CN111798989A - 基于防控措施预测疫情发展趋势的方法及相关设备 - Google Patents

基于防控措施预测疫情发展趋势的方法及相关设备 Download PDF

Info

Publication number
CN111798989A
CN111798989A CN202010647728.9A CN202010647728A CN111798989A CN 111798989 A CN111798989 A CN 111798989A CN 202010647728 A CN202010647728 A CN 202010647728A CN 111798989 A CN111798989 A CN 111798989A
Authority
CN
China
Prior art keywords
prevention
target
combination
effective
control
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
CN202010647728.9A
Other languages
English (en)
Inventor
杜鑫惠
焦增涛
焦晓康
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.)
Yidu Cloud Beijing Technology Co Ltd
Original Assignee
Yidu Cloud Beijing Technology 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 Yidu Cloud Beijing Technology Co Ltd filed Critical Yidu Cloud Beijing Technology Co Ltd
Priority to CN202010647728.9A priority Critical patent/CN111798989A/zh
Publication of CN111798989A publication Critical patent/CN111798989A/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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • 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
    • G06N3/08—Learning methods

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

本公开提供一种基于防控措施预测疫情发展趋势的方法、装置以及电子设备和计算机可读存储介质，该方法包括：获取第一地区在第一时间的第一属性特征；获取第一防控措施组合；根据所述第一属性特征和所述第一防控措施组合生成目标预测向量；通过预先训练好的神经网络模型对所述目标预测向量进行处理，预测在所述第一属性特征下所述第一防控措施组合对应的第一疫情人数有效再生数，以便通过所述第一疫情人数有效再生数确定所述第一地区在所述第一时间对应的第一有效防控措施组合。本公开实施例提供的技术方案，可以结合第一地区的第一属性特征和第一防控措施组合确定第一地区的第一疫情人数有效再生数，以便确定第一地区的第一有效防控措施组合。

Description

基于防控措施预测疫情发展趋势的方法及相关设备
技术领域
本公开涉及计算机与互联网技术领域，尤其涉及一种基于防控措施预测疫情发展趋势的方法及装置、电子设备和计算机可读存储介质。
背景技术
新冠状病毒是自1918年H1N1流感全球大流行以来对公共卫生的威胁情况最严重的呼吸道疾病。在没有有效疫苗的情况下，各个国家或地区均针对新冠状病毒采取了不同的非药物防控措施进行干预，以抑制新冠状病毒的传播。
但是，不同的国家或地区可能会有不同的国情或地域情况，这就导致同样的非药物防控措施在不同的国家或地区可能会产生不同的效果。
那么针对不同国情的国家或地区确定一个有效的防控措施组合，对于该地区或国家的新冠状病毒的控制至关重要。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。
发明内容
本公开实施例提供一种基于防控措施预测疫情发展趋势的方法及装置、电子设备和计算机可读存储介质，能够根据第一地区的属性特征确定第一有效防控措施组合。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
本公开实施例提出一种基于疫情防控措施预测疫情发展趋势的方法，该方法包括：获取第一地区在第一时间的第一属性特征；获取第一防控措施组合；根据所述第一属性特征和所述第一防控措施组合生成目标预测向量；通过预先训练好的神经网络模型对所述目标预测向量进行处理，预测在所述第一属性特征下所述第一防控措施组合对应的第一疫情人数有效再生数，以便通过所述第一疫情人数有效再生数确定所述第一地区在所述第一时间对应的第一有效防控措施组合。
在一些实施例中，所述第一防控措施组合包括至少一个防控措施；其中，通过预先训练好的神经网络模型对所述目标预测向量进行处理，预测在所述第一属性特征下所述第一防控措施组合对应的第一疫情人数有效再生数，包括：通过所述神经网络模型对所述目标预测向量进行处理；获取所述第一防控措施组合中各个防控措施对所述第一疫情人数有效再生数的影响值，以便根据所述各个防控措施对所述第一疫情人数有效再生数的影响值，确定所述第一有效防控措施组合。
在一些实施例中，根据所述第一属性特征和所述第一防控措施组合生成目标预测向量，包括：对所述第一防控措施组合中的各个防控措施分别进行归一化处理，以生成目标措施向量；对所述第一属性特征中的各个属性特征分别进行归一化处理，以生成目标属性向量；根据所述目标措施向量和所述目标属性向量生成所述目标预测向量。
在一些实施例中，对所述第一防控措施组合中的各个防控措施分别进行归一化处理，以生成目标措施向量，包括：根据各个防控措施的执行力度对所述第一防控措施组合中各个防控措施对应的值进行归一化处理，以便生成所述目标措施向量。
在一些实施例中，所述第一属性特征包括人口密度特征、经济特征、老龄化特征、宗教信仰特征、人群移动特征以及地理位置特征中的至少一个。
在一些实施例中，所述第一防控措施组合包括关闭学校、关闭工作场所、取消公共活动、限制聚会、公共交通停运、居家隔离要求、限制内部流动、边境控制、核酸检测或者密接追踪中的至少一个。
在一些实施例中，所述第一地区在所述第一时间采用所述第一有效防控措施组合进行目标疫情的防控；其中，所述基于防控措施预测疫情发展趋势的方法还可以包括：获取所述第一地区在所述第一时间的目标在院患者数以及所述第一地区在所述第一时间的确诊人数；根据所述第一有效防控措施组合对应的第一疫情人数有效再生数和所述确诊人数，确定所述第一地区在所述第一时间后的每日疫情新增人数；根据所述每日疫情新增人数和所述目标在院患者数，预测在所述第一时间后的每日在院患者数；根据所述每日在院患者数确定在院患者数超出目标在院人数范围的目标时间点，以便根据所述目标时间点对所述第一有效防控措施组合中的防控措施进行调整。
在一些实施例中，根据所述每日在院患者数确定在院患者数超出目标在院人数范围的目标时间点，以便根据所述目标时间点对所述第一有效防控措施组合中的防控措施进行调整，包括：若在所述第一有效防控措施组合实施后的第N天的在院患者数超出所述目标在院人数范围，则所述第N天为所述目标时间点；按照各个防控措施对所述第一地区的经济的影响的大小确定所述目标时间点对应的第二有效防控措施组合，N为大于或者等于1的正整数；根据所述第二有效防控措施组合，在所述目标时间点调整所述第一有效防控措施组合中的防控措施。
本公开实施例提出了一种基于防控措施预测疫情发展趋势的装置，该基于防控措施预测疫情发展趋势的装置可以包括：第一属性特征获取模块、第一防控措施组合获取模块、目标预测向量生成模块以及预测模块。
其中，所述第一属性特征获取模块可以配置为获取第一地区在第一时间的第一属性特征。所述第一防控措施组合获取模块可以配置为获取第一防控措施组合。所述目标预测向量生成模块可以配置为根据所述第一属性特征和所述第一防控措施组合生成目标预测向量。所述预测模块可以配置为通过预先训练好的神经网络模型对所述目标预测向量进行处理，预测在所述第一属性特征下所述第一防控措施组合对应的第一疫情人数有效再生数，以便通过所述第一疫情人数有效再生数确定所述第一地区在所述第一时间对应的第一有效防控措施组合。
本公开实施例提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一项所述的基于防控措施预测疫情发展趋势方法。
本公开实施例提出一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述任一项所述的基于防控措施预测疫情发展趋势的方法。
本公开实施例提出一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一项所述的基于防控措施预测疫情发展趋势的方法。
本公开实施例提供的防控措施预测疫情发展趋势的方法、装置及电子设备和计算机可读存储介质，通过预先训练好的神经网络模型对第一地区的第一属性特征和第一防控措施组合进行了处理，实现了对第一地区在第一防控措施组合干预下的第一疫情人数有效再生数的预测。通过第一疫情人数有效再生数，可以在各个第一防控措施组合中确定该第一地区的第一有效防控措施组合，以便为第一地区的疫情决策提供有效参考，有利于疫情的控制。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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示出了应用于本公开实施例的基于防控措施预测疫情发展趋势的方法或基于防控措施预测疫情发展趋势的装置的示例性系统架构的示意图。
图2是根据一示例性实施例示出的一种应用于基于防控措施预测疫情发展趋势的装置的计算机系统的结构示意图。
图3是根据一示例性实施例示出的一种基于防控措施预测疫情发展趋势的方法的流程图。
图4是图3中步骤S4在一示例性实施例中的流程图。
图5是图4中步骤S41在一示例性实施例中的流程图。
图6是根据一示例性实施例示出的一种基于防控措施预测疫情发展趋势的方法的流程图。
图7是图6中步骤S8在一示例性实施例中的流程图。
图8是根据一示例性实施例示出的各个国家地区针对目标疫情执行防控措施的时间。
图9是根据一示例性实施例示出的一种基于防控措施预测疫情发展趋势的装置的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
本公开所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图仅为本公开的示意性图解，图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和步骤，也不是必须按所描述的顺序执行。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本说明书中，用语“一个”、“一”、“该”、“所述”和“至少一个”用以表示存在一个或多个要素/组成部分/等；用语“包含”、“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”、“第二”和“第三”等仅作为标记使用，不是对其对象的数量限制。
下面结合附图对本公开示例实施方式进行详细说明。
图1示出了可以应用于本公开实施例的基于防控措施预测疫情发展趋势的方法或基于防控措施预测疫情发展趋势的装置的示例性系统架构的示意图。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。其中，终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、虚拟现实设备、智能家居等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理，并将处理结果反馈给终端设备。
服务器105可例如获取第一地区在第一时间的第一属性特征；服务器105可例如获取第一防控措施组合；服务器105可例如根据所述第一属性特征和所述第一防控措施组合生成目标预测向量；服务器105可例如通过预先训练好的神经网络模型对所述目标预测向量进行处理，预测在所述第一属性特征下所述第一防控措施组合对应的第一疫情人数有效再生数，以便通过所述第一疫情人数有效再生数确定所述第一地区在所述第一时间对应的第一有效防控措施组合。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的，服务器105可以是一个实体的服务器，还可以为多个服务器组成，根据实际需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图2，其示出了适于用来实现本申请实施例的终端设备的计算机系统200的结构示意图。图2示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图2所示，计算机系统200包括中央处理单元(CPU)201，其可以根据存储在只读存储器(ROM)202中的程序或者从储存部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有系统200操作所需的各种程序和数据。CPU 201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
以下部件连接至I/O接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分207；包括硬盘等的储存部分208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器210上，以便于从其上读出的计算机程序根据需要被安装入储存部分208。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本申请所示的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块和/或单元和/或子单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述模块和/或单元和/或子单元也可以设置在处理器中，例如，可以描述为：一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中，这些模块和/或单元和/或子单元的名称在某种情况下并不构成对该模块和/或单元和/或子单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备可实现功能包括：获取第一地区在第一时间的第一属性特征；获取第一防控措施组合；根据所述第一属性特征和所述第一防控措施组合生成目标预测向量；通过预先训练好的神经网络模型对所述目标预测向量进行处理，预测在所述第一属性特征下所述第一防控措施组合对应的第一疫情人数有效再生数，以便通过所述第一疫情人数有效再生数确定所述第一地区在所述第一时间对应的第一有效防控措施组合。
新冠状病毒是一种流行性传染病毒。在没有有效疫苗的情况下，不同的国家或地区均会针对该病毒实施一些非药物防控措施，旨在减少人群接触率，从而减少病毒的传播。
但是疫情传播速度非常之快，以至于有些国家或地区不得不在某一时刻采取非常严苛的干预措施以期能快速抑制疫情传播。但是，采取的措施越严格、时间越长，对公民的生活影响也越大。并且防控干预措施一旦开始实施，想要撤销并不是简单的事。而且，不同的国家或地区会有不同的国情或区域情况，不同的防控措施在不同的国家或地区也会有不同的效果。例如，有的国家或地区的人民因宗教原因无法接受戴口罩这一防控措施，那么戴口罩防控措施在该国家或地区将无法达到有效的疫情控制效果；再例如有些国家或地区因为经济原因无法关闭酒吧、影院等社交场所，所以在该国家或地区实时关闭酒吧、影院等防控措施也将达不到理想效果。
本公开实施例提供了一种技术方案，可以结合国家或地区的属性特征(例如国情或地区特性)，对不同的防控措施组合对目标疫情(例如新冠状病毒)的有效性进行量化，以便根据量化结果确定一种对目标国家或地区的目标疫情比较有效的防控措施组合，为国家或地区进行防疫提供有效的建议。
图3是根据一示例性实施例示出的一种基于防控措施预测疫情发展趋势的方法的流程图。本公开实施例所提供的方法可以由任意具备计算处理能力的电子设备处理，例如上述图1实施例中的服务器105和/或终端设备102、103，在下面的实施例中，以服务器105为执行主体为例进行举例说明，但本公开并不限定于此。
参照图3，本公开实施例提供的基于防控措施预测疫情发展趋势的方法可以包括以下步骤。
在步骤S1中，获取第一地区在第一时间的第一属性特征。
在一些实施例中，第一地区可以指的是国家，也可以指的是地区，还可以指的是某个国家的某个行政省、市、县、自治区以及直辖市等行政区域，任意可以实施防控措施的国家或地区均在本公开的保护范围之内，本公开对此不做限制。
在一些实施例中，第一时间可以指第一地区开始变更措施的时间点，也可以指的是措施变更之前的时间点，还可以指的是变更措施之后的时间点，本公开对此不做限制。
在一些实施例中，第一属性特征可以指的是第一地区的国情特征、地域特征，本公开对此不做限制。例如，第一地区在第一时间的第一属性特征可以指的是第一地区在第一时间的人口密度特征、经济特征、老龄化特征、宗教信仰特征、人群移动特征以及地理位置特征中的至少一个。
在一些实施例中，第一地区的经济特征可以指的是国内(地区)生产总值(GrossDomestic Product，GDP)、人均收入等可以衡量该国家或地区经济水平的特征，本公开对此不做限制。
在一些实施例中，老龄化特征可以指的是该国家或地区老龄化人口的总数，或老龄化人口在总人口中的占比。
在一些实施例中，宗教信仰特征可以指的是第一地区的人民主要的宗教信仰。例如，在第一地有50％以上的人信仰A宗教，那么A宗教就可以是第一地区的宗教信仰，本公开对第一地区的宗教信仰的种类、个数均不做限制，以实际需求为准。
在一些实施例中，人群移动特征可以指的是第一地区在指定地点的移动数据(出入人口数据)。其中，指定地点可以指的是公园、植物园、动物园、图书馆、火车站、飞机场等人群容易聚集的地方。
在一些实施例中，地理位置特征可以指的是该第一地区所处经纬度信息，也可以指的是该第一地区是否靠海、靠山等，本公开对此不做限制。
在一些实施例中，第一地区的第一属性特征还可以包括第一地区的总人口数，人均占地面积、主要贸易国(或地区)、主要旅游国(或地区)等，本公开对此不做限制。
可以理解的是，任意可以反映第一地区的属性特征的指标均在本公开的保护范围之内。
在步骤S2中，获取第一防控措施组合。
在一些实施例中，各个国家或地区针对目标疫情(例如新冠状病毒)均会采取一些非药物防控措施进行疫情干预。其中，非药物防控措施大致可以分为三大类：控制和管理措施、经济措施、健康系统措施。其中，控制和管理措施以及健康系统措施例如可以包括C1:关闭学校、C2:关闭工作场所、C3:取消公共活动、C4:限制聚会、C5:公共交通停运、C6:居家隔离要求、C7:限制内部流动、C8:边境控制、H2:核酸检测、H3:密接追踪等。
在一些实施例中，第一防控措施组合可以包括至少一个防控措施。可以理解的是，本公开对第一防控措施组合中的防控措施的个数种类并不做限制。例如，该第一防控措施组合可以包括关闭学校、关闭工作场所、取消公共活动、限制聚会、公共交通停运、居家隔离要求、限制内部流动、边境控制、核酸检测或者密接追踪中的至少一个。
一般来说，若第一地区在第一时间之前已经采取了一定的防控措施，如果要预测措施变更时间点(第一时间)的有效防控措施组合，可以在第一时间之前已经采取的防控措施的基础上进行调整，以获得该第一防控措施组合。例如，若第一时间之前已经采用防控措施组合{A,B,C,D}对目标疫情进行防控(A，B，C，D分别代表不同的防控措施)，那么第一防控措施组合就可以对防控措施组合{A,B,C,D}进行增删以确定第一防控措施组合。
在步骤S3中，根据所述第一属性特征和所述第一防控措施组合生成目标预测向量。
在一些实施例中，可以根据第一地区的第一属性特征的值和第一防控措施组合中各个防控措施的值生成目标预测向量。
在一些实施例中，由于各个第一属性特征以及第一防控措施组合中的各个防控措施的值的大小不可以直接用来进行特征的提取，所以可以对各个第一属性特征以及各个防控措施分别进行归一化处理，以生成目标预测向量。
其中，防控措施的值的大小可以用来描述防控措施的执行力度，例如可以提前将关闭学校防控措施划分为1、2、3个等级，其中等级1代表关闭学校防控措施的执行力度较弱，等级2代表关闭学校防控措施的执行力度一般，等级3代表关闭学校防控措施的执行力度较强；第一属性特征的值的大小可以用来描述第一地区第一属性的情况，例如可以提前将第一地区的GDP特征划分为1、2、3个等级，其中等级1代表第一地区的GDP落在第一范围内(大于0，低于第一阈值)，等级2代表第一地区的GDP落在第二范围内(大于等于第一阈值，低于第二阈值)，等级3代表第一地区的GDP落在第三范围内(大于等于第二阈值)。
如表1所示，假设目标预测向量包括[C1，C2，C3，C4，H1，H2，H3]等7维数据，其中C1代表关闭学校防控措施，C2代表关闭工作场所防控措施，C3代表取消公共活动防控措施，C4代表限制聚会防控措施，H1代表人口密度属性特征，H2代表GDP属性特征，H3代表人口老龄化占比属性特征。
假设第一地区在第一时间采取的第一防控措施组合及其对应的值如表1所示为[C1＝3.5，C2＝2.5，C3＝2.5]，由于第一地区在第一时刻的第一防控措施组合中并不包括C4，所以根据第一防控措施组合生成的目标预测向量中C4对应的值应该为0。
在一些实施例中，可以根据各个防控措施的执行力度对第一防控措施组合中各个防控措施对应的值进行归一化处理，并对第一地区各个第一属性特征的值分别进行归一化处理以便生成所述目标措施向量。
如表1所示，假设防控措施C1防控力度的最大值(例如为3.5)和最小值(例如为0)的差为3.5，那么对C1的原始值3.5进行归一化后可以获得归一化后值1。
可以理解的是，本公开对归一化方法并不做限制，任意可以实现归一化效果的方法均在本公开的保护范围之内。
表1
Figure BDA0002573698800000121
在步骤S4中，通过预先训练好的神经网络模型对所述目标预测向量进行处理，预测在所述第一属性特征下所述第一防控措施组合对应的第一疫情人数有效再生数，以便通过所述第一疫情人数有效再生数确定所述第一地区在所述第一时间对应的第一有效防控措施组合。
在一些实施例中，预先训练好的神经网络模型可以指的是预先训练好的卷积神经网络模型，也可以指的是预先训练好的循环神经网络模型等，可以理解的是任意可以实现分类的神经网络模型均在本公开的保护范围之内，本公开对此不做限制。
在一些实施例中，可以获取第二地区在第二时间实施的第二防控措施组合，以及第二地区在第二时间的第二属性特征，并根据该第二防控措施组合和第二属性特征生成目标训练向量(目标训练向量的生成过程与目标预测向量的生成过程类似，此处不再赘述)。
在一些实施例中，可以获取第二国家在实施第二防控措施后的第二疫情控制指标(例如第二防控措施实施后第t天的疫情有效人数再生数Rt与第1天疫情有效人数再生数R1的比值)作为训练标签，其中t为大于或者等于1的正整数。
其中，第t天的疫情人数有效再生数Rt可以指的是在t时刻一个病人在一个传播周期T内平均能感染的人数，也可以指的是在t时刻一个病人在一天内平均能传入的人数，本公开的对此不做限制。其中一个传播周期可以为目标疫情的潜伏期和确诊时间之和。例如，若目标疫情的潜伏周期平均为7天，确诊时间平均为3天，那么目标疫情的传播周期就可以为7+3＝10天。
其中，潜伏期可以指的是目标对象在染上目标疫情至病发的时间周期，确诊时间可以指的是目标对象通过一定的医疗手段确定自己染上目标疫情的实际周期。可以理解的是，目标疫情的潜伏期和确诊时间可能会随着时间的变化而变化。一般来说，目标疫情的潜伏期是符合特定分布的，例如泊松分布或韦伯分布等。
在一些实施例中，可以以第二疫情控制指标为目标训练向量的训练标签预先训练神经网格，以实现对第一地区在第一防控措施组合的干预下的第一疫情控制指标(例如第N天的疫情有效人数再生数与第1天的疫情人数有效再生数的必追)的预测。
在一些实施例中，可以根据预测的第一疫情控制指标确定在所述第一属性特征下所述第一防控措施组合对应的第一疫情人数有效再生数(例如上文中的Rt)，然后根据该第一疫情人数有效再生数确定所述第一地区在所述第一时间对应的第一有效防控措施组合。
在一些实施例中，可以选择第一疫情人数有效再生数超过目标阈值，并且对第一地区或国家经济或政治影响最小的第一防控措施组合作为该第一有效防控措施组合。
本实施例提供的技术方案，一方面使用神经网络模型对第一防控措施组合和第一属性特征进行处理，可以方便、快捷对第一防控措施组合进行量化；另一方面结合第一地区的属性特征对第一防控措施组合的有效性进行了量化处理，有效的预测了第一防控措施组合在第一地区的有效性；另外，根据神经网络模型的处理结果可以预测出第一地区在第一防控措施组合的干预下的第一疫情有效再审数，便于确定第一地区在第一时间对应的第一有效防控措施组合。
图4是图3中步骤S4在一示例性实施例中的流程图。
在一些实施例中，第一防控措施组合可以包括至少一个防控措施。
参考图4，上述步骤S4可以包括以下步骤。
在步骤S41中，通过所述神经网络模型对所述目标预测向量进行处理。
在一些实施例中，预先训练好的神经网络模型可以指的是预先训练好的渐进梯度回归树(Gradient BoostRegression Tree，GBRT)。
GBRT是一种迭代的回归决策树算法，该算法由多棵回归决策树组成，在实施例中，每一棵回归树学习的是之前所有树的结论和残差(负梯度)，拟合得到一个当前的残差回归树。在迭代的每一步构建的弱学习器都是为了弥补已有模型的不足，每个决策的枝杈都具有数据上的可解释性。GBRT还能够自动做多组特征间的交互，可以处理我们数据中防控措施特征和国家相关特征的非线性关联问题。在拟合待预测目标的同时，GBRT还可以基于特征在单棵树中重要度的平均值，得到特征的重要程度。
在一些实施例中，可以预先采集第二地区(或国家)在第二时间对目标疫情的防控措施进行调整后所采用的第二防控措施组合，以及第二地区(或国家)在第二时间点的第二属性特征，并根据第二防控措施组合以及第二属性特征生成训练该神经网络模型的目标训练向量。可以理解的是，目标国家或地区可以指的是多个国家或地区，本公开对此不做限制。
在一些实施例中，可以通过目标训练向量和第二国家在实施第二防控措施后的第二疫情控制指标(例如第二防控措施实施后第t天的疫情有效人数再生数Rt与第1天疫情有效人数再生数R1的比值)作为训练标签，训练该神经网络模型，其中t为大于或者等于1的正整数。
在步骤S42中，获取所述第一防控措施组合中各个防控措施对所述第一疫情人数有效再生数的影响值，以便根据所述各个防控措施对所述第一疫情人数有效再生数的影响值，确定所述第一有效防控措施组合。
在一些实施例中，通过预先训练的GBRT神经网络模型对目标预测向量进行处理，不仅可以获得第一疫情控制指标(例如第一防控措施实施后第t天的疫情有效人数再生数Rt与第1天疫情有效人数再生数R1的比值)，还可以获得目标预测向量中各个特征(与第一防控措施中的各个防控措施以及各个属性特征对应)对该第一疫情控制指标(也可以认为是第一疫情人数有效再生数)的影响值。
如表2所示，表2示出了目标预测向量中各个特征对(包括各个防控措施和各个第二属性特征)最终的第一疫情控制指标(例如第一防控措施实施后第t天的疫情有效人数再生数Rt与第1天疫情有效人数再生数R1的比值)的影响的大小，t为大于或者等于1的正整数。
如表2所示，排在第一位的表示对最终的目标值的影响最大，例如防控措施C4在人口密度为特点的国家/地区背景下，取消C4措施对第一疫情人数有效再生数的影响最大。
C4 0.1056517
H3 0.0491506
C5 0.0288271
C1 0.0243832
C2 0.0218051
C8 0.0189261
C6 0.0184697
C7 0.0169168
H2 0.0070437
C3 0.0034341
在一些实施例中，可以根据各个防控措施对第一疫情人数有效再生数的影响值调整第一防控措施组合中的措施，以便确定第一有效防控措施组合。
本实施例提供的技术方案，可以通过神经网络模型对第一地区的第一属性特征和第一防控措施组合的处理，在第一防控措施组合中确定各个防控措施对最终结果影响的大小值，以便根据该影响大小值对第一防控措施组合中的各个措施进行调整。例如，若当前第一疫情人数有效再生数较大不利于目标疫情的防控，希望缩紧防控措施，那么就可以将对第一疫情人数有效再生数影响较大的防控措施的防控力度调大；若当前第一疫情人数有效再生数较小，而当前第一防控措施组合对第一地区的经济或政治影响较大，那么可以考虑将第一防控措施组合中对第一疫情人数有效再生数影响较小的防控措施的防控力度减弱或者直接放开。
可以理解的是，本公开实施例并不限制第一有效防控措施组合的确定方法，任意国家或地区可以结合本公开实施例提供的第一疫情人数有效再生数和本国(或地区)的实际情况确定最优的第一有效防控措施组合。
图5是图4中步骤S41在一示例性实施例中的流程图。参考图5，上述步骤S4可以包括以下步骤。
在步骤S411中，对所述第一防控措施组合中的各个防控措施分别进行归一化处理，以生成目标措施向量。
如表1所示，可以对第一防控措施组合中的各个防控措施分别进行归一化处理，例如假设C5防控措施对应的最大防控力度为6，最小防控力度为1，第一防控措施组合中的C5的值为2，那么第一防控措施组合中C5归一化后的值为1/5，可以理解的是本公开对归一化方法不做限制。
在步骤S412中，对所述第一属性特征中的各个属性特征分别进行归一化处理，以生成目标属性向量。
对第一地区的第一属性特征与对第一防控措施组合中各个防控措施的归一化处理类似，本公开对此不做限制。
在步骤S413中根据所述目标措施向量和所述目标属性向量生成所述目标预测向量。
图6是根据一示例性实施例示出的一种基于防控措施预测疫情发展趋势的方法的流程图。
在一些实施例中，若第一地区在第一时间采用了第一有效防控措施组合进行目标疫情的防控，那么参考图6，上述基于防控措施预测疫情发展趋势的方法可以包括以下步骤。
在步骤S5中，获取所述第一地区在所述第一时间的目标在院患者数以及所述第一地区在所述第一时间的确诊人数。
在一些实施例中，第一地区在第一时间的目标在院患者数可以指的是第一地区在第一时间针对目标疫情(例如新冠状病毒)已经确诊且在院治疗的患者人数。
在一些实施例中，第一地区在第一时间的确诊人数可以指的是针对目标疫情具备一定传染性的人。可以理解的是，由于一些患者虽然具备一定的传染性，但是未必确诊或者未必能够表现出症状，导致无法准确的统计第一地区在第一时间点确诊人数，所以可以将那些通过医疗手段已经确诊的人作为本实施例中的确诊人数。当然，如果可以知道第一地区在第一时间针对目标疫情具备传染性的人数，那么就可以该人数作为本实施例中的确诊人数。
在步骤S6中，根据所述第一有效防控措施组合对应的第一疫情人数有效再生数和所述确诊人数，确定所述第一地区在所述第一时间后的每日疫情新增人数。
在一些实施例中，第一疫情人数有效再生数为在t时刻一个病人在一个传播周期T内平均能感染的人数，t为第一时间点之后的第t天，t小于或等于T，那么可以通过(第一时间点确诊人数*第一疫情人数有效再生数/周期T)确定在第一时间未来T天内的每日新增人数。
可以理解的是，第一时间点未来2T天之内的每日新增人数、3T天之内的每日新增人数……，均可以通过本实施例提供的方法确定。
在一些实施例中，由于第一地区在第一时间点采取第一防控措施组合后，之后每一天的第一疫情人数有效再生数的值可以确定，那么根据该第一疫情人数有效再生数可以确定第一时间点之后每一天的每日疫情新增人数。
例如，假设第一疫情人数有效再生数为在t时刻一个病人在一个传播周期T内平均能感染的人数，t为第一时间点之后的第t天，t小于等于T，那么可以根据该第一疫情人数有效再生数确定t天内每一天的日平均新增人数(即每日疫情新增人数)。
在步骤S7中，根据所述每日疫情新增人数和所述目标在院患者数，预测在所述第一时间后的每日在院患者数。
在一些实施例中，由于第一时间点之后的每一天的每日疫情新增人数已知，第一时间点的在院患者数也已知，还可以获知在院患者的出院周期(即入院多久之后可以出院)，那么就可以求出第一时间点之后的每日在院患者数(每日在院患者数＝每日新增确诊人数+每日在院患者数-每日出院人数)。一般来说，患者针对目标疫情的目标在院天数大致是可以确定的，例如针对新冠状病毒，患者在院治疗天数大概为20天。因此，在知道患者入院时间的情况下，只需要统计每日住院时间满足目标在院天数的患者即可确定每日出院人数。
在步骤S8中，根据所述每日在院患者数确定在院患者数超出目标在院人数范围的目标时间点，以便根据所述目标时间点对所述第一有效防控措施组合中的防控措施进行调整。
在一些实施例中，第一地区的医疗资源有限，可接诊的患者人数也有限，为避免目标疫情的患者人数过多，可以根据第一地区的医疗资源状况调整第一地区的防控措施。
在一些实施例中，可以通过第一地区的可接诊床位数确定目标在院人数范围。
在一些实施例中，可以根据第一时间点后的每日在院患者数，确定首次超出目标在院人数范围的目标时间点。可以理解的是，若目标时间点的每日在院患者数高于目标在院人数范围，那么目标疫情可能会爆发；若目标时间点的每日在院患者数低于目标在院人数范围，那么第一地区针对目标疫情的医疗资源发生过剩现象。
在一些实施例中，若目标时间点的在院患者数超出目标在院人数范围，则可以在目标时间点对第一地区的防控措施进行调整。
本实施例提供的技术方案，根据第一地区的第一防控措施组合确定了第一地区未来时间的每日在院患者数，并根据未来时间的每日在院患者数确定了目标疫情爆发(第一地区的医疗资源无法承受当然的患者人数)或医疗资源过剩的目标时间点，以便于根据该目标时间点进行防控措施的调整，实现了对疫情爆发或医疗资源过剩的提前预警。
图7是图6中步骤S8在一示例性实施例中的流程图。参考图7，上述步骤S8可以包括以下步骤。
在步骤S81中，若在所述第一有效防控措施组合实施后的第N天的在院患者数超出所述目标在院人数范围，则所述第N天为所述目标时间点。
在一些实施例中，由于第一地区的医疗资源有限，若因防控措施过松导致患者人数过多，会对第一地区的医疗资源产生极大的冲击；若因防控措施过紧导致患者人数较少，使得医疗资源过剩，那么将会因过紧的防控措施对第一地区的经济或正在产生不利的影响。
因此，需要设定一个合理的目标在院人数范围。在一些实施例中，该目标在院人数范围可以包括在院人数上限和在院人数下限。其中在院人数上限可以指的是第一地区的医疗资源上限，在院人数下限可以指的是第一地区的医疗资源下限，例如若第一地区的可接诊床位为10000张，那么第一地区的在院人数上限可以为10000*0.9＝9000，那么第一地区的在院人数下限可以为10000*0.3＝3000。
在步骤示S82中，按照各个防控措施对所述第一地区的经济的影响的大小确定所述目标时间点对应的第二有效防控措施组合，N为大于或者等于1的正整数。
在一些实施例中，若第一地区在目标时间点的在院患者数低于在院人数下限，则可以获取第一地区在第一时间执行的目标防控措施组合；根据该目标防控措施组合中各个防控措施对第一地区经济影响的大小，从目标防控措施组合中取消一个或者多个防控措施以获取第二有效防控措施组合，在所述第二有效防控措施组合的干预下所述第一地区在指定时间(例如一个月)内的在院患者数在目标在院人数范围内。
例如目标防控措施组合中包括A、B、C、D四个措施，对第一地区经济影响的大小为A>B>C>D。那么若第一地区在目标时间点的在院患者数低于在院人数下限，则可以按照A、B、C、D的顺序从目标防控措施组合中减少防控措施，直至在目标防控措施组合的干预下所述第一地区在指定时间(例如一个月)内的在院患者数均在目标在院人数范围内，那么调整后的目标防控措施组合就是第二有效防控措施组合。
在一些实施例中，若第一地区在目标时间点的在院患者数高于在院人数上限，则获取第一地区可采用的目标防控措施(即第一地区尚未采用，但是可以采用的防控措施或防控措施力度)；根据各个目标防控措施对所述第一地区经济影响的大小，调整第一地区的防控措施以获取第二有效防控措施组合，在第二有效防控措施组合的干预下所述第一地区在指定时间(例如一个月)内的在院患者数在目标在院人数范围内。
例如假设第一地区可采用的目标防控措施包括a、b、c、d……等多个防控措施，对第一地区经济影响的大小为a<b<c<d.....。那么若第一地区在目标时间点的在院患者数高于在院人数下限，则可以按照a、b、c、d……的顺序向目标防控措施组合中增加防控措施，直至在调整后的目标防控措施组合的干预下第一地区在指定时间(例如一个月)内的在院患者数均在目标在院人数范围内，那么调整后的目标防控措施组合就是第二有效防控措施组合。
在一些实施例中，可以统计执行各个防控措施的国家数量及执行时间，以确定各个防控措施对经济的影响。如图8所示，“限制国际旅行”防控措施被很多各国家或地区在疫情一开始的阶段即被采用，所以可以认为“限制国际旅行”是一种对各地区经济影响较小的防控措施；“居家令”防控措施被较少的国家采用，而且采用时间相对较晚，所以可以认为“居家令”防控措施是一种对各地区的经济影响较大的防控措施。
在一些实施例中，可以在图8中目标国家数量处(例如80)画一条横线，可以认为在该横线上从左至右的防控措施对经济的影响越来越大。
在一些实施例中，可以通过以下步骤确定第一地区在第二有效防控措施组合的干预下在指定时间内的在院患者数是否在目标在院人数范围内。
获取第一地区在第一时间的第一属性特征；根据第一属性特征和第二有效防控措施组合生成预测向量；通过预先训练好的神经网络模型对该预测向量进行处理，预测在第一属性特征下第二有效防控措施组合对应的疫情人数有效再生数；获取第一地区在第一时间的目标在院患者数以及第一地区在第一时间的确诊人数；根据该疫情有效人数再生数和第一时间的确诊人数确定第一地区在指定时间内的的每日疫情新增人数；根据指定时间内的每日疫情新增人数以及第一地区的在第一时间的确诊人数确定第一地区在指定时间内的每日在院患者数；若第一地区在指定时间内的每日在院患者数均在目标在院人数范围内，则确定第二有效防控措施组合为第一地区在目标时间点可以采用的有效防控措施组合。
在步骤S83中，根据所述第二有效防控措施组合，在所述目标时间点调整所述第一有效防控措施组合中的防控措施。
在一些实施例中，可以根据目标时间点的第二有效防控措施组合向第一地区的决策者进行建议，以便该第一地区的决策者针对目标疫情进行防控措施调整。
本实施例提供的技术方案，一方面通过第一地区的每日疫情新增人数预测了第一地区的每日在院患者数，并根据每日在院患者数预测了第一地区医疗资源过剩或疫情爆发的目标时间点；另一方面，根据各个防控措施对经济的影响，在目标时间点对第一地区的防控措施进行调整，以便在有效控制疫情的同时，尽可能的减少对第一地区经济的影响。
图9是根据一示例性实施例示出的一种基于防控措施预测疫情发展趋势的装置的框图。参照图9，本公开实施例提供的基于防控措施预测疫情发展趋势的装置900可以包括：第一属性特征获取模块901、第一防控措施组合获取模块902、目标预测向量生成模块903以及预测模块904。
其中，所述第一属性特征获取模块901可以配置为获取第一地区在第一时间的第一属性特征。所述第一防控措施组合获取模块902可以配置为获取第一防控措施组合。所述目标预测向量生成模块903可以配置为根据所述第一属性特征和所述第一防控措施组合生成目标预测向量。所述预测模块904可以配置为通过预先训练好的神经网络模型对所述目标预测向量进行处理，预测在所述第一属性特征下所述第一防控措施组合对应的第一疫情人数有效再生数，以便通过所述第一疫情人数有效再生数确定所述第一地区在所述第一时间对应的第一有效防控措施组合。
在一些实施例中，所述第一防控措施组合包括至少一个防控措施。
在一些实施例中，所述预测模块904可以包括：神经网络处理单元和第一有效防控组合获取模块。
其中，所述神经网络处理单元可以配置为通过所述神经网络模型对所述目标预测向量进行处理。所述第一有效防控组合获取模块可以配置为获取所述第一防控措施组合中各个防控措施对所述第一疫情人数有效再生数的影响值，以便根据所述各个防控措施对所述第一疫情人数有效再生数的影响值，确定所述第一有效防控措施组合。
在一些实施例中，所述目标预测向量生成模块903可以包括：目标措施向量生成单元、目标属性向量生成单元以及目标预测向量生成单元。
其中，所述目标措施向量生成单元可以配置为对所述第一防控措施组合中的各个防控措施分别进行归一化处理，以生成目标措施向量。所述目标属性向量生成单元可以配置为对所述第一属性特征中的各个属性特征分别进行归一化处理，以生成目标属性向量。所述目标预测向量生成单元可以配置为根据所述目标措施向量和所述目标属性向量生成所述目标预测向量。
在一些实施例中，所述目标措施向量生成单元可以包括：归一化处理子单元。
其中，所述归一化处理子单元可以配置为根据各个防控措施的执行力度对所述第一防控措施组合中各个防控措施对应的值进行归一化处理，以便生成所述目标措施向量。
在一些实施例中，所述第一属性特征包括人口密度特征、经济特征、老龄化特征、宗教信仰特征、人群移动特征以及地理位置特征中的至少一个。
在一些实施例中，所述第一防控措施组合包括关闭学校、关闭工作场所、取消公共活动、限制聚会、公共交通停运、居家隔离要求、限制内部流动、边境控制、核酸检测或者密接追踪中的至少一个。
在一些实施例中，所述第一地区在所述第一时间采用所述第一有效防控措施组合进行目标疫情的防控。
在一些实施例中，所述基于防控措施预测疫情发展趋势单元还包括：确诊人数获取模块、每日疫情新增人数获取模块、每日在院患者人数获取模块以及调整模块。
其中，所述确诊人数获取模块可以配置为获取所述第一地区在所述第一时间的目标在院患者数以及所述第一地区在所述第一时间的确诊人数。所述每日疫情新增人数获取模块可以配置为根据所述第一有效防控措施组合对应的第一疫情人数有效再生数和所述确诊人数，确定所述第一地区在所述第一时间后的每日疫情新增人数。所述每日在院患者人数获取模块可以配置为根据所述每日疫情新增人数和所述目标在院患者数，预测在所述第一时间后的每日在院患者数。所述调整模块可以配置为根据所述每日在院患者数确定在院患者数超出目标在院人数范围的目标时间点，以便根据所述目标时间点对所述第一有效防控措施组合中的防控措施进行调整。
在一些实施例中，所述调整模块可以包括：判断单元、第二有效防控措施组合获取模块以及调整单元。
其中，所述判断单元可以配置为若在所述第一有效防控措施组合实施后的第N天的在院患者数超出所述目标在院人数范围，则所述第N天为所述目标时间点。所述第二有效防控措施组合获取单元可以配置为按照各个防控措施对所述第一地区的经济的影响的大小确定所述目标时间点对应的第二有效防控措施组合，N为大于或者等于1的正整数。所述调整单元可以配置为根据所述第二有效防控措施组合，在所述目标时间点调整所述第一有效防控措施组合中的防控措施。
由于本公开的示例实施例的基于防控措施预测疫情发展趋势的装置900的各个功能模块与上述基于防控措施预测疫情发展趋势的方法的示例实施例的步骤对应，因此在此不再赘述。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者智能设备等)执行根据本公开实施例的方法，例如图3的一个或多个所示的步骤。
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不限于这里已经示出的详细结构、附图方式或实现方法，相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (11)

1.一种基于防控措施预测疫情发展趋势的方法，其特征在于，包括：
获取第一地区在第一时间的第一属性特征；
获取第一防控措施组合；
根据所述第一属性特征和所述第一防控措施组合生成目标预测向量；
通过预先训练好的神经网络模型对所述目标预测向量进行处理，预测在所述第一属性特征下所述第一防控措施组合对应的第一疫情人数有效再生数，以便通过所述第一疫情人数有效再生数确定所述第一地区在所述第一时间对应的第一有效防控措施组合。
2.根据权利要求1所述方法，其特征在于，所述第一防控措施组合包括至少一个防控措施；其中，通过预先训练好的神经网络模型对所述目标预测向量进行处理，预测在所述第一属性特征下所述第一防控措施组合对应的第一疫情人数有效再生数，还包括：
获取所述第一防控措施组合中各个防控措施对所述第一疫情人数有效再生数的影响值，以便根据所述各个防控措施对所述第一疫情人数有效再生数的影响值，确定所述第一有效防控措施组合。
3.根据权利要求1所述方法，其特征在于，根据所述第一属性特征和所述第一防控措施组合生成目标预测向量，包括：
对所述第一防控措施组合中的各个防控措施分别进行归一化处理，以生成目标措施向量；
对所述第一属性特征中的各个属性特征分别进行归一化处理，以生成目标属性向量；
根据所述目标措施向量和所述目标属性向量生成所述目标预测向量。
4.根据权利要求3所述方法，其特征在于，对所述第一防控措施组合中的各个防控措施分别进行归一化处理，以生成目标措施向量，包括：
根据各个防控措施的执行力度对所述第一防控措施组合中各个防控措施对应的值进行归一化处理，以便生成所述目标措施向量。
5.根据权利要求1所述方法，其特征在于，所述第一属性特征包括人口密度特征、经济特征、老龄化特征、宗教信仰特征、人群移动特征以及地理位置特征中的至少一个。
6.根据权利要求1所述方法，其特征在于，所述第一防控措施组合包括关闭学校、关闭工作场所、取消公共活动、限制聚会、公共交通停运、居家隔离要求、限制内部流动、边境控制、核酸检测或者密接追踪中的至少一个。
7.根据权利要求1所述方法，其特征在于，所述第一地区在所述第一时间采用所述第一有效防控措施组合进行目标疫情的防控；其中，所述方法还包括：
获取所述第一地区在所述第一时间的目标在院患者数以及所述第一地区在所述第一时间的确诊人数；
根据所述第一有效防控措施组合对应的第一疫情人数有效再生数和所述确诊人数，确定所述第一地区在所述第一时间后的每日疫情新增人数；
根据所述每日疫情新增人数和所述目标在院患者数，预测在所述第一时间后的每日在院患者数；
根据所述每日在院患者数确定在院患者数超出目标在院人数范围的目标时间点，以便根据所述目标时间点对所述第一有效防控措施组合中的防控措施进行调整。
8.根据权利要求7所述方法，其特征在于，根据所述每日在院患者数确定在院患者数超出目标在院人数范围的目标时间点，以便根据所述目标时间点对所述第一有效防控措施组合中的防控措施进行调整，包括：
若在所述第一有效防控措施组合实施后的第N天的在院患者数超出所述目标在院人数范围，则所述第N天为所述目标时间点；
按照各个防控措施对所述第一地区的经济的影响的大小确定所述目标时间点对应的第二有效防控措施组合，N为大于或者等于1的正整数；
根据所述第二有效防控措施组合，在所述目标时间点调整所述第一有效防控措施组合中的防控措施。
9.一种基于防控措施预测疫情发展趋势的装置，其特征在于，包括：
第一属性特征获取模块，配置为获取第一地区在第一时间的第一属性特征；
第一防控措施组合获取模块，配置为获取第一防控措施组合；
目标预测向量生成模块，配置为根据所述第一属性特征和所述第一防控措施组合生成目标预测向量；
预测模块，配置为通过预先训练好的神经网络模型对所述目标预测向量进行处理，预测在所述第一属性特征下所述第一防控措施组合对应的第一疫情人数有效再生数，以便通过所述第一疫情人数有效再生数确定所述第一地区在所述第一时间对应的第一有效防控措施组合。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-8中任一项所述的方法。
CN202010647728.9A 2020-07-07 2020-07-07 基于防控措施预测疫情发展趋势的方法及相关设备 Pending CN111798989A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010647728.9A CN111798989A (zh) 2020-07-07 2020-07-07 基于防控措施预测疫情发展趋势的方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010647728.9A CN111798989A (zh) 2020-07-07 2020-07-07 基于防控措施预测疫情发展趋势的方法及相关设备

Publications (1)

Publication Number Publication Date
CN111798989A true CN111798989A (zh) 2020-10-20

Family

ID=72810453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010647728.9A Pending CN111798989A (zh) 2020-07-07 2020-07-07 基于防控措施预测疫情发展趋势的方法及相关设备

Country Status (1)

Country Link
CN (1) CN111798989A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112700884A (zh) * 2020-12-31 2021-04-23 医渡云（北京）技术有限公司 疫情防控有效性确定方法、装置、电子设备及介质
CN113161005A (zh) * 2021-03-17 2021-07-23 第四范式（北京）技术有限公司 目标区域的疫情推演方法和目标区域疫情推演模拟器
WO2021180245A1 (zh) * 2020-11-02 2021-09-16 平安科技（深圳）有限公司 一种服务器、数据处理方法、装置及可读存储介质
CN113689959A (zh) * 2021-08-25 2021-11-23 平安国际智慧城市科技股份有限公司 基于人工智能的疫情防控决策方法、装置、设备及介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021180245A1 (zh) * 2020-11-02 2021-09-16 平安科技（深圳）有限公司 一种服务器、数据处理方法、装置及可读存储介质
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
CN112700884A (zh) * 2020-12-31 2021-04-23 医渡云（北京）技术有限公司 疫情防控有效性确定方法、装置、电子设备及介质
CN112700884B (zh) * 2020-12-31 2024-03-29 医渡云（北京）技术有限公司 疫情防控有效性确定方法、装置、电子设备及介质
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
CN113161005A (zh) * 2021-03-17 2021-07-23 第四范式（北京）技术有限公司 目标区域的疫情推演方法和目标区域疫情推演模拟器
CN113689959A (zh) * 2021-08-25 2021-11-23 平安国际智慧城市科技股份有限公司 基于人工智能的疫情防控决策方法、装置、设备及介质
CN113689959B (zh) * 2021-08-25 2024-04-05 深圳平安智慧医健科技有限公司 基于人工智能的疫情防控决策方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN111798989A (zh) 基于防控措施预测疫情发展趋势的方法及相关设备
Shamil et al. An agent-based modeling of COVID-19: validation, analysis, and recommendations
Duque et al. Timing social distancing to avert unmanageable COVID-19 hospital surges
Zhang et al. Applicability of time fractional derivative models for simulating the dynamics and mitigation scenarios of COVID-19
Goldenberg et al. Early statistical detection of anthrax outbreaks by tracking over-the-counter medication sales
US20210125732A1 (en) System and method with federated learning model for geotemporal data associated medical prediction applications
CN111798990A (zh) 疫情新增人数预测方法、装置、电子设备和可读存储介质
Razzaque et al. Association of time since migration from rural to urban slums and maternal and child outcomes: Dhaka (north and south) and Gazipur City corporations
Hasab et al. Situational analysis and epidemic modeling of COVID-19 in Egypt
Fukui et al. Power laws in superspreading events: Evidence from coronavirus outbreaks and implications for SIR models
Whittington et al. Impact of nonmedical vaccine exemption policies on the health and economic burden of measles
Stoesser et al. Moderating effects of out-of-hospital cardiac arrest characteristics on the association between EMS response time and survival
Arnold et al. Estimating the effects of lockdown timing on COVID-19 cases and deaths in England: A counterfactual modelling study
Núñez-Corrales et al. The epidemiology workbench: a tool for communities to strategize in response to covid-19 and other infectious diseases
Tian et al. The timing and effectiveness of implementing mild interventions of COVID-19 in large industrial regions via a synthetic control method
Jarvis et al. Spatial effects of permethrin-impregnated bed nets on child mortality: 26 years on, a spatial reanalysis of a cluster randomized trial
Huang et al. Urban spatial epidemic simulation model: A case study of the second COVID‐19 outbreak in Beijing, China
Briz‐Redón et al. A mechanistic spatio‐temporal modeling of COVID‐19 data
Khanna et al. Projecting the number of new HIV infections to formulate the “Getting to Zero” strategy in Illinois, USA
Cairney Evidence-informed COVID-19 policy: what problem was the UK Government trying to solve?
Banks et al. Disentangling the roles of human mobility and deprivation on the transmission dynamics of COVID-19 using a spatially explicit simulation model
US20190065689A1 (en) Alerting users to predicted health concerns
Friston et al. Tracking and tracing in the UK: a dynamic causal modelling study
Rezapoor et al. Inequality in health expenditure and impoverishment impacts resulting from it in Kerman
Moxley et al. Application of elastic net regression for modeling COVID-19 sociodemographic risk factors

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