本發明提供一種基于卡爾曼濾波理論辨識新型冠狀病毒傳播模型參數的方法，用于解決現有技術中存在的傳染病模型不考慮潛伏期以及傳染率不考慮時間變化影響的技術問題，實現步驟為：獲取新型冠狀肺炎疫情數據集，建立傳染病傳播模型，使用卡爾曼濾波算法補充所述傳染病傳播模型中的未知參數，再對識別出的傳染率建模成隨時間遞減的時變函數，建立傳染率變化模型，根據傳染率變化模型更新所述傳染病傳播模型得到最優化傳染病傳播模型，使用所述最優化傳染病傳播模型預測傳染病傳播情況，本發明有效提高了新冠病毒傳染模型參數預測的準確性。

技術領域

本發明涉及新型冠狀病毒傳播模型預測技術領域，尤其涉及一種基于卡爾曼濾波理論辨識新型冠狀病毒傳播模型參數的方法。

背景技術

目前，新型冠狀病毒傳播模型大都是采用的倉室模型(compartmental model)。傳染病倉室模型是傳染動力學中最為常用的傳染病模型，其中SIR模型是最基本最經典的模型。根據這次新冠病毒傳播的特點，本專利提出了一種基于卡爾曼濾波理論辨識新型冠狀病毒傳播模型參數來預測傳染病的演化情況。

已有技術存在忽略傳播率隨時間的變化情況，傳播模型不考慮潛伏期，預測精度差，計算大，參數識別準確性低等缺點。

發明內容

本發明提出一種基于濾波理論辨識新型冠狀病毒傳播模型參數的方法，其特征在于，包括如下步驟：

步驟1獲取新型冠狀肺炎疫情的時間序列數據集；

步驟2建立傳染病傳播模型；

步驟3使用卡爾曼濾波算法補充所述傳染病傳播模型中的未知參數；

步驟4建立傳染率變化模型；

步驟5根據傳染率變化模型更新所述傳染病傳播模型得到最優化傳染病傳播模型；

步驟6使用所述最優化傳染病傳播模型預測傳染病傳播情況。

進一步地，步驟2所述的建立傳染病傳播模型，其實現步驟為：

步驟1獲取發病地區的疫情數據集，即無癥狀感染者的數據、有癥狀感染者的數據、治愈者的數據以及死亡者的數據；

步驟2將所述發病地區人群分為六個類別，分別為：S代表易感者，E代表處于潛伏期的人群，A代表無癥狀感染者，I代表感染者(有癥狀的)，R代表治愈者，D代表死亡者；

步驟3傳染病傳播模型由六個常微分方程組成，描述了每個類別在每個階段隨時間的演化情況；

X(t)＝{S(t),E(t),A(t),I(t),R(t),D(t)}，代表各個類別每天的數據，代表各個類別每天的變化情況，也就是變化率，在這里變化率＝當天(t)人數-前一天(t-1)人數來計算。α表示易感者(S)被無癥狀患者(A)傳染的概率，β表示易感者(S)被有癥狀患者(I)傳染的概率，ε表示處在潛伏期(E)的人轉化為無癥狀患者(A)的概率，θ表示處在潛伏期(E)的人轉化為有癥狀患者(I)的概率，μ表示無癥狀患者(A)出現臨床癥狀的概率，v表示無癥狀患者(A)恢復的概率，ρ表示有癥狀患者(I)恢復的概率，τ表示死亡率。

進一步地，步驟(3)所述的使用卡爾曼濾波算法補充所述傳染病傳播模型中的未知參數，其實現步驟為：

步驟1根據所述傳染病傳播模型得到未知參數：α，β，ε，θ，μ，v，ρ，τ

步驟2將所述傳染病傳播模型整理為：