[发明专利]一种基于改进SEIR模型的传染病跨城市传播预测方法及系统

说明书

本发明涉及传染病预测技术领域，具体为一种基于改进SEIR模型的Moving‑SEIR传染病预测模型方法及系统，方法包括：根据传染病的特性，将人群进行类别划分；将不同区域的人口移动指数作为独立的影响因素，获取各个区域中的初始总人数；利用已有数据输入LightGBM模型追踪传染率和恢复率的变化；根据各个区域不同人群的初始人数、传染率、恢复率、移动指数构建Moving‑SEIR模型；根据构建的Moving‑SEIR模型，进行传染病预测。本发明考虑了跨城市人口移动、传染率、恢复率的改变对传染病传播的影响，有效提高模型的预测准确性。

技术领域

本发明涉及传染病预测技术领域，具体为一种基于改进SEIR模型的传染病跨城市传播预测方法及系统。

背景技术

现今传染病传播形式呈现全新势态，传染病的流行对社会活动和民众生命健康造成严重威胁，成为影响全球卫生和经济的重大问题。利用数学模型对传染病发展过程和传播趋势对这一过程进行分析研究成为疫情防控的常用手段，其中，传染病传播动力学模型因能有效追踪种群的生长特性、疾病传播规律等，被广泛应用于传染病追踪。

SEIR(Susceptible,Infectious,Recovered，易感者，感染者，恢复者)模型作为传染病传播动力学模型的研究热点，将人群分为四类个体：S类，易感者(Susceptible)，代表没有染病，但是不具备免疫力的人，与感染者接触后可能会被感染；E类(Exposed)，代表接触过染病者但不存在传染性的人；I类，染病者(Infectious)，代表被感染的人，这类人具有一定的传染力；R类，恢复者(Recovered)，代表被感染后痊愈或死亡的人，这类人具有免疫力。通过分析人群在这三类个体中的转移关系，研究传染病在整个种群的变化。

该模型使用简单清晰，被用于多种传染病的建模分析。但是，该模型没有考虑到人口流动以及传染率、恢复率的改变，这些因素导致模型预测数据与真实情况出现较大的偏移。一方面，疫情期间全国不同省市的采取不同的管控措施，这些措施限制了人口流动，为疾病传播带来影响；另一方面，由于政府防控措施的实施以及新冠疫苗的接种，为疾病的传染率和恢复率带来影响，因此现有技术需要考虑传染率和恢复率的动态跟踪。同时，随着人工智能技术的发展，传统的传染病预测模型难以适应不同疾病的传播特点，机器学习等手段可以弥补现有技术的不足。

发明内容

本发明的目的在于提供本发明提供了一种基于改进SEIR模型的传染病跨城市传播预测方法及系统，并引入机器学习模型轻量梯度提升机(Light Gradient BoostingMachine，LightGBM)框架对传染率和恢复率进行追踪，用于解决传统模型忽略人口跨城市流动和传播速率的变化，造成模型预测准确率低的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于改进SEIR模型的传染病跨城市传播预测方法，步骤如下：

步骤1：根据传染病的特性，将人群进行类别划分；

步骤2：将不同区域的人口移动指数作为独立的影响因素，获取各个区域中的初始总人数；

步骤3：利用已有数据输入LightGBM模型追踪传染率和恢复率的变化；

步骤4：根据各个区域不同人群的初始人数、传染率、恢复率、移动指数构建考虑区域移动Moving-SEIR传染病动力学模型；

步骤5：根据构建的Moving-SEIR传染病动力学模型，进行传染病预测。具体包括，根据构建的微分方程，采用以下公式，进行传染病预测：

I[t+1]＝I[t]+σE[t]-γ(t)I[t]

R[t+1]＝R[t]+γ(t)I[t]