[发明专利]一种时变再生数和序列间隔的联合估计方法、计算机及介质

权利要求书

1.一种时变再生数和序列间隔的联合估计方法，其特征在于，包括：

获取目标传染病的发病数时间序列，所述发病数时间序列为日增发病数的时间序列；

采用概率密度函数将序列间隔分布参数化，得到序列间隔分布模型；所述序列间隔分布模型中包含第一待估计参数；

采用插值方法将时变再生数参数化，得到时变再生数模型；所述时变再生数模型中包含第二待估计参数；

根据所述序列间隔分布模型和所述时变再生数模型，构建时变再生数和序列间隔分布的似然函数；

根据所述似然函数构建贝叶斯信息准则；

基于所述贝叶斯信息准则，根据所述序列间隔分布模型、所述时变再生数模型和所述发病数时间序列，求解待估计参数；所述待估计参数包括所述第一待估计参数和所述第二待估计参数；

根据待估计参数求解值，确定时变再生数和序列间隔分布。

2.根据权利要求1所述的时变再生数和序列间隔的联合估计方法，其特征在于，

所述采用概率密度函数将序列间隔分布参数化，具体包括：

采用Weibull分布概率密度函数、Lognormal分布概率密度函数、Gamm a分布概率密度函数以及Gauss分布概率密度函数中的至少两种对序列间隔分布进行参数化，得到多个序列间隔分布模型；

所述根据所述序列间隔分布模型和所述时变再生数模型，构建时变再生数和序列间隔分布的似然函数，具体包括：

基于每一序列间隔分布模型，分别构建时变再生数和序列间隔分布的似然函数，得到多个似然函数；

所述根据所述似然函数构建贝叶斯信息准则，具体包括：

根据每一所述似然函数，分别构建贝叶斯信息准则，得到多个贝叶斯信息准则；

所述根据待估计参数求解值，确定时变再生数和序列间隔分布，具体包括：

根据最小BIC(Bayesian Information Criterion)值对应的待估计参数求解值，确定时变再生数和序列间隔分布。

3.根据权利要求1所述的时变再生数和序列间隔的联合估计方法，其特征在于，所述序列间隔分布模型如下：

其中，p_i为第i天的序列间隔分布，i＝1,2,3，...，T-1，T为发病时间，ψ_i为第一中间参数，f(x|a,b)为概率密度函数，a,b为第一待估计参数。

4.根据权利要求1所述的时变再生数和序列间隔的联合估计方法，其特征在于，所述时变再生数模型如下：

其中，R_t为第t天的时变再生数，t＝1,2,3,...,T，ω_i为第二中间参数，d_i为第三中间参数，t_i，r_i，c为第二待估计参数，t_i≥0，r_i≥0，T≥2。

5.根据权利要求1所述的时变再生数和序列间隔的联合估计方法，其特征在于，所述似然函数表达如下：

其中，R_t为第t天的时变再生数，t＝1,2,3,...,T，R_τ为第τ天的时变再生数，N_τ第τ天的发病数，τ＝0,1,2，...，T，p_i为第i天的序列间隔分布，k∈t，t为发病时间，t＝0,1,2，...，T。

6.根据权利要求1所述的时变再生数和序列间隔的联合估计方法，其特征在于，根据所述似然函数构建贝叶斯信息准则，具体包括：

根据公式BIC＝-2lnL(R_t,p|N)+(2T+3)lnT计算所述序列间隔分布以及时变再生数的贝叶斯准则；

其中，L(R_t,p|N)为似然函数，R_t为第t天的时变再生数，t＝1,2,3,...,T。

7.根据权利要求1所述的时变再生数和序列间隔的联合估计方法，其特征在于，基于信赖域算法对所述第一待估计参数和所述第二待估计参数进行求解。