基于仓室模型的传染病无监督预测方法

技术领域

本发明属于传染病预测技术领域，具体涉及一种基于仓室模型的传染病无监督预测方法。

背景技术

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。

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，是本发明专利申请想要解决的技术问题。

发明内容

本发明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，以解决上述背景技术中提出的问题和达到的效果。

本发明目的是这样实现的：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：

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R

优选的，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。

优选的，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。

优选的，所述基本再生数R

其中，σ

优选的，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，目标函数即适应度值设为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

优选的，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R

式中，

优选的，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PN，维数D，学习因子c

步骤S2-2：计算每个维度粒子目标函数值，得出整个粒子群适应度值的均值，整个粒子群适应度值的均值与当前适应度值比较，使惯性权重

步骤S2-3：根据约束条件选取个体的局部最优值和全局最优值，若不满足约束条件则返回到步骤S2-2；

步骤S2-4：通过惯性权重公式对惯性权重

Y

其中，V

S2-5：将cx按照线性映射到优化变量取值区间内得到rx，再对提取的全局最优解x

ry

式中，将随机生成的混沌变量cy

y

式中，对Y

cy

式中，对混沌变量cy

S2-6：更新全局最优值，判断是否达到最大迭代次数，若达到则终止迭代，若未到则返回步骤S2-3。

优选的，所述自适应混沌粒子群算法ACPSO对传染病优化问题进行的参数包括自适应惯性权重

所述自适应惯性权重

在搜索过程中，对自适应惯性权重

其中，f

所述加速常数c

所述最大速度V

优选的，传染优化问题包括有症状确诊患者社会接触传播率β

与现有技术相比，本发明具有如下改进及优点：1、通过在经典SEIR模型基础之上构建了SEIAHRD动力学模型，SEIAHRD动力学模型中采用模糊C均值聚类方法实现对传染病数据库的无监督学习，利用自适应混沌粒子群算法自动搜索的方式寻求最优参数，并实现对传染病防控措施有效性评估。

2、通过采用模糊C均值聚类方法助于从数据中寻找规律，并且充分识别无标签数据，具有一定的灵活性和自动化处理能力，使数据具备代表性、多样性和均匀性，避免出现样本冗余以及过拟合现象，提高预测的精度。

3、通过采用自适应混沌粒子群算法，将SEIAHRD动力学模型中各仓室的实际数值作为输入量，将模型中反映传染病传播速度、传播途径、防控措施等相关参数作为输出量，准确的得出影响传染病防控的关键因素。

附图说明

图1为本发明的整体流程图。

图2为本发明SEIAHRD动力学模型的模型图。

图3为第一阶段拟合值与实际值的对比图。

图4为第二阶段拟合值与实际值的对比图。

图5为第三阶段拟合值与实际值的对比图。

图6为第四阶段拟合值与实际值的对比图。

具体实施方式

以下结合附图对本发明做进一步概述。

如基于仓室模型的传染病无监督预测方法，该方法包括以下步骤：

步骤S1：构建SEIAHRD动力学模型；

根据传染病的传播机制及特点，在经典SEIR模型基础之上进行改进，构建了SEIAHRD动力学模型；EIAHRD动力学模型将人群划分为七类，分别为易感者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，其中常数N＝S+E+I+R+A+H+D表示当地人口；COVID-19的动态传播过程可由常微分方程组描述：

其中，

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；利用模糊C均值聚类方法对收集的传染病数据库进行分类处理，聚类算法法作为一种无监督学习方法，有助于从数据中寻找规律，并且充分识别无标签数据，具有一定的灵活性和自动化处理能力，使数据具备代表性、多样性和均匀性，避免出现样本冗余以及过拟合现象，提高预测的精度；

模糊C均值聚类方法的目标函数可以定义为：

聚类中心、隶属度函数的更新规则分别如下式所示：

其中，m表示加权系数，u

利用自适应混沌粒子群算法ACPSO，通过自动搜索方式寻求最优参数组合。将SEIAHRD动力学模型中各仓室的实际数值作为输入量，将模型中反映传染病传播速度、传播途径、防控措施等相关参数作为输出量。

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；

在假设总体人数不变、不考虑人口迁移、自然出生率和死亡率的情况下，以均方误差最小化MSE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

采用决定系数R

式中，

自适应混沌粒子群算法(ACPSO)的参数包括：自适应惯性权重、加速常数c

自适应惯性权重

在搜索过程中，对自适应惯性权重

其中，f

加速常数c

最大速度V

利用ACPSO求解最小化均方误差过程，具体计算包括以下步骤：

步骤2-1：设置初始化参数，粒子群算法的初始设置为:种群大小PN＝30，维数D＝8，学习因子c

步骤2-2：计算每个维度粒子目标函数值，得出整个粒子群适应度值的均值，然后与当前适应度值比较，使惯性权重

步骤2-3：根据约束条件选取个体的局部最优值和全局最优值，若不满足约束条件则返回到步骤S2-2；

步骤2-4：通过惯性权重公式对惯性权重

Y

式中，V

步骤2-5：将cx按照线性映射到优化变量取值区间内得到rx，再对提取的全局最优解x

ry

式中，将随机生成的混沌变量cy

y

式中，对Y

cy

式中，对混沌变量cy

S2-6：更新全局最优值，判断是否达到最大迭代次数，若达到则终止迭代，若未到则返回步骤S2-3。

步骤S3：根据SEIAHRD动力学模型，计算基本再生数R

基本再生数R

其中，σ

表1为SEIAHRD动力学模型各阶段参数值

从表1中观察到，β

表2为各阶段决定系数值

决定系数的大小可以反映两个变量间的相关性程度,越接近1,表明被解释变量与解释变量间的相关性相对较强,通过对传染病进行预测，所得结果总的决定系数在0.96左右，表明本文运用的自适应混沌优化SEIAHRD传染病模型中的参数，从而达到精准预测的方法是有效的。

从图3-6中可以看出，各阶段模拟值与实际值对比图，曲线的变化态势基本一致，且近乎在一条线上，表明上海在四个阶段的预测结果与实际数据有较强的相关性，证明SEIAHRD动力学模型的有效。

以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。