-
自2020年1月以来,新型冠状病毒疫情迅速蔓延,各地确诊病例增加。疫情受到各地政府高度关注,相继启动重大突发卫生事件I级响应并采取不同程度的隔离措施。2020年1月30日,国际卫生组织将此次疫情列为“国际公众卫生紧急事件”。在加强医疗援助及实施隔离措施的同时,全球科研人员针对新冠病毒从流行病学[1]、病理学[2]和药理学[3]3个领域进行了分析,为抗击疫情提供了有力的学术支持。其中,从流行病学角度分析疫情的发展规律并预测疫情发展趋势对制定和实施合理的干预防控措施具有重要意义。
为评估疫情发展,现有的方法可分为统计学方法与动力学方法两种。统计学模型在信息不全的情况下通过某一小样本的情况对总体进行预测。文献[4]根据武汉国际机场每日人流量、该样本下的确诊人数以及机场往日的流量数据对武汉潜在感染人数进行估计。然而,由于小样本与总体样本具有传播特性差异,该方法的估计结果可能存在较大的偏差。同时,统计学模型无法反映疫情传播的变化趋势。考虑人口迁徙因素的影响,文献[5]根据武汉迁徙数据,分析了全国50个城市感染新型冠状病毒的确诊比率,并利用Bootstrap方法对确诊人数进行了稳健性估计。实验分析证明了病毒的二代传播在不同区域存在一定的差异性,社会活动对疫情发展存在一定的影响。
与统计学模型不同,动力学模型[6]基于病毒寄生宿主后各个状态间的因果关系,利用对该病毒已知的信息与各个状态下人群的历史数据构建用于描述传播机理的微分方程,从而得出对有效再生数、确诊人数等指标的预测评估值。根据对疫情发展中不同群体的划分情况不同,用于描述传染病传播的经典数学模型有SIR模型和SEIR模型两种形式。
SIR模型[7]假设易感人群(susceptible)、感染人群(infectious)和康复人群(recovered)3部分人群在病毒发展规律下以一定概率向其他状态转移形成“易感态−感染态−康复态”的动力学模型,可实现对病毒的传染趋势在一定精度内的评估和预测。文献[8]利用机器学习方法估计SIR模型,其估计结果基本与实际数据吻合。
进一步,SEIR模型[9]在SIR模型的基础上考虑到潜伏期导致感染过程存在迟滞性。因此,SEIR模型对动力学系统进行细化,串联了潜伏期人群(exposed)。基于该模型,文献[10]对病毒基本再生数进行了初步预测。预测过程证明在SEIR模型下基本再生数的时间敏感性。此外,文献[11]基于该疾病的临床特征、传染性特征以及政府有关的干预措施在SEIR模型中增加无症状感染人群(pre-symptomatic)和住院人群(hospitalized)两种状态,达到细化传播过程描述的效果,借助蒙特卡洛模拟,认为在当时控制下的基本再生数高达6.47。文献[12]就潜伏期长度对疫情的影响做了深入分析,得到在不同的潜伏期假设下,预测趋势的增长速度,拐点和峰值都存在差别,潜伏期的不同会影响疫情趋势变化。而从实际的效果来看,潜伏期受到人类宿主生理系统的影响存在个体差异,潜伏期存在的影响呈现出一定的不确定性。
尽管SIR模型与SEIR模型对基本再生数和疫情早期趋势有较好的估计,然而基于动力学的预测模型在实际应用中仍存在局限性[13]。首先,仓室模型无法对开放式流动环境下的病毒传播做出准确估计;第二,该类模型对相关参数的评估缺乏外界环境应力影响的引入;第三,对于疾病传播能力及治愈概率的常数假设与实际状况不符。因此,该类模型无法对疫情趋势做长期准确的分析。
考虑到人为及环境影响因素,一些学者基于环境容纳量的概念,引入针对疾病传播的Logistic增长模型[14]和指数增长模型[15]。该类模型反映了医疗和防控对于疫情发展存在一定时滞性影响[16],并且结合此类因素给出更符合实际的估计。
综上,本文结合动力学模型对传播机理描述的准确性和Logistic增长模型对外界因素估计的有效性,将基于机理描述的微分方程与基于数据驱动的极限学习机[17]融合,构建用于实时预测的极限IR模型。在该模型中,对动力学方程进行改进,突破仓室模型下仅考虑密闭环境的局限性。同时将传播最终状态进一步分化为治愈态和死亡态,并预测从感染态到这两种状态概率的时变规律,用于进行更加精确的预测。最后,借助极限学习机,生成对确诊人数动态变化的预测模型,用于疫情趋势的实时预测和分析。实验证明,极限IR算法可实现准确的实时预测。
-
由实际的防控情况,新型冠状肺炎的防控过程如图1所示。不考虑二次感染,每个感染新型冠状病毒的个体需要经历易感态、潜伏态、感染态和移除态4种状态才能排除其对仓室模型中各个人群的变化影响。从实际的防控过程和病毒的病理特征中可以看出,潜伏态具有以下特点:1) 在实际的防控过程中,潜伏态群体因为无明显发病症状难以进行准确的统计;2) 从病理学角度,病毒在感染宿主后已经具备传染力[18],且潜伏期的个体差异性较大(中位值为4天,最长可达14天[19]),在估计上的不确定度较大;3) 尽管潜伏期传染能力远弱于发病后的传染能力,然而由于早期潜伏期人群基数很大,小概率的传染仍然会对新增患者群体造成较大的影响。综上,在病毒传染机制、环境中人群个体机制等信息尚不明确的情况下,对于潜伏态的判定及潜伏态与感染态的转换关系存在分析上的不确定性,不利于定量方法的研究。因此,本文采用SIR模型作为基础,简化了从“易感态−潜伏态−感染态”这一步骤,直接考虑易感态与感染态之间的传递关系。
利用SIR模型可以有效地描述病毒的传播过程。根据SIR模型的特性,病毒传播过程的动力学方程如下:
$$ \frac{{{\rm{d}}S}}{{{\rm{d}}t}} = - \beta IS $$ (1) $$ \frac{{{\rm{d}}I}}{{{\rm{d}}t}} = - \beta IS - r I $$ (2) $$ \frac{{{\rm{d}}R}}{{{\rm{d}}t}} = r I $$ (3) 式中,S表示为易感态人群规模;I表示为感染态人群规模;R为恢复态人群规模;β指感染人群将易感人群转换为新增病例的概率;r表示为现有感染人群转换为死亡人群或治愈人群的概率。3种状态的变化特征如图1所示。
如图2所示,鉴于新冠病毒暂时未发现有明显变异,康复人群不会发生第二次感染,因此在SIR模型中认为康复人群不会再次转变为易感人群,即ξ=0。
由于实际的防疫工作中,对于疫情的通报要求以及对于疫情的预测需求均具有一定的时间间隔,因此对动力学方程进行离散化,得到:
$$ \Delta S\left( t \right) = - \beta I\left( {t - 1} \right)S\left( {t - 1} \right) $$ (4) $$ \Delta I\left( t \right) = - \beta I\left( {t - 1} \right)S\left( {t - 1} \right) - r I\left( {t - 1} \right) $$ (5) $$ \Delta R\left( t \right) = r I\left( {t - 1} \right) $$ (6) 式中,
$ \Delta S\left( t \right)$ 、$ \Delta I\left( t \right)$ 和$ \Delta R\left( t \right)$ 分别为S、I、R的数据差值。根据实际情况,对于数据更新的时间间隔需求为1天,因此t取正整数表示更新的天数。定义2020年1月23日为第一个时间点,此时t=1。由于病毒的传播能力和对于疾病的治疗能力受到外界应力的影响,相关指标会随着疫情发展变化,本文假设传播能力β与概率r均为关于时间的函数。由式(5)和式(6),时变函数β(t)和r(t)的表达式如下:
$$ \beta \left( t \right) = \frac{{\Delta I\left( {{t}} \right) + {{r}}\left( {{t}} \right){{I}}\left( {{{t}} - 1} \right)}}{{S\left( {t - 1} \right)I\left( {t - 1} \right)}} $$ (7) $$ r \left( {{t}} \right) = \frac{{\Delta R\left( t \right)}}{{I\left( {t - 1} \right)}} $$ (8) 根据官方数据,疫情发生早期14天时间间隔下β(t)和r(t)的变化趋势如图3与图4所示。在疫情发生早期,由于疾病的传播不受人为干预,传播能力产生波动且由于死亡率偏高引起r(t)较高。随着防疫力度加大,疾病的传播能力逐步受到限制。同时,随着医学对疾病防治的效果逐渐显现,死亡率降低,治愈率升高,r(t)呈现出下凹的变化趋势。
综上,疫情的变化不仅与病毒的固有特性相关,同时受到外界因素对疫情变化存在一定的时滞性影响。为了更好地分析疫情的变化趋势,需要构建更为合适的预测模型。在SIR的基础上,将恢复态分化为死亡态(R1)和痊愈态(R2)两组状态,并假设I态分别以r1(t)和r2(t)的概率向R1态和R2态转移。本文借助极限学习机构建关于感染态的自循环函数并对由I状态到R1状态及R2状态的转移概率进行预测,提出可用于疫情趋势实时预测的极限IR模型,其中各状态的传递关系如图5所示。
考虑到外界因素的时滞性影响和一定程度的不确定性,采用3组极限学习机分别对随时间变化净新增感染人数、死亡率和治愈率进行实时预测评估。由图5给出的传递关系,各个状态的动力学方程如下所示:
$$ \Delta I\left( t \right) = F\left( {I\left( {t - 1} \right)} \right) - {r_1}\left( t \right)I\left( {t - 1} \right) - {r_2}\left( t \right)I\left( {t - 1} \right) + N\left( t \right) $$ (9) $$ \Delta {R_1}\left( t \right) = {r _1}\left( t \right)I\left( {t - 1} \right) $$ (10) $$ \Delta {R_2}\left( t \right) = {r_2}\left( t \right)I\left( {t - 1} \right) $$ (11) 式中,
$ {r_1}\left( t \right)$ 和$ {r_2}\left( t \right)$ 分别为t时刻下的治愈率和死亡率;F(I(t−1))为根据极限学习机构建的自相关函数;N(t)为受到突发事件影响造成的感染人数变化,具有不可预测性,因此在构建预测模型的过程中不予考虑。综上,预测模型的构建转换为对$ {r_1}\left( t \right)$ 、$ {r_2}\left( t \right)$ 和F(I(t−1))的预测模型构建问题。 -
根据上一节的分析,本文方法通过极限学习机对疾病的治愈率和死亡率进行预测,其模型结构如图6所示。
该预测模型为单隐藏层网络结构。为得到时刻t较准确的预测估计,利用历史有效数据对极限学习机进行训练。考虑到数据的可靠性,假设有效数据起始时间为t0,则训练数据的输入为:
$$ \begin{split} & {{{x}}_{r_1}}\left( t \right) = {\rm{\{ }}{r_1}\left( {{t_0}} \right),{r_1}\left( {{t_0} + 1} \right), \cdots ,{r_1}\left( {{t_0} + j} \right), \cdots \\ &\qquad\qquad\; {r_1}(t - 3),{r_1}\left( {t - 2} \right){\rm{\} }} \end{split} $$ (12) 为确保模型的准确性,采用单步预测的方式,其对应的期望输出为:
$$ \begin{split} & {{{t}}_{r_1}}\left( t \right) = \{ {r_1}\left( {{t_0} + 1} \right),{r_1}\left( {{t_0} + 2} \right), \cdots ,\\ & {r_1}({t_0} + j + 1), \cdots {r_1}\left( {t - 2} \right),{r_1}\left( {t - 1} \right)\} \end{split} $$ (13) 考虑r1(t)受到外界因素的时滞性影响,采用Sigmoid函数作为隐藏层的核函数,其表达式如下所示:
$$ {h_i}\left( {{r_1}\left( {t - 1} \right)} \right) = \frac{1}{{1 + {\rm{exp}}\left( { - {w_i}{r_1}\left( {t - 1} \right) + {b_i}} \right)}} $$ (14) 同时,考虑到多因素影响,假设概率的变化趋势为多组logistic回归的加权和。由极限学习机的性质,其回归方程如下:
$$ {\hat r_1}\left( t \right) = \mathop \sum \limits_{i = 1}^N {\lambda _i}{h_i}\left( {{r_1}\left( {t - 1} \right)} \right) $$ (15) 根据上式,得到对于历史数据的模型输出为:
$$ {\hat{{r}}_{{1}}}\left( t \right) = \left\{ {{{\hat r}_1}\left( {{t_0} + 1} \right),{{\hat r}_1}\left( {{t_0} + 2} \right), \cdots ,{{\hat r}_1}\left( {t - 1} \right)} \right\} $$ (16) 由最小均方准则,计算的到模型的输出层权重
$ {{\varLambda}} = \left\{ {{\lambda _1},{\lambda _2}, \cdots ,{\lambda _N}} \right\}$ 如下所示:$$ {{\varLambda }}\left( t \right) = {\left( {{{{H}}^{\rm T}}\left( {t - 1} \right){{H}}\left( {t - 1} \right)} \right)^{ - 1}}{{{H}}^{\rm T}}\left( {t - 1} \right){{{t}}_{r_1}}\left( t \right) $$ (17) 在实际的疫情趋势预测中,疫情的相关数据以一天为间隔进行更新。故t+1输出层可由上一时刻数据更新得出:
$$ \begin{split} & {{\varLambda }}\left( {t + 1} \right) = {{\varLambda }}\left( {t + 1} \right) + {{K}}\left( {t + 1} \right)\\ &\quad {{h}}({r_1}(t - 1))\left( {{r_1}\left( t \right) - {{\hat r}_1}\left( t \right)} \right) \end{split} $$ (18) $$ {{K}}\left( {t + 1} \right) = {{K}}\left( t \right) + {{{h}}^{\rm{T}}}\left( {{r_1}\left( {t - 1} \right)} \right){{h}}\left( {{r_1}\left( {t - 1} \right)} \right) $$ (19) 式中,
$ {{K}}\left( t \right) = {( {{{{H}}^{\rm T}}\left( {t - 1} \right){{H}}\left( {t - 1} \right)} )^{ - 1}}$ ;$ {{h}}\left( {{r_1}\left( {t - 1} \right)} \right)$ 为t时刻的隐藏层输入;$ {\hat r_1}\left( t \right)$ 为预测模型的输出。根据预测模型得到治愈率的预测值,进而根据t−1时刻的感染人数给出此时的治愈人数预测值:
$$ \Delta {\hat R_1}\left( {{t}} \right) = {\hat r_1}\left( {{t}} \right)I\left( {{{t}} - 1} \right) $$ (20) 同理,对死亡率时间序列建立预测模型,进而得到死亡人数的预测值:
$$ \Delta {\hat R_2}\left( {{t}} \right) = {\hat r_2}\left( {{t}} \right)I\left( {{{t}} - 1} \right) $$ (21) -
忽略突发性因素对模型的影响,本文对净感染增长人数定义如下:
$$ \Delta \tilde I\left( t \right) = \varDelta I\left( {{t}} \right) - {r_1}\left( {{t}} \right)I\left( {t - 1} \right) - {r_2}\left( {{t}} \right)I\left( {t - 1} \right) $$ (22) 由图5,可以看出
$ \Delta \tilde I\left( t \right)$ 是仅与I(t)有关的时间函数。从流行病传播的角度,$ \Delta \tilde I\left( t \right)$ 的变化趋势与病毒固有的传播特性与人为干预有关,因此本文提出的模型构建出第三组极限学习机用于预测$ \Delta \tilde I\left( t \right)$ 的变化趋势,预测模型对应的方程如下:$$ \Delta \hat I\left( {t - 1} \right) = \mathop \sum \limits_{i = 1}^N {\lambda _i}{h_i}\left( {\Delta \tilde I\left( {t - 1} \right)} \right) $$ (23) 与治愈率和死亡率的变化趋势不同,病毒的传播与人类采取的防疫措施强度高度相关,因此对于传播趋势的分析具有一定的时效性,一部分历史数据并不能反映当前的传播能力。因此,在预测模型训练过程中,利用时间窗对训练数据的规模限制,确保预测模型的准确性。
-
利用本文提出的极限IR预测模型,采用自2020年1月23以来国家卫生健康委员会公布的全国累积确诊人数、累积死亡人数和累积治愈人数对模型的实际预测效果进行验证。同时,通过与基于蒙特卡洛方法的SEIR模型(SEIR-MC)和基于蒙特卡洛马尔科夫方法的SIR模型(SIR-MCMC)的预测结果进行比较,验证算法的实时预测效果。
-
利用极限学习机,对治愈人群的变化趋势和死亡人群的变化趋势的预测结果如图7所示。由图7a和图7c可以看出治愈率总体随时间提升,而死亡率随时间下降,受到实际的临床经验进展影响变化趋势发生波动。通过预测曲线,极限IR模型能够有效地对两组概率的变化趋势进行有效地预测,产生的预测时间曲线与实际的概率变化大致相同。因此,图7b和图7d中模型提供了治愈人数和死亡人数准确的估计,预测趋势与实际的变化趋势基本一致。
-
为说明极限IR预测模型对现有确诊人数的预测效果,图8展示了通过极限IR模型进行的单步和多步预测结果。
尽管在前10天时预测结果发生了较大波动,单步预报值总体上能够很好地描述疫情发展趋势,且在第10天后预测结果基本不受早期疫情传染能力大幅波动的影响。尤其在疫情发展第10天至第20天,模型对现有确诊人数的预测值与实际的确诊人数基本吻合。此外,利用该模型得到的3步预测值与5步预测值也较好地预测了感染人数的变化趋势。
为进一步说明极限IR算法的效果,表1比较了SEIR-MC模型、SIR-MCMC模型以及极限IR模型在2020年2月7日至2月16日间的预测效果。由图1所示,SEIR-MC模型在2020年2月7日至2月9日的预测误差较小,而在2020年2月10日后疾病防控活动对疫情发展影响变强,利用该方法的预测误差逐渐加大。另一方面,采用蒙特卡洛马尔科夫方法在一定程度上可以实现对参数的动态评估,然而伴随2020年2月12日临床诊断结果加入医学诊断中的举措,该方法对于参数的评估产生误差。与SEIR-MC和SIR-MCMC不同,极限IR模型利用神经网络实现动力学模型中时变参数的精确估计,因此从10天数据的总体效果看,该模型能实现精度更高的实时预测,其误差可以控制在10%以内。
表 1 2020年2月7日至2月16日各模型的预测效果比较
日期 确诊人数/人 SEIR-MC模型 SIR-MCMC模型 极限IR模型 预测人数/人 误差/人 预测人数/人 误差/人 预测人数/人 误差/人 2月7日 34 546 34 780 234 31 680 2 866 34 776 230 2月8日 37 198 37 497 299 34 727 2 471 38 350 1 152 2月9日 40 171 39 650 521 37 448 2 723 40 653 482 2月10日 42 638 41 200 1 438 40 496 2 142 43 843 1 205 2月11日 44 742 41 255 3 487 42 761 1 981 46 013 1 271 2月12日 52 526 42 563 9 963 45 663 6 863 47 866 4 659 2月13日 55 748 42 491 13 257 47 205 8 543 53 615 2 132 2月14日 56 873 42 020 14 853 54 608 2 265 59 837 2 964 2月15日 57 416 41 227 16 189 62 948 5 532 59 600 2 184 2月16日 57 934 40 187 17 747 60 341 2 407 59 848 1 914
Extreme IR Model for COVID -19 Real-Time Forecasting
-
摘要: 针对现有模型在开放空间的预测和时变参数估计上存在的局限性,该文在已知病毒传播规律的基础上,将极限学习机与动力学模型结合,提出了一种新的极限IR预测模型。通过对SIR模型的改进,该模型将病毒传播过程简化为感染态、治愈态和死亡态,并对时变函数及疫情趋势进行预测,解决了疫情中现有确诊人数、死亡人数和治愈人数实时预测的难题。实验证明,极限IR算法可准确实现疫情趋势的实时预测,为新型冠状肺炎疫情发展趋势提供了一种有效的数据分析模型。Abstract: The coronavirus diseases around the end of 2019 (COVID-19) has spreading within open space and the parameters of this dynamic system are time variant. As consequences, existed models are impractical for real-time forecasting of the COVID-19 trend. Therefore, this study provides a real-time trend forecasting model called extreme IR model with the propagation law. Based on SIR model, the propagation of COVID-19 is simplified to three states. Also, the model uses extreme learning machine to generate the parameters of each state. As a result, the proposed model can evaluate time-variant parameter and predict the number of confirmed cases, dead cases and recovered cases during spreading process. The experiment demonstrates that the extreme IR model achieves accurate real-time prediction. Hence, this paper provides an effective approach to analyze the trend of the diseases.
-
Key words:
- dynamical model /
- extreme learning machine /
- real-time forecasting /
- SIR model
-
表 1 2020年2月7日至2月16日各模型的预测效果比较
日期 确诊人数/人 SEIR-MC模型 SIR-MCMC模型 极限IR模型 预测人数/人 误差/人 预测人数/人 误差/人 预测人数/人 误差/人 2月7日 34 546 34 780 234 31 680 2 866 34 776 230 2月8日 37 198 37 497 299 34 727 2 471 38 350 1 152 2月9日 40 171 39 650 521 37 448 2 723 40 653 482 2月10日 42 638 41 200 1 438 40 496 2 142 43 843 1 205 2月11日 44 742 41 255 3 487 42 761 1 981 46 013 1 271 2月12日 52 526 42 563 9 963 45 663 6 863 47 866 4 659 2月13日 55 748 42 491 13 257 47 205 8 543 53 615 2 132 2月14日 56 873 42 020 14 853 54 608 2 265 59 837 2 964 2月15日 57 416 41 227 16 189 62 948 5 532 59 600 2 184 2月16日 57 934 40 187 17 747 60 341 2 407 59 848 1 914 -
[1] CHAN J F, YUAN Shuo-feng, KOK K, et al. A familial cluster of peneumonia associated with the 2019 novel coronavirus indicating person-to-person transmission: a study of a family cluster[J]. Lancet, 2020, 395(10223): 514-523. doi: 10.1016/S0140-6736(20)30154-9 [2] GUAN Wei-jie, ZHENG Yi-ni, YU M D, et al. Clinical characteristics of 2019 novel coronavirus infection in China[EB/OL]. [2020-02-09]. https://www.medrxiv.org/content/10.1101/2020.02.06.20020974v1.full.pdf. [3] YANG Yang, LU Qing-bin, LIU Ming-jin, et al. Epidemiological and clinical features of the 2019 novel coronavirus outbreak in China[EB/OL]. [2020-02-21]. https://www.medrxiv.org/content/10.1101/2020.02.10.20021675v2.full.pdf. [4] N I, I D, A C, et al. Estimating the potential total number of novel coronavirus in Wuhan city, China[EB/OL]. [2020-01-17]. https://www.imperial.ac.uk/media/imperial-college/medicine/sph/ide/gidafellowships/2019-nCoV-outbreak-report/. [5] 杨政, 原子霞, 贾祖瑶. 基于迁徙数据估计武汉感染新型冠状病毒的人员数量[J]. 电子科技大学学报, 2020, DOI: 10.12178/1001-0548.2020030. YANG Zheng, YUAN Zi-xia, JIA Zu-yao. Estimating the number of people infected with the new coronavirus in Wuhan based on migration data[J]. Journal of University of Electronic Science and Technology of China, 2020, DOI: 10.12178/1001-0548.2020030. [6] WANG Hai-ying, RONG Feng, KE Fu-jiu, et al. Control dynamics of severe acute respiratory syndrome transmission[J]. Chinese Science Bulletin, 2003, 48(24): 2684-2687. doi: 10.1007/BF02901756 [7] CHANG H J. Estimation of basic reproduction number of the middle east respiratory syndrome coronavirus (MER-CoV) during the outbreak in south korea, 2015[EB/OL]. [2017-06-13]. https://link.springer.com/content/pdf/10.1186/s12938-017-0370-7.pdf. [8] 王志心, 刘治, 刘兆军. 基于机器学习的新型冠状病毒(2019-nCoV)疫情分析及预测[J]. 生物医学工程研究, 2020, 39(1): 1-5. WANG Zhi-xin, LIU Zhi, LIU Zhao-jun. Analysis and prediction of new coronavirus (2019-nCoV) based on machine learning[J]. Biomedical Engineering Research, 2020, 39(1): 1-5. [9] ILSU C, HO L D, KUK K Y. Effect of timely control intervention on the spread of middel east respiratory syndrone coronavirus infection[J]. Osong Public Health and Research Perspectives, 2017, 8(6): 373-376. doi: 10.24171/j.phrp.2017.8.6.03 [10] ZHOU Tao, LIU Quan-hui, YANG Zi-mo, et al. Preliminary prediction of the basic reproduction number of the Wuhan novel coronavirus 2019-nCoV[J]. Jounal of Evidence-based Medcine, 2020, 13(1): 3-7. doi: 10.1111/jebm.12376 [11] TANG B, WANG X, LI Q, et al. Estimation of the transmission risk of the 2019-nCoV and its implication for public health interventions[J]. Jounal of Clinical Medcine, 2020, 9(2): 462-474. [12] 范如国, 王奕博, 罗明, 等. 基于SEIR的新型肺炎传播模型及拐点预测分析[J]. 电子科技大学学报, 2020, DOI:10.12178/1001-0548.2020029. FAN Ru-guo, WANG Yi-bo, LUO Ming, et al. SEIR-based new pneumonia transmission model and inflection point prediction[J]. Journal of University of Electronic Science and Technology of China, 2020, DOI: 10.12178/1001-0548.2020029. [13] ZHONG B, MENG X, WANG L, et al. An improved GNS algorithm for interconnect test[J]. Acta Aeronautica et Astronautica Sinica, 2009, 30(4): 713-718. [14] HU Z, TENG Z, ZHANG L. Stability and bifurcation analysis in a discrete SIR epidemic model[J]. Mathematics and Computers in Simulation, 2014, 97: 80-93. doi: 10.1016/j.matcom.2013.08.008 [15] ZHAO Shi, MUSA S S, LIN Qian-ying, et al. Estimating the unreported number of novel coronavirus(2019-nCoV) cases in China in the first half of January 2020: A data-driven modeling analysis of the early outbreak[J]. Clinical Medicine, 2020, 9(2): 388-393. doi: 10.3390/jcm9020388 [16] 吴红良, 薛亚奎. 一类具有logistic增长的SIR时滞传染病模型的稳定性分析[J]. 数学的实践与认识, 2018, 48(7): 286-292. WU Hong-liang, XUE Ya-kui. Stability analysis of a SIR delay epidemic model with logistic growth[J]. Practice and Understanding of Mathematics, 2018, 48(7): 286-292. [17] WEI G, TAO X, KENGMING T. M-estimator based online sequential extreme learning machine for predicting chatic time series with outilters[J]. Neural Computing and Application, 2017, 28: 4093-4110. doi: 10.1007/s00521-016-2301-0 [18] LI Qun, M Med, GUAN Xu-hua, et al. Early transmission dynamics in Wuhan, China of Novel coronavirus-infected pneumonia[J]. The New England Journal of Medcine, 2020, 382(13): 1199-1207. doi: 10.1056/NEJMoa2001316 [19] GUAN Wei-jie, NI Zheng-yi, YU Hu, et al. Clinical characteristics of Coronavirus disease 2019 in China[EB/OL]. [2020-02-28].https://www.nejm.org/doi/full/10.1056/NEJMoa2002032.