CN111883262A - 疫情趋势预测方法、装置、电子设备及存储介质 - Google Patents
疫情趋势预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111883262A CN111883262A CN202011043913.3A CN202011043913A CN111883262A CN 111883262 A CN111883262 A CN 111883262A CN 202011043913 A CN202011043913 A CN 202011043913A CN 111883262 A CN111883262 A CN 111883262A
- Authority
- CN
- China
- Prior art keywords
- epidemic situation
- feature matrix
- sequence data
- trend prediction
- data
- 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
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
- 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
Abstract
本申请实施例提供了一种疫情趋势预测方法、装置、电子设备及存储介质,应用于医疗科技领域,该电子设备包括处理器和存储器,存储器用于存储计算机程序,计算机程序包括程序指令,处理器被配置用于调用程序指令,执行以下步骤:获取目标地区的疫情序列数据;根据疫情序列数据构建疫情序列数据对应的目标特征矩阵;调用预训练的时间序列模型以根据目标特征矩阵进行疫情趋势预测,得到第一疫情趋势预测结果,第一疫情趋势预测结果包括预测的第二预设日期范围内各日期的新增病例的数量和/或新增死亡的人数。采用本申请,可以结合多维度特征来进行疫情趋势预测,可参考性更高。本申请涉及区块链技术,如可将第一疫情趋势预测结果写入区块链中。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种疫情趋势预测方法、装置、电子设备及存储介质。
背景技术
疫情的爆发和蔓延会对各个地方的经济以及人民生活带来严重的影响。近段时间来,COVID-19引起了世界范围内的疫情爆发,造成了极大的生命损失和经济损失。现有的流行病学预测模型大多是针对单一疾病在人群中的演化进行建模预测,存在一定的局限性:1、只考虑单一疾病的演化,没有兼顾同时流行的多种疾病的影响。2、只采用了单一模态的数据,未能考虑多种因素的协同作用。可见,现有的疫情趋势预测方法可参考性较低。
发明内容
本申请实施例提供了一种疫情趋势预测方法、装置、电子设备及存储介质,结合多维度的特征进行疫情趋势预测,可参考性更高。
第一方面,本申请实施例提供了一种电子设备,包括处理器和存储器,所述处理器和所述存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行以下步骤:
获取目标地区的疫情序列数据,所述疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据;
根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵;
调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测,得到第一疫情趋势预测结果,所述第一疫情趋势预测结果包括预测的第二预设日期范围内各日期的新增病例的数量和/或新增死亡的人数;所述第二预设日期范围在所述第一预设日期范围之后;
通过终端设备展示所述第一疫情趋势预测结果。
可选地,所述时间序列模型为循环神经网络RNN模型,在调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测,得到第一疫情趋势预测结果时,所述处理器被配置用于调用所述程序指令,执行以下步骤:
通过所述预训练的RNN模型中的隐藏层根据所述目标特征矩阵进行处理,得到所述目标特征矩阵对应的目标高维特征矩阵;
根据所述目标高维特征矩阵以及所述预训练的RNN模型中的输出层,获得第一疫情趋势预测结果。
可选地,在根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵时,所述处理器被配置用于调用所述程序指令,执行以下步骤:
对所述疫情序列数据包括的各特征数据进行特征提取,得到所述各特征数据的特征向量;
根据所述各特征数据的特征向量,拼接得到所述疫情序列数据对应的目标特征矩阵。
可选地,在根据所述各特征数据的特征向量,拼接得到所述疫情序列数据对应的目标特征矩阵时,所述处理器被配置用于调用所述程序指令,执行以下步骤:
根据所述疫情序列数据包括的各第一疾病特征数据的特征向量以及各第二疾病特征数据的特征向量,拼接得到第一特征矩阵;
根据所述疫情序列数据包括的各气象特征数据的特征向量,拼接得到第二特征矩阵;
将所述第一特征矩阵和所述第二特征矩阵确定为所述疫情序列数据对应的目标特征矩阵。
可选地,在通过所述预训练的RNN模型中的隐藏层根据所述目标特征矩阵进行处理,得到所述目标特征矩阵对应的目标高维特征矩阵时,所述处理器被配置用于调用所述程序指令,执行以下步骤:
通过所述预训练的RNN模型中的第一隐藏层对所述第一特征矩阵进行处理,得到所述第一特征矩阵对应的第一高维特征矩阵;
通过所述预训练的RNN模型中的第二隐藏层对所述第二特征矩阵进行处理,得到所述第二特征矩阵对应的第二高维特征矩阵;
在根据所述目标高维特征矩阵以及所述预训练的RNN模型中的输出层,获得第一疫情趋势预测结果时,所述处理器被配置用于调用所述程序指令,执行以下步骤:
对所述第一高维特征矩阵和所述第二高维特征矩阵进行融合处理,得到融合特征矩阵;
通过所述预训练的RNN模型中的输出层根据所述融合特征矩阵进行处理,得到第一疫情趋势预测结果。
可选地,所述处理器被配置用于调用所述程序指令,还执行以下步骤:
获取目标地区的历史疫情序列数据,所述历史疫情序列数据包括在第三预设日期范围内的各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据;
根据所述历史疫情序列数据构建所述历史疫情序列数据对应的特征矩阵;
利用所述历史疫情序列数据对应的特征矩阵对原始的时间序列模型进行训练,得到预训练的时间序列模型。
可选地,所述时间序列模型为RNN模型,在利用所述历史疫情序列数据对应的特征矩阵对原始的时间序列模型进行训练,得到预训练的时间序列模型时,所述处理器被配置用于调用所述程序指令,执行以下步骤:
通过所述原始的RNN模型中的隐藏层根据所述历史疫情序列数据对应的特征矩阵进行处理,得到所述特征矩阵对应的高维特征矩阵;
根据所述高维特征矩阵以及所述原始的RNN模型中的输出层,获得第二疫情趋势预测结果,所述第二疫情趋势预测结果包括预测的第四预设日期范围内各日期的新增病例的数量和/或新增死亡的人数;所述第四预设日期范围在所述第三预设日期范围之后;
利用所述第二疫情趋势预测结果以及对应的疫情趋势真实结果构建损失函数,利用所述损失函数训练所述原始的RNN模型,得到预训练的RNN模型,所述疫情趋势真实结果包括真实的第四预设日期范围内各日期的新增病例的数量和/或新增死亡的人数。
第二方面,本申请实施例提供了一种疫情趋势预测方法,包括:
获取目标地区的疫情序列数据,所述疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据;
根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵;
调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测,得到第一疫情趋势预测结果,所述第一疫情趋势预测结果包括预测的第二预设日期范围内各日期的新增病例的数量和/或新增死亡的人数;所述第二预设日期范围在所述第一预设日期范围之后;
通过终端设备展示所述第一疫情趋势预测结果。
第三方面,本申请实施例提供了一种疫情趋势预测装置,包括:
获取模块,用于获取目标地区的疫情序列数据,所述疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据;
构建模块,用于根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵;
处理模块,用于调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测,得到第一疫情趋势预测结果,所述第一疫情趋势预测结果包括预测的第二预设日期范围内各日期的新增病例的数量和/或新增死亡的人数;所述第二预设日期范围在所述第一预设日期范围之后;
所述处理模块,还用于通过终端设备展示所述第一疫情趋势预测结果。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现如第一方面所述的电子设备执行的步骤。
综上所述,电子设备可以获取目标地区的疫情序列数据,该疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据;电子设备根据该疫情序列数据构建该疫情序列数据对应的目标特征矩阵,并调用预训练的时间序列模型以根据该目标特征矩阵进行疫情趋势预测,得到第一疫情趋势预测结果以通过终端设备展示该第一疫情趋势预测结果,相较于现有技术基于单一因素进行疫情趋势预测的过程,本申请可以基于结合多个疾病特征以及气象特征以用于疫情趋势预测,可参考性较高。
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疫情趋势预测方法的流程示意图;
图2A是本申请实施例提供的另一种疫情趋势预测方法的流程示意图;
图2B是本申请实施例提供的一种疫情趋势预测过程示意图;
图3是本申请实施例提供的一种疫情趋势预测系统的结构示意图;
图4是本申请实施例提供的一种疫情趋势预测装置的结构示意图;
图5是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
请参阅图1,为本申请实施例提供的一种疫情趋势预测方法的流程示意图。该方法可以应用于电子设备。电子设备可以为终端设备或服务器。终端设备包括但不限于笔记本电脑、台式电脑等智能终端。服务器可以为一个服务器或服务器集群。具体地,该方法可以包括以下步骤:
S101、获取目标地区的疫情序列数据,所述疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据。
其中,第一疾病特征数据可以包括第一疾病的疾病特征数据。第二疾病特征数据包括第二疾病的疾病特征数据。第一疾病与第二疾病不同。例如,第一疾病可以为新冠肺炎。相应地,第一疾病特征数据可以为新冠肺炎特征数据。第二疾病可以为流感。相应地,第二疾病特征数据可以为流感特征数据。新冠肺炎特征数据可以包括关于新冠肺炎的发病人数及死亡人数。第一疾病特征数据可以包括关于第一疾病发病的人数和死亡的人数。第二疾病特征数据可以包括关于第二疾病发病的人数及死亡的人数。气象特征数据包括但不限于气温、湿度、气压等气象特征数据。
在一个实施例中,电子设备获取目标地区的疫情序列数据的过程可以为:电子设备在定时任务到达时,获取从指定平台爬取的目标地区的疫情序列数据。
在一个实施例中,电子设备获取目标地区的疫情序列数据的过程可以为:电子设备获取终端设备提交的目标地区的疫情序列数据。
S102、根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵。
本申请实施例中,电子设备可以对该疫情序列数据包括的各特征数据进行特征提取,得到该各特征数据的特征向量,并根据该各特征数据的特征向量,拼接得到该疫情序列数据对应的目标特征矩阵。
在一个实施例中,电子设备根据该各特征数据的特征向量,拼接得到该疫情序列数据对应的目标特征矩阵的过程可以为:电子设备将该各特征数据的特征向量拼接至同一特征矩阵,并将各特征向量拼接至的特征矩阵确定为该疫情序列数据对应的目标特征矩阵。
在一个实施例中,电子设备根据该各特征数据的特征向量,拼接得到该疫情序列数据对应的目标特征矩阵的过程可以为:电子设备根据该疫情序列数据包括的各第一疾病特征数据的特征向量以及各第二疾病特征数据的特征向量,拼接得到第一特征矩阵,并根据该疫情序列数据包括的各气象特征数据的特征向量,拼接得到第二特征矩阵;电子设备将该第一特征矩阵和该第二特征矩阵确定为该疫情序列数据对应的目标特征矩阵。例如,第一特征矩阵可以为2*100*300的特征矩阵,第二特征矩阵也可以为2*100*300的特征矩阵。由于第一疾病特征与第二疾病特征同属疾病特征,两者之间的差异可能较小,而疾病特征与气象特征之间的差异可能较大,因此可以根据疾病特征数据的特征向量拼接得到第一特征矩阵,并根据气象特征数据的特征向量拼接得到第二特征矩阵,以输入预训练的时间序列模型,使得模型可以根据两个特征矩阵进行疫情趋势预测,具有更高的预测精度。
具体地,电子设备根据该疫情序列数据包括的各第一疾病特征数据的特征向量以及各第二疾病特征数据的特征向量,拼接得到第一特征矩阵的过程可以为:电子设备将该疫情序列数据包括的各第一疾病特征数据的特征向量以及各第二疾病特征数据的特征向量拼接至同一特征矩阵;电子设备将该各第一疾病特征数据的特征向量以及各第二疾病特征数据的特征向量拼接至的特征矩阵,确定为第一特征矩阵。
S103、调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测,得到第一疫情趋势预测结果,所述第一疫情趋势预测结果包括预测的第二预设日期范围内各日期的新增病例的数量和/或新增死亡的人数。
其中,该时间序列模型可以为自回归模型、移动平均模型、移动平均模型、差分自回归移动平均模型或循环神经网络(Recurrent Neural Network, RNN)模型。该第二预设日期范围在该第一预设日期范围之后。在一个实施例,第一日期范围可以为系统日期及系统日期之前的日期范围。第二日期范围可以为系统日期之后的日期范围。该第二预设日期范围对应的日期数量可以与第一预设日期范围对应的日期数量相同或不同,本申请不做限制。
在一个实施例中,所述的预训练的时间序列模型可以通过如下方式得到:电子设备获取目标地区的历史疫情序列数据,该历史疫情序列数据包括在第三预设日期范围内的各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据;电子设备根据该历史疫情序列数据构建该历史疫情序列数据对应的特征矩阵,并利用该历史疫情序列数据对应的特征矩阵对待训练的时间序列模型进行训练,得到预训练的时间序列模型。其中,电子设备根据该历史疫情序列数据构建该历史疫情序列数据对应的特征矩阵的方式,可以参见前述提及的电子设备根据该疫情序列数据构建该疫情序列数据对应的目标特征矩阵的方式,本申请实施例在此不做赘述。
在一个实施例中,当时间序列模型为RNN模型时,电子设备利用该历史疫情序列数据对应的特征矩阵对原始的时间序列模型进行训练,得到预训练的时间序列模型的过程可以为:电子设备通过该原始的RNN模型中的隐藏层根据该历史疫情序列数据对应的特征矩阵进行处理,得到该特征矩阵对应的高维特征矩阵;电子设备根据该高维特征矩阵以及该原始的RNN模型中的输出层,获得第二疫情趋势预测结果,该第二疫情趋势预测结果包括预测的第四预设日期范围内各日期的新增病例的数量和/或新增死亡的人数;电子设备利用该第二疫情趋势预测结果以及对应的疫情趋势真实结果构建损失函数,利用该损失函数训练该原始的RNN模型,得到预训练的RNN模型,该疫情趋势真实结果包括真实的第四预设日期范围内各日期的新增病例的数量和/或新增死亡的人数。此处的第二疫情趋势预测结果用于与第一疫情趋势预测结果区分开来描述,不表示顺序关系。该第四预设日期范围在该第三预设日期范围之后。该第四预设日期范围对应的日期数量可以与第三预设日期范围对应的日期数量相同或不同,本申请不做限制。
在一个实施例中,当时间序列模型为RNN模型时,电子设备调用该预训练的时间序列模型以根据该目标特征矩阵进行疫情趋势预测,得到第一疫情趋势预测结果的过程可以为:电子设备通过预训练的RNN模型中的隐藏层根据该目标特征矩阵进行处理,得到该目标特征矩阵对应的目标高维特征矩阵;电子设备根据该目标高维特征矩阵以及该预训练的RNN模型中的输出层,获得第一疫情趋势预测结果。此处的隐藏层可以包括一个隐藏层,该隐藏层如可以为5层RNN,包括5层隐含单元。此处的输出层如可以为线性回归linearregression层。
在一个实施例中,电子设备根据该目标高维特征矩阵以及该预训练的RNN模型中的输出层,获得第一疫情趋势预测结果的过程可以为:电子设备将对该目标高维特征矩阵输入该预训练的RNN模型中的输出层进行处理,得到第一疫情趋势预测结果。在一个实施例中,当目标特征矩阵包括第一特征矩阵和第二特征矩阵时,目标高维特征矩阵可以包括这两个特征矩阵各自的高维特征矩阵,电子设备可以在对这两个特征矩阵各自的高维特征矩阵进行融合处理后输入到输出层进行处理,得到第一疫情趋势预测结果。
S104、通过终端设备展示所述第一疫情趋势预测结果。
本申请实施例中,当电子设备为服务器时,服务器可以将第一疫情趋势预测结果发送至终端设备,终端设备可以展示该第一疫情趋势预测结果。当电子设备为终端设备时,终端设备可以展示该第一疫情趋势预测结果。
可见,图1所示的实施例中,电子设备可以获取目标地区的疫情序列数据,该疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据;电子设备根据该疫情序列数据构建该疫情序列数据对应的目标特征矩阵,并调用预训练的时间序列模型以根据该目标特征矩阵进行疫情趋势预测,得到第一疫情趋势预测结果以通过终端设备展示该第一疫情趋势预测结果,相较于现有技术基于单一因素进行疫情趋势预测的过程,本申请可以基于结合多个疾病特征以及气象特征以用于疫情趋势预测,可参考性较高。
请参阅图2A,为本申请实施例提供的另一种疫情趋势预测方法的流程示意图。该方法可以应用于前述提及的电子设备。具体地,该方法可以包括以下步骤:
S201、获取目标地区的疫情序列数据,所述疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据。
其中,步骤S201可以参见图1实施例中的步骤S101,本申请实施例在此不做赘述。
S202、对所述疫情序列数据包括的各特征数据进行特征提取,得到所述各特征数据的特征向量。
S203、根据所述疫情序列数据包括的各第一疾病特征数据的特征向量以及各第二疾病特征数据的特征向量,拼接得到第一特征矩阵。
S204、根据所述疫情序列数据包括的各气象特征数据的特征向量,拼接得到第二特征矩阵。
S205、将所述第一特征矩阵和所述第二特征矩阵确定为所述疫情序列数据对应的目标特征矩阵。
在步骤S202-步骤S205中,电子设备可以对该疫情序列数据包括的各特征数据进行特征提取,得到该各特征数据的特征向量,并根据该疫情序列数据包括的各第一疾病特征数据的特征向量以及各第二疾病特征数据的特征向量,拼接得到第一特征矩阵,并根据该疫情序列数据包括的各气象特征数据的特征向量,拼接得到第二特征矩阵,从而将该第一特征矩阵和该第二特征矩阵确定为该疫情序列数据对应的目标特征矩阵。
S206、通过所述预训练的RNN模型中的第一隐藏层对所述第一特征矩阵进行处理,得到所述第一特征矩阵对应的第一高维特征矩阵。
本申请实施例中,所述的RNN模型中的隐藏层可以包括第一隐藏层和第二隐藏层,第一隐藏层的结构可以与第二隐藏层的结构相同,也可以不同。
本申请实施例中,所述的预训练的RNN模型可以通过以下方式得到:
①根据所述历史疫情序列数据构建所述历史疫情序列数据对应的特征矩阵。
电子设备可以对该历史疫情序列数据包括的各第一疾病特征数据的特征向量以及各第二疾病特征数据的特征向量进行拼接处理,得到第三特征矩阵,对该历史疫情序列数据包括的各气象特征数据的特征向量进行拼接处理,得到第四特征矩阵,并将该第三特征矩阵和该第四特征矩阵确定为该历史疫情序列数据对应的特征矩阵。例如,第三特征矩阵可以为2*100*300的特征矩阵,第四特征矩阵也可以为2*100*300的特征矩阵。
②电子设备通过所述原始的RNN模型中的隐藏层根据所述历史疫情序列数据对应的特征矩阵进行处理,得到所述特征矩阵对应的高维特征矩阵。
电子设备可以通过该预训练的RNN模型中的第一隐藏层对该第三特征矩阵进行处理,得到该第三特征矩阵对应的第三高维特征矩阵,并通过该预训练的RNN模型中的第二隐藏层对该第四特征矩阵进行处理,得到该第四特征矩阵对应的第四高维特征矩阵。此处的第三高维特征矩阵是指第三特征矩阵对应的高维特征矩阵,第四高维特征矩阵是指第四特征矩阵对应的高维特征矩阵。第一疾病(如新冠肺炎)的特征和第二疾病(如流感)的特征基于第一隐藏层共享网络参数,互相学习,这是因为在一定情况下两种疾病的传播方式有一定的相似性,两者基于第一隐藏层共享网络参数可以更好的进行建模。气候特征不参与参数共享,而是在后续会与疾病特征相结合。
③电子设备根据所述高维特征矩阵以及所述原始的RNN模型中的输出层,获得第二疫情趋势预测结果,所述第二疫情趋势预测结果包括预测的第四预设日期范围内各日期的新增病例的数量和/或新增死亡的人数。
电子设备可以对该第三高维特征矩阵和该第四高维特征矩阵进行融合处理,得到融合特征矩阵,并通过该RNN模型中的输出层根据该融合特征矩阵输出第二疫情趋势预测结果。
在一个实施例中,电子设备对该第三高维特征矩阵和该第四高维特征矩阵进行融合处理,得到融合特征矩阵的过程可以为:电子设备确定该第四高维特征矩阵对应的attention权重,并利用该attention权重对该第四高维特征矩阵进行加权处理,得到加权特征矩阵;电子设备对该第三高维特征矩阵以及该加权特征矩阵进行拼接处理,得到融合特征矩阵。融合特征矩阵的维度与第三特征矩阵的维度相同。在一个实施例中,电子设备确定该第四高维特征矩阵对应的attention权重的过程可以为:电子设备根据该第三高维特征矩阵以及该第四高维特征矩阵执行attention操作,得到该第四高维特征矩阵对应的attention权重。
④电子设备利用所述第二疫情趋势预测结果以及对应的疫情趋势真实结果构建损失函数,利用所述损失函数训练所述原始的RNN模型,得到预训练的RNN模型,所述疫情趋势真实结果包括真实的第四预设日期范围内各日期的新增病例的数量和/或新增死亡的人数。
此处的第四预设日期范围在第三预设日期范围之后。第四预设日期范围对应的日期数量可以与第三预设日期范围对应的日期数量相同,也可以不同。
S207、通过所述预训练的RNN模型中的第二隐藏层对所述第二特征矩阵进行处理,得到所述第二特征矩阵对应的第二高维特征矩阵。
S208、对所述第一高维特征矩阵和所述第二高维特征矩阵进行融合处理,得到融合特征矩阵。
S209、通过所述预训练的RNN模型中的输出层根据所述融合特征矩阵进行处理,得到第一疫情趋势预测结果,所述第一疫情趋势预测结果包括预测的第二预设日期范围内各日期的新增病例的数量和/或新增死亡的人数。
在步骤S207-步骤S209中,电子设备可以通过该预训练的RNN模型中的第二隐藏层对该第二特征矩阵进行处理,得到该第二特征矩阵对应的第二高维特征矩阵,并可以对该第一高维特征矩阵和该第二高维特征矩阵进行融合处理,得到融合特征矩阵,然后通过该预训练的RNN模型中的输出层根据该融合特征矩阵进行处理,得到第一疫情趋势预测结果。此处的第一高维特征矩阵如可以为1*4096的特征矩阵,第二高维特征矩阵如可以为1*4096的特征矩阵。
在一个实施例中,电子设备对该第一高维特征矩阵和该第二高维特征矩阵进行融合处理,得到融合特征矩阵的过程可以为:电子设备确定该第二高维特征矩阵对应的attention权重,并利用该attention权重对该第二高维特征矩阵进行加权处理,得到加权特征矩阵;电子设备对第一高维特征矩阵以及加权特征矩阵进行拼接处理,得到融合特征矩阵。此处的融合特征矩阵的维度与第一特征矩阵的维度相同。在一个实施例中,电子设备确定该第二高维特征矩阵对应的attention权重的过程可以为:电子设备根据该第一高维特征矩阵以及该第二高维特征矩阵执行attention操作,得到该第二高维特征矩阵对应的attention权重。
假设第一疾病特征数据为新冠肺炎特征数据,第二疾病特征数据为流感特征数据。参见图2B,电子设备可以根据新冠肺炎特征数据以及流感特征数据获得第一特征矩阵以输入预训练的RNN模型中的第一隐藏层进行处理,得到第一高维特征矩阵,并可以根据第一气候特征数据获得第二特征矩阵以输入至预训练的RNN模型中的第二隐藏层进行处理,得到第二高维特征矩阵。电子设备可以用第二高维特征矩阵对应的attention权重对该第二高维特征矩阵进行加权处理,得到加权特征矩阵,并对第一高维特征矩阵以及加权特征矩阵进行拼接处理,得到融合特征矩阵,然后通过预训练的RNN模型中的输出层根据该融合特征矩阵进行处理,输出第一疫情趋势预测结果。
S210、通过终端设备展示所述第一疫情趋势预测结果。
其中,步骤S210可以参见图1实施例中的步骤S104,本申请实施例在此不做赘述。
可见,图2A的实施例中,电子设备可以根据疫情序列数据包括的各第一疾病特征数据的特征向量以及各第二疾病特征数据的特征向量,拼接得到第一特征矩阵,并根据该疫情序列数据包括的各气象特征数据的特征向量,拼接得到第二特征矩阵;电子设备通过该预训练的RNN模型中的第一隐藏层对该第一特征矩阵进行处理,得到该第一特征矩阵对应的第一高维特征矩阵,通过该预训练的RNN模型中的第二隐藏层对该第二特征矩阵进行处理,得到该第二特征矩阵对应的第二高维特征矩阵;电子设备对该第一高维特征矩阵和该第二高维特征矩阵进行融合处理,得到融合特征矩阵,并通过该预训练的RNN模型中的输出层根据该融合特征矩阵进行处理,得到第一疫情趋势预测结果,通过不同隐藏层对不同特征分别进行处理再融合以用于预测,能够提升模型预测的准确度。
本申请可以用于医疗科技领域,涉及区块链技术,如可以将第一疫情预测结果写入区块链中,或可以将第一疫情预测数据的压缩数据写入区块链中。
下面以电子设备为服务器来阐述下本申请实施例的疫情趋势预测系统。参见图3,图3所示的疫情趋势预测系统包括服务器10和终端设备20。其中:
服务器10可以通过执行步骤S101-步骤S103得到第一疫情趋势预测结果,并可以通过执行步骤S104使终端设备20展示该第一疫情趋势预测结果,该过程结合多维度特征进行疫情趋势预测,可参考性更高。
请参阅图4,为本申请实施例提供的一种疫情趋势预测装置的结构示意图。该疫情趋势预测装置可以应用于前述提及的电子设备。具体的,该疫情趋势预测装置可以包括:
获取模块401,用于获取目标地区的疫情序列数据,所述疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据。
构建模块402,用于根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵。
处理模块403,用于调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测,得到第一疫情趋势预测结果,所述第一疫情趋势预测结果包括预测的第二预设日期范围内各日期的新增病例的数量和/或新增死亡的人数;所述第二预设日期范围在所述第一预设日期范围之后,
处理模块403,还用于通过终端设备展示所述第一疫情趋势预测结果。
在一种可选的实施方式中,图4所示的疫情趋势预测装置还可以包括输出模块(图未示)。在电子设备为服务器的情况下,处理模块403可以通过输出模块将该第一疫情趋势预测结果发送至终端设备,以便终端设备展示该第一疫情趋势预测结果。在电子设备为终端设备的情况下,处理模块403可以通过输出模块展示该第一疫情趋势预测结果。
在一种可选的实施方式中,处理模块403调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测,得到第一疫情趋势预测结果,具体为通过所述预训练的RNN模型中的隐藏层根据所述目标特征矩阵进行处理,得到所述目标特征矩阵对应的目标高维特征矩阵;根据所述目标高维特征矩阵以及所述预训练的RNN模型中的输出层,获得第一疫情趋势预测结果。
在一种可选的实施方式中,构建模块402根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵,具体为对所述疫情序列数据包括的各特征数据进行特征提取,得到所述各特征数据的特征向量;根据所述各特征数据的特征向量,拼接得到所述疫情序列数据对应的目标特征矩阵。
在一种可选的实施方式中,构建模块402根据所述各特征数据的特征向量,拼接得到所述疫情序列数据对应的目标特征矩阵,具体为根据所述疫情序列数据包括的各第一疾病特征数据的特征向量以及各第二疾病特征数据的特征向量,拼接得到第一特征矩阵;根据所述疫情序列数据包括的各气象特征数据的特征向量,拼接得到第二特征矩阵;将所述第一特征矩阵和所述第二特征矩阵确定为所述疫情序列数据对应的目标特征矩阵。
在一种可选的实施方式中,处理模块403通过所述预训练的RNN模型中的隐藏层根据所述目标特征矩阵进行处理,得到所述目标特征矩阵对应的目标高维特征矩阵,具体为通过所述预训练的RNN模型中的第一隐藏层对所述第一特征矩阵进行处理,得到所述第一特征矩阵对应的第一高维特征矩阵;通过所述预训练的RNN模型中的第二隐藏层对所述第二特征矩阵进行处理,得到所述第二特征矩阵对应的第二高维特征矩阵。
在一种可选的实施方式中,处理模块403根据所述目标高维特征矩阵以及所述预训练的RNN模型中的输出层,获得第一疫情趋势预测结果,具体为对所述第一高维特征矩阵和所述第二高维特征矩阵进行融合处理,得到融合特征矩阵;通过所述预训练的RNN模型中的输出层根据所述融合特征矩阵进行处理,得到第一疫情趋势预测结果。
在一种可选的实施方式中,处理模块403,还用于获取目标地区的历史疫情序列数据,所述历史疫情序列数据包括在第三预设日期范围内的各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据;根据所述历史疫情序列数据构建所述历史疫情序列数据对应的特征矩阵;利用所述历史疫情序列数据对应的特征矩阵对原始的时间序列模型进行训练,得到预训练的时间序列模型。
在一种可选的实施方式中,所述时间序列模型为RNN模型,处理模块403利用所述历史疫情序列数据对应的特征矩阵对原始的时间序列模型进行训练,得到预训练的时间序列模型,具体为通过所述原始的RNN模型中的隐藏层根据所述历史疫情序列数据对应的特征矩阵进行处理,得到所述特征矩阵对应的高维特征矩阵;根据所述高维特征矩阵以及所述原始的RNN模型中的输出层,获得第二疫情趋势预测结果,所述第二疫情趋势预测结果包括预测的第四预设日期范围内各日期的新增病例的数量和/或新增死亡的人数;所述第四预设日期范围在所述第三预设日期范围之后;利用所述第二疫情趋势预测结果以及对应的疫情趋势真实结果构建损失函数,利用所述损失函数训练所述原始的RNN模型,得到预训练的RNN模型,所述疫情趋势真实结果包括真实的第四预设日期范围内各日期的新增病例的数量和/或新增死亡的人数。
可见,图4所示的实施例中,疫情趋势预测装置可以获取目标地区的疫情序列数据,该疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据;疫情趋势预测装置根据该疫情序列数据构建该疫情序列数据对应的目标特征矩阵,并调用预训练的时间序列模型以根据该目标特征矩阵进行疫情趋势预测,得到第一疫情趋势预测结果以通过终端设备展示该第一疫情趋势预测结果,相较于现有技术基于单一因素进行疫情趋势预测的过程,本申请可以基于结合多个疾病特征以及气象特征以用于疫情趋势预测,可参考性较高。
请参阅图5,为本申请实施例提供的一种电子设备的结构示意图。本实施例中所描述的电子设备可以包括:一个或多个处理器1000和存储器2000。处理器1000和存储器2000可以通过总线连接。
处理器1000可以是中央处理模块(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器2000可以是高速RAM存储器,也可为非不稳定的存储器(non-volatilememory),例如磁盘存储器。其中,存储器2000用于存储计算机程序,所述计算机程序包括程序指令。处理器1000被配置用于调用所述程序指令,执行以下步骤:
获取目标地区的疫情序列数据,所述疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据;
根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵;
调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测,得到第一疫情趋势预测结果,所述第一疫情趋势预测结果包括预测的第二预设日期范围内各日期的新增病例的数量和/或新增死亡的人数;所述第二预设日期范围在所述第一预设日期范围之后;
通过终端设备展示所述第一疫情趋势预测结果。
在一个实施例中,图5所示的电子设备还可以包括输出装置(图未示)。在电子设备为服务器的情况下,处理器1000可以通过输出装置将该第一疫情趋势预测结果发送至终端设备,以便终端设备展示该第一疫情趋势预测结果。在电子设备为终端设备的情况下,处理器1000可以通过输出装置展示该第一疫情趋势处理结果。所述的输出装置如可以为标准的有线/无线接口,或可以为显示屏、触摸显示屏等装置。
在一个实施例中,所述时间序列模型为循环神经网络RNN模型,在调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测,得到第一疫情趋势预测结果时,处理器1000被配置用于调用所述程序指令,执行以下步骤:
通过所述预训练的RNN模型中的隐藏层根据所述目标特征矩阵进行处理,得到所述目标特征矩阵对应的目标高维特征矩阵;
根据所述目标高维特征矩阵以及所述预训练的RNN模型中的输出层,获得第一疫情趋势预测结果。
在一个实施例中,在根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵时,处理器1000被配置用于调用所述程序指令,执行以下步骤:
对所述疫情序列数据包括的各特征数据进行特征提取,得到所述各特征数据的特征向量;
根据所述各特征数据的特征向量,拼接得到所述疫情序列数据对应的目标特征矩阵。
在一个实施例中,在根据所述各特征数据的特征向量,拼接得到所述疫情序列数据对应的目标特征矩阵时,处理器1000被配置用于调用所述程序指令,执行以下步骤:
根据所述疫情序列数据包括的各第一疾病特征数据的特征向量以及各第二疾病特征数据的特征向量,拼接得到第一特征矩阵;
根据所述疫情序列数据包括的各气象特征数据的特征向量,拼接得到第二特征矩阵;
将所述第一特征矩阵和所述第二特征矩阵确定为所述疫情序列数据对应的目标特征矩阵。
在一个实施例中,在通过所述预训练的RNN模型中的隐藏层根据所述目标特征矩阵进行处理,得到所述目标特征矩阵对应的目标高维特征矩阵时,处理器1000被配置用于调用所述程序指令,执行以下步骤:
通过所述预训练的RNN模型中的第一隐藏层对所述第一特征矩阵进行处理,得到所述第一特征矩阵对应的第一高维特征矩阵;
通过所述预训练的RNN模型中的第二隐藏层对所述第二特征矩阵进行处理,得到所述第二特征矩阵对应的第二高维特征矩阵;
在根据所述目标高维特征矩阵以及所述预训练的RNN模型中的输出层,获得第一疫情趋势预测结果时,处理器1000被配置用于调用所述程序指令,执行以下步骤:
对所述第一高维特征矩阵和所述第二高维特征矩阵进行融合处理,得到融合特征矩阵;
通过所述预训练的RNN模型中的输出层根据所述融合特征矩阵进行处理,得到第一疫情趋势预测结果。
在一个实施例中,处理器1000被配置用于调用所述程序指令,还执行以下步骤:
获取目标地区的历史疫情序列数据,所述历史疫情序列数据包括在第三预设日期范围内的各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据;
根据所述历史疫情序列数据构建所述历史疫情序列数据对应的特征矩阵;
利用所述历史疫情序列数据对应的特征矩阵对原始的时间序列模型进行训练,得到预训练的时间序列模型。
在一个实施例中,所述时间序列模型为RNN模型,在利用所述历史疫情序列数据对应的特征矩阵对原始的时间序列模型进行训练,得到预训练的时间序列模型时,处理器1000被配置用于调用所述程序指令,执行以下步骤:
通过所述原始的RNN模型中的隐藏层根据所述历史疫情序列数据对应的特征矩阵进行处理,得到所述特征矩阵对应的高维特征矩阵;
根据所述高维特征矩阵以及所述原始的RNN模型中的输出层,获得第二疫情趋势预测结果,所述第二疫情趋势预测结果包括预测的第四预设日期范围内各日期的新增病例的数量和/或新增死亡的人数;所述第四预设日期范围在所述第三预设日期范围之后;
利用所述第二疫情趋势预测结果以及对应的疫情趋势真实结果构建损失函数,利用所述损失函数训练所述原始的RNN模型,得到预训练的RNN模型,所述疫情趋势真实结果包括真实的第四预设日期范围内各日期的新增病例的数量和/或新增死亡的人数。
具体实现中,本申请实施例中所描述的处理器1000可执行图1实施例、图2A实施例所描述的实现方式,也可执行本申请实施例所描述的实现方式,在此不再赘述。
在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以是两个或两个以上模块集成在一个模块中。上述集成的模块既可以采样硬件的形式实现,也可以采样软件功能模块的形式实现。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的计算机可读存储介质可为易失性的或非易失性的。例如,该计算机存储介质可以为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。所述的计算机可读存储介质可主要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、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
其中,本申请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。
以上所揭露的仅为本申请一种较佳实施例而已,当然不能以此来限定本申请之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本申请权利要求所作的等同变化,仍属于本申请所涵盖的范围。
Claims (10)
1.一种电子设备,其特征在于,包括处理器和存储器,所述处理器和所述存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行以下步骤:
获取目标地区的疫情序列数据,所述疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据;
根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵;
调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测,得到第一疫情趋势预测结果,所述第一疫情趋势预测结果包括预测的第二预设日期范围内各日期的新增病例的数量和/或新增死亡的人数;所述第二预设日期范围在所述第一预设日期范围之后;
通过终端设备展示所述第一疫情趋势预测结果。
2.根据权利要求1所述的电子设备,其特征在于,所述时间序列模型为循环神经网络RNN模型,在调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测,得到第一疫情趋势预测结果时,所述处理器被配置用于调用所述程序指令,执行以下步骤:
通过所述预训练的RNN模型中的隐藏层根据所述目标特征矩阵进行处理,得到所述目标特征矩阵对应的目标高维特征矩阵;
根据所述目标高维特征矩阵以及所述预训练的RNN模型中的输出层,获得第一疫情趋势预测结果。
3.根据权利要求2所述的电子设备,其特征在于,在根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵时,所述处理器被配置用于调用所述程序指令,执行以下步骤:
对所述疫情序列数据包括的各特征数据进行特征提取,得到所述各特征数据的特征向量;
根据所述各特征数据的特征向量,拼接得到所述疫情序列数据对应的目标特征矩阵。
4.根据权利要求3所述的电子设备,其特征在于,在根据所述各特征数据的特征向量,拼接得到所述疫情序列数据对应的目标特征矩阵时,所述处理器被配置用于调用所述程序指令,执行以下步骤:
根据所述疫情序列数据包括的各第一疾病特征数据的特征向量以及各第二疾病特征数据的特征向量,拼接得到第一特征矩阵;
根据所述疫情序列数据包括的各气象特征数据的特征向量,拼接得到第二特征矩阵;
将所述第一特征矩阵和所述第二特征矩阵确定为所述疫情序列数据对应的目标特征矩阵。
5.根据权利要求4所述的电子设备,其特征在于,
在通过所述预训练的RNN模型中的隐藏层根据所述目标特征矩阵进行处理,得到所述目标特征矩阵对应的目标高维特征矩阵时,所述处理器被配置用于调用所述程序指令,执行以下步骤:
通过所述预训练的RNN模型中的第一隐藏层对所述第一特征矩阵进行处理,得到所述第一特征矩阵对应的第一高维特征矩阵;
通过所述预训练的RNN模型中的第二隐藏层对所述第二特征矩阵进行处理,得到所述第二特征矩阵对应的第二高维特征矩阵;
在根据所述目标高维特征矩阵以及所述预训练的RNN模型中的输出层,获得第一疫情趋势预测结果时,所述处理器被配置用于调用所述程序指令,执行以下步骤:
对所述第一高维特征矩阵和所述第二高维特征矩阵进行融合处理,得到融合特征矩阵;
通过所述预训练的RNN模型中的输出层根据所述融合特征矩阵进行处理,得到第一疫情趋势预测结果。
6.根据权利要求1-5任一项所述的电子设备,其特征在于,所述处理器被配置用于调用所述程序指令,还执行以下步骤:
获取目标地区的历史疫情序列数据,所述历史疫情序列数据包括在第三预设日期范围内的各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据;
根据所述历史疫情序列数据构建所述历史疫情序列数据对应的特征矩阵;
利用所述历史疫情序列数据对应的特征矩阵对原始的时间序列模型进行训练,得到预训练的时间序列模型。
7.根据权利要求6所述的电子设备,其特征在于,所述时间序列模型为RNN模型,在利用所述历史疫情序列数据对应的特征矩阵对原始的时间序列模型进行训练,得到预训练的时间序列模型时,所述处理器被配置用于调用所述程序指令,执行以下步骤:
通过所述原始的RNN模型中的隐藏层根据所述历史疫情序列数据对应的特征矩阵进行处理,得到所述特征矩阵对应的高维特征矩阵;
根据所述高维特征矩阵以及所述原始的RNN模型中的输出层,获得第二疫情趋势预测结果,所述第二疫情趋势预测结果包括预测的第四预设日期范围内各日期的新增病例的数量和/或新增死亡的人数;所述第四预设日期范围在所述第三预设日期范围之后;
利用所述第二疫情趋势预测结果以及对应的疫情趋势真实结果构建损失函数,利用所述损失函数训练所述原始的RNN模型,得到预训练的RNN模型,所述疫情趋势真实结果包括真实的第四预设日期范围内各日期的新增病例的数量和/或新增死亡的人数。
8.一种疫情趋势预测方法,其特征在于,包括:
获取目标地区的疫情序列数据,所述疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据;
根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵;
调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测,得到第一疫情趋势预测结果,所述第一疫情趋势预测结果包括预测的第二预设日期范围内各日期的新增病例的数量和/或新增死亡的人数;所述第二预设日期范围在所述第一预设日期范围之后;
通过终端设备展示所述第一疫情趋势预测结果。
9.一种疫情趋势预测装置,其特征在于,包括:
获取模块,用于获取目标地区的疫情序列数据,所述疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据;
构建模块,用于根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵;
处理模块,用于调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测,得到第一疫情趋势预测结果,所述第一疫情趋势预测结果包括预测的第二预设日期范围内各日期的新增病例的数量和/或新增死亡的人数;所述第二预设日期范围在所述第一预设日期范围之后;
所述处理模块,还用于通过终端设备展示所述第一疫情趋势预测结果。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现如权利要求1-7任一项所述的电子设备执行的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011043913.3A CN111883262B (zh) | 2020-09-28 | 2020-09-28 | 疫情趋势预测方法、装置、电子设备及存储介质 |
PCT/CN2020/124608 WO2021159739A1 (zh) | 2020-09-28 | 2020-10-29 | 疫情趋势预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011043913.3A CN111883262B (zh) | 2020-09-28 | 2020-09-28 | 疫情趋势预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111883262A true CN111883262A (zh) | 2020-11-03 |
CN111883262B CN111883262B (zh) | 2021-01-15 |
Family
ID=73199240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011043913.3A Active CN111883262B (zh) | 2020-09-28 | 2020-09-28 | 疫情趋势预测方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111883262B (zh) |
WO (1) | WO2021159739A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561121A (zh) * | 2020-11-12 | 2021-03-26 | 北京大学 | 基于手机信令数据的复工趋势预测方法及系统 |
CN112820414A (zh) * | 2021-01-29 | 2021-05-18 | 南威软件股份有限公司 | 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 |
CN112988851A (zh) * | 2021-04-27 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 反事实预测模型数据处理方法、装置、设备及存储介质 |
CN113707337A (zh) * | 2021-08-30 | 2021-11-26 | 平安科技(深圳)有限公司 | 基于多源数据的疾病预警方法、装置、设备及存储介质 |
CN114049968A (zh) * | 2021-10-21 | 2022-02-15 | 北京北明数科信息技术有限公司 | 传染病发展趋势预测方法、系统、装置及存储介质 |
CN115840895A (zh) * | 2021-12-31 | 2023-03-24 | 江苏常胜电器(淮安)有限公司 | 一种电子器件温度保护系统 |
CN113707337B (zh) * | 2021-08-30 | 2024-05-10 | 平安科技(深圳)有限公司 | 基于多源数据的疾病预警方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160109149A1 (en) * | 2013-05-10 | 2016-04-21 | Wello, Inc. | System and process for notification of contagion risk conditions and mitigation thereof |
CN106778014A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大学 | 一种基于循环神经网络的患病风险预测方法 |
CN107194508A (zh) * | 2017-05-18 | 2017-09-22 | 成都数联易康科技有限公司 | 一种基于时间序列动态预测中短期区域儿科门诊人次的方法 |
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 |
CN109859854A (zh) * | 2018-12-17 | 2019-06-07 | 中国科学院深圳先进技术研究院 | 传染病预测方法、装置、电子设备及计算机可读介质 |
KR20200029425A (ko) * | 2020-03-11 | 2020-03-18 | 네이버 주식회사 | 딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템 |
CN111524611A (zh) * | 2020-04-24 | 2020-08-11 | 腾讯科技(深圳)有限公司 | 构建传染病趋势预测模型的方法、预测方法、装置及设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200131509A1 (en) * | 2017-04-21 | 2020-04-30 | The Board Of Trustees Of The Leland Stanford Junior University | Ultra-sensitive and Universal Species Detection Pipeline for Next Generation Sequencing Data |
CN109448781B (zh) * | 2018-11-06 | 2021-09-14 | 云南大学 | 一种流感病毒抗原变化的预测方法 |
CN109656918A (zh) * | 2019-01-04 | 2019-04-19 | 平安科技(深圳)有限公司 | 流行病发病指数的预测方法、装置、设备及可读存储介质 |
-
2020
- 2020-09-28 CN CN202011043913.3A patent/CN111883262B/zh active Active
- 2020-10-29 WO PCT/CN2020/124608 patent/WO2021159739A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160109149A1 (en) * | 2013-05-10 | 2016-04-21 | Wello, Inc. | System and process for notification of contagion risk conditions and mitigation thereof |
CN106778014A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大学 | 一种基于循环神经网络的患病风险预测方法 |
CN107194508A (zh) * | 2017-05-18 | 2017-09-22 | 成都数联易康科技有限公司 | 一种基于时间序列动态预测中短期区域儿科门诊人次的方法 |
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 |
CN109859854A (zh) * | 2018-12-17 | 2019-06-07 | 中国科学院深圳先进技术研究院 | 传染病预测方法、装置、电子设备及计算机可读介质 |
KR20200029425A (ko) * | 2020-03-11 | 2020-03-18 | 네이버 주식회사 | 딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템 |
CN111524611A (zh) * | 2020-04-24 | 2020-08-11 | 腾讯科技(深圳)有限公司 | 构建传染病趋势预测模型的方法、预测方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
徐涵: "《大数据、人工智能和网络舆情治理》", 31 October 2018 * |
科学大观园杂志社: "科学家提出多种疾病的复杂传播"模型",有助于预测新冠病毒疫情", 《HTTP://K.SINA.COM.CN/ARTICLE_6451404278_180889DF601900M9I5.HTML》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561121A (zh) * | 2020-11-12 | 2021-03-26 | 北京大学 | 基于手机信令数据的复工趋势预测方法及系统 |
CN112561121B (zh) * | 2020-11-12 | 2021-07-20 | 北京大学 | 基于手机信令数据的复工趋势预测方法及系统 |
CN112820414A (zh) * | 2021-01-29 | 2021-05-18 | 南威软件股份有限公司 | 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 |
CN112820414B (zh) * | 2021-01-29 | 2021-11-09 | 南威软件股份有限公司 | 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 |
WO2022160370A1 (zh) * | 2021-01-29 | 2022-08-04 | 南威软件股份有限公司 | 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 |
CN112988851A (zh) * | 2021-04-27 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 反事实预测模型数据处理方法、装置、设备及存储介质 |
CN113707337A (zh) * | 2021-08-30 | 2021-11-26 | 平安科技(深圳)有限公司 | 基于多源数据的疾病预警方法、装置、设备及存储介质 |
CN113707337B (zh) * | 2021-08-30 | 2024-05-10 | 平安科技(深圳)有限公司 | 基于多源数据的疾病预警方法、装置、设备及存储介质 |
CN114049968A (zh) * | 2021-10-21 | 2022-02-15 | 北京北明数科信息技术有限公司 | 传染病发展趋势预测方法、系统、装置及存储介质 |
CN115840895A (zh) * | 2021-12-31 | 2023-03-24 | 江苏常胜电器(淮安)有限公司 | 一种电子器件温度保护系统 |
CN115840895B (zh) * | 2021-12-31 | 2024-05-03 | 江苏常胜电器(淮安)有限公司 | 一种电子器件温度保护系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111883262B (zh) | 2021-01-15 |
WO2021159739A1 (zh) | 2021-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111883262B (zh) | 疫情趋势预测方法、装置、电子设备及存储介质 | |
WO2021047593A1 (zh) | 推荐模型的训练方法、预测选择概率的方法及装置 | |
CN109074607B (zh) | 学得模型提供方法和学得模型提供装置 | |
WO2021120677A1 (zh) | 一种仓储模型训练方法、装置、计算机设备及存储介质 | |
WO2019114423A1 (zh) | 对模型预测值进行融合的方法、装置和设备 | |
JP2022529178A (ja) | 人工知能推奨モデルの特徴処理方法、装置、電子機器、及びコンピュータプログラム | |
CN112861662B (zh) | 基于人脸和交互文本的目标对象行为预测方法及相关设备 | |
AU2019201382A1 (en) | Determining optimal workforce types to fulfill occupational roles in an organization based on occupational attributes | |
CN113656587B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN112598111A (zh) | 异常数据的识别方法和装置 | |
WO2024041483A1 (zh) | 一种推荐方法及相关装置 | |
CN116431878A (zh) | 向量检索服务方法、装置、设备及其存储介质 | |
CN115879508A (zh) | 一种数据处理方法及相关装置 | |
CN111461306B (zh) | 特征评估的方法及装置 | |
CN116361567B (zh) | 应用于云办公的数据处理方法及系统 | |
WO2024012360A1 (zh) | 一种数据处理方法及相关装置 | |
CN117216114A (zh) | 一种数据流关联方法、装置、设备及其存储介质 | |
CN116703466A (zh) | 基于改进灰狼算法的系统访问量预测方法及其相关设备 | |
CN116739154A (zh) | 一种故障预测方法及其相关设备 | |
CN115860835A (zh) | 基于人工智能的广告推荐方法、装置、设备及存储介质 | |
CN114780368A (zh) | 表数据同步工具评测方法与表述数据同步方法 | |
CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN113255770A (zh) | 化合物属性预测模型训练方法和化合物属性预测方法 | |
CN113420227B (zh) | 点击率预估模型的训练方法、预估点击率的方法、装置 | |
WO2023236900A1 (zh) | 一种项目推荐方法及其相关设备 |
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 |