城市疫情风险预测方法及设备

1.本技术属于城市疫情风险预测技术领域，尤其涉及一种城市疫情风险预测 方法及设备。


背景技术：

2.疫情风险预测是公共卫生安全领域的重点课题之一，对疫情空间风险数据 进行预测，可以使城市疫情风险更加直观，使人们更加明确所在地区的风险程 度，有助于对于疫情监管以及复工复学的决策。
3.现有技术中，通常使用seir(susceptible-exposed-infected-removed)动力 学模型进行预测，该模型考虑了易感者、潜伏者、感染者、治愈者四种人群对 传染病风险进行预测。然而该预测方式没有对实际防疫情况的考虑，对疫情风 险预测的准确率低。


技术实现要素：

4.有鉴于此，本发明提供了一种城市疫情风险预测方法及设备，旨在解决对 疫情风险预测的安全性低的问题。
5.本发明实施例的第一方面提供了一种城市疫情风险预测方法，包括：
6.获取预设区域的多类人群的内部疫情数据和预设区域外的其他区域的外部 疫情数据；
7.根据所述内部疫情数据和第一预测模型得到内部传播风险预测曲线；
8.根据所述外部疫情数据和第二预测模型得到外部流入风险预测曲线；
9.获取预设区域内第一预设指标的权重向量；
10.根据所述第一预设指标的权重向量将所述内部传播风险预测曲线和所述外 部流入风险预测曲线进行加权整合，得到疫情风险预测曲线；
11.其中，所述多类人群包括易感者、潜伏者、感染者、治愈者、死亡者和隔 离潜伏者；所述第一预设指标包括城市内部传播风险指标和城市外部流入风险 指标；所述第一预测模型表征各类人群人数的变化率与所述疫情数据的关系； 所述第二预测模型表征单位时间内从其他区域流入所述预设区域的感染者人数 与其他区域的感染者人数的关系。
12.本发明实施例的第二方面提供了一种城市疫情风险预测装置，包括：
13.第一获取模块，获取预设区域的多类人群的内部疫情数据和预设区域外的 其他区域的外部疫情数据；
14.处理模块，根据所述内部疫情数据和第一预测模型得到内部传播风险预测 曲线；根据所述外部疫情数据和第二预测模型得到外部流入风险预测曲线；
15.第二获取模块，获取预设区域内第一预设指标的权重向量；
16.整合模块，用于根据所述第一预设指标的权重向量将所述内部传播风险预 测曲线和所述外部流入风险预测曲线进行加权整合，得到疫情风险预测曲线；
17.其中，所述多类人群包括易感者、潜伏者、感染者、治愈者、死亡者和隔 离潜伏者；
所述第一预设指标包括城市内部传播风险指标和城市外部流入风险 指标；所述第一预测模型表征各类人群人数的变化率与所述疫情数据的关系； 所述第二预测模型表征单位时间内从其他区域流入所述预设区域的感染者人数 与其他区域的感染者人数的关系。
18.本发明实施例的第三方面提供了一种电子设备，包括存储器、处理器以及 存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行 所述计算机程序时实现如上第一方面所述城市疫情风险预测方法的步骤。
19.本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可 读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一 方面所述城市疫情风险预测方法的步骤。
20.本发明实施例提供的城市疫情风险预测方法及设备，获取预设区域的多类 人群的内部疫情数据和预设区域外的其他区域的外部疫情数据；根据内部疫情 数据和第一预测模型得到内部传播风险预测曲线；根据外部疫情数据和第二预 测模型得到外部流入风险预测曲线；获取预设区域内第一预设指标的权重向量； 根据第一预设指标的权重向量将内部传播风险预测曲线和外部流入风险预测曲 线进行加权整合，得到疫情风险预测曲线；通过分别预测内部传播风险和外部 传播风险，并且考虑了实际疫情防控措施下的隔离潜伏者群体，能够有效提高 疫情风险预测的准确率。
附图说明
21.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技 术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅 仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳 动性的前提下，还可以根据这些附图获得其他的附图。
22.图1是本发明一个实施例提供的城市疫情风险预测方法的应用环境图；
23.图2是本发明一个实施例提供的城市疫情风险预测方法的实现流程图；
24.图3是本发明一个实施例提供的各类人群之间的转化关系图；
25.图4是本发明一个实施示例提供的城市疫情风险预测方法的实现流程图；
26.图5是本发明一个实施例提供的城市疫情风险预测装置的结构示意图；
27.图6是本发明一个实施例提供的电子设备的示意图。
具体实施方式
28.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术 之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当 清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中， 省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节 妨碍本发明的描述。
29.目前传染性肺炎如新型冠壮病毒肺炎等爆发，容易导致疫情在短时间内迅 速扩散，这是公共卫生安全领域的突发性重大事件。对疫情空间风险数据进行 预测，可以使城市疫情风险更加直观，使人们更加明确所在地区的风险程度， 有助于各地政府对于疫情监管以及复工复学的决策。
30.综合考虑疫情现状、人口数量、人口流动等多重因素以及疫情风险的特性， 结合
相关疫情风险理论，得出影响城市疫情风险的主要来源在于城市内部的传 播风险及城市外部的流入风险，并判断本发明适合使用seir疫情动力学模型、 keyfitz人口迁移模型进行研究，再通过层次分析法对两个模型得到的曲线进行 整合。本发明可以根据时间，具体预测城市内部传播风险值与外部流入风险值， 对疫情风险的总结具有非常重要的意义。
31.目前，使用动力学进行风险预测已广泛应用于矿业勘探、森林火灾、滑坡 勘测、金属污染等各个方面，对疫情风险预测一般也可以使用相应的疫情动力 学模型。但现有的疫情风险预测体系仍有所欠缺，大多数研究者仅仅将疫情风 险评估停留在全国或全省的阶段，对于中小型城市的风险评估还处于不完善状 态。因此本发明使用修正的seir疫情动力学模型、修正的keyfitz人口迁移模 型计算城市内外风险，并通过层次分析法对城市内外风险进行整合，以实现城 市疫情风险的预测。
32.图1是本发明一个实施例提供的城市疫情风险预测方法的应用环境图。本 发明实施例提供的城市疫情风险预测方法可以但不限于应用于该应用环境。如 图1所示，该系统中包括：数据库11、电子设备12、终端设备13。
33.数据库11用于存储疫情数据，并在接收到电子设备12发送的获取指令后， 发送该获取指令对应的疫情数据。电子设备12用于从数据库11中获取数据后， 计算得到疫情风险预测曲线和/或疫情风险预测地图。终端设备13用于向电子 设备12发送查询指令。电子设备12还用于在接收到查询指令后向终端设备13 发送查询指令所查询时段对应的预测曲线向疫情风险预测曲线和/或疫情风险 预测地图，终端设备13还用于显示疫情风险预测曲线和/或疫情风险预测地图。
34.数据库11可以是关系型数据库，也可以是非关系型数据库，在此不作限定。 电子设备12可以是服务器、终端等，在此不作限定。服务器可以用独立服务器 或者是多个服务器组成的服务器集群来实现。终端可以包括但不限于台式计算 机、笔记本电脑、平板电脑等。终端设备13可以包括但不限于台式计算机、笔 记本电脑、平板电脑。
35.图2是本发明一个实施例提供的城市疫情风险预测方法的实现流程图。该 实施例中，以该方法应用于图1中的电子设备为例进行说明。如图2所示，该 方法包括：
36.s201，获取预设区域的多类人群的内部疫情数据和预设区域外的其他区域 的外部疫情数据。
37.s202，根据内部疫情数据和第一预测模型得到内部传播风险预测曲线；根 据外部疫情数据和第二预测模型得到外部流入风险预测曲线。
38.s203，获取预设区域内第一预设指标的权重向量。
39.s204，根据第一预设指标的权重向量将内部传播风险预测曲线和外部流入 风险预测曲线进行加权整合，得到疫情风险预测曲线。
40.其中，多类人群包括易感者、潜伏者、感染者、治愈者、死亡者和隔离潜 伏者。第一预设指标包括城市内部传播风险指标和城市外部流入风险指标。第 一预测模型表征各类人群人数的变化率与疫情数据的关系。第二预测模型表征 单位时间内从其他区域流入预设区域的感染者人数与其他区域的感染者人数的 关系。
41.本实施例中，预设区域可以是任意大小的地域，具体根据实际情况设定， 例如，可以根据行政区域设定，也可以根据疫情传播情况设定，在此不作限定。 预设区域外的其他区域为与预设区域之间存在人口迁移的区域。第一预测模型 可以是神经网络模型、支持向
量机模型、修正的seir传染病动力学模型等， 在此不作限定。第二预测模型可以是神经网络模型、支持向量机模型、修正的 keyfitz人口迁移模型等，在此不作限定。计算第一预设指标的权重向量的算法 可以是层次分析算法、熵值法算法、主成分分析算法等，在此不作限定。
42.可选的，内部疫情数据可以包括但不限于下述至少一项：与感染者每次接 触的传播概率、感染者单位时间的接触人数、各类人群之间的转化率、潜伏者 相对于感染者的传播能力系数、其他区域向预设区域的移动速率、每类人群的 人数初值。可选的，外部疫情数据可以包括但不限于下述至少一项：其他区域 疫情病例数量、其他区域人口向预设区域的迁移率。
43.本实施例中，获取预设区域的多类人群的内部疫情数据和预设区域外的其 他区域的外部疫情数据；根据内部疫情数据和第一预测模型得到内部传播风险 预测曲线；根据外部疫情数据和第二预测模型得到外部流入风险预测曲线；获 取预设区域内第一预设指标的权重向量；根据第一预设指标的权重向量将内部 传播风险预测曲线和外部流入风险预测曲线进行加权整合，得到疫情风险预测 曲线；过分别预测内部传播风险和外部传播风险，并且考虑了实际疫情防控措 施下的隔离潜伏者群体，能够有效提高疫情风险预测的准确率。
44.在一些实施例中，根据内部疫情数据和第一预测模型得到内部传播风险预 测曲线，包括：
45.根据内部疫情数据和第一预测模型得到各类人群对应的人数变化曲线；
46.获取预设区域内第二预设指标的权重向量；
47.根据第二预设指标的权重向量将各类人群对应的人数变化曲线进行加权整 合，得到内部传播风险预测曲线；其中，第二预设指标包括易感者指标、潜伏 者指标、感染者指标、治愈者指标、死亡者指标和隔离潜伏者指标。
48.本实施例中，计算第二预设指标的权重向量的算法可以是层次分析算法、 熵值法算法、主成分分析算法等，在此不作限定。
49.图3是本发明一个实施例提供的各类人群之间的转化关系图。在上述任一 实施例的基础上，第一预测模型包括修正的seir传染病动力学模型。
50.目前，通常会对高风险易感人群进行集中隔离，并对所有感染者进行隔离 治疗。考虑到防控措施带来的影响，在模型中新增人群隔离潜伏者(eq)、死亡 者(d)，使其更加贴合城市级疫情风险计算。
51.图3中，人群的类型包括：易感者、潜伏者、感染者、治愈者、死亡者和 隔离潜伏者。易感者指未患病的健康人群，即与感染者接触后会轻易受到感染 的人群；潜伏者指携带有感染源但尚未表现出临床症状的人群，该人群可以传 染给易感者；感染者指表现出临床症状，已经确诊为传染病患者的人，该人群 在确诊的同时被隔离治疗，认为其不能传染给易感者；治愈者指患者已经痊愈 后获得免疫力的人；死亡者指患者已经死亡，无法作为传染源的人；隔离潜伏 者指被隔离在指定设施的潜伏者，该人群无法作为传染源。
52.修正的seir传染病动力学模型为：
[0053][0054]
其中，s为易感者的人数，e为潜伏者的人数，eq为隔离潜伏者的人数，i 为感染者的人数，r为治愈者的人数，d为死亡者的人数，r为接触次数，b为 与感染者每次接触的传播概率，θ为潜伏者相对于感染者的传播能力系数，q0和q1分别为易感者和潜伏者向隔离潜伏者的转化速率，a0和a1分别为潜伏者和 隔离潜伏者向感染者的转化速率，y0和y1分别为感染者向治愈者和死亡者的转 化速率，t为时间。其中，传染概率密度β＝rb。
[0055]
在一些实施例中，多类人群还包括：免疫者；疫情数据还可以包括下述至 少一项：免疫者人数初值、易感者单位时间的疫苗接种人次、传播概率单位时 间的衰减速度。
[0056]
本实施例中，随着实际疫情防控措施的进行，由于疫苗注射的进行产生免 疫者，以及由于隔离措施产生隔离潜伏者，使得传染病风险降低，疫传染概率 密度β会逐渐衰减，指数衰减方程如下：
[0057]
n(t)＝n0e-kt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0058]
其中，n(t)为指数方程n在t时刻的数值，n0代表n在0时刻的初始值，k 为衰减常数。从式中可以看出，指数方程n的衰减速率为e-kt
。
[0059]
故可以得出，假设疫情始终处于指数衰减，即传播概率在单位时间的衰减 速度k0不变时，疫情衰减系数：
[0060][0061]
其中，c为疫情衰减系数。
[0062]
此时，疫传染概率密度为：
[0063][0064]
修正的seir传染病动力学模型为：
[0065][0066]
本实施例中，同时考虑了实际疫情防控措施下产生的隔离潜伏者和免疫者 对疫情风险预测的影响，能够有效的提高预测准确率。
[0067]
在一些实施例中，若传染病病毒在传染过程中发生传染增强型变异，则采 用两个修正的seir传染病动力学模型分别对变异前和变异后的病毒进行预测。 对于变异后的病毒，病毒变异前对应的免疫者和治愈者相对于变异后的病毒的 抗性减弱，应当相应调整分别免疫者向感染者、潜伏者隔离潜伏者转化的速率， 相应调整治愈者向感染者、潜伏者隔离潜伏者转化的速率。或者可以将免疫者 和治愈者重新视为易感者。并且，调高为与感染者每次接触的传播概率，各人 群之间的转化速率应当根据实际变异病毒的情况相应调整，在此不作限定。
[0068]
在一些实施例中，第二预测模型包括修正的keyfitz人口迁移模型，其中， 修正的keyfitz人口迁移模型中的城市为预设区域，农村为预设区域外的其他区 域，预设区域的自然增长率为零；
[0069]
修正的keyfitz人口迁移模型为：
[0070][0071]
其中，δup(t)为预设时段内其他区域流动至预设区域的疫情病例数量，rp(t) 为t时刻其他区域疫情病例数量，g为其他区域人口向预设区域的迁移率；其中， 疫情病例数量为感染者、潜伏者、隔离潜伏者的人数总和。
[0072]
本实施例中，考虑了外部流入人群对疫情风险预测的影响，有效提高预测 的准确度。
[0073]
在一些实施例中，s202，包括：
[0074]
在预设区域外的其他区域为多个时，根据各个其他区域的外部疫情数据和 第二预测模型分别确定各个其他区域的流入曲线；
[0075]
根据各个其他区域的疫情病例数量比例，对各个其他区域的流入曲线进行 加权求和，得到外部流入风险预测曲线。
[0076]
在一些实施例中，获取预设区域内第一预设指标的权重向量，包括：
[0077]
获取各第一预设指标之间的标度；
[0078]
根据标度和层析分析算法，确定预设区域内各预设指标的权重向量。
[0079]
本实施例中，根据标度和层析分析算法，确定预设区域内各预设指标的权 重向量，具体如下：
[0080]
(1)构造判断矩阵
[0081]
根据第一预设指标之间的标度，构造判断矩阵：
[0082][0083]
其中，判断矩阵的每行(列)对应一个第一预设指标。
[0084]
(2)计算权重向量
[0085]
判断矩阵最大特征根的特征向量，经归一化后即为权重向量w。记权重向 量w＝(w1，...，wi)，则计算公式为：
[0086][0087]
其中，wi为第一预设指标对应的权重向量，n为第一预设指标个数。
[0088]
(3)一致性检验
[0089]
计算矩阵和权重向量的一致性比例cr，当cr《0.1时，认为判断矩阵具有 较好的一致性。检验公式如下：
[0090][0091]
其中，λ
max
为判断矩阵的最大特征根，ri代表随机一致性指标在一些实施 例中，在上述任一实施例的基础上，根据疫情数据和层析分析算法，确定预设 区域内各预设指标的权重向量之后，还包括：
[0092]
根据空间自相关分析算法，调整基于层析分析算法获得的权重向量。
[0093]
本实施例中，由于由层次分析算法计算得出的权重向量一般只针对预设区 域整体进行考量，由于预设区域内部疫情人数分布的不均匀性，往往存在一定 偏差。对于预设区域内疫情人数较多的区域，其疫情内部传播风险相对较高； 而疫情人数较少且距离风险地区近的区域，其疫情流入风险则相对较高。
[0094]
本实施例中，调整基于层析分析算法获得的权重向量具体如下：
[0095]
1.通过moran's i指数判断城市疫情是否存在空间聚集性，并根据疫情空间 聚集的程度划分空间自相关带来的偏差。
[0096]
2.再通过lisa指数衡量疫情权重的空间差异。
[0097]
3.对层次分析算法计算得出权重向量进行加权计算，得到调整后的权重向 量。
[0098]
本实施例中，根据空间自相关分析算法，调整基于层析分析算法获得的权 重向量，能够得到更加细致风险权重向量，有效提高风险预测的准确度。
[0099]
在一些实施例中，获取预设区域的多类人群的内部疫情数据和预设区域外 的其他区域的外部疫情数据，包括：
[0100]
从数据库获取原始数据；
[0101]
根据原始数据和矩估计算法进行原始数据估算，得到估算数据；
[0102]
根据估算数据和原始数据得到内部疫情数据和外部疫情数据。
[0103]
本实施例中，数据库中的数据可以是通过网络从官方网站或其他网站获得， 也可以通过文献调研的方式获得，在此不作限定。数据采集工具可以是python 网络爬虫，http库为requests库，解析插件为beautiful soup。
[0104]
本实施例中，对于一些难以实际测量和无法获得的数据，可以通过估算的 方式获得。本实施例中，采用矩估计算法，利用再生矩阵的方式，计算这些的 数据。
[0105]
在一些实施例中，在获取内部疫情数据和外部疫情数据之后，该方法还包 括：对内部疫情数据和外部疫情数据进行预处理。
[0106]
其中，预处理指对于数据进行清洗和样本数据的筛选。
[0107]
在一些实施例中，在得到疫情风险预测曲线之后，该方法还包括：
[0108]
获取预测时段内各类人群的实际人数数据；
[0109]
根据实际人数数据确定实际风险数据；
[0110]
根据相关性算法计算实际风险数据、预测时段对应的疫情风险预测曲线之 间的相关系数；
[0111]
若相关系数大于预设阈值则确定疫情风险预测曲线有效。
[0112]
本实施例中，相关性算法可以是皮尔森相关系数算法、典型相关分析算法 等，在此不作限定。可选的，相关系数大于预设阈值为相关系数大于0.6。
[0113]
可选的，若相关系数不大于预设阈值则删除疫情风险预测曲线，将预测时 段内各类人群的实际人数数据和实际风险数据作为数据集，根据该数据集和优 化算法对第一预设指标的权重向量和第二预设指标的权重向量进行优化，以得 到更准确的疫情风险预测曲线。
[0114]
可选的，若相关系数不大于预设阈值则删除疫情风险预测曲线，根据各类 人群的实际人数数据和矩估计算法，得到新的内部疫情数据和新的外部疫情数 据，以得到新的疫情风险预测曲线。新的疫情风险预测曲线用于预测下一个待 预测时段的传染病风险值。
[0115]
可选的，还可以根据参考数据确定实际估算风险曲线，确定实际估算风险 曲线与疫情风险预测曲线的皮尔森相关系数，判断相关系数与预设阈值的大小 关系。参考数据可以包括但不限于下述至少一项：实际患病率指数、医疗资源 分配指数、出行强度指数。
[0116]
在一些实施例中，预设区域为多个；
[0117]
该方法还包括：
[0118]
获取每个预设区域内的地理信息系统gis地图及每个预设区域对应的疫情 风险预测曲线；
[0119]
将疫情风险预测曲线与其对应的gis地图结合，得到疫情风险预测地图。
[0120]
本实施例中，可以将疫情风险预测曲线导入arcgis软件中与地理信息系 统(geographic information system或geo-information system，gis)结合，得 到的城市疫情风险预测地图，并使用arcgis api接口将其调用到前端网页。还 可以将疫情风险预测曲线使用echarts图表工具绘制时间折线图，以xy字段形 式映射到前端网页的城市地图上，得到城市疫情风险预测地图。城市疫情风险 预测地图可以包括但不限于下述至少一项：一周内每天城市各区县疫情风险预 测地图，城市疫情高峰期和平稳期中各地域的风险等级，城市未来一周的疫情 风险变化曲线。
[0121]
下面通过一个实施示例对上述设备控制方法进行说明，但并不作为限定。 图4是本发明一个实施示例提供的城市疫情风险预测方法的实现流程图。如图 4所示，在该实施示例中，城市疫情风险预测方法可由以下步骤实现：
[0122]
步骤1，获取内部疫情数据和外部疫情数据，具体获取的数据类型和获取 途径如下表所示：
[0123]
表1数据来源表
[0124][0125]
其中，官方数据是指数据库中存储的疫情相关数据或者从官方网站查询的 疫情相关数据，参数估计是指根据官方数据和估计算法估算得到的数据。
[0126]
步骤2，根据内部疫情数据和第一预测模型得到各类人群对应的人数变化 曲线。
[0127]
步骤3，根据层次分析算法和人数变化曲线得到内部传播风险预测曲线。
[0128]
具体如下：
[0129]
(1)根据下表确定各第二预设指标之间的标度：
[0130]
表2标度表
[0131][0132]
(2)根据第二预设指标之间的标度，得到的大小为7
×
7的判断矩阵。
[0133]
其中，判断矩阵的每行(列)对应一个第二预设指标。
[0134]
(3)计算判断矩阵最大特征根的特征向量，再经归一化后即得到权重向量 集。记权重向量集为w＝(w1，w2，w3，w4，w5，w6，w7)，其中，wi为各第二预 设指标对应的权重向量，n为第一预设指标个数。
[0135]
(4)根据空间自相关分析算法，调整各第二预设指标对应的权重向量。
[0136]
(5)根据各第二预设指标对应的人数变化曲线和权重向量，得到内部传播风 险预测曲线。
[0137]
(6)一致性检验。
[0138]
计算矩阵和权重向量的一致性比例cr，当cr《0.1时，认为判断矩阵具有 较好的一致性。检验公式如下：
[0139][0140]
其中，λ
max
为判断矩阵的最大特征根。ri代表随机一致性指标，其取值与 第一预设指标个数有关，具体如表3所示。
[0141]
表3不同指标个数时的随机一致性指标取值
[0142][0143]
第二预设指标共7项，ri＝1.32。
[0144]
步骤4，根据外部疫情数据和第二预测模型得到外部流入风险预测曲线。
[0145]
步骤5，根据层次分析算法、内部传播风险预测曲线、外部流入风险预测 曲线，得到疫情风险预测曲线，具体如下：
[0146]
(1)根据表2确定各第一预设指标之间的标度.
[0147]
(2)根据第一预设指标之间的标度，得到的大小为2
×
2的判断矩阵。
[0148]
(3)计算判断矩阵最大特征根的特征向量，再经归一化后即得到权重向量 集。记权重向量集为w＝(w1，w2)。
[0149]
(4)根据空间自相关分析算法，调整各第一预设指标对应的权重向量。
[0150]
(5)根据各第一预设指标对应的人数变化曲线和权重向量，得到内部传播风 险预
测曲线。
[0151]
(6)一致性检验。第一预设指标共2项，ri＝0。
[0152]
步骤6，根据各类人群的实际人数数据和相关性算法进行曲线验证。若相 关系数大于0.6，则确定疫情风险预测曲线有效。若相关系数不大于0.6，则进 行以下步骤：
[0153]
(
ⅰ
)首先检查疫情数据集的真实性。
[0154]
(
ⅱ
)若以上数据真实有效，则重新对第一预设指标、第二预设指标的权重 向量进行计算。
[0155]
即对第一预设指标和第二预设指标中，层次分析法的判断矩阵进行重新设 定，计算标度权重，直至所得结果的相关系数达到标准范围。
[0156]
(
ⅲ
)代入另外几组疫情数据集，检查修正后的权重向量是否达到标准范围。 若达标，则证明模型修改完成；若没有达标，则重新进行步骤(
ⅱ
)(
ⅲ
)。
[0157]
步骤7，将疫情风险预测曲线与其对应的gis地图结合，得到疫情风险预 测地图。
[0158]
步骤8，接收到查询指令后，输出并显示查询指令对应的疫情风险预测地 图。
[0159]
本实施例中，提供的城市疫情风险预测方法包括：获取预设区域的多类人 群的内部疫情数据和预设区域外的其他区域的外部疫情数据；根据内部疫情数 据和第一预测模型得到内部传播风险预测曲线；根据外部疫情数据和第二预测 模型得到外部流入风险预测曲线；获取预设区域内第一预设指标的权重向量； 根据第一预设指标的权重向量将内部传播风险预测曲线和外部流入风险预测曲 线进行加权整合，得到疫情风险预测曲线；过分别预测内部传播风险和外部传 播风险，并且考虑了实际疫情防控措施下的隔离潜伏者群体，能够有效提高疫 情风险预测的准确率，并且具有成本低、可扩展性高等优点。
[0160]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后， 各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施 过程构成任何限定。
[0161]
图5是本发明一个实施例提供的城市疫情风险预测装置的结构示意图。如 图5所示，城市疫情风险预测装置5，包括：
[0162]
第一获取模块510，用于获取预设区域的多类人群的内部疫情数据和预设 区域外的其他区域的外部疫情数据；
[0163]
处理模块520，用于根据内部疫情数据和第一预测模型得到内部传播风险 预测曲线；根据外部疫情数据和第二预测模型得到外部流入风险预测曲线；
[0164]
第二获取模块530，用于获取预设区域内第一预设指标的权重向量；
[0165]
整合模块540，用于根据第一预设指标的权重向量将内部传播风险预测曲 线和外部流入风险预测曲线进行加权整合，得到疫情风险预测曲线；
[0166]
其中，多类人群包括易感者、潜伏者、感染者、治愈者、死亡者和隔离潜 伏者；第一预设指标包括城市内部传播风险指标和城市外部流入风险指标；第 一预测模型表征各类人群人数的变化率与疫情数据的关系；第二预测模型表征 单位时间内从其他区域流入预设区域的感染者人数与其他区域的感染者人数的 关系。
[0167]
可选的，处理模块520，用于根据内部疫情数据和第一预测模型得到各类 人群对应的人数变化曲线；
[0168]
获取预设区域内第二预设指标的权重向量；
[0169]
根据第二预设指标的权重向量将各类人群对应的人数变化曲线进行加权整 合，得到内部传播风险预测曲线；其中，第二预设指标包括易感者指标、潜伏 者指标、感染者指标、治愈者指标、死亡者指标和隔离潜伏者指标。
[0170]
可选的，第一预测模型包括修正的seir传染病动力学模型；
[0171]
修正的seir传染病动力学模型为：
[0172][0173]
其中，s为易感者的人数，e为潜伏者的人数，eq为隔离潜伏者的人数，i 为感染者的人数，r为治愈者的人数，d为死亡者的人数，r为接触次数，b为 与感染者每次接触的传播概率，θ为潜伏者相对于感染者的传播能力系数，q0和q1分别为易感者和潜伏者向隔离潜伏者的转化速率，a0和a1分别为潜伏者和 隔离潜伏者向感染者的转化速率，y0和y1分别为感染者向治愈者和死亡者的转 化速率，t为时间。
[0174]
可选的，第二预测模型包括修正的keyfitz人口迁移模型，其中，修正的 keyfitz人口迁移模型中的城市为预设区域，农村为预设区域外的其他区域，预 设区域的自然增长率为零；
[0175]
修正的seir传染病动力学模型为：
[0176][0177]
其中，δup(t)为预设时段内其他区域流动至预设区域的疫情病例数量，rp(t) 为t时刻其他区域疫情病例数量，g为其他区域人口向预设区域的迁移率；其中， 疫情病例数量为感染者、潜伏者、隔离潜伏者的人数总和。
[0178]
可选的，第二获取模块530，用于获取各第一预设指标之间的标度；
[0179]
根据标度和层析分析算法，确定预设区域内各预设指标的权重向量。
[0180]
根据疫情数据和层析分析算法，确定预设区域内各预设指标的权重向量之 后，还包括：
[0181]
根据空间自相关分析算法，调整基于层析分析算法获得的权重向量。
[0182]
可选的，第一获取模块510，用于从数据库获取原始数据；
[0183]
根据原始数据和矩估计算法进行原始数据估算，得到估算数据；
[0184]
根据估算数据和原始数据得到内部疫情数据和外部疫情数据。
[0185]
可选的，城市疫情风险预测装置5，还包括：验证模块550。
[0186]
验证模块550，用于获取预测时段内各类人群的实际人数数据；
[0187]
根据实际人数数据确定实际风险数据；
[0188]
根据相关性算法计算实际风险数据、预测时段对应的疫情风险预测曲线之 间的相关系数；
[0189]
若所述相关系数大于预设阈值则确定疫情风险预测曲线有效。
[0190]
可选的，预设区域为多个；
[0191]
城市疫情风险预测装置5，还包括：地图模块560。
[0192]
地图模块560，用于获取每个预设区域内的地理信息系统gis地图及每个 预设区域对应的疫情风险预测曲线；
[0193]
将疫情风险预测曲线与其对应的gis地图结合，得到疫情风险预测地图。
[0194]
可选的，内部疫情数据包括下述至少一项：与感染者每次接触的传播概率、 感染者单位时间的接触人数、各类人群之间的转化率、潜伏者相对于感染者的 传播能力系数、其他区域向预设区域的移动速率、每类人群的人数初值。
[0195]
可选的，外部疫情数据包括下述至少一项：其他区域疫情病例数量、其他 区域人口向预设区域的迁移率。
[0196]
可选的，多类人群还包括：免疫者；疫情数据还包括下述至少一项：免疫 者人数初值、易感者单位时间的疫苗接种人次、传播概率单位时间的衰减速度。
[0197]
本实施例提供的城市疫情风险预测装置，可用于执行上述方法实施例，其 实现原理和技术效果类似，本实施例此处不再赘述。
[0198]
图6是本发明一个实施例提供的电子设备的示意图。如图6所示，本发明 的一个实施例提供的电子设备6，该实施例的电子设备6包括：处理器60、存 储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62。处 理器60执行计算机程序62时实现上述各个城市疫情风险预测方法实施例中的 步骤，例如图2所示的步骤201至步骤203。或者，处理器60执行计算机程序 62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块510至 530的功能。
[0199]
示例性的，计算机程序62可以被分割成一个或多个模块/单元，一个或者 多个模块/单元被存储在存储器61中，并由处理器60执行，以完成本发明。一 个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指 令段用于描述计算机程序62在电子设备6中的执行过程。
[0200]
电子设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算 设备。终端可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以 理解，图6仅仅是电子设备6的示例，并不构成对电子设备6的限定，可以包 括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端 还可以包括输入输出设备、网络接入设备、总线等。
[0201]
所称处理器60可以是中央处理单元(central processing unit，cpu)，还可 以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用 集成电路(application specific integrated circuit，asic)、现场可编程门阵列 (field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或 者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理 器也可以是任何常规的处理器等。
[0202]
存储器61可以是电子设备6的内部存储单元，例如电子设备6的硬盘或内 存。存储器61也可以是电子设备6的外部存储设备，例如电子设备6上配备的 插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital， sd)卡，闪存卡(flash card)等。进一步地，存储器61还可以既包括电子设 备6的内部存储单元也包括外部存储设备。存储器61用于存储计算机程序以及 终端所需的其他程序和数据。存储器61还可以用于暂时地存储已经输出或者将 要输出的数据。
[0203]
本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储 有计算机程序，计算机程序被处理器执行时实现上述城市疫情风险预测方法实 施例中的步骤。
[0204]
计算机可读存储介质存储有计算机程序62，计算机程序62包括程序指令， 程序指令被处理器60执行时实现上述实施例方法中的全部或部分流程，也可以 通过计算机程序62来指令相关的硬件来完成，计算机程序62可存储于一计算 机可读存储介质中，该计算机程序62在被处理器60执行时，可实现上述各个 方法实施例的步骤。其中，计算机程序62包括计算机程序代码，计算机程序代 码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机 可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、 u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，random access memory)、电载波信号、 电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可 以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法 管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信 号。
[0205]
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如 终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如 终端上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字 (secure digital,sd)卡，闪存卡(flash card)等。进一步地，计算机可读存 储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存 储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介 质还可以用于暂时地存储已经输出或者将要输出的数据。
[0206]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后， 各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施 过程构成任何限定。
[0207]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上 述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上 述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的 功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单 元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可 以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的 形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的 具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系 统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在 此不再赘述。
[0208]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详 述或记载的部分，可以参见其它实施例的相关描述。
[0209]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示 例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来 实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用 和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现 所描述的功能，但是这种实现不应认为超出本发明的范围。
[0210]
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可 以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的， 例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外 的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一 些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接 耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可 以是电性，机械或其它的形式。
[0211]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元 显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可 以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元 来实现本实施例方案的目的。
[0212]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中， 也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元 中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的 形式实现。
[0213]
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售 或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发 明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相 关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机 程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程 序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、 可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程 序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机 存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram， random access memory)、电载波信号、电信信号以及软件分发介质等。需要 说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践 的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算 机可读介质不包括是电载波信号和电信信号。
[0214]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述 实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然 可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进 行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各 实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。