一种阿片类药物危机爆发时间的预测方法与流程

本发明涉及药物预防技术领域，具体涉及一种阿片类药物危机爆发时间的预测方法。

背景技术：

阿片类药物是天然或合成化合物。这些药物产生吗啡样的药理作用。使用类阿片结合周围和中枢神经系统中的一个或多个类阿片受体，抑制有害传入信号的产生和传递，产生镇痛作用，从而对使用者产生完全兴奋、部分兴奋、兴奋对抗和对抗等不同的作用。阿片类药物一直是治疗中重度疼痛最有效的方法。阿片类药物包括可卡因、美沙酮、吗啡等，主要用于治疗疼痛，但反复使用易使人成瘾，出现恶心、焦虑、失眠等症状。同时，近年来阿片类药物在慢性非癌症疼痛治疗中的应用一直备受争议。随着类阿片使用的增加，由滥用和滥用引起的社会问题日益突出。

在美国，处方药滥用已成为近年来最严峻且发展最快的药物问题之一。据美国药物滥用和心理健康服务管理局的“全国药物使用和健康调查”显示，2016年美国有超过1100万人滥用阿片类处方药，近100万人使用海洛因，210万人有阿片类药物使用紊乱问题。在过去的十年中，美国新生儿戒断综合征、丙型肝炎感染率和阿片类药物相关的急诊就诊和住院率明显上升。自2000年以来，已有超过30万人死于阿片类药物过量。2016年初步数据显示，至少有6.4万人死于药物过量，创历史新高。阿片类药物可通过口服、静注、吸食等多种途径被滥用，其中口服途径占比72％—97％，为阿片类药物最常见的滥用形式。美国疾病控制和预防中心数据显示，近年来，美国因阿片类药物滥用导致死亡的人数连年上升，2015年更是达到3.3万人，是1999年的4倍。对于阿片类药物案例数进行有效预测从而能够在达到阈值前进行有效干预对有效控制阿片类药物危机爆发尤其重要。

技术实现要素：

本发明解决的技术问题是提供一种阿片类药物危机爆发时间的预测方法，根据本发明的方法，可以有效预测下一次阿片类药物危机的爆发时间和地点，从而可以提前对危机进行干预，可以有效控制阿片类药物危机。

本发明提供的具体解决方案包括如下步骤：

1)样本收集得到当地的各区域n-m-k～n年阿片类药物案例数据，所述k≥1，所述m≥5；

2)将样本收集得到的各区域n-m-k～n-m年的阿片类药物案例数据进行归一化处理作为测试样本集，将n-m～n年的阿片类药物案例数据进行归一化处理作为训练样本集；

3)确定神经网络的输入神经元数和输出神经元数，确定隐含层神经元数的取值范围，建立elman神经网络；

4)在隐含层神经元数的取值范围内，设定隐含层神经元数为不同的取值时，分别通过训练样本集数据对建立的神经网络进行训练，当神经网络的训练误差处于预设范围内，停止训练，得到训练后的神经网络,采用训练后的神经网络对测试集样本进行预测，计算测试集预测误差，取测试集预测误差最小值对应的隐含层神经元数作为最优隐含层神经元数；

5)取最优隐含层神经元数下的训练后的神经网络对当地各区域n～n+s年的阿片类药物案例数进行预测，采用插值拟合处理各区域n-m～n+s年的阿片类药物案例数,绘制各区域n-m～n+s年案例数走势曲线图；

6)根据各区域n-m～n+s年案例数走势曲线图预测n～n+s年内当地最先爆发阿片类药物危机的区域以及爆发时间。

根据本发明的方法，可以有效预测当地下一次阿片类药物危机的爆发时间，从而可以提前对危机进行干预，可以有效控制阿片类药物危机。

优选的，采用逐级预测的方法对具体的爆发地以及爆发时间进行定位。以美国为例，先采用所述步骤1)-6)对各州阿片类药物进行预测，预测阿片类药物最先爆发的州及时间，然后再对最先爆发的州下面各县内的阿片类药物进行预测，预测阿片类药物最先爆发的县和时间。由此，可以精确阿片类药物爆发地点和爆发时间，便于进行提前管制，可以有效控制阿片类药物危机。

具体的，三次插值拟合处理各区域n-m～n+s年的阿片类药物案例数,绘制各区域n-m～n+s年案例数走势曲线图，三次插值拟合处理的原理如下：

数学上将具有一定光滑性的分段多项式称为样条函数。具体地说，给定区间[a,b]的一个分划：δ：a＝x0＜x1＜...＜xn-1＜xn＝b

如果函数s(x)满足：

(i)在每个小区间[xi,xi-1](i＝0,1,...,n-1)上s(x)是k次多项式；

(ii)s(x)在[a,b]上具有二阶连续导数。

则称s(x)为关于分划δ的三次样条函数，其图形称为三次样条曲线。x0,x1,...,xn称为样条节点，x1,x2,...,xn-1称为内节点，x0,xn称为边界点，这类样条函数的全体记做sp(δ,3)，称为三次样条函数空间。若s(x)∈sp(δ,3)，则s(x)是关于分划δ的k次多项式样条函数。

三次多项式样条函数的形式为：

其中，αi(i＝0,1,...,k)和βj(j＝1,2,...,n-1)均为任意常数，而

在上述方案的基础上，本发明还可以进行如下改进：

根据本发明的方法，确定隐含层数目神经元数的取值范围时，采用双隐含层，所述双隐含层包括第一隐含层和第二隐含层，所述第二隐含层的神经元数以及所述第一隐含层的神经元数分别采用以下经验公式确定:

其中,n为输入层神经元数，m为输出层神经元数，a选自1至10之间的任一常数，根据上述经验公式可分别确定第一隐含层神经元数的取值范围和第二隐含层神经元数的取值范围。

在网络设计过程中,隐含层神经元数确定十分重要。隐层神经元数过多,会加大网络计算量并容易产生过度拟合问题；隐含层神经元数过少,则会影响网络性能,达不到预期效果。网络中隐层神经元的数与实际问题的复杂程度、输入和输出层的神经元数以及对期望误差的设定有着直接的联系。目前,对于隐层中神经元数的确定并没有明确的公式,只有一些经验公式。且根据本发明的方法采用双隐含层，相比于但隐含层，具有较好的拟合效果。

根据本发明的方法，设定第二隐含层神经元数选自第二神经元隐含层的取值范围内任一数值，在第一隐含层神经元数的取值范围设定若干第一层隐含层神经元数值，通过训练样本集数据对建立的神经网络进行训练，当神经网络的训练误差处于预设范围内，停止训练，得到训练后的神经网络，采用训练后的神经网络对测试集样本进行预测，计算测试集预测误差，取预测误差最小的第一层隐含层神经元数作为最优第一层隐含层神经元数。

根据本发明的发法，最优神经元数的确定通过经验公式和多次实验来共同确定。先采用经验公式确定隐含层神经元数的范围，再采用训练后的神经网络对测试集样本进行预测，计算测试集预测误差，比如以测试集样本的均方误差来评估预测结果的精确度，减少了反复试验的网络计算量，快速找到了最优隐含层神经元数，且将第二隐含层设定为固定值，可进一步提高网络计算且对预测的准确度几乎没有影响。

所述基于elman神经网络的数学模型为：

y(t)＝g(w3l(t))

l(t)＝f(w1lc(t)+w2(x(t))

lc(t)＝l(t-1)

y(t)表示m维输出节点向量，l(t)表示m维隐含节点单元向量，x(t)表示u维输入向量，lc(t)表示承接层的输出向量，w3为隐含层到输出层的连接权值，w2表示输入层到隐含层的连接权值，w1表示承接层到隐含层连接权值，g(*)表示输出神经元的激励函数，f(*)表示隐含层神经元的激励函数。

elmans神经网络一般分为四层：输入层、隐含层、承接层和输出层。输入层单元仅起到信号传输作用，输出层单元起线性加权作用，隐含层单元的传递函数可采用传递线性和非线性函数，承接层用来记忆隐含层单元前一时刻的输出值并返回给网络的输入，可以认为是一个一步延时算子。elmans神经网络将隐含层的输出通过承接层的延迟与存储，自联到隐含层的输入。这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，从而达到动态建模的目的。

根据本发明的方法，步骤5)根据下式对数据进行归一化处理：

中，xn，yn分别表示原始数据和归一化后数据，xmax,xmin分别代表训练样本集数据序列x中的最大值和最小值。。

归一化可以在不改变原始数据分布的情况下，使得不同度量的特征之间具有可比性，且归一化可以加快训练网络的收敛性。

根据本发明的方法，所述基于elman的神经网络采用bp算法进行权值修正更新，并采用误差平方和函数进行指标函数学习，训练误差为：

yn(t)代表t时刻的实际输出值，为相对应的期望值。

根据本发明的方法，elman神经网络的隐含层采用s型正切函数tansig作为隐层神经元的激励函数，输出层采用pureline函数作为激励函数。

根据本发明的方法，根据各区域n-m～n+s阿片类药物案例数走势图找出当地n～n+s年内最先达到案例数阈值的区域和年份t1，根据各区域n-m～n+s年阿片类药物案例数走势图绘制n-m～n+s增长率曲线,从所述增长率曲线找出当地在n～n+s内增长率最先达到增长率阈值的区域和年份t2,所述t1年和t2年中的较小值以及较小值对应的区域即为当地阿片类药物危机爆发的时间和区域。

根据本发明的方法通过最大案例数以及最大增长率双重指标进行确定，不仅案例数达到阈值时，需要进行管制，在有些时候，虽然案例数远没有达到阈值，但是由于其增长率特别大，即案例数增长速度特别快，也需要进行管制，比如可能存在未知因素(比如严重的非法贩卖)导致阿片类药物增长率迅速增加。通过案例数经验阈值以及增长率阈值双指标法预测阿片类药物危机爆发的时间，可以比较准确的预测出该地需要进行药物管制的时间。

根据本发明的方法，所述案例数阈值和增长率阈值均通过n-m～n年内当地的案例数据中最大值以及最大增长率数据中的最大值。

设阈值为p，在不同的区域或对于不同的药物，对应的阈值p是不同的。

案例数阈值确定:

p1＝max{a1,a2,...,an-1,an}

增长率阈值确定:

其中，a1,a2,...,an-1,an为当地训练样本中t1～tn年份的阿片类药物的案例数，p1和p2分别代表案例数经验阈值以及增长率经验阈值，以案例数经验阈值以及增长率经验阈值作为案例数阈值和增长率阈值。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1为阿片类药物危机爆发时间的预测方法流程图。

图2为实施例1中2010—2019年各州海洛因案例数走势曲线图。

图3为实施例1中2010年至2019年各州海洛因案例数增长率变化图。

具体实施方式

下面结合附图1-3以及具体实施例对本发明进行描述。下面描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

实施例1：

以美国为例，先在州水平上进行研究，收集美国5个州ky、oh、pa、va、wv2007—2017的海洛因案例数据，如表1所示，对收集得到的海洛因案例数据进行归一化处理得到样本集，将各州2010-2017的样本集作为训练样本集，将2007-2009年的样本集作为测试样本集，确定输入层神经元数为15、输出层神经元数为5、第一层隐含层神经元数分别设置为7、11、14、18，第二隐含层神经元数固定设置为5层，建立elman神经网络模型,设置网络迭代次数epochs为1000次,期望误差goal为0.00001,在第一层隐含层神经元数分别为7、11、14、18，分别使用训练样本集数据对elman神经网络进行训练得到训练后的elman神经网络，分别采用训练后的elman神经网络预测上述5个州在2007-2009这三年的海洛因案例数，计算测试样本集的预测误差(均方误差)，当第一层隐含层神经元数为18时，均方误差最小，因此最优第一隐含层元数设定为18，选取训练后的神经网络(设定第一隐含层神经元数为18，第二隐含层神经元数为5)对各州2018～2019年的阿片类药物案例数进行预测得到各州2018～2019年的阿片类药物案例数，对2010—2019各地的阿片类药物的案例数进行三次样条插值拟合可得到2010—2019年各地海洛因案例数走势曲线图，结果如图2所示，通过各地海洛因案例数走势曲线图绘制2010-2019年各地海洛因案例数增长率变化图，结果如图3所示。

表1

从图2中分别找出各州2010-2017年海洛因案例数最大值作为各州案例数阈值，从图3中分别找出各州2010-2017年海洛因案增长率最大值作为各州增长率阈值，将预测得到的各州2018-2019年案例数以及增长率分别与其州内的增长率阈值和增长率阈值进行比较，最先达到案例数最大值或增长率最大值的州即为海洛因危机爆发的区域，从而得到最先爆发海洛因的州以及爆发时间，得到了海洛因最先需要干预的州和时间。由图3可知，pa州在2018的案例数和增长率均超过了阈值，va在2019案例数超过了阈值，wv在2019年增长率超过了阈值，pa州将在2018年达到阈值，在2018年之前进行干预，va和wv在2019达到阈值，需要在2019年之前进行干预。

然后按照上述方法，在县水平上进行预测。具体的，在需要干预的州里面的按照上面的方法对最先爆发海洛因危机的县以及具体时间进行预测。基于本发明的方法可以有效预测下一次阿片类药物危机的爆发时间和具体地点，从而可以提前对危机进行干预，可以有效控制阿片类药物危机。

尽管上面已经详细描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。