一种基于隐马尔科夫模型的传染病预测方法、系统和介质技术方案

本发明专利技术涉及一种基于隐马尔科夫模型的传染病预测方法、系统和介质，包括：S1生成气象水文观测序列和传染病爆发状态序列；S2对气象水文观测序列进行预处理以生成训练样本集，并将其中样本按照样本特征分为若干样本特征区间；S3根据样本特征、样本特征区间和传染病爆发状态序列计算观测概率矩阵和爆发状态转移概率矩阵；S4根据气象水文观测序列、传染病爆发状态序列、观测概率矩阵、爆发状态转移概率矩阵和初始状态概率分布生成隐马尔科夫模型；S5根据历史的气象水文观测序列预测将来某时刻的气象水文序列，并将预测的气象水文序列带入隐马尔科夫模型对传染病爆发状态进行预测。其具有计算速度快、准确性高、样本数据易于获取的特点。特点。特点。

【技术实现步骤摘要】
一种基于隐马尔科夫模型的传染病预测方法、系统和介质


[0001]本专利技术涉及一种基于隐马尔科夫模型的传染病预测方法、系统和介质，属于人工 智能智慧医疗


技术介绍

[0002]传染病的暴发对社会秩序的安定和人类的健康产生了一定的影响。在传染病的流 行规律进行分析的基础上，用科学方法对传染病的流行趋势做出预测，可以对传染病 进行有效的主动预防与控制。传染病预测方法主要分为定性预测和定量预测，为保证 预测结果的准确性，需根据所预测传染病的预测目的、流行病学特征和资料特点等因 素合理选择，如预测某种传染病的发病率在未来是否会上升或下降，可选择定性预测 方法；如预测未来的流行趋势，则选择定量预测方法。
[0003]定性预测是通过对当地传染病的流行过程、流行特征及其有关因素的具体分析， 判断该病即将流行的趋势和强度。研究方法主要包括流行控制图法、比数图法和“Z
‑ꢀ
D”现象等。定量预测是利用原始资料，建立恰当的数学模型，预测未来传染病的发病 情况。目前应用于传染病预测研究的数学模型较多，一类是基于动力学的微分方程模 型，该模型适用于自然发展过程中传染病，在人为的防控作用下，预测值与实际情况 相差甚大；一类是结合发病率影响因素的多元回归分析、人工神经网络模型和小波模 型等，此类方法在使用过程中对训练样本是否有代表性具有较高的要求，故不同的地 区、病种和时间的模型都需要根据具体情况进行调整，由于其分析的复杂性，局限了 此类方法的推广和应用。

技术实现思路

[0004]针对上述问题，本专利技术的目的是提供了一种基于隐马尔科夫模型的传染病预测方 法、系统和介质，其具有计算速度快、准确性高、样本数据易于获取的特点。
[0005]为实现上述目的，本专利技术采取以下技术方案：一种基于隐马尔科夫模型的传染病 预测方法，包括以下步骤：S1采集气象水文信息，生成气象水文观测序列和传染病爆 发状态序列；S2对气象水文观测序列进行预处理以生成训练样本集，并将训练样本集 中的样本按照样本特征分为若干样本特征区间；S3根据样本特征、样本特征区间和传 染病爆发状态序列计算观测概率矩阵和爆发状态转移概率矩阵；S4根据气象水文观测 序列、传染病爆发状态序列、观测概率矩阵、爆发状态转移概率矩阵和初始状态概率 分布生成隐马尔科夫模型；S5根据历史的气象水文观测序列预测将来某时刻的气象水 文序列，并将预测的气象水文序列带入隐马尔科夫模型对传染病爆发状态进行预测。
[0006]进一步，步骤S1中气象水文信息包括：降雨量RF、平均风速AW、平均气温AT、 平均最高气温HT、平均最低气温LT、平均气压AP、平均相对湿度ARH和日照时数SH。
[0007]进一步，步骤S1中传染病爆发状态序列包括：未爆发、局部爆发和大面积爆发。
[0008]进一步，步骤S2中将样本按照样本特征分为若干样本特征区间的方法为：将经过 预处理的训练样本集中样本特征值j按照升序排列，若相邻样本的特征值之差小于预 设门
限ε
j
，则这两个样本属于同一特征区间，若相邻样本的特征值之差大于等于
‑
预设 门限ε
j
，则创建一新的特征区间。
[0009]进一步，步骤S3中观测概率矩阵的计算方法为：根据落入区间[b
′
j
,b
″
j
]d
的样本个 数和总的样本个数|O
j
′
|计算样本落入区间[b
′
j
,b
″
j
]d
的概率pl
j
(k,d)：
[0010][0011]样本特征j的观测概率矩阵B
j
为B
j
＝{pl
j
(k,d)|1≤k≤r,1≤d≤r
′
j
}，其中，k 表示样本特征j的状态序列编号，d表示样本特征区间的序号，b
′
j
表示样本特征区间 最小值，b
″
j
表示样本特征区间最大值，r表示样本特征j的状态总数，r
′
j
表示样本特征 j的特征区间总数。
[0012]进一步，步骤S3中爆发状态转移概率矩阵的计算方法为：根据传染病爆发序列 S，采用a
kl
表示t时刻处于状态s
k
、t+1时刻转移到状态s
l
的概率，用N
kl
表示t时刻处 于状态s
k
、t+1时刻转移到状态s
l
的频次，利用极大似然估计法，则有
[0013][0014]状态转移概率矩阵A为A＝{a
kl
|1≤k≤r,1≤l≤r}，其中，k和l均为状态序列编号。
[0015]进一步，步骤S5中根据历史的气象水文观测序列预测将来某时刻的气象水文序 列的方法为：对气象水文观测序列O按照样本特征j按月进行样本的数据预处理，得到 历年第t个月样本特征j对应的训练样本集O
′
tj
＝{V
′
tj
(i)|1≤i≤m}，利用马尔科夫模型对 训练样本集O
′
tj
进行学习，获取m+1年第t个月样本特征j的预测值V"
tj
(m+1)，将其与第 j类样本特征区间集合中的样本特征区间进行比较，获知预测值V"
tj
(m+1)所属的样本特 征区间[b
′
j
,b"
j
]d
。
[0016]进一步，步骤S5中预测传染病爆发状态的预测方法为：基于隐马尔科夫模型 H
ID
＝{O,S,A,B,π}，根据Viterbi算法，对预测的气象水文序列O"进行传染病暴发状态 预测
[0017]本专利技术还公开了一种基于隐马尔科夫模型的传染病预测系统，包括：序列采集模 块，用于采集气象水文信息，生成气象水文观测序列和传染病爆发状态序列；训练样 本生成模块，用于对气象水文观测序列进行预处理以生成训练样本集，并将训练样本 集中的样本按照样本特征分为若干样本特征区间；矩阵计算模块，用于根据样本特征、 样本特征区间和传染病爆发状态序列计算观测概率矩阵和爆发状态转移概率矩阵；模 型生成模块，用于根据气象水文观测序列、传染病爆发状态序列、观测概率矩阵、爆 发状态转移概率矩阵和初始状态概率分布生成隐马尔科夫模型；传染病预测模块，用 于根据历史的气象水文观测序列预测将来某时刻的气象水文序列，并将预测的气象水 文序列带入隐马尔科夫模型对传染病爆发状态进行预测。
[0018]本专利技术还公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机 程序，计算机程序被处理器执行以实现上述任一项的基于隐马尔科夫模型的传染病预 测
方法。
[0019]本专利技术由于采取以上技术方案，其具有以下优点：
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于隐马尔科夫模型的传染病预测方法，其特征在于，包括以下步骤：S1采集气象水文信息，生成气象水文观测序列和传染病爆发状态序列；S2对所述气象水文观测序列进行预处理以生成训练样本集，并将训练样本集中的样本按照样本特征分为若干样本特征区间；S3根据所述样本特征、所述样本特征区间和传染病爆发状态序列计算观测概率矩阵和爆发状态转移概率矩阵；S4根据所述气象水文观测序列、传染病爆发状态序列、观测概率矩阵、爆发状态转移概率矩阵和初始状态概率分布生成隐马尔科夫模型；S5根据历史的气象水文观测序列预测将来某时刻的气象水文序列，并将预测的所述气象水文序列带入所述隐马尔科夫模型对传染病爆发状态进行预测。2.如权利要求1所述的基于隐马尔科夫模型的传染病预测方法，其特征在于，所述步骤S1中所述气象水文信息包括：降雨量RF、平均风速AW、平均气温AT、平均最高气温HT、平均最低气温LT、平均气压AP、平均相对湿度ARH和日照时数SH。3.如权利要求1所述的基于隐马尔科夫模型的传染病预测方法，其特征在于，所述步骤S1中所述传染病爆发状态序列包括：未爆发、局部爆发和大面积爆发。4.如权利要求1
‑
3任一项所述的基于隐马尔科夫模型的传染病预测方法，其特征在于，所述步骤S2中将样本按照样本特征分为若干样本特征区间的方法为：将经过预处理的训练样本集中样本特征值j按照升序排列，若相邻样本的特征值之差小于预设门限ε
j
，则这两个样本属于同一特征区间，若相邻样本的特征值之差大于等于
‑
预设门限ε
j
，则创建一新的特征区间。5.如权利要求1
‑
3任一项所述的基于隐马尔科夫模型的传染病预测方法，其特征在于，所述步骤S3中观测概率矩阵的计算方法为：根据落入区间[b
′
j
，b
″
j
]
d
的样本个数和总的样本个数|O
j
′
|计算样本落入区间[b
′
j
，b
″
j
]
d
的概率pl
j
(k，d)：样本特征j的观测概率矩阵B
j
为B
j
＝{pl
j
(k，d)|1≤k≤r，1≤d≤r
j
′
}，其中，k表示样本特征j的状态序列编号，d表示样本特征区间的序号，b
′
j
表示样本特征区间最小值，b
″
j
表示样本特征区间最大值，r表示样本特征j的状态总数，r
j
′
表示样本特征j的特征区间总数。6.如权利要求1
‑
3任一项所述的基于隐马尔科夫模型的传染病预测方法，其特征在于，所述步骤...

【专利技术属性】
技术研发人员：方立群，刘玮，徐强，陈津津，蒋宝贵，张海洋，周士夏，
申请(专利权)人：中国人民解放军军事科学院军事医学研究院，
类型：发明
国别省市：