【技术实现步骤摘要】
本专利技术属于传染病趋势预测领域，更具体地，涉及一种融合多源数据和仓室模型的流行传染病趋势预测方法。
技术介绍
1、收集流行性感染病的感染数据集，以及选择相应的干预流行病传播范围的因素来预测流行性传染病的疾病流行趋势，能帮助政策制定者了解如何制定有效的干预措施，调动有限的医疗资源并且制定与实施疾控政策，对流行爆发风险预警等疫情预警防控任务至关重要。多区域的流行病感染趋势的拟合与预测是多元时序序列预测的一种，它通过对大量历史数据的学习，挖掘数据中蕴含的时空相关性信息，实现对预测目标未来状态的预测。例如根据某地区每日的流行病感染人数，来预测未来的疾病感染趋势状况。在传染病发展过程中，数学模型作为传染病传播动力学领域的经典手段之一，可以能够被定量观测到的诸如每日新增确诊病例、累计确诊病例等数据，利用传染病基础理论研究中的相关模型方法进行建模分析。但在流行病流行的背景下，监测数据由于缺乏历史数据而稀少，由于报告偏倚、检测患病率等原因引起的噪声，采用现有的传染病仓室模型容易过度拟合，从而导致长期预测不准确。
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供了一种融合多源数据和仓室模型的流行传染病趋势预测方法，能够有效地提高时序序列预测的准确性和鲁棒性。
2、为实现上述目的，按照本专利技术的第一方面，提供了一种融合多源数据和仓室模型的流行性传染病多区域流行趋势预测方法，包括：
3、s1，获取与时间序列1,2,…,k对应的各区域的时间特征数据q1，q2，
4、其中，k为时间序列中采集时刻的数量，n为区域数量，为区域n在k时刻的感染人数矩阵，所述感染人数包括易感人数、暴露人数、感染人数及康复人数，的大小4×1；为区域n在k时刻分别与各区域之间的空间邻接矩阵，的大小为n×n；
5、s2，将ct及qt输入至预测模型以对其进行训练；
6、其中，ct、qt分别为t时刻各区域的空间特征数据、时间特征数据，t依次为1、2、…、k；所述预测模型包括基于注意力的图神经网络及seirs模型；所述图神经网络包括特征编码模块fe、融合编码模块ce、动态图编码模块de、时间编码模块te、融合解码模块cd及输出层；
7、ct经fe编码得到隐藏状态矩阵qt经ce编码得到隐藏状态矩阵及ht-1经te联合编码得到隐藏状态矩阵ht-1为de对进行编码得到的隐藏状态矩阵；经cd解码得到pt，pt为各区域在t时刻的参数矩阵，所述参数包括传播率、感染率、康复率、重复感染率和重复传播率；将pt和qt输入至seirs模型得到q`t+1；将q`t+1输入至ce得到将输入至de得到ht，将和ht共同输入至输出层得到t+1时刻的预测结果；
8、s3，将k+1时刻的预测结果输入至经s2训练后的预测模型以对其再次进行训练并获取k+2时刻的预测结果，重复上述过程直至得到k+h时刻的预测结果；h为大于或等于1的正整数。
9、按照本专利技术的第二方面，提供了一种融合多源数据和仓室模型的流行性传染病多区域流行趋势预测系统，包括：计算机可读存储介质和处理器；
10、所述计算机可读存储介质用于存储可执行指令；
11、所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行如第一方面所述的方法。
12、按照本专利技术的第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行如第一方面所述的方法。
13、总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
14、1、相较于现有单独的流行病动力学模型预测和深度学习模型序列预测，本专利技术提出的时空学习框架能够学习潜在空间以结合时空性以及使用基于图的非线性变换的融合嵌入，将流行病学背景纳入gnn学习的联合学习过程，能够进一步提高模型的预测性能。
15、2、本专利技术提供的方法，考虑到对于流行病康复后可能出现的二次感染，将基础动力学模型改良为seirs模型(易感-暴露-感染-康复-易感)，能够对免疫力衰退和病毒变异导致的重复二次感染的情况做出更加准确的预测。
16、3、本专利技术提供的方法，添加对流行病传染轨迹有影响的特征因素，将人口在各个地域之间的每日移动性数据作为流动性矩阵，手工添加地理临近关系矩阵和地域流动性矩阵(将航空交通吞吐量邻接矩阵作为地域流动性矩阵)，有利于模型预测流行病的轨迹。
本文档来自技高网...【技术保护点】
1.一种融合多源数据和仓室模型的流行性传染病多区域流行趋势预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述SEIRS模型用于模拟各区域的流行病传播，假设康复者可能会再次感染，则t时刻区域i中流行病的传播动态由以下方程描述：
3.如权利要求1或2所述的方法，其特征在于，所述空间邻接矩阵包括区域人口密度、区域gdp，地理纬度和经度、地理临近关系、航空交通吞吐量邻接矩阵。
4.如权利要求1所述的方法，其特征在于，
5.如权利要求1所述的方法，其特征在于，
6.如权利要求1所述的方法，其特征在于，
7.如权利要求1所述的方法，其特征在于，
8.如权利要求1所述方法，其特征在于，步骤S2之前，还包括：对时间特征数据与空间特征数据进行填充及归一化处理。
9.一种融合多源数据和仓室模型的流行性传染病多区域流行趋势预测系统，其特征在于，包括：计算机可读存储介质和处理器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指
...【技术特征摘要】
1.一种融合多源数据和仓室模型的流行性传染病多区域流行趋势预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述seirs模型用于模拟各区域的流行病传播，假设康复者可能会再次感染，则t时刻区域i中流行病的传播动态由以下方程描述：
3.如权利要求1或2所述的方法，其特征在于，所述空间邻接矩阵包括区域人口密度、区域gdp，地理纬度和经度、地理临近关系、航空交通吞吐量邻接矩阵。
4.如权利要求1所述的方法，其特征在于，
5.如权利要求1所述的方法，其特征在于...
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。