"""

一个不知名大学生，江湖人称菜狗
original author: jacky Li
Email : 3435673055@qq.com
Last edited: 2022.11.14

"""

大佬绕路，这里菜狗

（一）Logistic生长曲线

逻辑斯蒂拟合的代码

（二）疾病传播模型-SEIR

SEIR模型代码

一个在线的SEIR模型可视化平台

基于GNN的新冠肺炎疫情发展预测

代码：

通过构建统计学模型、数学模型，或者利用机器学习、深度学习方法拟合疫情发展趋势，利用历史数据对未来的确诊病例等疫情形势进行预测，比如说，逻辑斯蒂生长曲线拟合数据，预测未来几天可能的发展趋势；或者利用时间序列模型构建预测模型；也可用LSTM构建预测模型，一种特殊的RNN网络。以上方法，除生长曲线外，其他模型，需要大量数据做训练，就目前情况看，数据量并不大，即使构建出模型，参考价值并不大，并没有与业务做融合，只是以数据理解数据。

另外一个建模思路，可以从传统疾病传播模型（SIS、SIR、SEIR等），建立传染病模型，结合此次冠状病毒的传播特性，利用现有的样本数估计出一个大概的参数，建立适当的传染病数学模型，能较为精准的预估疫情的发展趋势，当然这是一个较为复杂且专业的问题。近日，由钟南山院士团队研究构建的「具有饱和发病率（其解释，任何传染病都具有饱和发病率，即不可能完全被消灭） SIQS 传染病模型」虽然被国外权威期刊退回，但研究成果还是符合国内疫情发展趋势。

据有关学者介绍，SIQS传染病模型实际上是在传统SEIR模型基础上，加上两个干预因素，即国家的强力干预和春节后的回程高峰，另外，2020年2月28日，钟南山院士团队发表了一篇名为《公共卫生干预下COVID-19流行趋势的 SEIR和AI预测修正》，将2020年1月23日前后的人口迁移数据及最新的新冠肺炎流行病学数据整合到SEIR模型中生成流行曲线，同时，团队还利用人工智能技术，以2003年SARS数据为基础进行训练，从而更好地预测新冠疫情。研究团队还使用长短期记忆模型，预测新增感染数随时间的变化。对于基本训练数据集的处理，研究团队利用 2003年4-6 月SARS的病例统计，纳入COVID-19流行病学参数。从钟南山院士团队的研究成果来看，假设是一支纯技术团队，是无法作出解释性强、可信度高的预测模型，所以说数据建模不仅仅依靠的是技术工具，更多的是业务理论背景，模型不应该是冰冷的技术实现，更应该是有温度、有内涵的业务与技术的融合。

因本人不具备传染病、医疗专业领域相关知识，从非专业角度，尝试利用Logistic生长曲线模拟泰安地区累计确诊病例数量，并试着简单叙述传统疾病传播模型-SEIR。

（一）Logistic生长曲线

逻辑斯蒂曲线是由比利时数据学家首次发现的特殊曲线，后来，生物学家皮尔(R．Pearl)和L·J·Reed根据这一理论研究人口增长规则，因此，逻辑斯蒂生长曲线也被称为生长曲线或者珍珠德曲线。逻辑斯蒂生长曲线一般形式如下：

Yt=L1+ae-bt

L,a,b均为未知参数，需要根据历史数据进行估计。生长曲线在现代商业、生产行业、生物科学等方面有着非常广泛的应用。

我们利用生长曲线模型，拟合上海2022年3月1日到4月30日累计确诊病例数据，建立生长曲线模型。数据拟合如下图所示，蓝色部分显示的确诊病例观测值，橙色部分显示的是确诊病例预测值，并计算出3天的确诊预测病例数据（5月7日，5月8日，5月9日）。

逻辑斯蒂拟合的代码

从上图预测值生成的曲线来看，生长曲线模型整体呈现“S”型，按照相关参考文献说明，生长曲线可以分为初期、中期和末期三个阶段：

在初期，虽然 t处于增长阶段，但是 y 的增长较为缓慢，这时曲线呈现较为平缓的上升；

在中期，随着t的增长，y 的增长速度逐渐增快，曲线呈现快速上升的态势；当达到拐点(t，Y)后，因函数饱和程度的增长达到末期，随着t的增长 y 的增长较为缓慢，增长速度趋近于0，曲线呈水平状发展。

在了解模型特点后，假设外部因素干预事件发展，就会导致数据的突然增多或减少，会影响模型的预测精度。因此，logistic增长模型只是对疾病进行预估，并不能准确判断，也并不是最佳模型。当然可以通过模型优化，来提高预测精度，有的文献提出可以根据华罗庚提出的0.618选优法，对得到的模型进行优化（计算该模型是否能得到预测值和测量值最小残差平方和）。这里我们就不再展开，可以后期进行探讨学习。

（二）疾病传播模型-SEIR

查阅相关文献后，发现常见的传染病模型按照传染病类型分为SI、SIR、SIRS、SEIR 模型等，用于研究传染病的传播速度、空间范围、传播途径等问题，用来指导对传染病的预防和控制。模型中涉及S、E、I、R、r、β、γ、α参数：

S类：表示易感者 (Susceptible)，指未得病者，但缺乏免疫能力，与感染者接触后容易受到感染；E类：表示暴露者 (Exposed)，指接触过感染者，但暂无能力传染给其他人的人，对潜伏期长的传染病适用；I类：表示感病者 (Infectious)，指染上传染病的人，可以传播给 S 类成员，将其变为 E 类或 I 类成员；R类：表示康复者 (Recovered)，指被隔离或因病愈而具有免疫力的人。如免疫期有限，R类成员可以重新变为 S 类。

r：感染患者（I）每天接触的易感者数目；β：传染系数，由疾病本身的传播能力，人群的防控能力决定；γ：恢复系数，一般为病程的倒数，例如流感的病程5天的话，那么它的γ就是1/5；α：潜伏者的发病概率，一般为潜伏期的倒数。

我们这里不再利用采集到的数据，模拟疫情发展形式，一方面原因是我们并不能较好的估计模型中涉及到各个参数, 需要考虑的的参数较多，另一方面数据并不能支撑其模型推导，特别是疫情的政府干预因素、社会舆情因素，对疫情发展趋势都会产生一定的影响，应将相关的因素考虑进去，所以这个问题相对来说是比较复杂的过程，我们这里不再进行过多探讨。大家有兴趣的可以去查找相关文献材料，进行深入研究学习。

SEIR模型代码

一个在线的SEIR模型可视化平台

基于GNN的新冠肺炎疫情发展预测

代码：

需要源码请找博主私聊，博主看见回

感谢点赞、感谢关注！

新冠疫情预测模型--逻辑斯蒂回归拟合、SEIR模型相关推荐

最大熵阈值python_第六章-逻辑斯蒂回归和最大熵模型
逻辑斯谛回归是统计学习中的经典分类方法,和最大熵模型相比,具有以下的共同点和区别:共同点都属于概率模型,该模型要寻找的是给定一个x,得到输出变量Y的概率分布P(Y|x),如果是二分类,Y取值为0或1, ...
统计学习方法读书笔记（六）-逻辑斯蒂回归与最大熵模型（迭代尺度法（IIS））
全部笔记的汇总贴:统计学习方法读书笔记汇总贴逻辑斯谛回归 (logistic regression )是统计学习中的经典分类方法.最大熵是概率模型学习的一个准则,将其推广到分类问题得到最大熵模型(m ...
学习笔记——逻辑斯蒂回归与最大熵模型
逻辑斯蒂回归(logistic regression)是统计学习中的经典分类方法.最大熵是概率模型学习的一个准则,将其推广到分类问题得到最大熵模型(maximum entropy).都属于对数线性模型 ...
逻辑斯蒂回归与最大熵模型---最大熵模型
为什么80%的码农都做不了架构师?>>> 最大熵原理最大熵模型的定义最大熵模型的学习极大似然估计转载于:https://my.oschina.net/liyangke/ ...
逻辑斯蒂回归（logistic regression）原理小结
逻辑斯蒂回归(logistic regression)原理小结 1. 模型函数 2. 损失函数 3. 学习算法 4. 加正则项的逻辑斯蒂回归 5. 多项逻辑斯蒂回归 6. 模型综合评价 7. 二分类 ...
机器学习（二）--sklearn之逻辑斯蒂回归和朴素贝叶斯
文章目录 1.逻辑斯蒂回归 2.朴素贝叶斯 3.三种分类算法的比较上回说到,sklearn中的k近邻算法解决多分类问题.k近邻的基本步骤是:收集数据.创建分类器.训练.预测.评估性能.调参(参数就是 ...
逻辑斯蒂回归 - 多项式回归
文章目录一.预期结果二.实验步骤 1)生成数据 2)算法实现算法步骤: 1.获取规格化数据(系数矩阵.标签) 2.梯度上升法拟合系数 3.画图,看看拟合的准不准结果完整代码实现: 一.预期结 ...
李航统计学习方法 Chapter6 逻辑斯蒂回归
第6章逻辑斯蒂回归和最大熵模型逻辑斯谛回归(LR)是经典的分类方法 1．逻辑斯谛回归模型是由以下条件概率分布表示的分类模型.逻辑斯谛回归模型可以用于二类或多类分类. P(Y=k∣x)=exp⁡(w ...
逻辑斯蒂回归_逻辑斯蒂回归详细解析 | 统计学习方法学习笔记 | 数据分析 | 机器学习...
本文包括: 重要概念逻辑斯蒂回归和线性回归二项逻辑斯谛回归模型逻辑斯蒂回顾与几率模型参数估计多项逻辑斯谛回归其它有关数据分析,机器学习的文章及社群 1.重要概念: 在正式介绍逻辑斯蒂回归模 ...

新冠疫情预测模型--逻辑斯蒂回归拟合、SEIR模型

大佬绕路，这里菜狗

（一）Logistic生长曲线

逻辑斯蒂拟合的代码

（二）疾病传播模型-SEIR

SEIR模型代码

一个在线的SEIR模型可视化平台

基于GNN的新冠肺炎疫情发展预测

代码：

新冠疫情预测模型--逻辑斯蒂回归拟合、SEIR模型相关推荐

最新文章

热门文章