虫媒传染病的传播风险预测方法及装置

1.本发明涉及风险评估技术领域，尤其涉及一种虫媒传染病的传播风险预测方法及装置。


背景技术：

2.气候变化对公共健康的潜在影响已成为最具挑战性的环境问题之一，其中气候变化对病媒传染病时空动态格局的影响长期以来激发了大量的研究兴趣。鉴于传染因子(即细菌和病毒)及其相关的媒介生物(即蚊子和螨虫)缺乏恒温机制，其生物学的许多方面(如繁殖和存活率)极易受气候变化的影响。这一事实，再加上病媒生物传播的疾病对许多地区的公共卫生和经济造成的持续威胁，使得量化气候变化对这些疾病的影响至关重要。
3.恙虫病是由恙虫病东方体细菌引起的一种危及生命的病媒生物传播疾病，偶尔会在幼虫进食期间传播给人类。据估计，恙虫病可能威胁到全球10亿多人，每年导致100万临床病例。近几十年来，在没有有效疫苗的情况下，恙虫病的感染地区和人类感染病例不断增加，给人们的健康带来了极大的威胁。
4.尽管科学界已经在不同的时间和空间尺度上研究了几十年的气候-恙虫病关联，但是仍然无法实现对恙虫病传播风险的预测，特别是在气候变暖的背景下。


技术实现要素：

5.为克服相关技术中存在的问题，本发明提供一种虫媒传染病的传播风险预测方法及装置。
6.根据本发明实施例的第一方面，提供一种虫媒传染病的传播风险预测方法，所述方法包括：
7.获取全国范围内虫媒传染病的历史病例数据和与其匹配的当地气候环境数据；
8.将所述历史病例数据作为因变量，当地气候环境数据作为自变量，基于广义可加性混合模型进行建模分析，并验证不同策略下的模型精度，得到最佳拟合模型；
9.获取预测的未来预设时间的气象数据；
10.根据所述未来预设时间的气象数据和所述最佳拟合模型，结合不同气候变化情景，预测未来预设时间的虫媒传染病的时空分布。
11.在一个实施例中，优选地，将所述历史病例数据作为因变量，气候环境数据作为自变量，基于广义可加性混合模型进行建模分析，包括：
12.根据服从极大似然泊松分布的广义可加性混合模型建立所述历史病例数据和当地气候环境数据之间的非线性关系，如以下第一公式：
13.y
i，t
＝f(x
i，t
) demi areai ε
14.其中，因变量y
i，t
表示t时段i县虫媒传染病的历史病例数据，demi表示i县的平均海拔高度，ε定义为误差项，areai表示固定效应，来解释模型中未知或不可用变量的影响，所述固定效应包括市级尺度，f(x
i，t
)表示不同滞后情况下的环境气候数据与历史病例数据
之间的非线性关系，平滑函数采用薄板样条回归。
15.在一个实施例中，优选地，所述气候环境数据包括气候数据和基本地形数据，所述气候数据包括平均温度、降雨和相对湿度，所述基础地形数据包括海拔。
16.在一个实施例中，优选地，验证不同策略下的模型精度，得到最佳拟合模型，包括：
17.确定不同策略下的多个模型，包括：第一模型、第二模型、第三模型和第四模型：
18.其中，所述第一模型的模型公式包括：
19.y
i，t
＝f(p
i，t
) f(t
i，t
) f(rh
i，t
) demi cityi ε
20.y
i，t
表示t时段i县虫媒传染病的历史病例数据，f(p
i，t
)表示t时段i县降雨数据与历史病例数据之间的非线性关系，f(t
i，t
)表示t时段i县平均温度数据与历史病例数据之间的非线性关系，f(rh
i，t
)表示t时段i县相对湿度数据与历史病例数据之间的非线性关系，demi表示i县的平均海拔高度，cityi表示市级尺度的固定效应，ε表示误差项；
21.所述第二模型的模型公式包括：
22.y
i，t
＝f(p
i，t-1
) f(t
i，t-1
) f(rh
i，t-1
) demi cityi ε
23.y
i，t
表示t时段i县虫媒传染病的历史病例数据，f(p
i，t-1
)表示t时段滞后1个月的i县降雨数据与历史病例数据之间的非线性关系，f(t
i，t-1
)表示t时段滞后1个月的i县平均温度数据与历史病例数据之间的非线性关系，f(rh
i，t-1
)表示t时段滞后1个月的i县相对湿度数据与历史病例数据之间的非线性关系，demi表示i县的平均海拔高度，cityi表示市级尺度的固定效应，ε表示误差项；
24.所述第三模型的模型公式包括：
25.y
i，t
＝f(p
i，t-2
) f(t
i，t-2
) f(rh
i，t-2
) demi cityi ε
26.y
i，t
表示t时段i县虫媒传染病的历史病例数据，f(p
i，t-2
)表示t时段滞后2个月的i县降雨数据与历史病例数据之间的非线性关系，f(t
i，t-2
)表示t时段滞后2个月的i县平均温度数据与历史病例数据之间的非线性关系，f(rh
i，t-2
)表示t时段滞后2个月的i县相对湿度数据与历史病例数据之间的非线性关系，demi表示i县的平均海拔高度，cityi表示市级尺度的固定效应，ε表示误差项；
27.所述第四模型的模型公式包括：
28.y
i，t
＝f(p
i，t-3
) f(t
i，t-3
) f(rh
i，t-3
) demi cityi ε
29.y
i，t
表示t时段i县虫媒传染病的历史病例数据，f(p
i，t-3
)表示t时段滞后3个月的i县降雨数据与历史病例数据之间的非线性关系，f(t
i，t-3
)表示t时段滞后3个月的i县平均温度数据与历史病例数据之间的非线性关系，f(rh
i，t-3
)表示t时段滞后3个月的i县相对湿度数据与历史病例数据之间的非线性关系，demi表示i县的平均海拔高度，cityi表示市级尺度的固定效应，ε表示误差项；
30.选取可决系数、广义交叉验证和方差解释率作为模型性能的评价指标，评价各个模型的拟合效果，以得到拟合效果最优的最佳拟合模型。
31.在一个实施例中，优选地，所述方法还包括：
32.根据预测的虫媒传染病的时空分布绘制时空分布图。
33.根据本发明实施例的第二方面，提供一种虫媒传染病的传播风险预测装置，所述装置包括：
34.第一获取模块，用于获取全国范围内虫媒传染病的历史病例数据和与其匹配的当
地气候环境数据；
35.建模模块，用于将所述历史病例数据作为因变量，当地气候环境数据作为自变量，基于广义可加性混合模型进行建模分析，并验证不同策略下的模型精度，得到最佳拟合模型；
36.第二获取模块，用于获取预测的未来预设时间的气象数据；
37.预测模块，用于根据所述未来预设时间的气象数据和所述最佳拟合模型，结合不同气候变化情景，预测未来预设时间的虫媒传染病的时空分布。
38.在一个实施例中，优选地，所述建模模块用于：
39.根据服从极大似然泊松分布的广义可加性混合模型建立所述历史病例数据和当地气候环境数据之间的非线性关系，如以下第一公式：
40.y
i，t
＝f(x
i，t
) demi areai ε
41.其中，因变量y
i，t
表示t时段i县虫媒传染病的历史病例数据，demi表示i县的平均海拔高度，ε定义为误差项，areai表示固定效应，来解释模型中未知或不可用变量的影响，所述固定效应包括市级尺度，f(x
i，t
)表示不同滞后情况下的环境气候数据与历史病例数据之间的非线性关系，平滑函数采用薄板样条回归。
42.在一个实施例中，优选地，所述气候环境数据包括气候数据和基本地形数据，所述气候数据包括平均温度、降雨和相对湿度，所述基础地形数据包括海拔。
43.在一个实施例中，优选地，所述建模模块还用于：
44.确定不同策略下的多个模型，包括：第一模型、第二模型、第三模型和第四模型：
45.其中，所述第一模型的模型公式包括：
46.y
i，t
＝f(p
i，t
) f(t
i，t
) f(rh
i，t
) demi cityi ε
47.y
i，t
表示t时段i县虫媒传染病的历史病例数据，f(p
iit
)表示t时段i县降雨数据与历史病例数据之间的非线性关系，f(t
i，t
)表示t时段i县平均温度数据与历史病例数据之间的非线性关系，f(rh
i，t
)表示t时段i县相对湿度数据与历史病例数据之间的非线性关系，demi表示i县的平均海拔高度，cityi表示市级尺度的固定效应，ε表示误差项；
48.所述第二模型的模型公式包括：
49.y
i，t
＝f(p
i，t-1
) f(t
i，t-1
) f(rh
i，t-1
) demi cityi ε
50.y
i，t
表示t时段i县虫媒传染病的历史病例数据，f(p
i，t-1
)表示t时段滞后1个月的i县降雨数据与历史病例数据之间的非线性关系，f(t
i，t-1
)表示t时段滞后1个月的i县平均温度数据与历史病例数据之间的非线性关系，f(rh
i，t-1
)表示t时段滞后1个月的i县相对湿度数据与历史病例数据之间的非线性关系，demi表示i县的平均海拔高度，cityi表示市级尺度的固定效应，ε表示误差项；
51.所述第三模型的模型公式包括：
52.y
i，t
＝f(p
i，t-2
) f(t
i，t-2
) f(rh
i，t-2
) demi cityi ε
53.y
i，t
表示t时段i县虫媒传染病的历史病例数据，f(p
i，t-2
)表示t时段滞后2个月的i县降雨数据与历史病例数据之间的非线性关系，f(t
i，t-2
)表示t时段滞后2个月的i县平均温度数据与历史病例数据之间的非线性关系，f(rh
i，t-2
)表示t时段滞后2个月的i县相对湿度数据与历史病例数据之间的非线性关系，demi表示i县的平均海拔高度，cityi表示市级尺度的固定效应，ε表示误差项；
54.所述第四模型的模型公式包括：
55.y
i，t
＝f(p
i，t-3
) f(t
i，t-3
) f(rh
i，t-3
) demi cityi ε
56.y
i，t
表示t时段i县虫媒传染病的历史病例数据，f(p
i，t-3
)表示t时段滞后3个月的i县降雨数据与历史病例数据之间的非线性关系，f(t
i，t-3
)表示t时段滞后3个月的i县平均温度数据与历史病例数据之间的非线性关系，f(rh
i，t-3
)表示t时段滞后3个月的i县相对湿度数据与历史病例数据之间的非线性关系，demi表示i县的平均海拔高度，cityi表示市级尺度的固定效应，ε表示误差项；
57.选取可决系数、广义交叉验证和方差解释率作为模型性能的评价指标，评价各个模型的拟合效果，以得到拟合效果最优的最佳拟合模型。
58.在一个实施例中，优选地，所述装置还包括：
59.绘制模块，用于根据预测的虫媒传染病的时空分布绘制时空分布图。
60.根据本发明实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面中任一项方法的步骤。
61.本发明的实施例提供的技术方案可以包括以下有益效果：
62.本发明实施例中，通过耦合气候驱动的广义可加性混合模型和不同气候变化情景(如rcp4.5.和rcp8.5)，实现了对未来虫媒传染病(如恙虫病)的感染人数以及季节性分布态势的预测，量化了气候变化对恙虫病传播风险的影响。还可以在精细时空尺度上(空间分辨率：县；时间分辨率：月尺度)实现对恙虫传播风险的预测。
63.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
64.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
65.图1是根据一示例性实施例示出的一种虫媒传染病的传播风险预测方法的流程图。
66.图2是根据一示例性实施例示出的另一种虫媒传染病的传播风险预测方法的流程图。
67.图3是根据一示例性实施例示出的2030-2039年不同气候变化情景(rcp4.5和rcp8.5)下我国各省份恙虫病病例季节流行趋势图。
68.图4是根据一示例性实施例示出的一种虫媒传染病的传播风险预测装置的框图。
69.图5是根据一示例性实施例示出的另一种虫媒传染病的传播风险预测装置的框图。
具体实施方式
70.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
71.图1是根据一示例性实施例示出的一种虫媒传染病的传播风险预测方法的流程图，如图1所示，该方法包括：
72.步骤s101，获取全国范围内虫媒传染病的历史病例数据和与其匹配的当地气候环境数据；优选地，虫媒传染病包括恙虫病。
73.在一个实施例中，优选地，所述气候环境数据包括气候数据和基本地形数据，所述气候数据包括平均温度、降雨和相对湿度，所述基础地形数据包括海拔。
74.具体地，可以收集整理来自疾控预防控制中心的全国范围内2010-2019年的恙虫病病例数据，包括性别、年龄、职业等统计学信息，统计全国各县区月度恙虫病发病人数；此外，可以从气象数据网收集气候要素，获得1km
×
1km分辨率的历史气象数据，包括平均气温(℃)，相对湿度(％)，和降水量(mm)。从航天飞机雷达地形测绘任务网站获得1km
×
1km的数字高程数据，从而确定海拔数据，并统计全国各县区的相关要素值，以与病例数据相匹配。
75.步骤s102，将所述历史病例数据作为因变量，当地气候环境数据作为自变量，基于广义可加性混合模型进行建模分析，并验证不同策略下的模型精度，得到最佳拟合模型；
76.步骤s103，获取预测的未来预设时间的气象数据；可以通过网站获得cmip5大气环流模型(hadgem2-es)2030-2039年两种气候情景(rcp4.5和rcp8.5)下的未来模拟气象数据。具体使用的数据情况如表1所示。
77.表1
[0078][0079][0080]
步骤s104，根据所述未来预设时间的气象数据和所述最佳拟合模型，结合不同气候变化情景，预测未来预设时间的虫媒传染病的时空分布。
[0081]
在一个实施例中，优选地，将所述历史病例数据作为因变量，气候环境数据作为自变量，基于广义可加性混合模型进行建模分析，包括：
[0082]
根据服从极大似然泊松分布的广义可加性混合模型建立所述历史病例数据和当地气候环境数据之间的非线性关系，如以下第一公式：
[0083]yi，t
＝f(x
i，t
) demi areai ε
[0084]
其中，因变量y
i，t
表示t时段i县虫媒传染病的历史病例数据，demi表示i县的平均海拔高度，ε定义为误差项，areai表示固定效应，来解释模型中未知或不可用变量的影响，所述固定效应包括市级尺度，f(x
i，t
)表示不同滞后情况下的环境气候数据与历史病例数据之间的非线性关系，平滑函数采用薄板样条回归。
[0085]
考虑到恙螨生命周期所需的时间和恙虫病的潜伏期，本发明考虑了0-3个月的滞后时间，以研究气候因素对恙虫病病例的滞后效应。
[0086]
在一个实施例中，优选地，验证不同策略下的模型精度，得到最佳拟合模型，包括：
[0087]
确定不同策略下的多个模型，包括：第一模型、第二模型、第三模型和第四模型：
[0088]
其中，如表2所示，所述第一模型的模型公式包括：
[0089]yi，t
＝f(p
i，t
) f(t
i，t
) f(rh
i，t
) demi cityi ε
[0090]yi，t
表示t时段i县虫媒传染病的历史病例数据，f(p
i，t
)表示t时段i县降雨数据与历史病例数据之间的非线性关系，f(t
i，t
)表示t时段i县平均温度数据与历史病例数据之间的非线性关系，f(rh
i，t
)表示t时段i县相对湿度数据与历史病例数据之间的非线性关系，demi表示i县的平均海拔高度，cityi表示市级尺度的固定效应，ε表示误差项；
[0091]
所述第二模型的模型公式包括：
[0092]yi，t
＝f(p
i，t-1
) f(t
i，t-1
) f(rh
i，t-1
) demi cityi ε
[0093]yi，t
表示t时段i县虫媒传染病的历史病例数据，f(p
i，t-1
)表示t时段滞后1个月的i县降雨数据与历史病例数据之间的非线性关系，f(t
i，t-1
)表示t时段滞后1个月的i县平均温度数据与历史病例数据之间的非线性关系，f(rh
i，t-1
)表示t时段滞后1个月的i县相对湿度数据与历史病例数据之间的非线性关系，demi表示i县的平均海拔高度，cityi表示市级尺度的固定效应，ε表示误差项；
[0094]
所述第三模型的模型公式包括：
[0095]yi，t
＝f(p
i，t-2
) f(t
i，t-2
) f(rh
i，t-2
) demi cityi ε
[0096]yi，t
表示t时段i县虫媒传染病的历史病例数据，f(p
i，t-2
)表示t时段滞后2个月的i县降雨数据与历史病例数据之间的非线性关系，f(t
i，t-2
)表示t时段滞后2个月的i县平均温度数据与历史病例数据之间的非线性关系，f(rh
i，t-2
)表示t时段滞后2个月的i县相对湿度数据与历史病例数据之间的非线性关系，demi表示i县的平均海拔高度，cityi表示市级尺度的固定效应，ε表示误差项；
[0097]
所述第四模型的模型公式包括：
[0098]yi，t
＝f(p
i，t-3
) f(t
i，t-3
) f(rh
i，t-3
) demi cityi ε
[0099]yi，t
表示t时段i县虫媒传染病的历史病例数据，f(p
i，t-3
)表示t时段滞后3个月的i县降雨数据与历史病例数据之间的非线性关系，f(t
i，t-3
)表示t时段滞后3个月的i县平均温度数据与历史病例数据之间的非线性关系，f(rh
i，t-3
)表示t时段滞后3个月的i县相对湿度数据与历史病例数据之间的非线性关系，demi表示i县的平均海拔高度，cityi表示市级尺度的固定效应，ε表示误差项；
[0100]
选取可决系数r、广义交叉验证gcv和方差解释率作为模型性能的评价指标，评价
各个模型的拟合效果，以得到拟合效果最优的最佳拟合模型。由表2可知，第三模型3的r值最大，方差解释率deviance explained最高，gcv最小，因此拟合效果最优。
[0101]
表2
[0102]
模型模型公式rgcvdeviance explained模型1y
i，t
＝f(p
i，t
) f(t
i，t
) f(rh
i，t
) demi cityi ε0.7501.41256.2％模型2y
i，t
＝f(p
i，t-1
) f(t
i，t-1
) f(rh
i，t-1
) demi cityi ε0.7911.20562.6％模型3y
i，t
＝f(p
i，t-2
) f(t
i，t-2
) f(rh
i，t-2
) demi cityi ε0.8021.14964.3％模型4y
i，t
＝f(p
i，t-3
) f(t
i，t-3
) f(rh
i，t-3
) demi cityi ε0.7731.29859.7％
[0103]
如图2所示，在一个实施例中，优选地，所述方法还包括：
[0104]
步骤s201，根据预测的虫媒传染病的时空分布绘制时空分布图。
[0105]
基于最佳拟合模型(模型3)，耦合大气环流模型(hadgem2-es)2030-2039年两种气候情景(rcp4.5和rcp8.5)下的未来气候数据，模拟得到我国未来恙虫病的时空预测结果，绘制2030-2039年rcp4.5和rcp8.5气候变化情景下我国恙虫病病例分布图。
[0106]
基于预测结果，各省份恙虫病的季节性流行趋势如图3所示。其中，圆圈(或三角)所在位置表明该省份恙虫病的平均发病月份，线段表明95％的病例发生在该月份区间内。由此发现，在2030-2039年，我国南方城市(如：福建、云南、广西、广东、海南等低纬度省份)流行月份不断延长，基本开始全年流行；我国北方省份(如：北京、山东、陕西、河南)以及一些中纬度省份(如：江苏、安徽、四川等)流行月份多集中在秋冬，与此同时，其流行时间出现提前趋势。基于上述预测，可以进行针对性提前预防。
[0107]
图4是根据一示例性实施例示出的一种虫媒传染病的传播风险预测装置的框图。
[0108]
如图4所示，根据本发明实施例的第二方面，提供一种虫媒传染病的传播风险预测装置，所述装置包括：
[0109]
第一获取模块41，用于获取全国范围内虫媒传染病的历史病例数据和与其匹配的当地气候环境数据；
[0110]
建模模块42，用于将所述历史病例数据作为因变量，当地气候环境数据作为自变量，基于广义可加性混合模型进行建模分析，并验证不同策略下的模型精度，得到最佳拟合模型；
[0111]
第二获取模块43，用于获取预测的未来预设时间的气象数据；
[0112]
预测模块44，用于根据所述未来预设时间的气象数据和所述最佳拟合模型，结合不同气候变化情景，预测未来预设时间的虫媒传染病的时空分布。
[0113]
在一个实施例中，优选地，所述建模模块42用于：
[0114]
根据服从极大似然泊松分布的广义可加性混合模型建立所述历史病例数据和当地气候环境数据之间的非线性关系，如以下第一公式：
[0115]yi，t
＝f(x
i，t
) demi areai ε
[0116]
其中，因变量y
i，t
表示t时段i县虫媒传染病的历史病例数据，demi表示i县的平均海拔高度，ε定义为误差项，areai表示固定效应，来解释模型中未知或不可用变量的影响，所述固定效应包括市级尺度，f(x
i，t
)表示不同滞后情况下的环境气候数据与历史病例数据之间的非线性关系，平滑函数采用薄板样条回归。
[0117]
在一个实施例中，优选地，所述气候环境数据包括气候数据和基本地形数据，所述
气候数据包括平均温度、降雨和相对湿度，所述基础地形数据包括海拔。
[0118]
在一个实施例中，优选地，所述建模模块42还用于：
[0119]
确定不同策略下的多个模型，包括：第一模型、第二模型、第三模型和第四模型：
[0120]
其中，所述第一模型的模型公式包括：
[0121]yi，t
＝f(p
i，t
) f(t
i，t
) f(rh
i，t
) demi cityi ε
[0122]yi，t
表示t时段i县虫媒传染病的历史病例数据，f(p
i，t
)表示t时段i县降雨数据与历史病例数据之间的非线性关系，f(t
i，t
)表示t时段i县平均温度数据与历史病例数据之间的非线性关系，f(rh
i，t
)表示t时段i县相对湿度数据与历史病例数据之间的非线性关系，demi表示i县的平均海拔高度，cityi表示市级尺度的固定效应，ε表示误差项；
[0123]
所述第二模型的模型公式包括：
[0124]yi，t
＝f(p
i，t-1
) f(t
i，t-1
) f(rh
i，t-1
) demi cityi ε
[0125]yi，t
表示t时段i县虫媒传染病的历史病例数据，f(p
i，t-1
)表示t时段滞后1个月的i县降雨数据与历史病例数据之间的非线性关系，f(t
i，t-1
)表示t时段滞后1个月的i县平均温度数据与历史病例数据之间的非线性关系，f(rh
i，t-1
)表示t时段滞后1个月的i县相对湿度数据与历史病例数据之间的非线性关系，demi表示i县的平均海拔高度，cityi表示市级尺度的固定效应，ε表示误差项；
[0126]
所述第三模型的模型公式包括：
[0127]yi，t
＝f(p
i，t-2
) f(t
i，t-2
) f(rh
i，t-2
) demi cityi ε
[0128]yi，t
表示t时段i县虫媒传染病的历史病例数据，f(p
i，t-2
)表示t时段滞后2个月的i县降雨数据与历史病例数据之间的非线性关系，f(t
i，t-2
)表示t时段滞后2个月的i县平均温度数据与历史病例数据之间的非线性关系，f(rh
i，t-2
)表示t时段滞后2个月的i县相对湿度数据与历史病例数据之间的非线性关系，demi表示i县的平均海拔高度，cityi表示市级尺度的固定效应，ε表示误差项；
[0129]
所述第四模型的模型公式包括：
[0130]yi，t
＝f(p
i，t-3
) f(t
i，t-3
) f(rh
i，t-3
) demi cityi ε
[0131]yi，t
表示t时段i县虫媒传染病的历史病例数据，f(p
i，t-3
)表示t时段滞后3个月的i县降雨数据与历史病例数据之间的非线性关系，f(t
i，t-3
)表示t时段滞后3个月的i县平均温度数据与历史病例数据之间的非线性关系，f(rh
i，t-3
)表示t时段滞后3个月的i县相对湿度数据与历史病例数据之间的非线性关系，demi表示i县的平均海拔高度，cityi表示市级尺度的固定效应，ε表示误差项；
[0132]
选取可决系数、广义交叉验证和方差解释率作为模型性能的评价指标，评价各个模型的拟合效果，以得到拟合效果最优的最佳拟合模型。
[0133]
图5是根据一示例性实施例示出的另一种虫媒传染病的传播风险预测装置的框图。
[0134]
如图5所示，在一个实施例中，优选地，所述装置还包括：
[0135]
绘制模块51，用于根据预测的虫媒传染病的时空分布绘制时空分布图。
[0136]
根据本发明实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面中任一项方法的步骤。
[0137]
进一步可以理解的是，本发明中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、
“”
和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
[0138]
进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
[0139]
进一步可以理解的是，本发明实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
[0140]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
[0141]
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。