醫(yī)學(xué)資料傳染病監(jiān)測(cè)數(shù)據(jù)時(shí)空分析及早期預(yù)警統(tǒng)計(jì)技術(shù)研究進(jìn)展----湖南衛(wèi)生監(jiān)督網(wǎng)

1、傳染病監(jiān)測(cè)數(shù)據(jù)時(shí)空分析及早期預(yù)警的統(tǒng)計(jì)技術(shù)研究進(jìn)展 四川大學(xué)華西公共衛(wèi)生學(xué)院衛(wèi)生統(tǒng)計(jì)學(xué)教授李曉松2009年9月26日 昆明2021/7/16 星期五1Company Logo隨著信息技術(shù)的迅速發(fā)展，已經(jīng)和正在產(chǎn)生大量各類公共衛(wèi)生信息和數(shù)據(jù)。數(shù)據(jù)分析理論的滯后和分析技術(shù)的缺失，數(shù)據(jù)所隱含的知識(shí)并未被充分認(rèn)識(shí)和利用，而這些知識(shí)可能具有潛在的巨大應(yīng)用價(jià)值。2021/7/16 星期五2Company Logo3S技術(shù)等先進(jìn)技術(shù)的迅速發(fā)展和應(yīng)用，為深入分析和揭示公共衛(wèi)生信息數(shù)據(jù)間復(fù)雜的時(shí)間和空間關(guān)系，一方面提供了重要的基礎(chǔ)技術(shù)平臺(tái)，另一方面又產(chǎn)生了新的數(shù)據(jù)源。2021/7/16 星期五3Company

2、Logo時(shí)空分析及早期預(yù)警統(tǒng)計(jì)技術(shù)研究進(jìn)展貝葉斯時(shí)空分析技術(shù)(Bayesian Disease Mapping)多源監(jiān)測(cè)數(shù)據(jù)分析技術(shù)(Multivariate Surveillance Data Analysis) 貝葉斯網(wǎng)絡(luò)和隱馬爾科夫模型聚集性探測(cè)(Cluster Detection)2021/7/16 星期五4Company Logo貝葉斯時(shí)空分析技術(shù)Bayesian Disease Mapping2021/7/16 星期五5Company Logo多維度多尺度多層次三個(gè)基本特征傳染病數(shù)據(jù)基本要素和特征 傳染病數(shù)據(jù)是傳染病流行過程及其相關(guān)因素關(guān)系的符號(hào)化表示。時(shí)態(tài)位置屬性三個(gè)基本要素20

3、21/7/16 星期五6 人們所觀察到的傳染病流行是一系列復(fù)雜的自然與社會(huì)因素綜合作用的結(jié)果。所謂傳染病“流行規(guī)律”可理解為在自然與社會(huì)多源復(fù)雜因子作用下傳染病流行的時(shí)空變化及其相關(guān)因素的時(shí)空共變軌跡。2021/7/16 星期五7貝葉斯時(shí)空分析技術(shù) 從時(shí)間軸看，在揭示傳染病發(fā)病(率)隨時(shí)間發(fā)生變化的同時(shí)，揭示其在每個(gè)時(shí)點(diǎn)上發(fā)病(率)存在的空間變異； 從空間軸看，在揭示傳染病發(fā)病(率)隨區(qū)域不同而發(fā)生變化的同時(shí)，揭示在這些異質(zhì)的區(qū)域上發(fā)病(率)存在的時(shí)間變異。 與此同時(shí)，還指揭示與傳染病發(fā)病(率)上述時(shí)空變異所關(guān)聯(lián)的各種因子及其變化。2021/7/16 星期五8Bayes學(xué)說(shuō)是不同于經(jīng)典統(tǒng)計(jì)(頻

4、率學(xué)派)的另一大統(tǒng)計(jì)學(xué)派，隨著計(jì)算機(jī)技術(shù)的發(fā)展和Markov Chain Monte Carlo (MCMC)抽樣算法的引入，Bayes方法得以迅速發(fā)展和廣泛應(yīng)用。2021/7/16 星期五9Company LogoBayesian Disease Mapping的優(yōu)勢(shì)可利用人們對(duì)于傳染病流行及其相關(guān)因素的先驗(yàn)知識(shí)確定先驗(yàn)分布。由于傳播特性，傳染病流行常呈現(xiàn)出時(shí)空相關(guān)性，Bayes建?？山栌绵徑鼤r(shí)空信息。2021/7/16 星期五10Company Logo自然環(huán)境數(shù)據(jù)傳染病時(shí)空數(shù)據(jù)時(shí)空建模平臺(tái)基于Bayes框架時(shí)空建模的傳染病流行規(guī)律多維度分析GISRS信息系統(tǒng)2021/7/16 星期五11

5、基于Bayes框架建模充分反映了傳染病數(shù)據(jù)的基本要素與特征 2021/7/16 星期五12Company Logo多維度屬性維時(shí)間維空間維多維度、多尺度和多層次病例的基本人口學(xué)特征以及與流行相關(guān)的主要自然/社會(huì)因素2021/7/16 星期五13 隨時(shí)間推移，各區(qū)域瘧疾發(fā)病相對(duì)危險(xiǎn)度連續(xù)發(fā)生變化 各區(qū)域間相對(duì)危險(xiǎn)度存在差異(空間異質(zhì)性) 相鄰區(qū)域相對(duì)危險(xiǎn)度有相似性(空間相關(guān)性) 降雨量與瘧疾發(fā)病的數(shù)量關(guān)系(系數(shù))隨不同時(shí)期發(fā)生變化亞馬遜河區(qū)域某州某時(shí)期瘧疾發(fā)病的相對(duì)危險(xiǎn)度變化 96.1 96.12 97.12 98.12 時(shí)間系數(shù)Aline A. Nobre, Alexandra M. Schm

6、idt, Hedibert F. Lopes. Spatio-temporal models for mapping the incidence of malaria in Par. Environmetrics, 2005, 16: 291 304.2021/7/16 星期五14發(fā)病(率)在各個(gè)區(qū)域的時(shí)間變異:各時(shí)點(diǎn)(段)的空間變異。相關(guān)因素與發(fā)病(率)的影響、以及這種影響在不同時(shí)間的變化和不同空間的變化。發(fā)病(率)的空間相關(guān)性與異質(zhì)性大小及其在時(shí)間上的變異。2021/7/16 星期五15Company Logo多尺度：傳染病流行在不同時(shí)空尺度上表現(xiàn)出的特征可能不同。傳染病時(shí)空信息在概化和細(xì)

7、化過程中反映出的特征漸變規(guī)律探索不同時(shí)空尺度間信息轉(zhuǎn)換及不同尺度的效應(yīng)2021/7/16 星期五16Company Logo2021/7/16 星期五17在全球尺度，可發(fā)現(xiàn)登革熱廣泛流行于北緯30 度和南緯20度之間。2021/7/16 星期五18非洲、東南亞、西太平洋地區(qū)地區(qū)、美洲加勒比地區(qū)及歐洲部分境域2021/7/16 星期五19Company Logo近10年其分布有向高緯度或高海拔地區(qū)擴(kuò)散趨勢(shì)2021/7/16 星期五20Company Logo2021/7/16 星期五21Company Logo2021/7/16 星期五22Company Logo但如在地區(qū)尺度上如我國(guó)海南地區(qū)，

8、它可能呈散在聚集分布而未能呈現(xiàn)出任何規(guī)律。2021/7/16 星期五23Company Logo2021/7/16 星期五24Company Logo多層次國(guó)家省地市區(qū)縣鄉(xiāng)鎮(zhèn)街道個(gè)體2021/7/16 星期五25Company Logo 個(gè)體本身特征 + 所在環(huán)境特征個(gè)體是否發(fā)生傳染病2021/7/16 星期五26Company Logo個(gè)體(個(gè)案數(shù)據(jù))和環(huán)境(集合數(shù)據(jù))因素的獨(dú)立和聯(lián)合效應(yīng)各層次因素對(duì)傳染病發(fā)病(率)的影響以及對(duì)傳染病發(fā)病(率)在不同層次之間變異的影響時(shí)空模型多水平模型多水平模型2021/7/16 星期五27Company Logo聚集性探測(cè)Cluster Detection

9、2021/7/16 星期五28Company Logo回顧性和前瞻性兩種分析策略 回顧性分析：發(fā)病模式與病因探索 前瞻性分析：實(shí)時(shí)監(jiān)測(cè)與早期預(yù)警2021/7/16 星期五29Company LogoKullduff前瞻性時(shí)-空掃描統(tǒng)計(jì)量Rogerson空間模式監(jiān)測(cè)方法前瞻性聚集性探測(cè)方法2021/7/16 星期五30 目前我國(guó)部分地區(qū)用于預(yù)警的方法主要是單純時(shí)間聚集性探測(cè)方法。 其主要目的是探測(cè)時(shí)間序列數(shù)據(jù)中發(fā)病例數(shù)異常增加的時(shí)點(diǎn)。 2021/7/16 星期五31Company Logo單純時(shí)間聚集性分析的主要不足： 未利用疫情數(shù)據(jù)中的空間信息，難以及時(shí)、準(zhǔn)確地預(yù)警。2021/7/16 星期五

10、32國(guó)外的研究多開始于2001年炭疽恐怖事件后，紐約、華盛頓、西雅圖等地先后建立了早期預(yù)警系統(tǒng)試點(diǎn) (時(shí)-空掃描統(tǒng)計(jì)量和貝葉斯網(wǎng)絡(luò)等技術(shù))。2021/7/16 星期五33國(guó)內(nèi)外預(yù)警系統(tǒng)研究的區(qū)別探測(cè)方法監(jiān)測(cè)系統(tǒng)國(guó)內(nèi)單純時(shí)間聚集性探測(cè)傳統(tǒng)監(jiān)測(cè)國(guó)外時(shí)空聚集性探測(cè)癥狀監(jiān)測(cè)2021/7/16 星期五34國(guó)內(nèi)外預(yù)警系統(tǒng)研究的區(qū)別探測(cè)方法監(jiān)測(cè)系統(tǒng)國(guó)內(nèi)單純時(shí)間聚集性探測(cè)傳統(tǒng)監(jiān)測(cè)國(guó)外時(shí)空聚集性探測(cè)癥狀監(jiān)測(cè)2021/7/16 星期五35前瞻性時(shí)空掃描統(tǒng)計(jì)量2021/7/16 星期五36Company Logo研究區(qū)域掃描窗口病例2021/7/16 星期五372021/7/16 星期五382021/7/16 星期

11、五39尋找病例最多的窗口： 掃描統(tǒng)計(jì)量S2021/7/16 星期五40由于傳染病的特殊性，用于傳染病監(jiān)測(cè)的掃描統(tǒng)計(jì)量，其構(gòu)建更為復(fù)雜。 2021/7/16 星期五41Company Logo傳染病時(shí)空聚集性的特點(diǎn)無(wú)法預(yù)知傳染病爆發(fā)可能的規(guī)模掃描窗口的大小應(yīng)當(dāng)是動(dòng)態(tài)變化的 2021/7/16 星期五42傳染病時(shí)空聚集性的特點(diǎn)某些因素造成傳染病發(fā)生數(shù)在時(shí)間和空間的自然變異：如季節(jié)性應(yīng)當(dāng)對(duì)這些因素進(jìn)行校正 2021/7/16 星期五43傳染病時(shí)空聚集性的特點(diǎn)人口的地理分布不均勻如：城市人口密度高于農(nóng)村應(yīng)對(duì)人口密度的不均勻進(jìn)行校正 2021/7/16 星期五44尋找病例最多的窗口： 掃描統(tǒng)計(jì)量S如何得

12、到P 值尋找掃描統(tǒng)計(jì)量的概率分布？非常復(fù)雜和困難的概率理論問題2021/7/16 星期五45新近發(fā)展的Kullduff時(shí)空掃描統(tǒng)計(jì)量掃描窗口大小可變對(duì)非均勻的人口密度進(jìn)行校正 采用蒙特卡羅隨機(jī)化法進(jìn)行假設(shè)檢驗(yàn)，無(wú)需再考慮掃描統(tǒng)計(jì)量的概率分布 2021/7/16 星期五46Company Logo掃描窗口：一定地理區(qū)域空間掃描統(tǒng)計(jì)量2021/7/16 星期五47掃描窗口：一定時(shí)間長(zhǎng)度時(shí)間掃描統(tǒng)計(jì)量2021/7/16 星期五48時(shí)空掃描統(tǒng)計(jì)量一定的時(shí)間長(zhǎng)度一定的地理區(qū)域2021/7/16 星期五492021/7/16 星期五502021/7/16 星期五512021/7/16 星期五522021/

13、7/16 星期五532021/7/16 星期五542021/7/16 星期五552021/7/16 星期五562021/7/16 星期五572021/7/16 星期五582021/7/16 星期五592021/7/16 星期五602021/7/16 星期五612021/7/16 星期五622021/7/16 星期五632021/7/16 星期五642021/7/16 星期五65傳染病早期預(yù)警系統(tǒng)與可視化平臺(tái)2021/7/16 星期五66Company Logo數(shù)據(jù)庫(kù)網(wǎng)絡(luò)直報(bào)系統(tǒng)早期預(yù)警系統(tǒng)框架數(shù)據(jù)獲取2021/7/16 星期五67數(shù)據(jù)庫(kù)探測(cè)算法采用聚集性探測(cè)算法進(jìn)行數(shù)據(jù)分析網(wǎng)絡(luò)直報(bào)系統(tǒng)早期預(yù)警

14、系統(tǒng)框架2021/7/16 星期五68數(shù)據(jù)庫(kù)探測(cè)算法地理信息系統(tǒng)地理編碼 &可視化實(shí)現(xiàn)網(wǎng)絡(luò)直報(bào)系統(tǒng)早期預(yù)警系統(tǒng)框架2021/7/16 星期五69數(shù)據(jù)庫(kù)探測(cè)算法地理信息系統(tǒng)報(bào)告早期預(yù)警系統(tǒng)框架網(wǎng)絡(luò)直報(bào)系統(tǒng)2021/7/16 星期五70Google Earth 可視化平臺(tái)GE支持的圖形為三維圖形，較二維圖形直觀，且可任意改變方位和視角進(jìn)行查看。 GE提供的衛(wèi)星影像信息包括了山川河流等地形地貌信息，可結(jié)合上述環(huán)境信息查看聚集性探測(cè)結(jié)果。 除地理圖形外，GE還可容納預(yù)警信號(hào)的相關(guān)重要信息 。GE操作十分簡(jiǎn)便，便于推廣應(yīng)用。 2021/7/16 星期五71省級(jí)前瞻性時(shí)空聚集性探測(cè)結(jié)果圖示12021/7/

15、16 星期五72圖7.12 區(qū)縣級(jí)前瞻性時(shí)空聚集性探測(cè)結(jié)果圖示12021/7/16 星期五73圖7.13 區(qū)縣級(jí)前瞻性時(shí)空聚集性探測(cè)結(jié)果圖示22021/7/16 星期五74Figure. 聚集性探測(cè)結(jié)果在Google Earth上的平面透視圖(在預(yù)警信號(hào)所在位置點(diǎn)擊鼠標(biāo)左鍵，即可出現(xiàn)預(yù)警信號(hào)的詳細(xì)信息，包括時(shí)間、地域、實(shí)際發(fā)病數(shù)、預(yù)期發(fā)病數(shù)、P值)2021/7/16 星期五75時(shí)空兩個(gè)維度聚集性探測(cè)的優(yōu)勢(shì) 與單純時(shí)間聚集性分析相比，時(shí)空聚集性分析信息更為詳盡，不僅可提示有無(wú)聚集性，還可對(duì)聚集性進(jìn)行空間定位。 2021/7/16 星期五76時(shí)空兩個(gè)維度聚集性探測(cè)的優(yōu)勢(shì) 時(shí)空聚集性分析充分利用了數(shù)

16、據(jù)中的空間信息，預(yù)警更為及時(shí)。 2021/7/16 星期五77H0：傳染病無(wú)聚集性(病例隨機(jī)分布)拒絕H0對(duì)應(yīng)爆發(fā)？“偶然”？信息不真實(shí)？存在聚集性2021/7/16 星期五78與散發(fā)相對(duì)散發(fā)：獨(dú)立發(fā)生的病例。爆發(fā)：病例之間具有流行病學(xué)上的聯(lián)系。流行病學(xué)意義上的傳染病爆發(fā)2021/7/16 星期五79統(tǒng)計(jì)聚集性流行病學(xué)爆發(fā)是否對(duì)應(yīng)？現(xiàn)場(chǎng)調(diào)查：確定病例之間的流行病學(xué)聯(lián)系。實(shí)驗(yàn)室檢查：根據(jù)病原體染色體DNA的同源程度識(shí)別病例之間的聯(lián)系(更為準(zhǔn)確)。2021/7/16 星期五80聚集性的原因空間自相關(guān)其它因素2021/7/16 星期五81是否需校正空間自相關(guān)？取決于需要從數(shù)據(jù)中獲取什么樣的信息 ？2

17、021/7/16 星期五82情況通過空間自回歸分析確定主要影響因素：如分析發(fā)病人群的主要特征，此時(shí)需校正空間自相關(guān)。否則可能高估危險(xiǎn)性，使得本來(lái)沒有關(guān)聯(lián)的因素得到具有統(tǒng)計(jì)學(xué)意義的結(jié)果。 2021/7/16 星期五83探測(cè)傳染病爆發(fā)：勿需校正空間自相關(guān)。因?yàn)樗綔y(cè)的cluster很可能是空間自相關(guān)引起的。如果對(duì)其進(jìn)行校正，就發(fā)現(xiàn)不了重要的cluster。因此，應(yīng)用于早期預(yù)警模型的時(shí)空掃描統(tǒng)計(jì)量無(wú)需對(duì)空間自相關(guān)進(jìn)行校正。 情況2021/7/16 星期五84多源監(jiān)測(cè)數(shù)據(jù)融合分析技術(shù)Multivariate surveillance data analysis2021/7/16 星期五85Compa

18、ny Logo在傳染病監(jiān)測(cè)工作中，除病例監(jiān)測(cè)和癥候群監(jiān)測(cè)數(shù)據(jù)外，還可通過多個(gè)渠道獲得相關(guān)數(shù)據(jù)，如醫(yī)院就診數(shù)據(jù)，藥店OTC藥物銷量數(shù)據(jù)、學(xué)校缺席人數(shù)等，多源數(shù)據(jù)融合分析技術(shù)可合并多數(shù)據(jù)源建模進(jìn)行傳染病的預(yù)測(cè)和早期預(yù)警。 2021/7/16 星期五86貝葉斯網(wǎng)絡(luò)Bayesian Network2021/7/16 星期五87貝葉斯網(wǎng)絡(luò)是一種基于貝葉斯理論的概率推理圖形化網(wǎng)絡(luò)，即通過一些監(jiān)測(cè)變量的信息來(lái)獲取其他感興趣變量概率信息的過程。目前已在眾多領(lǐng)域獲得廣泛應(yīng)用，是近年國(guó)外傳染病預(yù)警研究領(lǐng)域的前沿技術(shù)之一。2021/7/16 星期五88貝葉斯網(wǎng)絡(luò)基本原理貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)：變量(season、age )

19、有向弧段：變量間的相互關(guān)系 2021/7/16 星期五89Example：炭疽釋放全局節(jié)點(diǎn)G，指示是否存在炭疽釋放。2021/7/16 星期五90Example：炭疽釋放界面節(jié)點(diǎn)I，在圖中為擴(kuò)散的時(shí)間和地點(diǎn) 2021/7/16 星期五91Example：炭疽釋放個(gè)體子網(wǎng)絡(luò)P，每個(gè)子網(wǎng)絡(luò)對(duì)應(yīng)一個(gè)個(gè)體。 2021/7/16 星期五92個(gè)體子網(wǎng)絡(luò)中包含家庭地理編碼、年齡、性別、呼吸道主訴、發(fā)病時(shí)間、發(fā)病地點(diǎn)等個(gè)人信息。2021/7/16 星期五93Example：炭疽釋放人群證據(jù)節(jié)點(diǎn)O，代表了特定群體的集合證據(jù)。這里O代表每個(gè)地區(qū)的非處方藥物的合計(jì)銷量。 2021/7/16 星期五94貝葉斯網(wǎng)絡(luò)將多

20、個(gè)渠道獲得的個(gè)體數(shù)據(jù)和集合數(shù)據(jù)以網(wǎng)絡(luò)的形式有機(jī)地結(jié)合起來(lái)，在充分考慮變量之間復(fù)雜關(guān)系的基礎(chǔ)上，對(duì)傳染病暴發(fā)的概率進(jìn)行估計(jì)。2021/7/16 星期五95貝葉斯網(wǎng)絡(luò)建立步驟數(shù)據(jù)收集醫(yī)院/社區(qū)衛(wèi)生服務(wù)中心監(jiān)測(cè)資料：患者的人口學(xué)信息、發(fā)病及就診時(shí)間、家庭住址、臨床癥候群等；120緊急醫(yī)療救助電話記錄電子記錄；藥店監(jiān)測(cè)資料：相關(guān)藥物每日銷售量；學(xué)校、托幼機(jī)構(gòu)、養(yǎng)老機(jī)構(gòu)監(jiān)測(cè)資料：各監(jiān)測(cè)點(diǎn)機(jī)構(gòu)缺勤人數(shù)及原因。.2021/7/16 星期五96Company Logo指標(biāo)選擇召開包括傳染病應(yīng)急處置專業(yè)人員、流行病學(xué)家、臨床專家等癥候群監(jiān)測(cè)涉及的相關(guān)領(lǐng)域的專業(yè)人員在內(nèi)的專家會(huì)議。根據(jù)不同癥候群的目標(biāo)傳染病，整理

21、各類癥候群發(fā)生的影響因素，考慮變量間的依賴關(guān)系，相關(guān)數(shù)據(jù)的可獲得性和可量化性等，選取適宜的模型指標(biāo)。2021/7/16 星期五97Company Logo網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)利用歷史數(shù)據(jù)，結(jié)合先驗(yàn)知識(shí)，確定合適的貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。根據(jù)實(shí)際情況選用以下兩種方法：基于統(tǒng)計(jì)測(cè)試的方法基于搜索記分的方法 2021/7/16 星期五98Company Logo擬建立的模型節(jié)點(diǎn)分為四部分：全局節(jié)點(diǎn)G，即地區(qū)全人群特征；界面節(jié)點(diǎn)I，包括傳染病擴(kuò)散的時(shí)間和地點(diǎn)；個(gè)體網(wǎng)絡(luò)P，每個(gè)子網(wǎng)絡(luò)對(duì)應(yīng)一個(gè)個(gè)體，包括人口學(xué)信息、臨床癥候群等，其拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)由專家判斷確定；人群證據(jù)節(jié)點(diǎn)O，包括非處方藥物的銷量、120緊急醫(yī)療救助電話

22、記錄、機(jī)構(gòu)缺勤人數(shù)等。2021/7/16 星期五99Company Logo網(wǎng)絡(luò)參數(shù)確定 在給定貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的情況下，確定各節(jié)點(diǎn)處的條件概率密度。貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)通過專家知識(shí)和訓(xùn)練樣本學(xué)習(xí)來(lái)確定。 參數(shù)估計(jì)方法：極大似然估計(jì)、極大后驗(yàn)概率和期望極大化算法。 當(dāng)后驗(yàn)概率超過界值可能是一次暴發(fā)。2021/7/16 星期五100Company Logo網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的優(yōu)化采用AMOC(activity monitoring operating characteristic)曲線衡量模型的假陽(yáng)性率，計(jì)算傳染病出現(xiàn)暴發(fā)時(shí)間和模型預(yù)警時(shí)間的差值，并通過評(píng)價(jià)結(jié)果對(duì)模型結(jié)構(gòu)進(jìn)行優(yōu)化。2021/7/1

23、6 星期五101Company Logo隱馬爾科夫模型Hidden Markov Models，HMMs 2021/7/16 星期五102Company Logo隱馬爾科夫模型隱馬爾科夫模型(HMMs)是在Markov模型的基礎(chǔ)上發(fā)展起來(lái)的統(tǒng)計(jì)模型。2021/7/16 星期五103Company Logo假定HMMs的狀態(tài)(傳染病狀態(tài))是不可直接監(jiān)測(cè)的，監(jiān)測(cè)到的只是與之對(duì)應(yīng)的一些監(jiān)測(cè)值(如OTC銷售量、急診量和學(xué)校缺勤數(shù)等 )，因而稱之為“隱”馬爾科夫模型。 2021/7/16 星期五104隱馬爾科夫模型底層:Markov鏈模型描述狀態(tài)之間的轉(zhuǎn)換2021/7/16 星期五105Company Logo隱馬爾科夫模型上層:隨機(jī)模型，描述狀態(tài)與監(jiān)測(cè)值的統(tǒng)計(jì)對(duì)應(yīng)關(guān)系。2021/7/16 星期五106Company Logo隱馬爾科夫模型HMMs建模是從歷史數(shù)據(jù)中獲取信息，將隱含的規(guī)律轉(zhuǎn)化為實(shí)際的模型參數(shù)，利用歷史信息