CN111462919A - 一种基于滑动窗口时序模型的虫媒疾病预测方法及系统 - Google Patents

一种基于滑动窗口时序模型的虫媒疾病预测方法及系统 Download PDF

Info

Publication number
CN111462919A
CN111462919A CN202010240755.4A CN202010240755A CN111462919A CN 111462919 A CN111462919 A CN 111462919A CN 202010240755 A CN202010240755 A CN 202010240755A CN 111462919 A CN111462919 A CN 111462919A
Authority
CN
China
Prior art keywords
model
sliding window
sequence
data sequence
time sequence
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
CN202010240755.4A
Other languages
English (en)
Other versions
CN111462919B (zh
Inventor
王鑫
唐烨榕
张凤军
周红宁
杜龙飞
梁赓
丁海元
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.)
Yunnan Institute Of Parasitic Diseases
Institute of Software of CAS
Original Assignee
Yunnan Institute Of Parasitic Diseases
Institute of Software of CAS
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 Yunnan Institute Of Parasitic Diseases, Institute of Software of CAS filed Critical Yunnan Institute Of Parasitic Diseases
Priority to CN202010240755.4A priority Critical patent/CN111462919B/zh
Publication of CN111462919A publication Critical patent/CN111462919A/zh
Application granted granted Critical
Publication of CN111462919B publication Critical patent/CN111462919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于滑动窗口时序模型的虫媒疾病预测方法及系统，包括收集虫媒疾病病例信息，形成原始数据序列；选取不同滑动窗口宽度，对原始数据序列分段统计形成训练数据序列，建立若干时间序列模型，形成模型库；基于滑动窗口机制和动态加权算法，计算降尺度条件下的预测病例数；利用热点图的表现形式，实现对预测结果的可视化呈现。本发明将滑动窗口时间序列方法应用到虫媒疾病疫情预测领域，可有效降低小时间尺度条件下虫媒疾病疫情的预测误差，更加精准地预测虫媒疾病疫情态势，便于相关组织和人员进行决策。

Description

一种基于滑动窗口时序模型的虫媒疾病预测方法及系统
技术领域
本发明涉及一种基于滑动窗口时序模型的虫媒疾病预测方法及系统，属于计算机应用领域。
背景技术
随着全球气候不断变化，世界范围内虫媒疾病的爆发频次呈上升趋势，尤其是在虫媒疾病高发地区。经济全球化的加快推动了各国之间的贸易往来和人员流动，使得虫媒疾病的传播区域从边、少、穷地区逐渐蔓延至周边地区，甚至出现虫媒疾病跨境传播的复杂情况，同时虫媒疾病爆发周期短，严重影响疫情区域的经济发展和人民生活，虫媒疾病屡屡爆发的严峻形势已引起全球的广泛关注，对虫媒疾病的联合防控和预测预警已势在必行。
虫媒疾病的影响因素复杂易变，是种群分布和诸多环境变量共同作用的结果，国际上还没有针对虫媒疾病形成有效的风险评估体系和疫情评价指标，也无法实现对疫情趋势的有效预判，单纯依靠人为经验进行判断很容易产生较大偏差，同时虫媒疾病爆发急促，一旦出现早期病例，往往疫情会在数天内呈现爆发态势，所以从疾病防控的需要出发，不仅要及时掌握虫媒疾病流行状态，更重要的是通过现有数据及数学模型，预测疾病发展趋势，及时决策并积极采取相应的防控措施。
面对虫媒疾病疫情预测问题，往往需要收集虫媒疾病环境变量和种群分布信息，而实时监测环境和种群变化的难度较大，对大量多元异质数据的整合汇总及特征提取成为多因素、多变量预测的主要难题之一，基于复杂数据集的方法无法保证疾病预测的时效性和准确性，尤其在小时间尺度条件下的预测更加困难。国内外主要研究方向是通过传统的统计方法如累积和控制图模型、小波变换模型等进行疫情预测，预测结果误差较大，容易造成对虫媒疾病疫情趋势的误判，严重影响疾控组织和人员对于虫媒疾病爆发态势的动态响应。近年来的研究广泛基于长短期记忆模型、注意力模型等方法进行疫情预测，虽然模型精确度有所提升，但训练模型需要大量疫情数据和环境资料，在小样本空间下模型的预测精度大幅下降，同时模型对近期数据敏感度低，无法满足防控的实际需求。
发明内容
本发明技术解决问题：克服现有技术中存在的不足，提供一种基于滑动窗口时序模型的虫媒疾病预测方法及系统，具有科学可行、准确度高的优点，不仅可以实现基于小时间尺度条件下的有效预测，而且克服依靠单一模型预测的缺点，提升了虫媒疾病疫情态势的预测效果。
本发明解决其技术问题所采用的技术方案是：一种基于滑动窗口时序模型的虫媒疾病预测方法，包括以下步骤：
第一步，收集虫媒疾病病例信息，形成原始数据序列；
第二步，对原始数据序列进行分段，形成训练数据序列，建立时间序列模型，形成模型库；
第三步，基于滑动窗口机制和目标窗口区间的需求，对应选取时间序列模型，计算目标窗口区间的病例数；
第四步，利用热点图的表现形式，实现模型预测结果的动态可视化呈现。
进一步的，所述步骤一中，所述虫媒疾病病例信息是指虫媒疾病病例的现居住地址、发病日期和病例个数，依据现居住地址和发病日期对病例个数进行分类汇总，统计相关地区每日发病人数，未出现病例则用零填充，按时间先后顺序对统计结果进行排序，形成原始数据序列；
进一步的，所述步骤二中，所述训练数据序列是用滑动窗口方法对原始数据序列进行分段计算得到，包括如下过程：设置滑动窗口宽度上限和下限，选取起始位置和滑动窗口宽度，从起始位置开始向后移动窗口，每次移动步长为一个滑动窗口宽度，对每个滑动窗口宽度内的发病人数求和。通过选取起始位置和滑动窗口宽度，对应产生一条训练数据序列，由此一条训练数据序列训练产生一个时间序列模型。当滑动窗口移动到原始数据序列末段，剩余天数不足一个滑动窗口宽度时，该区间数据不进行处理。通过选取不同的起始位置和窗口宽度，训练产生若干时间序列模型，形成模型库；
进一步的，所述步骤二中，所述时间序列模型建立方法包括如下过程：设置差分阶数阈值、自回归阶数阈值和移动平均阶数阈值，针对每条训练数据序列，利用AugmentedDickey-Fuller Test检验其平稳性，若序列不平稳，则进行差分使其变为平稳序列。基于平稳序列，选取自回归阶数和移动平均阶数，建立时间序列模型，对结果残差进行Ljung-Box检验，计算时间序列模型的赤池信息量，仅保留赤池信息量最小且结果残差属于白噪声的时间序列模型，同时得到该时间序列模型在不同窗口的预测值；
进一步的，所述步骤三中，选取目标窗口区间的起始位置和窗口宽度，基于应包含此目标窗口区间的相关模型的预测值，计算目标窗口区间病例数。包括如下过程：选取目标窗口区间的起始位置和窗口宽度，目标窗口宽度应小于各模型的滑动窗口宽度，同时选取包含此目标窗口区间的若干模型组合，每个模型组合包含两个时间序列模型，且这两个时间序列模型的滑动窗口之差为目标窗口，基于每个模型组合的预测值及每个模型组合的权值，计算目标窗口区间的预测值；
进一步的，所述步骤四中，利用随时间变化的热点图的表现形式，实现模型预测结果的动态可视化呈现，所述呈现的方法包括基于地理区域的空间聚合热点图。
根据本发明的另一方面，提供一种基于滑动窗口时序模型的虫媒疾病预测系统，包括数据收集模块、训练数据序列合成及建模模块、滑动窗口预测模块、结果呈现模块，其中：
数据收集模块：收集虫媒疾病疫情数据，对数据进行统计形成原始数据序列；
训练数据序列合成及建模模块：设置不同宽度的滑动窗口对原始数据序列进行分段汇总，形成训练数据序列，基于训练数据序列产生最优时间序列模型，形成模型库；
滑动窗口预测模块：利用滑动窗口的方法，选取适合的模型组合并分配权重，得到降尺度条件下的预测值；
结果呈现模块：对预测结果进行空间聚合，利用热点图进行可视化呈现。
与现有技术方案相比，本发明的有益效果是：
(1)本发明通过收集虫媒疾病疫情数据，形成原始数据序列，进而产生不同位移、不同尺度的训练数据序列，充分利用原始数据，同时降低原始噪声对预测结果的干扰。
(2)本发明设计一种基于滑动窗口的多时间序列模型预测方法，实现在小单元位移、小时间尺度条件下的疫情预测，减少预测结果误差。
(3)本发明基于动态分配权重的方法对各模型的预测结果加权计算，提高预测准确率。
附图说明
图1为本发明方法流程示意图；
图2为本发明数据流示意图；
图3为本发明数据收集过程示意图；
图4为本发明基于地理区域的疫情预测热点图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明的基本思路在于，收集虫媒疾病疫情数据，依据发病日期和现居住地址对病例个数进行统计，未出现病例则用零填充，按时间先后顺序对统计结果进行排序，形成原始数据序列，设置不同的起始位置和滑动窗口宽度，分段统计形成训练数据序列，建立时间序列模型，选取目标窗口，基于滑动窗口机制计算目标窗口的预测值，利用基于地理区域的疫情热点图呈现预测结果。
为了实现本发明的方法，实施过程中使用四核阿里云服务器，CPU主频是3.2GHz，内存是8G，操作系统为Windows Server 2008；本地使用华为RH2288 v3服务器，24核，CPU主频是2.4GHz，32G内存，操作系统为Windows Server 2008R2；用户端配置CPU主频是3.4GHz，内存是8G，操作系统为Microsoft Windows 10，数据收集过程如图3所示，用户将虫媒疾病数据通过用户设备上传到本地服务器，本地服务器对原始数据进行处理，并分段统计形成训练数据序列，将训练数据序列传至云服务器进行时间序列建模，云服务器将计算结果返回本地服务器，本地服务器将结果传送至用户设备，用户通过本地设备即可浏览预测结果。
本发明流程示意图如图1所示，数据流图如图2所示，该方法具体步骤如下所示：
第一步，收集虫媒疾病病例信息，形成原始数据序列。
由用户通过本地设备上报疫情数据，收集数据的时间段为2014年1月1日至2019年8月31日，本地服务器依据现居住地址和发病日期对病例个数进行分类汇总，统计各地区每日发病人数，未出现病例则用零填充，按时间先后顺序对统计结果进行排序，形成原始数据序列。
第二步，对原始数据序列进行分段，形成训练数据序列，建立时间序列模型，形成模型库。
设原始数据序列SN＝(c1,c2,c3,…cN-1,cN)，其长度为N，设置滑动窗口宽度上限Winmax和滑动窗口宽度下限Winmin，预测窗口宽度下限PredictDaysmin，预测窗口宽度上限PredictDaysmax＝Winmin-1，在原始数据序列中以a为起始位置，滑动窗口宽度为b，Winmin≤b≤Winmax，0≤a≤b-1，从起始位置开始向后移动窗口，每次移动步长为一个滑动窗口宽度，对每个滑动窗口宽度内的原始数据求和，形成训练数据序列：
TrainM＝(C1,C2,C3,…CM-1,CM)，
Figure BDA0002432476670000051
其长度M满足M*b＝N-a-y,(0≤y<b)，当滑动窗口移动到原始数据序列末段，剩余天数不足一个滑动窗口宽度时，记为第d天，有d＝N-y+1。
由本地服务器将原始数据序列上传至云服务器。云服务器进行时间序列建模，首先设置差分阶数阈值、自回归阶数阈值和移动平均阶数阈值，利用Augmented Dickey-Fuller Test检验其平稳性，若序列不平稳，进行差分变换使其变为平稳序列。基于平稳序列，选取自回归阶数和移动平均阶数，建立时间序列模型，计算时间序列模型的赤池信息量，保留赤池信息量最小的时间序列模型，同时得到该模型在不同窗口的预测值，记以a为起始位置，滑动窗口宽度为b的模型为
Figure BDA0002432476670000052
模型赤池信息量
Figure BDA0002432476670000053
其中x为模型参数个数，y为模型极大似然估计值。
对于模型
Figure BDA0002432476670000054
当其滑动窗口移动到原始数据序列末段，且剩余天数不足一个滑动窗口宽度时，需要从第d天开始产生预测值，设置预测长度阈值D，记
Figure BDA0002432476670000055
表示模型
Figure BDA0002432476670000056
从d′天开始，b天内发病人数的预测值，有d′≤D-b，且ρb＝d′-d，ρ为正整数。通过选取a、b，对应产生一条训练数据序列，由此一条训练数据序列训练产生一个时间序列模型，遍历a和b的所有取值，训练产生若干时间序列模型，形成模型库，计算各模型的赤池信息量和各模型在预测范围内所有滑动窗口的预测值。
第三步，基于滑动窗口机制和目标窗口区间的需求，对应选取时间序列模型，计算目标窗口区间的病例数。
设目标窗口区间起始于第x天，窗口宽度为m，即需要预测从第x天开始，m天内的发病人数，满足PredictDaysmin≤m≤PredictDaysmax且x+m≤D。
从模型库中选取两个模型，设为模型
Figure BDA0002432476670000057
和模型
Figure BDA0002432476670000058
满足PredictDaysmin+Winmin≤b≤Winmax，0≤a≤b-1，b′＝b-m，0≤a′≤b′-1，且满足下列条件之一：
1.x-a＝αb，x-a′＝βb′，α、β均为正整数；
2.x+m-a＝γb，x+m-a′＝θb′，γ、θ均为正整数。
则模型
Figure BDA0002432476670000059
和模型
Figure BDA00024324766700000510
各有一个滑动窗口包含目标窗口区间，且此处包含目标窗口区间的滑动窗口共同起始于第x天或共同结束于第x+m天，定义模型
Figure BDA00024324766700000511
的权重
Figure BDA0002432476670000061
模型
Figure BDA0002432476670000062
的权重
Figure BDA0002432476670000063
令
Figure BDA0002432476670000064
此两个模型构成一对模型组合，包含目标窗口区间的模型组合不止一对，对于包含起始于第x天，窗口宽度为m的目标窗口区间的若干模型组合，每一对模型组合的权重定义为：
Figure BDA0002432476670000065
Figure BDA0002432476670000066
其中Winmin≤i≤Winmax-m,Winmin≤j≤Winmax-m，满足k(p,q)＝q-n*p，n为正整数，且0<k(p,q)<p。
Figure BDA0002432476670000067
为权重归一化因子，计算方式如下：
Figure BDA0002432476670000068
由此计算目标窗口预测值Resm(x)：
Figure BDA0002432476670000069
第四步，利用热点图的表现形式，实现模型预测结果的动态可视化呈现。
基于地理位置信息，将预测结果通过热点图的表现形式呈现在地图上，并随时间进行演化，如图4所示，对云南省各市县虫媒疾病疫情预测的结果通过热点图的表现形式进行可视化呈现，图中热点覆盖范围内颜色越深，则表示该地区疫情爆发态势越为严重。此实例中虫媒疾病疫情预测相对误差为26％，基于传统时间序列预测方法的相对误差为38％，由此可见，本发明提出的基于滑动窗口时序模型的虫媒疾病预测方法可提高预测准确率。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (7)

1.一种基于滑动窗口时序模型的虫媒疾病预测方法，其特征在于，包括以下步骤：
步骤一，收集虫媒疾病病例信息，形成原始数据序列；
步骤二，对原始数据序列进行分段，形成训练数据序列，建立时间序列模型，形成模型库；
步骤三，基于滑动窗口机制和目标窗口区间的需求，对应选取时间序列模型，计算目标窗口区间的病例数；
步骤四，利用热点图的表现形式，实现模型预测结果的动态可视化呈现。
2.根据权利要求1所述的一种基于滑动窗口时序模型的虫媒疾病预测方法，其特征在于：
所述步骤一中，所述虫媒疾病病例信息是指虫媒疾病病例的现居住地址、发病日期和病例个数，依据现居住地址和发病日期对病例个数进行分类汇总，统计相关地区每日发病人数，未出现病例则用零填充，按时间先后顺序对统计结果进行排序，形成原始数据序列。
3.根据权利要求1所述的一种基于滑动窗口时序模型的虫媒疾病预测方法，其特征在于：
所述步骤二中，所述训练数据序列是用滑动窗口方法对原始数据序列进行分段计算得到，包括如下过程：设置滑动窗口宽度上限和下限，选取起始位置和滑动窗口宽度，从起始位置开始向后移动窗口，每次移动步长为一个滑动窗口宽度，对每个滑动窗口宽度内的发病人数求和；通过选取起始位置和滑动窗口宽度，对应产生一条训练数据序列，由此一条训练数据序列训练产生一个时间序列模型；当滑动窗口移动到原始数据序列末段，剩余天数不足一个滑动窗口宽度时，该区间数据不进行处理；通过选取不同的起始位置和窗口宽度，训练产生若干时间序列模型，形成模型库。
4.根据权利要求1所述的一种基于滑动窗口时序模型的虫媒疾病预测方法，其特征在于：
所述步骤二中，所述时间序列模型建立方法包括如下过程：
设置差分阶数阈值、自回归阶数阈值和移动平均阶数阈值，针对每条训练数据序列，利用Augmented Dickey-Fuller Test检验其平稳性，若序列不平稳，则进行差分使其变为平稳序列；基于平稳序列，选取自回归阶数和移动平均阶数，建立时间序列模型，对结果残差进行Ljung-Box检验，计算时间序列模型的赤池信息量，仅保留赤池信息量最小且结果残差属于白噪声的时间序列模型，同时得到该时间序列模型在不同窗口的预测值。
5.根据权利要求1所述的一种基于滑动窗口时序模型的虫媒疾病预测方法，其特征在于：
所述步骤三中，选取目标窗口区间的起始位置和窗口宽度，基于应包含此目标窗口区间的相关模型的预测值，计算目标窗口区间病例数，包括如下过程：
选取目标窗口区间的起始位置和窗口宽度，目标窗口宽度应小于各模型的滑动窗口宽度，同时选取包含此目标窗口区间的若干模型组合，每个模型组合包含两个时间序列模型，且这两个时间序列模型的滑动窗口之差为目标窗口，基于每个模型组合的预测值及每个模型组合的权值，计算目标窗口区间的预测值。
6.根据权利要求1所述的一种基于滑动窗口时序模型的虫媒疾病预测方法，其特征在于：
所述步骤四中，利用随时间变化的热点图的表现形式，实现模型预测结果的动态可视化呈现，所述呈现的方法包括基于地理区域的空间聚合热点图。
7.一种基于滑动窗口时序模型的虫媒疾病预测系统，其特征在于：
包括数据收集模块、训练数据序列合成及建模模块、滑动窗口预测模块、结果呈现模块，其中：
数据收集模块：用于收集虫媒疾病疫情数据，对数据进行统计形成原始数据序列；
训练数据序列合成及建模模块：用于设置不同宽度的滑动窗口对原始数据序列进行分段汇总，形成训练数据序列，基于训练数据序列产生最优时间序列模型，形成模型库；
滑动窗口预测模块：用于利用滑动窗口的方法，选取适合的模型组合并分配权重，得到降尺度条件下的预测值；
结果呈现模块：用于对预测结果进行空间聚合，利用热点图进行可视化呈现。
CN202010240755.4A 2020-03-31 2020-03-31 一种基于滑动窗口时序模型的虫媒疾病预测方法及系统 Active CN111462919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010240755.4A CN111462919B (zh) 2020-03-31 2020-03-31 一种基于滑动窗口时序模型的虫媒疾病预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010240755.4A CN111462919B (zh) 2020-03-31 2020-03-31 一种基于滑动窗口时序模型的虫媒疾病预测方法及系统

Publications (2)

Publication Number Publication Date
CN111462919A true CN111462919A (zh) 2020-07-28
CN111462919B CN111462919B (zh) 2023-01-13

Family

ID=71681772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010240755.4A Active CN111462919B (zh) 2020-03-31 2020-03-31 一种基于滑动窗口时序模型的虫媒疾病预测方法及系统

Country Status (1)

Country Link
CN (1) CN111462919B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112164471A (zh) * 2020-09-17 2021-01-01 吉林大学 基于分类回归模型的新冠疫情综合评估方法
CN112201361A (zh) * 2020-09-01 2021-01-08 浙江大学山东工业技术研究院 一种基于lstm模型的covid-19疫情预测方法
CN113327682A (zh) * 2020-02-28 2021-08-31 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于关键词搜索时间序列的传染病疫情预测与监控系统、方法及其应用
CN117423476A (zh) * 2023-12-18 2024-01-19 中国科学院地理科学与资源研究所 基于降尺度和贝叶斯模型的包虫病流行率预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140081652A1 (en) * 2012-09-14 2014-03-20 Risk Management Solutions Llc Automated Healthcare Risk Management System Utilizing Real-time Predictive Models, Risk Adjusted Provider Cost Index, Edit Analytics, Strategy Management, Managed Learning Environment, Contact Management, Forensic GUI, Case Management And Reporting System For Preventing And Detecting Healthcare Fraud, Abuse, Waste And Errors
CN108172301A (zh) * 2018-01-31 2018-06-15 中国科学院软件研究所 一种基于梯度提升树的蚊媒传染病疫情预测方法及系统
CN109493979A (zh) * 2018-10-23 2019-03-19 平安科技（深圳）有限公司 一种基于智能决策的疾病预测方法和装置
CN109933834A (zh) * 2018-12-26 2019-06-25 阿里巴巴集团控股有限公司 一种时序数据预测的模型创建方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140081652A1 (en) * 2012-09-14 2014-03-20 Risk Management Solutions Llc Automated Healthcare Risk Management System Utilizing Real-time Predictive Models, Risk Adjusted Provider Cost Index, Edit Analytics, Strategy Management, Managed Learning Environment, Contact Management, Forensic GUI, Case Management And Reporting System For Preventing And Detecting Healthcare Fraud, Abuse, Waste And Errors
CN108172301A (zh) * 2018-01-31 2018-06-15 中国科学院软件研究所 一种基于梯度提升树的蚊媒传染病疫情预测方法及系统
CN109493979A (zh) * 2018-10-23 2019-03-19 平安科技（深圳）有限公司 一种基于智能决策的疾病预测方法和装置
CN109933834A (zh) * 2018-12-26 2019-06-25 阿里巴巴集团控股有限公司 一种时序数据预测的模型创建方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113327682A (zh) * 2020-02-28 2021-08-31 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于关键词搜索时间序列的传染病疫情预测与监控系统、方法及其应用
CN112201361A (zh) * 2020-09-01 2021-01-08 浙江大学山东工业技术研究院 一种基于lstm模型的covid-19疫情预测方法
CN112164471A (zh) * 2020-09-17 2021-01-01 吉林大学 基于分类回归模型的新冠疫情综合评估方法
CN112164471B (zh) * 2020-09-17 2022-05-24 吉林大学 基于分类回归模型的新冠疫情综合评估方法
CN117423476A (zh) * 2023-12-18 2024-01-19 中国科学院地理科学与资源研究所 基于降尺度和贝叶斯模型的包虫病流行率预测方法
CN117423476B (zh) * 2023-12-18 2024-03-08 中国科学院地理科学与资源研究所 基于降尺度和贝叶斯模型的包虫病流行率预测方法

Also Published As

Publication number Publication date
CN111462919B (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN111462919B (zh) 一种基于滑动窗口时序模型的虫媒疾病预测方法及系统
WO2021051609A1 (zh) 细颗粒物污染等级的预测方法、装置及计算机设备
CN108172301B (zh) 一种基于梯度提升树的蚊媒传染病疫情预测方法及系统
AU2018101946A4 (en) Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton
Pham et al. Urban growth and change analysis using remote sensing and spatial metrics from 1975 to 2003 for Hanoi, Vietnam
CN110648014B (zh) 一种基于时空分位数回归的区域风电预测方法及系统
CN103577875B (zh) 一种基于fast的计算机辅助cad人数统计方法
Kang et al. Making the most of spatial information in health: a tutorial in Bayesian disease mapping for areal data
CN107016677A (zh) 一种基于fcn和cnn的云图分割方法
CN106951903B (zh) 一种人群移动规律的可视化方法
CN111832489A (zh) 一种基于目标检测的地铁人群密度估计方法及系统
CN112820415B (zh) 一种基于gis的慢性病时空演化特征分析及环境健康风险监测系统及方法
CN112215129A (zh) 一种基于排序损失和双分支网络的人群计数方法及系统
Anderson et al. Bayesian cluster detection via adjacency modelling
CN115455079A (zh) 一种基于事故数据和特征因素的事故多发点推荐方法
CN113836808A (zh) 一种基于重污染特征约束的pm2.5深度学习预测方法
CN115775634A (zh) 一种基于多变量核密度估计的虫媒疾病预测方法及系统
CN115660269A (zh) 一种基于安全感知的寒地街道空间品质评价方法、系统、计算机设备和可读存储介质
CN115147726B (zh) 城市形态图的生成方法、装置、电子设备和可读存储介质
CN110705408A (zh) 基于混合高斯人数分布学习的室内人数统计方法及系统
CN116110210A (zh) 复杂环境下数据驱动的滑坡灾害辅助决策方法
CN115292887A (zh) 基于病斑面积比率的植物病害严重度评估方法及装置
CN115879594A (zh) 一种基于地理探测器的城市定居人口分布趋势预测方法
CN114707785A (zh) 基于深度学习的农村居民点多尺度空间特征分析方法
Aderhold et al. Reconstructing ecological networks with hierarchical Bayesian regression and Mondrian processes

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