一种流行病趋势预测方法及系统与流程

1.本发明涉及趋势预测技术领域，特别是涉及一种流行病趋势预测方法及系统。


背景技术：

2.流行性疾病一直是人类最大的敌人，每次重大流行病如天花、霍乱、鼠疫、流感、新冠的爆发都给社会带来了毁灭性的灾难。因此准确预测疾病的流行趋势，为政府和个人提供防控的数据依据显得尤为重要。
3.在流行病的研究中mckendrick和kermack提出的sir模型是一个里程碑式的成果，为后续的研究奠定了坚实的基础。
4.sir模型建立了易感染个体(s)、感染个体(i)和恢复个体(r)随时间的变化关系，理论上使用历史数据可以拟合得到相对准确的模型参数，进而对未来该疾病的流行提供预测依据。但在实际中会遇到以下两个困难：
5.1)对于未被建模的流行病，无法使用sir做预测；
6.2)即使已被建模，在新一次的疾病爆发过程中也很难准确获得不同时间的易感染个体数量、感染个体数量和恢复个体数量。
7.理想情况下在疫情一开始蔓延的时候通过行政力量实现不同时刻的感染、恢复人数统计是最准确的。但正如新冠疫情一样，其所耗费的社会资源太大，如果对所有流行病都采用这种方式，很显然是不可持续的。
8.因此，提供一种能为预测流行病趋势提高预测精度的流行病趋势预测方法及系统本领域技术人员亟待解决的问题。


技术实现要素：

9.本发明的目的在于提供一种流行病趋势预测方法及系统，该方法逻辑清晰，安全、有效、可靠且操作简便，能解决预测结果精度不准以及存在某些情况的流行病预测结果缺失的技术问题。
10.基于以上目的，本发明提供的技术方案如下：
11.一种流行病趋势预测方法，包括如下步骤：
12.根据用户的基本信息，给定用户的流行病权重；
13.按预设规则更新用户的所述流行病权重，并根据更新后的流行病权重获取用户所在区域的预警分数；
14.当所述预警分数大于预设预警阈值时，判断预设的趋势预测模型是否已建模所述流行病；
15.若是，则对已建模的所述流行病输出感染趋势定量预测，并修正所述趋势预测模型；
16.若否，则对未建模的所述流行病输出感染趋势定性预测，并拟合所述趋势预测模型。
17.优选地，所述根据用户的基本信息，给定所述用户的流行病权重，包括如下步骤：
18.根据对话系统获取用户的所述基本信息；
19.根据专家系统与用户的所述基本信息，判断用户疾病是否属于所述流行病；
20.若是，则根据用户的所述基本信息确定用户的所述流行病权重的取值；
21.其中，用户的所述基本信息具体为：用户id、问诊时间、地址和症状。
22.优选地，所述若是，则根据用户的所述基本信息确定用户的所述流行病权重的取值，包括如下步骤：
23.根据用户的地址获取用户所在区域；
24.统计并获取用户所在区域的同种疾病数据；
25.根据所述用户所在区域的同种疾病数据确定用户的所述流行病权重的取值。
26.优选地，所述预设规则，具体为第一公式，如下：
[0027][0028]
其中，w'
id
是用户id本次问诊得到的流行病权重，w
id
为更新后的流行病权重，t是本次问诊与上一次问诊的时间间隔，λ和δ均为权重更新系数。
[0029]
优选地，所述根据更新后的流行病权重获取用户所在区域的预警分数，包括如下步骤：
[0030]
获取用户所在区域的总人数；
[0031]
预设统计周期；
[0032]
在每个统计周期内，根据更新后的流行病权重和所述用户所在区域的总人数获取用户所在区域的预警分数；
[0033]
所述根据更新后的流行病权重和所述用户所在区域的总人数获取用户所在区域的预警分数，具体为第二公式，如下：
[0034][0035]
其中，s
area
为用户所在区域的预警分数，w
id
为更新后的流行病权重，n为用户所在区域的总人数。
[0036]
优选地，所述预设的趋势预测模型，具体为第三公式，如下：
[0037][0038]
其中，s为易感染个体、i为感染个体、r为恢复个体；为易感染个体的变化速率，β为接触率，γ为恢复率。
[0039]
优选地，所述若是，则对已建模的所述流行病输出感染趋势定量预测，包括如下步骤：
[0040]
若所述流行病已建模，则获取流行病的接触率和流行病的恢复率；
[0041]
定义在当前时刻t＝0时，易感染个体为用户所在区域的总人数，则在当前时刻t＝t时，预测感染个体数量，具体为第四公式，如下：
[0042][0043]
其中，s
t
为预测当前时刻t的易感染个体，i
t
为预测当前时刻t的感染个体。
[0044]
优选地，所述修正所述趋势预测模型，包括如下步骤：
[0045]
计算获取所述感染个体和所述预测的感染个体之间的第一误差平方和，具体为第五公式，如下：
[0046][0047]
其中，δ
sse
为第一误差平方和，ii为预测的感染个体，ii′
为感染个体；
[0048]
调整所述流行病的接触率和所述流行病的恢复率，以使得所述第一误差平方和最小。
[0049]
优选地，所述若否，则对未建模的所述流行病输出感染趋势定性预测，并拟合所述趋势预测模型，包括如下步骤：
[0050]
若所述流行病未建模，则统计当前时刻的所述用户所在区域的感染个体；
[0051]
根据所述第四公式中的易感染个体和感染个体拟合所述预设的趋势预测模型，以获取预测的感染个体；
[0052]
根据所述第五公式、所述预测的感染个体与当前时刻的所述用户所在区域的感染个体获取第二误差平方和；
[0053]
判断所述第二误差平方和是否小于预设误差阈值，若是，则定义预设的趋势预测模型已建模所述流行病。
[0054]
一种流行病趋势预测系统，包括：
[0055]
权重模块，用于根据用户的基本信息，给定用户的流行病权重；
[0056]
更新模块，用于按预设规则更新用户的所述流行病权重；
[0057]
预警分数模块，用于根据更新后的流行病权重获取用户所在区域的预警分数；
[0058]
判断模块，用于当所述预警分数大于预设预警阈值时，判断预设的趋势预测模型是否已建模所述流行病；
[0059]
定量预测与修正模块，用于若判断结果为是，则对已建模的所述流行病输出感染趋势定量预测，并修正所述趋势预测模型；
[0060]
定性预测与拟合模块，用于若判断结果为否，则对未建模的所述流行病输出感染趋势定性预测，并拟合所述趋势预测模型。
[0061]
本发明所提供的流行病趋势预测方法，是通过采集用户的基本信息，根据用户的基本信息，给定该用户的流行病权重；根据预设的规则对该用户的流行病权重进行更新，在更新完毕后，根据更新后的流行病权重以及该用户的基本信息计算获取用户所在区域的预警分数；当用户所在区域的预警分数大于预设的预警阈值时，判断所预设的趋势预测模型中是否对该流行病已建模；若该流行病已建模，则通过趋势预测模型输出感染趋势定量预测结果，并对趋势预测模型进行修正；若该流行病未建模，则通过趋势预测模型输出感染趋
势定性预测结果，并对趋势预测模型进行拟合。
[0062]
本发明通过采集用户的基本信息，以该基本信息为基础给定用户的流行病权重，且根据预设规则对该流行病权重进行了更新，再根据更新后的流行病权重计算获取用户所在区域的预警分数。且本发明对未建模的流行病输出感染趋势定性分析，同时拟合趋势预测模型，解决了相应的预测结果缺失的技术问题。
[0063]
相比于现有技术，给定的流行病权重是基于用户的基本信息所设定的，初始数据准确；且流行病权重并非一成不变的，而是可以随时更新的，所得到的预警分数，以及最后得出的感染趋势预测结果也更为准确。
[0064]
本发明还提供了一种流行病趋势预测系统，由于该系统与该方法解决相同的技术问题，属于相同的技术构思，理应具有相同的有益效果，在此不再赘述。
附图说明
[0065]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0066]
图1为本发明实施例提供的一种流行病趋势预测方法的流程图；
[0067]
图2为本发明实施例提供的步骤s1的流程图；
[0068]
图3为本发明实施例提供的步骤a3的流程图；
[0069]
图4为本发明实施例提供的步骤s2中获取用户所在区域的预警分数的流程图；
[0070]
图5为本发明实施例提供的步骤s32的流程图；
[0071]
图6为本发明实施例提供的一种流行病趋势预测系统的结构示意图。
具体实施方式
[0072]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0073]
本发明实施例采用递进的方式撰写。
[0074]
本发明实施例提供了一种流行病趋势预测方法及系统。主要解决现有技术中，预测结果精度不准以及存在某些情况的流行病预测结果缺失的技术问题。
[0075]
如图1所示，一种流行病趋势预测方法，包括如下步骤：
[0076]
s1.根据用户的基本信息，给定用户的流行病权重；
[0077]
s2.按预设规则更新用户的流行病权重，并根据更新后的流行病权重获取用户所在区域的预警分数；
[0078]
s3.当预警分数大于预设预警阈值时，判断预设的趋势预测模型是否已建模流行病；
[0079]
s31.若是，则对已建模的流行病输出感染趋势定量预测，并修正趋势预测模型；
[0080]
s32.若否，则对未建模的流行病输出感染趋势定性预测，并拟合趋势预测模型。
[0081]
步骤s1中，采集用户的基本信息，并根据用户的基本信息，给定用户的流行病权重w
id
；
[0082]
步骤s2中，按照预设规则，对用户的流行病权重w
id
进行更新，通过更新后的流行病权重和用户的基本信息计算获取用户所在区域的预警分数，即确定在当前区域的流行病的传染性强度；
[0083]
步骤s3中，当预警分数大于预设阈值时，即当前区域的流行病的传染性强度已超过预警标准，此时通过预设sir模型作为趋势预测模型，判断该模型中是否对该传染病已建模；
[0084]
步骤s31中，若该传染病已建模，则通过趋势预测模型对已建模的流行病输出感染趋势定量预测，并对趋势预测模型进行修正；
[0085]
步骤s32中，若该传染病未建模，则通过趋势预测模型则对未建模的流行病输出感染趋势定性预测，并拟合趋势预测模型。
[0086]
如图2所示，优选地，步骤s1，包括如下步骤：
[0087]
a1.根据对话系统获取用户的基本信息；
[0088]
a2.根据专家系统与用户的基本信息，判断用户疾病是否与预设流行病列表内的流行病相匹配；
[0089]
a3.若是，则根据用户的基本信息确定用户的流行病权重的取值；
[0090]
其中，用户的基本信息具体为：用户id、问诊时间、地址和症状。
[0091]
步骤a1中，通过医疗对话系统统计获取用户的基本信息，包括但不限于用户id、性别、地址等个人信息以及症状、就诊时间等与疾病相关的信息；
[0092]
需要说明的是，由google提出，其代表性产品是2008年启动的“谷歌流感趋势(gft)”。该方法使用用户搜索数据对流感做趋势预估，然而由于搜索数据的非精确性(健康的人群可能只是想了解该疾病，或者随着疾病热度的提升相关报道的增加都会造成趋势被夸大)，gft仅仅在美国疾控中心的历史数据中表现优异，但用在实际中却误差巨大；
[0093]
相比于该方法，与搜索引擎相比，医疗对话系统能获得更精准和全面的疾病信息：
[0094]
1)使用医疗对话系统的用户目标性更纯粹，相比google通过搜索引擎收集数据的方式能拿到更准确的疾病信息；
[0095]
2)医疗对话系统可以通过多轮对话获取用户更全面的患病信息，如年龄、接触史、病史、发展阶段等，为疾病模型提供更多维的信息。
[0096]
步骤a2中，通过医疗专家系统以及用户的症状、病史、发展阶段等与疾病相关的信息，判断用户疾病是否与预设流行病列表内的流行病相匹配；
[0097]
需要说明的是，专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，它能够应用人工智能技术和计算机技术，根据系统中的知识与经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题，简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统；
[0098]
通过医疗专家系统和用户提供的疾病相关的信息，可以维护一个流行病列表，从流行病列表中筛选出对应的疾病，若该疾病并非为流行病列表中所包含的流行病之一，则停止后续步骤；若该疾病为流行病列表中所包含的流行病之一，则执行步骤a3；
[0099]
步骤a3中，根据用户所提供的基本信息，确定用户的流行病权重w
id
的取值，该流行
病权重取值在通用范围为[0,1]；
[0100]
如图3所示，优选地，步骤a3，包括如下步骤：
[0101]
b1.根据用户的地址获取用户所在区域；
[0102]
b2.统计并获取用户所在区域的同种疾病数据；
[0103]
b3.根据用户所在区域的同种疾病数据确定用户的流行病权重的取值。
[0104]
步骤b1中，通过用户的地址，调用地图软件，确定用户所在区域；该区域可以根据实际需要进行选择；
[0105]
在本实施例中，可以根据行政级别进行划分，如街道区域、区区域、县区域、市区域等；
[0106]
步骤b2中，通过医疗对话系统中的数据库，统计落入用户所在区域内的与该用户所患流行病相同的人群数据；
[0107]
步骤b3中，根据用户所在区域内的患病人群数据，确定该种流行病的权重，如患病人群多且密集，则权重较高，患病人群少且分散，则权重较低。
[0108]
需要说明的是，用户的流行病权重指的是用户患有该种流行病的概率，具体可以用公式表示，如下：
[0109][0110]
其中，k是与用户密接的人数，一般可设为与用户一起居住的人数(通过人机对话获取)，k’为与该用户具有相同病症的密接人数。
[0111]
优选地，步骤s2中的预设规则，具体为第一公式，如下：
[0112][0113]
其中，w'
id
是用户id本次问诊得到的流行病权重，w
id
为更新后的流行病权重，t是本次问诊与上一次问诊的时间间隔，λ和δ均为权重更新系数。
[0114]
需要说明的是，w
id
是方法对某用户id针对某个流行病维护的权重，该权重反映的是该用户在之前所有的历史对话中与该特定流行病的关联度；
[0115]
w'
id
是对某用户id基于当前的对话，对某个流行病的权重打分
[0116]
实际运用过程中，通过医疗对话系统，调用该用户每次问诊的情况，对该流行病的权重进行更新，其中，λ和δ是小于1的正数，控制更新的步长。
[0117]
如图4所示，优选地，步骤s2中，根据更新后的流行病权重获取用户所在区域的预警分数，包括如下步骤：
[0118]
c1.获取用户所在区域的总人数；
[0119]
c2.预设统计周期；
[0120]
c3.在每个统计周期内，根据更新后的流行病权重和用户所在区域的总人数获取用户所在区域的预警分数；
[0121]
根据更新后的流行病权重和用户所在区域的总人数获取用户所在区域的预警分数，具体为第二公式，如下：
[0122][0123]
其中，s
area
为用户所在区域的预警分数，w
id
为更新后的流行病权重，n为用户所在区域的总人数。
[0124]
步骤c1中，通过地图软件和大数据，获取用户所在区域的总人数；
[0125]
步骤c2中，预设统计周期，并根据实际需要对统计周期的具体时间进行设定；
[0126]
需要说明的是，预设统计周期用于确定每隔多久时间统计一次地区的预警分数，是第三公式与第四公式的最小时间单位。
[0127]
步骤c3中，在每个统计周期内，根据第二公式、更新后的流行病权重和用户所在区域的总人数，计算获取用户所在区域的预警分数。
[0128]
优选地，步骤s3中的预设的趋势预测模型，具体为第三公式，如下：
[0129][0130]
其中，s为易感染个体、i为感染个体、r为恢复个体；为易感染个体的变化速率，β为接触率，γ为恢复率。
[0131]
需要说明的是，上述公式是sir模型，β和γ分别表示接触率和恢复率，两者数量级相同，通常的取值范围为[0,10]。
[0132]
优选地，步骤s31中，若是，则对已建模的流行病输出感染趋势定量预测，包括如下步骤：
[0133]
若流行病已建模，则获取流行病的接触率和流行病的恢复率；
[0134]
定义在当前时刻t＝0时，易感染个体为用户所在区域的总人数，则在当前时刻t＝t时，预测感染个体数量，具体为第四公式，如下：
[0135][0136]
其中，s
t
为预测当前时刻t的易感染个体，i
t
为预测当前时刻t的感染个体。
[0137]
实际运用过程中，若流行病已建模，则获取第四公式中的β和γ；通过第四公式，预测在当前时刻t时的感染个体的数量。
[0138]
在本实施例中，假定预设的统计周期t＝1天，则t＝0表示该疾病模型标记为已建模疾病的具体时间，t＝t则表示以已建模疾病的具体时间为起点的第t天；
[0139]
且由于统计周期t＝1天，新词系统每隔1天会统计一次地区该疾病的预警分数，如果该预警分数超过预设预警阈值，则按照第四公式更新。
[0140]
优选地，步骤s31中，修正趋势预测模型，包括如下步骤：
[0141]
计算获取感染个体和预测的感染个体之间的第一误差平方和，具体为第五公式，如下：
[0142][0143]
其中，δ
sse
为第一误差平方和，ii为预测的感染个体，ii'为感染个体；
[0144]
调整流行病的接触率和流行病的恢复率，以使得第一误差平方和最小。
[0145]
需要说明的是，第五公式中的t表示该疾病到当前的统计周期次数；
[0146]
在本实施例中，以t＝1天为例，若当前时间为第5天，则t＝4，i分别取0,1,2,3,4；通过第五公式，计算历史上每个统计周期，模型的预测值与实际值的误差平方，将其做累加；
[0147]
实际运用过程中，通过第四公式和第五公式，获取不同时刻预测的感染个体和实际感染个体计算获取两者的误差平方和δ
sse
；
[0148]
通过调整β和γ使得δ
sse
最小，实现疾病模型的修正(具体调整方法可以用网格搜索，也可以用其他相关算法。
[0149]
如图5所示，优选地，步骤s32，包括如下步骤：
[0150]
d1.若流行病未建模，则统计当前时刻的用户所在区域的感染个体；
[0151]
d2.根据第四公式中的易感染个体和感染个体拟合预设的趋势预测模型，以获取预测的感染个体；
[0152]
d3.根据第五公式、预测的感染个体与当前时刻的用户所在区域的感染个体获取第二误差平方和；
[0153]
d4.判断第二误差平方和是否小于预设误差阈值，若是，，则定义预设的趋势预测模型已建模流行病。
[0154]
步骤d1中，当流行病未建模时，则统计到当前时刻t为止感染个体
[0155]
步骤d2中，根据第四公式从t＝0开始计算每个时刻的易感个体和感染个体
[0156]
需要说明的是，在步骤d2中，β和γ均未知，因此s
t
'和i
t
'是关于β和γ的函数；
[0157]
步骤d3和d4中，通过网格搜索确定最优的β和γ，并在此基础上确定最佳模型，定义为已建模该流行病的趋势预测模型；
[0158]
综上，通过步骤d1至d4，输出该流行病在该地区的定性预测；同时，对该流行病的模型更新，直至其误差满足要求，即小于预设误差阈值，则可将其定义为已建模流行病；
[0159]
此处的定性预测，预测的数据包括：该地区该种流行病当前统计周期的感染个体人数和该地区该种流行病历史统计周期中感染个体数量的变化趋势；
[0160]
在本实施例中，该地区该种流行病当前统计周期的感染个体人数可以通过热力图的方式展示，该地区该种流行病历史统计周期中感染个体数量的变化趋势可以通过曲线图的方式展示。
[0161]
在本实施例中，假定搜索步长为k＝0.01，使β取0.1、0.11、0.12...,10.，每个β取值下分别使γ取0.1、0.11、0.12...,10.得到不同取值的模型，根据第五公式计算不同模型预测感染个体的值与实际感染个体的值的第二误差平方和，找到最佳的模型。
[0162]
即，当该模型预测的结果与实际数据误差平方和小于给定阈值时，认为该模型为
最佳的模型，将其定义为已建模疾病。
[0163]
如图6所示，一种流行病趋势预测系统，包括：
[0164]
权重模块，用于根据用户的基本信息，给定用户的流行病权重；
[0165]
更新模块，用于按预设规则更新用户的流行病权重；
[0166]
预警分数模块，用于根据更新后的流行病权重获取用户所在区域的预警分数；
[0167]
判断模块，用于当预警分数大于预设预警阈值时，判断预设的趋势预测模型是否已建模流行病；
[0168]
定量预测与修正模块，用于若判断结果为是，则对已建模的流行病输出感染趋势定量预测，并修正趋势预测模型；
[0169]
定性预测与拟合模块，用于若判断结果为否，则对未建模的流行病输出感染趋势定性预测，并拟合趋势预测模型。
[0170]
本发明还公开了一种流行病趋势预测系统，通过权重模块根据用户的基本信息，给定用户的流行病权重，并将流行病权重发送至更新模块；通过更新模块按预设规则更新用户的流行病权重，并将更新后的流行病权重发送至预警分数模块；通过预警分数模块根据更新后的流行病权重获取用户所在区域的预警分数，并将预警分数发送至判断模块；通过判断模块当预警分数大于预设预警阈值时，判断预设的趋势预测模型是否已建模流行病，并将判断结果分别发送至对应的定量预测与修正模块和定性预测与拟合模块；通过定量预测与修正模块，在若判断结果为是时，则对已建模的流行病输出感染趋势定量预测，并修正趋势预测模型；通过定性预测与拟合模块，在若判断结果为否时，则对未建模的流行病输出感染趋势定性预测，并拟合趋势预测模型。
[0171]
在本技术所提供的实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个模块或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或模块的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0172]
另外，在本发明各实施例中的各功能模块可以全部集成在一个处理器中，也可以是各模块分别单独作为一个器件，也可以两个或两个以上模块集成在一个器件中；本发明各实施例中的各功能模块既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0173]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令及相关的硬件来完成，前述的程序指令可以存储于计算机可读取存储介质中，该程序指令在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(read only memory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。
[0174]
应当理解，本技术中如若使用了“系统”、“装置”、“单元”和/或“模块”，仅是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换该词语。
[0175]
如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包
括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0176]
其中，在本技术实施例的描述中，除非另有说明，“/”表示或的意思，例如，a/b可以表示a或b；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，在本技术实施例的描述中，“多个”是指两个或多于两个。
[0177]
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
[0178]
本技术中如若使用了流程图，则该流程图是用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
[0179]
以上对本发明所提供的一种流行病趋势预测方法及系统进行了详细介绍。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种流行病趋势预测方法，其特征在于，包括如下步骤：根据用户的基本信息，给定用户的流行病权重；按预设规则更新用户的所述流行病权重，并根据更新后的流行病权重获取用户所在区域的预警分数；当所述预警分数大于预设预警阈值时，判断预设的趋势预测模型是否已建模所述流行病；若是，则对已建模的所述流行病输出感染趋势定量预测，并修正所述趋势预测模型；若否，则对未建模的所述流行病输出感染趋势定性预测，并拟合所述趋势预测模型。2.如权利要求1所述的流行病趋势预测方法，其特征在于，所述根据用户的基本信息，给定所述用户的流行病权重，包括如下步骤：根据对话系统获取用户的所述基本信息；根据专家系统与用户的所述基本信息，判断用户疾病是否与预设流行病列表内的流行病相匹配；若是，则根据用户的所述基本信息确定用户的所述流行病权重的取值；其中，用户的所述基本信息具体为：用户id、问诊时间、地址和症状。3.如权利要求2所述的流行病趋势预测方法，其特征在于，所述若是，则根据用户的所述基本信息确定用户的所述流行病权重的取值，包括如下步骤：根据用户的地址获取用户所在区域；统计并获取用户所在区域的同种疾病数据；根据所述用户所在区域的同种疾病数据确定用户的所述流行病权重的取值。4.如权利要求3所述的流行病趋势预测方法，其特征在于，所述预设规则，具体为第一公式，如下：其中，w'
id
是用户id本次问诊得到的流行病权重，w
id
为更新后的流行病权重，t是本次问诊与上一次问诊的时间间隔，λ和δ均为权重更新系数。5.如权利要求4所述的流行病趋势预测方法，其特征在于，所述根据更新后的流行病权重获取用户所在区域的预警分数，包括如下步骤：获取用户所在区域的总人数；预设统计周期；在每个统计周期内，根据更新后的流行病权重和所述用户所在区域的总人数获取用户所在区域的预警分数；所述根据更新后的流行病权重和所述用户所在区域的总人数获取用户所在区域的预警分数，具体为第二公式，如下：其中，s
area
为用户所在区域的预警分数，w
id
为更新后的流行病权重，n为用户所在区域的总人数。
6.如权利要求5所述的流行病趋势预测方法，其特征在于，所述预设的趋势预测模型，具体为第三公式，如下：其中，s为易感染个体、i为感染个体、r为恢复个体；为易感染个体的变化速率，β为接触率，γ为恢复率。7.如权利要求6所述的流行病趋势预测方法，其特征在于，所述若是，则对已建模的所述流行病输出感染趋势定量预测，包括如下步骤：若所述流行病已建模，则获取流行病的接触率和流行病的恢复率；定义在当前时刻t＝0时，易感染个体为用户所在区域的总人数，则在当前时刻t＝t时，预测感染个体数量，具体为第四公式，如下：其中，s
t
为预测当前时刻t的易感染个体，i
t
为预测当前时刻t的感染个体。8.如权利要求7所述的流行病趋势预测方法，其特征在于，所述修正所述趋势预测模型，包括如下步骤：计算获取所述感染个体和所述预测的感染个体之间的第一误差平方和，具体为第五公式，如下：其中，δ
sse
为第一误差平方和，i
i
为预测的感染个体，i
i
'为感染个体；调整所述流行病的接触率和所述流行病的恢复率，以使得所述第一误差平方和最小。9.如权利要求8所述的流行病趋势预测方法，其特征在于，所述若否，则对未建模的所述流行病输出感染趋势定性预测，并拟合所述趋势预测模型，包括如下步骤：若所述流行病未建模，则统计当前时刻的所述用户所在区域的感染个体；根据所述第四公式中的易感染个体和感染个体拟合所述预设的趋势预测模型，以获取预测的感染个体；根据所述第五公式、所述预测的感染个体与当前时刻的所述用户所在区域的感染个体获取第二误差平方和；判断所述第二误差平方和是否小于预设误差阈值，若是，则定义预设的趋势预测模型已建模所述流行病。10.一种流行病趋势预测系统，其特征在于，包括：权重模块，用于根据用户的基本信息，给定用户的流行病权重；更新模块，用于按预设规则更新用户的所述流行病权重；
预警分数模块，用于根据更新后的流行病权重获取用户所在区域的预警分数；判断模块，用于当所述预警分数大于预设预警阈值时，判断预设的趋势预测模型是否已建模所述流行病；定量预测与修正模块，用于若判断结果为是，则对已建模的所述流行病输出感染趋势定量预测，并修正所述趋势预测模型；定性预测与拟合模块，用于若判断结果为否，则对未建模的所述流行病输出感染趋势定性预测，并拟合所述趋势预测模型。

技术总结
本发明提供了一种流行病趋势预测方法及系统，方法是通过采集用户的基本信息，根据用户的基本信息，给定该用户的流行病权重；根据预设的规则对该用户的流行病权重进行更新，在更新完毕后，根据更新后的流行病权重以及该用户的基本信息计算获取用户所在区域的预警分数；当用户所在区域的预警分数大于预设的预警阈值时，判断所预设的趋势预测模型中是否对该流行病已建模；若该流行病已建模，则通过趋势预测模型输出感染趋势定量预测结果，并对趋势预测模型进行修正；若该流行病未建模，则通过趋势预测模型输出感染趋势定性预测结果，并对趋势预测模型进行拟合。该方法及该系统能解决预测结果精度不准以及某些情况下的预测结果缺失的技术问题。缺失的技术问题。缺失的技术问题。


技术研发人员：左勇 马源 王晓龙
受保护的技术使用者：智慧眼科技股份有限公司
技术研发日：2023.06.25
技术公布日：2023/10/11