CN109656918A - 流行病发病指数的预测方法、装置、设备及可读存储介质 - Google Patents
流行病发病指数的预测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN109656918A CN109656918A CN201910018205.5A CN201910018205A CN109656918A CN 109656918 A CN109656918 A CN 109656918A CN 201910018205 A CN201910018205 A CN 201910018205A CN 109656918 A CN109656918 A CN 109656918A
- Authority
- CN
- China
- Prior art keywords
- disease
- data
- prediction
- disease index
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种流行病发病指数的预测方法、装置、设备及可读存储介质,该方法包括步骤:获取与流行病相关的舆情数据和流行病数据,通过流行病数据计算得到流行病发病指数;将流行病发病指数与在舆情数据和流行病数据中提取的目标特征数据输入至预设的机器学习模型和深度学习模型中,以得到流行病对应的预测发病指数;在预测发病指数大于预设阈值时发送告警信息给疾病控制中心系统,以供疾病控制中心系统根据告警信息提示工作人员采取流行病预防措施。本发明通过智能决策,实现了自动预测流行病的发病指数,在发病指数较高时,及时发出告警信息,便于工作人员及时采取流行病预防措施。
Description
技术领域
本发明涉及智能决策技术领域,尤其涉及一种流行病发病指数的预测方法、装置、设备及可读存储介质。
背景技术
流性病是指可以感染众多人口的传染病,能在较短的时间内广泛蔓延的传染病,如流行性感冒、禽流感和手足口病等。目前,只有在流行病发生后,医护人员才能确认对应的流行病已经发生,才会制定一系列的预防措施。因此,如何能够预测流行病的发病指数,当发病指数较高时,及时发出预警,以便于医护人员尽早采取预防措施,是亟待解决的问题。
发明内容
本发明的主要目的在于提供一种流行病发病指数的预测方法、装置、设备及可读存储介质,旨在解决现有的无法预测流行病的发病指数的技术问题。
为实现上述目的,本发明提供一种流行病发病指数的预测方法,所述流行病发病指数的预测方法包括步骤:
获取预设时长内与流行病相关的舆情数据和流行病数据,并将所述流行病数据中的流行病样病例数除以所述流行病数据中的门诊就诊总人数,得到流行病发病指数;
在所述舆情数据和流行病数据中提取目标特征数据,并将所述目标特征数据和流行病发病指数按照预设方式输入至预设的机器学习模型和深度学习模型中,以得到所述流行病对应的预测发病指数;
若所述预测发病指数大于预设阈值,则发送告警信息给疾病控制中心系统,以供所述疾病控制中心系统根据所述告警信息提示工作人员采取流行病预防措施。
进一步地,所述将所述目标特征数据和流行病发病指数按照预设方式输入至预设的机器学习模型和深度学习模型中,以得到所述流行病对应的预测发病指数的步骤包括:
将所述目标特征数据和流行病发病指数分别输入至预设的机器学习模型和深度学习模型中,得到所述机器学习模型和深度学习模型对应的预测发病指数;
获取所述机器学习模型和深度学习模型对应的权重,将所述预测发病指数乘以对应的权重后再相加,得到所述流行病对应的预测发病指数。
进一步地,所述将所述目标特征数据和流行病发病指数按照预设方式输入至预设的机器学习模型和深度学习模型中,以得到所述流行病对应的预测发病指数的步骤包括:
将所述目标特征数据和流行病发病指数输入至预设的深度学习模型中,得到所述深度学习模型输出的第一预测发病指数和与所述第一预测发病指数对应的特征预测数据;
将所述目标特征数据、所述流行病发病指数、所述第一预测发病指数和所述特征预测数据输入至预设的机器学习模型中,得到所述机器学习模型输出的第二预测发病指数,将所述第二预测发病指数作为所述流行病对应的预测发病指数。
进一步地,所述在所述舆情数据和流行病数据中提取目标特征数据的步骤包括:
对所述舆情数据和流行病数据进行清洗操作、集成操作、变换操作和/或规约操作,以在所述舆情数据和流行病数据中提取目标特征数据。
进一步地,所述对所述舆情数据和流行病数据进行清洗操作、集成操作、变换操作和/或规约操作,以在所述舆情数据和流行病数据中提取目标特征数据的步骤包括:
对所述舆情数据和流行病数据进行清洗操作、集成操作、变换操作和/或规约操作,以得到预处理后的所述舆情数据和流行病数据;
对预处理后的所述舆情数据和流行病数据进行特征处理,以在预处理后的所述舆情数据和流行病数据中提取到目标特征数据。
进一步地,所述将所述目标特征数据和所述流行病发病指数按照预设方式输入至预设的机器学习模型和深度学习模型中,以得到所述流行病对应的预测发病指数的步骤之后,还包括:
若所述预测发病指数小于或者等于所述预设阈值,则发送提示信息给所述疾病控制中心系统,以供所述疾病控制中心系统输出所述提示信息,使所述工作人员获知当前流行病对应的预测发病指数。
进一步地,所述机器学习模型为Xgboost模型,所述深度学习模型为长短期记忆网络LSTM模型。
此外,为实现上述目的,本发明还提供一种流行病发病指数的预测装置,所述流行病发病指数的预测装置包括:
获取模块,用于获取预设时长内与流行病相关的舆情数据和流行病数据;
计算模块,用于将所述流行病数据中的流行病样病例数除以所述流行病数据中的门诊就诊总人数,得到流行病发病指数;
提取模块,用于在所述舆情数据和流行病数据中提取目标特征数据;
输入模块,用于将所述目标特征数据和流行病发病指数按照预设方式输入至预设的机器学习模型和深度学习模型中,以得到所述流行病对应的预测发病指数;
发送模块,用于若所述预测发病指数大于预设阈值,则发送告警信息给疾病控制中心系统,以供所述疾病控制中心系统根据所述告警信息提示工作人员采取流行病预防措施。
此外,为实现上述目的,本发明还提供一种流行病发病指数的预测设备,所述流行病发病指数的预测设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的流行病发病指数的预测程序,所述流行病发病指数的预测程序被所述处理器执行时实现如上所述的流行病发病指数的预测方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有流行病发病指数的预测程序,所述流行病发病指数的预测程序被处理器执行时实现如上所述的流行病发病指数的预测方法的步骤。
本发明通过在获取到与流行病相关的舆情数据和流行病数据后,通过流行病数据计算得到流行病发病指数,在舆情数据和流行病数据中提取目标特征数据,将目标特征数据和流行病发病指数输入机器学习模型和深度学习模型中,得到流行病对应的预测发病指数,并在预测发病指数大于预设阈值时,发送告警信息给疾病控制中心系统,以供疾病控制中心根据告警信息提示工作人员采取流行病预防措施,实现了自动预测流行病的发病指数,在发病指数较高时,及时发出告警信息,便于工作人员及时采取流行病预防措施,避免由于流行病发生严重的公共卫生事件。
附图说明
图1是本发明流行病发病指数的预测方法较佳实施例的流程示意图;
图2为本发明流行病发病指数的预测装置较佳实施例的功能示意图模块图;
图3是本发明实施例方案涉及的硬件运行环境的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种流行病发病指数的预测方法,参照图1,图1为本发明流行病发病指数的预测方法较佳实施例的流程示意图。
本发明实施例提供了流行病发病指数的预测方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
流行病发病指数的预测方法应用于服务器或者终端中,该服务器或者终端中安装有预测系统,终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(PersonalDigital Assistant,PDA)等移动终端,以及诸如数字TV、台式计算机等固定终端。在流行病发病指数的预测方法的各个实施例中,为了便于描述,省略执行主体进行阐述各个实施例。流行病发病指数的预测方法包括:
步骤S10,获取预设时长内与流行病相关的舆情数据和流行病数据,并将所述流行病数据中的流行病样病例数除以所述流行病数据中的门诊就诊总人数,得到流行病发病指数。
当侦测到预测流行病发病指数的预测指令后,获取预设时长内与流行病相关的舆情数据和流行病数据。其中,该预测指令可由对应用户在预测系统中根据具体需要而触发,也是是由预测系统中的定时任务自动触发。预设时长可根据具体需要而设置,如可设置为1周,10天或者15天等。舆情数据包括但不限于与流行病相关的微博指数、百度指数和天气数据等。微博指数是从微博网站中爬取的与流行病相关的指数,如若流行病为流感,则微博指数为在预设时长内的各个不同时间段中,微博用户在微博中搜索或者查阅的相关内容中含有“怕冷”、“肌肉酸痛”、“咽痛”和“咳嗽”等关键词的频率。百度指数是从百度指数网站中爬取,预设时长内与流行病相关的指数;天气数据是从911天气网站爬取和/或国家气象局获取的,天气数据包括但不限于预设时长内对应的温度、湿度和风向等。流行病数据包括流行病样病例对应的特征、流行病样病例数和门诊就诊总人数。流行病样病例和门诊就诊总人数是从所对接的一个或者多个医院系统和/或疾病控制中心系统中获取的。在流行病样病例中,携带有特定标识,因此,通过该特定标识即可获取到对应的流行病样病例,从而计算出某种流行病对应的流行病样病例数,流行病样病例数为预设时长内诊断为患上某种流行病的人数,门诊就诊总人数为预设时长内就诊的总人数。不同流行病样病例对应的特征是不一样的,如流感样病例对应的特征为体温大于或者等于38℃,咽痛和/或咳嗽等。需要说明的是,流行病发病指数的预测是针对某个特征区域而言的,因此,所获取的舆情数据和流行病数据也是特定区域的舆情数据和流行病数据。
当获取到流行病数据后,将流行病数据中的流行病样病例数除以流行病数据中的门诊就诊总人数,得到流行病发病指数,即流行病发病指数=流行病样病例数÷门诊就诊总人数。如当流感样病例数为25,门诊就诊总人数为100时,即就诊的100人中,有25人确诊为流感,对应的流行病发病指数为25÷100=0.25。
进一步地,流感数据还可以包括病案个数、病原阳性率检验和疫情爆发数等数据。病原阳性率检验是指导致用户患上流行病的原因,疫情爆发数可从疾病控制中心系统中获取。
步骤S20,在所述舆情数据和流行病数据中提取目标特征数据,并将所述目标特征数据和流行病发病指数按照预设方式输入至预设的机器学习模型和深度学习模型中,以得到所述流行病对应的预测发病指数。
当获取到舆情数据和流行病数据后,在舆情数据和流行病数据中剔除不必要的数据,提取对应的目标特征数据。当在舆情数据和流行病数据中提取到目标特征数据后,将目标特征数据和流行病发病指数按照预设方式输入至预设的机器学习模型和深度学习模型中,以得到流行病对应的预测发病指数。其中,机器学习模型包括但不限于Random Forest(随机森林)、GBDT(Gradient Boosting Decision Tree,梯度提升决策树)、XGBOOST(eXtreme Gradient Boosting)模型、Linear Regression(线性回归)和SARIMA(SeasonalAutoregressive Integrated Moving Average,季节性差分自回归滑动平均模型)模型;深度学习模型包括但不限于LSTM(Long Short-Term Memory,长短期记忆网络)模型和RNN(Recurrent Neural Network,循环神经网络)模型。需要说明的是,本发明实施例中的机器学习模型和深度学习模型是预先训练好的,只要将对应时间周期内的目标特征数据和流行病发病指数输入至机器学习模型和深度学习模型中,机器学习模型和深度学习模型就会输出下一时间周期内该流行病对应的预测发病指数。如当将11月第一周的目标特征数据和流行病发病指数输入至机器学习模型中,该机器学习模型会输出11月第二周的预测发病指数,以及与该预测发病指数对应的特征预测数据。
进一步地,为了提高了所得预测发病指数的准确率,可采用XGBOOST模型作为预设的机器学习模型,采用LSTM模型作为预设的深度学习模型。
进一步的,在所述舆情数据和流行病数据中提取目标特征数据的步骤包括:
步骤a,对所述舆情数据和流行病数据进行清洗操作、集成操作、变换操作和/或规约操作,以在所述舆情数据和流行病数据中提取目标特征数据。
进一步地,可对舆情数据和流行病数据进行清洗操作、集成操作、变换操作和/或规约操作,以在舆情数据和流行病数据中提取目标特征数据。需要说明的是,在舆情数据和流行性疾病中提取目标特征数据过程中,可采用清洗操作、集成操作、变换操作和规约操作中的一种或者多种操作。为了清楚描述清洗操作、集成操作、变换操作和规约操作的具体过程,以下以采用清洗操作、集成操作、变换操作和规约操作这四种操作进行举例说明。
在对舆情数据和流行病数据进行清洗操作之前,需要对舆情数据和流行病数据进行数据异常校验,删除舆情数据和流行病数据中异常的数据,得到经过校验后的舆情数据和流行病数据,然后对经过校验后的舆情数据和流行病数据进行数据缺失值补充,得到清洗后的舆情数据和流行病数据。
对舆情数据和流行病数据进行数据异常校验的方法包括但不限于采用均值、方差、中位数等方法进行异常校验,如在采用均值算法进行数据异常校验过程中,分别计算舆情数据和流行病数据中各类数据的均值,若某个数据与均值之间的差值大于预设数值,则确定该数据为异常数据,删除该异常数据,其中,预设数值可根据具体需要而设置,本实施例对预设数值的大小不做具体限制。如在微博指数中,若某个微博指数与所有微博指数均值之间的差值大于预设数值,则确定差值大于预设数值对应的微博指数为异常数据。
可以理解的是,在通过数据异常校验删除了流感数据和舆情数据中的某些异常数据之后,需要对流感数据和舆情数据进行数据缺失值补充,具体地,数据缺失值补充算法包括但不限于均值填充法、差值线性填充法和数模型填充法。如当采用均值填充法时,将删除后的异常数据用计算所得的均值替换。
当得到清洗后的舆情数据和流行病数据后,对清洗后的舆情数据和流行病数据进行集成操作,得到集成后的舆情数据和流行病数据。对清洗后的舆情数据和流行病数据进行集成的过程为:将从不同系统获取的流感数据和舆情数据集成在一个数据库中,检测该数据库中是否存在重复的数据,即检测是否存在相同的数据。若存在重复的数据,则只保留一条重复的数据,删除剩余的重复数据。在进行数据集成时,同一数据在系统中多次重复出现,需要消除数据冗余,针对不同特征或数据间的关系进行相关性分析。如某个门诊将其就诊人数发送给了疾病控制中心系统,会导致在门诊系统和疾病控制中心系统中获取到重复的数据。在本发明实施例中,不限制清洗操作和集成操作的先后顺序,可以先执行清洗操作,后执行集成操作,也可以先执行集成操作,后执行清洗操作。
当得到集成后的舆情数据和流行病数据时,对集成后的舆情数据和流行病数据进行变换操作,得到变换后的舆情数据和流行病数据。具体地,可采用最大值、最小值或者均值等方式对集成后的舆情数据和流行病数据进行数据变换。如在对于天气数据中的温度进行变换过程中,由于所获取的温度是以天为单位,即每一天都有一个温度,但是本发明实施例中中所提取的流感数据是周为单位的,此时需要对温度数据进行变换,如计算每一周温度的平均温度或最大温度,将平均温度或者最大温度作为这一周对应的温度,得到变换后的温度。
当得到变换后的舆情数据和流行病数据后,对变换后的舆情数据和流行病数据进行规约操作,得到规约后的舆情数据和流行病数据,可以理解的是,规约后的舆情数据和流行病数据即为目标特征数据。进行规约操作对应的规约策略包括但不限于:①维规约:减少考虑的随机变量或属性的个数,或把原数据变换或投影到更小的空间,具体的维规约方法包括但不限于小波变换和主成分分析;②数量规约:用替代的、较小的数据表示形式替换原数据,具体方法包括但不限于抽样和数据立方体聚集;③数据压缩,数据压缩包括无损压缩和有损压缩,无损压缩能从压缩后的数据重构恢复原来的数据,不损失信息。有损压缩只能近似重构原数据。进一步地,也可采用主成分分析法或者机器学习中的决策树算法对变换后的舆情数据和流行病数据进行规约操作,得到规约后的舆情数据和流行病数据。
进一步地,所述将所述目标特征数据和流行病发病指数按照预设方式输入至预设的机器学习模型和深度学习模型中,以得到所述流行病对应的预测发病指数的步骤包括:
步骤b,将所述目标特征数据和流行病发病指数分别输入至预设的机器学习模型和深度学习模型中,得到所述机器学习模型和深度学习模型对应的预测发病指数。
当得到目标特征数据和流行病发病指数后,将目标特征数据和流行病发病指数分别输入至预设的机器学习模型和深度学习模型中,得到机器学习模型和深度学习模型对应输出的预测发病指数。
步骤c,获取所述机器学习模型和深度学习模型对应的权重,将所述预测发病指数乘以对应的权重后再相加,得到所述流行病对应的预测发病指数。
获取机器学习模型和深度学习模型对应权重。其中,机器学习模型和深度学习模型对应的权重可根据具体需要而设置。当获取到机器学习模型和深度学习模型对应的权重后,将预测发病指数乘以对应的权重后再相加,所得的值就是流行病对应的预测发病指数。具体地,流行病对应的预测发病指数=A×a+B×b,其中,A表示机器学习模型输出的预测发病指数,a表示机器学习模型的权重;B表示深度学习模型输出的预测发病指数,b表示深度学习模型的权重。进一步地,为了降低得到流行病对应的预测发病指数的计算量,可将机器学习模型和深度学习模型对应的权重设置在模型中,然后直接将机器学习模型和深度学习模型输出的预测发病指数相加,得到流行病对应的预测发病指数。
步骤S30,若所述预测发病指数大于预设阈值,则发送告警信息给疾病控制中心系统,以供所述疾病控制中心系统根据所述告警信息提示工作人员采取流行病预防措施。
当得到预测发病指数后,判断预测发病指数是否大于预设阈值,其中,不同流行病的预设阈值可不一样,也可一样,本发明实施例对预设阈值的大小不做具体限制。若预测发病指数大于预设阈值,则生成告警信息,并发送告警信息给疾病控制中心系统。当疾病控制中心系统接收到告警信息后,输出该告警信息,根据该告警信息提示工作人员采取流行病预防措施。
进一步地,还可将告警信息发送给关联用户所持终端,以根据告警信息提示关联用户当前为流行病高发期,请采取预防措施,其中,关联用户可为该居住在该区域的用户。
进一步地,可预先存储预测发病指数处于不同发病等级对应的流行病预防措施,预测发病指数与发病等级之间的映射关系是预先设置好,如当预测发病指数在大于A,小于或者等于B时,预测发病指数对应的发病等级为低等级;当预测发病指数在大于B,小于或者等于C时,预测发病指数对应的发病等级为中等级;当预测发病指数在大于C时,预测发病指数对应的发病等级为高等级。当确定预测发病指数大于预设阈值时,基于预测发病指数与发病等级之间的映射关系确定预测发病指数对应的发病等级,根据发病等级生成告警信息,并将告警信息发送给疾病控制中心系统,此时,告警信息中含有与发病等级对应的流行病预防措施。
进一步地,流行病发病指数的预测方法还包括:
步骤d,若所述预测发病指数小于或者等于所述预设阈值,则发送提示信息给所述疾病控制中心系统,以供所述疾病控制中心系统输出所述提示信息,使所述工作人员获知当前流行病对应的预测发病指数。
若确定预测发病指数小于或者等于预设阈值,则生成提示信息,将提示信息发送给疾病控制中心系统。当疾病控制中心系统接收到提示信息后,输出该提示信息,使对应的工作人员获知当前流行病对应的预测发病指数。
本实施例通过在获取到与流行病相关的舆情数据和流行病数据后,通过流行病数据计算得到流行病发病指数,在舆情数据和流行病数据中提取目标特征数据,将目标特征数据和流行病发病指数输入机器学习模型和深度学习模型中,得到流行病对应的预测发病指数,并在预测发病指数大于预设阈值时,发送告警信息给疾病控制中心系统,以供疾病控制中心根据告警信息提示工作人员采取流行病预防措施,实现了自动预测流行病的发病指数,在发病指数较高时,及时发出告警信息,便于工作人员及时采取流行病预防措施,避免由于流行病发生严重的公共卫生事件。
进一步地,提出本发明流行病发病指数的预测方法第二实施例。
所述流行病发病指数的预测方法第二实施例与所述流行病发病指数的预测方法第一实施例的区别在于,所述将所述目标特征数据和流行病发病指数按照预设方式输入至预设的机器学习模型和深度学习模型中,以得到所述流行病对应的预测发病指数的步骤包括:
步骤e,将所述目标特征数据和流行病发病指数输入至预设的深度学习模型中,得到所述深度学习模型输出的第一预测发病指数和与所述第一预测发病指数对应的特征预测数据。
在得到目标特征数据和流行病发病指数后,将目标特征数据和流行病发病指数输入至预设的深度学习模型中,得到深度学习模型输出的,流行病对应的预测发病指数和与该预测发病指数对应的特征预测数据。可以理解的是,特征预测数据为与目标特征数据对应的数据,特征预测数据包括但不限于流行病样病例数和舆情数据。为了便于描述,在本实施例中,将深度学习模型输出的预测发病指数记为第一预测发病指数。
步骤f,将所述目标特征数据、所述流行病发病指数、所述第一预测发病指数和所述特征预测数据输入至预设的机器学习模型中,得到所述机器学习模型输出的第二预测发病指数,将所述第二预测发病指数作为所述流行病对应的预测发病指数。
当得到第一预测发病指数和特征预测数据后,将目标特征数据、流行病发病指数、第一预测发病指数和特征预测数据输入至预设的机器学习模型中,得到机器学习模型输出的预测发病指数,并将机器学习模型输出的预测发病指数记为第二预测发病指数。可以理解的是,第二预测发病指数即为流行病对应的预测发病指数。需要说明的是,机器学习模型也会输出与第二预测发病指数对应的特征预测数据。如将前一周对应的流行病指数和目标特征数据输入到深度学习模型中,得到下一周对应的第一预测发病指数和特征预测数据,然后将前一周对应的流行病指数和目标特征数据,以及下一周对应的第一预测发病指数和特征预测数据输入到机器学习模型中,得到下下周的第二预测发病指数和特征预测数据。
进一步地,在得到第一预测发病指数和特征预测数据后,也可只将第一预测发病指数和特征预测数据输入至机器学习模型中。
本实施例通过先将流行病指数和目标特征数据输入到深度学习模型中,然后再将深度学习模型的输出、流行病指数和目标特征数据输入到机器学习模型中,得到机器学习模型输出的流行病的预测发病指数,以预测较长时间内的流行病发病指数。
进一步地,提出本发明流行病发病指数的预测方法第三实施例。
所述流行病发病指数的预测方法第三实施例与所述流行病发病指数的预测方法第一或第二实施例的区别在于,所述对所述舆情数据和流行病数据进行清洗操作、集成操作、变换操作和/或规约操作,以在所述舆情数据和流行病数据中提取目标特征数据的步骤包括:
步骤h,对所述舆情数据和流行病数据进行清洗操作、集成操作、变换操作和/或规约操作,以得到预处理后的所述舆情数据和流行病数据。
当得到舆情数据和流行病数据后,对舆情数据和流行病数据进行清洗操作、集成操作、变换操作和/或规约操作,以得到预处理后的舆情数据和流行病数据。
步骤i,对预处理后的所述舆情数据和流行病数据进行特征处理,以在预处理后的所述舆情数据和流行病数据中提取到目标特征数据。
当得到预处理后的舆情数据和流行病数据后,对预处理后的舆情数据和流行病数据进行特征处理,以在预处理后的舆情数据和流行病数据中提取到目标特征数据。其中,对预处理后的舆情数据和流行病数据进行特征处理的方法包括但不限于过滤、包装和嵌入。具体地,过滤可采用Filter过滤法,Filter过滤法是按照发散性或者相关性对各个特征进行评分,设定阈值或者待选择阈值的个数,从而在预处理后的舆情数据和流行病数据选择出目标特征数据;包装可采用Wrapper包装法,Wrapper包装法是根据目标函数(通常是预测效果评分)在预处理后的舆情数据和流行病数据选择若干的目标特征数据,或者排除若干数据,得到目标特征数据;嵌入可采用Embedded嵌入法,Embedded嵌入法是先使用某些机器学习算法和模型进行训练,得到各个特征的权值系数,根据系数从大到小在预处理后的舆情数据和流行病数据中选择目标特征数据,类似于Filter过滤法,但是Embedded嵌入法是通过训练来确定数据的优劣,从而进行数据的选择。
本实施例通过对舆情数据和流行病数据进行清洗操作、集成操作、变换操作和/或规约操作,得到预处理后的舆情数据和流行病数据,对预处理后的舆情数据和流行病数据进行特征处理,在预处理后的舆情数据和流行病数据中提取到目标特征数据,以在所获取的舆情数据和流行病数据中提取到最能表明流行病特征的目标特征数据,降低了计算得到流行病对应预测发病指数的计算量,提高了计算得到流行病对应预测发病指数的计算效率。
此外,参照图2,本发明还提供一种日志规范化存储装置,所述日志规范化存储装置包括:
获取模块10,用于获取预设时长内与流行病相关的舆情数据和流行病数据;
计算模块20,用于将所述流行病数据中的流行病样病例数除以所述流行病数据中的门诊就诊总人数,得到流行病发病指数;
提取模块30,用于在所述舆情数据和流行病数据中提取目标特征数据;
输入模块40,用于将所述目标特征数据和流行病发病指数按照预设方式输入至预设的机器学习模型和深度学习模型中,以得到所述流行病对应的预测发病指数;
发送模块50,用于若所述预测发病指数大于预设阈值,则发送告警信息给疾病控制中心系统,以供所述疾病控制中心系统根据所述告警信息提示工作人员采取流行病预防措施。
进一步地,所述输入模块40包括:
输入单元,用于将所述目标特征数据和流行病发病指数分别输入至预设的机器学习模型和深度学习模型中,得到所述机器学习模型和深度学习模型对应的预测发病指数;
获取单元,用于获取所述机器学习模型和深度学习模型对应的权重;
计算单元,用于将所述预测发病指数乘以对应的权重后再相加,得到所述流行病对应的预测发病指数。
进一步地,所述输入模块40还用于将所述目标特征数据和流行病发病指数输入至预设的深度学习模型中,得到所述深度学习模型输出的第一预测发病指数和与所述第一预测发病指数对应的特征预测数据;将所述目标特征数据、所述流行病发病指数、所述第一预测发病指数和所述特征预测数据输入至预设的机器学习模型中,得到所述机器学习模型输出的第二预测发病指数,将所述第二预测发病指数作为所述流行病对应的预测发病指数。
进一步地,所述提取模块30还用于对所述舆情数据和流行病数据进行清洗操作、集成操作、变换操作和/或规约操作,以在所述舆情数据和流行病数据中提取目标特征数据。
进一步地,所述提取模块30还用于对所述舆情数据和流行病数据进行清洗操作、集成操作、变换操作和/或规约操作,以得到预处理后的所述舆情数据和流行病数据;对预处理后的所述舆情数据和流行病数据进行特征处理,以在预处理后的所述舆情数据和流行病数据中提取到目标特征数据。
进一步地,所述发送模块50还用于若所述预测发病指数小于或者等于所述预设阈值,则发送提示信息给所述疾病控制中心系统,以供所述疾病控制中心系统输出所述提示信息,使所述工作人员获知当前流行病对应的预测发病指数。
进一步地,所述机器学习模型为Xgboost模型,所述深度学习模型为长短期记忆网络LSTM模型。
需要说明的是,流行病发病指数的预测装置的各个实施例与上述流行病发病指数的预测方法的各实施例基本相同,在此不再详细赘述。
此外,本发明还提供一种流行病发病指数的预测设备。如图3所示,图3是本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是,图3即可为流行病发病指数的预测设备的硬件运行环境的结构示意图。本发明实施例流行病发病指数的预测设备可以是PC,便携计算机等终端设备。
如图3所示,该流行病发病指数的预测设备可以包括:处理器1001,例如CPU,存储器1005,用户接口1003,网络接口1004,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,流行病发病指数的预测设备还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。
本领域技术人员可以理解,图3中示出的流行病发病指数的预测设备结构并不构成对流行病发病指数的预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图3所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及流行病发病指数的预测程序。其中,操作系统是管理和控制流行病发病指数的预测设备硬件和软件资源的程序,支持流行病发病指数的预测程序以及其它软件或程序的运行。
在图3所示的流行病发病指数的预测设备中,用户接口1003可用于接收预测流行病发病指数的预测指令等;网络接口1004主要用于连接疾病控制中心系统和国家气象局等,与疾病控制中心系统和国家气象局等进行数据通信;处理器1001可以用于调用存储器1005中存储的流行病发病指数的预测程序,并执行如上所述的流行病发病指数的预测方法的步骤。
本发明流行病发病指数的预测设备具体实施方式与上述流行病发病指数的预测方法各实施例基本相同,在此不再赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有流行病发病指数的预测程序,所述流行病发病指数的预测程序被处理器执行时实现如上所述的流行病发病指数的预测方法的步骤。
本发明计算机可读存储介质具体实施方式与上述流行病发病指数的预测方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种流行病发病指数的预测方法,其特征在于,所述流行病发病指数的预测方法包括以下步骤:
获取预设时长内与流行病相关的舆情数据和流行病数据,并将所述流行病数据中的流行病样病例数除以所述流行病数据中的门诊就诊总人数,得到流行病发病指数;
在所述舆情数据和流行病数据中提取目标特征数据,并将所述目标特征数据和流行病发病指数按照预设方式输入至预设的机器学习模型和深度学习模型中,以得到所述流行病对应的预测发病指数;
若所述预测发病指数大于预设阈值,则发送告警信息给疾病控制中心系统,以供所述疾病控制中心系统根据所述告警信息提示工作人员采取流行病预防措施。
2.如权利要求1所述的流行病发病指数的预测方法,其特征在于,所述将所述目标特征数据和流行病发病指数按照预设方式输入至预设的机器学习模型和深度学习模型中,以得到所述流行病对应的预测发病指数的步骤包括:
将所述目标特征数据和流行病发病指数分别输入至预设的机器学习模型和深度学习模型中,得到所述机器学习模型和深度学习模型对应的预测发病指数;
获取所述机器学习模型和深度学习模型对应的权重,将所述预测发病指数乘以对应的权重后再相加,得到所述流行病对应的预测发病指数。
3.如权利要求1所述的流行病发病指数的预测方法,其特征在于,所述将所述目标特征数据和流行病发病指数按照预设方式输入至预设的机器学习模型和深度学习模型中,以得到所述流行病对应的预测发病指数的步骤包括:
将所述目标特征数据和流行病发病指数输入至预设的深度学习模型中,得到所述深度学习模型输出的第一预测发病指数和与所述第一预测发病指数对应的特征预测数据;
将所述目标特征数据、所述流行病发病指数、所述第一预测发病指数和所述特征预测数据输入至预设的机器学习模型中,得到所述机器学习模型输出的第二预测发病指数,将所述第二预测发病指数作为所述流行病对应的预测发病指数。
4.如权利要求1所述的流行病发病指数的预测方法,其特征在于,所述在所述舆情数据和流行病数据中提取目标特征数据的步骤包括:
对所述舆情数据和流行病数据进行清洗操作、集成操作、变换操作和/或规约操作,以在所述舆情数据和流行病数据中提取目标特征数据。
5.如权利要求4所述的流行病发病指数的预测方法,其特征在于,所述对所述舆情数据和流行病数据进行清洗操作、集成操作、变换操作和/或规约操作,以在所述舆情数据和流行病数据中提取目标特征数据的步骤包括:
对所述舆情数据和流行病数据进行清洗操作、集成操作、变换操作和/或规约操作,以得到预处理后的所述舆情数据和流行病数据;
对预处理后的所述舆情数据和流行病数据进行特征处理,以在预处理后的所述舆情数据和流行病数据中提取到目标特征数据。
6.如权利要求1所述的流行病发病指数的预测方法,其特征在于,所述将所述目标特征数据和所述流行病发病指数按照预设方式输入至预设的机器学习模型和深度学习模型中,以得到所述流行病对应的预测发病指数的步骤之后,还包括:
若所述预测发病指数小于或者等于所述预设阈值,则发送提示信息给所述疾病控制中心系统,以供所述疾病控制中心系统输出所述提示信息,使所述工作人员获知当前流行病对应的预测发病指数。
7.如权利要求1至6任一项所述的流行病发病指数的预测方法,其特征在于,所述机器学习模型为Xgboost模型,所述深度学习模型为长短期记忆网络LSTM模型。
8.一种流行病发病指数的预测装置,其特征在于,所述流行病发病指数的预测装置包括:
获取模块,用于获取预设时长内与流行病相关的舆情数据和流行病数据;
计算模块,用于将所述流行病数据中的流行病样病例数除以所述流行病数据中的门诊就诊总人数,得到流行病发病指数;
提取模块,用于在所述舆情数据和流行病数据中提取目标特征数据;
输入模块,用于将所述目标特征数据和流行病发病指数按照预设方式输入至预设的机器学习模型和深度学习模型中,以得到所述流行病对应的预测发病指数;
发送模块,用于若所述预测发病指数大于预设阈值,则发送告警信息给疾病控制中心系统,以供所述疾病控制中心系统根据所述告警信息提示工作人员采取流行病预防措施。
9.一种流行病发病指数的预测设备,其特征在于,所述流行病发病指数的预测设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的流行病发病指数的预测程序,所述流行病发病指数的预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的流行病发病指数的预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有流行病发病指数的预测程序,所述流行病发病指数的预测程序被处理器执行时实现如权利要求1至7中任一项所述的流行病发病指数的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910018205.5A CN109656918A (zh) | 2019-01-04 | 2019-01-04 | 流行病发病指数的预测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910018205.5A CN109656918A (zh) | 2019-01-04 | 2019-01-04 | 流行病发病指数的预测方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109656918A true CN109656918A (zh) | 2019-04-19 |
Family
ID=66119157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910018205.5A Pending CN109656918A (zh) | 2019-01-04 | 2019-01-04 | 流行病发病指数的预测方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109656918A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110047594A (zh) * | 2019-05-27 | 2019-07-23 | 北京气象在线科技有限公司 | 基于气象环境监测数据的呼吸系统疾病发病趋势预测方法 |
CN110379522A (zh) * | 2019-07-23 | 2019-10-25 | 四川骏逸富顿科技有限公司 | 一种疾病流行趋势预测系统及方法 |
CN110610767A (zh) * | 2019-08-01 | 2019-12-24 | 平安科技(深圳)有限公司 | 发病率监测方法、装置、设备及存储介质 |
CN110837970A (zh) * | 2019-11-11 | 2020-02-25 | 重庆亚德科技股份有限公司 | 一种区域卫生平台质控方法和系统 |
CN111128398A (zh) * | 2020-03-30 | 2020-05-08 | 广州地理研究所 | 一种基于人口迁徙大数据的流行病感染人数估算方法 |
CN111540477A (zh) * | 2020-04-20 | 2020-08-14 | 中国科学院地理科学与资源研究所 | 基于手机数据的呼吸道传染病密切接触者识别方法 |
CN111798991A (zh) * | 2020-07-09 | 2020-10-20 | 重庆邮电大学 | 基于lstm的新冠肺炎疫情群体态势预测方法 |
WO2020215671A1 (zh) * | 2019-08-19 | 2020-10-29 | 平安科技(深圳)有限公司 | 数据智能分析方法、装置、计算机设备及存储介质 |
CN112185566A (zh) * | 2020-10-14 | 2021-01-05 | 上海玺翎智能科技有限公司 | 一种基于机器学习预测预警感染性疾病就医人数突增的方法 |
CN112582074A (zh) * | 2020-11-02 | 2021-03-30 | 吉林大学 | 基于Bi-LSTM与TF-IDF的新冠疫情预测与分析方法 |
CN113257426A (zh) * | 2021-06-30 | 2021-08-13 | 杭州华网信息技术有限公司 | 一种聚集群体流感预测系统、存储介质和装置 |
WO2021159739A1 (zh) * | 2020-09-28 | 2021-08-19 | 平安科技(深圳)有限公司 | 疫情趋势预测方法、装置、电子设备及存储介质 |
US20210319905A1 (en) * | 2020-04-10 | 2021-10-14 | Fresenius Medical Care Holdings, Inc. | System for assessing and mitigating potential spread of infectious disease among dialysis patients |
CN113744888A (zh) * | 2021-09-02 | 2021-12-03 | 深圳万海思数字医疗有限公司 | 区域流行病趋势预测预警方法及系统 |
CN114566291A (zh) * | 2022-03-25 | 2022-05-31 | 医渡云(北京)技术有限公司 | 预测流行病传播周期的方法、装置、设备及可读介质 |
CN115631869A (zh) * | 2022-11-28 | 2023-01-20 | 北京理工大学 | 一种传染病预测模型的构建方法 |
CN117877753A (zh) * | 2024-03-12 | 2024-04-12 | 江南大学附属医院 | 基于多元数据的大流行病的监控方法、系统、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648829A (zh) * | 2018-04-11 | 2018-10-12 | 平安科技(深圳)有限公司 | 疾病预测方法及装置、计算机装置及可读存储介质 |
CN108764517A (zh) * | 2018-04-08 | 2018-11-06 | 中南大学 | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 |
CN109104441A (zh) * | 2018-10-24 | 2018-12-28 | 上海交通大学 | 一种基于深度学习的加密恶意流量的检测系统和方法 |
CN109119130A (zh) * | 2018-07-11 | 2019-01-01 | 上海夏先机电科技发展有限公司 | 一种基于云计算的大数据健康管理系统及方法 |
-
2019
- 2019-01-04 CN CN201910018205.5A patent/CN109656918A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764517A (zh) * | 2018-04-08 | 2018-11-06 | 中南大学 | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 |
CN108648829A (zh) * | 2018-04-11 | 2018-10-12 | 平安科技(深圳)有限公司 | 疾病预测方法及装置、计算机装置及可读存储介质 |
CN109119130A (zh) * | 2018-07-11 | 2019-01-01 | 上海夏先机电科技发展有限公司 | 一种基于云计算的大数据健康管理系统及方法 |
CN109104441A (zh) * | 2018-10-24 | 2018-12-28 | 上海交通大学 | 一种基于深度学习的加密恶意流量的检测系统和方法 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110047594A (zh) * | 2019-05-27 | 2019-07-23 | 北京气象在线科技有限公司 | 基于气象环境监测数据的呼吸系统疾病发病趋势预测方法 |
CN110379522A (zh) * | 2019-07-23 | 2019-10-25 | 四川骏逸富顿科技有限公司 | 一种疾病流行趋势预测系统及方法 |
CN110379522B (zh) * | 2019-07-23 | 2022-08-12 | 四川骏逸富顿科技有限公司 | 一种疾病流行趋势预测系统及方法 |
CN110610767A (zh) * | 2019-08-01 | 2019-12-24 | 平安科技(深圳)有限公司 | 发病率监测方法、装置、设备及存储介质 |
WO2021017733A1 (zh) * | 2019-08-01 | 2021-02-04 | 平安科技(深圳)有限公司 | 发病率监测方法、装置、设备存储介质 |
WO2020215671A1 (zh) * | 2019-08-19 | 2020-10-29 | 平安科技(深圳)有限公司 | 数据智能分析方法、装置、计算机设备及存储介质 |
CN110837970A (zh) * | 2019-11-11 | 2020-02-25 | 重庆亚德科技股份有限公司 | 一种区域卫生平台质控方法和系统 |
CN111128398B (zh) * | 2020-03-30 | 2020-08-14 | 广州地理研究所 | 一种基于人口迁徙大数据的流行病感染人数估算方法 |
CN111128398A (zh) * | 2020-03-30 | 2020-05-08 | 广州地理研究所 | 一种基于人口迁徙大数据的流行病感染人数估算方法 |
US20210319905A1 (en) * | 2020-04-10 | 2021-10-14 | Fresenius Medical Care Holdings, Inc. | System for assessing and mitigating potential spread of infectious disease among dialysis patients |
CN111540477A (zh) * | 2020-04-20 | 2020-08-14 | 中国科学院地理科学与资源研究所 | 基于手机数据的呼吸道传染病密切接触者识别方法 |
CN111798991A (zh) * | 2020-07-09 | 2020-10-20 | 重庆邮电大学 | 基于lstm的新冠肺炎疫情群体态势预测方法 |
CN111798991B (zh) * | 2020-07-09 | 2022-09-02 | 重庆邮电大学 | 基于lstm的新冠肺炎疫情群体态势预测方法 |
WO2021159739A1 (zh) * | 2020-09-28 | 2021-08-19 | 平安科技(深圳)有限公司 | 疫情趋势预测方法、装置、电子设备及存储介质 |
CN112185566A (zh) * | 2020-10-14 | 2021-01-05 | 上海玺翎智能科技有限公司 | 一种基于机器学习预测预警感染性疾病就医人数突增的方法 |
CN112185566B (zh) * | 2020-10-14 | 2021-08-13 | 上海玺翎智能科技有限公司 | 一种基于机器学习预测预警感染性疾病就医人数突增的方法 |
CN112582074A (zh) * | 2020-11-02 | 2021-03-30 | 吉林大学 | 基于Bi-LSTM与TF-IDF的新冠疫情预测与分析方法 |
CN112582074B (zh) * | 2020-11-02 | 2022-10-18 | 吉林大学 | 基于Bi-LSTM与TF-IDF的新冠疫情预测与分析方法 |
CN113257426A (zh) * | 2021-06-30 | 2021-08-13 | 杭州华网信息技术有限公司 | 一种聚集群体流感预测系统、存储介质和装置 |
CN113744888A (zh) * | 2021-09-02 | 2021-12-03 | 深圳万海思数字医疗有限公司 | 区域流行病趋势预测预警方法及系统 |
CN113744888B (zh) * | 2021-09-02 | 2023-09-22 | 深圳万海思数字医疗有限公司 | 区域流行病趋势预测预警方法及系统 |
CN114566291A (zh) * | 2022-03-25 | 2022-05-31 | 医渡云(北京)技术有限公司 | 预测流行病传播周期的方法、装置、设备及可读介质 |
CN115631869A (zh) * | 2022-11-28 | 2023-01-20 | 北京理工大学 | 一种传染病预测模型的构建方法 |
CN117877753A (zh) * | 2024-03-12 | 2024-04-12 | 江南大学附属医院 | 基于多元数据的大流行病的监控方法、系统、设备和介质 |
CN117877753B (zh) * | 2024-03-12 | 2024-05-17 | 江南大学附属医院 | 基于多元数据的大流行病的监控方法、系统、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109656918A (zh) | 流行病发病指数的预测方法、装置、设备及可读存储介质 | |
CN107547361B (zh) | 利用一个或者多个计算设备的方法、系统及可读介质 | |
CN107728874A (zh) | 提供用户快捷操作的方法、装置及设备 | |
CN111314173A (zh) | 监控信息异常的定位方法、装置、计算机设备及存储介质 | |
CN108428001B (zh) | 信用分值预测方法及装置 | |
CN108182633B (zh) | 贷款数据处理方法、装置、计算机设备和存储介质 | |
CN115171910A (zh) | 生成筛查模型、筛查传染病高风险感染人群的方法及系统 | |
CN116311539B (zh) | 基于毫米波的睡眠动作捕捉方法、装置、设备及存储介质 | |
CN107146160A (zh) | 投保客户健康状况分析方法及服务器 | |
CN109194689A (zh) | 异常行为识别方法、装置、服务器及存储介质 | |
CN112669188A (zh) | 危机事件预警模型构建、危机事件预警方法和电子设备 | |
CN114205690A (zh) | 流量预测、模型训练方法及装置、电子设备、存储介质 | |
CN115221396A (zh) | 基于人工智能的信息推荐方法、装置及电子设备 | |
CN106332054B (zh) | 数据迁移身份验证的方法及装置 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN113780666B (zh) | 一种缺失值的预测方法及装置、可读存储介质 | |
CN114400071B (zh) | 饮食数据管理方法、相关设备及介质 | |
CN110415779A (zh) | 保温措施有效性检测方法、装置、设备及存储介质 | |
CN113704256B (zh) | 数据识别方法、装置、电子设备及存储介质 | |
CN111815442B (zh) | 一种链接预测的方法、装置和电子设备 | |
CN113780457A (zh) | 中医资源消耗的异常检测方法、装置、设备及介质 | |
CN112016979A (zh) | 用户分群方法、装置、设备和计算机可读存储介质 | |
US11361866B2 (en) | Methods and apparatus for injury prediction based on machine learning techniques | |
CN113807403B (zh) | 模型训练的方法、装置、计算机设备及存储介质 | |
KR20120058417A (ko) | 문서 유사도 산출의 맞춤화 및 최적화에 기초한 기계 학습 방법 및 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |