一种使用路径规划算法预测传染病传播概率的方法

1.本发明属于传染病预测技术领域，具体涉及一种使用路径规划算法预测传染病传播概率的方法。


背景技术：

2.为控制流行病的传播，人们曾经尝试多种方法来预测流行病的传播。在当下有很多对于传染病的预测方法，比如使用机器学习来预测传染病病情发展态势等。在此将提出一种新的预测方法，采用路径规划的方法进行对于目标城市可被传染的概率。在当下有很多对于传染病的传播速度，概率等预测，就好比构建神经网络模型来进行传染病的传播概率和速度的预测，但是在众多的预测方法中很多时候会出现失真的情况，很多的预测方法并不能够跟实际相符合。


技术实现要素：

3.本发明针对上述缺陷，提供一种使用路径规划算法预测传染病传播概率的方法。本发明提供的传染病传播概率的方法使用路径规划的方法来进行传播概率的预测，在某一城市暴发疫情后使用路径规划的方法进行对目标城市可被感染的概率预测，可以使预测的准确性更加准确更加贴近实际。
4.本发明提供如下技术方案：一种使用路径规划算法预测传染病传播概率的方法，包括以下步骤：
5.s1：采集传染病发生城市的数据信息；
6.s2：对传染病发生城市进行标注，并将对应的每个城市的数据信息分成若干个数据集合；
7.s3：对所述s2步骤形成的若干个数据集合中的每个数据集合进行比例缩放；
8.s4：构建多个城市之间的城市网络图；
9.s5：根据所述s4步骤构建的城市网络图，构建城市网络路径模型，采用dijkstra算法优化迭代构建的城市网络路径模型，得到距离传染病爆发城市最近的总路径，形成以该路径为传染病的传播路径；
10.s6：构建传染病传播概率预测模型；
11.s7：采用所述s6步骤构建的传染病传播概率预测模型遍历所述s5步骤得到的传染病的传播路径中的所有节点，进行局部的概率分析。
12.进一步地，所述s1步骤采集的数据信息包括传染病发生城市的人口数据信息和传染病发生城市之间的距离数据信息。
13.进一步地，所述s2步骤形成的若干个数据集合包括人口数据信息集合n和传染病发生城市之间的距离数据信息集合d：
14.n＝{n1，n2，...，nm}，d＝{d
ab
}；
15.其中，m为所述s1步骤采集到的传染病发生城市的总个数；d
ab
为传染病发生的第a
个城市和传染病发生的第b个城市之间的距离，a∈{1，2，...，m}，b∈{1，2，...，m}，且a≠b。
16.进一步地，在s3步骤中对所述s2步骤形成的人口数据信息集合进行比例缩放的比例为1∶10000。
17.进一步地，在s3步骤中对所述s2步骤形成的距离数据信息集合进行比例缩放的比例为1∶1000m。
18.进一步地，所述s5步骤构建的城市网络路径模型如下：
19.{
′cn
′
：{
′ci
′
：d
ni
，
′cj
′
：d
nj
，....，
′ck
′
：d
nk
}}
20.其中，cn代表爆发传染病的第n个城市，ci代表与所述爆发传染病的第n个城市关联的第i个城市，d
ni
为第n个城市与第i个城市的距离；cj代表与所述爆发传染病的第n个城市关联的第j个城市，d
nj
为第n个城市与第j个城市的距离；ck代表与所述爆发传染病的第n个城市关联的第k个城市，d
nk
为第n个城市与第k个城市的距离；i≠j≠k≠n，d
ni
∈d，d
nj
∈d且d
nk
∈d。即i∈{1，2，...，m}，j∈{1，2，...，m}，k∈{1，2，...，m}。
21.进一步地，所述s6步骤构建的传染病传播概率预测模型如下：
22.p＝(1-k1*pow(r0，-ns))
×
f(d
nx
)*k2；
23.其中，p为预测得到的传染病传播概率，k1为人口因素对传播概率进行预测产生影响的第一权重系数，ns为被预测的与所述爆发传染病的第n个城市关联的第x个城市作为城市节点与爆发传染病城市的人口均值，f(d
nx
)为关联城市作为城市节点的距离影响函数，d
nx
代表被预测的与所述爆发传染病的第n个城市关联的第x个城市之间的距离，x代表与所述爆发传染病的第n个城市关联的第x个城市，x＝i，j，
…
，k；k2为距离因素对传播概率进行预测产生影响的第二权重系数；k1+k2＝1，k1∈(0，1)，k2∈(0，1)；r0为传染病传播基数；
24.pow(r0，-ns)为求取传染病传播基数r0的-ns次方的幂函数；
25.进一步地，所述被预测的与所述爆发传染病的第n个城市关联的第x个城市作为城市节点与爆发传染病城市的人口均值的计算公式如下：
[0026][0027]
其中，nn为所述爆发传染病的第n个城市的人口数量，n
x
为所述第x个城市的人口数量。
[0028]
进一步地，所述关联城市作为城市节点的距离影响函数f(d
nx
)的计算公式如下：f(d
nx
)＝1/d
nx
。
[0029]
本发明的有益效果为：
[0030]
1、本发明采用路径规划算法进行全局的传播概率的预测：在使用路径规划来进行全局的传播概率的预测，根据影响传染病的传播因素(城市的人口数量交通发展程度，城市与城市之间的距离)进行更加完全的还原实际情况进行预测。
[0031]
2、对于单个节点的传播概率的局部预测：在对于全局的预测时会通过路径规划找到从爆发城市到我们所预测的城市传播最短的路径，在此路径上会经过一些城市结点，但是在寻找最短距离的时候我们往往会忽略掉很多周边的城市，那做一个局部的预测，根据(人口，距离)来对我们路径规划后的经过的城市结点分别对其相邻城市进行可被传播的预测。
[0032]
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得
显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
[0033]
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：
[0034]
图1为本发明提供的方法采用路径规划算法得到的城市网络构建图；
[0035]
图2为本发明提供的方法中经过路径规划后寻找出的最短路径示意图。
具体实施方式
[0036]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0037]
本发明提供一种使用路径规划算法预测传染病传播概率的方法，包括以下步骤：
[0038]
s1：采集传染病发生城市的数据信息；
[0039]
s2：对传染病发生城市进行标注，并将对应的每个城市的数据信息分成若干个数据集合；
[0040]
s3：对所述s2步骤形成的若干个数据集合中的每个数据集合进行比例缩放；
[0041]
s4：构建多个城市之间的城市网络图；
[0042]
s5：根据所述s4步骤构建的城市网络图，构建城市网络路径模型，采用di jkstra算法优化迭代构建的城市网络路径模型，得到距离传染病爆发城市最近的总路径，形成以该路径为传染病的传播路径；
[0043]
s6：构建传染病传播概率预测模型；
[0044]
s7：采用所述s6步骤构建的传染病传播概率预测模型遍历所述s5步骤得到的传染病的传播路径中的所有节点，进行局部的概率分析。
[0045]
优选地，s1步骤采集的数据信息包括传染病发生城市的人口数据信息和传染病发生城市之间的距离数据信息。
[0046]
进一步优选地，s2步骤形成的若干个数据集合包括人口数据信息集合n和传染病发生城市之间的距离数据信息集合d：
[0047]
n＝{n1，n2，...，nm}，d＝{d
ab
}；
[0048]
其中，m为所述s1步骤采集到的传染病发生城市的总个数；d
ab
为传染病发生的第a个城市和传染病发生的第b个城市之间的距离，a∈{1，2，...，m}，b∈{1，2，...，m}，且a≠b。
[0049]
进一步优选地，s3步骤中对所述s2步骤形成的人口数据信息集合进行比例缩放的比例为1∶10000。
[0050]
进一步优选地，在s3步骤中对所述s2步骤形成的距离数据信息集合进行比例缩放的比例为1∶1000m。
[0051]
进一步优选地，所述s5步骤构建的城市网络路径模型如下：
[0052]
{
′cn
′
：{
′ci
′
：d
ni
，
′cj
′
：d
nj
，....，
′ck
′
：d
nk
}}
[0053]
其中，cn代表爆发传染病的第n个城市，ci代表与所述爆发传染病的第n个城市关联
的第i个城市，d
ni
为第n个城市与第i个城市的距离；cj代表与所述爆发传染病的第n个城市关联的第j个城市，d
nj
为第n个城市与第j个城市的距离；ck代表与所述爆发传染病的第n个城市关联的第k个城市，d
nk
为第n个城市与第k个城市的距离；i≠j≠k≠n，d
ni
∈d，d
ni
∈d且d
nk
∈d。即i∈{1，2，...，m}，j∈{1，2，...，m}，k∈{1，2，...，m}。
[0054]
进一步优选地，所述s6步骤构建的传染病传播概率预测模型如下：
[0055]
p＝(1-k1*pow(r0，-ns))
×
f(d
nx
)*k2；
[0056]
其中，p为预测得到的传染病传播概率，k1为人口因素对传播概率进行预测产生影响的第一权重系数，ns为被预测的与所述爆发传染病的第n个城市关联的第x个城市作为城市节点与爆发传染病城市的人口均值，f(d
nx
)为关联城市作为城市节点的距离影响函数，d
nx
代表被预测的与所述爆发传染病的第n个城市关联的第x个城市之间的距离，x代表与所述爆发传染病的第n个城市关联的第x个城市，x＝i，j，
…
，k；k2为距离因素对传播概率进行预测产生影响的第二权重系数；k1+k2＝1，，k1∈(0，1)，k2∈(0，1)；r0为传染病传播基数；
[0057]
pow(r0，-ns)为求取传染病传播基数r0的-ns次方的幂函数；
[0058]
1-k1*pow(r0，-ns)为因为传染病传播基数r0和人口数量ns两个因素共同影响概率p的表达式，当传播基数一定时人口越多则可传播的概率就越大，由于可被感染人数与传播基数(r0)和人口(ns)的关系为可被传染人数数量r0的ns的次方，由于人口数量和传染病传播基数与传播概率成正比关系所以构建(1-k1*pow(r0，-ns))；
[0059]
进一步优选地，所述被预测的与所述爆发传染病的第n个城市关联的第x个城市作为城市节点与爆发传染病城市的人口均值的计算公式如下：
[0060][0061]
其中，nn为所述爆发传染病的第n个城市的人口数量，n
x
为所述第x个城市的人口数量。
[0062]
进一步优选地，所述关联城市作为城市节点的距离影响函数f(d
nx
)的计算公式如下：f(d
nx
)＝1/d
nx
。
[0063]
为了更好地理解本发明提供的方法，下面以一个具体实施例说明本发明提供的使用路径规划算法预测传染病传播概率的方法：
[0064]
s1：采集传染病发生城市的数据信息；
[0065]
s2：对传染病发生城市进行标注，并将对应的每个城市的数据信息分成若干个数据集合；
[0066]
具体为先对城市进行选择，将所选取的城市并进行标注，如图1所示，将选取的城市依次标注为c1，c2，c3，c4，c5，c6，c7，c8，c9，c
10
，c
11
，c
12
，c
13
，c
14
，c
15
，c
16
，c
17
。在对相应的城市进行城市的人口采集：c1为1004万，c2为346.8万，c3为256.6万，c4为262.8万，c5为8.1万，c6为147.5万，c7为96.2万，c8为34万，c9为1090.6万，c
10
为155.7万，c
11
为152.7万，c
12
为212万，c
13
为178.2万，c
14
为190.3万，c
15
为267.2万，c
16
为335万，c
17
为65.8万。再对城市相邻城市距离进行采集
[0067]
形成的包括17个城市的人口数据信息集合n和传染病发生的17个城市之间的距离数据信息集合d。如图1所示，将采集到的人口数量放到一个集合中n＝{1004，346.8，256.6，262.8，8.1，147.5，96.234，34，1090.6，155.7，152.7，212，178.2，190.3，267.2，335，65.8}。
[0068]
s3：对s2步骤形成的若干个数据集合中的每个数据集合进行比例缩放；具体为将人口数据信息集合进行比例为1∶10000的缩放，传染病发生城市之间的距离数据信息集合进行1∶1000m的比例缩放，进行s3步骤对s2步骤采集到的数据信息集合进行缩放的原因是因为将人口，距离使用原数据会导致概率预测的数值非常小，所以我们进行缩放为了让预测概率更加直观。
[0069]
s4：选取的爆发城市为c1，进行预测的城市为c
17
，构建多个城市之间的城市网络图，如图1所示为构建得到的17个城市之间的城市网络图。
[0070]
s5：根据s4步骤构建的城市网络图，构建城市网络路径模型：{
′cn
′
：{
′ci
′
：d
ni
，
′cj
′
：d
nj
，....，
′ck
′
：d
nk
}}，其中，cn代表爆发传染病的第n个城市，ci代表与所述爆发传染病的第n个城市关联的第i个城市，d
ni
为第n个城市与第i个城市的距离；cj代表与所述爆发传染病的第n个城市关联的第j个城市，d
nj
为第n个城市与第j个城市的距离；ck代表与所述爆发传染病的第n个城市关联的第k个城市，d
nk
为第n个城市与第k个城市的距离；i≠j≠k≠n，d
ni
∈d，d
nj
∈d且d
nk
∈d。即i∈{1，2，...，m}，j∈{1，2，...，m}，k∈{1，2，...，m}。
[0071]
采用dijkstra算法优化迭代构建的城市网络路径模型，得到距离传染病爆发城市最近的总路径，形成以该路径为传染病的传播路径；
[0072]
构建如下结点列表，将距离设置为权重：g为链表名称，大括号前的为父节点，大括号内的分号前用’标注的是子节点，子节点后为相邻城市的距离(距离进行了缩放)：
[0073]
g＝{
’1’
：{
’4’
：40，
’9’
：44}，
[0074]
’2’
：{’16’：170，
’7’
：190}，
[0075]
’3’
：{’15’：40，’16’：140}，
[0076]
’4’
：{
’1’
：40，
’9’
：49}，
[0077]
’5’
：{’14’：37}，
[0078]
’6’
：{’12’：90，
’8’
：55，’11’：53}，
[0079]
’7’
：{
’2’
：60，’16’：190，’15’：90}，
[0080]
’8’
：{
’6’
：55，’12’：50，
’9’
：100，’11’：45}，
[0081]
’9’
：{’11’：80，’10’：130，
’4’
：49，’12’：150}，
[0082]’10’：{
’9’
：130，’11’：160，’15’：300}，
[0083]’11’：{
’9’
：80，
’8’
：45，’13’：130，
’6’
：53，’10’：160}，
[0084]’12’：{
’9’
：150，
’8’
：50，’13’：105，
’6’
：90}，
[0085]’13’：{’12’：105，’11’：130，’14’：110}，
[0086]’14’：{
’5’
：37，’13’：110，’17’：280}，
[0087]’15’：{’10’：300，
’3’
：40，
’7’
：90，’16’：100}，
[0088]’16’：{’15’：100，
’3’
：140，
’2’
：170，
’7’
：190}，
[0089]’17’：{’14’：280}
[0090]
经过优化后得到的传染病的传播路径如下：
[0091]
[
’1’
，
’9’
，’11’，’13’，’14’，’17’]，即如图2所示，传染病经过c1、c9、c
11
、c
13
、c
14
最终传播至c17城市，该传播路径为优化得到的最短路径的长度，最短路径长度为644.0。
[0092]
s6：构建传染病传播概率预测模型：
[0093]
p＝(1-k1*pow(r0，-ns))
×
f(d
nx
)*k2；
[0094]
其中，p为预测得到的传染病传播概率，k1为人口因素对传播概率进行预测产生影响的第一权重系数，ns为被预测的与所述爆发传染病的第n个城市关联的第x个城市作为城市节点与爆发传染病城市的人口均值，f(d
nx
)为关联城市作为城市节点的距离影响函数，d
nx
代表被预测的与所述爆发传染病的第n个城市关联的第x个城市之间的距离，x代表与所述爆发传染病的第n个城市关联的第x个城市，x＝i，j，
…
，k；k2为距离因素对传播概率进行预测产生影响的第二权重系数；k1+k2＝1，k1∈(0，1)，k2∈(0，1)；r0为传染病传播基数。k1和k2分别为自行设定的与各个城市的人口数量以及与相邻城市之间距离对传染病传播概率p影响的大小的权重系数，改变k1和k2可以用来改变距离因素对传播概率进行预测的权重，使用时需要注意自行设定的方法(假设爆发城市甲和预测城市乙两地相距很远但是乙地的城市人口很多那么就需要将距离的权重k2设置小一点降低相邻城市距离对计算结果p影响的权重，将k1的比例设置大一点从而增加人口对计算结果p影响的权重)，设定k1，k2是为了根据实际情况进行人口、距离两个因素在预测时，分别对概率预测的权重设定，并且k1，k2的范围都在0-1之间的实数)，那么将所采集的数据将其对应进行带入到公式中进行城市的传播概率的预测。
[0095]
pow(r0，-ns)为求取传染病传播基数r0的-ns次方的幂函数；
[0096]
其中，被预测的与所述爆发传染病的第n个城市关联的第x个城市作为城市节点与爆发传染病城市的人口均值的计算公式如下：
[0097][0098]
其中，nn为所述爆发传染病的第n个城市的人口数量，n
x
为所述第x个城市的人口数量。
[0099]
关联城市作为城市节点的距离影响函数f(d
nx
)的计算公式如下：f(d
nx
)＝1/d
nx
。通过构建的关联城市作为城市节点的距离影响函数的设置，可以影响计算得到的传播概率p，由于与第n个爆发传染病的城市之间的关联城市节点x之间的距离d
nx
越远，那么可被传播的概率p就越低，即距离d
nx
与传播的概率p成反比。
[0100]
s7：采用s6步骤构建的传染病传播概率预测模型遍历所述s5步骤得到的传染病的传播路径中的所有节点，进行局部的概率分析。
[0101]
根据结点进行局部的概率分析：首先对着构建得到的如图1所示的城市网络构建图，每一个路径规划结束的所遍历的子节点对其相邻城市进行概率的预测。对于爆发城市结点c1来说，其有两个子节点分别为c4，c9那我们路径规划后我们只经过了结点c9并没有经过结点c4，但是从实际出发来看的话结点c4，结点c9一样都会被感染，我们进行局部的概率预测，我们将结点c4的城市人口262.8(万)以及c
4-c1结点之间的距离40km带入到公式中进行估计。对于我们所遍历的子节点c1，c9，c
11
，c
13
，c
14
，c
17
都进行如此的操作从而使概率的预测更加准确，可预测的城市更完全。
[0102]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0103]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0104]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0105]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在本发明提供的方法的一个流程或多个流程指定的功能的步骤。
[0106]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。