[发明专利]基于对数线性GAM的COVID-19分析预测模型

说明书

本发明公开了基于对数线性GAM的COVID‑19预测模型的构建方法，主要包括：收集、整理COVID‑19疫情流行病学影响因素；ArcGIS软件平台分析COVID‑19疫情爆发的时空变化特点；通过皮尔逊相关性分析的方法，对研究区域中的国家、地区的每日新增病例数和气象数据的关系进行分析，并使用ArcGIS对研究区域的相关系数进行可视化研究；广义相加模型(GAM)的建立；与只能分析环境和气象因素对流行病爆发和传播的影响的GWR模型不同，本发明综合考虑了可能影响COVID‑19传播的环境因素与社会因素，并通过相关性分析与可视化研究，能够对比分析不同因素对COVID‑19疫情传播的影响效果。

技术领域

本发明属于疾病预测模型构建技术领域，具体涉及一种基于对数线性GAM的COVID-19分析预测模型。

背景技术

分析肺炎病例的空间分布特征及其与气象、环境因素的关系，有助于理清病毒传播的外部环境，丰富对病毒传播的认识，制定合理的防控策略。

GWR(Geographically Weighted Regression)模型可以用于探索环境和气象因素对流行病爆发和传播的影响。GWR模型不同于全局回归。它产生局部回归结果，可以揭示参数的空间异质性，可以用来探索不同空间位置的自变量和因变量(即累计确诊病例)之间的关系。用GWR模型分析某段时间内某省累计确诊病例，结果表明，某省肺炎确诊病例没有明显的空间聚集性，而新确诊病例的下降和结束呈现出相对明显的负空间相关性。同时，GWR模型结果表明，环境和气象因素对COVID-19的发展影响不显著。

所以，在研究COVID-19的空间分布特征的问题上及其与气象、环境因素的关系，GWR模型并不能取得积极的效果。同时，病毒的传播与政府的政策管控，人口的密度与流动，环境卫生指数等一系列因素相关，这些因素也并不适合使用GWR模型进行分析。

发明内容

为了解决上述技术问题，本发明提供了一种基于对数线性GAM的COVID-19预测模型，与只能分析环境和气象因素对流行病爆发和传播的影响的GWR模型不同，本发明综合考虑了可能影响COVID-19传播的环境因素与社会因素，并通过相关性分析与可视化研究，能够对比分析不同因素对COVID-19传播的影响效果。

为了达到上述技术目的，本发明是通过以下技术方案实现的：一种基于对数线性GAM的COVID-19预测模型的构建方法，包括以下步骤：

S1：影响因素数据收集：收集并整理与COVID-19相关的气象数据、人口数据、政策管理数据、调研对象时空信息数据、地理数据；

S2：时空变化分析：基于COVID-19调研时空数据库，使用ArcGIS平台的标准差椭圆工具对COVID-19病例进行椭圆方向分析调查COVID-19爆发的方向趋势；

S3：皮尔逊相关性分析：对研究区域中的国家、地区的每日新增病例数和气象数据的关系进行分析，并使用ArcGIS对研究区域的相关系数进行可视化研究；其中，皮尔逊相关系数的表达形式如下：

其中，σ_X分别是X_i样本的标准分数、样本平均值和样本标准差；

S4：GAM模型建立：将政策管理指数和每日气候数据加入到GAM中，建立GAM模型如下：

log(y_it)＝α+βX_t+s(Country_i)+s(Policy_it)+s(Meteoro logy_it)

其中，log(y_it)是城市i在t日的对数变化后的每日肺炎新增病例数；α是截距，s(·)是非参数光滑函数。