CN110289098A - 一种基于临床检验和用药干预数据的风险预测方法 - Google Patents

一种基于临床检验和用药干预数据的风险预测方法 Download PDF

Info

Publication number
CN110289098A
CN110289098A CN201910411803.9A CN201910411803A CN110289098A CN 110289098 A CN110289098 A CN 110289098A CN 201910411803 A CN201910411803 A CN 201910411803A CN 110289098 A CN110289098 A CN 110289098A
Authority
CN
China
Prior art keywords
medication
data
individual
input
text
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.)
Granted
Application number
CN201910411803.9A
Other languages
English (en)
Other versions
CN110289098B (zh
Inventor
王嫄
卫雅珂
吴骎
杨浩
李经纬
王栋
孔娜
席呈帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University of Science and Technology
Original Assignee
Tianjin University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University of Science and Technology filed Critical Tianjin University of Science and Technology
Priority to CN201910411803.9A priority Critical patent/CN110289098B/zh
Publication of CN110289098A publication Critical patent/CN110289098A/zh
Application granted granted Critical
Publication of CN110289098B publication Critical patent/CN110289098B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于临床检验和用药干预数据的风险预测方法，包括从个体观察期内的临床检验数据中，选取始末节点进行向量化建模，得到输入向量x1；构建干预字典，计算用药干预的特征频率，对个体的用药干预数据进行向量化建模，得到输入向量x2；将输入向量x1和输入向量x2进行组合得到输入特征向量X；将输入特征向量X输入到预测模型中，拟合得到真实结果Y，对预测模型参数进行优化，获得最终预测模型；将个体数据输入已经过参数调整后的最终预测模型，输出模型预测结果本发明设计合理，其能够发掘不同用药干预的组合之间的联系以及用药干预的组合对个体状态的影响，其预测准确可靠，并且各评价指标都有所提高。

Description

一种基于临床检验和用药干预数据的风险预测方法
技术领域
本发明属于机器学习技术领域，尤其是一种基于临床检验和用药干预数据的风险预测方法。
背景技术
在医疗行业，风险预测会根据某个人群定义，针对某个预测目标，设定特定的时间窗口，包括做出预测的时间点和将要预测的时间窗口，预测目标的发生概率。
尽管传统的回归方法在风险预测方面有广泛的应用，但这些方法在预测准确度和模型可解释方面，都仍有提升的空间。近年来，在学习和归纳大量数据方面表现良好的机器学习算法利用大数据在预测人类活动、事件方面建立了许多预测结果非常理想的模型。
由于临床检测数据会受到用药干预等其他因素的影响，因此，如何将用药干扰数据和临床检测数据建立有效关系，发掘不同用药干预的组合之间的联系以及用药干预的组合对临床检测的影响是目前迫切需要解决的问题。
发明内容
本发明的目的在于克服现有技术的不足，提出一种设计合理且准确可靠的基于临床检验和用药干预数据的风险预测方法。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于临床检验和用药干预数据的风险预测方法，包括以下步骤：
步骤1、从个体观察期内的临床检验数据中，选取始末节点进行向量化建模，得到输入向量x1；
步骤2、利用个体观察期内的用药干预数据，构建干预字典；计算用药干预的特征频率，对个体的用药干预数据进行向量化建模，得到输入向量x2；
步骤3、将步骤1得到的输入向量x1和步骤2得到的输入向量x2进行组合，得到数据集的输入特征向量X；
步骤4、将数据集的输入特征向量X输入到预测模型中，拟合得到真实结果Y，对预测模型参数进行优化，获得参数调整后的最终预测模型；
步骤5、对于新的个体，将其建模为并输入到已经过参数调整后的最终预测模型，输出模型预测结果。
所述步骤1的具体实现方法为：取个体检测开始起至预测日期之间的时间段作为观察窗口，分别取观察窗口起始时的临床检验数据和窗口结束时的临床检验数据作为输入的特征值x1，对于窗口起始时缺失数据的临床检验项目，选用后一临近时间节点的数据进行填充；对于窗口结束时缺失数据的临床检验项目，选用前一临近时间节点的数据进行填充；如果一个样本的某个临床检验项目在整个观察窗口内的数据均缺失，则用整个个体队列该临床检验项目的均值进行填充。
所述步骤2的具体处理方法为：将个体一日的用药干预的组合看作一个“词”，个体在观察窗口内所使用的“词”看作一个“词”的序列，该序列为一个文本；利用数据集中所有的文本构建干预字典；使用TF-IDF方法，计算用药干预的特征频率；对于一个样本，在观察窗口内所使用的“词”形成一个文本，对该文本利用用药干预的特征频率进行向量化建模，构建一个维度为“干预词典”容量的向量，该向量作为输入的一组特征向量x2。
所述TF-IDF方法的实现方法为：
设TF为文本中各个词的词频，IDF为逆文本频率，其计算公式为：
其中，N为文本库中文本的总数，N(x)为文本库中包含词x的文本总数；IDF平滑后的公式为：
因此，某个词的TF-IDF值为：
TF-IDF(x)＝TF(x)*IDF(x)。
所述步骤4的预测模型是多棵决策树的集合，其生成方法为：
定义：为第M棵决策树，M为决策树的数目，Θm是决策树的参数，fM(x)是当前M棵决策树的预测结果；
定义损失函数为L＝l(y，f(x))，其形式为：
yi为真实值，f(xi)为预测值；
初始时：f0(x)＝0
有一棵决策树时：f1(x)＝f0(x)+T(x；Θ1)；
有m棵决策树时：fm(x)＝fm-1(x)+T(x；Θm)；
将fm(x)的表达式代入损失函数L＝l(y，f(x))，得到含决策树参数Θm的损失函数表达式，Θm的表达式如下：
所述预测模型参数包括决策树数目和决策树最大深度。
本发明的优点和积极效果是：
1、本发明利用构建干预字典的方法对个体用药干预数据进行建模：将个体单日的用药干预的组合看作一个“词”，个体在观察窗口内所使用的“词”看作一个“词”的序列，即一个文本。利用数据集中所有的文本构建干预字典，使用TF-IDF方法，计算用药干预的特征频率，对个体的用药干预数据进行向量化建模，得到与“干预字典”维度一致的特征。这种建模方式相比传统的将单一的用药干预作为特征的建模方式而言，能够发掘不同用药干预的组合之间的联系以及用药干预的组合对个体状态的影响，其预测准确可靠，并且各评价指标都有所提高。
2、本发明利用梯度提升算法构建预测模型，实验结果在AUC指标和Accuracy指标等多个评价指标上表现良好，解决了传统的逻辑回归模型在风险预测的应用中准确率低、无法挖掘用药干预的组合对个体状态的影响等缺陷，提高了预测的准确性。
附图说明
图1是本发明的处理流程图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
一种基于临床检验和用药干预数据的风险预测方法，如图1所示，包括以下步骤：
步骤1、从个体观察期内的临床检验数据中选取始末节点进行向量化建模，得到输入向量x1。
在步骤1中，取个体自进入ICU起至预测日期之间的时间段为观察窗口，分别取窗口起始时个体的临床检验数据和窗口结束时个体的临床检验数据作为输入的特征值x1。对于窗口起始时缺失数据的临床检验项目，选用后一临近时间节点的数据进行填充；对于窗口结束时缺失数据的临床检验项目，选用前一临近时间节点的数据进行填充。若某一样本的某个临床检验项目在整个观察窗口内的数据均缺失，则用整个个体队列该临床检验项目的均值进行填充。
步骤2、利用个体观察期内用药干预数据，构建干预字典，使用TF-IDF方法，计算用药干预的特征频率，对个体的用药干预数据进行向量化建模，得到输入向量x2；
在步骤2中，对个体的用药干预数据的处理采用了如下方法：将个体一日的用药干预的组合看作一个“词”，个体在观察窗口内所使用的“词”看作一个“词”的序列，即一个文本。利用数据集中所有的文本构建干预字典，使用TF-IDF方法，计算用药干预的特征频率。对于某一样本而言，在观察窗口内所使用的“词”形成一个文本。对该文本利用用药干预的特征频率进行向量化建模，构建一个维度为“干预词典”容量的向量。该向量作为输入的一组特征值x2。
TF-IDF方法中，TF即文本中各个词的词频，IDF为逆文本频率，基本公式如下：
其中，N为文本库中文本的总数，N(x)为文本库中包含词x的文本总数。如果某一个生僻词在文本库中缺失，分母为0，IDF便没有意义。因此常用的IDF平滑后的公式为：
因此，某个词的TF-IDF值为：
TF-IDF(x)＝TF(x)*IDF(x)
经过TF-IDF处理后，便可以根据词的TF-IDF值对个体的用药干预数据进行向量化建模，构建一个维度为“干预词典”容量的向量。该向量作为输入的一组特征值x2。
试举例如下，现有文本库：
I come from Chengdu.
I am a girl.
My major is computer science.
Today is a sunny day.
经过上述处理，可得到各个文本的各个词的TF-IDF值如下：
步骤3、将步骤1得到的输入向量x1和步骤2得到的输入向量x2进行组合，得到完整的数据集的输入特征向量X。
步骤4、将步骤3得到的数据集的输入特征X输入到预测模型中，拟合得到真实结果Y，对预测模型参数进行优化，获得参数调整后的最终预测模型。
在本步骤中，将数据集的输入特征X输入到预测模型。本发明的预测模型采用梯度提升的算法。
由于单棵决策树为一个弱学习器，其预测效果有限，难以得到令人满意的结果，因此，直观的提升方法就是训练第二棵决策树去学习输入特征到残差的映射，即第一个决策树的预测输出与真实结果的差距，最终把两个决策树的预测结果相加得到最终的预测结果。
当然，两棵决策树通常情况下也无法做到完美，因此上述过程可以迭代下去。
定义为第M棵决策树，M为决策树的数目，Θm是决策树的参数，fM(x)是当前M棵决策树结果的加和，即M棵决策树的预测结果。
定义损失函数为L＝l(y，f(x))，L可有多种形式，本发明所采用的损失函数logistic损失函数，其形式为：
yi为真实值，f(xi)为预测值。
初始时：f0(x)＝0
有一棵决策树时：f1(x)＝f0(x)+T(x；Θ1)
迭代可得，有m棵决策树时：fm(x)＝fm-1(x)+T(x；Θm)
将fm(x)的表达式代入损失函数L＝l(y，f(x))，得到含决策树参数Θm的损失函数表达式，我们引入新的决策树的目的是提高预测的准确度，也就是减少预测值与真实值之间的距离，因此，Θm的值需使得损失函数L的值最小，由此可得Θm的表达式如下：
本发明所使用的预测模型即是这些决策树的集合。通过将数据集的输入特征X输入模型，拟合真实结果Y，根据预测结果的情况，对决策树数目、决策树最大深度等预测模型参数进行优化调整，最终得到优化后的预测模型。
步骤5、对于新的个体，将其建模为并输入到已经过参数调整后的最终预测模型，输出模型预测结果也就是风险预测结果。
要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (6)

1.一种基于临床检验和用药干预数据的风险预测方法，其特征在于包括以下步骤：
步骤1、从个体观察期内的临床检验数据中，选取始末节点进行向量化建模，得到输入向量x1；
步骤2、利用个体观察期内的用药干预数据，构建干预字典；计算用药干预的特征频率，对个体的用药干预数据进行向量化建模，得到输入向量x2；
步骤3、将步骤1得到的输入向量x1和步骤2得到的输入向量x2进行组合，得到数据集的输入特征向量X；
步骤4、将数据集的输入特征向量X输入到预测模型中，拟合得到真实结果Y，对预测模型参数进行优化，获得参数调整后的最终预测模型；
步骤5、对于新的个体，将其建模为并输入到已经过参数调整后的最终预测模型，输出模型预测结果
2.根据权利要求1所述的一种基于临床检验和用药干预数据的风险预测方法，其特征在于：所述步骤1的具体实现方法为：取个体检测开始起至预测日期之间的时间段作为观察窗口，分别取观察窗口起始时的临床检验数据和窗口结束时的临床检验数据作为输入的特征值x1，对于窗口起始时缺失数据的临床检验项目，选用后一临近时间节点的数据进行填充；对于窗口结束时缺失数据的临床检验项目，选用前一临近时间节点的数据进行填充；如果一个样本的某个临床检验项目在整个观察窗口内的数据均缺失，则用整个个体队列该临床检验项目的均值进行填充。
3.根据权利要求1所述的一种基于临床检验和用药干预数据的风险预测方法，其特征在于：所述步骤2的具体处理方法为：将个体一日的用药干预的组合看作一个“词”，个体在观察窗口内所使用的“词”看作一个“词”的序列，该序列为一个文本；利用数据集中所有的文本构建干预字典；使用TF-IDF方法，计算用药干预的特征频率；对于一个样本，在观察窗口内所使用的“词”形成一个文本，对该文本利用用药干预的特征频率进行向量化建模，构建一个维度为“干预词典”容量的向量，该向量作为输入的一组特征向量x2。
4.根据权利要求3所述的一种基于临床检验和用药干预数据的风险预测方法，其特征在于：所述TF-IDF方法的实现方法为：
设TF为文本中各个词的词频，IDF为逆文本频率，其计算公式为：
其中，N为文本库中文本的总数，N(x)为文本库中包含词x的文本总数；IDF平滑后的公式为：
因此，某个词的TF-IDF值为：
TF-IDF(x)＝TF(x)*IDF(x)。
5.根据权利要求1所述的一种基于临床检验和用药干预数据的风险预测方法，其特征在于：所述步骤4的预测模型是多棵决策树的集合，其生成方法为：
定义：为第M棵决策树，M为决策树的数目，Θm是决策树的参数，fM(x)是当前M棵决策树的预测结果；
定义损失函数为L＝l(y，f(x))，其形式为：
yi为真实值，f(xi)为预测值；
初始时：f0(x)＝0
有一棵决策树时：f1(x)＝f0(x)+T(x；Θ1)；
有m棵决策树时：fm(x)＝fm-1(x)+T(x；Θm)；
将fm(x)的表达式代入损失函数L＝l(y，f(x))，得到含决策树参数Θm的损失函数表达式，Θm的表达式如下：
6.根据权利要求1所述的一种基于临床检验和用药干预数据的风险预测方法，其特征在于：所述预测模型参数包括决策树数目和决策树最大深度。
CN201910411803.9A 2019-05-17 2019-05-17 一种基于临床检验和用药干预数据的风险预测方法 Active CN110289098B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910411803.9A CN110289098B (zh) 2019-05-17 2019-05-17 一种基于临床检验和用药干预数据的风险预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910411803.9A CN110289098B (zh) 2019-05-17 2019-05-17 一种基于临床检验和用药干预数据的风险预测方法

Publications (2)

Publication Number Publication Date
CN110289098A true CN110289098A (zh) 2019-09-27
CN110289098B CN110289098B (zh) 2022-11-25

Family

ID=68002085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910411803.9A Active CN110289098B (zh) 2019-05-17 2019-05-17 一种基于临床检验和用药干预数据的风险预测方法

Country Status (1)

Country Link
CN (1) CN110289098B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111554373A (zh) * 2020-05-06 2020-08-18 杭州市妇产科医院 基于检验和检查的妇女用药方法及风险评估病历系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512477A (zh) * 2015-12-03 2016-04-20 万达信息股份有限公司 基于降维组合分类算法非计划性再入院风险评估预测模型
CN106874663A (zh) * 2017-01-26 2017-06-20 中电科软件信息服务有限公司 心脑血管疾病风险预测方法及系统
CN107292528A (zh) * 2017-06-30 2017-10-24 阿里巴巴集团控股有限公司 车险风险预测方法、装置及服务器
CN107341345A (zh) * 2017-06-22 2017-11-10 厦门大学 一种基于电子病历大数据的临床合理用药风险评估方法
CN108199951A (zh) * 2018-01-04 2018-06-22 焦点科技股份有限公司 一种基于多算法融合模型的垃圾邮件过滤方法
CN108665175A (zh) * 2018-05-16 2018-10-16 阿里巴巴集团控股有限公司 一种保险业务风险预测的处理方法、装置及处理设备
CN108665159A (zh) * 2018-05-09 2018-10-16 深圳壹账通智能科技有限公司 一种风险评估方法、装置、终端设备及存储介质
CN109117482A (zh) * 2018-09-17 2019-01-01 武汉大学 一种面向中文文本情感倾向性检测的对抗样本生成方法
CN109739986A (zh) * 2018-12-28 2019-05-10 合肥工业大学 一种基于深度集成学习的投诉短文本分类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512477A (zh) * 2015-12-03 2016-04-20 万达信息股份有限公司 基于降维组合分类算法非计划性再入院风险评估预测模型
CN106874663A (zh) * 2017-01-26 2017-06-20 中电科软件信息服务有限公司 心脑血管疾病风险预测方法及系统
CN107341345A (zh) * 2017-06-22 2017-11-10 厦门大学 一种基于电子病历大数据的临床合理用药风险评估方法
CN107292528A (zh) * 2017-06-30 2017-10-24 阿里巴巴集团控股有限公司 车险风险预测方法、装置及服务器
CN108199951A (zh) * 2018-01-04 2018-06-22 焦点科技股份有限公司 一种基于多算法融合模型的垃圾邮件过滤方法
CN108665159A (zh) * 2018-05-09 2018-10-16 深圳壹账通智能科技有限公司 一种风险评估方法、装置、终端设备及存储介质
CN108665175A (zh) * 2018-05-16 2018-10-16 阿里巴巴集团控股有限公司 一种保险业务风险预测的处理方法、装置及处理设备
CN109117482A (zh) * 2018-09-17 2019-01-01 武汉大学 一种面向中文文本情感倾向性检测的对抗样本生成方法
CN109739986A (zh) * 2018-12-28 2019-05-10 合肥工业大学 一种基于深度集成学习的投诉短文本分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
汤雨欢等: "基于用户命令序列的伪装入侵检测", 《通信技术》 *
金之钧等: "《区带与圈闭定量评价新方法》", 28 February 2019 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111554373A (zh) * 2020-05-06 2020-08-18 杭州市妇产科医院 基于检验和检查的妇女用药方法及风险评估病历系统

Also Published As

Publication number Publication date
CN110289098B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN109272146B (zh) 一种基于深度学习模型和bp神经网络校正的洪水预测方法
US20230102815A1 (en) Turbulence field update method and apparatus, and related device thereof
WO2021000556A1 (zh) 一种工业设备剩余有效寿命预测方法、系统及电子设备
CN109165664A (zh) 一种基于生成对抗网络的属性缺失数据集补全与预测方法
Banks et al. An application of hierarchical Bayesian modeling to better constrain the chronologies of Upper Paleolithic archaeological cultures in France between ca. 32,000–21,000 calibrated years before present
Gagnaire-Renou et al. On weakly turbulent scaling of wind sea in simulations of fetch-limited growth
CN107038292A (zh) 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法
CN109902203A (zh) 基于边的随机游走的网络表示学习方法和装置
CN108399430B (zh) 一种基于超像素和随机森林的sar图像舰船目标检测方法
CN113688869B (zh) 一种基于生成对抗网络的光伏数据缺失重构方法
CN109614495A (zh) 一种结合知识图谱和文本信息的相关公司挖掘方法
WO2022241932A1 (zh) 一种基于非侵入式注意力预处理过程与BiLSTM模型的预测方法
CN112860904B (zh) 一种融入外部知识的生物医疗关系抽取方法
CN109902805A (zh) 自适应样本合成的深度度量学习及装置
CN110188875A (zh) 一种小样本数据预测方法及装置
Chen et al. Computational prediction of flow around highly loaded compressor-cascade blades with non-linear eddy-viscosity models
CN110289098A (zh) 一种基于临床检验和用药干预数据的风险预测方法
CN107622144A (zh) 基于序贯方法的区间不确定性条件下多学科可靠性优化设计方法
CN107276093B (zh) 基于场景削减的电力系统概率潮流计算方法
CN111753423B (zh) 一种基于XGBoost的井间动态连通性量化方法
CN109669414B (zh) 一种基于自相关特征分解的动态过程监测方法
CN112837739B (zh) 基于自编码器与蒙特卡洛树的层次化特征系统发育模型
CN113869350B (zh) 基于空间特征差异的海流预测方法以及系统
CN110826182B (zh) 基于顶点法和序贯优化策略的飞行器结构气动弹性设计法
CN113886992A (zh) 一种基于多保真度数据的数字孪生建模方法

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
GR01 Patent grant
GR01 Patent grant