[发明专利]一种基于聚类的疫情发展趋势分析方法及系统

说明书

本发明公开一种基于聚类的疫情发展趋势分析方法及系统，方法包括：根据疫情爆发前各地区的迁入规模指数和GDP进行第一次聚类，得到疫情爆发前的各地区分类情况；根据实施防控措施前各地区的确诊人数、疫情爆发前各地区的迁入规模指数和GDP进行第二次聚类，得到疫情爆发后的各地区分类情况；根据疫情爆发前各地区的GDP、实施防控措施后各地区的确诊人数和迁入规模指数进行第三次聚类，得到实施防控措施后的各地区分类情况；根据疫情爆发前、后和实施防控措施后的各地区分类情况，确定各地区的疫情发展趋势。本发明能准确得到不同地区的疫情发展趋势，将世界整体内具有相似疫情发展趋势的地区识别出来，从而为制定相应的防控策略提供决策。

技术领域

本发明涉及医疗卫生技术领域，特别是涉及一种基于聚类的疫情发展趋势分析方法及系统。

背景技术

现有大多数对于疫情发展趋势的研究都是通过在传统预测模型的基础上添加患者确诊数来进行相关预测。例如，尹楠等人基于SIR(Susceptible Infected Recovered)模型进行了有限区域内病毒传播的模拟分析；梅文娟等人将极限学习机与SIR模型相结合构建了极限IR实时预测模型；盛华雄等人将SIR模型与Logistic模型相结合，对不同防控措施进行了模拟和对比；喻孜等人使用基于时变参数的SIR模型预测得到了疫情拐点和最大确诊数；Zhou等人基于 SEIR(Susceptible ExposedInfected Recovered)模型计算得到了病毒的再生数；林俊锋等人在SEIR模型的基础上增加了“隐形传播者”，对隐形传播者的数量进行了预测；范如国等人基于SEIR模型对3种不同潜伏期下的疫情进行了拐点预测；凡友荣等人提出的SIR-F模型在SIR模型的基础上增加了未确诊的感染者(具有传染性)，这一点与SEIR模型相同，其还将“移除者”(Removed) 细分为“治愈者”(Recovered)和“死亡者”(Fatal)，从而能够进一步分析治愈人数、死亡人数的变化趋势，提高分析结果的准确性。除此之外，还有基于神经网络和深度学习等方法构建预测模型，例如，刘晓夏等人提供一种基于Bi-LSTM与TF-IDF的疫情预测与分析方法，其综合利用人工智能和自然语言处理技术，针对区域的不同情况采取相应的处理策略，动态建立预测模型；王灵钰等人通过调节前馈神经网络模型参数，将现有疫情数据进行训练，从而实现对疫情发展的预测；温亮等人通过整合疫情数据的ARIMA(Autoregressive IntegratedMovingAverage model)模型直接进行疫情预测；李少亭等人通过基于自适应噪声的完整集合经验模态分解建立每日新增确诊人数预测模型等。上述方法虽然可以得到整体的疫情发展情况走势，但存在一定的局限性：由于不同地区的基础建设规模、GDP、人口规模等不同，所以疫情发展状况也不尽相同，因此整体的疫情发展状况不能代表各地区的疫情发展趋势。而一些地区又具备相似的基建、GDP、人口规模等信息，所以合理准确地识别出这类具有相似发展趋势的地区，制定相应的防控策略具有重大的研究意义。

综上，现有的技术大多为宏观预测疫情发展趋势，考虑的角度大多是某一个地区的整体疫情发展趋势，而无法将这个整体内的单元识别出来，例如“世界的所有地区”、“亚欧大陆的所有国家”等。基于此，如何准确得到不同地区的疫情发展趋势，将世界整体内具有相似疫情发展趋势的地区识别出来，从而为制定相应的防控策略提供决策，成为本领域技术人员亟待解决的问题。

发明内容

本发明的目的是提供一种基于聚类的疫情发展趋势分析方法及系统，能够准确得到不同地区的疫情发展趋势，将世界整体内具有相似疫情发展趋势的地区识别出来，从而为制定相应的防控策略提供决策。

为实现上述目的，本发明提供了如下方案：

一种基于聚类的疫情发展趋势分析方法，所述方法包括：

建立疫情的传染病系统动力学模型；

基于所述传染病系统动力学模型提取疫情数据特征；所述疫情数据特征包括人口密度、公共交通密度、迁入规模指数和GDP；