[发明专利]一种干预的SEIRD-CA传染病时空扩散模拟与预测方法

说明书

本发明涉及一种干预的SEIRD‑CA传染病时空扩散模拟与预测方法，属于信息化领域。该方法包括以下步骤：S1：建立干预的SEIRD模块；S2：建立CA模块；S3：建立时空耦合模块；S4：精度检验。干预的SEIRD模型用于预测传染病病例随时间的数量变化；CA模型通过整合传染性疾病的空间适宜性概率、约束性概率、邻域概率和随机概率等将数量预测结果映射到格网空间；时空耦合模块通过构建约束函数将上述两模块耦合，形成CA迭代与转换规则，完成运算。

技术领域

本发明属于信息化领域，涉及干预的SEIRD-CA模型的传染病时空扩散模拟与预测方法。

背景技术

由新型冠状病毒(SARS-CoV-2)引发的肺炎疫情(COVID-19)，不仅发病症状与严重急性呼吸道综合征(Severe Acute Respiratory Syndrome,SARS)类似，还呈现了SARS所不具备的高度传染性。

新型冠状病毒(Corona Virus Disease2019，COVID-19)背景下，大多数研究的重点是利 用统计数据进行时间序列模拟和预测，其中流行病学传播模型占据主流。时间序列模型可以 预测COVID-19疫情在各区域爆发的风险和大致规模。疫情实时地图将疫情过程与地图相结合， 展示疫情时空变化，是表达疫情时空传播的主要方式。空间分析对了解传染病的传播有很大 帮助，根据相关的可视化研究，发现感染者空间分布与其他空间属性具有强相关性。在 COVID-19疾病领域，大部分研究在COVID-19的临床和流行病学特征方面展开，而对 COVID-19的时空建模研究有限。随着人工智能和计算机技术的发展，以元胞自动机为代表的 网络动力学模型也被用于传染病的研究。已有研究大都是从微观传播角度，着重模拟 COVID-19的传播途径所受具体场所的影响，微观模型数据粒度要求高，模型推算的病例空间 分布不确定性较大。

疫情的空间溯源和精准预测仍是未解的难题，为更好模拟COVID-19的时空扩散规律，本 研究构建了干预的SEIRD-CA时空耦合模型。该模型包括干预的SEIRD模块、CA模块和时空 耦合模块三部分。干预的SEIRD模型用于预测传染病病例随时间的数量变化；CA模型通过整 合传染性疾病的空间适宜性概率、约束性概率、邻域概率和随机概率等将数量预测结果映射 到格网空间；时空耦合模块通过构建约束函数将上述两模块耦合，形成CA迭代与转换规则， 完成模型的运算。

发明内容

有鉴于此，本发明的目的在于提供一种干预的SEIRD-CA模型的传染病时空扩散模拟与 预测方法。

为达到上述目的，本发明提供如下技术方案：

干预的SEIRD-CA模型的传染病时空扩散模拟与预测方法包括以下步骤：

S1：建立干预的SEIRD模型；

S2：建立CA模块；

S3：建立时空耦合模块；

S4：精度检验。

可选的，所述S1具体为：

在传统SEIR模型上，将R细分为R和D，形成新的传染病动力学模型干预的SEIRD模型：

其中S代表易感染人数，对应统计数据中的健康人数；

E代表潜伏人数，对应统计数据中的新增疑似人数；

I代表感染人数，对应统计数据中的新增确诊人数；

R代表治愈人数，对应统计数据中的累积治愈人数；

D代表死亡人数，对应统计数据中的累积死亡人数；

α代表易感人群接触人数，β代表接触疑似人群被感染的概率，α×β代表疑似人群的感 染力；