1.基于LSTM轨迹交叉的SEIARN传播预测系统,其特征在于:包括数据收集模块,数据预处理模块、参数优化模块、模型融合模块、结果展示模块,其中:数据收集模块:收集疑似病例患者和确诊患者的移动轨迹数据并收集所在地区的疫情数据;
数据预处理模块:对收集的轨迹数据进行二次样条插值,扩充容量;
参数优化模块:根据原轨迹对LSTM模型的dropout失活率进行优化:依据移动轨迹的无序性确定相应的dropout失活率,定义出发点到当前停留点的方向向量γ,其时间序列中的连续相邻点xt,xt+1组成的有序向量γt会和γ存在夹角,若此夹角小于90度,存在方向性;若此夹角大于90度,证明此停留点数据为异常数据,应该让其失活,其失活率的公式如下定义:
其中dropout为失活率,T为样本点个数,γi为第i个坐标数据和第i+1个坐标数据组成的方向向量,γ为第一个样本点和最后一个样本点组成的方向向量,qi为0‑1变量,作用为统计异常数据个数,其值为0是代表行人前进的第i+1个坐标点符合目标方向趋势,不纳入计数;其值为1是代表行人前进的第i+1个坐标点和目标方向趋势不符,此点作为异常数据点,使其纳入计数;
根据传统SEIR模型,引入无症状感染者以及二次感染的情况建立SEIARN模型:引入A为无症状感染者,A在生活中易被认定为易感染者S,传染性远远大于潜伏者E。治愈者R仍有二次感染的可能性,因此移除者R类型研究对象仍有一定概率成为S类型易感染者;在模型命名中用N表示;主要SEIARN模型如下:式中,β1为易感染者被有症状感染者传染的概率;n1表示有症状感染者与易感者接触人数;β2为易感染者被无症状感染者传染的概率;n2表示无症状感染者与易感染者接触人数;α为潜伏者转化为感染者概率,为潜伏期的倒数;m为感染者中有症状感染者比例;γ1为无症状感染者康复概率;γ2为有症状感染者康复概率;θ为康复的无症状感染者中被二次感染的概率。
模型融合模块:根据LSTM预测未来轨迹的疑似病例和确诊轨迹数据,得到此地区两中人群的接触率,并带入SEIARN模型中计算此地区疫情发展趋势。
结果展示模块:引入传统SEIR和SEIAR模型和本方法形成对比,可视化展示预测结果。
2.根据权利要求1所述的基于LSTM轨迹交叉的SEIARN传播预测系统,其特征在于,在所述模型融合模块中,接触率的确定采用LSTM模型的预测轨迹数据来进行计算,在p时间点下,疑似患者i的经纬度(lanip,lonip),以及病患j的经纬度(lanjp,lonjp)轨迹是否交叉以及交叉的次数,定义如下公式:
其中ovlwhether为一个疑似患者和n个病患轨迹是否交叉的指标,其次将|lonip*lanjp‑laniplonjp|生成零一变量,得到:其中ovlnum‑i为第i个行人在k个时间段内和n个病患轨迹交叉的次数,其中k代表线段的个数,其k+1为时间点的个数;n代表病患的数量;此这个地区的所有行人的轨迹接触情况如下:
其中qdj为第d个行人和第j个病患之间的轨迹交叉情况,定义整体的接触率如下:其中Contact rates代表s地区和病患的接触情况,为行人和病患的接触率。
3.根据权利要求1所述的基于LSTM轨迹交叉的SEIARN传播预测系统,其特征在于,LSTM预测模型的整体流程为:确定一般参数:输入纬度、网络层数,选择sigmoid激活函数,网格搜索对一般参数调参,根据预测人群的原始轨迹计算dropout失活率,得到轨迹预测数据。
4.根据权利要求1所述的基于LSTM轨迹交叉的SEIARN传播预测系统,其特征在于,所述数据收集模块中通过爬虫技术得到病患和疑似病例患者所在地区的肺炎疫情数据。