基于疫情拐点的预测方法技术

本发明专利技术公开了一种基于疫情拐点的预测方法，其包括获取疫情数据包；其中，数据包中包含的信息有：感染国家和/或省份的经纬度、感染时间、总人数、确诊人数、治愈人数和死亡人数。根据获取的疫情数据包，对疫情影响因子进行分析计算，得到因子综合得分，并构建疫情传播模型。通过线性方程对疫情传播模型进行计算分析，得到基本再生数，基本再生数表示为渐进的每代增长率；其中，若基本再生数小于1，则表示存在疫情拐点，若基本再生数大于1，则表示不存在疫情拐点。本申请提供了一种能够更加全面、准确且高效的预测疫情拐点的方法。高效的预测疫情拐点的方法。高效的预测疫情拐点的方法。

【技术实现步骤摘要】
基于疫情拐点的预测方法


[0001]本专利技术涉及传染病
，具体涉及一种基于疫情拐点的预测方法。

技术介绍

[0002]新型冠状病毒肺炎感染所引发的急性呼吸道传染病呈现传染性强的特点， 疫情在每个国家和/或地区的暴发进程中都需要一个可靠的预测，为防疫工作提 供科学参考，减少民众恐慌，降低对金融市场的不利影响。
[0003]自疫情爆发以来，多项研究基于传染病动力学模型和相关数据对疫情发展 进行分析，主要涉及的方法有基于数据建立病毒传播谱，对城市疫情发展进行 评估；利用最大似然法估算了COVID
‑
19在意大利及韩国的基本传染率并在早 期对疫情进行了预测；对韩国采取防控措施前后的基本传染数分别进行了估算， 并对意大利疫情做出分析；利用状态转移矩阵模型分析了韩国和意大利的疫情 发展。
[0004]也有研究对基本感染系数进行估算，对于疫情的防控，不同国家采取了不 同的措施，表现出不同的疫情发展趋势。例如，韩国在2月中下旬因大规模集 会等原因，COVID
‑
19确诊人数出现大幅增加，后续由于采取积极的防控措施， 疫情得到有效控制。
[0005]此外，美国、西班牙、法国、德国、英国等多个国家的病例确诊人数相继 呈现出激增态势，疫情防控形势严峻。疫情影响因子在对疫情拐点的分析起到 较大的作用，其疫情拐点是指传染病现存确诊病例总数达到峰值并开始下降的 状态，疫情拐点何时出现对于疫情应对、回归正常社会秩序等决策过程有重要 参考意义。因此，如何能够更加全面、准确且高效的预测疫情拐点的方式成为 研究重点。

技术实现思路

[0006]本专利技术的目的是提供一种基于疫情拐点的预测方法，以解决上述提到的问 题。
[0007]为解决上述技术问题，本专利技术提供一种基于疫情拐点的预测方法，其包括 获取疫情数据包；其中，数据包中包含的信息有：感染国家和/或省份的经纬度、 感染时间、总人数、确诊人数、治愈人数和死亡人数。
[0008]根据获取的疫情数据包，对疫情影响因子进行分析计算，得到因子综合得 分，并构建疫情传播模型。
[0009]通过线性方程对疫情传播模型进行计算分析，得到基本再生数，基本再生 数表示为渐进的每代增长率；其中，若基本再生数小于1，则表示存在疫情拐点， 若基本再生数大于1，则表示不存在疫情拐点。
[0010]进一步地，因子综合得分的具体分析步骤为：
[0011]建立各个国家与公共因子和特殊因子的关系式，具体为：X
T
＝AF+ε；
[0012]其中，F＝(F1，F2，...，F
m
)
T
，ε＝(ε1，ε2，ε3，ε4，ε5)
T
，A＝(a
ij
)
k*m
，A为a
ij
形成的矩阵， a
ij
是第i个变量在第j个因子上的负荷，代表第i个变量在第j个公共因子上的 系数，称为因子负荷量，k为国家数，F为公共因子，ε为特殊因子(特殊因子 具体指该每个国家不同于其
他国家的环境影响因子)，a
ij
为因子负荷量，m为 公共因子的个数，X
T
为X的转置矩阵，x
ij
为第i个国家的第j个指标的数值 (i＝1，2...n；j＝1，2，...，k)；记X＝(x
ij
)
n
×
k
＝(X1，X2，...，X
n
)；
[0013]对各个国家的样本相关系数矩阵R进行计算，得到样本相关系数矩阵 R的特征值和特征向量；样本相关系数矩阵R为：
[0014][0015]样本相关系数矩阵R的特征方程为：|R
‑
λI|＝0；
[0016]样本相关系数矩阵R的特征值λ
i
(λ1≥
…
≥λ
k
≥0)和对应的特征向量 μ
i
(i＝1，2，
…
，k)。
[0017]其中，R为对各个国家的样本相关系数矩阵，λ
i
(λ1≥
…
≥λ
k
≥0)为样本相关 系数矩阵R的特征值，μ
i
(i＝1，2，
…
，k)为样本相关系数矩阵R的特征值对应的特 征向量。
[0018]根据各个国家与公共因子和特殊因子的关系式以及样本相关系数矩阵R，分 析计算因子得分，因子得分为：F＝A
T
R
‑1X
T
；
[0019]因子综合得分D的公式为：
[0020]进一步地，因子综合得分公式中，需满足：
[0021](1).m≤k；
[0022](2).cov(F，ε)＝0，即公共因子与特殊因子是不相关的；
[0023](3).D(F)＝I
K
，即各公共因子不相关且方差为1；
[0024](4).即各个特殊因子不相关。
[0025]进一步地，疫情传播模型为：
[0026][0027]其中，S
(t)
，V
(t)
，E
(t)
，I
(t)
，R
(t)
，分别表示t时刻的易于被感染的人数S
(t)
，自身具备 抵抗能力的不易感人数V
(t)
，携带病毒但表现为无症状者的潜伏者E
(t)
，确证染病 者I
(t)
，痊愈者R
(t)
，B
(t)
表示t时刻环境中病毒的数量；人与人之间的接触传染率 为β，人与环境之间的传染率为α，各个因子自身抵抗效率为v，携带病毒者释放 到环境中病毒的速率为τ，潜伏
者变成染病的转移率为染病者变成痊 愈者的转移率为γ，μ为死亡率。
[0028]进一步地，在对疫情传播模型进行计算分析时，根据感染数据，进行数据 拟合，得到拟合函数，并对拟合函数进行求导，得到该数据的变化率。
[0029]进一步地，通过线性方程对疫情传播模型进行计算分析，使用下一代矩阵 法得到特征值，
[0030][0031]其中，F代表新染病的个体出现的概率，V是各个类型之间转移个体的概率， 人与人之间的接触传染率为β，人与环境之间的传染率为α，各个因子自身抵抗 效率为v，携带病毒者释放到环境中病毒的速率为τ，潜伏者变成染病的转移率为 δ，染病者变成痊愈者的转移率为γ，μ为死亡率。
[0032]并通过得到的下一代矩阵法得到特征值，分析计算疫情传播模型的基本再 生数，疫情传播模型的基本再生数为：
[0033][0034]其中，
[0035]进一步地，疫情传播模型的基本再生数R0为在一个环境中，若疾病流行开 始的时刻t满足cos(2πt/365)＝0，那么在此时刻引入的一个病人在其患病期内本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于疫情拐点的预测方法，其特征在于，包括以下步骤：S1.获取疫情数据包；其中，数据包中包含的信息有：感染国家和/或省份的经纬度、感染时间、总人数、确诊人数、治愈人数和死亡人数；S2.根据获取的疫情数据包，对疫情影响因子进行分析计算，得到因子综合得分，并构建疫情传播模型；S3.通过线性方程对疫情传播模型进行计算分析，得到基本再生数，基本再生数表示为渐进的每代增长率；其中，若基本再生数小于1，则表示存在疫情拐点，若基本再生数大于1，则表示不存在疫情拐点。2.根据权利要求1的基于疫情拐点的预测方法，其特征在于，步骤S2中，因子综合得分的具体分析步骤为：S21.建立各个国家与公共因子和特殊因子的关系式，具体为：X
T
＝AF+ε；其中，F＝(F1，F2，...，F
m
)
T
，ε＝(ε1，ε2，ε3，ε4，ε5)
T
，A＝(a
ij
)
k*m
，A为a
ij
形成的矩阵，a
ij
是第i个变量在第j个因子上的负荷，代表第i个变量在第j个公共因子上的系数，称为因子负荷量，k为国家数，F为公共因子，ε为特殊因子，a
ij
为因子负荷量，m为公共因子的个数，X
T
为X的转置矩阵，x
ij
为第i个国家的第j个指标的数值(i＝1，2...n；j＝1，2，...，k)；记X＝(x
ij
)
n
×
k
＝(X1，X2，...，X
n
)；S22.对各个国家的样本相关系数矩阵R进行计算，得到样本相关系数矩阵R的特征值和特征向量；样本相关系数矩阵R为：样本相关系数矩阵R的特征方程为：|R
‑
λI|＝0；样本相关系数矩阵R的特征值λ
i
(λ1≥
…
≥λ
k
≥0)和对应的特征向量μ
i
(i＝1，2，
…
，k)；其中，R为对各个国家的样本相关系数矩阵，λ
i
(λ1≥
…
≥λ
k
≥0)为样本相关系数矩阵R的特征值，μ
i
(i＝1，2，
…
，k)为样本相关系数矩阵R的特征值对应的特征向量；S23.根据各个国家与公共因子和特殊因子的关系式以及样本相关系数矩阵R，分析计算因子得分，因子得分为：F＝A
...

【专利技术属性】
技术研发人员：吴雪琴，严浩，李跃，武鑫林，
申请(专利权)人：电子科技大学成都学院，
类型：发明
国别省市：