SARS流行病传染动力学模型

建立了 SARS流行病的数学模型 ,根据部分国家和地区的 SARS疫情数据 ,计算出其模型参数 ,给出了各地 SARS疫情与模拟结果的比较图 ,模拟结果与实际疫情十分吻合 .分析了 SARS流行特征 ,并对疫情发展进行了预测 .     

一个新的非典型性肺炎模型及其分析

建立了一个新模型.它能很好的反映SARS病的特点,并且简单易算.在新模型中定义了一个重要的新参数θ,它反映了下一代感染者数量的变化.该模型具有很好的实用价值.应用这个模型建立了SARS病传播的一种预测方法,可以准确的预测若干天后的疾病传播情况;建立了参数的测定方法,并利用北京的数据进行了计算;对于我国早期数据缺失的情况提出了相应的处理方法;分析了毒王的特性并提出了判别标准.     

基于Kolmogorov前向方程评估甲型H1N1流感疫情的动态变化北大核心CSCD

基于个体水平的传染病模型可以揭示随机性在传染病疫情防控中的重要作用.研究此类模型的普遍方法是通过事件驱动的、大量重复的随机模拟来确定预测变量的范围.而基于Kolmogorov前向方程(KFE)研究个体水平的传染病模型,不仅不需要大量的重复模拟来确定预测变量的范围,而且可以同时考虑每种状态发生的概率.因此,基于2009年西安市第八医院甲型H1N1流感数据,建立了基于社交网络的个体决策心理模型,以确定行为改变率;进一步地,为得到传染病传播过程中各状态的概率分布,基于改进的个体SIR模型,通过Markov过程推导出KFE.结果表明:通过数值求解KFE可以得到整个爆发过程中每种状态发生的概率分布、最严重的时间段及相应的概率,从而能更快、更准确地了解甲型H1N1疫情的传播过程,因此有助于高效地进行甲型H1N1疫情防控.     

SARS的传播模型

建立了SARS传播的Logisitic阻滞增长模型和回归模型.     

一类潜伏期有传染性的传染病模型动力学分析

建立了一类潜伏期具备传染性的传染病传播模型,根据疾病传播规律求解了疾病消失和持续生存的阈值——基本再生数.对系统的稳定性进行了讨论,得到了系统稳定性条件.最后,以COVID-19为例,解释了各种举措在疾病控制中的作用,并对疫情传播扩散做了探讨和预测.     

非线性组合动态传播率模型与我国COVID-19疫情分析和预测

针对传统的流行性传染病学中基本传染数$R_0$难以准确估计以及单一模型预测精度低的缺陷,利用组合动态传播率替换基本传染数$R_0$,提出基于支持向量回归的非线性时变传播率模型并对我国COVID-19疫情进行分析和预测。首先,计算动态传播率的离散值;其次,使用多项式函数、指数函数、双曲函数和幂函数分别对动态传播率的离散值进行拟合并基于最佳滑窗期$k=3$构建相应的预测模型;接着,基于拟合优度等评价指标选择最佳的三种单一模型并对其预测结果进行非线性组合;最后,利用非线性组合动态传播率模型对湖北、全国除湖北和全国COVID-19疫情进行分析和预测。实证结果表明提出的非线性组合动态传播率模型对不同地区COVID-19疫情数据的预测误差均相对较小;对重点省市COVID-19疫情的拐点预测切实合理;湖北、全国除湖北与全国自2020年2月27日起后20天疫情预测曲线的拟合优度分别为98.53%、98.06%和97.98%。     

基于元胞自动机的SARS传播模型

根据SARS的局部性、潜伏性特征以及传染病个体传播的特点,人群接触通过近距离邻居发生,利用元胞自动机模型时间、空间上离散,以局部规则为基础,以同步更新为前提讨论整体性质的机制,将人群分为易感者,带菌者,病人,免疫者之后,以易感者对SARS的抵抗能力、病人或带菌者对SARS的传染能力、人群的大小为参数,建立了基于元胞自动机的SARS传播模型.得到的结果可为从传染动力学角度控制SARS的传播提供依据.     

用常微分方程模型分析预防和隔离措施对SARS发病率的影响

通过建立常微分方程模型 ,分析了预防和隔离措施对 SARS发病率的影响 ,并把计算结果与实际统计数据进行了比较 ,结果表明 ,及时高效的预防和隔离措施能够有效地控制 SARS的传播 .     

基于灰色预测模型的新疆肺结核疫情分析

借助灰色系统理论对新疆2004-2010年肺结核发病率进行研究,建立不同维度的静态GM(1,1)模型与动态等维递补灰预测模型对数据进行模拟和预测.针对新疆肺结核疫情发病率数据,探索建立新疆肺结核疫情传播预测模型,为肺结核防治提供科学依据.     

具有反馈性能的传染病传播模型

传染病是人类社会面对的严重威胁之一,也是困扰世界医学界的长期难题.文中首先对传染病的传播机理进行了分析研究,将其传播分为自然传播和人为控制两种状态,然后以微分方程理论为基础,运用反馈控制理论分别建立了自然传播状态的闭环自激正反馈微分方程模型和有人为控制时的闭环负反馈微分方程模型,并引入控制度概念把上述两种反馈模型结合起来以反映人为控制因素对传染病传播系统的影响,最后以2003年爆发的SARS为例采用计算机编程仿真,结果与实际比较吻合,并提出了应对传染病的若干对策,为传染病的传播预测、有效预防和控制提供了一定的理论依据.     

BP神经网络算法在需水预测与评价中的应用

需水预测是进行水资源规划与管理的必备技术方法,在水资源短缺的地区显得尤为重要.合理而准确地预测未来的需水量,可以避免投资的浪费或减少将来用水危机的发生.以江西省为例,采用BP神经网络算法对江西省近期的需水进行预测与评价,将结果与其它方法预测的进行比较,比较结果说明神经网络算法预测需水是成功的。     

北京市SARS疫情统计分析

本文对严重急性呼吸道综合症 SA RS疾病进行了统计分析 .文章首先以北京市海淀区 SARS确诊病例和疑似病例为研究对象 ,分别按照地区、人口进行了统计分析 ,得出海淀区不同小区疫情发展的显著程度 .然后利用正交试验设计 ,分别就年龄、性别、职业等因素对海淀区 SARS确诊病人和疑似病人影响程度进行了统计分析 ,得出 2 1岁到 50岁的学生和干部得病率最高的统计结果 ,这完全符合海淀区的疫情事实 .这个统计结果已经被海淀区政府“海淀区政府应急管理信息系统 ( H EMIS)”[6]采用 . H EMIS系统作为中国第一个政府应急系统在海淀区 SARS防治中起到了一定作用 [1 ] .文章最后研究了北京市每天新增的确诊病例和每天疑似病例转为确诊病例之间的相关系数 ,从它们的相关性分析可以反映出防治 SARS疫情措施的有效性 .     

传染病模型的研究及应用

分析了传染病的传播扩散特点,建立了传染病传播扩散的微分方程模型.利用最大似然估计法对模型中的参数进行了估计.并以SARS传染扩散为例,利用网上的公开数据对模型进行了检验,所得结果与实际情况一致.此模型为传染病的预防和控制提供了理论依据.     

Estimation of the parameters of an infectious disease model using neural networks

In this paper, we propose a realistic mathematical model taking into account the mutual interference among the interacting populations. This model attempts to describe the control (vaccination) function as a function of the number of infective individuals, which is an improvement over the existing susceptible–infective epidemic models. Regarding the growth of the epidemic as a nonlinear phenomenon we have developed a neural network architecture to estimate the vital parameters associated with this model. This architecture is based on a recently developed new class of neural networks known as co-operative and supportive neural networks. The application of this architecture to the present study involves preprocessing of the input data, and this renders an efficient estimation of the rate of spread of the epidemic. It is observed that the proposed new neural network outperforms a simple feed-forward neural network and polynomial regression.     

偏最小二乘回归的贝叶斯正则化神经网络集成模型在证券分析预测中的应用

神经网络集成技术能有效地提高神经网络的预测精度和泛化能力,已经成为机器学习和神经计算领域的一个研究热点.利用Bagging技术和不同的神经网络算法生成集成个体,并用偏最小二乘回归方法从中提取集成因子,再利用贝叶斯正则化神经网络对其集成,以此建立上证指数预测模型.通过上证指数开、收盘价进行实例分析,计算结果表明该方法预测精度高、稳定性好.     

SARS数学模型解的存在唯一性与稳定性

讨论了一种带年龄结构的SARS疾病模型，它是一组非线性偏微分方程组，应用有界线性算子的C0一半群理论及非线性扰动理论，证明了该方程组非负解的存在唯一性及稳定性．     

Cash demand forecasting in ATMs by clustering and neural networks

To improve ATMs’ cash demand forecasts, this paper advocates the prediction of cash demand for groups of ATMs with similar day-of-the week cash demand patterns. We first clustered ATM centers into ATM clusters having similar day-of-the week withdrawal patterns. To retrieve “day-of-the-week” withdrawal seasonality parameters (effect of a Monday, etc.) we built a time series model for each ATMs. For clustering, the succession of seven continuous daily withdrawal seasonality parameters of ATMs is discretized. Next, the similarity between the different ATMs’ discretized daily withdrawal seasonality sequence is measured by the Sequence Alignment Method (SAM). For each cluster of ATMs, four neural networks viz., general regression neural network (GRNN), multi layer feed forward neural network (MLFF), group method of data handling (GMDH) and wavelet neural network (WNN) are built to predict an ATM center’s cash demand. The proposed methodology is applied on the NN5 competition dataset. We observed that GRNN yielded the best result of 18.44% symmetric mean absolute percentage error (SMAPE), which is better than the result of Andrawis, Atiya, and El-Shishiny (2011). This is due to clustering followed by a forecasting phase. Further, the proposed approach yielded much smaller SMAPE values than the approach of direct prediction on the entire sample without clustering. From a managerial perspective, the clusterwise cash demand forecast helps the bank’s top management to design similar cash replenishment plans for all the ATMs in the same cluster. This cluster-level replenishment plans could result in saving huge operational costs for ATMs operating in a similar geographical region.     

Forecasting travel demand: a comparison of logit and artificial neural network methods

This paper describes the use of backpropagation artificial neural networks to forecast travel demand from disaggregate discrete choice data and compares them with logit models. Three data sets are used; synthetic data which fulfils the underlying logit assumptions, snythetic data which breaches the underlying logit assumptions and real data. It is found that neural networks with no hidden layers exhibit almost identical performance to logit models in all three cases. For the synthetic data which breaches the underlying logit assumptions and with real data, backpropagation neural networks with a hidden layer can achieve a better fit than logit. However, careful choice of the number of hidden units and training iterations is needed to avoid overfitting and consequent degradation of performance.