[发明专利]一种基于集合调整卡尔曼滤波和SIR模型的流感预测方法

说明书

本发明属于流感活动预测技术领域，具体涉及一种基于集合调整卡尔曼滤波和SIR模型的流感预测方法，为解决LSTM在峰值点拟合偏低的问题，本发明提供的流感预测方法一方面结合感染率和康复率，由SIR模型模拟流感在人群中传播，来预测流感的人数。另一方面通过集合调整卡尔曼滤波系统结合ILI观测值对SIR模型输出的预测值进行状态滤波得到最后的ILI预测值。

技术领域

本发明属于流感活动预测技术领域，具体涉及一种基于集合调整卡尔曼滤波和SIR模型的流感预测方法。

背景技术

流感疫情是一个严重的公共卫生问题，每年在全球范围内都引起重大疾病，导致巨大的经济损失和人员死亡。提前预测流感疫情对于预防ILI和合理分配医疗资源至关重要。疫情短期预测模型侧重于建立疫情在短期内的发展趋势模型，强调对人群感染规模的预测。现有的疫情短期预测模型主要基于历史ILI以及气象、交通、人口等多种外部数据输入，采用传统的统计学模型或者机器学习模型，以支持疾病短期发展趋势的预测。

传统的统计模型通常会根据已有的数学模型对疫情发展趋势进行建模和预测。许多研究人员为了提高流感预测的准确性，采用不同的数据源，例如谷歌、推特、雅虎、维基百科、百度指数和其他数据源(如天气、人口流动等)。数据源的应用为模型的建立提供了更多的帮助。例如，谷歌流感趋势(GFT)采用了一个线性模型，使用谷歌搜索引擎中预定义关键词来预测当前的流感样病例ILI比率。虽然最初认为GFT是一个基于大数据的流感预测方法的成功案例，但在之后的几年中，GFT多次高估了ILI峰值。随后，Santillana等人基于GFT进行了改进，开发了一种能够自动选择搜索关键词并实时更新的ILI预测模型。Yang等人则利用谷歌搜索数据开发了一个基于自回归(AR)方法的流感预测模型(ARGO)，该模型不仅考虑了流感疫情的季节性特征，还捕捉到了人们随时间变化的在线搜索行为。之后，Lu等人在ARGO的基础上开发了一个新的集成模型(ARGONet)，该方法通过引入周围地区的时空信息对模型进行改进，并在当时获得了最优的ILI预测结果。Huang等人利用将改进的卡尔曼滤波算法应用到传染病动力学模型(SIR)，提高了SIR模型的预测性能。Jing等人为了研究人口统计学对传染病传播的影响，建立了一个基于异构网络的易感-感染-恢复(SIR)的成对模型，并利用概率生成函数和矩闭包近似法对该模型进行约简，模拟表明，基于对数正态矩闭包近似法的低维模型能够很好地捕捉流行病的重要性。

发明内容

为了进一步模拟流感传播过程，结合流感样病例观测值，本发明提供了一种基于集合调整卡尔曼滤波和SIR模型的预测流感方法(SIR-EAKF)。

为了达到上述目的，本发明采用了下列技术方案：

一种基于集合调整卡尔曼滤波和SIR模型的流感预测方法，包括以下步骤：

步骤1，使用初始的状态向量生成含有M个状态向量的集合，其中集合成员来自特定分布的随机样本；

步骤2，将ILI真实值序列做为输入特征训练长短期记忆网络(LSTM)模型，拟合后的长短期记忆网络模型根据用户给定的预测长度L生成ILI观测值的序列；

步骤3，使用传染病模型SIR对状态向量的集合求解，得到先验状态向量的集合；

步骤4，集合调整卡尔曼滤波系统使用ILI观测值对先验状态向量进行滤波处理，得到流感预测值。

进一步，所述步骤3中传染病模型SIR表示为：

其中，S_t表示t周的易感人群总数，I_t表示t周的感染人群总数，N表示总人口数，γ表示平均康复率，β表示平均感染率。

进一步，所述步骤4中集合调整卡尔曼滤波系统使用ILI观测值的序列对先验状态向量进行滤波处理，具体步骤为：