传染病疫情预测预警方法

摘要

传染病疫情预测预警方法是一种国家、省、市(地区)、区(县)层面传染病相关公共卫生事件的网络预警系统，该方法对服务器端汇总的不良反应信息数据作出整合，以时间序列分析统计模型的运算为基础，依据不良反应的症状数量，计算并确定公共卫生突发事件的预警阈值，随时自动对传染病发生情况进行实时预警，1)整合来自不同渠道的信息，2)执行路径①：分析任务：3)执行路径②：预测预警；一旦监测数据的量达到传统的考虑疾病周期性、季节性、长期趋势等时间序列分析方法的基本要求，就能得出相对更加有价值的结论，为我们及早发现疫情，尽快采取措施，防止疫情的蔓延，并初步建立我省疫情监测预警系统和工作机制发挥重要作用。

主权项

1.一种传染病疫情预测预警方法，其特征在于本方法对服务器端汇总的不良反应信息数据作出整合，以时间序列分析统计模型的运算为基础，依据不良反应的症状数量，计算并确定公共卫生突发事件的预警阈值，随时自动对传染病发生情况进行实时预警，具体方法如下：1).整合来自不同渠道的信息，具体为：每次执行预警任务前自动刷新之前的数据库，将预警时间之前的信息及时添加到数据库中；获得数据后，将按两条路径执行：路径①：分析；路径②：以时间序列分析模型为基础统计绘制坐标图，进而执行预测和预警任务；2).执行路径①：分析任务：数据库中信息经过统计分析后自动生成不同单位、地区、性别、时间段的不良反应统计表和统计图；利用统计出的信息对“预测”任务中确定的用来对未来一段时间疫情情况进行预测的模型进行检验，由于在确定时间序列模型之前需要把不平稳的时间序列转化为平稳序列，这个过程叫做数据的预处理；而数据序列的平稳性是指这个序列的平均值和方差始终为常数；处理数据时建立相应的坐标图，将数据在坐标图上表示出来，然后用曲线连起来，将所建立的方程尽量地与图表所反映的信息一致从而达到预测准确目的的过程称为拟合；具体方法为：I.软件随机选取一段时间内的历史疫情发生数据，以其中一部分为对象建立相应时间序列模型；以另外一部分为标准来对模型预测效果进行评价，III中得到的数据经过预处理，使之有助于对模型进行识别与定阶，进而确定所需模型；III.II中确定的模型对II中预处理过的数据序列进行拟合并作出对未来一段时间发病情况的预测，通过在同一个坐标图上作出发病情况图和发病预测图来检查预测值和真实值的吻合程度，进而对该模型准确度进行评价；3).执行路径②：预测预警时间序列分析模型是用来对所要处理的对象，也就是数据进行统计的模型，以时间序列分析模型为基础，对当前所要预测预警的经过整合后的数据进行分析统计并绘制成坐标图；31).进入预测模块a.根据整合出的数据序列的数据图和自相关函数判断所获得的时间序列是否是平稳序列，若是则不需处理，若不是则需使其处理成平稳序列；具体方法为：a1.如果序列y呈线性趋势，均值不稳定，则利用一阶差分；a2.如果序列呈现二次趋势，均值不是常数，则利用二阶差分；a3.如果序列呈现随时间的上升或下降偏差，方差不是常数，则通常可利用自然对数将其平稳化，b.模型的识别与定阶模型的识别：乘积季节模型是随机季节模型与RIMA模型的结合，统计学上纯ARIMA(p，d，q)模型记作：$\Phi \left(B\right)={▿}^d{X}_t=\Theta \left(B\right){ϵ}_t$其中，t代表时间，Xt表示响应序列，B是后移算子，$▿=1-B,$p，d，q分别表示自回归阶数、差分阶数和移动平均阶数；Φ(B)表示自回归算子；Θ(B)表示滑动平均算子，一个阶数为(p，d，q)×(P，D，Q)s的乘积季节模型可表为：$\Phi \left(B\right)U\left(B^S\right){▿}^d{▿}_S^D{X}_t=V\left(B^S\right)\Theta \left(B\right){ϵ}_t$ε_t代表独立挠动或随机误差，s的值是一个季节循环中观测的个数，表示同一周期内不同周期点的相关关系，则描述了不同周期中对应时点上的相关关系，二者结合起来便同时刻画了两个因数的作用；采用Box2Jenkins方法对乘积季节模型的阶数识别及参数估计，也就是立足于考察数据的样本自相关、偏相关函数，季节长度S由实际应用背景的分析得到；如果样本自相关、偏相关函数既不截尾也不拖尾，且不是呈线性衰减趋势，相反地，在相应于周期S的整倍数点上，自相关或偏相关函数出现绝对值相当大的峰值并呈现振荡变化，就可以判断数据序列适合于乘积季节模型；模型的定阶：采用试探的做法选取差分和季节差分阶数d，D；d，D宜取较低阶，通常取1、2或3；若对于某一组d，D得到的自相关或偏相关函数呈现较好的截尾或拖尾特性，则认为相应的d，D是适宜的，这时若增大d，D，则相应的自相关或偏相关函数会呈现离散增大及不稳定状态；当阶数d，D确定后，模型参数p，q，P，Q的估计一般用最大似然估计和无约束最小二乘；C经过识别以及定阶以后，据此建立相应模型，d.模型预测的效果评价，通过检验模型的拟合优度来决定模型是否合适白噪声指功率谱密度在整个频域内均匀分布的噪声，白噪声信号在各个频段上的功率一样，白噪声在数学处理上比较方便，因此是系统分析的有力工具；若用一模型拟合资料，则模型计算值与资料实测值之差为残差；计算机对观测值和模型拟合值的残差进行分析，如果残差序列不是白噪声序列，则说明还有信息包含在相关的残差序列中未被提取，模型其他参数不能完全代表建模对象的统计性质，即所建模型不是最终模型，此时可对残差拟合更复杂的模型，以充分提炼资料的信息，从而得到更合适的模型，如果残差序列不是白噪声序列，则需重新建立模型，重复上述步骤，直到残差序列是白噪声序列为止；32).软件进入预警模块32a.根据图表自动计算出历史数据的平均值和标准差，分别记为μ和σ；并且自动计算出μ+2σ、μ+3σ、μ+6σ的值，32b.确定分级标准若μ+2σ为黄色预警标准μ+3σ为橙色预警标准μ+6σ为红色预警标准预警单位内某种预警症状相应的人数记为症状数量，本方法将阈值作为标准对应实际症状数量进行分级预警，症状数量＜μ+2ρ        则不予预警μ+2ρ＜症状数量＜μ+3ρ则为黄色预警μ+3ρ＜症状数量＜μ+6ρ则为橙色预警症状数量＞μ+6ρ        则为红色预警，32c.根据统计的单位、症状、数量信息计算预警信息，利用计算出来的μ和σ以及统计出的实际症状及相应症状数量的疫情信息，根据前面的分级标准计算预警信息进行分级预警，32d.阈值的自动调整：在每次预警前自动刷新数据库中的不良反应信息，使数据能最大程度地与实际情相符，并由此绘图计算阈值，使阈值随不同环境而变化；在紧急情况下，也可由数据库管理员强制修改阈值，32e.经过上述计算处理后在计算机上输出显示预警信息，包括警报级别，预警症状和数量，其中警报级别分：黄色预警、橙色预警和红色预警，预警症状为服务器所获得的人员不良反应症状，数量为该单位有此症状的人数。信息可自动显示或由监测范围内任何单位点击获得，32f.更大范围上的预警：在根据时间序列分析计算出预警信息对该单位预警后，在此基础上视具体情况对更大范围地区作出疫情预警。