基于Logistic-GF-SEIR模型的新型传染病疫情趋势预测

为了提高新型传染病疫情趋势的预测精度,本文对传统SEIR模型进行改进,提出Logistic-GF-SEIR模型。首先,基于历史数据使用Logistic模型拟合累计康复者,并反演每日康复率、感染率和接触率;其次,使用高斯模型和Logistic模型拟合出最优时变参数;最后,初始化模型初值预测疫情群体变化趋势。以新冠肺炎爆发初期武汉市和日本的疫情发展趋势为例进行仿真测试,并与Logistic、SEIR、ARIMA、BP神经网络等预测模型进行对比分析。结果表明Logistic-GF-SEIR模型在武汉市疫情的预测中拟合和预测性能均优于其他模型,在日本疫情的预测中均方根误差优于其他模型,验证了所提出模型的可行性、有效性及稳健性,可为我国制定相似传染病的防控政策提供依据。

基于机器学习的新冠肺炎疫情趋势预测方法

防控措施对传染病的传播过程有重要作用,因此在预测新型冠状病毒肺炎疫情未来发展趋势时必须要考虑防控措施的影响。该文提出了基于机器学习的新冠肺炎疫情三步预测模型,将神经网络、随机森林、长短期记忆网络和序列到序列等机器学习算法引入到新冠肺炎传染病疫情预测中。与前人的预测模型相比,所提出的模型考虑了新冠肺炎疫情发展过程中防控措施的变化情况,可以使用检测数据预测未来的确诊人数和实际感染规模。研究结果表明:预测结果与实际数据基本一致,模型具有较高的可靠性。该预测方法可以使政府管理部门更准确地了解新冠肺炎疫情的实际发展态势,帮助管理者更有效地分配医疗资源,为新冠肺炎疫情防控提供决策参考。

新冠肺炎动态病死率分析与疫情预测方法研究

新型冠状病毒感染的肺炎防控是国家安全体系的重要“战场”,疫情趋势预测是开展疫情科学防控和精准防控的重要基础。本文阐述了疫情动态病死率概念,分析了疫情动态病死率函数和时间曲线,提出了动态病死率发展的3个重要拐点,从动态病死率和新增确诊病人数两个维度,构建了拟合曲线函数,并对疫情发展趋势进行了预测。研究发现,截至2月10日,本次疫情动态病死率已经经过了第3个拐点,趋于稳定;预计到2月16日左右,新增确诊人数达到第3个拐点,进入缓慢下降期;预计2月底底至3月初,每日新增确诊人数将在1000人以内,全国最终的“病死率”将在2%~4%左右。该预测方法是一种运用系统外部特征信息来研判疫情发展规律的较为简便快捷的方法,对于科学预测疫情发展趋势具有一定的参考借鉴价值。