基于BP-ARIMA的新冠疫情研究與賽事重啟

李夢潔?徐一凡?武佳琪

摘要：新型冠狀病毒在全球多個國家傳播，造成極其嚴重的經濟損失。對此我國快速做出反應，對疫情嚴重的城市實行封鎖政策，減少人群接觸病發的概率，經過不斷現階段疫情有所控制。與此同時，大型賽事著手開展重啟工作，但疫情形勢依舊嚴峻，因此繼續對該病毒的深入研究和對大型體育賽事重啟預測的研究是有必要的。

關鍵詞：BP網絡;ARIMA;新冠疫情;賽事重啟

1 引言

隨著新型冠狀病毒的爆發，在越來越多的國家和人員共同努力下，現階段的疫情有所控制，但是形式依舊嚴峻。一旦疫情出現二次高峰，經濟將會受到較大的沖擊。因此對于疫情反彈的分析和研究是各個國家應對疫情變化的重要舉措和借鑒。

2 BP三層網絡模型神經網絡在外界輸入樣本的刺激下不斷改變連接節點的權重參數，使得網絡的輸出不斷接近期望的輸出。本文采用BP神經網絡對疫情第二次爆發的風險進行評估。選取從疫情爆發到現在的10個時間段的數據作為新的樣本數據集，并以7：3比例劃分該數據集[1]。其具體建模過程如下：

Step1：神經網絡初始化設置。Kolmogrov理論證明一個具有三層神經元已經足以完成任意n維到m維映射，所以本文直接選取三層網絡結構進行建模。

Step2：多次訓練神經網絡模型。最高訓練次數為n=1000，學習速率為，期望誤差為e=0.005，激勵函數為g（x）取Sigmoid函數。通過不斷訓練模型以確定節點連接參數的取值。

Step3：反向網絡傳播進行權值和偏置的更新。采用梯度下降法對權值更新[2]。

Step4：輸入數據測試集對模型進行計算。經過上述計算得到網絡仿真結果風險評估值為中國，美國，伊朗，最終得到如下的三個國家確診人數趨勢變化。

3 ARIMA時間序列算法模型

雖然新冠疫情在我國已經基本得到了控制，但在除我國以外的其他歐美國家已經出現了疫情大爆發的現象，疫情幾乎處于失控狀態，所以我國的防止輸入性病例的防控任務仍然嚴峻，此外人群中還有無癥狀新冠病毒攜帶者，這些人是具有傳染性的，且傳染程度不亞于新冠病毒患者。而體育賽事的現場是人群高度聚集的場所，非常容易發生群體性感染。接下來我們需要研究賽事重啟可能性大小隨時間發展變化的規律。

本文收集兩個比賽和其他比賽的相關數據，根據每個時間段的規模、比賽現場參與人數、地域、剩余賽程、關注度指數。本文將每個時期的數據綜合成一個重啟可能性指標，得出隨時間序列變化的數據，再以每個時間段的數據用ARIMA 時間序列算法進行合理預測[4]。

Step1：根據得到的時間序列數據，將其看作兩個隨機序列和。

Step2：通過ADF單位根檢驗法檢驗序列的平穩性。如果序列是非平穩的，則利用差分法將非平穩的時間序列轉化為平穩的時間序列。為了檢測我們得到的序列和是否具有波動性，需要用ADF單位根檢驗法來確定序列是否平穩。

ADF檢驗統計量：，其中，為參數的樣本標準差[5]。

Step3：對平穩時間序列分別求得其自相關系數ACF 和偏自相關系數PACF以及交叉相關性CCF。

Step4：利用上一步的ACF和PACF和CCF得到的d、q、p，根據ARIMA模型識別規則，選擇合適的模型為ARIMA（0，1，1）。

畫出最優模型ARIMA（0，1，1）的序列預測圖如下，縱坐標為重啟的可能性，日期為時間序列。根據圖4可以明顯看到在九月底十月初時候有第二次小高峰，所以重啟賽事需要分階段進行。

4結論和展望

隨著國外一些國家重啟經濟，解封嚴密的防控措施，從而間接的推升疫情的走向第二波高峰期。本文所建立的BP神經網絡、時間序列數學模型對于疫情整體進行了詳細分析，充分考慮影響疫情的各種因素，得出相應結果，為世界防控疫情、復工復產和賽事重啟問題的提供解決思路，CBA預計在6月底7月初重啟，中超在11月左右重啟。

這些模型不僅對于新型冠狀病毒進行分析還可應用于其他傳染病傳播、金融行業風險評估、企業競爭力評價等領域中，對于重啟賽事的分析可以應用在其他大型活動的恢復事宜中，有著加強的可行性，適用范圍廣泛。

參考文獻：

[1]王有遠，張振華，錢偉偉.基于BP神經網絡的民航飛行安全風險評估[J].南昌航空大學學報（自然科學版），2019，33（02）：89-95.

[2]李淑錦，呂靖強.基于BP神經網絡的P2P網貸借款者的信用風險評估[J].生產力研究，2016（04）：45-49+59.

[3]Yu Shao， Deden Witarsyah. Fast recognition method of moving video images based on BP neural networks. 2018， 16（1）：1024-1032.

[4]王永斌，柴峰，李向文，袁聚祥，武建輝.ARIMA模型與殘差自回歸模型在手足口病發病預測中的應用[J].中華疾病控制雜志，2016，20（03）：303-306.

[5]彭慧婷. 基于GM-ARIMA模型的發電量預測研究[D].蘭州大學，2014.