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！

龙图腾网获悉深圳大学申请的专利一种传染病时变正向序列间隔分布推断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：CN119694589B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202411854730.8，技术领域涉及：G16H50/80；该发明授权一种传染病时变正向序列间隔分布推断方法是由张逍;原志路;贺彪;白媛;杜占玮;张振;蒯希;吕秋莹;温莹;陈玉爽;张池军;孙茂棚;罗子瑶设计研发完成，并于2024-12-17向国家知识产权局提交的专利申请。

本一种传染病时变正向序列间隔分布推断方法在说明书摘要公布了：一种传染病时变正向序列间隔分布推断方法，属于智慧医疗技术领域。为了对相关时点上的正向序列间隔分布进行合理推断，本发明包括构建传染病的基本传播链模型；基于构建的传染病的基本传播链模型，建立时点的有效再生数的不等式约束；基于得到的时点的有效再生数的不等式约束，建立正向序列间隔分布与反向序列间隔分布的关系；构建正向序列间隔分布的推断目标；构建正向序列间隔分布的推断方法。本发明的正向序列间隔分布允许随时间动态变化从而更加符合实际情况。并可以通过当真实情况是次指数增长时，比较假设其为指数增长与假设其为次指数增长下，所推断出来的正向序列间隔分布差异，说明合理构建传染病初期增长模式的必要性。

本发明授权一种传染病时变正向序列间隔分布推断方法在权利要求书中公布了：1.一种传染病时变正向序列间隔分布推断方法，其特征在于，包括如下步骤： S1.构建传染病的基本传播链模型； 步骤S1的具体实现方法包括如下步骤： S1.1.设置传染病的基本传播情况为本地传播且不存在外来感染者； S1.2.设置传播链上的时点t上的节点数量为Pt，用于表示发病患者的人数，设置传播对中，感染的发起者被称为传播者Infector，被传播者所感染的患者称为受感者Infectee，并且受感者是传播者的后继受感节点，传播者是受感者的前驱传播节点； S1.3.设传播链的序列间隔分布中的最大间隔为τmax，定义时点t上的节点是具备完全观测的属性，表示具备观测到时点t中每一个节点的前驱传播节点和后继受感节点； S1.4.设te表示传播链的有效时点长度，则传播链的时点长度为te+τmax，设to表示传播链的最大连续观测时点，完成传染病的基本传播链模型的构建； S2.基于步骤S1构建的传染病的基本传播链模型，建立时点t的有效再生数的不等式约束； 步骤S2的具体实现方法包括如下步骤： S2.1.考虑在上对时点t的有效再生数Rt的不等式约束，基于步骤S1得到的传染病的基本传播链模型，设置传染开始于t＝1，则当处于时点t时，来自时点t‑1前的节点必然是连续传播链的一部分；处于时点t的节点确定被来自[1,t‑1]的节点所连并且位于时点t的节点不是孤立节点，因此[1,t]上的节点必然均被边所连；且t+1上的节点必须被[1,t]上的出度边所连，即，[1,t]上发出的边必须使[2,t+1]上的所有节点均有唯一前驱传播节点，则得到表达式为： 其中，Pi为第i个时点上的节点数量，i为t中的任意一个，Ri为第i个时点上的有效再生数； S2.2.基于[1,t]发出的出度边不需要使得所有位于[t+1,t+τmax]的节点均有唯一前驱传播节点，则有： 则对各个时点上的节点数量Pt、传播链的序列间隔分布中的最大间隔τmax以及Rt，满足以下不等式约束： S2.3.进一步考虑如下情形：当考虑在时点t上的Rt时，时点1,2,...,t‑1上的R·为已知，对有： 因此，有： lRtt≤Rt≤uRtt 5其中，lRtt为Rt在时点t上的下界，uRtt为Rt在时点t上的上界； lRtt的表达式为： uRtt的表达式为： S2.4.基于Rt不等式约束对Rt进行估计； 考虑基于Rt在[1,t]上是已知的，估计[t+1,t+τmax]上的Rt，根据公式5，当考虑时点t+1时，有： lRtt+1≤Rt+1≤uRtt+1 8基于赋值方法，取上界和下界的比例θ∈[0，1]，则有： 其中，为时点t+1的有效再生数的估计值； 接下来，使用R1,R2,...,Rt,计算lRtt+2和uRtt+2，然后使用相同的方法获得重复上述流程直到被估计； 因此，对有： 其中，τ为传播者发病时间与其对应的受感者发病时间之间的时间延迟长度； S3.基于步骤S2得到的时点t的有效再生数的不等式约束，建立正向序列间隔分布与反向序列间隔分布的关系； 步骤S3的具体实现方法包括如下步骤： S3.1.构建时点t的有效再生数Rt、时点t上的节点发出的出度边的总数et和时点t上的节点数量Pt的关系公式为： S3.2.定义et,t+τ表示起点来自时点t、终点位于时点t+τ的出度边的总数，设置τ＞0，则构建时点t的正向序列间隔分布ftτ由如下公式所定义： S3.3.反向序列间隔分布为站在反向视角时点s面向过去时点s‑τ的角度定义，则得到时点t的反向序列间隔分布bsτ的公式为： S3.4.根据Rt、ftτ以及bsτ的公式，取s＝t+τ，有如下公式： ftτ×Rt×Pt＝bt+ττ×Pt+τ 16且由于bt+ττ易于从观测中得出、Pt在任意时点是已知的，Rt由Rt不等式估值给出，得到正向序列间隔分布与反向序列间隔分布的关系的公式为： S4.构建正向序列间隔分布的推断目标； 步骤S4的具体实现方法包括如下步骤： S4.1.设to为传播链的最大连续观测时点，表示具备观测到时间区间t∈[1,to]上所有节点的反向视角的传播链的能力； S4.2.假设节点在时点t上是具备完全观测的属性，则在[t‑τmax,t+τmax]上相关的链接为已知量，那么在时点t上的Rt、ftτ以及btτ均为已知量； 则对于to，设置在时间区间[1,to]内得到btτ的有效部分以便后续的计算或推断，因此设置： to‑τmax≥1 18即： to≥τmax+1 19由于所考虑的传播链仅提供在[1,te]上是具备完全观测的属性，因此to理论上最多取到to＝te，得到： to∈[1+τmax,te]20； S4.3.计算ftτ在[1,to‑τmax]上的真实值； S4.4.构建正向序列间隔分布的推断目标是时间区间[to‑τmax+1,to‑1]上的正向序列间隔分布ftτ； S5.构建正向序列间隔分布的推断方法； 步骤S5的具体实现方法包括如下步骤： S5.1.构造推断矩阵Inference Matrix，其第m行、第n列的元素表示处于时点t＝to‑τmax+m且时间延迟长度τ＝n的正向序列间隔ftτ的值，其中t＝to‑τmax+m且τ＝n，设置时点t∈[to‑τmax+1,to‑1]且τ∈{1,2,...,τmax}，因此推断矩阵InferenceMatrix具有τmax‑1行和τmax列，矩阵规模为τmax‑1×τmax； S5.2.设时点tm表示推断矩阵InferenceMatrix第m行所代表的时点，即： tm＝to‑τmax+m,   m＝1,2,...,τmax‑1 21则当m与n满足下述不等式时，推断矩阵Inference Matrix的第m行、第n列的元素具备由公式17推断出来的能力： tm+n＝to‑τmax+m+n≤to 22即： m+n≤τmax 23根据上述公式，得到推断矩阵的第1行的第1列至第τmax‑1列的元素值由公式17计算； 若m与n满足上述不等式，取t＝tm＝to‑τmax+m、τ＝n，则推断矩阵中符合约束条件的第m行、第n列的元素由如下公式给出： S5.3.基于推断矩阵Inference Matrix的每一行均代表的是一个概率分布，则对m∈{1,2,...,τmax‑1}，有如下公式： 则当m＝1、n∈{1,2,...,τmax‑1}时的值由公式24给出，因此第1行的第τmax列由下述公式给出： S5.4.假设在外部干预强度不变的情况下，正向序列间隔分布的变化是连续的，则当前时点tm的与之前T时间的平均分布之间的差异应该尽量小； 对于tm时点以及n∈{1,2,...,τmax}，平均分布atm,n由下式给出： 设置m∈{2,3,...,τmax‑1}，则推断矩阵的第m行的状态与tm时点上计算的atm,n以及待推断的正向序列间隔分布中的概率值xtm,n的状态如下： atm,1,...,atm,τmax‑m,atm,τmax‑m+1,...,atm,τmax； 其中，xtm,n中的n在上述公式中分别取值为n＝τmax‑m+1,τmax‑m+2,...,τmax； S5.5.定义步骤S5.4得到的两个分布的差异Δ为： 则定义差异函数为： 根据式25，有如下约束条件： 然后将上述表达式记为： 综上，构建正向序列间隔分布的推断方法为计算约束条件下的最小化： S5.6.构造拉格朗日函数如下： 其中，为拉格朗日乘子； 即： 然后，联立以下方程： 得到： 上式对以及均成立； 如果出现xtm,n＜0，则设置该xtm,n＝0，然后根据上述流程重新计算其他的xtm,n值； 则通过公式24和26计算推断矩阵Inference Matrix中满足m+n≤τmax的元素m,n的值，其中元素m,n值即为的值，然后通过公式36计算其他位置上的元素值。

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深圳大学，其通讯地址为：518060 广东省深圳市南山区南海大道3688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”。