[发明专利]一种基于贝叶斯神经网络的疫情预测方法及装置

权利要求书

1.一种基于贝叶斯神经网络的疫情预测方法，其特征在于，所述方法包括：

基于疫情防控中不同患者的患病时间节点及不同患者之间的流行病学调查所得的接触网络构建患者用户数据集；

构建贝叶斯神经网络模型，利用所述患者用户数据集对所述贝叶斯神经网络模型进行训练，获得收敛的贝叶斯神经网络模型；

获得待预测用户的预设时间段内的用户接触网络，并形成待预测数据；

将所述待预测数据输入收敛的贝叶斯神经网络模型中，输出待预测用户的在各个时间节点患病概率数据。

2.根据权利要求1所述的疫情预测方法，其特征在于，所述基于疫情防控中不同患者的患病时间节点及不同患者之间的流行病学调查所得的接触网络构建患者用户数据集，包括：

基于疫情防控中不同患者的患病时间节点，以及不同患者彼此之间的流行病学调查所得的接触网络作为训练所需要的数据和网络数据，形成患者用户数据集。

3.根据权利要求1所述的疫情预测方法，其特征在于，所述贝叶斯神经网络模型包括核函数层、第一贝叶斯全连接层、第二贝叶斯全连接层、激活层及输出层；

所述构建贝叶斯神经网络模型，包括：

以所述核函数层为输入层，依次连接所述第一贝叶斯全连接层、所述第二贝叶斯全连接层、所述激活层及所述输出层，形成所述贝叶斯神经网络模型。

4.根据权利要求3所述的疫情预测方法，其特征在于，所述第一贝叶斯全连接层和所述第二贝叶斯全连接层均的参数均服从正太分布。

5.根据权利要求3所述的疫情预测方法，其特征在于，所述核函数层的核函数如下：

其中，Kernel_i表示第i个核函数；表示邻接矩阵的第i次方的第p列；h_p表示节点的染病时间和染病状态的2×n矩阵，其中，未染病时间为0；染病状态为未染病0、无症状染病1、患病2、痊愈3；W_j，i表示从可学分布N(μ_j，i，∑_j，i)中抽取的权重，i表示第i个核函数中的参数，j表示在核函数中的第j个权重矩阵，j取值为1、2、3。

6.根据权利要求1所述的疫情预测方法，其特征在于，所述贝叶斯神经网络模型的损失函数为依据贝叶斯公式推导形成的损失函数，如下：

其中，d_KL表示KL离散的分布距离；q和p均为分布函数；W⁽ⁱ⁾表示第i次采样的权重。

7.根据权利要求6所述的疫情预测方法，其特征在于，所述贝叶斯神经网络模型的损失函数依据贝叶斯公式推导的过程如下：

令贝叶斯神经网络模型为f(x)，贝叶斯神经网络模型相关的可学参数集合θ，D为学习的数据，w为θ生成分布中的抽取参数，p和q为分布函数；

则所需逼近分布为p(f(w)|D)＝p(w|D)；

由于贝叶斯神经网络模型可计算分布为q(f(w)|θ)＝q(w|θ)，因此套用计算分布距离的KL散度，则有：

d_KL[q(w|θ)||p(w|D)]＝∫q(w|θ)log(q(w|θ)/p(w|D))dw；

由贝叶斯公式可以得到：

d_KL[q(w|θ)||p(w|D)]＝∫q(w|θ)log(q(w|θ)/p(w)/p(D|w))dw；

进一步可以得到：

d_KL[q(w|θ)||p(w|D)]＝∫q(w|θ)log(q(w|θ)/p(w))dw-∫q(w|θ)logp(D|w)dw；

取特殊的分布，w～με+∑，其中ε抽取于0，1正太分布，进而根据蒙特卡洛原理，并将近似公式q(w|θ)dw＝q(ε)dε带入d_KL，即可得到所述损失函数。