[發明專利]一種基于神經網絡與SEIR模型的傳染病趨勢預測方法

在審

• 申請號: 202110658591.1
• 申請日: 2021-06-15
• 公開（公告）號: CN113113155A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 王建勇;章毅;甘雨;吳雨;龐博;吳宇杭
• 申請（專利權）人: 四川大學
• 主分類號: G16H50/80
• 分類號: G16H50/80;G06N3/04;G06N3/08
• 代理公司: 成都弘毅天承知識產權代理有限公司 51230
• 代理人: 孟仕杰

1.一種基于神經網絡與SEIR模型的傳染病趨勢預測方法，其特征在于，包括如下步驟：

步驟1、獲取數據集；

步驟2、數據預處理；

步驟3、構建由病毒傳染率預測模塊和疫情趨勢預測模塊構成的疫情趨勢預測模型；

步驟4、使用步驟2預處理的數據對疫情趨勢預測模型進行訓練，同時設置疫情趨勢預測模型的損失函數和模型參數更新方式；

步驟5、利用步驟1～步驟4訓練好的疫情趨勢預測模型對疫情趨勢進行預測。

2.根據權利要求1所述的一種基于神經網絡與SEIR模型的傳染病趨勢預測方法，其特征在于：所述步驟3中，將預處理后的數據輸入病毒傳染率預測模塊，并先后經過一個LSTM層、一個全連接層和一個非線性變換層，LSTM層將含有時序信息的特征輸出，隨后全連接層對特征進行整合，使用SoftPlus作為激活函數，最后輸出預測某時刻確診患者和潛伏期患者的病毒傳染率。

3.根據權利要求2所述的一種基于神經網絡與SEIR模型的傳染病趨勢預測方法，其特征在于：所述使用SoftPlus作為激活函數的公式為：，其中exp為非線性函數。

4.根據權利要求3所述的一種基于神經網絡與SEIR模型的傳染病趨勢預測方法，其特征在于：所述步驟3中，預測某時刻確診患者和潛伏期患者的病毒傳染率的公式為：

，

其中，表示確診患者的病毒傳染率，表示潛伏期患者的病毒傳染率，表示時刻確診患者的病毒傳染率，表示時刻潛伏期患者的病毒傳染率，表示時刻病毒傳染率的縮放比例，表示時刻疫情防控措施的強度，表示時刻潛伏期患者的病毒傳染率相較于確診患者的病毒傳染率的倍數。

5.根據權利要求2所述的一種基于神經網絡與SEIR模型的傳染病趨勢預測方法，其特征在于：所述步驟3中，將病毒傳染率預測模塊的輸出結果輸入疫情趨勢預測模塊，并經過一個SEIR模型層，輸出對疫情趨勢的預測。

6.根據權利要求5所述的一種基于神經網絡與SEIR模型的傳染病趨勢預測方法，其特征在于：所述步驟3中，疫情趨勢的預測公式如下：

，

其中，表示未被感染的人數，表示潛伏期患者人數，表示確診患者人數，表示病毒移除者人數，表示在時刻時未被感染的人數，表示在時刻時潛伏期患者人數，表示在時刻時確診患者人數，表示在時刻時病毒移除者人數，表示確診患者的病毒傳染率，表示潛伏期患者的病毒傳染率，表示潛伏期患者轉化為確診患者的概率，表示確診患者轉化為病毒移除者的概率，、、、分別表示時刻、、、的預測值，，表示人口總數。

7.根據權利要求1所述的一種基于神經網絡與SEIR模型的傳染病趨勢預測方法，其特征在于：所述步驟4中，選擇平均平方誤差作為訓練時的損失函數。

8.根據權利要求1所述的一種基于神經網絡與SEIR模型的傳染病趨勢預測方法，其特征在于：所述步驟4中，模型參數更新方式設置為學習率為0.005，一個完整的訓練集為一個學習批次，學習迭代總次數為5000，網絡訓練過程針對每一個學習批次進行一次參數更新，根據疫情趨勢預測模塊輸出與真實標簽計算學習誤差，并采用BP算法利用誤差對網絡參數進行更新，每一次迭代學習完成后，疫情趨勢預測模型都會計算當前的預測誤差并與歷史最小誤差作比較，若當前預測誤差小于歷史最小誤差，則保存當前疫情趨勢預測模型，并將歷史最小誤差更新為當前誤差，之后繼續訓練，直到達到學習迭代總次數。