一种基于细粒度人群分类的β-SEIDR流行病预测方法

一种基于细粒度人群分类的
β-seidr流行病预测方法
技术领域
1.本发明属于人工智能领域，涉及流行病预测方法。


背景技术：

2.常见的传染病模型有 si、sir、sirs、seir 模型。seir模型考虑存在易感者（susceptible）、潜伏者（exposed）、患病者（infected）和康复者（recovered）四类人群，适用于具有潜伏期的传染病。易感者（s类）被感染后成为潜伏者（e类），随后发病成为患病者（i类），治愈后成为康复者（r类）。与sir模型相比，seir模型进一步考虑了与患者接触过的人中仅一部分具有传染性的因素，使疾病的传播周期更长。然而，现有的seir预测模型仅考虑了covid-19初期的流行病学特征，没有与奥密克戎变异株传播的实际情况（尤其是2022年以来的奥密克戎变异株）紧密结合。因此，现有seir预测模型的准确率不高，导致预测结果与实际情况偏差较大。这种偏差会对与疫情相关的下流产业造成一定的负面影响。例如，预测结果相对于事情发展过于严重，导致防疫物资产能过剩，会造成相关企业的亏损；反之，则会导致防疫物资严重不足。
3.缺乏对模型中人群的细粒度分类，是造成在现有seir模型预测结果不准确的原因之一。具体来说，有以下三种情况，（1）在初期，covid-19的潜伏期为14天，而且当患病者经过治愈或是自身免疫成为康复者后，体内可以产生抗体，不易复发。但2022年流行的奥密克戎毒株在不停地变异，新毒株层出不穷，人体产生的抗体可能仅对其中一种有效，无法对所有毒株都产生作用。因此，康复者也有重复感染的可能。也就是说，r类可能转变成s类，本发明假设重复感染的概率为β。（2）现有的seir模型在为人群分类时，没有考虑死亡者（d类）对于发展趋势的影响。本发明在现有的seir模型基础上加入死亡者（d类）。（3）现有的seir模型在为人群分类时，未将患病者人群进行进一步区分。本发明将患病者（i类）简单区分为一般患者和重症患者，对于一般患者和重症患者，会有不同的死亡率和康复率。
4.因此，本发明针对人群分类粒度这一技术问题，在原有seir模型基础上考虑康复者（β-r类）、死亡者（d类）和患病者（i类）对流行病模型预测的影响，其中，从人群r类转变成人群s类的概率为β。本发明旨在提出一种基于细粒度人群分类的β-seidr流行病预测方法，提高流行病发展趋势预测的准确率。


技术实现要素：

5.本发明的目的是提供一种基于细粒度人群分类的β-seidr流行病预测方法，构建β-seidr预测方法的具体过程如下：(1)β-seidr模型人群参数设置：假设总人群数量 n 不变，即不考虑生死或迁移，将模型中的人群分为易感者（s类）、潜伏者（e类）、死亡者（d类）和康复者（β-r类），对患病者（i类）进行细粒度划分，区分为一般患者和重症患者；(2) β-seidr模型中各人群之间的转换关系（如图1所示）：《1》易感者（s类）与患病者（i类）或潜伏者（e类）有效接触即变为潜伏者（e类），每
个患病者每天有效接触的易感者的平均人数为，每个潜伏者每天有效接触的易感者的平均人数为；《2》潜伏者（e类）经过平均潜伏期后转化为患病者（i类）中的一般患者和重症患者，转化率分别为和；《3》患病者（i类）可被治愈也可能死亡，治愈后变为康复者（β-r类），死亡后变成死亡者（d类），患病者（i类）进一步区分为一般患者和重症患者，死亡率分别为和，治愈率分别为 和 ；《4》康复者（β-r类）不再获得终身免疫，以概率β变成易感者（s类）；(3) β-seidr模型动态演化过程：采用宏观视角建模，关注整个人群状态的变化，一般采用微分方程描述，第t天时 s类、e类、i类、d类、β-r类人群的占比记为、、、和，对应微分方程如下所示；
[0006][0007][0008][0009][0010]
(4)利用建立好的β-seidr模型对covid-19的发展趋势进行预测，通过微分方程表示各类人群的变化率，在pycharm上进行仿真建模，绘制相应的曲线。
[0011]
与现有技术相比，本发明的有益效果是对人群分类进行了细粒度化，考虑了死亡者（d类），康复者（β-r类），同时患病者（i类）又细分为：一般患者和重症患者，更符合2022年covid-19的流行病学特征，实验效果表明，β-seidr方法对流行病的发展趋势预测效果更为准确。
附图说明
[0012]
图1为β-seidr模型图。
[0013]
图2为seir模型和β-seidr模型预测结果的比较。
具体实施方式
[0014]
(1)初始化模型参数：《1》设置第七届中国人口普查人数作为总人数，初始日期设置为2022年11月22日；《2》将从新浪新闻获取的2022年11月22日的确诊人数、死亡人数、康复人数分别作为、、，即，，，由于潜伏人数并无明确数据，暂且设置为，则易感者人数的初始值为；
《3》将患病者进一步区分为一般患者和重症患者，其死亡率分别为和，潜伏者转化为一般患者和重症患者的转化率分别为和，治愈率分别为和，即潜伏者每日的流失人数将会流向患病者的一般患者形式和重症患者形式，死亡人数和治愈人数也将会由这两部分的人数组成，则其他参数设置为：,，，，，，，，；(2)利用建立好的β-seidr模型对covid-19的发展趋势进行预测，通过微分方程表示各类人群的变化率，在pycharm上进行仿真建模，绘制相应的曲线。


技术特征：
1.本发明的目的是提供一种基于细粒度人群分类的β-seidr流行病预测方法，构建β-seidr预测方法的具体过程如下：(1)β-seidr模型人群参数设置：假设总人群数量n不变，即不考虑生死或迁移，将模型中的人群分为易感者(s类)、潜伏者(e类)、死亡者(d类)和康复者(β-r类)，对患病者(i类)进行细粒度划分，区分为一般患者i1和重症患者i2；(2)β-seidr模型中各人群之间的转换关系(如图1所示)：<1>易感者(s类)与患病者(i类)或潜伏者(e类)有效接触即变为潜伏者(e类)，每个患病者每天有效接触的易感者的平均人数为λ1，每个潜伏者每天有效接触的易感者的平均人数为λ2；<2>潜伏者(e类)经过平均潜伏期后转化为患病者(i类)中的一般患者i1和重症患者i2，转化率分别为α1和α2；<3>患病者(i类)可被治愈也可能死亡，治愈后变为康复者(β-r类)，死亡后变成死亡者(d类)，患病者(i类)进一步区分为一般患者i1和重症患者i2，死亡率分别为δ1和δ2，治愈率分别为γ1和γ2；<4>康复者(β-r类)不再获得终身免疫，以概率β变成易感者(s类)；(3)β-seidr模型动态演化过程：采用宏观视角建模，关注整个人群状态的变化，一般采用微分方程描述，第t天时s类、e类、i类、d类、β-r类人群的占比记为s(t)、e(t)、i(t)、d(t)和r
β
(t)，对应微分方程如下所示：对应微分方程如下所示：对应微分方程如下所示：对应微分方程如下所示：对应微分方程如下所示：(4)利用建立好的β-seidr模型对covid-19的发展趋势进行预测，通过微分方程表示各类人群的变化率，在pycharm上进行仿真建模，绘制相应的曲线。

技术总结
本发明公开了一种基于细粒度人群分类的β-SEIDR流行病预测方法，旨在提高流行病发展趋势预测的准确率。其技术要点是，在原有SEIR模型人群分类的基础上增加了（1）死亡者（D类）；（2）康复者（β-R类），β表示康复者成为易感者的概率；（3）患病者（I类）细分为：一般患者和重症患者。本发明以2022年COVID-19的流行病学特征为实证数据，验证了基于细粒度人群分类的β-SEIDR流行病预测方法，实验效果表明，β-SEIDR方法对流行病的发展趋势预测效果更为准确。确。确。


技术研发人员：王伊蕾 李春梅 李光顺 张怡婷 张明月 李凤银
受保护的技术使用者：曲阜师范大学
技术研发日：2023.04.21
技术公布日：2023/9/11