【技术实现步骤摘要】
本专利技术涉及公共卫生传染病预报，具体涉及一种传染病发展趋势短期快速预报方法。
技术介绍
1、传染病预测广泛采用的方法是构建传染病动力学模型sir或seir。传染病动力学是对进行理论性定量研究的一种重要方法，根据种群生长的特性、在种群内的传播速度、发展规律，以及与之有关的社会等因素，建立能反映传染病动力学特性的数学模型。通过对模型定性、定量分析和数值模拟，分析疾病的发展过程、揭示流行规律、预测变化趋势、探求疾病流行的原因和关键。sir/seir作为经典的传染病模型，物理意义明确，广泛应用于各类疾病如sars、埃博拉病毒以及新型冠状病毒的预测研究之中，对于疾病初期具有较好的预测效果。但二者是建立在一定的前提假设条件下，否则预测精度会出现较大的偏差。此外，统计学方法如回归移动平均模型arima、灰色系统理论等在某些传染病预测研究中取得了一些有意义的成果。近年来人工智能技术飞速进步，其中机器学习和深度学习利用计算机模拟人类大脑的工作方式，能够在训练样本的学习过程中客观地获取“经验”，在图像识别、语言信号处理等应用领域取得了突破性进展，同时部分学者将其应用于流行病趋势预测，呈现了较好的预测前景。
2、传染病种类众多，其传播机理各不相同。即使同一传染病类型，由于不同国家、不同地区的天气情况、经济和社会活动、人口免疫和人口风俗习惯存在很多的差异，直接导致传染病传播活动的复杂性。目前主要预测方法之一是在传统seir基础上，进一步考虑政府的管理措施如隔离、疫苗以及人口流动等因素重建动力学预测模型。但此类模型需要提供准确的感染人数、隔
3、浅层神经网络广泛应用于时间预测的早期研究，通常采用随机梯度下降的方法，更新模型参数，其结构简单，精度较高，但随机梯度下降方法容易陷入局部极值或导致梯度消失。经典卡尔曼滤波技术作为一种通用性极强的自回归滤波器，适用于诸多不确定情况下动态系统的状态估计。并且卡尔曼滤波只利用前一时刻值估计当前状态，占用内存少，具有良好的实时性。本专利探索扩展卡尔曼滤波技术替代随机梯度下降更新模型参数，建立雅可比矩阵将非线性问题转化线性，致力于获取网络模型的最优参数，提升预测模型的收敛速度，提高重大传染性疾病发展趋势的预判能力。
技术实现思路
1、针对上述存在的技术不足，本专利技术的目的是提供一种传染病发展趋势短期预报方法，其为传染病发展趋势提供快速准确预测，为研判疫情态势，对公共卫生资源进行科学、前瞻性配置提供有力支撑。
2、为解决上述技术问题，本专利技术采用如下技术方案：
3、本专利技术提供一种传染病发展趋势短期预报方法，包括以下步骤：
4、s1、数据收集；收集传染病数据，针对特定区域的感染人数，利用历史数据信息，预测未来n天的感染者人数；
5、s2、模型构建；建立输入层-隐藏层-输出层三层全连接神经网络模型，其数学描述为：
6、
7、式中，x和z分别为输入历史数据和隐藏层输出结果，y是模型预测结果，w和b是模型参数，σ是激活函数；围绕模型参数θk(w,b)，利用扩展卡尔曼滤波构建状态方程和观测方程：
8、
9、式中，f为状态转换方程，h(*)是非线性观测算子，ok是k时刻观测值，qk-1是k-1时刻系统过程噪声，满足均值为0，协方差矩阵为qk-1的高斯分布；rk是k时刻观测噪声，同样满足均值为0，协方差矩阵为rk的高斯分布；
10、s3、参数初始化；设置神经模型隐藏层节点数，选取激活函数，初始化模型状态参数θ(w,b)，协方差矩阵p0，过程噪声方差q0，观测噪声方差r0；
11、s4、参数更新；若将非线性观测方程转为线性方程，采用泰勒级数展开，并忽略二次以上的高阶项，获取k时刻雅可比矩阵hk：
12、
13、式中，θk是k时刻模型参数,k＝1,2,…n。计算卡尔曼滤波增益k：
14、
15、pk，rk分别是k时刻协方差矩阵和观测协方差矩阵。进一步更新模型参数状态
16、
17、更新k+1时刻协方差矩阵pk+1：
18、pk+1＝(i-k*hk)pk(6)
19、s5、参数确定：依次执行上述公式(2)-(6)描述的步骤，进一步计算神经模型输出值和真实观测值的均方误差，若误差不满足要求，重复上述公式(2)-(6)描述的步骤，直至误差满足要求或满足预先设定的迭代更新次数，最终获取模型的最优参数；
20、s6、短期预测；神经网络的参数确定以后，设置滑动时间窗w，窗长为k，滑动步长为s天,预报未来n天的感染人数。即利用时间窗内k天的历史样本数据即患病人数，预报未来n天的发病人数，进一步前向移动时间窗s天，进行下一次预报，循环往复，其预报过程如图2所示；
21、s7、模型评估；利用线性回归和均方误差rmse评估模型性能；
22、线性回归的表达式为：yp＝moa+b，m为斜率，b为截距，yp和oa分别为预测值和实际观测值；m越接近于1，b越接近0，模型的精度越高；
23、均方误差rmse的表达式为：式中oi和yi分别为i时刻的实际观测值和预测值，n为测试数据的时间长度；rmse越小，模型性能越高。
24、优选地，步骤s1中的收集传染病数据，具体为世界卫生组织或中国国家卫生健康委员会提供的传染病数据，例如新型冠状病毒感染covid-19数据。
25、优选地，步骤s1和步骤s6中的n天选择7天。
26、本专利技术的有益效果在于：本专利技术利用神经网络模型挖掘数据信息的时间变化特征；进一步引入扩展卡尔曼滤波更新模型参数，有效利用神经网络模型和观测资料两种互补信息，有效避免梯度消失，具有较高的预测精度。与经典动力学传染病预测方法相比，无需过多考虑疫情本身发病规律，避免预先假定前提条件，具有更大的灵活性与通用性。与深度学习方法相比，模型结构简单，无需大量历史数据，具有收敛速度快，实时性好的特点，具有实际工程应用意义。
本文档来自技高网...【技术保护点】
1.一种传染病发展趋势短期快速预报方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种传染病发展趋势短期预报方法，其特征在于，步骤S1中的收集传染病数据，具体为世界卫生组织或中国国家卫生健康委员会提供的传染病数据，包括新型冠状病毒感染COVID-19数据。
3.如权利要求1所述的一种传染病发展趋势短期预报方法，其特征在于，步骤S1和步骤S7中的n天选择7天。
【技术特征摘要】
1.一种传染病发展趋势短期快速预报方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种传染病发展趋势短期预报方法，其特征在于，步骤s1中的收集传染病数据，具体为世界卫生组织或中...
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。