基于改进SEIR算法的疫情传播趋势检测方法

吉林大学学报(理学版) ›› 2021, Vol. 59 ›› Issue (6): 1511-1516.

基于改进SEIR算法的疫情传播趋势检测方法

燕杨¹, 郭皓钰¹, 魏宇航², 尤紫如¹, 肖志强³, 黄文博¹

1. 长春师范大学计算机科学与技术学院, 长春 130032；2. 吉林大学白求恩第一临床医学院, 长春 130021； 3. 吉林大学地球科学学院, 长春 130021

收稿日期:2021-04-23 出版日期:2021-11-26 发布日期:2021-11-26
通讯作者: 黄文博 E-mail:huangwenbo@sina.com

Epidemic Propagation Trend Detection Based on Improved SEIR Algorithm

YAN Yang¹, GUO Haoyu¹, WEI Yuhang², YOU Ziru¹, XIAO Zhiqiang³, HUANG Wenbo¹

1. School of Computer Science and Technology, Changchun Normal University, Changchun 130032, China；2. The First Bethune Clinical Medical College of Jilin University, Changchun 130021, China; 3. College of Earth Sciences, Jilin University, Changchun 130021, China

Received:2021-04-23 Online:2021-11-26 Published:2021-11-26

摘要/Abstract

摘要： 通过对传统SEIR(susceptible-exposed-infectious-removed)算法进行优化重建, 提出一种改进的SEIR算法. 该算法通过为感染率β添加衰减函数, 对数据拟合得到随时间增长而改变的β. 仿真实验结果表明, 该算法在测试集上的平均MSE（mean square error）只有0.11, 相比于目前已有的其他算法, 误差值显著降低.

关键词: SEIR算法, 衰减函数, ARIM算法, 传播趋势检测

Abstract: By optimizing and reconstructing the traditional SEIR (susceptible-exposed-infectious-removed) algorithm, we proposed an improved SEIR algorithm. The algorithm added attenuation function to the infection rate β, and the data were fitted to get the infection rate β that changed with time. Simulation results show that the average MSE (mean square error) of the algorithm on the test set is only 0.11, which significantly reduced the error value compared with other existing algorithm.

Key words: , susceptible-exposed-infectious-removed (SEIR) algorithm, attenuation function, ARIM algorithm, , propagation trend detection

中图分类号:

TP391

燕杨, 郭皓钰, 魏宇航, 尤紫如, 肖志强, 黄文博. 基于改进SEIR算法的疫情传播趋势检测方法[J]. 吉林大学学报(理学版), 2021, 59(6): 1511-1516.

YAN Yang, GUO Haoyu, WEI Yuhang, YOU Ziru, XIAO Zhiqiang, HUANG Wenbo. Epidemic Propagation Trend Detection Based on Improved SEIR Algorithm[J]. Journal of Jilin University Science Edition, 2021, 59(6): 1511-1516.

[1]	姜博, 左万利, 王英. 基于BERT的因果关系抽取[J]. 吉林大学学报(理学版), 2021, 59(6): 1439-1444.
[2]	刘军, 杨军, 宋姗姗. 基于用户购买意愿力的协同过滤推荐算法[J]. 吉林大学学报(理学版), 2021, 59(6): 1432-1438.
[3]	李长明, 张红臣, 王超, 李晓光, 陆洋, 钱超越. 一种高效的阴阳k-Means聚类算法[J]. 吉林大学学报(理学版), 2021, 59(6): 1455-1460.
[4]	刘田田, 郑澎, 冷珏琳, 刘伟杰, 徐权, 杨洋. 面向自适应计算的局部四面体网格重划分[J]. 吉林大学学报(理学版), 2021, 59(6): 1461-1468.
[5]	朱海琦, 李宏, 李定文, 李富. 基于生成对抗网络的单图像超分辨率重建[J]. 吉林大学学报(理学版), 2021, 59(6): 1491-1498.
[6]	张颖, 马承泽, 杨平, 王新民. 基于小波变换和改进PCA的人脸特征提取算法[J]. 吉林大学学报(理学版), 2021, 59(6): 1499-1503.
[7]	薛英杰, 韩威, 周松斌, 刘忆森. 基于生成对抗单分类网络的异常声音检测[J]. 吉林大学学报(理学版), 2021, 59(6): 1517-1524.
[8]	朱新丽, 才华, 寇婷婷, 杜冬晖, 孙俊喜. 行人多目标跟踪算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1161-1170.
[9]	王玉, 申铉京, 周昱洲, 林鸿斌. 一种求解交通网络中最短路径问题的人工蜂群算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1144-1150.
[10]	刘高天, 段锦, 范祺, 吴杰, 赵言. 基于改进RFBNet算法的遥感图像目标检测[J]. 吉林大学学报(理学版), 2021, 59(5): 1188-1198.
[11]	张震, 张照崎, 朱留存, 刘济尘, 魏金占, 蔡旭航, 赵成龙. 一种基于Shi-Tomasi和改进LBP的特征匹配及目标定位快速算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1171-1178.
[12]	孙启隆, 于萍, 司振惠, 郭鑫, 王岩. 基于暗通道的沙尘图像增强算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1179-1187.
[13]	聂逯松, 常方圆, 常学智, 刘畅, 金有为, 刘国晟, 付加胜, 韩霄松. 一种新型的自适应多核学习算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1212-1218.
[14]	胡雅婷, 陈营华, 宝音巴特, 曲福恒, 李卓识. 一种增量式MinMax k-Means聚类算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1205-1211.
[15]	蒲晓川, 黄俊丽, 祁宁, 宋长松. 基于密度信息熵的K-means算法在客户细分中的应用[J]. 吉林大学学报(理学版), 2021, 59(5): 1245-1251.