CN111696682A - 数据处理方法、装置、电子设备及可读存储介质 - Google Patents
数据处理方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111696682A CN111696682A CN202010454292.1A CN202010454292A CN111696682A CN 111696682 A CN111696682 A CN 111696682A CN 202010454292 A CN202010454292 A CN 202010454292A CN 111696682 A CN111696682 A CN 111696682A
- Authority
- CN
- China
- Prior art keywords
- data
- current
- curve
- historical
- value
- 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
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
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及数据处理技术领域,公开了一种数据处理方法、装置、电子设备及可读存储介质,包括:获取历史记录,从所述历史记录中提取多个历史病例数据,针对所述多个历史病例数据进行处理得到基线值集;接收当前疫情对应的当前数据,基于所述当前数据确定当前曲线;基于所述基线值集更新预设的分级模型得到数据分级模型,将所述当前曲线输入所述数据分级模型,得到所述当前疫情的等级数据。实施本申请实施例具有用户体验度高的优点,本申请可以应用于智慧医疗场景中,推动智慧城市进一步发展。
Description
技术领域
本申请涉及电子技术领域,具体涉及一种数据处理方法、装置、电子设备及可读存储介质。
背景技术
流感是一种通过呼吸道传播的急性病毒性感染疾病,可广泛传播,人群普遍易感。全球范围内,流感每年造成约300万至500万严重病例,约29万至65万例与呼吸道疾病相关的死亡。流感流行期间,可导致大量员工无法上班,生产力下降,同时产生大量的直接或间接的医疗费用,极大地加重社会经济负担。
目前,对流感强度的分级方法,主要通过相关人员对当前流感疫情的情况进行判断,确定当前流感疫情的强度等级,整个分级过程主要依靠相关人员的经验进行判定,主观性强,准确率不高,用户体验度低下。
发明内容
本申请实施例提供一种数据处理方法、装置、电子设备及可读存储介质,通过历史数据计算基线值,基于当前数据计算当前曲线,基于基线值和当前曲线计算得到等级数据,实现对疫情的分级,有利于降低疫情分级的主观性,提高疫情分级准确度,提高用户体验度。
第一方面,本申请一种数据处理方法,包括:
获取历史记录,从所述历史记录中提取多个历史病例数据,针对所述多个历史病例数据进行处理得到基线值集;
接收当前疫情对应的当前数据,基于所述当前数据确定当前曲线;
基于所述基线值集更新预设的分级模型得到数据分级模型,将所述当前曲线输入所述数据分级模型,得到所述当前疫情的等级数据。
第二方面,本申请实施例提供一种数据处理装置,包括:
获取单元,用于获取历史记录,从所述历史记录中提取多个历史病例数据,针对所述多个历史病例数据进行处理得到基线值集;
接收单元,用于接收当前疫情对应的当前数据,基于所述当前数据确定当前曲线;
计算单元,用于基于所述基线值集更新预设的分级模型得到数据分级模型,将所述当前曲线输入所述数据分级模型,得到所述当前疫情的等级数据。
第三方面,本申请实施例提供一种电子设备,其特征在于,包括处理器、存储器、通信设备以及一个或多个程序,处理器、存储器和通信设备相互连接,其中,通信设备用于与外部设备进行信息交互,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,上述程序包括用于执行本申请实施例第一方面任一方法中的步骤的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本申请实施例第一方面所述的方法中所描述的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面所述的方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
可以看出,在本申请实施例中,电子设备获取历史记录,从所述历史记录中提取多个历史病例数据,针对所述多个历史病例数据进行处理得到基线值集;接收当前疫情对应的当前数据,基于所述当前数据确定当前曲线;基于所述基线值集更新预设的分级模型得到数据分级模型,将所述当前曲线输入所述数据分级模型,得到所述当前疫情的等级数据。通过历史病例数据计算基线值集,通过当前数据计算当前曲线,基于基线值集和当前曲线计算等级数据,实现对疫情的分级,有利于降低疫情分级的主观性,提高疫情分级准确度,提高用户体验度,本申请可以应用于智慧医疗场景中,推动智慧城市进一步发展。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种数据处理方法的结构示意图;
图2是本申请实施例提供的另一种数据处理方法的流程示意图;
图3是本申请实施例提供的另一种数据处理方法的流程示意图;
图4是本申请实施例提供的另一种数据处理方法的流程示意图;
图5是本申请实施例提供的一种电子设备的结构示意图;
图6是本申请实施例提供的一种数据处理装置的功能单元组成框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结果或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
电子设备可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备(例如智能手表、智能手环、计步器等)、计算设备或连接到无线调制解调器的其他处理设备,以及各种形式的用户设备(User Equipment,UE),移动台(Mobile Station,MS),终端设备(terminal device)等等。为方便描述,上面提到的设备统称为电子设备。
数据存档(data archiving)是将不再经常使用的数据移到一个单独的存储设备来进行长期保存的过程。数据存档由旧的数据组成,但它是以后参考所必需且很重要的数据,其数据必须遵从规则来保存。数据存档具有索引和搜索功能,这样文件可以很容易地找到。
下面对本申请实施例进行详细介绍。
请参阅图1,图1是本申请实施例提供的一种数据处理方法的流程示意图,应用于电子设备,本数据处理方法包括:
步骤101、获取历史记录,从所述历史记录中提取多个历史病例数据,针对所述多个历史病例数据进行处理得到基线值集;
其中,所述基线值集可以包括:第一基线值、第二基线值和第三基线值。
在本申请实施例中,对该多个病例数据执行百分位数计算,得到第一基线值、第二基线值和第三基线值,该第一基线值、第二基线值和第三基线值用于量化历史数据,基于第一基线值、第二基线值和第三基线值还用于计算阈值,即用于对当前疫情进行分级。
步骤102、接收当前疫情对应的当前数据,基于所述当前数据确定当前曲线;
其中,当前数据包括:多个当前疫情时间点以及多个当前疫情时间点对应的多个病例数。
步骤103、基于所述基线值集更新预设的分级模型得到数据分级模型,将所述当前曲线输入所述数据分级模型,得到所述当前疫情的等级数据。
具体实施过程中,依据所述基线值集,即依据第一基线值、第二基线值、第三基线值和当前曲线生成分级请求,向预设分级服务器发送该分级请求,该预设分级服务器包括分级模型,该分级请求用于请求该分级服务器基于所述基线值集进行更新,得到数据分级模型,将当前曲线输入数据分级模型,接收分级服务器返回的分级响应,从该计算响应中获取该等级数据。
在一可能的示例中,所述针对所述多个历史病例数据进行处理得到基线值集,包括:从所述多个历史病例数据中提取多组历史数据;调用预设的数据处理模型,将所述多组历史数据输入所述数据处理模型,得所述基线值集,其中,所述基线值集包括:第一基线值P1、第二基线值P2和第三基线值P3。
可选的,所述数据处理模型可以包括:基线计算公式,所述数据处理模型依据所述基线计算公式对所述多组历史数据进行计算,得到所述基线值集,其中,所述基线计算公式包括:
其中,x为预设的基线参数,Px为基线值,Px表示在所述多个历史病例数据中有x%的历史病例数据小于Px且有(100-x)%的历史病例数据大于Px,L为Px所在历史病例数据组的下限,ix为组距,fx为频数,fL为Px所在历史病例数据组之前各历史病例数据组的累积频数,获取预设的第一基线参数、第二基线参数和第三基线参数,基于所述m*m个历史病例数据和所述基线计算公式计算所述第一基线参数对应的第一基线值P1、所述第二基线参数对应的第二基线值P2、第三基线参数对应的第三基线值P3。
具体实现过程中,假设第一基线参数为50,第二基线参数为75,第三基线参数为95,则将第一基线参数50代入基线计算公式,得到第一基线值
P1=L+(n*50%-fL/f50)i50,
将第二基线参数75代入基线计算公式,得到第二基线值
P2=L+(n*75%-fL/f75)i75,
将第三基线参数95代入基线计算公式,得到第三基线值
P3=L+(n*95%-fL/f95)i95。
在一可能的示例中,所述从所述多个历史病例数据中提取多组历史数据,包括:获取预设的数据提取规则,基于所述数据提取规则对所述多个历史病例数据执行提取操作,得到所述多组历史数据;其中,所述提取操作包括:获取当前年份,基于所述当前年份确定m个历史年份,其中,m为大于0的整数;从所述多个历史记录中提取所述m个历史年份的m个历史记录;获取当前日期,依据所述当前日期确定m个时间段;提取所述m个历史记录中每个历史记录与所述m个时间段对应的历史数据;
将所述历史数据上传至区块链中。
其中,所述多个历史病例数据可存储在如区块链在内的分布式网络中。
其中,基于历史数据得到对应的摘要信息,具体来说,摘要信息由历史数据进行散列处理得到,比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息,以便查证历史数据是否被篡改。
本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
可选的,基于当前年份确定m个历史年份,即假设当前年份为x,确定m个历史年为历史年份x-m年至历史年份x-1年,获取历史年份x-m年至历史年份x-1年对应的历史记录;获取当前日期,以当前日期为基准确定m个时间段,获取预设的时间间隔k,假设该当前日期为a,该当前日期对应的当前时间段为a~b,其中,日期a和日期b的时间间隔为k,则基于当前日期a确定的m个时间段分别为a-14~a-8、a-7~a-1、a~b、b+1~b+7、b+8~b+14,在该历史年份x-m年至历史年份x-1年中获取时间段a-14~a-8、a-7~a-1、a~b、b+1~b+7、b+8~b+14对应的m*m个历史数据。
具体实现过程中,假设m=5,k=7,当前年份为2020年,则获取2015-2019的历史记录,当前日期为2020.3.3,则当前日期对应的时间段为2.17-2.23、2.24-3.1、3.2-3.8、3.9-3.15、3.16-3.22,则从2015-2019中获取这五个时间段的历史数据,即25个历史数据,基于历史年份对历史数据进行标记,即,对2015年的五个时间段2.17-2.23、2.24-3.1、3.2-3.8、3.9-3.15、3.16-3.22对应的历史病例数据进行标记,该标记的内容为2015。
在一可能的示例中,所述基于所述当前数据确定当前曲线,包括:获取预设曲线权值β,其中,0<β<1;从所述当前数据中确定k个时间点和每个时间点的病例数,其中,k为大于0的整数;针对所述k个时间点中每个时间点执行以下操作:获取第t个时间点以及所述第t个时间点对应的病例数Mt,其中,0<t≤k,将所述曲线权值β以及所述病例数Mt作为预设的曲线值计算公式的输入,得到所述第t个时间点对应的当前曲线值EWMAt,所述曲线值计算公式包括EWMAt=β*Mt+(1-β)*EWMAt-1;得到k个当前曲线值EWMAt,基于所述k个当前曲线值EWMAt生成所述当前曲线EWMA。
可选的,确定k个时间点(例如,该k个时间点中任意一个时间点可以为2020.03.03),在当前数据中获取k个时间点对应的k个病例数,针对每个时间点执行当前曲线值计算循环,得到k个当前曲线值,连接k个当前曲线值可以得到当前曲线。
在本申请实施例中,指数加权移动平均法(EWMA)是用一组最近的实际数据来预测未来一期或几期内的预测数一种常用方法。常用来侦测流程的微小偏移,作用与累积和控制图(CUSUM)类似,但设置和操作通常要容易一些,在时间序列建模和预测领域应用十分广泛。
在一可能的示例中,所述基于所述基线值集更新预设的分级模型得到数据分级模型,包括:基于所述第一基线值P1、所述第二基线值P2、所述第三基线值P3和所述当前曲线EWMA确定第一阈值曲线Y1、第二阈值曲线Y2和第三阈值曲线Y3;获取所述分级模型,将第一阈值曲线Y1、所述第二阈值曲线Y2和所述第三阈值曲线Y3作为更新参数对所述数据分级模型进行更新,得到所述数据分级模型。
其中,所述分级模型为所述电子设备中存储的模型,也可以为分级服务器中存储的模型,在此不作限定。
在一可能的示例中,所述基于所述第一基线值P1、所述第二基线值P2、所述第三基线值P3和所述当前曲线EWMA确定第一阈值曲线Y1、第二阈值曲线Y2和第三阈值曲线Y3,包括:获取预设的阈值曲线计算公式;获取预设的计算权值ω,其中,0≤ω<1;将所述第一阈值曲线Y1、所述第二阈值曲线Y2和所述第三阈值曲线Y3分别与所述当前曲线EWMA作为所述阈值曲线计算公式的输入,得到所述第一阈值曲线Y1、所述第二阈值曲线Y2和所述第三阈值曲线Y3,其中,所述阈值曲线计算公式包括:Yx=ω*Px+(1-ω)EWMA。
可选的,基于第一基线值P1、当前曲线EWMA确定第一阈值曲线Y1,基于第二基线值P2、当前疫情曲线EWMA确定第二阈值曲线Y2,基于第三基线值P3、当前曲线EWMA确定第三阈值曲线Y3;基于第一阈值曲线Y1、第二阈值曲线Y2和所述第三阈值曲线Y3和当前曲线EWMA生成等级曲线。在一可能的示例中,所述基于所述第一基线值P1、所述第二基线值P2、所述第三基线值P3和所述当前曲线EWMA确定第一阈值曲线Y1、第二阈值曲线Y2和第三阈值曲线Y3,包括:获取预设的阈值曲线计算公式;获取预设的计算权值ω,其中,0≤ω<1;将所述第一阈值曲线Y1、所述第二阈值曲线Y2和所述第三阈值曲线Y3分别与所述当前曲线EWMA作为所述阈值曲线计算公式的输入,得到所述第一阈值曲线Y1、所述第二阈值曲线Y2和所述第三阈值曲线Y3,其中,所述阈值曲线计算公式包括:Yx=ω*Px+(1-ω)EWMA。
具体实现过程中,将所述第一基线值和所述当前曲线作为所述阈值曲线计算公式的输入,得到所述第一阈值曲线
Y1=ω*P50+(1-ω)EWMAt,
将所述第二基线值和所述当前曲线作为所述阈值曲线计算公式的输入,得到所述第二阈值曲线
Y2=ω*P75+(1-ω)EWMAt,
将所述第三基线值和所述当前曲线作为所述阈值曲线计算公式的输入,得到所述第三阈值曲线
Y3=ω*P95+(1-ω)EWMAt。
在一可能的示例中,所述方法还包括:依据所述基线值集确定等级判断规则;依据所述等级判断规则对所述当前疫情曲线中每个当前曲线值执行判断操作,得到所述每个当前曲线值对应的当前等级;依据所述每个当前曲线值和所述每个当前曲线值对应的当前等级生成所述等级数据,其中所述等级数据包括:等级曲线。
可选的,该依据所述等级判断规则对所述当前曲线中每个当前曲线值执行判断操作可以包括:针对所述当前曲线中每一个当前疫情曲线值执行判断,获取在所述当前曲线值在第一阈值曲线上对应的第一阈值、在第二阈值曲线上对应的第二阈值以及在第三阈值曲线上对应的第三阈值,判断所述当前曲线值是否小于所述第一阈值,若所述当前曲线值小于所述第一阈值,确定所述当前疫情曲线值对应的等级为第一级,若所述当前曲线值不小于所述第一阈值,判断所述当前疫情曲线值是否小于所述第二阈值,若所述当前疫情曲线值小于所述第二阈值,确定所述当前曲线值对应的等级为第二级,若所述当前曲线值不小于所述第二阈值,判断所述当前曲线值是否小于所述第三阈值,若所述当前曲线值小于所述第三阈值,确定所述当前曲线值对应的等级为第三极,若所述当前曲线值不小于所述第三阈值,确定所述当前曲线值对应的等级为第四级。
可以看出,在本申请实施例中,电子设备获取历史记录,从所述历史记录中提取多个历史病例数据,针对所述多个历史病例数据进行处理得到基线值集;接收当前疫情对应的当前数据,基于所述当前数据确定当前曲线;基于所述基线值集更新预设的分级模型得到数据分级模型,将所述当前曲线输入所述数据分级模型,得到所述当前疫情的等级数据。通过历史病例数据计算基线值集,通过当前数据计算当前曲线,基于基线值集和当前曲线计算等级数据,实现对疫情的分级,有利于降低疫情分级的主观性,提高疫情分级准确度,提高用户体验度,本申请可以应用于智慧医疗场景中,推动智慧城市进一步发展。
请参阅图2,图2是本申请实施例提供的另一种数据处理方法的流程示意图,应用于电子设备,本数据处理方法包括:
步骤201、获取历史记录,从所述历史记录中提取多个历史病例数据,从所述多个历史病例数据中提取多组历史数据;
步骤202、调用预设的数据处理模型,将所述多组历史数据输入所述数据处理模型,得所述基线值集,其中,所述基线值集包括:第一基线值P1、第二基线值P2和第三基线值P3;
步骤203、接收当前疫情对应的当前数据,基于所述当前数据确定当前曲线;
步骤204、基于所述基线值集更新预设的分级模型得到数据分级模型,将所述当前曲线输入所述数据分级模型,得到所述当前疫情的等级数据。
其中,上述步骤201-步骤204的具体描述可以参照上述图1所描述的数据处理方法的相应步骤,在此不再赘述。
可以看出,在本申请实施例中,电子设备获取历史记录,从所述历史记录中提取多个历史病例数据,从所述多个历史病例数据中提取多组历史数据;调用预设的数据处理模型,将所述多组历史数据输入所述数据处理模型,得所述基线值集,其中,所述基线值集包括:第一基线值P1、第二基线值P2和第三基线值P3;接收当前疫情对应的当前数据,基于所述当前数据确定当前曲线;基于所述基线值集更新预设的分级模型得到数据分级模型,将所述当前曲线输入所述数据分级模型,得到所述当前疫情的等级数据。如此,可以通过从历史年份获取相应的历史数据,基于历史数据计算基线值集,有利于提高基线值计算的合理性,基于历史数据和当前数据计算等级曲线,有利于提高疫情分级准确度,提高用户体验度。
请参阅图3,图3是本申请实施例提供的另一种数据处理方法的流程示意图,应用于电子设备,本数据处理方法包括:
步骤301、获取历史记录,从所述历史记录中提取多个历史病例数据,从所述多个历史病例数据中提取多组历史数据;
步骤302、获取预设的数据提取规则,基于所述数据提取规则对所述多个历史病例数据执行提取操作,得到所述多组历史数据;其中,所述提取操作包括:获取当前年份,基于所述当前年份确定m个历史年份,其中,m为大于0的整数;从所述多个历史记录中提取所述m个历史年份的m个历史记录;获取当前日期,依据所述当前日期确定m个时间段;提取所述m个历史记录中每个历史记录与所述m个时间段对应的历史数据;将所述历史数据上传至区块链中;
步骤303、调用预设的数据处理模型,将所述多组历史数据输入所述数据处理模型,得所述基线值集,其中,所述基线值集包括:第一基线值P1、第二基线值P2和第三基线值P3;
步骤304、将所述第一基线值、所述第二基线值和所述第三基线值和所述当前疫情曲线作为预设流感预警模型进行计算,得到所述当前流感疫情对应的等级曲线;
步骤305、接收当前疫情对应的当前数据,基于所述当前数据确定当前曲线;
步骤306、基于所述基线值集更新预设的分级模型得到数据分级模型,将所述当前曲线输入所述数据分级模型,得到所述当前疫情的等级数据。
其中,上述步骤301-步骤306的具体描述可以参照上述图1所描述的数据处理方法的相应步骤,在此不再赘述。
可以看出,在本申请实施例中,电子设备获取历史记录,从所述历史记录中提取多个历史病例数据,从所述多个历史病例数据中提取多组历史数据;获取预设的数据提取规则,基于所述数据提取规则对所述多个历史病例数据执行提取操作,得到所述多组历史数据;其中,所述提取操作包括:获取当前年份,基于所述当前年份确定m个历史年份,其中,m为大于0的整数;从所述多个历史记录中提取所述m个历史年份的m个历史记录;获取当前日期,依据所述当前日期确定m个时间段;提取所述m个历史记录中每个历史记录与所述m个时间段对应的历史数据;将所述历史数据上传至区块链中;调用预设的数据处理模型,将所述多组历史数据输入所述数据处理模型,得所述基线值集,其中,所述基线值集包括:第一基线值P1、第二基线值P2和第三基线值P3;将所述第一基线值、所述第二基线值和所述第三基线值和所述当前疫情曲线作为预设流感预警模型进行计算,得到所述当前流感疫情对应的等级曲线;接收当前疫情对应的当前数据,基于所述当前数据确定当前曲线;基于所述基线值集更新预设的分级模型得到数据分级模型,将所述当前曲线输入所述数据分级模型,得到所述当前疫情的等级数据。如此,通过历史数据计算三个基线值,通过当前数据计算当前曲线,基于三个基线值和当前曲线确定等级数据,实现对流感疫情的分级,有利于降低流感疫情分级的主观性,提高流感疫情分级准确度,提高用户体验度。本申请可以应用于智慧医疗场景中,推动智慧城市进一步发展。
请参阅图4,图4是本申请实施例提供的另一种流数据处理方法的流程示意图,应用于电子设备,本流感疫情分级方法包括:
步骤401、获取历史记录,从所述历史记录中提取多个历史病例数据,针对所述多个历史病例数据进行处理得到基线值集;
步骤402、接收当前疫情对应的当前数据,基于所述当前数据确定当前曲线;
步骤403、依据所述基线值集确定等级判断规则;
步骤404、依据所述等级判断规则对所述当前疫情曲线中每个当前曲线值执行判断操作,得到所述每个当前曲线值对应的当前等级;
步骤405、依据所述每个当前曲线值和所述每个当前曲线值对应的当前等级生成所述等级数据,其中所述等级数据包括:等级曲线。
其中,上述步骤401-步骤405的具体描述可以参照上述图1所描述的流感疫情分级方法的相应步骤,在此不再赘述。
可以看出,在本申请实施例中,电子设备获取历史记录,从所述历史记录中提取多个历史病例数据,针对所述多个历史病例数据进行处理得到基线值集;接收当前疫情对应的当前数据,基于所述当前数据确定当前曲线;依据所述基线值集确定等级判断规则;依据所述等级判断规则对所述当前疫情曲线中每个当前曲线值执行判断操作,得到所述每个当前曲线值对应的当前等级;依据所述每个当前曲线值和所述每个当前曲线值对应的当前等级生成所述等级数据,其中所述等级数据包括:等级曲线。如此,可以通过第一阈值、第二阈值和第三阈值对当前曲线中每个当前曲线值等级进行划分从而实现疫情分级,有利于降低主观性,提高用户体验度。本申请可以应用于智慧医疗场景中,推动智慧城市进一步发展。
请参阅图5,图5是本申请实施例提供的一种电子设备500的结构示意图,如图所示,所述电子设备500包括应用处理器510、存储器520、通信接口530以及一个或多个程序521,其中,所述一个或多个程序521被存储在上述存储器520中,并且被配置由上述应用处理器510执行,所述一个或多个程序521包括用于执行以下步骤的指令:
获取历史记录,从所述历史记录中提取多个历史病例数据,针对所述多个历史病例数据进行处理得到基线值集;
接收当前疫情对应的当前数据,基于所述当前数据确定当前曲线;
基于所述基线值集更新预设的分级模型得到数据分级模型,将所述当前曲线输入所述数据分级模型,得到所述当前疫情的等级数据。
可以看出,在本申请实施例中,电子设备获取历史记录,从所述历史记录中提取多个历史病例数据,针对所述多个历史病例数据进行处理得到基线值集;接收当前疫情对应的当前数据,基于所述当前数据确定当前曲线;基于所述基线值集更新预设的分级模型得到数据分级模型,将所述当前曲线输入所述数据分级模型,得到所述当前疫情的等级数据。通过历史病例数据计算基线值集,通过当前数据计算当前曲线,基于基线值集和当前曲线计算等级数据,实现对疫情的分级,有利于降低疫情分级的主观性,提高疫情分级准确度,提高用户体验度。
在一可能的示例中,所述针对所述多个历史病例数据进行处理得到基线值集,所述程序中的指令具体用于执行以下操作:从所述多个历史病例数据中提取多组历史数据;调用预设的数据处理模型,将所述多组历史数据输入所述数据处理模型,得所述基线值集,其中,所述基线值集包括:第一基线值P1、第二基线值P2和第三基线值P3。
在一可能的示例中,所述从所述多个历史病例数据中提取多组历史数据,所述程序中的指令具体用于执行以下操作:获取预设的数据提取规则,基于所述数据提取规则对所述多个历史病例数据执行提取操作,得到所述多组历史数据;其中,所述提取操作包括:获取当前年份,基于所述当前年份确定m个历史年份,其中,m为大于0的整数;从所述多个历史记录中提取所述m个历史年份的m个历史记录;获取当前日期,依据所述当前日期确定m个时间段;提取所述m个历史记录中每个历史记录与所述m个时间段对应的历史数据;将所述历史数据上传至区块链中。
在一可能的示例中,所述基于所述当前数据确定当前曲线,所述程序中的指令具体用于执行以下操作:获取预设曲线权值β,其中,0<β<1;从所述当前数据中确定k个时间点和每个时间点的病例数,其中,k为大于0的整数;针对所述k个时间点中每个时间点执行以下操作:获取第t个时间点以及所述第t个时间点对应的病例数Mt,其中,0<t≤k,将所述曲线权值β以及所述病例数Mt作为预设的曲线值计算公式的输入,得到所述第t个时间点对应的当前曲线值EWMAt,所述曲线值计算公式包括:EWMAt=β*Mt+(1-β)*EWMAt-1;得到k个当前曲线值EWMAt,基于所述k个当前曲线值EWMAt生成所述当前曲线EWMA。
在一可能的示例中,所述基于所述基线值集更新预设的分级模型得到数据分级模型,所述程序中的指令具体用于执行以下操作:基于所述第一基线值P1、所述第二基线值P2、所述第三基线值P3和所述当前曲线EWMA确定第一阈值曲线Y1、第二阈值曲线Y2和第三阈值曲线Y3;获取所述分级模型,将第一阈值曲线Y1、所述第二阈值曲线Y2和所述第三阈值曲线Y3作为更新参数对所述数据分级模型进行更新,得到所述数据分级模型。
在一可能的示例中,所述基于所述第一基线值P1、所述第二基线值P2、所述第三基线值P3和所述当前曲线EWMA确定第一阈值曲线Y1、第二阈值曲线Y2和第三阈值曲线Y3,所述程序中的指令具体用于执行以下操作:获取预设的阈值曲线计算公式;获取预设的计算权值ω,其中,0≤ω<1;将所述第一阈值曲线Y1、所述第二阈值曲线Y2和所述第三阈值曲线Y3分别与所述当前曲线EWMA作为所述阈值曲线计算公式的输入,得到所述第一阈值曲线Y1、所述第二阈值曲线Y2和所述第三阈值曲线Y3,其中,所述阈值曲线计算公式包括:
Yx=ω*Px+(1-ω)EWMA。
在一可能的示例中,所述程序中的指令还用于执行以下操作:依据所述基线值集确定等级判断规则;依据所述等级判断规则对所述当前疫情曲线中每个当前曲线值执行判断操作,得到所述每个当前曲线值对应的当前等级;依据所述每个当前曲线值和所述每个当前曲线值对应的当前等级生成所述等级数据,其中所述等级数据包括:等级曲线。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,电子设备为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个控制单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。需要说明的是,本申请实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
图6是本申请实施例中所涉及的流感疫情分级装置600的功能单元组成框图。该流感疫情分级装置600应用于电子设备,流感疫情分级装置600包括获取单元601、接收单元602和计算单元603,其中:
获取单元601,用于获取历史记录,从所述历史记录中提取多个历史病例数据,针对所述多个历史病例数据进行处理得到基线值集;
接收单元602,用于接收当前疫情对应的当前数据,基于所述当前数据确定当前曲线;
计算单元603,用于基于所述基线值集更新预设的分级模型得到数据分级模型,将所述当前曲线输入所述数据分级模型,得到所述当前疫情的等级数据。
可以看出,在本申请实施例中,电子设备获取历史记录,从所述历史记录中提取多个历史病例数据,针对所述多个历史病例数据进行处理得到基线值集;接收当前疫情对应的当前数据,基于所述当前数据确定当前曲线;基于所述基线值集更新预设的分级模型得到数据分级模型,将所述当前曲线输入所述数据分级模型,得到所述当前疫情的等级数据。通过历史病例数据计算基线值集,通过当前数据计算当前曲线,基于基线值集和当前曲线计算等级数据,实现对疫情的分级,有利于降低疫情分级的主观性,提高疫情分级准确度,提高用户体验度。本申请可以应用于智慧医疗场景中,推动智慧城市进一步发展。
在一可能的示例中,在所述针对所述多个历史病例数据进行处理得到基线值集方面,所述获取单元601,具体用于:从所述多个历史病例数据中提取多组历史数据;调用预设的数据处理模型,将所述多组历史数据输入所述数据处理模型,得所述基线值集,其中,所述基线值集包括:第一基线值P1、第二基线值P2和第三基线值P3。
在一可能的示例中,在所述从所述多个历史病例数据中提取多组历史数据方面,所述获取单元601,具体用于:获取预设的数据提取规则,基于所述数据提取规则对所述多个历史病例数据执行提取操作,得到所述多组历史数据;其中,所述提取操作包括:获取当前年份,基于所述当前年份确定m个历史年份,其中,m为大于0的整数;从所述多个历史记录中提取所述m个历史年份的m个历史记录;获取当前日期,依据所述当前日期确定m个时间段;提取所述m个历史记录中每个历史记录与所述m个时间段对应的历史数据;将所述历史数据上传至区块链中。
在一可能的示例中,在所述基于所述当前数据确定当前曲线方面,所述接收单元602,具体用于:获取预设曲线权值β,其中,0<β<1;从所述当前数据中确定k个时间点和每个时间点的病例数,其中,k为大于0的整数;针对所述k个时间点中每个时间点执行以下操作:获取第t个时间点以及所述第t个时间点对应的病例数Mt,其中,0<t≤k,将所述曲线权值β以及所述病例数Mt作为预设的曲线值计算公式的输入,得到所述第t个时间点对应的当前曲线值EWMAt,所述曲线值计算公式包括:
EWMAt=β*Mt+(1-β)*EWMAt-1;
得到k个当前曲线值EWMAt,基于所述k个当前曲线值EWMAt生成所述当前曲线EWMA。
在一可能的示例中,在所述基于所述基线值集更新预设的分级模型得到数据分级模型方面,所述计算单元603,具体用于:基于所述第一基线值P1、所述第二基线值P2、所述第三基线值P3和所述当前曲线EWMA确定第一阈值曲线Y1、第二阈值曲线Y2和第三阈值曲线Y3;获取所述分级模型,将第一阈值曲线Y1、所述第二阈值曲线Y2和所述第三阈值曲线Y3作为更新参数对所述数据分级模型进行更新,得到所述数据分级模型。
在一可能的示例中,在所述基于所述第一基线值P1、所述第二基线值P2、所述第三基线值P3和所述当前曲线EWMA确定第一阈值曲线Y1、第二阈值曲线Y2和第三阈值曲线Y3方面,所述计算单元603,具体用于:获取预设的阈值曲线计算公式;获取预设的计算权值ω,其中,0≤ω<1;将所述第一阈值曲线Y1、所述第二阈值曲线Y2和所述第三阈值曲线Y3分别与所述当前曲线EWMA作为所述阈值曲线计算公式的输入,得到所述第一阈值曲线Y1、所述第二阈值曲线Y2和所述第三阈值曲线Y3,其中,所述阈值曲线计算公式包括:
Yx=ω*Px+(1-ω)EWMA。
在一可能的示例中,所述计算单元603,还用于:依据所述基线值集确定等级判断规则;依据所述等级判断规则对所述当前疫情曲线中每个当前曲线值执行判断操作,得到所述每个当前曲线值对应的当前等级;依据所述每个当前曲线值和所述每个当前曲线值对应的当前等级生成所述等级数据,其中所述等级数据包括:等级曲线。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括电子设备。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括电子设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种数据处理方法,其特征在于,包括:
获取历史记录,从所述历史记录中提取多个历史病例数据,针对所述多个历史病例数据进行处理得到基线值集;
接收当前疫情对应的当前数据,基于所述当前数据确定当前曲线;
基于所述基线值集更新预设的分级模型得到数据分级模型,将所述当前曲线输入所述数据分级模型,得到所述当前疫情的等级数据。
2.根据权利要求1所述的方法,其特征在于,所述针对所述多个历史病例数据进行处理得到基线值集,包括:
从所述多个历史病例数据中提取多组历史数据;
调用预设的数据处理模型,将所述多组历史数据输入所述数据处理模型,得所述基线值集,其中,所述基线值集包括:第一基线值P1、第二基线值P2和第三基线值P3。
3.根据权利要求2所述的方法,其特征在于,所述从所述多个历史病例数据中提取多组历史数据,包括:
获取预设的数据提取规则,基于所述数据提取规则对所述多个历史病例数据执行提取操作,得到所述多组历史数据;
其中,所述提取操作包括:获取当前年份,基于所述当前年份确定m个历史年份,其中,m为大于0的整数;从所述多个历史记录中提取所述m个历史年份的m个历史记录;获取当前日期,依据所述当前日期确定m个时间段;提取所述m个历史记录中每个历史记录与所述m个时间段对应的历史数据;
将所述历史数据上传至区块链中。
4.根据权利要求1所述的方法,其特征在于,所述基于所述当前数据确定当前曲线,包括:
获取预设曲线权值β,其中,0<β<1;
从所述当前数据中确定k个时间点和每个时间点的病例数,其中,k为大于0的整数;
针对所述k个时间点中每个时间点执行以下操作:获取第t个时间点以及所述第t个时间点对应的病例数Mt,其中,0<t≤k,将所述曲线权值β以及所述病例数Mt作为预设的曲线值计算公式的输入,得到所述第t个时间点对应的当前曲线值EWMAt,所述曲线值计算公式包括:
EWMAt=β*Mt+(1-β)*EWMAt-1;
得到k个当前曲线值EWMAt,基于所述k个当前曲线值EWMAt生成所述当前曲线EWMA。
5.根据权利要求1所述的方法,其特征在于,所述基于所述基线值集更新预设的分级模型得到数据分级模型,包括:
基于所述第一基线值P1、所述第二基线值P2、所述第三基线值P3和所述当前曲线EWMA确定第一阈值曲线Y1、第二阈值曲线Y2和第三阈值曲线Y3;
获取所述分级模型,将第一阈值曲线Y1、所述第二阈值曲线Y2和所述第三阈值曲线Y3作为更新参数对所述数据分级模型进行更新,得到所述数据分级模型。
6.根据权利要求5所述的方法,其特征在于,所述基于所述第一基线值P1、所述第二基线值P2、所述第三基线值P3和所述当前曲线EWMA确定第一阈值曲线Y1、第二阈值曲线Y2和第三阈值曲线Y3,包括:
获取预设的阈值曲线计算公式;
获取预设的计算权值ω,其中,0≤ω<1;
将所述第一阈值曲线Y1、所述第二阈值曲线Y2和所述第三阈值曲线Y3分别与所述当前曲线EWMA作为所述阈值曲线计算公式的输入,得到所述第一阈值曲线Y1、所述第二阈值曲线Y2和所述第三阈值曲线Y3,其中,所述阈值曲线计算公式包括:
Yx=ω*Px+(1-ω)EWMA。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:
依据所述基线值集确定等级判断规则;
依据所述等级判断规则对所述当前疫情曲线中每个当前曲线值执行判断操作,得到所述每个当前曲线值对应的当前等级;
依据所述每个当前曲线值和所述每个当前曲线值对应的当前等级生成所述等级数据,其中所述等级数据包括:等级曲线。
8.一种数据处理装置,其特征在于,包括:
获取单元,用于获取历史记录,从所述历史记录中提取多个历史病例数据,针对所述多个历史病例数据进行处理得到基线值集;
接收单元,用于接收当前疫情对应的当前数据,基于所述当前数据确定当前曲线;
计算单元,用于基于所述基线值集更新预设的分级模型得到数据分级模型,将所述当前曲线输入所述数据分级模型,得到所述当前疫情的等级数据。
9.一种电子设备,其特征在于,包括处理器、存储器、通信设备以及一个或多个程序,处理器、存储器和通信设备相互连接,其中,通信设备用于与外部设备进行信息交互,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-7任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010454292.1A CN111696682A (zh) | 2020-05-26 | 2020-05-26 | 数据处理方法、装置、电子设备及可读存储介质 |
PCT/CN2020/099482 WO2021114631A1 (zh) | 2020-05-26 | 2020-06-30 | 数据处理方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010454292.1A CN111696682A (zh) | 2020-05-26 | 2020-05-26 | 数据处理方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111696682A true CN111696682A (zh) | 2020-09-22 |
Family
ID=72478340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010454292.1A Pending CN111696682A (zh) | 2020-05-26 | 2020-05-26 | 数据处理方法、装置、电子设备及可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111696682A (zh) |
WO (1) | WO2021114631A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113380423A (zh) * | 2021-05-24 | 2021-09-10 | 首都医科大学 | 疫情规模预测方法、装置、电子设备及存储介质 |
CN116502277A (zh) * | 2023-06-30 | 2023-07-28 | 中科乐约健康科技(深圳)有限公司 | 一种基于区块链的医疗数据安全处理方法、系统及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8671066B2 (en) * | 2010-12-30 | 2014-03-11 | Microsoft Corporation | Medical data prediction method using genetic algorithms |
KR20170053693A (ko) * | 2014-09-09 | 2017-05-16 | 레이도스 이노베이션즈 테크놀로지 인크. | 질환 검출 방법 및 장치 |
CN106951984B (zh) * | 2017-02-28 | 2021-02-02 | 深圳市华傲数据技术有限公司 | 一种系统健康度动态分析预测方法及装置 |
CN108427698A (zh) * | 2017-08-29 | 2018-08-21 | 平安科技(深圳)有限公司 | 预测模型的更新装置、方法及计算机可读存储介质 |
CN108597617B (zh) * | 2018-04-11 | 2022-05-20 | 平安科技(深圳)有限公司 | 流行病分级预测方法及装置、计算机装置和可读存储介质 |
CN108718303B (zh) * | 2018-05-09 | 2021-03-23 | 北京仁和诚信科技有限公司 | 安全运维管理方法及系统 |
CN110047593A (zh) * | 2019-04-12 | 2019-07-23 | 平安科技(深圳)有限公司 | 疾病流行季等级的确定方法、装置、设备及可读存储介质 |
-
2020
- 2020-05-26 CN CN202010454292.1A patent/CN111696682A/zh active Pending
- 2020-06-30 WO PCT/CN2020/099482 patent/WO2021114631A1/zh active Application Filing
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113380423A (zh) * | 2021-05-24 | 2021-09-10 | 首都医科大学 | 疫情规模预测方法、装置、电子设备及存储介质 |
CN116502277A (zh) * | 2023-06-30 | 2023-07-28 | 中科乐约健康科技(深圳)有限公司 | 一种基于区块链的医疗数据安全处理方法、系统及装置 |
CN116502277B (zh) * | 2023-06-30 | 2024-03-26 | 中科乐约健康科技(深圳)有限公司 | 一种基于区块链的医疗数据安全处理方法、系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2021114631A1 (zh) | 2021-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021212752A1 (zh) | 基于设备指标数据的异常检测方法、装置、设备及存储介质 | |
CN104680250B (zh) | 一种位置预测系统 | |
CN106682906B (zh) | 一种风险识别、业务处理方法和设备 | |
CN111127457A (zh) | 钢筋数目统计模型训练方法、统计方法、装置及设备 | |
CN107563549B (zh) | 一种基于bim模型的逃生路径生成方法、装置及设备 | |
US10611086B2 (en) | System and method for evaluating additive manufacturing index | |
CN112541745B (zh) | 用户行为数据分析方法、装置、电子设备及可读存储介质 | |
CN108256431A (zh) | 一种手部位置标识方法及装置 | |
CN111696682A (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN111785382A (zh) | DRGs分组的入组判定方法、装置及计算机设备 | |
CN112102959B (zh) | 一种服务器、数据处理方法、装置及可读存储介质 | |
CN107657357B (zh) | 数据的处理方法及装置 | |
CN112488163A (zh) | 一种异常账号的识别方法、装置、计算机设备及存储介质 | |
CN107330709B (zh) | 确定目标对象的方法及装置 | |
CN109118043B (zh) | 一种在线数据质量监控方法、装置、服务器及存储介质 | |
CN112990583A (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
CN108010357B (zh) | 限速信息校验/统计方法、装置及系统 | |
CN110472143A (zh) | 一种信息推送方法、装置、可读存储介质及终端设备 | |
CN108429632B (zh) | 一种业务监控方法和装置 | |
CN115760486A (zh) | 临建规模评估方法、装置、设备和可读存储介质 | |
CN116091276A (zh) | 基于深度学习的长时间序列预测方法、装置、设备及介质 | |
CN111291019B (zh) | 数据模型的相似判别方法及装置 | |
CN112084408A (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN109583453B (zh) | 图像的识别方法和装置、数据的识别方法、终端 | |
CN110852083A (zh) | 一种短信模板的生成方法及装置 |
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 |