跨区域人口流动频繁区域的传染病预警模型动态调优与业务化验证方法及装置与流程

本技术涉及医疗数据处理，特别是一种跨区域人口流动频繁区域的传染病预警模型动态调优与业务化验证方法及装置。

背景技术：

1、目前同类技术的主要问题并不在于缺少传染病预测模型，而在于多数模型仍停留在"离线建模、历史回测、一次性部署"的阶段，缺乏面向真实疾控业务场景的持续验证和闭环调优能力。尤其在京津冀、长三角、粤港澳大湾区等人口流动频繁区域，疫情传播受到跨城通勤、输入性风险、区域异质性、病原体变异、人群免疫水平和防控政策变化等多重因素影响，传播规律会持续变化，而现有模型参数往往部署后即固定，难以及时识别和修正概念漂移，导致预测精度随时间下降。

2、在相关技术中，预测出的传染病的流行趋势通常并不考虑区域人口流动的因素，也不考虑患者的自然死亡率，进而导致无法确定出针对于某一个区域的传染病流行趋势，同时确定传染病流行趋势的过程中考虑的因素不够完善，导致确定出的传染病的流行趋势并不准确。与此同时，现有系统普遍重视病例数据和模型算法本身，忽视业务人员在真实预警处置中的反馈价值，未能将预警确认、误报、漏报、干预措施和处置效果等业务反馈转化为模型调优依据。因此，模型输出与实际疾控研判之间容易脱节，出现预警滞后、持续假阳性、持续假阴性或风险等级不符合业务认知等问题。此外，现有模型评价多依赖均方误差、准确率等统计指标，缺少对预警提前量、峰值偏差、假阳性/假阴性持续性和业务可用性的综合评估，难以真正反映模型在公共卫生实践中的应用价值。

3、更关键的是，许多预警模型缺少与国家或省级传染病监测预警平台的深度对接能力，无法形成从数据接入、模型运行、预警输出、业务反馈、参数调优到报告生成的标准化流程。由此导致模型即便在试验数据中表现良好，也难以在真实跨区域场景中长期稳定运行，更难形成可复制、可推广、可审计的业务化应用模式。

技术实现思路

1、本技术的目的在于提供一种跨区域人口流动频繁区域的传染病预警模型动态调优与业务化验证方法及装置，能够实现模型参数动态调优、提升跨区域预测精度和形成业务闭环。

2、第一方面，本技术提出了一种跨区域人口流动频繁区域的传染病预警模型动态调优与业务化验证方法，方法包括：

3、获取疫情监测数据、人口流动数据、区域异质性数据、气象环境数据、干预措施数据以及业务反馈数据；

4、基于目标传染病动力学模型，利用所述疫情监测数据、所述人口流动数据、所述区域异质性数据、所述气象环境数据以及所述干预措施数据，构建跨区域耦合传播模型，得到预定时间窗口内各区域的预测病例数以及综合传播风险指数；其中，所述目标传染病动力学模型用于指示多个区域中易感者、潜伏者、感染者和移除者之间的状态转换关系，所述多个区域具有不同的疾病传播风险，所述多个区域之间通过人口流动矩阵建立耦合关系；

5、基于所述预测病例数以及所述综合传播风险指数，结合所述业务反馈数据，对所述目标传染病动力学模型的参数进行动态调优，得到调优后的传染病预警模型；

6、利用所述调优后的传染病预警模型，对所述多个区域的传染病流行趋势进行预测，输出预警结果并生成业务应用指南。

7、进一步地，所述基于目标传染病动力学模型，利用所述疫情监测数据、所述人口流动数据、所述区域异质性数据、所述气象环境数据以及所述干预措施数据，构建跨区域耦合传播模型，包括：

8、基于所述目标传染病动力学模型，确定所述多个区域中每个区域的疫情状态变量，所述疫情状态变量包括易感者规模、潜伏者规模、感染者规模和移除者规模；

9、基于所述人口流动数据，构建区域间人口流动矩阵，所述人口流动矩阵中的元素表示从第一区域流向第二区域的人口规模或归一化流动强度；

10、基于所述区域间人口流动矩阵，计算标准化流动权重，并根据所述标准化流动权重计算外部输入感染压力；

11、基于所述外部输入感染压力、本地传播风险以及区域异质性风险因子，计算总体感染压力；

12、根据所述总体感染压力，建立带有人口流动耦合项的区域异质性传播微分方程组，所述传播微分方程组包括易感者变化率方程、潜伏者变化率方程、感染者变化率方程和移除者变化率方程。

13、进一步地，所述标准化流动权重的计算公式为：

14、

wij(

t)=∑

k=1

nmik(

t)+

ϵmij(

t)；

15、其中，

wij(

t)表示时间t从区域i流向区域j的标准化流动权重，

mij(

t)表示时间t从区域i流向区域j的人口规模，

n表示纳入模型的区域数量，

ϵ为避免分母为零的极小正数；

16、所述外部输入感染压力的计算公式为：

17、λ

iout(

t)=∑

j=

iwji(

t)

pj(

t)

ij(

t)；

18、其中，λ

iout(

t)表示区域i的外部输入感染压力，

wji(

t)表示从区域j流向区域i的标准化流动权重，

ij(

t)表示区域j在时间t的感染者规模，

pj(

t)表示区域j的常住或实时人口规模。

19、进一步地，所述总体感染压力的计算公式为：

20、

λi(

t)=

βi(

t)

pi(

t)

ii(

t)+

ηi(

t)∑

j=

iwji(

t)

pj(

t)

ij(

t)；

21、其中，

λi(

t)表示区域i的总体感染压力，

βi(

t)表示区域i的本地有效接触率，

ηi(

t)表示外部输入风险放大系数，

ii(

t)表示区域i在时间t的感染者规模，

pi(

t)表示区域i的常住或实时人口规模；

22、所述带有人口流动耦合项的区域异质性传播微分方程组为：

23、

dtdsi(

t)=-

λi(

t)

si(

t)；

24、

dtdei(

t)=

λi(

t)

si(

t)-

σiei(

t)；

25、

dtdii(

t)=

σiei(

t)-

γiii(

t)；

26、

dtdri(

t)=

γiii(

t)；

27、其中，

si(

t)、

ei(

t)、

ii(

t)、

ri(

t)分别表示区域i在时间t的易感者规模、潜伏者规模、感染者规模和移除者规模，

σi表示潜伏者转为感染者的速率，

γi表示感染者恢复或移除的速率。

28、进一步地，所述基于所述预测病例数以及所述综合传播风险指数，结合所述业务反馈数据，对所述目标传染病动力学模型的参数进行动态调优，包括：

29、基于所述预测病例数与真实监测病例数，计算点预测误差指标、峰值预测偏差指标、预警提前量指标、假阳性率指标和假阴性率指标；

30、基于所述业务反馈数据，提取业务确认结果、干预措施信息、假阳性标签、假阴性标签和专家一致性评分；

31、根据所述点预测误差指标、所述峰值预测偏差指标、所述预警提前量指标、所述假阳性率指标、所述假阴性率指标以及所述业务反馈数据，判断是否满足参数调优触发条件；

32、在满足所述参数调优触发条件的情况下，基于滚动时间窗口内的验证数据集和业务反馈数据集，对所述目标传染病动力学模型的人群流动权重、本地有效接触率、外部输入风险放大系数、风险预警阈值进行动态修正，得到调优后的模型参数集合。

33、进一步地，所述点预测误差指标包括平均绝对误差、均方根误差和平均绝对百分比误差；

34、所述平均绝对误差的计算公式为：

35、

maei=

h1∑

τ=1

hyi(

t+

τ∣

t)-

yi(

t+

τ)；

36、所述均方根误差的计算公式为：

37、

rmsei=

h1∑

τ=1

h(

yi(

t+

τ∣

t)-

yi(

t+

τ))2；

38、所述平均绝对百分比误差的计算公式为：

39、

mapei=

h1∑

τ=1

hyi(

t+

τ)+

ϵyi(

t+

τ∣

t)-

yi(

t+

τ)；

40、其中，

yi(

t+

τ∣

t)表示区域i在预测起点t对未来

t+

τ时刻的预测病例数，

yi(

t+

τ)表示区域i在

t+

τ时刻的真实监测病例数，

h表示预测窗口长度，

ϵ为避免分母为零的极小正数。

41、进一步地，所述峰值预测偏差指标包括峰值时间偏差和峰值强度偏差；

42、所述峰值时间偏差的计算公式为：

43、

ditime=

tipeak-

tipeak；

44、所述峰值强度偏差的计算公式为：

45、

dipeak=

yi(

tipeak)+

ϵyi(

tipeak)-

yi(

tipeak)；

46、其中，

tipeak表示区域i的真实疫情峰值时刻，

tipeak表示区域i的预测疫情峰值时刻，

yi(

tipeak)表示区域i在真实峰值时刻的真实病例数，

yi(

tipeak)表示区域i在预测峰值时刻的预测病例数。

47、进一步地，所述预警提前量的计算公式为：

48、

li=

tievent-

tiwarn；

49、其中，

tievent表示区域i的真实疫情达到预警阈值的时间，

tiwarn表示模型首次对区域i发出预警的时间；

50、所述参数调优触发条件包括：总体预测误差超过预设误差容忍阈值、峰值时间偏差超过预设峰值偏差阈值、假阴性次数超过预设假阴性容忍阈值、假阳性次数超过预设假阳性容忍阈值且持续异常周期数达到预设周期阈值中的至少一种。

51、进一步地，所述对所述目标传染病动力学模型的人群流动权重进行动态修正，包括：

52、基于预测残差与真实病例数的比值，计算人群流动权重调整系数；

53、根据所述人群流动权重调整系数，对原始人群流动权重进行更新，得到更新后的人群流动权重；

54、对所述更新后的人群流动权重进行归一化处理，得到归一化后的人群流动权重；

55、所述人群流动权重的更新公式为：

56、

wjinew(

t)=

wjiold(

t)[1+

κwyi(

t)+

ϵei(

t)]；

57、其中，

wjinew(

t)表示更新后从区域j流向区域i的人群流动权重，

wjiold(

t)表示更新前从区域j流向区域i的人群流动权重，

ei(

t)表示区域i的预测残差，

yi(

t)表示区域i的真实监测病例数，

κw表示人群流动权重学习率。

58、进一步地，所述对所述目标传染病动力学模型的本地有效接触率进行动态修正，包括：

59、基于预测残差与真实病例数的比值，计算接触率调整指数；

60、根据所述接触率调整指数，对原始本地有效接触率进行指数更新，得到更新后的本地有效接触率；

61、所述本地有效接触率的更新公式为：

62、

βinew(

t)=

βiold(

t)

exp(

κβyi(

t)+

ϵyi(

t)-

yi(

t))；

63、其中，

βinew(

t)表示区域i更新后的本地有效接触率，

βiold(

t)表示区域i更新前的本地有效接触率，

yi(

t)表示区域i的真实监测病例数，

yi(

t)表示区域i的预测病例数，

κβ表示接触率更新步长；

64、所述更新后的本地有效接触率满足预设参数边界约束：

βimin≤

βinew(

t)≤

β

imax。

65、进一步地，所述对所述目标传染病动力学模型的风险预警阈值进行动态修正，包括：

66、统计最近验证窗口内各区域的假阳性次数和假阴性次数；

67、基于所述假阳性次数、所述假阴性次数以及假阳性与假阴性的业务损失权重，计算阈值调整量；

68、根据所述阈值调整量，对原始风险预警阈值进行更新，得到更新后的风险预警阈值；

69、所述风险预警阈值的更新公式为：

70、

ρinew=

ρiold+

κρ(

cfpfpi-

cfnfni)；

71、其中，

ρinew表示区域i更新后的风险预警阈值，

ρiold表示区域i更新前的风险预警阈值，

fpi表示区域i在最近验证窗口内的假阳性次数，

fni表示区域i在最近验证窗口内的假阴性次数，

cfp表示假阳性的业务损失权重，

cfn表示假阴性的业务损失权重，

κρ表示阈值调整步长。

72、第二方面，本技术还提出了一种跨区域人口流动频繁区域的传染病预警模型动态调优与业务化验证装置，所述装置包括：

73、获取模块，被配置为获取疫情监测数据、人口流动数据、区域异质性数据、气象环境数据、干预措施数据以及业务反馈数据；

74、构建模块，被配置为基于目标传染病动力学模型，利用所述疫情监测数据、所述人口流动数据、所述区域异质性数据、所述气象环境数据以及所述干预措施数据，构建跨区域耦合传播模型，得到预定时间窗口内各区域的预测病例数以及综合传播风险指数；其中，所述目标传染病动力学模型用于指示多个区域中易感者、潜伏者、感染者和移除者之间的状态转换关系，所述多个区域具有不同的疾病传播风险，所述多个区域之间通过人口流动矩阵建立耦合关系；

75、调优模块，被配置为基于所述预测病例数以及所述综合传播风险指数，结合所述业务反馈数据，对所述目标传染病动力学模型的参数进行动态调优，得到调优后的传染病预警模型；

76、预测模块，被配置为利用所述调优后的传染病预警模型，对所述多个区域的传染病流行趋势进行预测，输出预警结果并生成业务应用指南。

77、第三方面，本技术还提出了一种电子设备，包括：

78、处理器；

79、存储器，用于存储所述处理器的可执行指令；

80、其中，所述处理器被配置为经由执行所述可执行指令来执行上述跨区域人口流动频繁区域的传染病预警模型动态调优与业务化验证方法。

81、第四方面，本技术还提出了一种计算机可读存储介质，其上存储计算机程序，所述计算机程序被处理器执行时实现上跨区域人口流动频繁区域的传染病预警模型动态调优与业务化验证方法。

82、相对于现有技术，本技术提供的一种跨区域人口流动频繁区域的传染病预警模型动态调优与业务化验证方法及装置，通过多源数据融合构建跨区域耦合传播模型并结合业务反馈实现参数动态调优，有效解决了模型参数固化、区域间耦合关系缺失及业务反馈整合不足的问题，能够提升预测精度、增强预警及时性及形成业务闭环。