-
基于SEAIQR模型与Dropout-LSTM模型的西安市COVID-19疫情趋势预测
编辑人员丨2024/7/6
目的 基于传染病动力学SEAIQR(susceptible-exposed-asymptomatic-infected-quarantined-removed)模型和Dropout-LSTM(Dropout long short term memory network)模型预测西安市新型冠状病毒肺炎(COVID-19)疫情的发展趋势,为评估"动态清零"策略防控效果提供科学依据.方法 考虑到西安市本轮疫情存在大量的无症状感染者、依时变化的参数以及采取的管控举措等特点,构建具有阶段性防控措施的时变SEAIQR模型.考虑到COVID-19 疫情数据的时序性特征及它们之间的非线性关系,构建深度学习Dropout-LSTM模型.选用2021 年12 月9 日-2022 年1 月31 日西安市新增确诊病例数据进行拟合,用 2022 年2 月1 日-2022 年2 月7 日数据评估预测效果,计算有效再生数(Rt)并评价不同参数对疫情发展的影响.结果 SEAIQR模型预测的新增确诊病例拐点预计在 2021 年 12 月 26 日出现,约为 176例,疫情将于 2022 年 1 月 24 日实现"动态清零",模型R2=0.849.Dropout-LSTM模型能够体现数据的时序性与非线性特征,预测出的新增确诊病例数与实际情况高度吻合,R2=0.937.Dropout-LSTM模型的MAE和RMSE均较SEAIQR模型低,说明预测结果更为理想.疫情暴发初期,R0 为 5.63,自实施全面管控后,Rt 呈逐渐下降趋势,直到 2021 年 12月27 日降至1.0 以下.随着有效接触率不断缩小、管控措施的提早实施及免疫阈值的提高,新增确诊病例在到达拐点时的人数将会持续降低.结论 建立的Dropout-LSTM模型实现了较准确的疫情预测,可为COVID-19 疫情"动态清零"防控决策提供借鉴.
...不再出现此类内容
编辑人员丨2024/7/6
-
应用SEAIQR仓室模型对意大利爆发的新型冠状病毒肺炎疫情的趋势分析
编辑人员丨2023/8/5
目的 应用SEAIQR仓室模型,对意大利爆发的新型冠状病毒肺炎疫情的流行病动力学趋势进行分析,预测曲线峰值时间及最终的累计确诊病例数量,仿真防控措施改变条件下疫情曲线的变化.方法 建立一个基于SEIR模型的流行动力学模型(SEAIQR),使用1stOpt软件拟合意大利官方公布的确诊病例数据(2020年2月21日至2020年3月21日)估计模型的相关参数,通过官方数据(2020年3月22日至2020年3月31日)来评估模型的准确性,并预测疫情的趋势及仿真模拟不同防控措施下的疫情曲线变化.结果 本模型对2020年3月22日至2020年3月31日期间官方公布的累计确诊病例数的拟合偏差为15.49%.预测现存确诊病例数的峰值将在2020年4月4日出现,预测最终累计确诊病例数范围在19.92万~23.58万例,累计感染病例数为26.26万人.针对不同的防控措施实施时间节点和强度,模型仿真结果提示只有尽早实施足够强度的防控隔离措施才能阻止疫情造成的大面积感染.结论 SEAIQR模型对新型冠状病毒肺炎疫情的趋势分析有一定的实用性,有助于疫情发展趋势的预测和防控措施的效果评估.
...不再出现此类内容
编辑人员丨2023/8/5
