一种对未知新型病毒发展趋势的预测方法

摘要

本发明公开了一种对未知新型病毒发展趋势的预测方法，属于流行病传播与控制技术领域。其包括以下步骤：整理数据、数据划分、数据建模、模型预测、输出结果；本发明的有益效果是：本发明对未知新型病毒发展趋势的预测方法，根据疫情不同的发展阶段进行建模回归分析，解决了模型缺乏针对性的问题；随着每天更新的数据进行模型迭代，实现了与实际情况的对比与矫正，保证了对传染病发展趋势预测与估算的准确性。

说明书

技术领域

本发明涉及一种对未知新型病毒发展趋势的预测方法，属于流行病传播与控制技术领域。

背景技术

传染病对人类的影响一致就备受关注，2003年的SARS、2005年的禽流感、 2008年的手足口病以及2009年的甲型H1N1流感等最近几年出现的新型传染病，其造成的后果，除了直接人员伤亡和巨额医疗费用外，对经济的间接影响、对民众心理和社会安定的危害都是非常严重的。

传染病疫情的开始、爆发和控制过程，均遵循相应的客观规律，对其演变过程进行科学的预测，是决策部门正确判断形势、做出恰当反应的重要环节。

目前，对传染病发展趋势的预测与估算，大都基于或滞后或片面的信息，缺乏可靠性针对性的模型基础，有的对于数据处理并没有与实际情况对比分析与矫正，因此各种预测结论不但相差巨大甚至相互矛盾。

发明内容

本发明所要解决的技术问题在于：提供一种对未知新型病毒发展趋势的预测方法，它解决了现有技术中对传染病发展趋势的预测与估算，由于是基于或滞后或片面的信息，缺乏可靠性针对性的模型基础，导致预测结论不准确的问题。

本发明所要解决的技术问题采取以下技术方案来实现：

一种对未知新型病毒发展趋势的预测方法，包括以下步骤：

S1：整理数据；根据病毒从第1天至第n天的实际传播数据，按照“时间”、“实际疑似人数”、“实际确诊人数”进行数据整理；

S2：数据划分；以“时间”为横轴，分别以“实际疑似人数”、“实际确诊人数”为纵轴，随着时间推移，根据S1中的实际数据绘制散点/平滑曲线；

S3：数据建模；按照S2中所绘制的散点/平滑曲线，根据当期疫情发展确定对应的时间阶段，按照各阶段对应的数据分布特点分别建立指数递增回归模型、多项式回归模型、指数递减回归模型；用R

S4：模型预测；利用S3中建立的数据模型，预测未来三天的“确诊人数”和“疑似人数”；

S5：输出结果；将预测的数据以可视化的方式输出到展示端。

本发明的有益效果是：本发明对未知新型病毒发展趋势的预测方法，根据病毒从第1天至第n天的实际传播数据以及疫情不同的发展阶段进行建模回归分析，解决了模型缺乏针对性的问题；随着每天更新的数据进行模型迭代，实现了与实际情况的对比与矫正，保证了对传染病发展趋势预测与估算的准确性。

附图说明

图1为本发明的步骤流程示意图；

图2为不同时间阶段全国现存确诊人数曲线；

图3为不同时间阶段全国疑似感染人数曲线；

图4为本发明预测数据和实际数据的对比趋势图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例：

图1为本发明的步骤流程示意图，如图1所示，本发明一种对未知新型病毒发展趋势的预测方法，包括以下步骤和具体实现过程：

如图2所示为2020年1月10日至2020年3月10之间全国新冠肺炎确诊人数，如图3所示为2020年1月10日至2020年3月10之间全国新冠肺炎疑似人数。

S1：整理数据；根据新型冠状病毒从2020年1月10日至2020年3月10 日的实际传播数据，按照“时间”、“实际疑似人数”、“实际确诊人数”进行数据整理；

S2：数据划分；以“时间”为横轴，分别以“实际疑似人数”、“实际确诊人数”为纵轴，随着时间推移，根据S1中的实际数据绘制散点/平滑曲线；

S3：数据建模；按照S2中所绘制的散点/平滑曲线，根据当期疫情发展确定对应的时间阶段，按照时间阶段划分数据；根据传染病传播机理，预测疫情会出现以下发展趋势：

(1)在疫情爆发初期，由于正值春节，人流动性强，同时各地还未出台有效防控政策，此阶段现存确诊病例和现有疑似病例呈指数增长；

(2)随着各地防控政策的出台、管控力度的加大，此阶段现存确诊病例和现有疑似病例由增长放缓发展为缓慢减少，服从多项式分布；

(3)由于有效的治疗方式的干预以及严格的防控政策的持续，此阶段现存确诊病例和现有疑似病例减少速度增加，呈指数减少。

按照各阶段对应的数据分布特点分别建立指数递增回归模型、多项式回归模型、指数递减回归模型(多项式回归是指研究一个因变量与一个或多个自变量间多项式的回归分析方法；多项式回归的最大优点就是可以通过增加x的高次项对实测点进行逼近，直至满意为止。其中指数递增回归模型与指数递减回归模型都属于指数自回归模型，指数自回归模型是一种非线性模型。)；用R

全国现存确诊人数：

2020.01.10-2020.02.04，疫情发展服从指数增长。基于该阶段的数据进行建模分析、预测；2020.02.04-2020.02.26，疫情发展服从多项式分布。基于该阶段的数据进行建模分析、预测；同时，从2月18日开始，每天将国家卫生健康委发布的最新数据添加到数据集训练，更新模型；

2020.02.26-2020.03.09，疫情发展服从指数减少。基于该阶段的数据进行建模分析、预测；同时，从2月18日开始，每天将国家卫生健康委发布的最新数据添加到数据集训练，更新模型；

全国现存疑似人数：

2020.01.10-2020.01.30，疫情发展服从指数增长。基于该阶段的数据进行建模分析、预测；

2020.01.30-2020.02.08，疫情发展服从多项式分布。基于该阶段的数据进行建模分析、预测；同时，从2月18日开始，每天将国家卫生健康委发布的最新数据添加到数据集训练，更新模型；

2020.02.08-2020.03.09，疫情发展服从指数减少。基于该阶段的数据进行建模分析、预测；同时，从2月18日开始，每天将国家卫生健康委发布的最新数据添加到数据集训练，更新模型；

S4：模型预测；利用S3中建立的数据模型，预测未来三天的“确诊人数”和“疑似人数”；

S5：输出结果；将预测的数据以可视化的方式输出到展示端，如图4所示为采用本发明方法预测出来的全国新冠肺炎预测趋势图。

本发明对未知新型病毒发展趋势的预测方法，根据疫情不同的发展阶段进行建模回归分析，解决了模型缺乏针对性的问题；随着每天更新的数据进行模型迭代，实现了与实际情况的对比与矫正，保证了对传染病发展趋势预测与估算的准确性。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。