[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

说明书

本发明公开了一种基于贝叶斯神经网络的疫情预测方法及装置，其中，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。在本发明实施例中，在实际疫情防控中，降低疫情预测成本，并且提供疫情跟踪调查效率。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于贝叶斯神经网络的疫情预测方法及装置。

背景技术

在疫情传播中，一个重要的问题是，如何通过现有的患者信息，迅速锁定其周围感染者的位置，进而最大限度的防控疫情，同时健康的易感者如何根据零散的患者信息，规划自己的行程也是亟待解决的问题。现有技术中可以依据社交网络模型，构建患者与健康易感者之间的传染社交网络模型，根据该模型可以模拟不同人感染状态的变化，但是并不能基于该网络预测不同易感者的患病时间，进而进行有效的封堵和防控。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于贝叶斯神经网络的疫情预测方法及装置，在实际疫情防控中，降低疫情预测成本，并且提供疫情跟踪调查效率；同时可以预测相关的高风险人群在各个时间节点患病概率数据，从而进行有效的封堵和防控。

为了解决上述技术问题，本发明实施例提供了一种基于贝叶斯神经网络的疫情预测方法，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。

可选的，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。

可选的，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。

可选的，所述第一贝叶斯全连接层和所述第二贝叶斯全连接层的参数均服从正太分布。

可选的，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。

可选的，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：