基于疫情趋势及管控政策关联模型的疫情预测方法和系统技术方案

本发明专利技术公开了一种基于疫情趋势及管控政策关联模型的疫情预测方法和系统，所述方法包括：采集基础数据，所述基础数据包括政策数据

【技术实现步骤摘要】
基于疫情趋势及管控政策关联模型的疫情预测方法和系统


[0001]本专利技术涉及传染病疫情智能预测
，特别是一种基于疫情趋势及管控政策关联模型的疫情预测方法和系统
。

技术介绍

[0002]在疫情趋势的预测技术中，通常采用流行病传播模型
。
在一些模型中，基本再生数
R0是一个重要的预测参数，基本再生数
R0是指没有干预的情况下，在一个全部是易感人群的环境中，平均一个患者在患病周期可以传染的人数
。
例如，可以通过流行病传播模型，根据感染人群
、
潜伏期
、
感染周期的数据计算出
R0，随着时间的推进，疫情得到控制，通过流行病传播模型，采用相同方法计算出来的
R
值，将其记作有效再生数
R
t
。
[0003]但是，目前的流行病传播模型在进行疫情预测时，并没有考虑管控政策类数据和参数，但实际上，管控政策对于疫情的发展
、
控制以及模型的预测准确性和实时性都会产生很大的影响
。
[0004]因鉴于此，特提出本专利技术
。

技术实现思路

[0005]本专利技术的目的是提供一种基于疫情趋势及管控政策关联模型的疫情预测方法和系统，在疫情期间能够对新发疫情以及聚集性疫情等做出动态预测，为达到疫情精准防控效果提供依据
。
[0006]为了实现上述目的，本专利技术提供的一种基于疫情趋势及管控政策关联模型的疫情预测方法，包括：
[0007]采集基础数据，所述基础数据包括政策数据
、
健康数据以及与疫情存在潜在相关性的数据；
[0008]对所述基础数据进行治理，生成模型训练的基础数据库；
[0009]在所述基础数据库中，选取影响疫情的特征因子，对特征因子进行量化归一，在利用机器学习算法进行模型训练，生成传播动力学模型的参数，然后再通过所述传播动力学模型进行疫情的预测
。
[0010]本专利技术还提供了基于疫情趋势及管控政策关联模型的疫情预测系统，包括：数据采集单元，用于采集基础数据，所述基础数据包括政策数据
、
健康数据以及与疫情存在潜在相关性的数据；
[0011]数据治理单元，用于对所述基础数据进行治理，生成模型训练的基础数据库；预测单元，用于在所述基础数据库中，选取影响疫情的特征因子，对特征因子进行量化归一，在利用机器学习算法进行模型训练，生成传播动力学模型的参数，然后再通过所述传播动力学模型进行疫情的预测
。
[0012]本专利技术提供的基于疫情趋势及管控政策关联模型的疫情预测方法和系统，其传染病预测与政策关联模型通过深度挖掘传染病的发病规律，辅以
SIR、SEIR
等传染病动力学模
型支持，将真实世界影响因子与传染病的爆发
、
传播事件关联拟合，以实现传染病的及时预警
、
影响范围准确预估和防控政策有效性
。
附图说明
[0013]图1为本专利技术实施例提供的基于疫情趋势及管控政策关联模型的疫情预测方法的流程图
。
[0014]图2为本专利技术实施例提供的基于疫情趋势及管控政策关联模型的疫情预测方法的整体逻辑框图；
[0015]图3为防控策略措施指标数据进行归一的示意图；
[0016]图4为用于实施本专利技术实施例基于疫情趋势及管控政策关联模型的疫情预测方法的电子设备的逻辑结构图
。
具体实施方式
[0017]下面将参考附图中示出的若干示例性实施方式来描述本专利技术的原理和精神
。
应当理解，描述这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本专利技术，而并非以任何方式限制本专利技术的范围
。
[0018]结合图1‑2，本专利技术实施例提供一种基于疫情趋势及管控政策关联模型的疫情预测方法，包括：
[0019]步骤
102
，采集基础数据，基础数据包括政策数据
、
健康数据以及与疫情存在潜在相关性的数据
。
[0020]在步骤
102
中，作为一个示例，政策数据即输入抽象的政策严格指数类数据，随后作为一个变量去影响传播动力学模型
(
如
SEIR)
中的参数
。
以严格指数为代表，它们需要具体包括：
[0021]1.
管控社交距离；
2.
建议居家；
3.
关闭学校；
4.
隔离确诊患者；
5.
防护服；
6.
加大核酸检测力度；
7.
追踪密接；
8.
限制国际旅行；
9.
医护工作者防护；
10.
戴口罩；
11.
尝试新疗法；
12.
注射疫苗
。
[0022]这类政策以“是否被当地城市发布
、
实施”等作为输入条件，影响传播动力学模型
(
如
SEIR)
参数或自身作为新参数加入传播动力学模型
(
如
SEIR)
中
。
[0023]此外，在步骤
102
中，作为一个示例，健康数据即包含政策数据类似的“增加输入
、
优化模型具体参数
/
输出”类数据，也包含直接拆分模型状态的参数
。
它们是：
1.
年龄结构；
2.
城乡差异；
3.
医疗资源
(
床位
、ICU、
护工
)
；
4.IFR
；其中，
3、4
为前类输入，作用与具体的参数或修饰具体的输出，而前两类为后类输入
。
[0024]在步骤
102
中，作为一个示例，与疫情存在潜在相关性的数据也可被称为网络大数据，网络大数据是
WHO
的模型中少见的部分，与相关技术相比具有显著差异化，它们主要指代表面上与疫情
、
健康
、
防控等无明显因果关系，但在大数据时代可以挖掘相关关系的数据
。
例如出行指数
、
搜索指数
、
温湿度，以及预测对象本身的属性，如
GDP、
人口密度
、
城市化率等
。
[0025]接着，在步骤
104
中，对所述基础数据进行治理，生成模型训练的基础数据库
。
在前述的步骤
102
中，作为一个示例，可以利用大数据技术，采集至少
150
个国家疫情相关的数
据
、
政策类数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于疫情趋势及管控政策关联模型的疫情预测方法，其特征在于，包括：采集基础数据，所述基础数据包括政策数据
、
健康数据以及与疫情存在潜在相关性的数据；对所述基础数据进行治理，生成模型训练的基础数据库；在所述基础数据库中，选取影响疫情的特征因子，对特征因子进行量化归一，再利用机器学习算法进行模型训练，生成传播动力学模型的参数，然后再通过所述传播动力学模型进行疫情的预测
。2.
根据权利要求1所述的疫情预测方法，其特征在于，所述与疫情存在潜在相关性的数据包括以下至少一种：出行指数
、
搜索指数
、
温湿度以及预测对象本身的属性；所述预测对象本身的属性包括以下至少一种： GDP、
人口密度
、
城市化率
。3.
根据权利要求1所述的疫情趋势及管控政策关联模型的方法，其特征在于，所述方法还包括：在所述传播动力学模型中，所述参数被配置为可在预定范围内调节，以便用于疫情趋势和
/
或调控策略的仿真模拟
。4.
根据权利要求3所述的疫情预测方法，其特征在于，被配置为可在预定范围内调节的参数包括以下一种或多种：复工复产率参数
、
复学复课率参数
、
社区管理强度参数
、
聚集性活动人数阈值参数
、
公共场所限流率
、
地面轨道交通满载率参数
、
进口食品检验管理强度参数
、
核酸筛查管理参数
、
口罩佩戴管理参数
、
密接管理参数
。5.
根据权利要求1所述的疫情预测方法，其特征在于，所述通过所述传播动力学模型进行疫情的预测包括：计算有效再生参数，根据历史有效再生参数预测未来有效再生参数，将未来有效再生参数输入传播动力学模型以得到未来发病人数
。6.
根据权利要求5所述的疫情预测方法，其特征在于，所述计算有效再生参数包括：通过以下公式确定有效再生参数
R
t
：
,
其中，，其中，，其中：
p
ij
表示发病时间为 t
i
的病例被发病时...

【专利技术属性】
技术研发人员：任义民，程晨，王锡辉，冯学强，
申请(专利权)人：北京梦天门科技股份有限公司，
类型：发明
国别省市：