[发明专利]基于自适应遗传算法的疫情传播预测优化方法

说明书

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。

技术领域

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

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。

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。

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。

发明内容

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。

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：

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；