基于Bi-LSTM的日感染率预测方法、设备及存储介质技术

本发明专利技术涉及一种基于Bi

【技术实现步骤摘要】
基于Bi
‑
LSTM的日感染率预测方法、设备及存储介质


[0001]本专利技术涉及传染病传播预测
，尤其是涉及一种基于双向长短期记忆神经网络的传染病日感染率预测方法。

技术介绍

[0002]Susceptible
‑
infected
‑
resistant(SIR)传染病模型被广泛应用于传染病的传播预测，是一种常见的描述传染病传播的数学模型，其基本假设是将人群分为以下三类：易感人群(Susceptibles)，指未得病但因免疫能力较低，与感染者接触后容易受到感染的人群；患病人群(Infectives)，指已经被感染成病人并且具有传染力的人群；移除人群(Recovered)，指因病愈(具有免疫力)或死亡的人群。基于以上定义，则总人口＝易感人群+患病人群+恢复人群。SIR模型的建立基于以下三个假设：1)不考虑人口的出生、死亡、流动等种群动力因素，即人口始终保持一个常数；2)一个病人一旦与易感人群接触就必然具有一定的传染力。在单位时间内，一个病人能传染的易感人群的数目与此环境内易感人群总数成正本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Bi
‑
LSTM的日感染率预测方法，其特征在于，包括如下步骤：筛选影响传染病病毒传播因素，整合构建数据集；所述传播因素包括环境因素和人为因素；对数据集进行数据预处理；将预处理后的数据转化为时间序列的有监督学习；用t
‑
1时刻的日感染率DIR、环境因素和人为因素作为输入特征，t时刻的传染病病毒日感染率作为标签，输入到训练完成的双向长短期记忆神经网络；所述双向长短期记忆神经网络拟合出结果之后，对数据进行反归一化，得到可视化预测结果。2.根据权利要求1所述的一种基于Bi
‑
LSTM的日感染率预测方法，其特征在于，所述数据预处理包括：滑动平均和数据归一化。3.根据权利要求1所述的一种基于Bi
‑
LSTM的日感染率预测方法，其特征在于，所述日感染率DIR为感染率在第n天的变化，计算公式如下：其中，k为起始日，为从起始日第k天到第n天的感染人数总和，为从起始日第k天到第n
‑
1天的感染人数总和。4.根据权利要求1所述的一种基于Bi
‑
LSTM的日感染率预测方法，其特征在于，所述环境因素包括温度、湿度、风速、气压、大气边界层高度，以及大气污染物，其中大气污染物包括臭氧、NO2、PM2.5和PM10；所述人为因素包括疫苗接种水平以及居民生活运动轨迹。5.根据权利要求1所述的一种基于Bi
‑
LSTM...

【专利技术属性】
技术研发人员：孔祥鹤，王磊，
申请(专利权)人：同济大学，
类型：发明
国别省市：