[发明专利]基于BP算法和SEIR模型的传染病预测方法

说明书

本发明公开了一种基于BP算法和SEIR模型的传染病预测方法，涉及传染病预测方法技术领域。本发明包括步骤一：SEIR模型预测易感者、感染者、潜伏者和康复人群数发展趋势，获取地市疫情历史数据、SEIR模型初始化参数、建立模型、预测结果，步骤二：基于神经网络对每日新增感染人数、感染者总数、新增死亡人数。本发明通过将所有人群进行具体划分：易感者、感染者、潜伏者和康复人群数，根据特定场景进行SEIR模型初始化参数，模型建立基于真实的传染病数据，更加趋势预测更加符合真实情况，针对不同子模型，作出预测，可视化图形显示，更加直观，通过SEIR模型，可以预测出指标量发展趋势，便于及时作出决策。

技术领域

本发明属于传染病预测方法技术领域，特别是涉及一种基于BP算法和SEIR模型的传染病预测方法。

背景技术

传染病是对人类社会存在威胁的全球公共卫生问题,传染病早期预警将大大降低传染病的社会经济危害，研究表明，SEIR传染病预测模型在流行病传染方面的研究效果良好，随着神经科学的不断发展，基于神经网络的深度学习逐渐运用到各行各业的预测，众多学者对此进行研究，并取得了良好的效果，本文基于SEIR模型、神经网络，构建疾病预测系统，传染病模型是研究传染病的传播速度、空间范围、传播途径、动力学机理等问题，以指导对传染病的有效地预防和控制，常见的传染病模型按照传染病类型分为SI、SIR、SIRS、SEIR模型等，按照传播机理又分为基于常微分方程、偏微分方程、网络动力学的不同类型，相比于以上经典的传染病数学模型，随着大数据、人工智能技术的发展，神经网络、循环神经网络、长短记忆网络逐渐应用于传染病预测领域，并取得良好的预测效果。

现有的传染病预测方法，大多不能进行可视化先是，不直观，不能预测出指标量的趋势。

发明内容

本发明的目的在于提供一种基于BP算法和SEIR模型的传染病预测方法，通过将所有人群进行具体划分：易感者、感染者、潜伏者和康复人群数，根据特定场景进行SEIR模型初始化参数，模型建立基于真实的传染病数据，更加趋势预测更加符合真实情况，基于SEIR模型，可以分成许多子模型：潜伏期人群是否有传染能力、潜伏期是否有时间限制、恢复健康者是否有抗体等，针对不同子模型，作出预测，可视化图形显示，更加直观，通过SEIR模型，可以预测出指标量发展趋势，便于及时作出决策，解决了上述现有技术中存在的问题。

为达上述目的，本发明是通过以下技术方案实现的：

一种基于BP算法和SEIR模型的传染病预测方法，包括步骤一：SEIR模型预测易感者、感染者、潜伏者和康复人群数发展趋势，获取地市疫情历史数据、SEIR模型初始化参数、建立模型、预测结果；

步骤二：基于神经网络对每日新增感染人数、感染者总数、新增死亡人数、死亡人数总数预测，获取数据、数据预处理、模型建立、模型训练、指标预测。

可选的，传染病预测系统包括两部分：后端部分与前端部分，后端部分负责数据采集、模型训练与预测，前端部分为结果显示。

可选的，获取地市疫情历史数据包括：易感者、感染者、潜伏者和康复人群数。

可选的，SEIR模型初始化参数包括：基本传染指数R0＝2.68、平均潜伏期为五天，潜伏期期间不会传染、健康人群平均恢复期为七天、检测能力经过若干天的逐步提高才能实现按需检测、防控措施采取以前是自由传播、确诊病人不会再感染新的病人、已经恢复的病人不会再感染、家庭内部不会采取隔离措施、平均家庭为四人。

可选的，建立模型包括：计算的参数值、带入SEIR模型，并与现有的数据结合进行模型参数调整，预测结果包括：根据模型，预测某地易感者、感染者、潜伏者和康复人群的发展趋势。