CN111415752B - 一种融合气象因素和搜索指数的手足口病预测方法 - Google Patents
一种融合气象因素和搜索指数的手足口病预测方法 Download PDFInfo
- Publication number
- CN111415752B CN111415752B CN202010133038.1A CN202010133038A CN111415752B CN 111415752 B CN111415752 B CN 111415752B CN 202010133038 A CN202010133038 A CN 202010133038A CN 111415752 B CN111415752 B CN 111415752B
- Authority
- CN
- China
- Prior art keywords
- foot
- mouth disease
- hand
- data
- time
- 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.)
- Active
Links
- 208000020061 Hand, Foot and Mouth Disease Diseases 0.000 title claims abstract description 59
- 208000025713 Hand-foot-and-mouth disease Diseases 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000004931 aggregating effect Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 11
- 208000030194 mouth disease Diseases 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000003416 augmentation Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 108010015046 cell aggregation factors Proteins 0.000 claims 1
- 208000035473 Communicable disease Diseases 0.000 abstract description 9
- 208000015181 infectious disease Diseases 0.000 abstract description 5
- 201000010099 disease Diseases 0.000 description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000011534 incubation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种融合气象因素和搜索指数的手足口病预测方法,步骤是:收集气象数据、搜索指数和历史手足口病发病数据,并统计为固定时间间隔内的时序数据;从时间差分的角度计算各个具体因素和历史手足口病发病人数的相关系数,确定最大相关系数对应的时间间隔;根据时间间隔聚合当前所有的因素和对应若干时间间隔之后某一个时间段内的发病人数;根据差分时间聚合的多因素数据作为模型的样本,对应若干时间间隔之后某一时间段内的发病人数作为预测目标,训练手足口病预测模型;输入采集的实时病例数据、搜索数据和气象数据,得到短期内的发病情况。此种预测方法能够克服手足口病发病人数的不确定性问题,提高预测传染病发病人数的精准性。
Description
技术领域
本发明属于传染病预测技术领域,特别涉及一种融合气象因素和搜索指数的手足口病预测方法。
背景技术
传染病是一个重要的全球性公共卫生问题,近十年的发病率呈现上升趋势,一直被政府机构、医疗单位和民众所密切关注。手足口病是发病率最高的传染病之一,也是传染病防治的重点,特别是发展中国家的婴幼儿发病率更为显著。
影响传染性疾病发病、流行和传播的因素主要分为:1)自然因素,如气象、空间环境、生态条件;2)社会因素,如社会制度、经济条件、文化水平、风俗习惯。
气象因素作为一种自然环境因素已被证实和传染病的发病率有联系,然而,社会因素却很少被考虑到传染病发病人数的预测和预报。
搜索引擎作为互联网的重要入口,和生活密切相关,通过给定词汇的搜索指数可以为社会因素的侧面或截面描述提供依据。
发明内容
本发明的目的,在于提供一种融合气象因素和搜索指数的手足口病预测方法,通过统计历史发病情况、气象因素和搜索指数在不同时间段内的因素,并设计融合这三种不同数据的时序模型,以训练和预测短期内的手足口病发病人数,能够克服手足口病发病人数的不确定性问题,提高预测传染病发病人数的精准性。
为了达成上述目的,本发明的解决方案是:
一种融合气象因素和搜索指数的手足口病预测方法,包括如下步骤:
步骤1,收集气象数据、搜索指数和历史手足口病发病数据,并统计为固定时间间隔内的时序数据;
步骤2,从时间差分的角度计算各个具体因素和历史手足口病发病人数的相关系数,确定最大相关系数对应的时间间隔;
步骤3,根据确定的时间间隔,聚合当前所有的因素和对应若干时间间隔之后某一个时间段内的发病人数;
步骤4,根据差分时间聚合的多因素数据作为模型的样本,对应若干时间间隔之后某一时间段内的发病人数作为预测目标,训练手足口病预测模型;
步骤5,根据训练的模型,输入采集的实时病例数据、搜索数据和气象数据,得到短期内的发病情况。
上述步骤1的具体过程是:
步骤11,设置时间间隔数量为k,用{t1,t2,…,tk}表示连续且等间隔的一个时间段;
步骤12,在{t1,t2,…,tk}中统计气象数据和各个地区、平台的搜索指数,其中,Vk={v1,v2,…,vk}表示变量vi在第i个时间间隔内的时序序列,i=1,2,…,k;变量v∈{M,B},其中M表示气象因素的集合,B表示搜索指数;用Ck={c1,c2,…,ck}表示历史发病人数时序序列。
上述步骤2中,从时间差分的角度计算各个具体因素和历史手足口病发病人数的相关系数,其计算公式是:
上述步骤2中,确定最大相关系数对应的时间间隔的具体方法是:根据变量v和发病人数c相差d天的Pearson相关系数Pvcd计算所有因素{M,B}和病例Ck在最大相关系数下的时间差分,记为Tvd,对于给定因素v*,其计算公式为:
上述步骤3的具体过程是:根据Tvd聚合所有气象因素和搜索指数,提取所有聚合因素的均值和发病人数的均值增广特征,作为模型的输入Xt,当前的发病人数Ct作为模型的输出,其聚合公式:
yt←Ct
其中,表示过去lag个时间间隔{Ct-lag+1,Ct-lag,…,Ct-1}的均值,表示当前输入的气象特征的均值,表示当前输入的搜索指数的均值,lag表示过去的时间间隔数量,Ct表示当前时间间隔内的发病情况。
上述步骤4中,手足口病预测模型包括输入层、表示层、合并层和输出层,其中,输入层用于输入Xt数据,包括过去lag个时间间隔的病例数据、差分气象数据和差分搜索指数数据;表示层中,采用LSTM处理输入的病例数据,采用全连接层处理输入的气象数据和搜索指数数据;在合并层中合并上一层所有数据,并将合并后的数据输出作为预测数据。
上述步骤4中,层与层之间采用线性整流函数作为激活函数。
上述步骤4中,手足口病预测模型采用均方误差作为目标函数。
上述步骤5中,根据训练好的手足口病预测模型,输入分析和聚合后的实时采集数据,预测下一个时间间隔内的发病人数,其计算公式是:
采用上述方案后,本发明通过对气象数据、搜索指数和发病人数的时间差分聚合分析,得到在最大相关系数下的时间差分,利用时间差分聚合以上三类数据,输入到融合三种数据的时序神经网络中,使得在手足口病的潜伏期时预测短期内的手足口病感染人数更加精准。
与现有技术相比,本发明有以下优点:
(1)缓解发病人数不确定性的问题
本发明通过引入和聚合相关或弱相关的天气数据和百度搜索指数,并设计可以融合和利用三种数据的模型,在一定程度上缓解手足口病发病人数在各个时间间隔内不确定的问题,从而提高预测的准确性。
(2)实时预测的可行性
本发明所用到的天气数据、搜索指数和历史手足口病的发病数,均可实时获取。差分分析使得手足口病的潜伏期可以从数据分析的角度被估算出来,利用历史数据训练手足口病预测模型,输入实时数据后,实时预测短期内发病情况。
附图说明
图1是本发明的流程图;
图2是本发明实施例示意图。
具体实施方式
以下将结合附图,对本发明的技术方案及有益效果进行详细说明。
如图1所示,本发明提供一种融合气象因素和搜索指数的手足口病预测方法,包括如下步骤:
步骤1,收集气象数据、搜索指数(如通过百度搜索引擎)和历史手足口病发病数据,并统计为固定时间间隔内的时序数据;
该步骤的具体过程是:
11)设置时间间隔数量为k,用{t1,t2,…,tk}表示连续且等间隔的一个时间段,如天、周或月。k是可以调整的,时间间隔也是可变的,如两天为一个间隔;
12)在{t1,t2,…,tk}中统计气象数据和各个地区、平台的搜索指数,其中,气象数据如:平均温度、平均湿度、最高气压,用M表示气象因素的集合;搜索指数如:厦门地区PC、手机端手足口病的搜索人数,用B表示百度搜索指数。用Vk={v1,v2,…,vk}表示变量vi在第i个时间间隔内的时序序列,i=1,2,…,k。用Ck={c1,c2,…,ck}表示历史发病人数时序序列。
步骤2,从时间差分的角度计算各个具体因素和历史手足口病发病人数的相关系数,确定最大相关系数对应的时间间隔;
具体过程是:
21)从时间差分的角度计算各个具体因素和历史手足口病发病人数的相关系数,其计算公式:
其中,Pvcd表示变量v和发病人数c相差d天的Pearson相关性系数,即v比c早d天。vi表示变量v在第i天的数值,和分别表示变量v和发病人数c的在时间间隔上的均值。ci+d是表示第i+d天的发病人数。
22)根据公式Pvcd计算所有因素{M,B}和病例Ck在最大相关系数下的时间差分,记为Tvd,对于给定因素v*,其计算公式:
步骤3,根据确定的时间间隔,聚合当前所有的因素和对应若干时间间隔之后某一个时间段内的发病人数;
根据Tvd聚合所有气象因素和百度搜索指数,提取所有聚合因素的均值和发病人数的均值增广特征,作为模型的输入Xt,当前的发病人数Ct作为模型的输出,其聚合公式:
yt←Ct
其中,表示过去lag个时间间隔{Ct-lag+1,Ct-lag,…,Ct-1}的均值,表示当前输入的气象特征的均值,表示当前输入的百度搜索指数的均值,lag表示过去的时间间隔数量,Ct表示当前时间间隔内的发病情况;
步骤4,根据所述数据,训练手足口病预测模型。其中,根据差分时间聚合的多因素数据作为模型的样本,对应若干时间间隔之后某一时间段内的发病人数作为预测目标;
具体包括:
41)根据所述数据,训练手足口病预测模型。其中,手足口病模型包括:输入层、表示层、合并层和输出层。输入层用于输入Xt数据,包括过去lag个时间间隔的病例数据,差分气象数据和差分百度搜索指数数据。表示层中,设计了三个部分来处理之前的三种不同输出,第一步用Long and short term memory(LSTM)处理时序数据,第二部分和第三部分分别用了全连接层来处理两种输入。在合并层中合并上一层所有数据,并输出作为预测数据;
42)设计的手足口病模型,用均方误差(MSE)作为目标函数。层与层之间的激活函数使用线性整流函数(ReLU);
步骤5,根据所述训练的模型,输入采集的实时病例数据、搜索数据和气象数据,得到短期内的发病情况;
根据所述训练好的手足口病模型,输入分析和聚合后的实时采集数据,预测下一个时间间隔内的发病人数。其计算公式是:
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (5)
1.一种融合气象数据和搜索指数的手足口病预测方法,其特征在于包括如下步骤:
步骤1,收集气象数据、搜索指数和历史手足口病发病人数,并统计为固定时间间隔内的时序序列;
所述步骤1的具体过程是:
步骤11,设置时间间隔数量为k,用{τ1,τ2,…,τk}表示连续且等间隔的一个时间段;
步骤12,在{τ1,τ2,…,τk}中统计气象数据和各个地区、平台的搜索指数,其中,Vk={v1,v2,…,vk}表示变量vi在第s个时间间隔内的时序序列,s=1,2,…,k;变量v∈{M,B},其中M表示气象数据的集合,B表示搜索指数;用Ck={c1,c2,…,ck}表示历史手足口病发病人数时序序列;
步骤2,从时间差分的角度计算各个具体因素和历史手足口病发病人数的相关系数,确定最大相关系数对应的时间间隔;
上述步骤2中,从时间差分的角度计算各个具体因素和历史手足口病发病人数的相关系数,其计算公式是:
其中,Pvcd表示变量v和历史手足口病发病人数c相差d天的Pearson相关系数,即v比c早d天;vi表示变量v在第i天的数值,和分别表示变量v和历史手足口病发病人数c在时间间隔上的均值;ci+d表示第i+d天的历史手足口病发病人数;
所述步骤2中,确定最大相关系数对应的时间间隔的具体方法是:根据变量v和历史手足口病发病人数c相差d天的Pearson相关系数Pvcd计算所有因素{M,B}和历史手足口病发病人数时序序列Ck在最大相关系数下的时间差分,记为Tvd,对于给定因素v*,其计算公式为:
步骤3,根据确定的时间间隔,聚合当前所有的因素和对应若干时间间隔之后某一个时间段内的历史手足口病发病人数;
所述步骤3的具体过程是:根据Tvd聚合所有气象数据和搜索指数,提取所有聚合因素和历史手足口病发病人数的均值增广特征,作为模型的输入Xt,Ct作为模型的输出,其聚合公式:
其中,表示过去lag个时间间隔的手足口病发病人数{Ct-lag+1,Ct-lag,…,Ct-1}的均值,表示当前输入的气象数据的均值,表示当前输入的搜索指数的均值,lag表示过去的时间间隔数量,Ct表示当前时间间隔内的手足口病发病人数;
步骤4,根据差分时间聚合的多因素数据作为模型的样本,对应若干时间间隔之后某一时间段内的手足口病发病人数作为预测目标,训练手足口病预测模型;
步骤5,根据训练的模型,输入采集的实时历史手足口病发病人数数据、搜索指数和气象数据,得到短期内的发病情况。
2.如权利要求1所述的融合气象数据和搜索指数的手足口病预测方法,其特征在于:所述步骤4中,手足口病预测模型包括输入层、表示层、合并层和输出层,其中,输入层用于输入Xt数据,包括过去lag个时间间隔的历史手足口病发病人数数据、差分气象数据和差分搜索指数数据;表示层中,采用LSTM处理输入的历史手足口病发病人数数据,采用全连接层处理输入的气象数据和搜索指数数据;在合并层中合并上一层所有数据,并将合并后的数据输出作为预测数据。
3.如权利要求2所述的融合气象数据和搜索指数的手足口病预测方法,其特征在于:所述步骤4中,层与层之间采用线性整流函数作为激活函数。
4.如权利要求1所述的融合气象数据和搜索指数的手足口病预测方法,其特征在于:所述步骤4中,手足口病预测模型采用均方误差作为目标函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010133038.1A CN111415752B (zh) | 2020-03-01 | 2020-03-01 | 一种融合气象因素和搜索指数的手足口病预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010133038.1A CN111415752B (zh) | 2020-03-01 | 2020-03-01 | 一种融合气象因素和搜索指数的手足口病预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111415752A CN111415752A (zh) | 2020-07-14 |
CN111415752B true CN111415752B (zh) | 2023-05-12 |
Family
ID=71494053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010133038.1A Active CN111415752B (zh) | 2020-03-01 | 2020-03-01 | 一种融合气象因素和搜索指数的手足口病预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111415752B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111863276B (zh) * | 2020-07-21 | 2023-02-14 | 集美大学 | 利用细粒度数据的手足口病预测方法、电子设备及介质 |
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 |
CN112951442B (zh) * | 2021-02-23 | 2022-09-23 | 北京理工大学 | 儿童病毒性腹泻发病风险的滞后分析方法及装置 |
CN113035368A (zh) * | 2021-04-13 | 2021-06-25 | 桂林电子科技大学 | 一种基于差分迁移图神经网络的疾病传播预测方法 |
CN113436751A (zh) * | 2021-06-29 | 2021-09-24 | 山东健康医疗大数据有限公司 | 一种周ili占比趋势预测系统及方法 |
CN115938605A (zh) * | 2022-11-23 | 2023-04-07 | 京东方科技集团股份有限公司 | 传染病人数预测方法、系统、电子设备及可读存储介质 |
CN115631869B (zh) * | 2022-11-28 | 2023-05-05 | 北京理工大学 | 一种传染病预测模型的构建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688872A (zh) * | 2017-08-20 | 2018-02-13 | 平安科技(深圳)有限公司 | 预测模型建立装置、方法及计算机可读存储介质 |
CN108417274A (zh) * | 2018-03-06 | 2018-08-17 | 东南大学 | 流行病预测方法、系统及设备 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011130730A1 (en) * | 2010-04-16 | 2011-10-20 | President And Fellows Of Harvard College | Social-network method for anticipating epidemics and trends |
CN106030589A (zh) * | 2014-02-19 | 2016-10-12 | 赫尔实验室有限公司 | 使用开源数据的疾病预测系统 |
-
2020
- 2020-03-01 CN CN202010133038.1A patent/CN111415752B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688872A (zh) * | 2017-08-20 | 2018-02-13 | 平安科技(深圳)有限公司 | 预测模型建立装置、方法及计算机可读存储介质 |
CN108417274A (zh) * | 2018-03-06 | 2018-08-17 | 东南大学 | 流行病预测方法、系统及设备 |
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 |
Non-Patent Citations (1)
Title |
---|
基于百度指数手足口病发病预测模型的比较研究;蔡巧;《中国优秀博硕士学位论文全文数据库(电子期刊)医药卫生科技辑》;中国学术期刊(光盘版)电子杂志社;20190115(第01期);正文1-36页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111415752A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111415752B (zh) | 一种融合气象因素和搜索指数的手足口病预测方法 | |
CN107529651B (zh) | 一种基于深度学习的城市交通客流预测方法和设备 | |
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN111915059B (zh) | 基于注意力机制的Seq2seq泊位占有率预测方法 | |
Shang et al. | Short-term load forecasting based on PSO-KFCM daily load curve clustering and CNN-LSTM model | |
CN109214581B (zh) | 一种考虑风向和置信区间的铁路沿线风速预测方法 | |
CN111091196B (zh) | 客流数据确定方法、装置、计算机设备和存储介质 | |
CN109583565A (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
CN112613225B (zh) | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 | |
CN116681176B (zh) | 一种基于聚类和异构图神经网络的交通流预测方法 | |
CN112966853A (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
CN112364238A (zh) | 一种基于深度学习的用户兴趣点推荐方法与系统 | |
CN113469427A (zh) | 基于卷积lstm的光伏电站日前发电量预测方法及系统 | |
CN112863182A (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN114662389B (zh) | 面向空气污染物的自相关误差Informer模型长时序预测方法及系统 | |
CN115659609A (zh) | 一种基于dtw-dcrnn的化工园区噪声预测方法 | |
CN115240871A (zh) | 一种基于深度嵌入聚类元学习的流行病预测方法 | |
CN113779113A (zh) | 基于雨洪时空过程相似性挖掘的洪水动态预估方法及系统 | |
CN111860974B (zh) | 一种基于状态空间和联合分布的干旱多级预测方法 | |
CN104143117B (zh) | 一种电网特殊负荷与日负荷之间的相关系数提取方法 | |
CN105224801A (zh) | 一种多因子水库入库流量短期预报评价方法 | |
CN117077843A (zh) | 基于CBAM-CNN-Transformer的时空注意力细粒度PM2.5浓度预测方法 | |
CN117370813A (zh) | 一种基于k线模式匹配算法的大气污染深度学习预测方法 | |
CN109508810A (zh) | 一种基于实现月平均水文流量预测的系统 | |
CN116384538A (zh) | 一种流域径流预报方法、装置及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |