基于自适应遗传算法的疫情传播预测优化方法

1.本发明属于应用传染病预测技术领域，特别是涉及基于自适应遗传算法的疫情传播预测优化方法。


背景技术：

2.疫情传播是各种传染性疾病在不同个体之间的扩散，大多数情况下会给人类健康安全造成一定损害。传染病模型的研究主要集中在状态模型和个体之间的连通性上，状态模型描述了感染者对人群在时间上的影响，而连通性决定了人群之间的移动和接触。由于病毒的变异性，病毒与人的接触方式也在不断变化，例如，病毒通过冷链输入进行传播，使疫情防护难度增大。因此如果能够通过一定模型和方法能够有效提前预测感染者的数量和变化趋势，将会对世界各国控制这些流行病做出巨大贡献。
3.传统的流行病模型主要是以易感-感染-康复(sir)模型为基础广泛用于疫情动态传播，传统模型可以预估短期内的感染人数变化，并且可以得出流行病变化，为后续预测和决策提供一定支持。sir模型是在1927由两位传染病学家mckendric和kenmack提出的，此模型是经典的传染病模型之一，主要用来预测疫情发生后不同时刻的未感染人数、感染人数和康复人数。作为经典流行病学模型，许多学者都曾利用sir模型来预测流行病的感染演变的区域趋势，例如，阿舒托什使用sir的动力学微分方程，首先根据以往的感染和恢复人数，从往日数据中推导出参数，并且通过对参数进行汇总，预测了疫情发展的未来趋势。为了应对大流行建模方法的有效性，伊恩在传统的sir模型基础上进行改进，让总种群数量本身保持不变，并且易感个体的数量不会单调下降。传统传染病模型中比较困难的问题之一就是存在大量无症状感染者，为此加埃塔改进sir模型，改进的模型考虑到了无症状或未检测到的感染者，以及之前模型在感染性和非孤立性方面花费的时间相当长。
4.由于病毒的变异性，病毒与人的接触方式也在不断变化，例如，病毒通过冷链输入进行传播，使疫情防护难度增大。随着对病毒的传播机制进一步了解，在疫情防控中还发现了无症状感染者，此类感染者携带传播病毒，但是没有显著症状，具有很强的隐蔽性，这也给防护工作带来了极大的不便。防护措施愈加成熟和医疗手段不断进步，治疗中还出现了自愈患者的情况，这也表明了即便是患者，在医护和治疗中也存在很大不同，因此本专利就是考虑到诸多因素变化，例如，死亡者、自愈者和复阳者等因素，提出了新的流行病模型来预测疫情的传播和变化。


技术实现要素：

5.发明目的：针对传统的传染病模型的局限性和预测精度不够的问题，本发明提供了一种基于自适应遗传算法的疫情传播模型预测优化。
6.技术方案：本发明公开了一种基于自适应遗传算法的疫情传播预测优化方法，具体步骤如下：
7.步骤1：收集真实数据，以传染病模型为基础，在流行病seir模型的基础上，增加病
毒通过物体进行传播的特性，潜伏期人群具有一定感染概率和自愈概率，感染者具有死亡率和康复者具有复阳概率，进一步将流行病seir模型改进成为seird预测模型；
8.步骤2：将感染率、自愈率、死亡率、康复率和复阳率用变量表示出来，再把仓室内的人群划分为易感者、潜伏者、感染者、康复者和死亡者这五种不同类型，将不同人群随时间t变化的函数方程表示出来；
9.步骤3：将函数方程整合成不同人群变化的方程表达式，先对模型中的公式进行无病平衡点和地方平衡点的代数值进行求解，再根据方程推导出雅克比矩阵求其特征值，再将无病平衡点的代数值代入矩阵中，再根据笛卡尔规则判断多项式的正负根的个数，来判断所提出模型的稳定性；
10.步骤4：利用下一代矩阵法求出两个仓室e(t)和i(t)的向量表达式，再结合雅克比矩阵求出最大特征值，根据下一代矩阵法得出基本再生数的代数值；最后还要根据定理，使用假设法来判断模型的平衡稳定状态，通过数学公式推导进行求解得出此模型在系统全局中是否具有稳定态；
11.步骤5：用回归方程进行绘图来对数据进行参数估计对模型进行拟合，预测疫情的走势变化以及将会出现的拐点和病毒结束时间，再用自适应遗传算法对模型参数进行优化，使模型预测结果不断逼近真实数据，最后再用评价指标对模型的预测精度进行评估。
12.进一步地，所述步骤2中将不同人群随时间t变化的函数方程表示出来，具体如下：
13.所述seird预测模型把人群分为易感者(s)，潜伏者(e)，感染者(i)，康复者(r)，死亡者(d)五类；设定在t时刻，令s＝s(t)，e＝e(t)，i＝i(t)，r＝r(t)，d＝d(t)，设定物体传播概率为η，感染者的感染概率为λ，潜伏者的感染率为λ1，潜伏者转化为感染者的概率为α，感染者的康复率为γ，康复者的复阳率为θ，潜伏者的自愈率为β，感染者的死亡率为ω；
14.根据系统建模思想，seird预测模型中不同人群间的关系用微分方程组进行描述，易感者、潜伏者、感染者、康复者和死亡者随时间变化的序列函数如下：
[0015][0016][0017][0018][0019][0020]
进一步地，所述步骤3中确定无病平衡点方法为：
[0021]
根据模型的实际背景可以对模型进行稳定性分析，要在有界区域内考虑模型平衡点，平衡点有无病传播平衡点和地方平衡点；当变量e和ⅰ都为零，即不存在感染者和潜伏者的时候，我们称这样的点为无病平衡点,要确定无病平衡点，则可以令方程组都为零，从而求出方程组的非零解，由此可得：
[0022]-ηs-λsi-λ1se+θr＝0
[0023]
ηs+λsi+λ1se-αe-βe＝0
[0024]
αe-γi-ωi＝0
[0025]
γi+βe-θr＝0
[0026]
然后通过计算，得出方程组的解即为s，e，i，r的平衡点，对于无病平衡点e＝i＝0的情况，得出模型的无病平衡点：
[0027][0028]
进一步地，所述步骤3中确定地方平衡点方法为：
[0029]
当e和i都不为零，即存在感染者和潜伏者的时候，我们用地方平衡点表示疾病传播的可能性，即在疫情传播中的一种相对稳定的平衡点，得到地方平衡点；当s≠0，e≠0，i≠0和r≠0时，得到雅克比矩阵：
[0030][0031]
进一步地，将无病平衡点的代数值代入矩阵中，根据笛卡尔规则判断多项式的正负根的个数，来判断所提出模型的稳定性，具体过程如下：
[0032]
将和e＝0和i＝0代入到上述雅克比矩阵公式，得到关于μ的多项式，用a表示μ3的系数，用b表示μ2的系数，用c表示μ的系数，用d表示不含μ的代数式，那么就可以把等式转化为：
[0033]
μ4+aμ3+bμ2+cμ+d＝0
[0034]
根据笛卡尔符号规则中特征方程的负根数等于系数符号变化的变化数，看出方程满足上述条件是要有4个负值，即μ1＜0，μ2＜0，μ3＜0，μ4＜0，并且满足条件：a＞0，b＞0，c＞0，d＞0；由此模型的特征方程根都是负值，所以该模型在全局上是趋于稳定的。
[0035]
进一步地，所述步骤4中利用下一代矩阵法求出两个仓室e(t)和i(t)的向量表达式，具体为：
[0036]
seird预测模型有两个舱室，分别是e(t)和i(t)，运用下一代矩阵法得到x的向量，再根据得到的向量写出关于f、v的表达式：
[0037][0038]
对f，v求雅克比矩阵，可得
[0039][0040][0041]
进而根据下一代矩阵法可以得到：
[0042]
[0043]
进一步地，所述步骤5中用自适应遗传算法对模型参数进行优化具体过程为：
[0044]
将收集来的信息进行分析，设置各种参数的初始值为某一范围，然后通过自适应遗传算法对模型参数进行不断优化，先随机选择一个种群，然后经过适应函数对每个个体进行评估，适应值较低的个体再用算子进行选择、交叉和变异处理，其中选择算子用轮盘赌和最优选择相结合的策略，而由于交叉率和变异率存在很大不确定性，采取经验法给其确定一定范围，再将适应值较低的种群进行改进从而形成一个适应值较大的新种群；再用评估指标函数均方根误差、平均绝对误差和决定系数将参数优化后的模型预测数据与真实数据进行评估。
[0045]
有益效果：
[0046]
1、本发明改进的传染病模型主要是以易感-潜伏-感染-康复(seir)模型为基础，考虑到疫情传播过程中会受到很多因素影响，从而改进了扩散模型，使其更适用于真实的流行病扩散过程。
[0047]
2、本发明还利用自适应遗传算法对预测模型的参数进行优化，通过算法不断改进模型参数值，从而使的模型训练结果准确度大大提高，最后分析了节点在不同状态下的传播过程与实际数据进行比较，最后得出经过算法优化后的预测结果良好。
附图说明
[0048]
图1为seird模型传染机制图；
[0049]
图2为病毒传播过程中各人群密度变化图；
[0050]
图3为自适应遗传算法主要步骤流程图；
[0051]
图4为真实数据集下疫情趋势图；
[0052]
图5为基于seird模型的预测仿真图。
具体实施方式
[0053]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0054]
本发明是基于自适应遗传算法的疫情传播预测优化方法，主要是以传染病模型为基础并在原有模型上加以改进，添加了一些关键要素使之更加符合实际生活的数据变化情况。不仅考虑到物体传播病毒概率、自愈率、复阳率还考虑了死亡率，对于实际生活中的传染病往往会出现这些概率，引入这些传播概率后会使预测结果更加符合实际情况。
[0055]
如附图1所示，易感者被病毒感染后会变成携带病毒的潜伏者，这时候潜伏者不会表现出过多症状，经过一段时间潜伏者慢慢变成感染者，感染者症状较为明显，且是被人确切发现的患者。潜伏者还有一定概率出现自我痊愈的情况随机变成康复者，一些重症感染者也会出现死亡的案例，同时康复者也有一定概率再次变成感染者。本发明改进的seird预测模型把人群分为易感者(susceptible,s)，潜伏者(exposed,e)，感染者(infected,i)，康复者(recovered,r),死亡者(dead,d)五类，具体含义如下：
[0056]
易感人群,指未得病者但免疫能力较低，与感染者接触后易受到感染的人；
[0057]
潜伏人群，指与感染者接触过暂未出现明显症状但体内携带病毒的人；
[0058]
感染人群，指已被感染的并可以传播给易感者使其致病的人；
[0059]
康复人群，指现阶段具有免疫力的人；
[0060]
死亡人群,指已被感染无法及时治愈而死亡的人。
[0061]
根据系统建模思想，seird预测模型中不同人群间的关系可用微分方程组进行描述。用户总量设为n，并且满足n(t)＝s(t)+e(t)+i(t)+r(t)+d(t)，易感者、潜伏者、感染者、康复者和死亡者随时间变化的方程组如下：
[0062][0063][0064][0065][0066][0067]
综上可知，初试条件为s(0)》0，e(0)≥0，i(0)》0，r(0)≥0,d(0)≥0。
[0068]
与经典的seir模型相比，新模型主要在以下方面进行了改进：
[0069]
(1)增加了病毒可以通过物体进行传播这一特性.
[0070]
(2)潜伏期人群具有一定感染概率和自愈概率。
[0071]
(3)感染者具有死亡概率。
[0072]
(4)康复者具有复阳概率。
[0073]
根据模型的实际背景可以对模型进行稳定性分析，要在有界区域内考虑模型平衡点，平衡点主要有无病传播平衡点和地方平衡点。当变量e和ⅰ都为零(即不存在感染者和潜伏者)的时候，我们称这样的点为无病平衡点，要确定无病平衡点，则可以令方程组都为零，和从而求出方程组的非零解，由此可得：
[0074]-ηs-λsi-λ1se+θr＝0
[0075]
ηs+λsi+λ1se-αe-βe＝0
[0076]
αe-γi-ωi＝0
[0077]
γi+βe-θr＝0
[0078]
然后通过计算，得出方程组的解即为s，e，i，r的平衡点。对于无病平衡点e＝i＝0的情况，根据等式可以得到，则模型的的无病平衡点是：
[0079][0080]
但是无病平衡点是一种无病状态，这不是实际情况中所关心的情况，因此不做重点考虑，在本文中我们要重点讨论内部平衡点。当e和i都不为零(即存在感染者和潜伏者)的时候，我们用地方平衡点表示疾病传播的可能性，即在疫情传播中的一种相对稳定的平衡点。当s≠0，e≠0，i≠0和r≠0时，可以通过软件matlab求解得到。再根据方程式得到雅克比矩阵：
[0081][0082]
然后我们将和e＝0和i＝0代入到上述公式，整理过后可得到关于μ的多项式，用a表示μ3的系数，用b表示μ2的系数，用c表示μ的系数，用d表示不含μ的代数式。那么就可以把等式转化为：
[0083]
μ4+aμ3+bμ2+cμ+d＝0
[0084]
由于笛卡尔符号规则可以用于判断一个多项式的正根或负根的个数，因此根据笛卡尔符号规则中特征方程的负根数等于系数符号变化的变化数，可以看出方程满足上述公式(16)的条件是要有4个负值，即μ1＜0，μ2＜0，μ3＜0，μ4＜0，并且满足条件：a＞0，b＞0，c＞0，d＞0。由此模型的特征方程根都是负值，所以该模型在全局上是趋于稳定的。
[0085]
根据传染病模型的相关研究，在传染病传播时存在一个阈值r0，此阈值又被称为基本再生数，当r0≤1时，传染病的传播就会随着时间自然消亡，而当r0》1时，传染病就会在一定时间内爆发。由于下一代矩阵法广泛应用于流行病学以及动态人口中基本再生数的计算，因此本文主要用下一代矩阵法来计算r0，本文提出的模型中有两个舱室，分别是e(t)和i(t)。根据上文的式,运用下一代矩阵法可得到x的向量,再根据得到的向量写出关于f,v的表达式：
[0086][0087]
对f，v求雅克比矩阵，可得
[0088][0089][0090]
进而根据下一代矩阵法可以得到：
[0091][0092]
根据定理可得：如果r0≤1，则在方程组中的系统模型是全局渐近稳定的，否则在方程组中的系统模型不是全局渐近稳定的。
[0093]
在仿真实验中，为了实验结果更贴近现实世界的真实情况，同时更好的观察传染模型各个阶段的变化趋势以及变化数量，仿真实验以某大城市人数作为标准，设置最初总人口为n＝109，同时也考虑到各个人群最初的大概数量，我们设置的初始阶段各人群密度为：
[0094]
s(0)＝10
9-1，e(0)＝0，i(0)＝1，r(0)＝0，d(0)＝0
[0095]
同时我们通过观察，发现当e(t)＝i(t)＝0，此时模型中没有感染病例，我们此时
可以认为模型达到了稳定状态。如附图2所示，通过此图可以看出在传播过程中五类个体密度随时间的变化关系。从图中可以看出在疫情传播开始阶段，各个人群数量几乎没有变化，这与疫情刚开始难以发现是比较吻合的。到了疫情传播中期，也就是疫情突发期，各个人群数量变化开始较为显著，在较短时间内易感者数量在迅速减少，而潜伏者和感染者人数急剧增加。映射到现实中，疫情此时也已经被政府部门和广大民众的重视，开始有策略有组织的进行疫情防控。突发期后很短的时间内迎来爆发期，感染者数量达到峰值，并随之开始出现死亡案例。由于此时已经采取有效治疗和安全措施，感染者到达峰值后数量开始降低，同时康复者数量也在逐渐升高。由于模型还考虑到康复者在康复一段时间后可能会有被重新感染的可能，所以到了后期康复者数量会有减少趋势，易感人群数量有增加趋势，同时感染者数量趋近于零，死亡者数量也不再增加，模型达到稳定状态。在真实的疫情传播过程中，每个因素对最终结果的影响都是至关重要的，因此在仿真训练中，要对一些重要参数进行不同数值的模拟，例如冷链传播概率、感染者传播概率、康复率和复阳率等，同时对数值模拟的结果进行比较分析，以此来达到更好的预测效果。在疫情传播中，潜伏者和感染者的数量对疫情的防控十分重要，所以在仿真实验中我们着重观察潜伏者和感染者的变化趋势，以此得出较为理想的疫情预测结果。
[0096]
在自适应遗传算法中，随机选择一个初始群体，并把人群中的每个个体都用字符串表示出来，再根据适应度函数评价随机产生的初始群体的适应值。如果群体中最优个体连续若干代无改进，则设该个体的适应度为最佳适应值，如果未达到最佳适应值则进入下一轮进化。在选择运算时，按照最优保存策略和轮盘赌选择的规则从种群中选择个体进行遗传，把优秀的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。在交叉运算时，在种群中选择两个作为双亲,随机设定一个交叉点,该点后的结构进行互换,生成两个新个体,直到达到最佳后交叉过程停止。在变异运算时，随机挑选种群中的一个个体,将个体染色体编码串中的某些基因座上的基因值用该基因座的其他等位基因来替换，直到达到最佳后变异过程停止，从而形成一个新个体。计算新一代种群中个体的适应度函数值,将适应度最好的个体替换掉最差的个体，如果未达到最佳适应值则返回改进策略继续进化，如果达到最佳适应值，则输出最佳结果。
[0097]
本发明自适应遗传算法主要步骤如下，如附图3所示：
[0098]
输入：m个个体，迭代次数t，初始群体p(t)。
[0099]
输出：新群体p*(t)。
[0100]
(1)将个体表示为字符串，并随机生成m个个体组成的初始生物群体p(t)，并设立迭代次数t。
[0101]
(2)评估初始群体中的每个个体的适应度。
[0102]
(3)选择最佳的解决方案进行改进(选择，交叉，变异)。
[0103]
(4)进行选择运算，把优化的个体直接遗传到下一代或通过配对交叉产生新的个体遗传给下一代。
[0104]
(5)进行交叉运算，将交叉算子作用于群体。
[0105]
(6)进行变异运算，将变异算子作用于群体，群体p(t)经过选择、交叉、变异运算之后得到下一代群体p(t+1)。
[0106]
(7)设置终止条件，若t＝t,则以进化过程中所得到的具有最大适应度个体作为最
优解输出形成新群体p*(t)，终止计算。
[0107]
在适应度函数的评估中，为了体现个体的适应能力，需要引入可以度量个体适应度的适应度函数在交叉率和变异率的选取中，要合理地选取交叉率与变异率,把交叉率和变异率设定在某一区间范围内。在评价指标选取中，使用均方根误差(rmse)、平均绝对误差(mae)和决定系数(r2)这3个指标对模型的预测精度进行评价。
[0108]
均方根误差(rmse)是另一个常用的评价指标，表示在模型拟合过程中，它反映了模型预测结果与实际结果之间的差距，rmse越低，模型越精确。但它反映的是一个客观的标准差。rmse可以根据以下公式计算：
[0109][0110]
平均绝对误差(mae)是一种用于评估模型预测结果的精确度的另一种指标，它表示模型预测结果和实际结果之间的差距。mae可以通过下面的公式计算:
[0111][0112]
其中,mae的取值范围为[0,+∞),当预测值与真实值完全吻合时等于0，即完美模型；误差越大,该值越大。
[0113]
决定系数(r2)表示对模型进行线性回归后，评价回归模型系数的拟合优度。r2反映了模型因变量的全部变异能通过回归模型被自变量解释的比例。r2越大，线性回归模型解释的变异越大。r2可以根据以下公式计算：
[0114][0115]
r2为1时,表明模型预测值和真实值观测值没有任何误差,表示回归分析中自变量对因变量的解释越好；r2为0时,模型中样本的每项预测值都等于均值；r2接近于0时，此时表明模型预测能力差,预测效果接近于使用观测值的平均值作为模型预测值。这就表示可能用了错误模型,或者模型假设不合理。
[0116]
假设我们在本专利基于自适应遗传算法的疫情传播预测优化方法的系统中输入如下相关数据：正常人每天密切接触的人员数量为p＝20人，由于感染者会出现一些症状，我们在系统中假设密切接触的人只有正常人接触数量的一半。在自适应遗传算法对模型进行仿真模拟过程中，先将各个参数的值设定在一定动态范围内，再通过算法对模型参数值不断优化和改进以达到最佳的预测效果，模型参数的数值最后确定如下：
[0117]
k＝0.01，λ＝0.03，λ1＝0.02，α＝0.14，
[0118]
γ＝0.1，b＝0.02,β＝0.005,c＝0.02
[0119]
同时，我们为了验证方法对模型的有效性，本专利以某年某城市的实际数据走势图与基于seird各节点状态的趋势进行对比，进一步来分析预测值与真实值的差异。如附图4和附图5所示，从图中可以看出真实情况下的确诊人数、康复人数和死亡人数的数据变化
和我们预测走向趋势十分相似，因此可以说明经过自适应遗传算法优化后，seird预测模型可以适用于真实疫情传播。
[0120]
从图中可以看出确诊人数在前期增长较快，变化趋势明显，但是后期确诊人数逐渐下降，再加上康复者逐渐增多，最后确诊者逐步归零。康复者的走势曲线也符合我们的预测，康复人数逐渐增多，但是最后由于复阳者的存在所以最后会出现些许下降。死亡人数走势也和我们预测的结果基本吻合，先缓慢增加最后趋于稳定，通过实际数据和预测数据对比可以发现seird模型可以有效地模拟实际疫情的传播趋势，并且可以给相关部门提供理论支撑。
[0121]
病毒传播机制在疫情的防控中较为复杂，这就要求要有更加精确的模型可以来本文提出了一种包含物体传播、自愈能力、复阳率和死亡率等因素的seird疫情传播模型。基于该模型，本文对各个影响因素进行仿真实验，来分析不同的因素对疫情传播的影响。实验结果表明，冷链输入概率虽然不会影响感染者的最终人数，但是会影响到达峰值的时间；自愈能力对感染者的影响至关重要，它不但会影响感染者的数量而且还会加快感染周期；复阳率虽然不会造成和感染者数量增多，但是它在疫情后期会影响各个人群得数量变化；死亡率在疫情防控中与感染者的数量有密切关系，当感染者数量较多且治疗不及时就会出现较多死亡病例。最后，本文还通过自适应遗传算法对模型参数进行改进和优化，从多方面来模拟分析疫情的趋势并与真实数据进行对比分析，结果表明，经过算法优化后的模型可以对疫情的传播进行有效的预测，同时可以给疫情防控带来一定的理论参考价值。
[0122]
各位技术人员须知：虽然本发明已按照上述具体实施方式做了描述，但是本发明的发明思想并不仅限于此发明，任何运用本发明思想的改装，都将纳入本专利专利权保护范围内。

技术特征：
1.一种基于自适应遗传算法的疫情传播预测优化方法，其特征在于，具体步骤如下：步骤1：收集真实数据，以传染病模型为基础，在流行病seir模型的基础上，增加病毒通过物体进行传播的特性，潜伏期人群具有一定感染概率和自愈概率，感染者具有死亡率和康复者具有复阳概率，进一步将流行病seir模型改进成为seird预测模型；步骤2：将感染率、自愈率、死亡率、康复率和复阳率用变量表示出来，再把仓室内的人群划分为易感者、潜伏者、感染者、康复者和死亡者这五种不同类型，将不同人群随时间t变化的函数方程表示出来；步骤3：将函数方程整合成不同人群变化的方程表达式，先对模型中的公式进行无病平衡点和地方平衡点的代数值进行求解，再根据方程推导出雅克比矩阵求其特征值，再将无病平衡点的代数值代入矩阵中，再根据笛卡尔规则判断多项式的正负根的个数，来判断所提出模型的稳定性；步骤4：利用下一代矩阵法求出两个仓室e(t)和i(t)的向量表达式，再结合雅克比矩阵求出最大特征值，根据下一代矩阵法得出基本再生数的代数值；最后还要根据定理，使用假设法来判断模型的平衡稳定状态，通过数学公式推导进行求解得出此模型在系统全局中是否具有稳定态；步骤5：用回归方程进行绘图来对数据进行参数估计对模型进行拟合，预测疫情的走势变化以及将会出现的拐点和病毒结束时间，再用自适应遗传算法对模型参数进行优化，使模型预测结果不断逼近真实数据，最后再用评价指标对模型的预测精度进行评估。2.根据权利要求1所述的一种基于自适应遗传算法的疫情传播预测优化方法，其特征在于，所述步骤2中将不同人群随时间t变化的函数方程表示出来，具体如下：所述seird预测模型把人群分为易感者(s)，潜伏者(e)，感染者(i)，康复者(r)，死亡者(d)五类；设定在t时刻，令s＝s(t)，e＝e(t)，i＝i(t)，r＝r(t)，d＝d(t)，设定物体传播概率为η，感染者的感染概率为λ，潜伏者的感染率为λ1，潜伏者转化为感染者的概率为α，感染者的康复率为γ，康复者的复阳率为θ，潜伏者的自愈率为β，感染者的死亡率为ω；根据系统建模思想，seird预测模型中不同人群间的关系用微分方程组进行描述，易感者、潜伏者、感染者、康复者和死亡者随时间变化的序列函数如下：者、潜伏者、感染者、康复者和死亡者随时间变化的序列函数如下：者、潜伏者、感染者、康复者和死亡者随时间变化的序列函数如下：者、潜伏者、感染者、康复者和死亡者随时间变化的序列函数如下：者、潜伏者、感染者、康复者和死亡者随时间变化的序列函数如下：3.根据权利要求1中所述的一种基于自适应遗传算法的疫情传播预测优化方法，其特征在于，所述步骤3中确定无病平衡点方法为：根据模型的实际背景可以对模型进行稳定性分析，要在有界区域内考虑模型平衡点，
平衡点有无病传播平衡点和地方平衡点；当变量e和ⅰ都为零，即不存在感染者和潜伏者的时候，我们称这样的点为无病平衡点,要确定无病平衡点，则可以令方程组都为零，从而求出方程组的非零解，由此可得：-ηs-λsi-λ1se+θr＝0ηs+λsi+λ1se-αe-βe＝0αe-γi
–
ωi＝0γi+βe-θr＝0然后通过计算，得出方程组的解即为s，e，i，r的平衡点，对于无病平衡点e＝i＝0的情况，得出模型的无病平衡点：4.根据权利要求1所述的一种基于自适应遗传算法的疫情传播预测优化方法，其特征在于，所述步骤3中确定地方平衡点方法为：当e和i都不为零，即存在感染者和潜伏者的时候，我们用地方平衡点表示疾病传播的可能性，即在疫情传播中的一种相对稳定的平衡点，得到地方平衡点；当s≠0，e≠0，i≠0和r≠0时，得到雅克比矩阵：r≠0时，得到雅克比矩阵：5.根据权利要求4所述的一种基于自适应遗传算法的疫情传播预测优化方法，其特征在于，将无病平衡点的代数值代入矩阵中，根据笛卡尔规则判断多项式的正负根的个数，来判断所提出模型的稳定性，具体过程如下：将和e＝0和i＝0代入到上述雅克比矩阵公式，得到关于μ的多项式，用a表示μ3的系数，用b表示μ2的系数，用c表示μ的系数，用d表示不含μ的代数式，那么就可以把等式转化为：μ4+aμ3+bμ2+cμ+d＝0根据笛卡尔符号规则中特征方程的负根数等于系数符号变化的变化数，看出方程满足上述条件是要有4个负值，即μ1<0，μ2<0，μ3<0，μ4<0，并且满足条件：a>0，b>0，c>0，d>0；由此模型的特征方程根都是负值，所以该模型在全局上是趋于稳定的。6.根据权利要求1所述的一种基于自适应遗传算法的疫情传播预测优化方法，其特征在于，所述步骤4中利用下一代矩阵法求出两个仓室e(t)和i(t)的向量表达式，具体为：seird预测模型有两个舱室，分别是e(t)和i(t)，运用下一代矩阵法得到x的向量,再根据得到的向量写出关于f、v的表达式：
对f，v求雅克比矩阵，可得对f，v求雅克比矩阵，可得进而根据下一代矩阵法可以得到：7.根据权利要求1所述的一种基于自适应遗传算法的疫情传播预测优化方法，其特征在于，所述步骤5中用自适应遗传算法对模型参数进行优化具体过程为：将收集来的信息进行分析，设置各种参数的初始值为某一范围，然后通过自适应遗传算法对模型参数进行不断优化，先随机选择一个种群，然后经过适应函数对每个个体进行评估，适应值较低的个体再用算子进行选择、交叉和变异处理，其中选择算子用轮盘赌和最优选择相结合的策略，而由于交叉率和变异率存在很大不确定性，采取经验法给其确定一定范围，再将适应值较低的种群进行改进从而形成一个适应值较大的新种群；再用评估指标函数均方根误差、平均绝对误差和决定系数将参数优化后的模型预测数据与真实数据进行评估。

技术总结
本发明公开了一种基于自适应遗传算法的疫情传播预测优化方法，在传统SEIR模型的基础上增加病毒可以通过物体进行传播、潜伏期人群具有一定感染率和自愈率、感染者具有死亡率以及康复者具有复阳率来适应真实疫情传播特点；将不同人群随时间t变化的序列函数表示出来整合成人群变化的方程表达式，并对所提出的模型和公式求解证明；再对数据进行参数估计和模型拟合来预测疫情的走势变化；为优化模型预测结果，提出了用自适应遗传算法来调节模型参数使预测结果更加逼近实际结果，最后用评价指标来评估模型预测的结果与实际的数据进行检验评估，证明了经过自适应遗传算法优化后的模型，预测准确度大大提高。本发明具有预测较为精准和可靠性较高的优点。和可靠性较高的优点。和可靠性较高的优点。


技术研发人员：陈伯伦 韩帅 谢乾 刘步实 许雪 王笑颜 李哲 刘晓娈 于永涛
受保护的技术使用者：淮阴工学院
技术研发日：2023.04.10
技术公布日：2023/7/25