买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉复旦大学申请的专利一种基于集成卡尔曼滤波和社交网络的传染病参数估计方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116206771B 。

龙图腾网通过国家知识产权局官网在2026-03-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310052657.1，技术领域涉及：G16H50/80；该发明授权一种基于集成卡尔曼滤波和社交网络的传染病参数估计方法是由卢文联;李欣嘉设计研发完成，并于2023-02-02向国家知识产权局提交的专利申请。

本一种基于集成卡尔曼滤波和社交网络的传染病参数估计方法在说明书摘要公布了：本发明属于传染病防治技术领域，具体为基于集成卡尔曼滤波和社交网络的传染病参数估计方法。本发明方法包括：构建地区社交网络，表征传染病的传播路径；获取该地区疫情传播过程中感染人数占比和移除人数占比的观测数；基于SIR传染病模型和社交网络，建立社交网络上节点之间的传染病模型；通过集成卡尔曼滤波获取当前时刻估计的节点之间平均感染概率、节点平均移除率和修正之后的感染人数占比和移除人数占比；根据集成卡尔曼滤波修正之后的感染人数占比和移除人数占比，修正模型在当前时刻的节点状态；集成卡尔曼滤波收敛后，得到对传染病参数的估计。本发明可有效估计在相对封闭地区的疫情传播参数，利用社交网络信息提高估计的准确性。

本发明授权一种基于集成卡尔曼滤波和社交网络的传染病参数估计方法在权利要求书中公布了：1.一种基于集成卡尔曼滤波和社交网络的传染病参数估计方法，其特征在于，包括获取地区内的社交网络，观测传染病的感染人数占比和移除人数占比，利用集成卡尔曼滤波算法对传染病参数进行估计，具体步骤为： 步骤1，构建地区社交网络，表征传染病的传播路径； 社交网络中，使用节点表示地区内的人群，使用无向边表示点与点之间的连接，即边连接的两个节点存在社交关系，能被对方传染；设节点数为M，记为； 步骤2，获取该地区疫情传播过程中感染人数占比和移除人数占比的观测数数据，该数据由疫情发生过程中统计或相关部门公开数据获取； 步骤3，基于SIR传染病模型和社交网络，建立社交网络上节点之间的传染病模型； 记M个节点的社交网络为G，每个节点存在三种状态：-易感者，-感染者，-移除者；移除后的节点将拥有免疫且不会再次被感染，两个参数和分别表示感染概率和移除概率；在建模传染过程中，遵循如下规则： 步骤3.1.找出感染者节点相邻的邻居作为易感者节点集合； 步骤3.2.遍历该易感者节点集合，取随机数，若随机数小于，则将邻居节点感染，即该邻居节点状态由变成； 步骤3.3.遍历结束后，取随机数，若随机数小于，则该感染者节点转为移除者节点，即状态由变为； 步骤4.通过集成卡尔曼滤波获取当前时刻估计的节点之间平均感染概率、节点平均移除率，和修正之后的感染人数占比和移除人数占比；使用集成卡尔曼滤波对参数和进行估计；具体步骤为: 步骤4.1.选取粒子数N，每个粒子维护独自的社交网络传染模型； 步骤4.2.按照步骤1中获取的社交网络建立M个节点的社交网络关系，假设初始感染人数占比满足正态分布，合理设置初始感染人数占比均值和方差，采样获得个粒子的初始感染节点占比，在每个粒子上，按照其初始感染节点占比随机采样，设置初始感染节点；设置所有粒子的初始移除节点占比为0，即，在每个粒子上，部分采样的节点状态为； 步骤4.3.假设初始的感染概率满足正态分布，采样得到每个粒子的初始感染概率；相同地，假设初始的移除概率满足正态分布，采样得到每个粒子的初始移除概率；这里，基于先验设置； 步骤4.4.遍历所有粒子已知时刻第个粒子中社交网络中节点的状态和当前对第个粒子中模型参数的估计和，对每个粒子的社交网络分别执行步骤3所示的感染过程；对于第个粒子，得到其在时刻的感染人数占比和移除人数占比； 步骤4.5.记时刻第个粒子模型预测的状态为： ,1 其中，为将定义域由映射为的任意可逆函数，计算平均预测状态: ，2 步骤4.6.记时刻第个粒子模型预测的观测为，采用线性观测，，则平均预测观测为： ，3 步骤4.7.获取实际疫情数据集在时刻对感染人数占比和移除人数占比，令观测，假设观测噪声服从均值为，方差为的多元正态分布，根据观测数据自适应设置观测噪声的方差,,且设置对角元素的上下界,协方差矩阵其余位置元素为； 步骤4.8.根据如下步骤对预测的状态进行修正: ，4 其中，；，即为在时刻对该地区实际感染人数占比的估计，实际移除人数占比的估计，平均感染概率和平均移除概率；同时，算法输出对于每个粒子的修正后的状态：：粒子k在t时刻修正感染人数占比，修正移除人数，修正感染概率，修正移除概率； 步骤5.将集成卡尔曼滤波算法修正的状态修改到粒子的传染模型上，分为对参数的修改和对节点的修改； 步骤5.1对参数的修改；每一步都将粒子的修正感染概率和修正移除概率修改到其传染病模型上，即对于粒子k在时间t+1的预测过程，如步骤4.4，使用步骤4.8修正后的感染概率和移除概率； 步骤5.2对节点的修改；定义时间窗口L，每L步将所有粒子修正后的实际感染人数占比和实际移除人数占比修改到其传染病模型上； 步骤6.集成卡尔曼滤波收敛后，得到对传染病参数的估计；能进一步用于该传染病的其它地区或时间的预测和该传染病的性能的研究。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人复旦大学，其通讯地址为：200433 上海市杨浦区邯郸路220号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。