[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

本發明涉及人工智能預測領域，具體是一種基于神經網絡與SEIR模型的傳染病趨勢預測方法，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；該方法可使用較少的訓練數據，對傳染病疫情趨勢進行有效的自動動態實時預測，且預測過程無需人為干預。

技術領域

本發明涉及人工智能預測領域，具體是指一種基于神經網絡與SEIR模型的傳染病趨勢預測方法。

背景技術

對傳染病疫情的預測，近年來隨著機器學習的發展，預測方法可分為未使用機器學習方法的傳統方法和使用了機器學習的方法，傳統方法使用傳統的靜態傳染病數學模型（如：SIR模型、SEIR模型等）對疫情傳播情況進行建模和預測。

在傳統的傳染病疫情趨勢預測方法中，預測模型中的參數無法自適應，從而無法實現動態預測，且模型參數憑借經驗設置，人工干預的影響較大；在使用了機器學習的方法中，或是沒有考慮到數據中的時序信息，或是沒有對疫情中的各類人群進行總體把握，難以對疫情趨勢情況進行全面預測。

發明內容

基于以上問題，本發明提供了一種基于神經網絡與SEIR模型的傳染病趨勢預測方法，該方法可使用較少的訓練數據，對傳染病疫情趨勢進行有效的自動動態實時預測，且預測過程無需人為干預。

為解決以上技術問題，本發明采用的技術方案如下：

一種基于神經網絡與SEIR模型的傳染病趨勢預測方法，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。

進一步，所述步驟3中，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。

進一步，所述使用SoftPlus作為激活函數的公式為：，其中exp為非線性函數。

進一步，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。

進一步，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。

進一步，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。

進一步，所述步驟4中，選擇平均平方誤差作為訓練時的損失函數。