传染病传播模型的参数拟合方法和相关装置与流程

[0001]
本申请涉及疫情预测领域，尤其涉及一种传染病传播模型的参数拟合方法、装置、存储介质及电子设备。


背景技术：

[0002]
病毒的大范围传播往往会给社会带来巨大的恐慌和难以估量的经济损失，包括计算机病毒以及生物病毒在内的各种病毒，通过网络迅速的扩散到全世界各地。2019年12月爆发的covid-19(新型冠状病毒)在短短几个月就扩散到全世界各国，累计感染上百万民众，造成经济损失不可估量。因此，对病毒传播模型的研究不可或缺，通过对传播模型进行建模，可以有效分析病毒传播路径以及方式，并作出相应反应。
[0003]
现有的传毒模型包括seir等等，其中seir根据不同的不同传播源类型分支出不同种类，包括sis，sir，seir模型等等。另外在seir模型上的基础上，现有存在基于不同网络拓扑结构的病毒传播模型，包括各种网络结构结合seir的模型以及基于人口流动以及seir的网络模型。基本的思路是，不同的网络节点代表着不同的城市，相连的城市间存在传播流动，并且基于此建模。
[0004]
通过上述的seir病毒模型进行建模，现有的技术大多数从正向推导，首先预设立参数，然后再通过模型得到相应数据，与现实数据进行对比。这样实现比较简单，但是无法准确利用现有的大数据，预设的参数往往与实际相差甚大，拟合出来的数据也和实际相差很大。通过人为调整，迭代周期过长，耗时较多。


技术实现要素：

[0005]
本申请实施例提供了一种传染病传播模型的参数拟合方法、装置、存储介质及电子设备，可以解决相关技术中拟合传染病传播模型存在的迭代周期长和耗时较大的问题。所述技术方案如下：
[0006]
第一方面，本申请实施例提供了一种传染病传播模型的参数拟合方法，所述方法包括：
[0007]
获取真实传播数据；
[0008]
对于m个传染病传播模型中的每个传染病传播模型来说，基于第k次迭代后的传染病传播模型生成第k个模型预测数据；其中，所述传染病传播模型为多节点传播模型，k为大于0的整数；
[0009]
计算所述第k次迭代后的模型预测数据和所述真实传播数据之间的损失误差；
[0010]
基于所述损失误差利用反向传播算法对所述第k次迭代后的传染病传播模型进行参数拟合，得到第k+1次迭代后的传染病传播模型；
[0011]
在每个传染病传播模型均完成n次的迭代后，将迭代后得到的m个传染病传播模型的参数进行平均得到最终参数，m和n为大于1的整数。
[0012]
第二方面，本申请实施例提供了一种传染病传播模型的参数拟合装置，所述装置
包括：
[0013]
获取单元，用于获取真实传播数据；
[0014]
学习单元，用于对于m个传染病传播模型中的每个传染病传播模型来说，基于第k次迭代后的传染病传播模型生成第k个模型预测数据；其中，所述传染病传播模型为多节点传播模型，k为大于0的整数；
[0015]
计算所述第k次迭代后的模型预测数据和所述真实传播数据之间的损失误差；
[0016]
基于所述损失误差利用反向传播算法对所述第k次迭代后的传染病传播模型进行参数拟合，得到第k+1次迭代后的传染病传播模型；
[0017]
迭代单元，用于在每个传染病传播模型均完成n次的迭代后，将迭代后得到的m个传染病传播模型的参数进行平均得到最终参数，m和n为大于1的整数。
[0018]
第三方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。
[0019]
第四方面，本申请实施例提供一种电子设备，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
[0020]
本申请一些实施例提供的技术方案带来的有益效果至少包括：
[0021]
通过获取表示病毒实际传播状况的真实传播数据，然后利用多节点的传染病传播模型得到模型预测数据，通过损失函数来评估模型预测数据和真实传播数据之间的损失误差，基于损失误差通过反向传播算法对传染病传播模型的各个参数进行修正，以得到最终参数，这样基于bp的拟合算法，利用到了梯度下降的思想，可以提高对传染病传播模型的参数进行拟合的速度，减小训练模型的时间。
附图说明
[0022]
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0023]
图1是本申请实施例提供的网络结构图；
[0024]
图2是本申请实施例提供的一种传染病传播模型的参数拟合方法的流程示意图；
[0025]
图3是本申请实施例提供的一种传染病传播模型的参数拟合装置的结构示意图；
[0026]
图4是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0027]
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
[0028]
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申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0029]
在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“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。
[0030]
参见图1，为本申请实施例提供的一种网络架构图，本申请的网络架构包括：服务器和多个终端设备，终端设备的数量本申请不作限制，例如：图1中的多个终端设备为：终端设备12、终端设备13和终端设备14。服务器11可以为服务器，服务器的数量可以是一个或多个，多个服务器可以组成服务器集群，服务器11相对于终端设备来说，具有更强的计算能力，服务器11可以接收终端设备的模型训练指令，响应于模型训练指令调用其计算资源训练传染病传播模型的参数，然后将训练号的参数推送给终端设备。服务器11和各个终端设备之间的通信的方式可以是无线通信方式，例如：终端设备内置有蜂窝网络数据模块，基于蜂窝网络与服务器11之间进行通信，例如：蜂窝网络包括但不限于2g、3g、4g、5g或下一代网络。各个终端设备可以是手机、平板电脑、个人电脑或其他设备，本申请实施例不作限制。
[0031]
基于图1的网络架构，请参见图2，为本申请实施例提供的一种传染病传播模型的参数拟合方法的流程示意图。如图2所示，本申请实施例的所述方法可以包括以下步骤：
[0032]
s201、获取真实传播数据。
[0033]
其中，真实传播数据表一段时间内病毒在若干个地区内的传播情况，真实传播数据可以是向政府相关部门获取或通过与政府相关部分合作获取。例如：真实传播数据表示一个月内病毒在多个城市内的传播情况，多个城市中包括病毒爆发的源头城市。
[0034]
真实传播数据包括多个地区在一定时间内随时间变化的潜伏人数、感染人数、治愈人数和未感染人数，例如：多个节点为某个省内的所有地级市，真实传播数据表示在1月内所有地级市的潜伏人数、感染人数、治愈人数和未感染人数随天数的变化趋势。
[0035]
得到上述的真实传播数据后，真实传播数据的数据格式转换为符合seir模型或其他传染病传播模型的格式，对于每一个节点将该节点内潜伏人数、感染人数、治愈人数和未感染人数进行归一化处理得到0～1之间的数值，即不同节点(城市)在一定时间内的s(易感人数占比)、e(潜伏人数占比)、i(感染人数占比)和r(治愈人数占比)中的一种或多种。
[0036]
s202、对于m个传染病传播模型中的每个传染病传播模型来说，基于第k次迭代后的传染病传播模型生成第k个模型预测数据。
[0037]
其中，m个传染病传播模型的参数为随机化得到的，m为大于或等于1的整数，对每个传染病传播模型进行迭代，s202～s204为一个迭代过程，在k＝1时，第1个传染病传播模型的参数的值为随机初始化的随机值，例如：第1个传染病传播模型对应3个参数的值，3个参数的值进行随机初始化后得到的0.2、0.5和0.8。基于第k次迭代后的传染病传播模型生成第k次迭代后的模型预测数据，模型预测数据的时间区间和真实数据的时间区间和节点是相同的，模型预测数据的数据格式和真实数据的数据格式也是相同的，例如：根据第k次迭代后的传染病传播模型生成的模型预测数据表示1月内某省所有地级市内潜伏人数、感染人数、治愈人数和未感染人数的日变化趋势。
[0038]
其中，本申请的传染病传播模型可以是si模型、sir模型、sirs模型或seir模型等，
在相关技术中一般采用联系的数学工具，例如：微分方程等来求解传染病传播模型的各个参数。本申请可以利用多节点的seir模型，每一个节点表示真实传播数据中的一个地区(城市)，每个节点对应的参数包括s(易感人数占比)、e(潜伏人数占比)、i(感染人数占比)和r(治愈人数占比)中的一种或多种。
[0039]
在本申请实施例中，传染病传播模型为seir模型，所述传染病传播模型的各个参数包括：易感染着获得免疫的概率、某节点被相邻的感染者的节点感染的概率、某节点被相邻的潜伏者的节点感染的概率、潜伏治愈率、感染治愈率、免疫失去率和感染率。每个节点内各个参数之间的转换关系使用如下公式来表示：
[0040][0041][0042][0043][0044][0045]
其中a
ij
表示任意两个节点i和节点j之间的连接关系；例如：a
ij
为0如果节点i与节点j不相邻(不连接)，a
ij
为1，表示节点i和节点j之间相邻；
[0046]
θ
i
是易感者获得免疫的概率，即节点i由易感者变为治愈者的概率；
[0047]
是节点i被相邻的感染者的节点感染的概率；
[0048]
是节点i被相邻的潜伏者的节点感染的概率；
[0049]
ξ
i
是潜伏治愈率，即节点i由潜伏者变为治愈者的概率；
[0050]
δ
i
是感染治愈率，即节点i由感染者变为治愈者的概率；
[0051]
γ
i
免疫失去率，即节点i由治愈者变为易感者的概率；
[0052]
u
i
是感染率，即节点i被相邻节点感染的总概率，由相邻感染者节点以及相邻潜伏者节点一起决定，参见如下公式：
[0053][0054]
其中分别为节点i的s，e，i，r人口占比。本申请通过多节点的seir模型进行演化模拟，得到模型预测数据，模型预测数据和真实传播数据在时间维度上是匹配的。
[0055]
s203、计算所述第k次迭代后的模型预测数据和所述真实传播数据之间的损失误差。
[0056]
其中，本申请基于第k次迭代后的模型预测数据和真实传播数据之间进行误差的计算。在相同时间和相同节点，将模型预测数据和真实传播数据的各个参数之间进行误差计算，例如：求各个参数的方差的和最为损失误差，利用如下公式计算损失误差：
[0057]
[0058]
其中，i节点的序号，节点表示城市或地区，为所述真实传播数据中第i个节点在t
k
时间上的易感人数占比、潜伏人数占比、感染人数占比和治愈人数占比中的一种或多种，表示第k次迭代后的模型预测参数中第i个节点在t
k
时间上的易感人数占比、潜伏人数占比、感染人数占比和治愈人数占比中的一种或多种。参数值在真实传播数据和模型预测数据之间的差值越大，则损失越大，损失与概率之差呈正比关系，本申请实施例可以采用其他方式来计算损失误差，并不限于使用方差和来表示损失误差。
[0059]
举例来说，时间为1月，节点为x市，1月内x市内的真实传播数据表示为：易感人数占比为0.2，潜伏人数占比为0.1、感染人数占比为0.5，治愈人数占比为0.6，模型预测数据表示为：易感人数占比为0.3，潜伏人数占比为0.2、感染人数占比为0.4，治愈人数占比为0.7，那么计算损失误差为：(0.2-0.3)2+(0.1-0.2)2+(0.5-0.4)2+(0.6-0.7)2。
[0060]
s204、基于所述损失误差利用反向传播算法对所述第k次迭代后的传染病传播模型进行参数拟合，得到第k+1次迭代后的传染病传播模型。
[0061]
在一种可能的实施方式中，基于所述损失误差利用bp反向传播算法计算出所述第k次迭代后的传染病传播模型的各个参数的导数；基于自适应矩估计算法(adaptive moment estimation，adam)对所述各个参数的导数进行学习得到所述第k+1次迭代后的传染病传播模型的参数。
[0062]
在另一种可能的实施方式中，基于所述损失误差利用反向传播算法计算出所述第k次迭代后的传染病传播模型的各个参数的导数；基于随机梯度下降算法对所述各个参数的导数进行学习得到所述第k+1次迭代后的传染病传播模型的参数。
[0063]
其中，第n+1个传染病传播模型的参数相当于第k次迭代后的传染病传播模型的参数发生更新。
[0064]
s205、判断每个传染病传播模型是否完成n次迭代。
[0065]
其中，对于每个传染病传播模型来说，判断k+1是否达到n，若为否，继续执行s201～s204进行迭代，若达到n，则执行s206，n的值可以根据实际需求而定，本申请不作限制，n的值越大，传染病传播模型的精度会相应提高，但是参数拟合的时间会增加，可以综合考虑精度和时间来确定m的值。
[0066]
s206、将迭代后得到的m个传染病传播模型的参数进行平均得到最终参数。
[0067]
其中采用集成学习的方式对m个传染病传播模型的参数进行平均得到最终参数，计算平均的方式包括但不限于算术平均、加权平均、几何平均获取其他方法。
[0068]
例如：m＝20，对于上述的基于bp算法的传染病传播模型，本申请重复迭代20次，得到20个不同的参数的传染病传播模型，对20个传染病传播模型的参数求算术平均，从而得到传染病传播模型的最终参数。本申请使用集成学习的方式来拟合传染病传播模型的参数，可以增加参数的拟合参数，减小模型训练的时间。
[0069]
本申请的有益效果包括：通过获取表示病毒实际传播状况的真实传播数据，然后利用多节点的传染病传播模型得到模型预测数据，通过损失函数来评估模型预测数据和真实传播数据之间的损失误差，基于损失误差通过反向传播算法对传染病传播模型的各个参数进行修正，以得到最终参数，这样基于bp的拟合算法，利用到了梯度下降的思想，可以提高对传染病传播模型的参数进行拟合的速度，减小训练模型的时间。
[0070]
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
[0071]
请参见图3，其示出了本申请一个示例性实施例提供的传染病传播模型的参数拟合装置的结构示意图。该传染病传播模型的参数拟合装置可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。该装置3包括：获取单元30、迭代单元31和学习单元32。
[0072]
获取单元30，用于获取真实传播数据；
[0073]
学习单元31，用于对于m个传染病传播模型中的每个传染病传播模型来说，基于第k次迭代后的传染病传播模型生成第k个模型预测数据；其中，所述传染病传播模型为多节点传播模型，k为大于0的整数；计算所述第k次迭代后的模型预测数据和所述真实传播数据之间的损失误差；基于所述损失误差利用反向传播算法对所述第k次迭代后的传染病传播模型进行参数拟合，得到第k+1次迭代后的传染病传播模型；
[0074]
迭代单元32，用于在每个传染病传播模型均完成n次的迭代后，将迭代后得到的m个传染病传播模型的参数进行平均得到最终参数，m和n为大于1的整数。
[0075]
在一个或多个实施例中，所述传染病传播模型为seir模型；
[0076]
所述计算所述第k次迭代后的模型预测数据和所述真实传播数据之间的损失误差，包括：
[0077]
利用如下公式计算损失误差：
[0078][0079]
其中，loss为第k次迭代后的模型预测数据和所述真实传播数据之间的损失误差，i表示节点的序号，为所述真实传播数据中第i个节点在t
k
时间上的易感人数占比、潜伏人数占比、感染人数占比和治愈人数占比中的一种或多种，表示第k次迭代后的模型预测参数中第i个节点在t
k
时间上的易感人数占比、潜伏人数占比、感染人数占比和治愈人数占比中的一种或多种。
[0080]
在一个或多个实施例中，所述基于所述损失误差利用反向传播算法对所述第k次迭代后的传染病传播模型进行参数拟合，得到第k+1次迭代后的传染病传播模型，包括：
[0081]
基于所述损失误差利用反向传播算法计算出所述第k次迭代后的传染病传播模型的各个参数的导数；
[0082]
基于自适应矩估计算法对所述各个参数的导数进行学习得到所述k+1次迭代后的传染病传播模型的参数。
[0083]
在一个或多个实施例中，所述基于所述损失误差利用反向传播算法对所述第k次迭代后的传染病传播模型进行参数拟合，得到第k+1次迭代后的传染病传播模型，包括：
[0084]
基于所述损失误差利用反向传播算法计算出所述第k次迭代后的传染病传播模型的各个参数的导数；
[0085]
基于随机梯度下降算法对所述各个参数的导数进行学习得到所述第k+1次迭代后的传染病传播模型的参数。
[0086]
在一个或多个实施例中，所述将迭代后得到的m个传染病传播模型的参数进行平
均得到最终参数，包括：
[0087]
将所述m个传染病传播模型的参数进行算术平均后得到最终参数。
[0088]
在一个或多个实施例中，所述传染病传播模型的各个参数包括：易感染着获得免疫的概率、某节点被相邻的感染者的节点感染的概率、某节点被相邻的潜伏者的节点感染的概率、潜伏治愈率、感染治愈率、免疫失去率和感染率；
[0089]
其中，上述参数之间的关系使用如下公式来表示：
[0090][0091][0092][0093][0094][0095]
其中，a
ij
表示任意两个节点i和节点j之间的连接关系；
[0096]
θ
i
是易感者获得免疫的概率；
[0097]
是节点i被相邻的感染者的节点感染的概率；
[0098]
是节点i被相邻的潜伏者的节点感染的概率；
[0099]
ξ
i
是潜伏治愈率率；
[0100]
δ
i
是感染治愈率；
[0101]
γ
i
免疫失去率；
[0102]
u
i
是感染率。
[0103]
在一个或多个实施例中，所述获取真实传播数据，还包括：
[0104]
将所述真实传播数据的数据格式转换为所述传染病传播模型的数据格式，以及将格式转换后的数据格式进行归一化处理。
[0105]
需要说明的是，上述实施例提供的传染病传播模型的参数拟合装置在执行传染病传播模型的参数拟合方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的传染病传播模型的参数拟合装置与传染病传播模型的参数拟合方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
[0106]
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
[0107]
本申请实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图2所示实施例的方法步骤，具体执行过程可以参见图2所示实施例的具体说明，在此不进行赘述。
[0108]
请参见图4，为本申请实施例提供了一种电子设备的结构示意图。如图4所示，电子设备可以是图1中的服务器11，所述电子设备1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
[0109]
其中，通信总线1002用于实现这些组件之间的连接通信。
[0110]
其中，用户接口1003可以包括显示屏(display)、摄像头(camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
[0111]
其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。
[0112]
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(digital signal processing，dsp)、现场可编程门阵列(field-programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(central processing unit，cpu)、图像处理器(graphics processing unit，gpu)和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
[0113]
其中，存储器1005可以包括随机存储器(random access memory，ram)，也可以包括只读存储器(read-only memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图4所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及应用程序。
[0114]
在图4所示的电子设备1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的配置应用程序接口的应用程序，并具体执行以下操作：
[0115]
获取真实传播数据；
[0116]
对于m个传染病传播模型中的每个传染病传播模型来说，基于第k次迭代后的传染病传播模型生成第k个模型预测数据；其中，所述传染病传播模型为多节点传播模型，k为大于0的整数；
[0117]
计算所述第k次迭代后的模型预测数据和所述真实传播数据之间的损失误差；
[0118]
基于所述损失误差利用反向传播算法对所述第k次迭代后的传染病传播模型进行参数拟合，得到第k+1次迭代后的传染病传播模型；
[0119]
在每个传染病传播模型均完成n次的迭代后，将迭代后得到的m个传染病传播模型的参数进行平均得到最终参数，m和n为大于1的整数。
[0120]
在一个或多个实施例中，所述传染病传播模型为seir模型；
[0121]
处理器1001执行所述计算所述第k个模型预测数据和所述真实传播数据之间的损失误差，包括：
[0122]
利用如下公式计算损失误差：
[0123][0124]
其中，loss为第k次迭代后的模型预测数据和所述真实传播数据之间的损失误差，i表示节点的序号，为所述真实传播数据中第i个节点在t
k
时间上的易感人数占比、潜伏人数占比、感染人数占比和治愈人数占比中的一种或多种，表示第k次迭代后的模型预测参数中第i个节点在t
k
时间上的易感人数占比、潜伏人数占比、感染人数占比和治愈人数占比中的一种或多种。
[0125]
在一个或多个实施例中，处理器1001执行所述基于所述损失误差利用反向传播算法对所述第k次迭代后的传染病传播模型进行参数拟合，得到第k+1次迭代后的传染病传播模型，包括：
[0126]
基于所述损失误差利用反向传播算法计算出所述第k次迭代后的传染病传播模型的各个参数的导数；
[0127]
基于自适应矩估计算法对所述各个参数的导数进行学习得到所述k+1次迭代后的传染病传播模型的参数。
[0128]
在一个或多个实施例中，处理器1001执行所述基于所述损失误差利用反向传播算法对所述第k次迭代后的传染病传播模型进行参数拟合，得到第k+1次迭代后的传染病传播模型，包括：
[0129]
基于所述损失误差利用反向传播算法计算出所述第k次迭代后的传染病传播模型的各个参数的导数；
[0130]
基于随机梯度下降算法对所述各个参数的导数进行学习得到所述第k+1次迭代后的传染病传播模型的参数。
[0131]
在一个或多个实施例中，处理器1001执行所述将迭代后得到的m个传染病传播模型的参数进行平均得到最终参数，包括：
[0132]
将所述m个传染病传播模型的参数进行算术平均后得到最终参数。
[0133]
在一个或多个实施例中，所述传染病传播模型的各个参数包括：易感染着获得免疫的概率、某节点被相邻的感染者的节点感染的概率、某节点被相邻的潜伏者的节点感染的概率、潜伏治愈率、感染治愈率、免疫失去率和感染率；
[0134]
其中，上述参数之间的关系使用如下公式来表示：
[0135][0136][0137][0138][0139][0140]
其中，a
ij
表示任意两个节点i和节点j之间的连接关系；
[0141]
θ
i
是易感者获得免疫的概率；
[0142]
是节点i被相邻的感染者的节点感染的概率；
[0143]
是节点i被相邻的潜伏者的节点感染的概率；
[0144]
ξ
i
是潜伏治愈率率；
[0145]
δ
i
是感染治愈率；
[0146]
γ
i
免疫失去率；
[0147]
u
i
是感染率。
[0148]
在一个或多个实施例中，处理器1001执行所述获取真实传播数据，还包括：
[0149]
将所述真实传播数据的数据格式转换为所述传染病传播模型的数据格式，以及将格式转换后的数据格式进行归一化处理。
[0150]
本实施例的构思和图2的方法实施例相同，其带来的技术效果也相同，具体过程可参照图2实施例的描述，此处不再赘述。
[0151]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
[0152]
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。