一种基于时滞分析的传染病床位动态量化方法

1.本发明涉及病床数量量化的技术领域，尤其涉及一种基于时滞分析的传染病床位动态量化方法。


背景技术：

2.传染病存在潜伏期和染病期，具有典型的时滞性特点，例如新冠病毒、猴痘病毒等。目前对传染病的治疗以隔离治疗为主，需要大量的独立床位作为支撑，由于传染病的时滞性特点导致难以迅速确定染病数量和染病规模。且目前传染病床位量化以专家经验为主，缺乏合理性，设置过少容易造成疫情外漏，难以保障病患，并且耽误治疗时间；设置过多则浪费大量公共资源，因此迫切需要一种传染病床位动态量化方法，能够精确预测传染病发展趋势，指导传染病床位建设数量，实现传染病床位的合理量化。


技术实现要素：

3.有鉴于此，本发明提供一种基于时滞分析的传染病床位动态量化方法，目的在于(1)在考虑到传染病潜伏期时滞、随机扰动的情况下构建得到时滞随机传染病模型，所构建的时滞随机传染病模型更能体现现实场景下传染病传播的过程，以及不同过程阶段下易感人群、潜伏人群、隔离人群、感染人群和恢复人群的状态转换关系，更贴近实际场景，从而提高传染病发展趋势的预测真实性，且所构建模型随着随机扰动噪声强度的降低，所述时滞随机传染病模型在基本再生数r0≤1时会趋近于唯一的无病平衡点，在基本再生数r0》1时会趋近于唯一的地方病平衡点，具有稳定的二义性，保证时滞随机传染病模型合法性；(2)采集染病人群信息数据，利用连续观测条件下的最大似然估计方法确定完全信息条件下的时滞随机传染病模型参数，从而求解得到模型参数，基于确定参数的时滞随机传染病模型进行染病人数预测，根据预测人数动态确定床位数量，避免设置过多或过少的传染病床位，实现传染病床位的合理量化。
4.实现上述目的，本发明提供的一种基于时滞分析的传染病床位动态量化方法，包括以下步骤：
5.s1：构建噪音扰动条件下的时滞随机传染病模型，其中所述时滞随机传染病模型包含易感人群、潜伏人群、隔离人群、感染人群和恢复人群5类，基于随机微分方程建立5类人群的状态转换关系；
6.s2：基于基本再生数分析时滞随机传染病模型的稳态特性，确定时滞随机传染病模型解二义性，保证时滞随机传染病模型合法性；
7.s3：采集染病人群信息数据，利用连续观测条件下的最大似然估计方法确定完全信息条件下的时滞随机传染病模型参数，其中所述时滞随机传染病模型参数包括传染病感染系数以及康复系数；
8.s4：基于确定参数的时滞随机传染病模型进行染病人数预测，根据预测人数动态确定床位数量。
9.作为本发明的进一步改进方法：
10.可选地，所述s1步骤中构建噪音扰动条件下的时滞随机传染病模型，包括：
11.构建噪音扰动条件下的时滞随机传染病模型，其中所述噪声扰动为布朗运动扰动，时滞随机传染病模型包含易感人群、潜伏人群、隔离人群、感染人群和恢复人群5类，所构建的模型为：
[0012][0013]
其中：
[0014]
s(t)表示t时刻的易感人群数量，e(t)表示t时刻的潜伏人群数量，i(t)表示t时刻的感染人群数量，q(t)表示t时刻的隔离人群数量，r(t)表示t时刻的恢复人群数量；
[0015]
α
se
表示易感人群和潜伏人群的接触率，α
si
表示易感人群和感染人群的接触率；
[0016]
ε表示自然死亡率；
[0017]
brows(t),browe(t),browi(t),browq(t),browr(t)分别为5类人群遭受到的噪声扰动，σs,σe,σi,σq,σr分别为对应噪声扰动的强度，在本发明实施例中，每类人群所遭受到的噪声扰动相互独立；
[0018]
∈e表示潜伏人群转换为感染者的比率，∈i表示感染人群的因病死亡率，∈q表示隔离人群的因病死亡率；
[0019]
βe表示潜伏人群的康复率，βi表示感染人群的康复率，βq表示隔离人群的康复率；
[0020]
μe表示潜伏人群被隔离的比率，μi表示感染人群被隔离的比率；
[0021]
τ表示传染病的潜伏期时滞；
[0022]
所述传染病感染系数以及康复系数为时滞随机传染病模型的待求解参数，其中传染病感染系数包括潜伏人群转换为感染者的比率∈e，康复系数包括感染人群的康复率βi。
[0023]
可选地，所述s2步骤中计算时滞随机传染病模型的基本再生数，包括：
[0024]
所述基本再生数的计算公式为：
[0025][0026]
其中：
[0027]
a表示易感人群的初始数量；
[0028]
r0为时滞随机传染病模型的基本再生数，表示一个传染病例进入到易感人群中，在没有外力干预下可感染的二代病例个数；若r0大于1，那么传染病就可以传遍整个人群；若r0小于等于1，则传染病会趋于消失。
[0029]
可选地，所述s2步骤中确定时滞随机传染病模型解二义性，包括：
[0030]
当时滞随机传染病模型的基本再生数r0≤1时，令时滞随机传染病模型左式为0，
时滞随机传染病模型存在无病平衡点n0＝(a/ε,0,0,0,0)，该无病平衡点n0由于噪声扰动会产生波动，波动大小与噪声强度σs呈正相关；
[0031]
当时滞随机传染病模型的基本再生数r0》1时，令时滞随机传染病模型左式为0，时滞随机传染病模型在t
→
∞时刻的解(s
*
,e
*
,i
*
,q
*
,r
*
)满足下式：
[0032][0033]
其中：
[0034]
f(k)＝(s(k)-s
*
)2 (e(k)-e
*
)2 (i(k)-i
*
)2 (q(k)-q
*
)2 (r(k)-r
*
)2；
[0035]
brown＝σs(s
*
)2 σe(e
*
)2 σi(i
*
)2 σq(q
*
)2 σr(r
*
)2；
[0036]
sup{
·
}为求解上确界；
[0037]
时滞随机传染病模型在t
→
∞时刻的解(s
*
,e
*
,i
*
,q
*
,r
*
)由于噪声扰动会产生波动，波动大小与噪声强度呈正相关，噪声强度越小，(s
*
,e
*
,i
*
,q
*
,r
*
)越接近唯一的地方病平衡点；
[0038]
随着噪声强度的降低，所述时滞随机传染病模型在基本再生数r0≤1时会趋近于唯一的无病平衡点，在基本再生数r0》1时会趋近于唯一的地方病平衡点，具有稳定的二义性。
[0039]
可选地，所述s3步骤中采集染病人群信息数据，包括：
[0040]
所述染病人群信息数据为多元随机观测数据，染病人群信息数据的时间范围为[0,t]，在时间范围[0,t]内{s(t),e(t),i(t),q(t),r(t)}共发生m次状态转换，则第i次状态转换的时刻为ti，δti＝t
i 1-ti，ti∈[0,t]，i＝1,2,
…
,m，所述染病人群信息数据的采集结果为：
[0041]
{datai＝(ti,s(ti),e(ti),i(ti),q(ti),r(ti))|i＝1,2,
…
,m,ti∈[0,t]}
[0042]
其中：
[0043]
s(ti),e(ti),i(ti),q(ti),r(ti)分别为ti时刻的易感人群数量，潜伏人群数量，感染人群数量，隔离人群数量以及恢复人群数量。
[0044]
可选地，所述s3步骤中利用连续观测条件下的最大似然估计方法确定完全信息条件下的时滞随机传染病模型参数，包括：
[0045]
所述完全信息条件表示已知易感人群和潜伏人群的接触率，易感人群和感染人群的接触率，自然死亡率，感染人群的因病死亡率，隔离人群的因病死亡率，潜伏人群被隔离的比率，感染人群被隔离的比率，潜伏人群的康复率，易感人群的康复率以及传染病的潜伏期时滞；
[0046]
利用连续观测条件下的最大似然估计方法确定完全信息条件下的时滞随机传染病模型参数，其中所述时滞随机传染病模型参数包括传染病感染系数以及恢复系数，所述连续观测条件下的最大似然估计方法流程为：
[0047]
s31：对于任意第i次状态转换，若s(ti),e(ti),i(ti)的状态没有转换，则第i次状态转换在时间间隔δti时所服从的指数分布为：
[0048][0049]
[0050][0051][0052]
则此部分的概率l1(θ)为：
[0053][0054]
θ为时滞随机传染病模型的待求解参数；
[0055]
ω1为s(ti),e(ti),i(ti)的状态没有转换的转换次数集合；
[0056]
s32：对于任意第i次状态转换，若i(ti)的状态发生转换，则第i次状态转换在时间间隔δti时所服从的概率为：
[0057]
p{i(ti)增加}＝α
si
s(ti)i(ti)δti[0058]
p{i(ti)减少}＝∈ee(t
i-τ)-(ε ∈i βi μi)i(ti)δti[0059]
则此部分的概率l2(θ)为：
[0060][0061]
ω2为i(ti)增加的状态转换次数集合，ω3为i(ti)减少的状态转换次数集合；
[0062]
s33：构建似然函数l(θ)：
[0063][0064][0065][0066][0067][0068]
其中：
[0069]
∈e为潜伏人群转换为感染者的比率，βi为感染人群的康复率；
[0070]
s34：对似然函数l(θ)取对数得到j(θ)，并对参数∈e,βi求偏导，得到下述方程：
[0071][0072][0073]
令方程左式为0，得到参数求解结果：
[0074]
可选地，所述s4步骤中基于确定参数的时滞随机传染病模型进行染病人数预测，根据预测人数动态确定床位数量，包括：
[0075]
将初始时刻的易感人群、潜伏人群、隔离人群、感染人群和恢复人群数量代入确定
参数的时滞随机传染病模型，模型输出结果即为不同人群在当前时刻的状态转换结果，同时表示不同人群在下一时刻的人群数量，得到预测时刻的感染人群数量以及隔离人群数量，根据预测时刻的感染人群数量以及隔离人群数量，提前确定传染病感染人群床位数量以及隔离人群床位数量，实现传染病床位动态量化。
[0076]
为了解决上述问题，本发明还提供一种基于时滞分析的传染病床位动态量化装置，其特征在于，所述装置包括：
[0077]
传染病模型构建装置，用于构建噪音扰动条件下的时滞随机传染病模型，基于基本再生数分析时滞随机传染病模型的稳态特性，利用连续观测条件下的最大似然估计方法确定完全信息条件下的时滞随机传染病模型参数，其中所述时滞随机传染病模型参数包括传染病感染系数以及康复系数；
[0078]
信息数据采集装置，用于采集染病人群信息数据；
[0079]
传染病床位动态量化装置，用于基于确定参数的时滞随机传染病模型进行染病人数预测，根据预测人数动态确定床位数量。
[0080]
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
[0081]
存储器，存储至少一个指令；及
[0082]
处理器，执行所述存储器中存储的指令以实现上述所述的基于时滞分析的传染病床位动态量化方法。
[0083]
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于时滞分析的传染病床位动态量化方法。
[0084]
相对于现有技术，本发明提出一种基于时滞分析的传染病床位动态量化方法，该技术具有以下优势：
[0085]
首先，本方案提出一种噪音扰动条件下的时滞随机传染病模型，其中所述噪声扰动为布朗运动扰动，时滞随机传染病模型包含易感人群、潜伏人群、隔离人群、感染人群和恢复人群5类，所构建的模型为：
[0086][0087]
其中：s(t)表示t时刻的易感人群数量，e(t)表示t时刻的潜伏人群数量，i(t)表示t时刻的感染人群数量，q(t)表示t时刻的隔离人群数量，r(t)表示t时刻的恢复人群数量；α
se
表示易感人群和潜伏人群的接触率，α
si
表示易感人群和感染人群的接触率；ε表示自然死亡率；brows(t),browe(t),browi(t),browq(t),browr(t)分别为5类人群遭受到的噪声扰动，σs,σe,σi,σq,σr分别为对应噪声扰动的强度，在本发明实施例中，每类人群所遭受到的噪声扰动相互独立；∈e表示潜伏人群转换为感染者的比率，∈i表示感染人群的因病死亡率，
∈q表示隔离人群的因病死亡率；βe表示潜伏人群的康复率，βi表示感染人群的康复率，βq表示隔离人群的康复率；μe表示潜伏人群被隔离的比率，μi表示感染人群被隔离的比率；τ表示传染病的潜伏期时滞；所述传染病感染系数以及康复系数为时滞随机传染病模型的待求解参数，其中传染病感染系数包括潜伏人群转换为感染者的比率∈e，康复系数包括感染人群的康复率βi。计算时滞随机传染病模型的基本再生数，所述基本再生数的计算公式为：
[0088][0089]
其中：a表示易感人群的初始数量；r0为时滞随机传染病模型的基本再生数，表示一个传染病例进入到易感人群中，在没有外力干预下可感染的二代病例个数；若r0大于1，那么传染病就可以传遍整个人群；若r0小于等于1，则传染病会趋于消失。当时滞随机传染病模型的基本再生数r0≤1时，令时滞随机传染病模型左式为0，时滞随机传染病模型存在无病平衡点n0＝(a/ε,0,0,0,0)，该无病平衡点n0由于噪声扰动会产生波动，波动大小与噪声强度σs呈正相关；当时滞随机传染病模型的基本再生数r0》1时，令时滞随机传染病模型左式为0，时滞随机传染病模型在t
→
∞时刻的解(s
*
,e
*
,i
*
,q
*
,r
*
)满足下式：
[0090][0091]
其中：f(k)＝(s(k)-s
*
)2 (e(k)-e
*
)2 (i(k)-i
*
)2 (q(k)-q
*
)2 (r(k)-r
*
)2；brown＝σs(s
*
)2 σe(e
*
)2 σi(i
*
)2 σq(q
*
)2 σr(r
*
)2；sup{
·
}为求解上确界；时滞随机传染病模型在t
→
∞时刻的解(s
*
,e
*
,i
*
,q
*
,r
*
)由于噪声扰动会产生波动，波动大小与噪声强度呈正相关，噪声强度越小，(s
*
,e
*
,i
*
,q
*
,r
*
)越接近唯一的地方病平衡点；相较于传统方案，本方案在考虑到传染病潜伏期时滞、随机扰动的情况下构建得到时滞随机传染病模型，所构建的时滞随机传染病模型更能体现现实场景下传染病传播的过程，以及不同过程阶段下易感人群、潜伏人群、隔离人群、感染人群和恢复人群的状态转换关系，更贴近实际场景，从而提高传染病发展趋势的预测真实性，且所构建模型随着随机扰动噪声强度的降低，所述时滞随机传染病模型在基本再生数r0≤1时会趋近于唯一的无病平衡点，在基本再生数r0》1时会趋近于唯一的地方病平衡点，具有稳定的二义性，保证时滞随机传染病模型合法性。
[0092]
同时，本方案利用连续观测条件下的最大似然估计方法确定完全信息条件下的时滞随机传染病模型参数，在考虑到传染病潜伏期时滞条件下，实现传染病床位动态量化，其中所述时滞随机传染病模型参数包括传染病感染系数以及恢复系数，所述连续观测条件下的最大似然估计方法流程为：对于任意第i次状态转换，若s(ti),e(ti),i(ti)的状态没有转换，则第i次状态转换在时间间隔δti时所服从的指数分布为：
[0093][0094][0095][0096][0097]
则此部分的概率l1(θ)为：
[0098]
[0099]
θ为时滞随机传染病模型的待求解参数；ω1为s(ti),e(ti),i(ti)的状态没有转换的转换次数集合；对于任意第i次状态转换，若i(ti)的状态发生转换，则第i次状态转换在时间间隔δti时所服从的概率为：
[0100]
p{i(ti)增加}＝α
si
s(ti)i(ti)δti[0101]
p{i(ti)减少}＝∈ee(t
i-τ)-(ε ∈i βi μi)i(ti)δti[0102]
则此部分的概率l2(θ)为：
[0103][0104]
ω2为i(ti)增加的状态转换次数集合，ω3为i(ti)减少的状态转换次数集合；
[0105]
构建似然函数l(θ)：
[0106][0107][0108][0109][0110][0111]
∈e为潜伏人群转换为感染者的比率，βi为感染人群的康复率；对似然函数l(θ)取对数得到j(θ)，并对参数∈e,βi求偏导，得到下述方程：
[0112][0113][0114]
令方程左式为0，得到参数求解结果：将初始时刻的易感人群、潜伏人群、隔离人群、感染人群和恢复人群数量代入确定参数的时滞随机传染病模型，模型输出结果即为不同人群在当前时刻的状态转换结果，同时表示不同人群在下一时刻的人群数量，得到预测时刻的感染人群数量以及隔离人群数量，根据预测时刻的感染人群数量以及隔离人群数量，提前确定传染病感染人群床位数量以及隔离人群床位数量，避免设置过多或过少的传染病床位，实现传染病床位的合理量化。
附图说明
[0115]
图1为本发明一实施例提供的一种基于时滞分析的传染病床位动态量化方法的流程示意图；
[0116]
图2为本发明一实施例提供的基于时滞分析的传染病床位动态量化装置的功能模块图；
[0117]
图3为本发明一实施例提供的实现基于时滞分析的传染病床位动态量化方法的电子设备的结构示意图。
[0118]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0119]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0120]
本技术实施例提供一种基于时滞分析的传染病床位动态量化方法。所述基于时滞分析的传染病床位动态量化方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于时滞分析的传染病床位动态量化方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
[0121]
实施例1：
[0122]
s1：构建噪音扰动条件下的时滞随机传染病模型，其中所述时滞随机传染病模型包含易感人群、潜伏人群、隔离人群、感染人群和恢复人群5类，基于随机微分方程建立5类人群的状态转换关系。
[0123]
所述s1步骤中构建噪音扰动条件下的时滞随机传染病模型，包括：
[0124]
构建噪音扰动条件下的时滞随机传染病模型，其中所述噪声扰动为布朗运动扰动，时滞随机传染病模型包含易感人群、潜伏人群、隔离人群、感染人群和恢复人群5类，所构建的模型为：
[0125][0126]
其中：
[0127]
s(t)表示t时刻的易感人群数量，e(t)表示t时刻的潜伏人群数量，i(t)表示t时刻的感染人群数量，q(t)表示t时刻的隔离人群数量，r(t)表示t时刻的恢复人群数量；
[0128]
α
se
表示易感人群和潜伏人群的接触率，α
si
表示易感人群和感染人群的接触率；
[0129]
ε表示自然死亡率；
[0130]
brows(t),browe(t),browi(t),browq(t),browr(t)分别为5类人群遭受到的噪声扰动，σs,σe,σi,σq,σr分别为对应噪声扰动的强度，在本发明实施例中，每类人群所遭受到的噪声扰动相互独立；
[0131]
∈e表示潜伏人群转换为感染者的比率，∈i表示感染人群的因病死亡率，∈q表示隔离人群的因病死亡率；
[0132]
βe表示潜伏人群的康复率，βi表示感染人群的康复率，βq表示隔离人群的康复率；
[0133]
μe表示潜伏人群被隔离的比率，μi表示感染人群被隔离的比率；
[0134]
τ表示传染病的潜伏期时滞；
[0135]
所述传染病感染系数以及康复系数为时滞随机传染病模型的待求解参数，其中传染病感染系数包括潜伏人群转换为感染者的比率∈e，康复系数包括感染人群的康复率βi。
[0136]
s2：基于基本再生数分析时滞随机传染病模型的稳态特性，确定时滞随机传染病模型解二义性，保证时滞随机传染病模型合法性。
[0137]
所述s2步骤中计算时滞随机传染病模型的基本再生数，包括：
[0138]
所述基本再生数的计算公式为：
[0139][0140]
其中：
[0141]
a表示易感人群的初始数量；
[0142]
r0为时滞随机传染病模型的基本再生数，表示一个传染病例进入到易感人群中，在没有外力干预下可感染的二代病例个数；若r0大于1，那么传染病就可以传遍整个人群；若r0小于等于1，则传染病会趋于消失。
[0143]
所述s2步骤中确定时滞随机传染病模型解二义性，包括：
[0144]
当时滞随机传染病模型的基本再生数r0≤1时，令时滞随机传染病模型左式为0，时滞随机传染病模型存在无病平衡点n0＝(a/ε,0,0,0,0)，该无病平衡点n0由于噪声扰动会产生波动，波动大小与噪声强度σs呈正相关；
[0145]
当时滞随机传染病模型的基本再生数r0》1时，令时滞随机传染病模型左式为0，时滞随机传染病模型在t
→
∞时刻的解(s
*
,e
*
,i
*
,q
*
,r
*
)满足下式：
[0146][0147]
其中：
[0148]
f(k)＝(s(k)-s
*
)2 (e(k)-e
*
)2 (i(k)-i
*
)2 (q(k)-q
*
)2 (r(k)-r
*
)2；
[0149]
brown＝σs(s
*
)2 σe(e
*
)2 σi(i
*
)2 σq(q
*
)2 σr(r
*
)2；
[0150]
sup{
·
}为求解上确界；
[0151]
时滞随机传染病模型在t
→
∞时刻的解(s
*
,e
*
,i
*
,q
*
,r
*
)由于噪声扰动会产生波动，波动大小与噪声强度呈正相关，噪声强度越小，(s
*
,e
*
,i
*
,q
*
,r
*
)越接近唯一的地方病平衡点；
[0152]
随着噪声强度的降低，所述时滞随机传染病模型在基本再生数r0≤1时会趋近于唯一的无病平衡点，在基本再生数r0》1时会趋近于唯一的地方病平衡点，具有稳定的二义性。
[0153]
s3：采集染病人群信息数据，利用连续观测条件下的最大似然估计方法确定完全信息条件下的时滞随机传染病模型参数，其中所述时滞随机传染病模型参数包括传染病感染系数以及康复系数。
[0154]
所述s3步骤中利用连续观测条件下的最大似然估计方法确定完全信息条件下的时滞随机传染病模型参数，包括：
[0155]
所述完全信息条件表示已知易感人群和潜伏人群的接触率，易感人群和感染人群
的接触率，自然死亡率，感染人群的因病死亡率，隔离人群的因病死亡率，潜伏人群被隔离的比率，感染人群被隔离的比率，潜伏人群的康复率，易感人群的康复率以及传染病的潜伏期时滞；
[0156]
利用连续观测条件下的最大似然估计方法确定完全信息条件下的时滞随机传染病模型参数，其中所述时滞随机传染病模型参数包括传染病感染系数以及恢复系数，所述连续观测条件下的最大似然估计方法流程为：
[0157]
s31：对于任意第i次状态转换，若s(ti),e(ti),i(ti)的状态没有转换，则第i次状态转换在时间间隔δti时所服从的指数分布为：
[0158][0159][0160][0161][0162]
则此部分的概率l1(θ)为：
[0163][0164]
θ为时滞随机传染病模型的待求解参数；
[0165]
ω1为s(ti),e(ti),i(ti)的状态没有转换的转换次数集合；
[0166]
s32：对于任意第i次状态转换，若i(ti)的状态发生转换，则第i次状态转换在时间间隔δti时所服从的概率为：
[0167]
p{i(ti)增加}＝α
si
s(ti)i(ti)δti[0168]
p{i(ti)减少}＝∈ee(t
i-τ)-(ε ∈i βi μi)i(ti)δti[0169]
则此部分的概率l2(θ)为：
[0170][0171]
ω2为i(ti)增加的状态转换次数集合，ω3为i(ti)减少的状态转换次数集合；
[0172]
s33：构建似然函数l(θ)：
[0173][0174][0175][0176][0177][0178]
其中：
[0179]
∈e为潜伏人群转换为感染者的比率，βi为感染人群的康复率；
[0180]
s34：对似然函数l(θ)取对数得到j(θ)，并对参数∈e,βi求偏导，得到下述方程：
[0181][0182][0183]
令方程左式为0，得到参数求解结果：
[0184]
s4：基于确定参数的时滞随机传染病模型进行染病人数预测，根据预测人数动态确定床位数量。
[0185]
所述s4步骤中基于确定参数的时滞随机传染病模型进行染病人数预测，根据预测人数动态确定床位数量，包括：
[0186]
将初始时刻的易感人群、潜伏人群、隔离人群、感染人群和恢复人群数量代入确定参数的时滞随机传染病模型，模型输出结果即为不同人群在当前时刻的状态转换结果，同时表示不同人群在下一时刻的人群数量，得到预测时刻的感染人群数量以及隔离人群数量，根据预测时刻的感染人群数量以及隔离人群数量，提前确定传染病感染人群床位数量以及隔离人群床位数量，实现传染病床位动态量化。
[0187]
实施例2：
[0188]
如图2所示，是本发明一实施例提供的基于时滞分析的传染病床位动态量化装置的功能模块图，其可以实现实施例1中的基于时滞分析的传染病床位动态量化方法。
[0189]
本发明所述基于时滞分析的传染病床位动态量化装置100可以安装于电子设备中。根据实现的功能，所述基于时滞分析的传染病床位动态量化装置可以包括传染病模型构建装置101、信息数据采集装置102及传染病床位动态量化装置103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0190]
传染病模型构建装置101，用于构建噪音扰动条件下的时滞随机传染病模型，基于基本再生数分析时滞随机传染病模型的稳态特性，利用连续观测条件下的最大似然估计方法确定完全信息条件下的时滞随机传染病模型参数，其中所述时滞随机传染病模型参数包括传染病感染系数以及康复系数；
[0191]
信息数据采集装置102，用于采集染病人群信息数据；
[0192]
传染病床位动态量化装置103，用于基于确定参数的时滞随机传染病模型进行染病人数预测，根据预测人数动态确定床位数量。
[0193]
详细地，本发明实施例中所述基于时滞分析的传染病床位动态量化装置100中的所述各模块在使用时采用与上述的图1中所述的基于时滞分析的传染病床位动态量化方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0194]
实施例3：
[0195]
如图3所示，是本发明一实施例提供的实现基于时滞分析的传染病床位动态量化方法的电子设备的结构示意图。
[0196]
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于时滞分析的传染病床位动态量化
程序12。
[0197]
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、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，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于时滞分析的传染病床位动态量化程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0198]
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(基于时滞分析的传染病床位动态量化程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
[0199]
所述总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0200]
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0201]
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0202]
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
[0203]
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
[0204]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0205]
所述电子设备1中的所述存储器11存储的基于时滞分析的传染病床位动态量化程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
[0206]
构建噪音扰动条件下的时滞随机传染病模型；
[0207]
基于基本再生数分析时滞随机传染病模型的稳态特性，确定时滞随机传染病模型解二义性；
[0208]
采集染病人群信息数据，利用连续观测条件下的最大似然估计方法确定完全信息条件下的时滞随机传染病模型参数；
[0209]
基于确定参数的时滞随机传染病模型进行染病人数预测，根据预测人数动态确定床位数量。
[0210]
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
[0211]
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0212]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0213]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。