一种基于事件驱动的传染病预测方法

技术领域

本发明属于传染病预测建模技术领域，涉及的是一种流行病学中的传染病预测模型，尤其涉及一种基于事件驱动的传染病预测方法。

背景技术

传染病的疫情扩散模型是一个传统的流行病学和数学问题，有着重要的实用价值。近年来世界范围内的大规模疫情频繁爆发，更引起学术界和社会各界对传染模型及其应用的高度关注，在方法上也有了一些创新，更在疫情控制、救助行动、资源调配、交通运输、旅行规划等方面发挥着重要作用。

目前的传染病模型主要有SI、SIS、SIR等模型，该模型符合病毒在自然状态下(没有人为干预)的传播，但是真实情况并非如此，政府会根据疫情实时发展情况，颁布新政，控制疫情发展，使得传播系数发生变化，不能准确预测疫情未来的发展。

发明内容

为了解决上述针对现有传染病模型不会受到外部事件的影响而更新参数的问题，本发明提供了一种基于事件驱动的传染病预测方法，所述预测方法采用传染病预测模型，该模型是基于SEIR模型，建立模型具体的步骤为：

步骤401，初始化SEIR模型中的参数，总人数N、初始感染人数I、感染者每天接触的人数r，接触后被感染的概率β，潜伏期患者转化为感染者的概率α，患者康复的概率γ；

步骤402，调整参数，拟合历史感染人数数据，直到感染人数曲线与实际感染人数相符或相近，记录模型参数；

步骤403，依据步骤402得到的参数预测下一时间段的感染人数；

步骤404，实时追踪及获取已发布时政事件的数据信息，评估事件对传染系数、康复率的影响，调整参数，重新拟合数据；

步骤405，根据步骤404更新后的模型参数预测未来感染人数；

步骤406，重复404和405步骤。

作为改进，步骤403中，以一天作为模型的最小时间单元，第n天感染人数为

I

R

其中公式(1)-(4)，其中n表示第n天，n-1表示第n-1天，N为总人数、I为初始感染人数、r为感染者每天接触的人数，β为接触后被感染的概率，α为潜伏期患者转化为感染者的概率，γ为患者康复的概率。

有益效果：本发明提供的一种基于事件驱动的传染病预测方法，与常规技术相比，加入了政府措施和社会事件对模型传播系数的影响，使得模型预测结果更准，根据2020新冠感染数据和新闻事件，模型实际预测效果达到1日误差3％，3日内误差5％。通过该模型的预测数据，为国家卫健委等机构提供了决策支撑，在推动复工复产、经济复苏等方面发挥了重要作用。

附图说明

图1为本发明所述的SEIR模型示意图。

图2为本发明所述的流程示意图。

具体实施方式

下面对本发明附图结合实施例作出进一步说明。

本发明是基于SEIR模型的传染病预测模型，其中SEIR模型是适用于存在易感者、暴露者、患病者和康复者四类人群，有潜伏期、治愈后获得终身免疫的疾病。本发明能够应用于传染病，例如带状疱疹、新冠肺炎等预测应用中。

其中S指(Susceptible)，易感者，指缺乏免疫能力健康人，与感染者接触后容易受到感染；E指(Exposed)，暴露者，指接触过感染者但不存在传染性的人，可用于存在潜伏期的传染病，被感染的概率是β；I指(Infectious)，患病者，指有传染性的病人，可以传播给S，将其变为I，暴露者转换的概率为α；R指(Recovered)，康复者，指病愈后具有免疫力的人，如是终身免疫性传染病，则不可被重新变为S、E或I，康复的概率为γ。易感者与患病者有效接触即变为暴露者，暴露者经过平均潜伏期后成为患病者，患病者可被治愈成为康复者，康复者终身免疫不再易感。

作为本发明的具体实施方式，本发明中在自然传播情况下，以一天作为模型的最小时间单元。总人数为N，不考虑人口的出生与死亡，迁入与迁出，此总人数不变。I为初始感染者人数，r指感染者每天接触的人数，β指接触后被感染的概率，α指潜伏期患者转化为感染者的概率，γ指患者康复的概率。

SEIR模型的微分方程如下：

可以看出上述(1)-(4)式子实际上就是一个马尔科夫链，其中N为总人数、I为初始感染人数、r为感染者每天接触的人数，β为接触后被感染的概率，α为潜伏期患者转化为感染者的概率，γ为患者康复的概率，可得到当天的感染情况只和前一天的疾病感染人数有关。第n天的的人数表示为：

I

R

上述(5)-(8)式子，其中n表示第n天，n-1表示第n-1天，N为总人数、I为初始感染人数、r为感染者每天接触的人数，β为接触后被感染的概率，α为潜伏期患者转化为感染者的概率，γ为患者康复的概率。

上述是在自然传播情况下，病毒的传播发展趋势，但是如果有社会事件或者政府政策干预时，上述的传播系数就会发生变化，假设1月23日，出现首例患者，开始患者有1人，每天他会接触20人，接触后感染的概率为0.9，潜伏期转换为感染者的概率为0.95，前期患者康复的概率为0.6，在传播第10天时，有关部门报道发现不明病毒传染，大家出行要佩戴口罩，这就是一个新闻事件，当遇到相关事件时，需要人工评估该事件对当前的传染概率、康复概率等参数的影响权重，例如：政府提升突发公共卫生事件等级为二级，则降低传染概率β，如果某地新增多例不明原因确诊病例，则提高传染概率β，如果政府为患者修建临时医院，则适当降低康复概率γ等，然后更新相关参数，预测未来传染趋势。

具体步骤如下：

步骤401，初始化SEIR模型中的参数，总人数N、初始感染人数I、感染者每天接触的人数r，接触后被感染的概率β，潜伏期患者转化为感染者的概率α，患者康复的概率γ；

步骤402，调整参数，拟合历史感染人数数据，直到感染人数曲线比较符合实际感染人数，记录模型参数；

步骤403，依据步骤402得到的参数预测未来的感染人数。

步骤404，时刻关注新闻、政府、媒体、社会公共事件等，评估事件对传染系数、康复率等的影响，调整参数，重新拟合数据；

步骤405，根据更新后的模型参数预测未来感染人数；

步骤406，重复404和405步骤。

根据2020新冠感染数据和新闻事件，模型实际预测效果达到1日误差3％，3日内误差5％。通过该模型的预测数据，为国家卫健委等机构提供了决策支撑，在推动复工复产、经济复苏等方面发挥了重要作用。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。