【技术实现步骤摘要】
基于仓室模型的传染病无监督预测方法
[0001]本专利技术属于传染病预测
,具体涉及一种基于仓室模型的传染病无监督预测方法
。
技术介绍
[0002][0003]传染病防控工作的难点在于如何精准刻画病毒传播的动态过程以及预测传染病的发展
。
对疾病动态的准确预测,决定了防控过程中的关键性时间节点,是政府采取防控策略优化防控策略最重要的科学基础
。
对传染病影响的低估可能会导致响应不及时而过错窗口期造成大范围感染,对传播趋势的高估又会导致资源分配不合理以及巨大经济损失分配
。
因此准确描述流行病的动态传播特征及基于优化算法的仓室动力学模型的预测工作,具有重要的科学意义
。
[0004]如何基于构建的传染病模型,提高分析预测结果的准确性和提高预测的精度,是本专利技术专利申请想要解决的技术问题
。
技术实现思路
[0005]本专利技术的目的在于提供一种基于仓室模型的传染病无监督预测方法,以解决上述
技术介绍
中提出的问题和达到的效果
。
[0006]本专利技术目的是这样实现的:基于仓室模型的传染病无监督预测方法,其特征在于:该方法包括以下步骤:
[0007]步骤
S1
:构建
SEIAHRD
动力学模型;
[0008]在经典
SEIR
模型基础之上进行改进,构建了
SEIAHRD
动力学模型;
[0009]步骤
S2 ...
【技术保护点】
【技术特征摘要】
1.
基于仓室模型的传染病无监督预测方法,其特征在于:该方法包括以下步骤:步骤
S1
:构建
SEIAHRD
动力学模型;在经典
SEIR
模型基础之上进行改进,构建了
SEIAHRD
动力学模型;步骤
S2
:构建传染病优化问题,基于构建的传染病优化问题采用自适应混沌粒子群算法
ACPSO
对
SEIAHRD
动力学模型进行验证;步骤
S3
:根据
SEIAHRD
动力学模型,计算基本再生数
R0;利用基本再生数
R0,对
SEIAHRD
动力学模型参数进行敏感性分析,得出影响传染病防控的关键因素
。2.
根据权利要求1所述的基于仓室模型的传染病无监督预测方法,其特征在于:所述
SEIAHRD
动力学模型将人群划分为七类,包括易感者
S、
被管理者
E、
有症状感染者
I、
无症状感染者
A、
住院者
H、
死亡者
D
和治愈者
R
,当地人口
N
=
S+E+I+R+A+H+D。3.
根据权利要求1所述的基于仓室模型的传染病无监督预测方法,其特征在于:所述
SEIAHRD
动力学模型包括模糊
C
均值聚类方法和自适应混沌粒子群算法
ACPSO
,模糊
C
均值聚类方法对收集的传染病数据库进行分类处理;所述自适应混沌粒子群算法
ACPSO
对传染病优化问题中的参数进行优化
。4.
根据权利要求1所述的基于仓室模型的传染病无监督预测方法,其特征在于:传染优化问题包括有症状确诊患者社会接触传播率,无症状确诊患者社会接触传播率,有症状平均潜伏时间倒数,无症状平均潜伏时间倒数,无症状患者确诊有症状患者的转换率,
E
‑
I
转换比,
E
‑
A
转换比,就医时间倒数,治愈率,无症状患者治愈率,死亡率,被管理时间,免疫失效率
η
。5.
根据权利要求1所述的基于仓室模型的传染病无监督预测方法,其特征在于:所述基本再生数
R0为衡量疫情是否控制的关键因素,基本再生数
R0计算如下:其中,
σ1为有症状平均潜伏时间倒数;
β1为有症状确诊患者社会接触传播率,
β2为无症状确诊患者社会接触传播率,
σ2为无症状平均潜伏时间倒数,
ε
为无症状患者确诊有症状患者的转换率,
p1为
E
‑
I
转换比,
p2为
E
‑
A
转换比,
μ
为就医时间倒数,
γ1为治愈率,
γ2为无症状患者治愈率,
d
为死亡率,
λ
为被管理时间,
η
为免疫失效率
。6.
根据权利要求1所述的基于仓室模型的传染病无监督预测方法,其特征在于:所述
SEIAHRD
动力学模型对传染病优化问题进行优化时采用均方误差
MSE
最小化为优化目标,优化目标的目标函数即适应度值,适应度值设为
S,E,I,A,H,R,D
的实际数据与预测数据的
MSE
之和,以与传染病防控措施相关的参数作为控制传染病的约束条件,兼顾传染病预测与防控两方面,计算
MSE
的公式为:式中,
actual
i
和
predict
i
分别表示某一阶段某一类第
i
天的实际数据和预测数据,
T
表示某一阶段的总天数
。7.
根据权利要求1所述的基于仓室模型的传染病无监督预测方法,其特征在于:所述步
骤
S2
中基于构建的传染病优化问题对
SEIAHRD
动力学模型进行验证,采用决定系数
R2判断预测值与实际值的拟合程度,以此检验
SEIAHRD
动力学模型的效用性,计算公式为:式中,为某一类实际数据的均值
。8.
根据权利要求1所述的基于仓室模型的传染病无监督预测方法,其特征在于:所述自适应混沌粒子群算法
ACPSO
求解均最小化方误差
MSE
的过程包括以下步骤:步骤
S2
‑1:设置初始化参数,适应混沌粒子群算法
ACPSO
的初始设置有种群大小
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。