CN111048214A - 外来畜禽疫病传播态势的预警方法及装置 - Google Patents

外来畜禽疫病传播态势的预警方法及装置 Download PDF

Info

Publication number
CN111048214A
CN111048214A CN201911095949.3A CN201911095949A CN111048214A CN 111048214 A CN111048214 A CN 111048214A CN 201911095949 A CN201911095949 A CN 201911095949A CN 111048214 A CN111048214 A CN 111048214A
Authority
CN
China
Prior art keywords
poultry
livestock
predicted
disease
probability
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
Application number
CN201911095949.3A
Other languages
English (en)
Inventor
陈涛
张晶尧
王向东
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.)
United Electronics Co ltd
Original Assignee
United Electronics Co ltd
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 United Electronics Co ltd filed Critical United Electronics Co ltd
Priority to CN201911095949.3A priority Critical patent/CN111048214A/zh
Publication of CN111048214A publication Critical patent/CN111048214A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种外来畜禽疫病传播态势的预警方法及装置。具体的，所述预警方法包括：获取外来畜禽的检疫数据，基于所述检疫数据，得到待预测疫病的特征数据；通过患病概率模型，根据所述待预测疫病的特征数据确定外来畜禽的待预测疫病的患病概率；其中，患病概率模型通过历史外来畜禽的检疫数据训练得到；基于预设概率以及所述外来畜禽的待预测疫病的患病概率，得到同种所述外来畜禽的待预测疫病的群体风险系数；根据分级预警条件，基于待预测疫病的特征数据、所述群体风险系数确定整批外来畜禽的风险等级，根据所述风险等级，确定预警方案并进行推送。通过本发明的预警方法及装置，能够对外来畜禽疫病的传播态势进行有效的预测预警。

Description

外来畜禽疫病传播态势的预警方法及装置
技术领域
本发明涉及疫病预警技术领域，特别是指一种外来畜禽疫病传播态势的预警方法及装置。
背景技术
当今世界动物疫情疫病形势复杂且严峻，而我国从发达国家进口畜禽的行为却日益频繁，因此如何对进境动物进行有效的疫情监控及检疫是畜禽进口工作的重点关注内容。目前进口动物在流入我国前需进行农场检疫、隔离检疫，筛查动物疫病，扑杀阳性动物等。然而，传统的畜禽疫病检疫工作需投入大量的人力物力，且并不能对患病畜禽及相关疫病疫情进行有效的预防预警。
发明内容
有鉴于此，本发明的目的在于提出一种外来畜禽疫病传播态势的预警方法，能够对外来畜禽疫病的传播态势进行有效的预测预警。
基于上述目的本发明提供的一种外来畜禽疫病传播态势的预警方法，包括：
获取外来畜禽的检疫数据，基于所述检疫数据，得到待预测疫病的特征数据；
通过患病概率模型，根据所述待预测疫病的特征数据确定所述外来畜禽的待预测疫病的患病概率；其中，所述患病概率模型通过历史外来畜禽的检疫数据训练得到；
基于预设概率以及所述外来畜禽的待预测疫病的患病概率，得到同种所述外来畜禽的待预测疫病的群体风险系数；
根据分级预警条件，基于所述待预测疫病的特征数据、所述群体风险系数确定整批所述外来畜禽的风险等级；
根据所述风险等级，确定预警方案并进行推送。
进一步的，还包括：
获取历史外来畜禽的检疫数据，基于所述历史外来畜禽的检疫数据构建原始特征样本集；
基于所述原始特征样本集，通过机器学习算法，构建并训练得到所述患病概率模型。
进一步的，所述基于所述历史外来畜禽的检疫数据构建原始特征样本集的步骤，包括：
对所述历史外来畜禽的检疫数据预处理得到原始特征数据；
统计所述原始特征数据中的患病样本数量；
根据所述患病样本数量，选择匹配的过采样方法；
基于匹配的过采样方法，得到患病样本和非患病样本比例均衡的原始特征样本。
进一步的，所述基于所述原始特征样本集，通过机器学习算法，构建并训练得到所述患病概率模型的步骤，包括：
根据所述原始特征样本集，利用特征工程得到特征样本集；
按比例将所述特征样本集划分为训练集和测试集；
采用多种机器学习算法，基于所述训练集，分别构建并训练得到多个初步患病概率模型；
将所述训练集划分为训练部分和测试部分，利用所述训练部分和所述测试部分，交叉验证所述多个初步患病概率模型并择优；
对择优得到的初步患病概率模型进行再训练优化，得到所述患病概率模型。
进一步的，所述多种机器学习算法包括逻辑回归、支持向量机、随机森林、梯度下降树、极端随机树、感知机和深度神经网络。
进一步的，当采用随机森林时，利用网络搜索同时修改多个参数，获取所述患病概率模型的最优拟合值。
进一步的，所述基于预设概率以及所述外来畜禽的待预测疫病的患病概率，得到同种所述外来畜禽的待预测疫病的群体风险系数的步骤，包括：
比较所述外来畜禽的待预测疫病的患病概率和所述预设概率的大小，若所述外来畜禽的待预测疫病的患病概率大于等于所述预设概率，则判断所述外来畜禽的待预测疫病是阳性；
统计同种所述外来畜禽的待预测疫病为阳性的数量，计算阳性的数量在同批同种所述外来畜禽总量中的比例，即为群体风险系数。
进一步的，所述分级预警条件包括整群淘汰标准和四分位点标准；
所述根据分级预警条件，基于所述待预测疫病的特征数据、所述群体风险系数确定整批所述外来畜禽的风险等级的步骤，包括：
将所述待预测疫病的特征数据匹配对应品种畜禽的整群淘汰标准，若符合所述整群淘汰标准，则确定该品种外来畜禽的风险等级为极高；
若不符合所述整群淘汰标准，比较所述群体风险系数和对应品种的四分位点标准，确定该品种外来畜禽的风险等级。
进一步的，包括：
当整批所述外来畜禽包括多个品种时，分别确定每个品种外来畜禽的风险等级，取最高者作为整批所述外来畜禽的风险等级。
本发明实施例的第二个方面，提供了一种外来畜禽疫病传播态势的预警装置，包括：
特征采集模块，用于获取外来畜禽的检疫数据，基于所述检疫数据，得到待预测疫病的特征数据；
患病概率预测模块，用于通过患病概率模型，根据所述待预测疫病的特征数据确定所述外来畜禽的待预测疫病的患病概率；其中，所述患病概率模型通过历史外来畜禽的检疫数据训练得到；
群体风险系数模块，用于基于预设概率以及所述外来畜禽的待预测疫病的患病概率，得到同种所述外来畜禽的待预测疫病的群体风险系数；
风险预测模块，用于根据分级预警条件，基于所述待预测疫病的特征数据、所述群体风险系数确定整批所述外来畜禽的风险等级；
预警模块，用于根据所述风险等级，确定预警方案并进行推送。
本发明实施例的第三个方面，提供了一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器连接的存储器；其中，
所述存储器存储可被所述一个处理器执行指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如前述任意一项所述的预警方法。
从上面所述可以看出，本发明实施例提供的外来畜禽的传播态势的预警方法及装置，基于检疫数据得到待预测疫病的特征数据，利用所述特征数据，通过患病概率模型预测所述外来畜禽的待预测疫病的患病概率，实现对外来畜禽的患病概率进行有效的预测；基于所述患病概率得到待预测疫病的群体风险系数；根据分级预警条件，基于所述待预测疫病的特征数据、所述群体风险系数确定整批所述外来畜禽的风险等级，根据所述风险等级，确定预警方案并进行推送，实现对外来畜禽的疫病的精准、高效预测预警，为畜禽进口、养殖、隔离运输等过程中疫病的检测、预防和监测提供依据，解决现有技术中进境畜禽检疫过程中无法及时预测预警可能的疫病发生的问题。
特别是，所述患病概率模型通过历史外来畜禽的检疫数据训练得到，充分挖掘历史上检疫数据和疫病之间的潜在联系和相关性，进而实现利用检疫数据，精准、高效预测外来畜禽疫病的患病概率，有效降低畜禽检疫过程中存在的漏检情况带来的风险。
附图说明
图1为本发明实施例提供的一种外来畜禽疫病的传播态势的预警方法的流程示意图；
图2为本发明实施例提供的一种构建并训练得到患病概率模型的流程示意图；
图3为本发明提供的原始特征样本集的一个实施例的流程示意图；
图4为本发明提供的确定所述外来畜禽的风险等级的一个实施例的流程示意图；
图5为本发明提供的外来畜禽疫病的传播态势的预警装置的一个实施例的结构示意图；
图6为本发明提供的电子设备的一个实施例的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
虽然我国对外来畜禽投入大量的人力物力进行检疫，但是仍无法对疫病疫情进行有针对性的预测。鉴于此，本发明将畜禽业的信息化数据和动物疫病可追溯体系与大数据、机器学习技术相结合，通过大数据的手段对进境畜禽进行相关疫病的监测和预警。
基于上述目的，本发明实施例的第一个方面，提出了一种外来畜禽疫病的传播态势的预警方法的一个实施例。如图1所示，为本发明提供的外来许畜禽疫病的传播态势的预测方的一个实施例的流程示意图。
所述外来畜禽疫病的传播态势的预警方法，包括：
步骤101：获取外来畜禽的检疫数据，基于所述检疫数据，得到待预测疫病的特征数据。
这里，所述检疫数据包括但不限于生活环境、饲养条件、隔离检疫信息、气象信息、运输信息。应当理解的，畜禽业信息化的发展及动物疫病可追溯体系的建立为所述检疫数据的获取奠定了基础，每一外来畜禽均具有独立的ID，外来畜禽的所有检疫数据均与所述独立的ID相对应，使得能够方便的获取外来畜禽的检疫数据。
可以理解的，所述待预测疫病的特征数据是指所述检疫数据中与待预测疫病相关的数据，其与用于训练患病概率模型的特征样本集相对应，与特征样本集中数据的区别在于不包括待预测疫病的患病情况。
步骤102：通过患病概率模型，根据所述待预测疫病的特征数据确定所述外来畜禽的待预测疫病的患病概率；其中，所述患病概率模型通过历史外来畜禽的检疫数据训练得到。
需要说明的是，一个所述患病概率模型可以用于一种疫病的患病概率的预测，此时，用于训练所述患病概率模型的历史外来畜禽的检疫数据针对该种疫病筛选。
可选的，重复步骤101和步骤102，利用多个所述患病概率模型，可以分别对多个对应的疫病进行患病概率的预测。
步骤103：基于预设概率以及所述外来畜禽的待预测疫病的患病概率，得到同种所述外来畜禽的待预测疫病的群体风险系数。
步骤104：根据分级预警条件，基于所述待预测疫病的特征数据、所述群体风险系数确定整批所述外来畜禽的风险等级。
应该理解的，所述分级预警条件根据疫病的传播特点、海关的有关规定等设置。本领域技术人员能够理解，所述分级预警条件可以根据情况调整，例如海关更改相关规定。
步骤105：根据所述风险等级，确定预警方案并进行推送。
需要说明的是，所述风险等级包括极高、较高风险，存在一定风险，有风险和较低风险。对于不同的风险等级，可以确定不同的预警方案。例如，极高风险，预警方案是淘汰整批所述外来畜禽；较高风险，对该批外来畜禽进行重点防疫，还可以针对该批外来畜禽的来源地等信息，提示后续进行重点关注；对于较低风险，仅推送风险等级，无需特别处理。
对于推送的对象，根据预警方案的内容进行选择，例如，如果需要淘汰整批所述外来畜禽，则可以推送给海关、隔离场、进口人等；需要重点防疫，可以推送给有关部门等。
从上述实施例可以看出，本发明实施例提供的外来畜禽疫病的传播态势的预警方法，基于检疫数据得到待预测疫病的特征数据，利用所述特征数据，通过患病概率模型预测所述外来畜禽的待预测疫病的患病概率，实现对外来畜禽的患病概率进行有效的预测；基于所述患病概率得到待预测疫病的群体风险系数；根据分级预警条件，基于所述待预测疫病的特征数据、所述群体风险系数确定整批所述外来畜禽的风险等级，根据所述风险等级，确定预警方案并进行推送，实现对整批外来畜禽的疫病的精准、高效预测预警，为畜禽进口、养殖、隔离运输等过程中疫病的检测、预防和监测提供依据，解决现有技术中进境畜禽检疫过程中无法及时预测预警可能的疫病发生的问题。特别是，所述患病概率模型通过历史外来畜禽的检疫数据训练得到，充分挖掘历史上检疫数据和疫病之间的潜在联系和相关性，进而实现利用检疫数据，精准、高效预测外来畜禽疫病的患病概率，有效降低畜禽检疫过程中存在的漏检情况带来的风险。
本发明实施例的技术方案，可以针对不同的疫病对可能患病的畜禽做出有效的预测预警，为进境畜禽的疫病检测工作提供辅助，更加有效的推动动物疫病防控工作的完善，使进境畜禽疫病检疫工作更精准、高效；此外，通过传播态势的预警方法，对疫病进行有效的预测，能够在一定程度上避免带病畜禽的入侵，进而避免疫情的传染和爆发。
如图2所示，在本发明的一些实施例中，还包括：
步骤201：获取历史外来畜禽的检疫数据，基于所述历史外来畜禽的检疫数据构建原始特征样本集。
所述历史外来畜禽的检疫数据包括但不限于农场检疫数据、隔离场检疫数据、运输工具检疫数据、运输在途数据、气象数据及全球的疫情爆发数据。
应当明确的是，针对不同的动物种类及疫病种类，其中的患病样本和非患病样本的比例不尽相同，个别疫病负样本极少，因此根据检疫数据的特点，采用适当的取样方式，得到患病样本和非患病样本比例均衡的原始特征样本集，能够有效保证患病概率模型的精确性。这里，当所述患病概率模型针对A疫病时，本领域技术人员能够理解，即便畜禽患有B疫病，对于A疫病，其仍属于非患病样本。
步骤202：基于所述原始特征样本集，通过机器学习算法，构建并训练得到所述患病概率模型。
可选的，所述机器学习算法包括但不限于逻辑回归(Logistic Regression)、支持向量机(SVM)、随机森林(Random Forest)、梯度下降树(GBDT)、极端随机树(Extra trees)、感知机(Perceptron)、深度神经网络(DNN)。
应当理解的，所述原始特征样本集的不同，将得到不同的所述患病概率模型。例如，所述原始特征样本集针对牛的某一种疫病，则得到的所述患病概率模型适用于牛的该种疫病的预测。为了得到不同畜禽不同疫病对应的患病概率模型，只需获取不同畜禽，不同疫病对应的原始特征样本集即可。
通过这样的技术方案，基于大数据、利用机器学习算法，分别研究挖掘所述检疫数据内的潜在联系和相关性，实现对各疫病及各种类外来畜禽分别进行模型构建，在确定单只畜禽的某疫病患病概率时，只需选择对应的患病概率模型即可，简单、方便。
如图3所示，在本发明的一些实施例中，所述基于所述历史外来畜禽的检疫数据构建原始特征样本集的步骤，包括：
步骤301：对所述历史外来畜禽的检疫数据预处理得到原始特征数据。
对所述检疫数据进行预处理，例如可以是：利用独热编码(One-hot)方法，对所述检疫数据中的分类值进行转换，解决了分类器不好处理属性数据的问题，同时在一定程度上也起到了扩充特征维度的作用；又如：所述检疫数据包括多个畜禽各自的检疫数据，若所述检疫数据中包括异常值、或缺失值，可以剔除该异常值或缺失值对应的该畜禽的相关数据；又如：对所述检疫数据进行结构化处理，将Australia、澳洲等替换成澳大利亚；又如：同一个ID可能对应多条检疫数据，则选择其一。
步骤302：统计所述原始特征数据中的患病样本数量。
应当说明的是，由于患病样本数量极少，选择能够增加患病样本数量的过采样方法，统计患病样本数量，有利于具体选择过采样的方法；
步骤303：根据所述患病样本数量，选择匹配的过采样方法。
这里，抽样方法选自聚类的过采样、MSMOTE(改进的合成少数类过采样)、ADASYN算法(自适应综合过采样)；
步骤304：基于匹配的过采样方法，得到患病样本和非患病样本比例均衡的原始特征样本集。
例如，当患病样本量小于10时，选择使用上采样，将患病样本有放回抽样，保持与原患病样本的样本量相同；
当患病样本量小于1000大于10时，选择使用SMOTE(Synthetic MinorityOversampling Technique)合成少数类过采样技术，生成新样本，其原理是找到距离每个少数类样本最近的K个近邻，再从这些近邻中随机抽取一个点，在此点与少数类样本点之间构建一个新样本点，以此循环产生多个新样本；
当患病样本量大于1000时，选择使用ADASYN算法(自适应综合过采样)，其算法步骤为首先计算不平衡度(正负样本比例)，再计算需要生成的样本量，对少数类样本提取K近邻，并计算近邻中多数类样本的比例，将此比例乘以所有要生成的样本量即每次要生成的新样本数量，并在K近邻中找一点与原始样本点连线中构建新样本，不断重复。
在本发明的一些实施例中，所述基于所述原始特征样本集，通过机器学习算法，构建并训练得到所述患病概率模型的步骤，包括：
根据所述原始特征样本集，利用特征工程得到特征样本集。
需要说明的是，原始特征样本集包括多个单个畜禽的检疫数据，每个畜禽的检疫数据的特征较多，很多特征对预测疫病的患病概率的重要性很低，甚至完全无关，基于所述原始特征样本集构建特征样本集(即对预测疫病的患病概率有意义的特征)，能够降低所述患病概率模型的训练难度，提高患病概率模型的准确性。
对于特征工程，例如可以判断特征是否发散，可以通过计算方差是否接近于零来判断，如果方差接近于零，说明各个畜禽在这个特征上的差异度很小，这个特征对于畜禽个体的区分无意义。
又如，判断特征与待预测疫病的相关性可使用证据权重(WOE)、信息价值(IV值)等计算，其中，特征的IV值越高，与待预测疫病的相关性越高。
按比例将所述特征样本集划分为训练集和测试集；可选的，所述训练集(trainset)和测试集(validation set)的比例为7：3，打乱顺序抽取，其中，训练集用于训练模型，测试集用于测试。
采用多种机器学习算法，基于所述训练集，分别构建并训练得到多个初步患病概率模型；这里，可以采用逻辑回归(Logistic Regression)、支持向量机(SVM)、随机森林(Random Forest)、梯度下降树(GBDT)、极端随机树(Extra trees)、感知机(Perceptron)、深度神经网络(DNN)七种算法构建并训练模型；可选的，将深度神经网络的结构设置为三层，分别是输入层、隐藏层和输出层，以保障在数据量过大的情况下尽量缩短训练时间。
将所述训练集划分为训练部分和测试部分，利用所述训练部分和所述测试部分，交叉验证所述多个初步患病概率模型并择优；可选的，循环3次得到所述多个初步患病概率模型的AUC平均值得分，选择其中得分最高的模型；
对择优得到的初步患病概率模型进行再训练优化，得到所述患病概率模型。
在本发明的一些实施例中，所述根据所述原始特征样本集，利用特征工程得到特征样本集的步骤包括：
基于所述原始特征样本集，通过提升机器算法构建训练基础模型，得到每个特征的重要性得分；
基于所述每个特征的重要性得分，筛选得到特征样本集。
应当理解的，重要性得分高的特征，优先选择。
可选的，使用Lightgbm(提升机器算法)训练模型输出每个特征重要性得分。其中，Lightgbm是一种基于GBDT的提升方法，对于这类基于树的模型，在进行原始特征数据选择结点分裂时，需要遍历所有可能的划分点，计算信息增益，从而找到最优的划分点。这里，将原始特征数据分成十份，九份做训练，一份做测试，交叉循环10次得到最终结果，观察重要性得分。
可选的，利用LASSO模型、指标相关性及业务逻辑，降低维度，减少进入特征数据集的数据量，降低训练难度。
在本发明的一些实施例中，还包括：输出所述每个特征的重要性得分。因为充分挖掘畜禽的生活环境、饲养条件、隔离检疫信息、气象信息、运输信息与判断该畜禽可能患有某种疫病的关系，通过输出的每个特征的重要性得分，可以一定程度上协助畜牧专家发现不同疫病的患病原因及影响因素，为疫病的传播阻断及防治工作提供参考。
需要说明的是，对于初步患病概率模型的测试指标可以是AUC值。具体的，AUC值[(Area Under Curve)被定义为ROC曲线下与坐标轴围成的面积]：AUC即为ROC曲线[接收者操作特征(receiveroperating characteristic)]的线下面积，用于衡量一个二值分类器的优劣。取值在0.5到1之间，AUC值越偏向1模型分类能力越强，反之亦然。在实际的数据集中经常会出现类不平衡(class imbalance)现象，即负样本比正样本多很多(或者相反)，而且测试集数据中的正负样本的分布也可能随着时间变化。但当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变。
从某个角度上来讲ROC曲线和KS曲线[洛伦兹曲线(Kolmogorov-Smirnov)]是一回事，只是横纵坐标的取法不同而已。拿逻辑回归举例，模型训练完成之后每个样本都会得到一个类概率值(注意是类似的类)，把样本按这个类概率值排序后分成10等份，每一份单独计算它的真正率和假正率，然后计算累计概率值，用真正率和假正率的累计做为坐标画出来的就是ROC曲线，用10等分做为横坐标，用真正率和假正率的累计值分别做为纵坐标就得到两个曲线，这就是KS曲线。AUC值就是ROC曲线下放的面积值，而KS值就是KS曲线中两条曲线之间的最大间隔距离。由于KS值能找出模型中差异最大的一个分段，因此适合用于cut_off，像评分卡这种就很适合用KS值来评估。但是KS值只能反映出哪个分段是区分最大的，而不能总体反映出所有分段的效果，AUC值更能胜任。
ROC值一般在0.5-1.0之间。值越大表示模型判断准确性越高，即越接近1越好。ROC＝0.5表示模型的预测能力与随机结果没有差别。
KS值表示了模型将+和-区分开来的能力。值越大，模型的预测准确性越好。一般，KS>0.2即可认为模型有比较好的预测准确性。
选用AUC值作为测试结果，将模型保存后在测试集上测试，得到100％的准确率。为防止过拟合，重新划分训练和测试集，得到几乎96％的准确率，原因在于现有数据中很多已为结果性数据，综合多个结果性数据几乎可以判定疫病情况。
可选的，采用部分历史外来畜禽的检疫数据(2015年-2018年)训练得到的患病概率模型效果优于全部数据(2013年-2018年)，这是由于早期的检疫数据(2013年-2014年数据)存在缺失字段较多且与近期数据(2015年-2018年)存在较大差异的问题。
可选的，将2018年历史外来畜禽的检疫数据作为测试模型准确度的原始输入数据，用此数据的前70％作为训练集，30％作为测试集，预测结果与真实结果相比，准确率为99％，AUC值为0.87，KS值为0.52。相比较用2013-2017年训练，2018年整年的测试结果，提升了准确率。
在本发明的一些实施例中，在得到所述患病概率模型的之前，还包括：评估初步患病概率模型准确度的步骤。可选的，根据准确度的结果，调整获取历史外来畜禽的检疫数据的范围，基于调整后的历史外来畜禽的检疫数据训练择优得到的初步患病概率模型。
在本发明的一些实施例中，还包括，获取外来畜禽患所述待预测疫病的数据，结合所述特征数据后存入原始特征样本集。这样的技术方案，能够增加用于训练患病概率模型的数据量，进一步提高患病概率模型的准确性。
在本发明的一些实施例中，所述多种机器学习算法包括随机森林，采用随机森林时，利用网络搜索(Grid Search)同时修改多个参数，获取所述患病概率模型的最优拟合值。例如，所述参数可以是n_estimators等重要参数信息，通过改变参数来找到最好的拟合值；采用网络搜索，即同时改变多个参数选择最好的结果而非固定某些参数值选择某一参数的最优值，这样的方式效率高。
基于单只畜禽的患病概率模型是以单只畜禽的ID为主键输出的单只畜禽针对固定疫病的患病情况预警。但是出于畜禽进口实际业务需求，需要对整批动物的带病情况进行预警。因此在基于单只畜禽的患病概率模型的基础上构建对整批外来畜禽的疫病风险分级预警条件，用以预测整批畜禽的整体患病情况，并对此做危险程度的分级预警。
进一步的，所述基于预设概率以及所述外来畜禽的待预测疫病的患病概率，得到同种所述外来畜禽的待预测疫病的群体风险系数的步骤，包括：
比较所述外来畜禽的待预测疫病的患病概率和所述预设概率的大小，若所述外来畜禽的待预测疫病的患病概率大于等于所述预设概率，则判断所述外来畜禽的待预测疫病是阳性；这里，所述预设概率，是根据待预测疫病的传播特点、危险性等因素确定的，例如50％、60％、40％等；应当理解的，不同的疫病，所述预设概率不同。
统计同种所述外来畜禽的待预测疫病为阳性的数量，计算阳性的数量在同批同种所述外来畜禽总量中的比例，即为群体风险系数。
以这样的方式确定群体风险系数，将每一只外来畜禽的待预测疫病的患病概率转换为阳性或阴性(对应患病概率小于所述预设概率)，能够有效避免患病概率直接平均导致的整体风险被低估，由此确定的群体风险系数更加准确。
需要说明的是，对于外来畜禽的检疫数据中，已经发现患有待预测疫病的个体，仍采用本发明实施例的提供的患病概率模型进行待预测疫病的患病概率的预测，一方面可以比较预测得到的患病概率和检疫结果的区别并用于完善所述患病概率模型；另一方面，患有待预测疫病的个体通过待预测疫病的患病概率，参与群体风险系数的预测。当然，作为一种可替代的实施方式，已经发现患有待预测疫病的个体，也可以不经患病概率模型的预测，直接作为阳性个体，参与群体风险系数的计算。
参考图4，在本发明的一些实施例中，所述分级预警条件包括整群淘汰标准和四分位点标准；
所述根据分级预警条件，基于所述待预测疫病的特征数据、所述群体风险系数确定整批所述外来畜禽的风险等级的步骤，包括：
步骤401：将所述待预测疫病的特征数据匹配对应品种畜禽的整群淘汰标准，若符合所述整群淘汰标准，则确定该品种外来畜禽的风险等级为极高。
这里，所述整群淘汰标准根据海关制定的针对不同国家及不同畜禽种类的整批淘汰规则来设置；
步骤402：若不符合所述整群淘汰标准，比较所述群体风险系数和对应品种的四分位点标准，确定该品种外来畜禽的风险等级。
应理解的，当所述群体风险系数是多个时(分别对应不同的疫病)，以风险等级高者，确定该品种外来畜禽的风险等级。
应该说明的是，四分位点标准对应四种风险指标：较高风险，存在一定风险，有风险和较低风险。本领域技术人员能够理解，对于不同品种，四分位点标准也不相同。
可选的，所述四分位点标准可以通过以下方法确定，根据所述原始特征数据，利用所述患病概率模型预测每一只历史外来畜禽的待预测疫病的患病概率，计算历史外来畜禽的群体风险系数，将多个历史外来畜禽的群体风险系数排序(历史外来畜禽对应多个群体，例如不同年份不同批次)，划分四分位点，即得到该品种的待预测疫病的四分位点数据，不同疫病的四分位点数据组合成该品种的四分位点标准。
对于不同品种的四分位点标准，均可以采用类似的方式获得。
本发明实施例列举一个品种的畜禽的四分位点标准，具体如下所示：
疫病标号 较高风险-平均得病数量占比 存在一定风险-3/4 有风险-1/2 较低风险-1/4
y_cyb 0.497120％ 0.372840％ 0.248560％ 0.124280％
y_zlxxfx 0.001313％ 0.000984％ 0.000656％ 0.000328％
y_ncrxbqgy 0.000597％ 0.000447％ 0.000298％ 0.000149％
y_mcrxpx 0.011217％ 0.008413％ 0.005608％ 0.002804％
y_yytb 0.024940％ 0.018705％ 0.012470％ 0.006235％
y_bsgjb 0.073267％ 0.054950％ 0.036634％ 0.018317％
y_my 5.907566％ 4.430675％ 2.953783％ 1.476892％
y_crxxmfy 0.555591％ 0.416693％ 0.277795％ 0.138898％
y_ndflxxbxb 0.000119％ 0.000089％ 0.000060％ 0.000030％
y_lsb 0.003699％ 0.002774％ 0.001850％ 0.000925％
y_nbdxfxb 1.369646％ 1.027234％ 0.684823％ 0.342411％
y_mlg 0.000239％ 0.000179％ 0.000119％ 0.000060％
y_jhb 0.000239％ 0.000179％ 0.000119％ 0.000060％
y_zzytfy 0.000716％ 0.000537％ 0.000358％ 0.000179％
y_Qr 0.847467％ 0.635600％ 0.423733％ 0.211867％
y_wkqb 0.023866％ 0.017899％ 0.011933％ 0.005966％
y_mbj 0.009069％ 0.006802％ 0.004534％ 0.002267％
y_llxxcxr 0.000119％ 0.000089％ 0.000060％ 0.000030％
y_xdlbd 0.002506％ 0.001879％ 0.001253％ 0.000626％
y_lxcb 0.005728％ 0.004296％ 0.002864％ 0.001432％
y_mbfy 0.039259％ 0.029444％ 0.019629％ 0.009815％
y_bjb 0.015751％ 0.011813％ 0.007876％ 0.003938％
y_mbdxdmy 0.953788％ 0.715341％ 0.476894％ 0.238447％
y_zfzyhxxtzhz 0.123982％ 0.092986％ 0.061991％ 0.030995％
y_fjhb 0.000119％ 0.000089％ 0.000060％ 0.000030％
y_zcrxwcy 0.015990％ 0.011992％ 0.007995％ 0.003997％
在本发明的一些实施例中，包括：当整批所述外来畜禽包括多个品种时，分别确定每个品种外来畜禽的风险等级，取最高者作为整批所述外来畜禽的风险等级。这样的设置，能够对整批所述外来畜禽的风险有充分的预警，有效避免潜在疫情的爆发。
基于上述目的，本发明实施例的第二个方面，提出了一种外来畜禽疫病传播态势的预警方法的装置的一个实施例。如图5所示，所述装置包括：
特征采集模块501：用于获取外来畜禽的检疫数据，基于所述检疫数据，得到待预测疫病的特征数据；
患病概率预测模块502：用于通过患病概率模型，根据所述待预测疫病的特征数据确定所述外来畜禽的待预测疫病的患病概率；其中，所述患病概率模型通过历史外来畜禽的检疫数据训练得到；
群体风险系数模块503：用于基于预设概率以及所述外来畜禽的待预测疫病的患病概率，得到同种所述外来畜禽的待预测疫病的群体风险系数；
风险预测模块504：用于根据分级预警条件，基于所述待预测疫病的特征数据、所述群体风险系数确定整批所述外来畜禽的风险等级；
预警模块505：用于根据所述风险等级，确定预警方案并进行推送。
在一些实施例中，所述装置还包括：
训练模块，所述训练模块用于执行以下步骤
获取历史外来畜禽的检疫数据，基于所述历史外来畜禽的检疫数据构建原始特征样本集；
基于所述原始特征样本集，通过机器学习算法，构建并训练得到所述患病概率模型。
在一些实施例中，所述训练模块还被用于：
对所述历史外来畜禽的检疫数据预处理得到原始特征数据；
统计所述原始特征数据中的患病样本数量；
根据所述患病样本数量，选择匹配的过采样方法；
基于匹配的过采样方法，得到患病样本和非患病样本比例均衡的原始特征样本集。
在一些实施例中，所述训练模块还被用于：
根据所述原始特征样本集，利用特征工程得到特征样本集；
按比例将所述特征样本集划分为训练集和测试集；
采用多种机器学习算法，基于所述训练集，分别构建并训练得到多个初步患病概率模型；
将所述训练集划分为训练部分和测试部分，利用所述训练部分和所述测试部分，交叉验证所述多个初步患病概率模型并择优；
对择优得到的初步患病概率模型进行再训练优化，得到所述患病概率模型。
在一些实施例中，所述述多种机器学习算法包括随机森林，采用随机森林时，利用网络搜索同时修改多个参数，获取所述患病概率模型的最优拟合值。
在一些实施例中，所述群体风险系数模块503，用于比较所述外来畜禽的待预测疫病的患病概率和所述预设概率的大小，若所述外来畜禽的待预测疫病的患病概率大于等于所述预设概率，则判断所述外来畜禽的待预测疫病是阳性；
统计同种所述外来畜禽的待预测疫病为阳性的数量，计算阳性的数量在同批同种所述外来畜禽总量中的比例，即为群体风险系数。
在一些实施例中，所述分级预警条件包括整群淘汰标准和四分位点标准；所述风险预测模块504，还用于将所述待预测疫病的特征数据匹配对应品种畜禽的整群淘汰标准，若符合所述整群淘汰标准，则确定该品种外来畜禽的风险等级为极高；若不符合所述整群淘汰标准，比较所述群体风险系数和对应品种的四分位点标准，确定该品种外来畜禽的风险等级。
在一些实施例中，当整批所述外来畜禽包括多个品种时，分别确定每个品种外来畜禽的风险等级，取最高者作为整批所述外来畜禽的风险等级。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于上述目的，本发明实施例的第三个方面，提出了一种外来畜禽疫病传播态势的预警方法的电子设备的一个实施例。如图6所示，为本发明提供的外来畜禽疫病传播态势的预警方法的电子设备的一个实施例的硬件结构示意图。
如图6所示，所述电子设备包括：
一个或多个处理器601以及存储器602，图6中以一个处理器601为例。
所述外来畜禽疫病的传播态势的预警方法的装置还可以包括：输入装置603和输出装置604。
处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
存储器602作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的所述传播态势的预警方法对应的程序指令/模块(例如，附图5所示的特征采集模块501、患病概率预测模块502、群体风险系数模块503、风险预测模块504和预警模块505)。处理器601通过运行存储在存储器602中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的传播态势的预警方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基因样本分析装置的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至会员用户行为监控装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置603可接收输入的数字或字符信息，以及产生与基因样本分析装置的用户设置以及功能控制有关的键信号输入。输出装置604可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器602中，当被所述一个或者多个处理器601执行时，执行上述任意方法实施例中的传播态势的预警方法。所述外来畜禽疫病的传播态势的预警方法的装置的实施例，其技术效果与前述任意方法实施例相同或者类似。
本申请实施例提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的列表项操作的处理方法。所述非暂态计算机存储介质的实施例，其技术效果与前述任意方法实施例相同或者类似。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种外来畜禽疫病传播态势的预警方法，其特征在于，包括：
获取外来畜禽的检疫数据，基于所述检疫数据，得到待预测疫病的特征数据；
通过患病概率模型，根据所述待预测疫病的特征数据确定所述外来畜禽的待预测疫病的患病概率；其中，所述患病概率模型通过历史外来畜禽的检疫数据训练得到；
基于预设概率以及所述外来畜禽的待预测疫病的患病概率，得到同种所述外来畜禽的待预测疫病的群体风险系数；
根据分级预警条件，基于所述待预测疫病的特征数据、所述群体风险系数确定整批所述外来畜禽的风险等级；
根据所述风险等级，确定预警方案并进行推送。
2.根据权利要求1所述的预警方法，其特征在于，还包括：
获取历史外来畜禽的检疫数据，基于所述历史外来畜禽的检疫数据构建原始特征样本集；
根据所述原始特征样本集，通过机器学习算法，构建并训练得到所述患病概率模型。
3.根据权利要求2所述的预警方法，其特征在于，所述基于所述历史外来畜禽的检疫数据构建原始特征样本集的步骤，包括：
对所述历史外来畜禽的检疫数据预处理得到原始特征数据；
统计所述原始特征数据中的患病样本数量；
根据所述患病样本数量，选择匹配的过采样方法；
基于匹配的过采样方法，得到患病样本和非患病样本比例均衡的原始特征样本集。
4.根据权利要求2所述的预警方法，其特征在于，所述基于所述原始特征样本集，通过机器学习算法，构建并训练得到所述患病概率模型的步骤，包括：
根据所述原始特征样本集，利用特征工程得到特征样本集；
按比例将所述特征样本集划分为训练集和测试集；
采用多种机器学习算法，基于所述训练集，分别构建并训练得到多个初步患病概率模型；
将所述训练集划分为训练部分和测试部分，利用所述训练部分和所述测试部分，交叉验证所述多个初步患病概率模型并择优；
对择优得到的初步患病概率模型进行再训练优化，得到所述患病概率模型。
5.根据权利要求4所述的预警方法，其特征在于，所述多种机器学习算法包括逻辑回归、支持向量机、随机森林、梯度下降树、极端随机树、感知机和深度神经网络。
6.根据权利要求5所述的预警方法，其特征在于，当采用随机森林时，利用网络搜索同时修改多个参数，获取所述患病概率模型的最优拟合值。
7.根据权利要求1所述的预警方法，其特征在于，所述基于预设概率以及所述外来畜禽的待预测疫病的患病概率，得到同种所述外来畜禽的待预测疫病的群体风险系数的步骤，包括：
比较所述外来畜禽的待预测疫病的患病概率和所述预设概率的大小，若所述外来畜禽的待预测疫病的患病概率大于等于所述预设概率，则判断所述外来畜禽的待预测疫病是阳性；
统计同种所述外来畜禽的待预测疫病为阳性的数量，计算阳性的数量在同批同种所述外来畜禽总量中的比例，即为群体风险系数。
8.根据权利要求1所述的预警方法，其特征在于，所述分级预警条件包括整群淘汰标准和四分位点标准；
所述根据分级预警条件，基于所述待预测疫病的特征数据、所述群体风险系数确定整批所述外来畜禽的风险等级的步骤，包括：
将所述待预测疫病的特征数据匹配对应品种畜禽的整群淘汰标准，若符合所述整群淘汰标准，则确定该品种外来畜禽的风险等级为极高；
若不符合所述整群淘汰标准，比较所述群体风险系数和对应品种的四分位点标准，确定该品种外来畜禽的风险等级。
9.根据权利要求8所述的预警方法，其特征在于，包括：
当整批所述外来畜禽包括多个品种时，分别确定每个品种外来畜禽的风险等级，取最高者作为整批所述外来畜禽的风险等级。
10.一种外来畜禽疫病传播态势的预警装置，其特征在于，包括：
特征采集模块，用于获取外来畜禽的检疫数据，基于所述检疫数据，得到待预测疫病的特征数据；
患病概率预测模块，用于通过患病概率模型，根据所述待预测疫病的特征数据确定所述外来畜禽的待预测疫病的患病概率；其中，所述患病概率模型通过历史外来畜禽的检疫数据训练得到；
群体风险系数模块，用于基于预设概率和所述外来畜禽的待预测疫病的患病概率，得到同种所述外来畜禽的待预测疫病的群体风险系数；
风险预测模块，用于根据分级预警条件，基于所述待预测疫病的特征数据、所述群体风险系数确定整批所述外来畜禽的风险等级；
预警模块，用于根据所述风险等级，确定预警方案并进行推送。
CN201911095949.3A 2019-11-11 2019-11-11 外来畜禽疫病传播态势的预警方法及装置 Pending CN111048214A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911095949.3A CN111048214A (zh) 2019-11-11 2019-11-11 外来畜禽疫病传播态势的预警方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911095949.3A CN111048214A (zh) 2019-11-11 2019-11-11 外来畜禽疫病传播态势的预警方法及装置

Publications (1)

Publication Number Publication Date
CN111048214A true CN111048214A (zh) 2020-04-21

Family

ID=70232431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911095949.3A Pending CN111048214A (zh) 2019-11-11 2019-11-11 外来畜禽疫病传播态势的预警方法及装置

Country Status (1)

Country Link
CN (1) CN111048214A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539513A (zh) * 2020-04-10 2020-08-14 中国检验检疫科学研究院 确定进口动物传入疫病风险的方法及装置
CN112470989A (zh) * 2020-06-22 2021-03-12 丰疆智能(深圳)有限公司 病猪标记方法和标记系统以及猪群呼吸道疾病的预测方法和预测系统
CN112560900A (zh) * 2020-09-08 2021-03-26 同济大学 一种面向样本不均衡的多疾病分类器设计方法
CN112613749A (zh) * 2020-12-24 2021-04-06 中国检验检疫科学研究院 跨境隐存高危因子风险智能分析系统
CN112687396A (zh) * 2020-12-31 2021-04-20 医渡云（北京）技术有限公司 基于防疫措施的疾病信息的处理方法、装置、设备和介质
WO2022077921A1 (zh) * 2020-10-12 2022-04-21 平安科技（深圳）有限公司 动态防疫知识的推送方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101515344A (zh) * 2009-04-03 2009-08-26 陈忠 动物疫病监测管理及预警工作站
CN104200310A (zh) * 2014-08-10 2014-12-10 深圳市检验检疫科学研究院 一种国境口岸传染病检疫决策支援系统
CN107403072A (zh) * 2017-08-07 2017-11-28 北京工业大学 一种基于机器学习的2型糖尿病预测预警方法
CN109447484A (zh) * 2018-11-01 2019-03-08 安徽易商数码科技有限公司 一种动植物疫病疫情联防联控大数据系统
US20190172587A1 (en) * 2016-12-30 2019-06-06 Seoul National University R&Db Foundation Apparatus and method for predicting disease risk of metabolic disease

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101515344A (zh) * 2009-04-03 2009-08-26 陈忠 动物疫病监测管理及预警工作站
CN104200310A (zh) * 2014-08-10 2014-12-10 深圳市检验检疫科学研究院 一种国境口岸传染病检疫决策支援系统
US20190172587A1 (en) * 2016-12-30 2019-06-06 Seoul National University R&Db Foundation Apparatus and method for predicting disease risk of metabolic disease
CN107403072A (zh) * 2017-08-07 2017-11-28 北京工业大学 一种基于机器学习的2型糖尿病预测预警方法
CN109447484A (zh) * 2018-11-01 2019-03-08 安徽易商数码科技有限公司 一种动植物疫病疫情联防联控大数据系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539513A (zh) * 2020-04-10 2020-08-14 中国检验检疫科学研究院 确定进口动物传入疫病风险的方法及装置
CN112470989A (zh) * 2020-06-22 2021-03-12 丰疆智能(深圳)有限公司 病猪标记方法和标记系统以及猪群呼吸道疾病的预测方法和预测系统
CN112560900A (zh) * 2020-09-08 2021-03-26 同济大学 一种面向样本不均衡的多疾病分类器设计方法
CN112560900B (zh) * 2020-09-08 2023-01-20 同济大学 一种面向样本不均衡的多疾病分类器设计方法
WO2022077921A1 (zh) * 2020-10-12 2022-04-21 平安科技（深圳）有限公司 动态防疫知识的推送方法、装置、设备及存储介质
CN112613749A (zh) * 2020-12-24 2021-04-06 中国检验检疫科学研究院 跨境隐存高危因子风险智能分析系统
CN112613749B (zh) * 2020-12-24 2024-05-14 中国检验检疫科学研究院 跨境隐存高危因子风险智能分析系统
CN112687396A (zh) * 2020-12-31 2021-04-20 医渡云（北京）技术有限公司 基于防疫措施的疾病信息的处理方法、装置、设备和介质
CN112687396B (zh) * 2020-12-31 2024-05-28 医渡云（北京）技术有限公司 基于防疫措施的疾病信息的处理方法、装置、设备和介质

Similar Documents

Publication Publication Date Title
CN111048214A (zh) 外来畜禽疫病传播态势的预警方法及装置
CN104391860B (zh) 内容类别检测方法及装置
CN110163647B (zh) 一种数据处理方法及装置
Hallau et al. Automated identification of sugar beet diseases using smartphones
CN105069470A (zh) 分类模型训练方法及装置
CN108304853B (zh) 游戏相关度的获取方法、装置、存储介质和电子装置
CN112101159A (zh) 多时相林业遥感影像变化监测方法
CN110929785B (zh) 数据分类方法、装置、终端设备及可读存储介质
CN114494837A (zh) 一种渔业资源的密度智能识别方法及系统
CN105095494A (zh) 一种对分类数据集进行测试的方法
Bravo et al. Species-specific audio detection: a comparison of three template-based detection algorithms using random forests
US11790410B2 (en) System and method for natural capital measurement
CN116485020B (zh) 一种基于大数据的供应链风险识别预警方法、系统及介质
CN116304600A (zh) 基于大数据分析的外来入侵物种预警方法及系统
Pyron et al. Speciation hypotheses from phylogeographic delimitation yield an integrative taxonomy for Seal Salamanders (Desmognathus monticola)
Ozdemir et al. Comparison of deep learning techniques for classification of the insects in order level with mobile software application
Wang et al. Mushroom toxicity recognition based on multigrained cascade forest
Duggan et al. An approach to rapid processing of camera trap images with minimal human input
Jain et al. An Explainable Machine Learning Model For Lumpy Skin Disease Occurrence Detection
CN117172430B (zh) 一种基于深度学习的水体环境评估与预测方法及系统
CN107016416A (zh) 基于邻域粗糙集和pca融合的数据分类预测方法
CN113704389A (zh) 一种数据评估方法、装置、计算机设备及存储介质
CN112632000A (zh) 日志文件聚类方法、装置、电子设备和可读存储介质
CN112270671A (zh) 图像检测方法、装置、电子设备及存储介质
CN109657710B (zh) 数据筛选方法、装置、服务器及存储介质

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
CB02 Change of applicant information

Address after: 1002-1, 10th floor, No.56, Beisihuan West Road, Haidian District, Beijing 100080

Applicant after: Ronglian Technology Group Co., Ltd

Address before: 100080, Beijing, Haidian District, No. 56 West Fourth Ring Road, glorious Times Building, 10, 1002-1

Applicant before: UNITED ELECTRONICS Co.,Ltd.

CB02 Change of applicant information