考虑出行行为调整的疫情传播模型与新冠疫情预测

由于新冠病毒不断变异,在很长的时期内疫情会多次爆发,每次有不同的特点.对局部地区爆发的每一波疫情进行预测,成为人们制定应对策略的关键.在宏观层面对疫情防控措施优化,意味着疫情演化数据的缺乏,这给基于实证数据的疫情预测带来了特殊的困难.考虑疫情与出行行为的相互影响,本文提出了一个改进的虫口模型,用以描述新冠疫情传播动力学过程,试图利用少量疫情相关数据对局部地区爆发的某一特定疫情进行预测.实证分析表明,该模型可以很好地复现上海市2022年3月1日到6月28日发布的新冠病毒阳性感染者数据.采用这一模型对上海市2022年12月以来的疫情趋势和关键节点进行了预测.建议决策部门按照统计学抽样原则,建立和完善疫情监测系统,为疫情预测提供可靠的数据.

基于SEIR模型的疫情预测与决策系统

利用传统的传染病模型,结合现有数据和决策理论,建立了一种预防COVID-19的智能预测与决策系统,对新冠疫情的现有数据信息进行研究和分析,并对其传播趋势进行预测。系统主要分为首页、新闻速览、SEIR模型、疫情地区现状、问题反馈5个部分。其中SEIR模型模块是利用传染病模型SEIR模型预测新冠感染的传播和发展趋势。经过合理的预测分析和信息科普可以对多变的突发性疫情进行更科学的决策,同时也为群众了解新冠疫情相关信息提供方便快捷的窗口和渠道。

SARS疫情预测预报中的分段非线性回归方法

介绍了几种对累计SARS疫情预测预报中的非线性增长曲线模型 ,说明了Richards增长曲线在这次SARS疫情预测预报中合理性和可行性 ,由此建立了累计SARS疫情预测预报中的非线性回归点模型。并具体对北京SARS疫情进行了跟踪预测预报 ,包括整体和分时间段的预测预报 ,获得了北京SARS疫情随时间的预测预报结果 ,说明了北京 4月底的一系列控制措施对北京SARS疫情所带来的影响 ,为进一步的后续研究打下了良好基础。

马尔可夫链在海军疟疾疫情预测中的应用

目的 :为了进一步完善和加强海军传染病疫情预测、预报工作 ,检验马尔可夫链模型在海军疟疾疫情预测中应用的可行性 ,并预测 1999年至 2 0 0 3年海军疟疾疫情趋势。方法 :通过应用设定参数的马尔可夫链模型 ,逐年分析既往疫情资料做出预测 ,并与实际发病率结果比较 ,检验其合理性和适用性以及预测正确率 ,并用此模型预测今后五年内的疫情。结果 :马尔可夫链模型用于海军疟疾疫情预测的正确率在 60 %～ 10 0 %之间 ;预测 1999年至 2 0 0 3年海军疟疾发病率均小于 0 .5‰。结论 :马尔可夫链模型适用于海军疟疾疫情的预测 ,1999年至 2 0 0

辽宁省甲型病毒性肝炎流行特征及疫情预测

目的分析甲肝流行特征,预测甲肝疫情,提出针对性防制措施,以降低甲肝发病率。方法利用全省疫情资料及人口资料,采用总体统计和各年代统计分析方法。结果1994年以来辽宁省甲肝流行规律发生明显变化,7～8年一个流行高峰规律及秋冬季高峰现象明显消失,现流行高峰以春季为主,沿海地区和城市发病高于内地和农村,发病人群年龄组后移,15～30岁年龄组甲肝发病人数占70%。甲肝发病数占病毒性肝炎构成比明显下降。预测辽宁省仍然存在甲型肝炎暴发及流行可能。结论历史流行规律明显消失,发病率下降,暴发疫情明显减少。应积极开展以甲肝疫苗接种为主的综合性防制措施。

甲型H1N1流感疫情预测及中医药防治探讨

甲型H1N1流感在世界范围内广泛传播,各国防治措施已取得显著效果,但防控形势仍然相当严峻,对流行趋势进行科学预测并积极发挥中医药治疗和预防流感蔓延具有重大的现实意义。

基于卡尔曼滤波的SARS疫情预测

为了能够科学、准确地预测SARS疫情,论文首先根据SARS的传播特点,建立了含有时滞项的微分方程模型,然后应用卡尔曼滤波理论于所建模型,进行疫情预测。经仿真发现,其预测结果和疫情实际数据吻合较好。该方法具有很高的预测精度,为SARS疫情预测提供了一种新的思路。

基层动物防疫人员怎样进行疫情预测

传染病的疫情预测是对传染病的流行情况及其可能出现的变化作出的事先推论和判断。科学地预测某些传染病在一定地区和时间内是否出现流行及流行速度、规模,以便有针对性地采取防疫措施,控制流行,减少发病与死亡是贯彻预防为主的一项重要工作。目前已应用病原体分离、免疫学检测、分子生物学、基因工程等高新技术进行预测。但由于基层动物防疫部门的基础设施和技术水平条件有限，还不能应用先进技术。

样条函数在疫情预测上的应用

本文应用样条函数中导数来反映伤寒的发病规律，找出强弱流行年份伤寒发病数全年不同的分布规律及流行前期的变化规律，从而预测疫情。

石家庄市2003年流脑疫情预测

随着流脑多糖体菌苗的合理应用,流脑的流行病学特症发生了明显变化.周期性流行高峰被打破,发病率已控制在历史最低水平,流行周期明显延长,呈高度散发状态.为防止人口流动和菌群变迁造成的流脑流行,同时摸清散发年的流行特点.为做好我市的流脑监测工作,根据省2003年流脑防治工作安排,我们开展了病原学监测工作,并对今冬明春疫情进行了预测,结果如下:

基于时空注意力机制的新冠肺炎疫情预测模型

新冠肺炎疫情持续蔓延给人类社会带来深远影响,准确预测各地区的病毒传播趋势对防控疫情而言至关重要。现有研究主要基于传统的时序预测模型和传染病模型,鲜有考虑疫情地区关联复杂和时序依赖性强的特点,限制了其疫情预测的性能。为此,针对新冠肺炎疫情的预测任务,提出了一种时空注意力驱动的自编码器框架。通过引入空间注意力机制捕捉病毒感染序列间的动态空间关联性,利用时间注意力机制挖掘病毒感染序列中复杂的时序依赖性,以此实现对不同地区的新冠肺炎病毒传播趋势的准确预测。在模型的编码器端,融合空间注意力机制的长短期记忆(LSTM)网络,关联目标地区与其他地区的病毒感染序列,提取该区域近期新冠肺炎疫情的时序特征。在模型的解码器端,将时间注意力机制引入基于LSTM网络的解码器中,通过捕捉病毒感染序列的时序依赖性推测未来的新冠肺炎疫情趋势变化。在多个公开的新冠肺炎疫情数据集上对所提模型进行验证,实验结果表明:所提模型的预测性能超越了LSTM等模型;在公开的欧洲部分国家新冠肺炎疫情数据集上,预测误差指标RMSE和MAE分别降低了22.3%和25.0%,在中国部分省级单位新冠肺炎疫情数据集上,RMSE和MAE分别降低了10.1%和10.4%。

基于BiGRU-Attention网络的新型冠状病毒肺炎疫情预测

对新型冠状病毒肺炎疫情的准确预测能为疫情防控政策的制定提供重要依据,为此提出基于双向门控循环单元(BiGRU)和注意力机制(Attention Mechanism)的预测模型。考虑到新冠肺炎每日新增确诊人数的时序特性和非线性,采用了一种BiGRU网络,以减小计算代价并充分利用前、后向数据信息;同时引入注意力机制解决信息过载问题,以提高计算效率和预测精度。最后,通过英国和美国在2020年1月22日至2021年3月21日期间的每日新冠肺炎新增确诊病例数据集验证了所提方法的有效性。

基于自增强泊松过程的COVID-19疫情预测

在COVID-19疫情的防控工作中,对疫情传播过程中确诊人数的预测工作具有重要意义。在现有疫情传播预测工作中,以SEIR(Susceptible-Exposed-Infected-Recovered)模型为代表的传染病模型能反映疫情相关人群人数变化,但由于其人群均匀接触的前提假设,模型的应用具有局限性。基于时间序列分析的模型可以通过简单建模历史确诊人数的时间序列对当前确诊人数进行预测,但缺乏对传染病传播的传染性、爆发性、衰减性等固有性质的认识,对疫情发展趋势变化的预测能力受到制约。为解决上述问题,该文采用基于自增强泊松过程(Reinforced Poisson Process, RPP)的模型对疫情确诊人数进行预测,考虑病毒传染性、级联传染的自增强效应和病毒传播的时效性等三个关键因子,对疫情传播的动态过程进行建模,从而对确诊人数做出预测。实验证明,相较SEIR模型,使用RPP模型进行疫情预测不依赖人群均匀混合假设,在各尺度的地理区域都有稳定且准确的预测结果,也解决了SEIR模型在后期预测值过高的问题;对比时间序列分析模型,RPP模型能够掌握疫情发展的内在规律,对疫情发展前、中、后期的发展趋势预测误差分别减小5.29%、5.04%,0.47%,并且能准确把握疫情发展的重要阶段性变化。该文方法已应用于线上平台实时疫情预测,平均误差率小于0.5%。

基于BPNN的COVID-19疫情预测及SEIR的高校复学分析

目的比较不同国家未来疫情发展趋势,预测高校复学时间及方式。方法统计疫情相关数据;建立BP神经网络(BPNN)模型预测未来180天各国疫情发展;并结合SEIR模型对中国高校复学时间及方式进行理论分析。结果BP神经网络模型可以对疫情发展进行合理预测;在3个样本中,中国疫情已基本趋于稳定,意大利累计确诊人数将在11月初达到峰值,美国疫情峰值的出现将不早于明年1月中旬。在疫情防控较好的中国,若在疫情发生120天后采取严格管控下的部分复学或全面复学,学校产生二次暴发的可能性很小;若在疫情发生120天后采取无严格管控下的全面复学,学校有产生二次暴发的可能;9月初可以采取严格管控下的全面复学,而无严格管控下的全面复学应不早于9月底。结论预测结果与实际疫情及相关部门出台的政策基本吻合,对高校复学时间及方式进行科学分析并给出了建议,可为高校下一步复学计划提供参考。

疫情预测的一种动态方法

探讨了疫情预测的一种动态方法．该方法以时序分析的观点、动态数据处理的手段，把疫情预测分为两部分，即疫情的参数预测和以参数的预测值为基础的疫情状态预测．经实例计算效果良好，提高了预测精度．

COVID-19疫情预测模型的研究进展

新型冠状病毒肺炎(Corona virus disease 2019,COVID-19)疫情自2020年1月暴发以来,已成为国际关注的突发公共卫生事件,新型冠状病毒肺炎疫情预测模型在疫情防控中发挥着重要作用,主要应用于疫情发展趋势预测、疫情防控措施效果评价、疫情预警和日常监控等方面。其中时间序列模型适用于研究时间因素和疫情发展的关系;传染病动力学模型能够考虑多种因素对疫情的影响;复杂网络模型比较贴近真实世界,适用于分析空间因素对疫情的影响;而机器学习模型在处理复杂多变、大样本量、高维度的数据方面具有优势;同时多学科交叉的预测模型也越来越多,是未来的研究趋势。但目前在疫情数据处理、模型适用场景、模型检验和评价以及模型准确性等方面还存在一些难点和问题。