件，将所述当前新的管控样本输入至所述趋势预测模型，使用所述当前新的管控样本对所述趋势预测模型进行训练，得到所述趋势预测模型的至少一个新的管控参数；将所述当前新的管控样本的下一个新的管控样本作为所述当前新的管控样本，重复执行上述操作，直到所述趋势预测模型满足所述城市管控阶段对应的新的收敛条件。


9.一种传染病趋势预测装置，所述装置包括：获取模块、输入输出模块和预测模块；其中，
所述获取模块，用于获取当前周期之前的N个历史周期内每一个历史周期的隔离人员的数量；其中，所述隔离人员的数量包括：死亡人员的...

【专利技术属性】
技术研发人员：彭姝琳，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11