CN111933300A - 疫情防控效果预测方法、装置、服务器及存储介质 - Google Patents
疫情防控效果预测方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN111933300A CN111933300A CN202011043912.9A CN202011043912A CN111933300A CN 111933300 A CN111933300 A CN 111933300A CN 202011043912 A CN202011043912 A CN 202011043912A CN 111933300 A CN111933300 A CN 111933300A
- Authority
- CN
- China
- Prior art keywords
- data
- epidemic
- epidemic situation
- new media
- control effect
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种疫情防控效果预测方法、装置、服务器及存储介质,应用于医疗科技领域,该方法包括:统计第一预设日期范围内各日期的新媒体数据和疫情数据;调用疫情防控效果预测模型,并根据所述新媒体数据和所述疫情数据对疫情防控效果进行预测,得到预测结果,所述预测结果包括第二预设日期范围内各日期的负面新闻数据和疫情感染数据以发送至终端设备进行展示。采用本申请,可以基于新媒体信息对疫情防控效果进行预测,以用于疫情防控。本申请涉及区块链技术,如可将预测结果写入区块链。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种疫情防控效果预测方法、装置、服务器及存储介质。
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。人们可以通过互联网来获取到每日实时的疫情数据,以掌握疫情最新动态。随着新媒体的发展,人们不仅可以作为疫情相关新闻的发布者也可以作为疫情相关新闻的浏览者。新媒体作为疫情相关内容传播的介质,影响着人们的生活。
现有业内产品主要基于疫情数据本身对疫情发展进行预测,而没有基于新媒体信息对疫情防控效果进行预测。同样的前期疫情发展趋势,会因为新媒体上发布的不同的疫情防控进展信息、谣言和专家言论产生截然不同的疫情发展方向,也会对疫情防控效果产生不同影响。因此,如何基于新媒体信息对疫情防控效果进行预测,以用于疫情防控成为亟待解决的问题。
发明内容
本申请实施例提供了一种疫情防控效果预测方法、装置、服务器及存储介质,可以基于新媒体信息对疫情防控效果进行预测,以用于疫情防控。
第一方面,本申请实施例提供了一种疫情防控效果预测方法,包括:
统计第一预设日期范围内各日期的新媒体数据和疫情数据,所述新媒体数据包括负面新闻数据和其它新媒体数据,所述疫情数据包括疫情感染数据;
调用疫情防控效果预测模型,并根据所述新媒体数据和所述疫情数据对疫情防控效果进行预测,得到预测结果,所述预测结果包括第二预设日期范围内各日期的负面新闻数据和疫情感染数据,所述第二预设日期范围在所述第一预设日期范围之后;
将所述预测结果发送至终端设备,以便终端设备展示所述预测结果。
可选地,所述负面新闻数据包括以下至少一项:疫情期间负面新闻数和疫情期间负面新闻增长率;
所述其它新媒体数据包括以下至少一项:疫情相关数据的发布方式、每种发布方式对应的新媒体平台的受众人群类别、所述新媒体平台的活跃性数据、为所述新媒体平台发布的疫情相关数据标注的标签、所述新媒体平台发布的疫情相关数据在每类标签对应的新闻数量;
所述疫情数据包括疫情感染数据,所述疫情感染数据包括以下至少一项:疫情感染人数和疫情感染人数增长率。
可选地,所述疫情防控效果预测模型为预训练的第一机器学习模型,所述第一机器学习模型是基于深度神经网络构建的;或,所述疫情防控效果预测模型为预训练的第二机器学习模型,所述第二机器学习模型是基于卷积神经网络、深度神经网络和长短期记忆网络构建的。
可选地,当所述疫情防控效果预测模型为预训练的第二机器学习模型时,所述调用疫情防控效果预测模型,并根据所述新媒体数据和所述疫情数据对疫情防控效果进行预测,得到预测结果,包括:
通过预训练的第二机器学习模型中的卷积神经网络,根据所述新媒体数据和所述疫情数据提取空间特征;
通过所述预训练的第二机器学习模型中的深度神经网络和长短期记忆网络,根据所述新媒体数据和所述疫情数据提取时序特征;
对所述空间特征和所述时序特征进行融合处理,得到时空特征;
根据所述时空特征对负面新闻增长趋势和传染病流行趋势进行预测,得到预测结果。
可选地,所述通过所述预训练的第二机器学习模型中的深度神经网络和长短期记忆网络,根据所述新媒体数据和所述疫情数据提取时序特征,包括:
将所述新媒体数据和所述疫情数据输入所述预训练的第二机器学习模型中的第一层深度神经网络,得到所述第一层深度神经网络的输出;
将所述第一层深度神经网络的输出作为所述预训练的第二机器学习模型中的第二层长短期记忆网络的输入,得到所述第二层长短期记忆网络的输出;
将所述第二层长短期记忆网络的输出作为所述预训练的第二机器学习模型中的第三层长短期记忆网络的输出,由所述第三层长短期记忆网络输出时序特征。
可选地,所述根据所述时空特征对负面新闻增长趋势和传染病流行趋势进行预测,得到预测结果,包括:
将所述时空特征作为所述预训练的第二机器学习模型中的第四层深度神经网络的输入,得到所述第四层深度神经网络的输出;
将所述第四层深度神经网络的输出输入到所述预训练的第二机器学习模型中的输出层,由所述输出层输出预测结果。
可选地,所述根据所述时空特征对负面新闻增长趋势和传染病流行趋势进行预测,得到预测结果,包括:
将所述时空特征作为所述预训练的第二机器学习模型中的输出层的输入,由所述输出层输出预测结果。
第二方面,本申请实施例提供了一种疫情防控效果预测装置,包括:
统计模块,用于统计第一预设日期范围内各日期的新媒体数据和疫情数据,所述新媒体数据包括负面新闻数据和其它新媒体数据,所述疫情数据包括疫情感染数据;
预测模块,用于调用疫情防控效果预测模型,并根据所述新媒体数据和所述疫情数据对疫情防控效果进行预测,得到预测结果,所述预测结果包括第二预设日期范围内各日期的负面新闻数据和疫情感染数据,所述第二预设日期范围在所述第一预设日期范围之后;
输出模块,用于将所述预测结果发送至终端设备,以便终端设备展示所述预测结果。
第三方面,本申请实施例提供了一种服务器,包括处理器、输出设备和存储器,所述处理器、所述输出设备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,执行如第一方面所述的方法。
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方法。
综上所述,服务器可以统计第一预设日期范围内各日期的新媒体数据和疫情数据,并调用疫情防控效果预测模型,并根据该新媒体数据和该疫情数据对疫情防控效果进行预测,得到预测结果,以将该预测结果发送至终端设备以进行展示,能够基于新媒体信息对疫情防控效果进行预测,以用于疫情防控。
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防控效果预测方法的流程示意图;
图2是本申请实施例提供的另一种疫情防控效果预测方法的流程示意图;
图3是本申请实施例提供的一种疫情防控效果预测系统的网络架构示意图;
图4是本申请实施例提供的一种疫情防控效果预测装置的结构示意图;
图5是本申请实施例提供的一种服务器的结构示意图。
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防控效果预测方法的流程示意图。该方法可以应用于服务器。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、统计第一预设日期范围内各日期的新媒体数据和疫情数据,所述新媒体数据包括负面新闻数据和其它新媒体数据,所述疫情数据包括疫情感染数据。
其中,负面新闻数据可以包括以下至少一项:疫情期间负面新闻数和疫情期间负面新闻增长率。该疫情期间负面新闻数可以包括日增负面新闻数和总负面新闻数。该疫情期间负面新闻增长率包括日均负面新闻增长率。
其中,其它新媒体数据包括以下至少一项:疫情相关数据的发布方式、每种发布方式对应的新媒体平台的受众人群类别、该新媒体平台的活跃性数据、为该新媒体平台发布的疫情相关数据标注的标签、该新媒体平台发布的疫情相关数据在每类标签对应的新闻数量。发布方式如可以为公众号、短视频。受众人群类别如可以按照年龄、受教育程度划分,受众人群类别还可以按照其他形式划分,在此不做限制。活跃性数据如可以包括以下至少一项:每日活跃度和每时活跃度。在一个实施例中,活跃性数据还可以包括对疫情相关数据中的目标数据的查看量、点赞量或评论数。标签如可以分为正面标签(可进一步细分)和负面标签(可进一步细分),或可以根据防疫传播的内容进行划分,标签也可以按照其他形式划分,在此不做限制。
其中,疫情数据可以包括疫情感染数据,该疫情感染数据包括以下至少一项:疫情感染人数和疫情感染人数增长率。该疫情感染人数可以为目标区域的疫情感染人数。该目标区域可以为待预测的区域。该疫情感染人数增长率可以为该目标区域的疫情感染人数增长率。所指的疫情感染数据如可以包括以下至少一项:日增感染人数和总感染人数,所指的疫情感染人数增长率如可以为日均感染人数增长率。在一个实施例中,该疫情数据还可以包括疫情死亡人数,该疫情死亡人数如可以包括以下至少一项:日增死亡人数和总死亡人数。
S102、调用疫情防控效果预测模型,并根据所述新媒体数据和所述疫情数据对疫情防控效果进行预测,得到预测结果,所述预测结果包括第二预设日期范围内各日期的负面新闻数据和疫情感染数据,所述第二预设日期范围在所述第一预设日期范围之后。
本申请实施例中,服务器可以调用疫情防控效果预测模型,并根据该新媒体数据和该疫情数据对疫情防控效果进行预测,得到预测结果。本申请实施例可以针对发生的区域性大规模传染病的防疫情况,结合各类新媒体对疫情防控相关信息的加工与传播情况,挖掘新媒体产业运作细节对于提升区域内传染病防控效果的影响规律,以传媒运营角度为政府的防疫决策和卫生部门的防疫工作提供更加有效的协助。
在一个实施例中,该疫情防控效果预测模型可以为预训练的第一机器学习模型。该第一机器学习模型可以为第一深度学习模型,该第一机器学习模型可以是基于深度神经网络构建的。或,该疫情防控效果预测模型为预训练的第二机器学习模型。该第二机器学习模型可以为第二深度学习模型,该第二机器学习模型可以是基于卷积神经网络、深度神经网络和长短期记忆网络构建的。
在一个实施例中,当疫情防控效果为预训练的第一机器学习模型时,该预训练的第一机器学习模型的获取方式可以如下:服务器统计第三预设日期范围内各日期的新媒体数据和疫情数据;服务器将第三预设日期范围内各日期的新媒体数据和疫情数据作为原始的第一机器学习模型的输入数据,由该原始的第一机器学习模型根据该新媒体数据和该疫情数据输出第四预设日期范围内各日期的负面新闻数据和疫情感染数据;服务器获取真实的第四预设日期范围内各日期的负面新闻数据和疫情感染数据,并根据输出的第四预设日期范围内各日期的负面新闻数据和疫情感染数据,以及真实的第四预设日期范围内各日期的负面新闻数据和疫情感染数据构建损失函数;服务器利用该损失函数训练该原始的第一机器学习模型,得到预训练的第一机器学习模型。该第四预设日期范围在该第三预设日期范围之后。
在一个实施例中,当疫情防控效果预测模型为预训练的第二机器学习模型时,该预训练的第二机器学习模型的获取方式可以如下:服务器统计第三预设日期范围内各日期的新媒体数据和疫情数据;服务器将第三预设日期范围内各日期的新媒体数据和疫情数据作为原始的第二机器学习模型的输入数据,由该原始的第二机器学习模型根据该新媒体数据和该疫情数据输出第四预设日期范围内各日期的负面新闻数据和疫情感染数据;服务器获取真实的第四预设日期范围内各日期的负面新闻数据和疫情感染数据,并根据输出的第四预设日期范围内各日期的负面新闻数据和疫情感染数据,以及真实的第四预设日期范围内各日期的负面新闻数据和疫情感染数据构建损失函数;服务器利用该损失函数训练该原始的第二机器学习模型,得到预训练的第二机器学习模型。
S103、将所述预测结果发送至终端设备,以便终端设备展示所述预测结果。
本申请实施例中,服务器可以通过终端设备输出该预测结果。
在一个实施例中,服务器可以利用归因分析模型从互联网数据中筛选出第一预设日期范围内各日期的新媒体数据和疫情数据。
在一个实施例中,服务器可以获取在第一预设时间范围之前的目标时间范围内各日期的新媒体数据和疫情数据,以及该目标时间范围的下一时间范围内各日期的负面新闻数据和疫情感染数据;服务器利用归因分析模型根据第一预设时间范围之前的时间范围内各日期的新媒体数据和疫情数据以及该目标时间范围的下一时间范围内各日期的负面新闻数据和疫情感染数据,从预设的多个评估指标中确定出用于疫情防控效果预测的目标评估指标;服务器从互联网数据中筛选出该目标评估指标在第一预设日期范围内各日期的新媒体数据和疫情数据。其中,归因分析模型的归因分析方法可以为以下任一项:g-formula方法、逆概率加权法、Propensity-score 方法。
可见,图1所示的实施例中,服务器可以统计第一预设日期范围内各日期的新媒体数据和疫情数据,并调用疫情防控效果预测模型,以根据该新媒体数据和该疫情数据对疫情防控效果进行预测,得到预测结果以发送至终端设备进行展示,从而可以基于新媒体信息对疫情防控效果进行预测,以用于疫情防控。
请参阅图2,为本申请实施例提供的另一种疫情防控效果预测方法的流程示意图。该方法可以应用于服务器。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:
S201、统计第一预设日期范围内各日期的新媒体数据和疫情数据,所述新媒体数据包括负面新闻数据和其它新媒体数据,所述疫情数据包括疫情感染数据。
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、通过预训练的第二机器学习模型中的卷积神经网络,根据所述新媒体数据和所述疫情数据提取空间特征。
本申请实施例中,服务器可以将该新媒体数据和该疫情数据输入预训练的第二机器学习模型中的卷积神经网络,由该卷积神经网络根据该新媒体数据和该疫情数据输出空间特征。在一个实施例中,服务器可以将第一预设时间范围内的各日期的新媒体信息数据和疫情数据按时间顺序以天为时间单位进行特征提取,组成总长度为N的特征向量;服务器将每个时间单位的特征向量作为卷积神经网络的输入,由卷积神经网络根据该每个时间单位的特征向量输出空间特征。
S203、通过所述预训练的第二机器学习模型中的深度神经网络和长短期记忆网络,根据所述新媒体数据和所述疫情数据提取时序特征。
本申请实施例中,服务器通过该预训练的第二机器学习模型中的深度神经网络和长短期记忆网络,根据该新媒体数据和该疫情数据提取时序特征的过程可以为:服务器将该新媒体数据和该疫情数据输入该预训练的第二机器学习模型中的第一层深度神经网络,得到该第一层深度神经网络的输出,并将该第一层深度神经网络的输出作为该预训练的第二机器学习模型中的第二层长短期记忆网络的输入,得到该第二层长短期记忆网络的输出;服务器将该第二层长短期记忆网络的输出作为该预训练的第二机器学习模型中的第三层长短期记忆网络的输出,由该第三层长短期记忆网络输出时序特征。在一个实施例中,该长短期记忆网络可以为双层长短期记忆网络。
本申请实施例中,服务器可以按时间顺序依次将第一预设日期范围内中各日期的新媒体数据和疫情数据作为第一层深度神经网络的输入,得到该第一层深度神经网络的输出。服务器可以将第一层深度神经网络的输出作为第二层双向长短期记忆网络的输入,且以天为时间单位,将相邻前后两个时间的新媒体信息数据和疫情数据分别对应第二层双向长短期记忆网络的输出,作为相邻前后两个时间点的新媒体数据和疫情数据分别对应第三层双向长短期记忆网络的输入,从而由第三层双向长短期输出时序特征。
S204、对所述空间特征和所述时序特征进行融合处理,得到时空特征。
S205、根据所述时空特征对负面新闻增长趋势和传染病流行趋势进行预测,得到预测结果,所述预测结果包括第二预设日期范围内各日期的负面新闻数据和疫情感染数据,所述第二预设日期范围在该第一预设日期范围之后。
在步骤S204-步骤S205中,服务器可以对该空间特征和该时序特征进行融合处理,得到时空特征,并根据时空特征对负面新闻增长趋势和传染病留下趋势进行预测,得到预测结果。
在一个实施例中,服务器根据该时空特征对负面新闻增长趋势和传染病流行趋势进行预测,得到预测结果,具体为服务器将该时空特征作为该预训练的第二机器学习模型中的第四层深度神经网络的输入,得到该第四层深度神经网络的输出,并将该第四层深度神经网络的输出输入到该预训练的第二机器学习模型中的输出层,由该输出层输出预测结果。
在一个实施例中,服务器根据该时空特征对负面新闻增长趋势和传染病流行趋势进行预测,得到预测结果的过程可以为:服务器将该时空特征作为该预训练的第二机器学习模型中的输出层的输入,由该输出层输出预测结果。此处的第二机器学习模型的结构相较于前者更为简单,更易于实现。
S206、将所述预测结果发送至终端设备,以便终端设备展示所述预测结果。
其中,步骤S206可以参见图1实施例中的步骤S103,本申请实施例在此不做赘述。
在一个实施例中,当疫情防控效果预测模型为预训练的第二机器学习模型时,该预训练的第二机器学习模型的获取方式具体可以如下:服务器统计第三预设日期范围内各日期的新媒体数据和疫情数据;服务器将第三预设日期范围内各日期的新媒体数据和疫情数据作为原始的第二机器学习模型的输入数据,通过该原始的第二机器学习模型中的卷积神经网络,根据该第三预设日期范围内各日期的新媒体数据和疫情数据提取目标空间特征,并通过该预训练的第二机器学习模型中的深度神经网络和长短期记忆网络,根据该第三预设日期范围内各日期的新媒体数据和疫情数据提取目标时序特征;服务器对该目标空间特征和该目标时序特征进行融合处理,得到目标时空特征,并根据该目标时空特征对负面新闻增长趋势和传染病流行趋势进行预测,得到第四预设日期范围内各日期的负面新闻数据和疫情感染数据;服务器获取真实的第四预设日期范围内各日期的负面新闻数据和疫情感染数据,并根据输出的第四预设日期范围内各日期的负面新闻数据和疫情感染数据,以及真实的第四预设日期范围内各日期的负面新闻数据和疫情感染数据构建损失函数;服务器利用该损失函数训练该原始的第二机器学习模型,得到预训练的第二机器学习模型。
可见,图2所示的实施例中,服务器可以通过预训练的第二机器学习模型中的卷积神经网络,根据该第一预设时间范围内各日期的新媒体数据和疫情数据提取空间特征;服务器通过预训练的第二机器学习模型中的深度神经网络和长短期记忆网络,根据该新媒体数据和该疫情数据提取时序特征;服务器对该空间特征和该时序特征进行融合处理,得到时空特征,并根据该时空特征对负面新闻增长趋势和传染病流行趋势进行预测,得到预测结果,可以通过预训练的第二机器学习模型以基于新媒体信息对疫情防控效果进行预测,以用于疫情防控。
本申请可应用于医疗科技领域,本申请涉及区块链技术,如可将预测结果写入区块链或将预测结果的加密数据写入区块链。
请参阅图3,为本申请实施例提供的一种疫情防控效果预测系统的网络架构示意图。该疫情防控效果预测系统可以包括服务器10和终端设备20。其中:
服务器10可以通过执行步骤S101和步骤S102以根据新媒体数据和疫情数据进行疫情防控效果预测,得到预测结果,并可以通过执行步骤S103,以通过终端设备30展示该预测结果。
请参阅图4,为本申请实施例提供的一种疫情防控效果预测装置的结构示意图。该装置可以应用于服务器。具体地,该装置可以包括以下步骤:
统计模块401,用于统计第一预设日期范围内各日期的新媒体数据和疫情数据,所述新媒体数据包括负面新闻数据和其它新媒体数据,所述疫情数据包括疫情感染数据。
预测模块402,用于调用疫情防控效果预测模型,并根据所述新媒体数据和所述疫情数据对疫情防控效果进行预测,得到预测结果,所述预测结果包括第二预设日期范围内各日期的负面新闻数据和疫情感染数据,所述第二预设日期范围在所述第一预设日期范围之后。
输出模块403,用于将所述预测结果发送至终端设备,以便终端设备展示所述预测结果。
在一种可选的实施方式中,所述负面新闻数据包括以下至少一项:疫情期间负面新闻数和疫情期间负面新闻增长率;所述其它新媒体数据包括以下至少一项:疫情相关数据的发布方式、每种发布方式对应的新媒体平台的受众人群类别、所述新媒体平台的活跃性数据、为所述新媒体平台发布的疫情相关数据标注的标签、所述新媒体平台发布的疫情相关数据在每类标签对应的新闻数量;所述疫情数据包括疫情感染数据,所述疫情感染数据包括以下至少一项:疫情感染人数和疫情感染人数增长率。
在一种可选的实施方式中,所述疫情防控效果预测模型为预训练的第一机器学习模型,所述第一机器学习模型是基于深度神经网络构建的;或,所述疫情防控效果预测模型为预训练的第二机器学习模型,所述第二机器学习模型是基于卷积神经网络、深度神经网络和长短期记忆网络构建的。
在一种可选的实施方式中,当所述疫情防控效果预测模型为预训练的第二机器学习模型时,预测模块402调用疫情防控效果预测模型,并根据所述新媒体数据和所述疫情数据对疫情防控效果进行预测,得到预测结果,具体为通过预训练的第二机器学习模型中的卷积神经网络,根据所述新媒体数据和所述疫情数据提取空间特征;通过所述预训练的第二机器学习模型中的深度神经网络和长短期记忆网络,根据所述新媒体数据和所述疫情数据提取时序特征;对所述空间特征和所述时序特征进行融合处理,得到时空特征;根据所述时空特征对负面新闻增长趋势和传染病流行趋势进行预测,得到预测结果。
在一种可选的实施方式中,预测模块402通过所述预训练的第二机器学习模型中的深度神经网络和长短期记忆网络,根据所述新媒体数据和所述疫情数据提取时序特征,具体为将所述新媒体数据和所述疫情数据输入所述预训练的第二机器学习模型中的第一层深度神经网络,得到所述第一层深度神经网络的输出;将所述第一层深度神经网络的输出作为所述预训练的第二机器学习模型中的第二层长短期记忆网络的输入,得到所述第二层长短期记忆网络的输出;将所述第二层长短期记忆网络的输出作为所述预训练的第二机器学习模型中的第三层长短期记忆网络的输出,由所述第三层长短期记忆网络输出时序特征。
在一种可选的实施方式中,预测模块402根据所述时空特征对负面新闻增长趋势和传染病流行趋势进行预测,得到预测结果,具体为将所述时空特征作为所述预训练的第二机器学习模型中的第四层深度神经网络的输入,得到所述第四层深度神经网络的输出;将所述第四层深度神经网络的输出输入到所述预训练的第二机器学习模型中的输出层,由所述输出层输出预测结果。
在一种可选的实施方式中,预测模块402根据所述时空特征对负面新闻增长趋势和传染病流行趋势进行预测,得到预测结果,具体为将所述时空特征作为所述预训练的第二机器学习模型中的输出层的输入,由所述输出层输出预测结果。
可见,图4所示的实施例中,疫情防控效果预测装置可以统计第一预设日期范围内各日期的新媒体数据和疫情数据,并调用疫情防控效果预测模型,并根据该新媒体数据和该疫情数据对疫情防控效果进行预测,得到预测结果,以将该预测结果发送至终端设备以进行展示,能够基于新媒体信息对疫情防控效果进行预测,以用于疫情防控。
请参阅图5,为本申请实施例提供的一种服务器的结构示意图。本实施例中所描述的服务器可以包括:一个或多个处理器1000、一个或多个输入设备2000、一个或多个输出设备3000和存储器4000。处理器1000和存储器4000可以通过总线连接。该服务器包括的输入设备2000为可选的设备,即服务器可以仅包括一个或多个处理器1000、一个或多个输出设备3000和存储器4000。在一个实施例中,输入设备2000和输出设备3000可以为标准的有线或无线通信接口。
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4000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4000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:
统计第一预设日期范围内各日期的新媒体数据和疫情数据,所述新媒体数据包括负面新闻数据和其它新媒体数据,所述疫情数据包括疫情感染数据;
调用疫情防控效果预测模型,并根据所述新媒体数据和所述疫情数据对疫情防控效果进行预测,得到预测结果,所述预测结果包括第二预设日期范围内各日期的负面新闻数据和疫情感染数据,所述第二预设日期范围在所述第一预设日期范围之后;
将所述预测结果发送至终端设备,以便终端设备展示所述预测结果。
在一个实施例中,所述负面新闻数据包括以下至少一项:疫情期间负面新闻数和疫情期间负面新闻增长率;
所述其它新媒体数据包括以下至少一项:疫情相关数据的发布方式、每种发布方式对应的新媒体平台的受众人群类别、所述新媒体平台的活跃性数据、为所述新媒体平台发布的疫情相关数据标注的标签、所述新媒体平台发布的疫情相关数据在每类标签对应的新闻数量;
所述疫情数据包括疫情感染数据,所述疫情感染数据包括以下至少一项:疫情感染人数和疫情感染人数增长率。
在一个实施例中,所述疫情防控效果预测模型为预训练的第一机器学习模型,所述第一机器学习模型是基于深度神经网络构建的;或,所述疫情防控效果预测模型为预训练的第二机器学习模型,所述第二机器学习模型是基于卷积神经网络、深度神经网络和长短期记忆网络构建的。
在一个实施例中,当所述疫情防控效果预测模型为预训练的第二机器学习模型时,在调用疫情防控效果预测模型,并根据所述新媒体数据和所述疫情数据对疫情防控效果进行预测,得到预测结果时,处理器1000被配置用于调用所述程序指令,执行以下步骤:
通过预训练的第二机器学习模型中的卷积神经网络,根据所述新媒体数据和所述疫情数据提取空间特征;
通过所述预训练的第二机器学习模型中的深度神经网络和长短期记忆网络,根据所述新媒体数据和所述疫情数据提取时序特征;
对所述空间特征和所述时序特征进行融合处理,得到时空特征;
根据所述时空特征对负面新闻增长趋势和传染病流行趋势进行预测,得到预测结果。
在一个实施例中,在通过所述预训练的第二机器学习模型中的深度神经网络和长短期记忆网络,根据所述新媒体数据和所述疫情数据提取时序特征时,处理器1000被配置用于调用所述程序指令,执行以下步骤:
将所述新媒体数据和所述疫情数据输入所述预训练的第二机器学习模型中的第一层深度神经网络,得到所述第一层深度神经网络的输出;
将所述第一层深度神经网络的输出作为所述预训练的第二机器学习模型中的第二层长短期记忆网络的输入,得到所述第二层长短期记忆网络的输出;
将所述第二层长短期记忆网络的输出作为所述预训练的第二机器学习模型中的第三层长短期记忆网络的输出,由所述第三层长短期记忆网络输出时序特征。
在一个实施例中,在根据所述时空特征对负面新闻增长趋势和传染病流行趋势进行预测,得到预测结果时,处理器1000被配置用于调用所述程序指令,执行以下步骤:
将所述时空特征作为所述预训练的第二机器学习模型中的第四层深度神经网络的输入,得到所述第四层深度神经网络的输出;
将所述第四层深度神经网络的输出输入到所述预训练的第二机器学习模型中的输出层,由所述输出层输出预测结果。
在一个实施例中,在根据所述时空特征对负面新闻增长趋势和传染病流行趋势进行预测,得到预测结果时,处理器1000被配置用于调用所述程序指令,执行以下步骤:
将所述时空特征作为所述预训练的第二机器学习模型中的输出层的输入,由所述输出层输出预测结果。
具体实现中,本申请实施例中所描述的处理器1000、输入设备2000和输出设备3000可执行图1实施例、图2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)
1.一种疫情防控效果预测方法,其特征在于,包括:
统计第一预设日期范围内各日期的新媒体数据和疫情数据,所述新媒体数据包括负面新闻数据和其它新媒体数据,所述疫情数据包括疫情感染数据;
调用疫情防控效果预测模型,并根据所述新媒体数据和所述疫情数据对疫情防控效果进行预测,得到预测结果,所述预测结果包括第二预设日期范围内各日期的负面新闻数据和疫情感染数据,所述第二预设日期范围在所述第一预设日期范围之后;
将所述预测结果发送至终端设备,以便终端设备展示所述预测结果。
2.根据权利要求1所述的方法,其特征在于,
所述负面新闻数据包括以下至少一项:疫情期间负面新闻数和疫情期间负面新闻增长率;
所述其它新媒体数据包括以下至少一项:疫情相关数据的发布方式、每种发布方式对应的新媒体平台的受众人群类别、所述新媒体平台的活跃性数据、为所述新媒体平台发布的疫情相关数据标注的标签、所述新媒体平台发布的疫情相关数据在每类标签对应的新闻数量;
所述疫情数据包括疫情感染数据,所述疫情感染数据包括以下至少一项:疫情感染人数和疫情感染人数增长率。
3.根据权利要求1或2所述的方法,其特征在于,所述疫情防控效果预测模型为预训练的第一机器学习模型,所述第一机器学习模型是基于深度神经网络构建的;或,所述疫情防控效果预测模型为预训练的第二机器学习模型,所述第二机器学习模型是基于卷积神经网络、深度神经网络和长短期记忆网络构建的。
4.根据权利要求2所述的方法,其特征在于,当所述疫情防控效果预测模型为预训练的第二机器学习模型时,所述调用疫情防控效果预测模型,并根据所述新媒体数据和所述疫情数据对疫情防控效果进行预测,得到预测结果,包括:
通过预训练的第二机器学习模型中的卷积神经网络,根据所述新媒体数据和所述疫情数据提取空间特征;
通过所述预训练的第二机器学习模型中的深度神经网络和长短期记忆网络,根据所述新媒体数据和所述疫情数据提取时序特征;
对所述空间特征和所述时序特征进行融合处理,得到时空特征;
根据所述时空特征对负面新闻增长趋势和传染病流行趋势进行预测,得到预测结果。
5.根据权利要求4所述的方法,其特征在于,所述通过所述预训练的第二机器学习模型中的深度神经网络和长短期记忆网络,根据所述新媒体数据和所述疫情数据提取时序特征,包括:
将所述新媒体数据和所述疫情数据输入所述预训练的第二机器学习模型中的第一层深度神经网络,得到所述第一层深度神经网络的输出;
将所述第一层深度神经网络的输出作为所述预训练的第二机器学习模型中的第二层长短期记忆网络的输入,得到所述第二层长短期记忆网络的输出;
将所述第二层长短期记忆网络的输出作为所述预训练的第二机器学习模型中的第三层长短期记忆网络的输出,由所述第三层长短期记忆网络输出时序特征。
6.根据权利要求4所述的方法,其特征在于,所述根据所述时空特征对负面新闻增长趋势和传染病流行趋势进行预测,得到预测结果,包括:
将所述时空特征作为所述预训练的第二机器学习模型中的第四层深度神经网络的输入,得到所述第四层深度神经网络的输出;
将所述第四层深度神经网络的输出输入到所述预训练的第二机器学习模型中的输出层,由所述输出层输出预测结果。
7.根据权利要求4所述的方法,其特征在于,所述根据所述时空特征对负面新闻增长趋势和传染病流行趋势进行预测,得到预测结果,包括:
将所述时空特征作为所述预训练的第二机器学习模型中的输出层的输入,由所述输出层输出预测结果。
8.一种疫情防控效果预测装置,其特征在于,包括:
统计模块,用于统计第一预设日期范围内各日期的新媒体数据和疫情数据,所述新媒体数据包括负面新闻数据和其它新媒体数据,所述疫情数据包括疫情感染数据;
预测模块,用于调用疫情防控效果预测模型,并根据所述新媒体数据和所述疫情数据对疫情防控效果进行预测,得到预测结果,所述预测结果包括第二预设日期范围内各日期的负面新闻数据和疫情感染数据,所述第二预设日期范围在所述第一预设日期范围之后;
输出模块,用于将所述预测结果发送至终端设备,以便终端设备展示所述预测结果。
9.一种服务器,其特征在于,包括处理器、输出设备和存储器,所述处理器、所述输出设备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,执行如权利要求1-7任一项所述的方法。
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任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011043912.9A CN111933300B (zh) | 2020-09-28 | 2020-09-28 | 疫情防控效果预测方法、装置、服务器及存储介质 |
PCT/CN2020/124702 WO2021139336A1 (zh) | 2020-09-28 | 2020-10-29 | 疫情防控效果预测方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011043912.9A CN111933300B (zh) | 2020-09-28 | 2020-09-28 | 疫情防控效果预测方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111933300A true CN111933300A (zh) | 2020-11-13 |
CN111933300B CN111933300B (zh) | 2021-02-12 |
Family
ID=73335191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011043912.9A Active CN111933300B (zh) | 2020-09-28 | 2020-09-28 | 疫情防控效果预测方法、装置、服务器及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111933300B (zh) |
WO (1) | WO2021139336A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652403A (zh) * | 2020-12-25 | 2021-04-13 | 中国科学技术大学 | 疫情预测方法及装置 |
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 |
CN112883286A (zh) * | 2020-12-11 | 2021-06-01 | 中国科学院深圳先进技术研究院 | 基于bert的新冠肺炎疫情微博情感分析方法、设备、介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113628759A (zh) * | 2021-07-22 | 2021-11-09 | 中国科学院重庆绿色智能技术研究院 | 一种基于大数据的传染病疫情安全区域预测方法 |
CN113658718B (zh) * | 2021-08-20 | 2024-02-27 | 清华大学 | 一种个体疫情防控方法及系统 |
CN114596966B (zh) * | 2022-01-11 | 2024-04-19 | 南京邮电大学 | 一种面向流行病智能监测系统的疫情预测分析方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080228700A1 (en) * | 2007-03-16 | 2008-09-18 | Expanse Networks, Inc. | Attribute Combination Discovery |
CN108417274A (zh) * | 2018-03-06 | 2018-08-17 | 东南大学 | 流行病预测方法、系统及设备 |
CN109473180A (zh) * | 2018-11-20 | 2019-03-15 | 河南省疾病预防控制中心 | 一种基于b/s架构的疾控机构信息系统 |
CN110085327A (zh) * | 2019-04-01 | 2019-08-02 | 东莞理工学院 | 基于注意力机制的多通道lstm神经网络流感疫情预测方法 |
CN111462917A (zh) * | 2020-03-02 | 2020-07-28 | 珠海中科先进技术研究院有限公司 | 基于空间地理分析和机器学习的疫情预警方法及系统 |
CN111523006A (zh) * | 2020-04-14 | 2020-08-11 | 上海安洵信息技术有限公司 | 一种针对疫情区的网络舆情追踪方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180150609A1 (en) * | 2016-11-29 | 2018-05-31 | Electronics And Telecommunications Research Institute | Server and method for predicting future health trends through similar case cluster based prediction models |
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 |
-
2020
- 2020-09-28 CN CN202011043912.9A patent/CN111933300B/zh active Active
- 2020-10-29 WO PCT/CN2020/124702 patent/WO2021139336A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080228700A1 (en) * | 2007-03-16 | 2008-09-18 | Expanse Networks, Inc. | Attribute Combination Discovery |
CN108417274A (zh) * | 2018-03-06 | 2018-08-17 | 东南大学 | 流行病预测方法、系统及设备 |
CN109473180A (zh) * | 2018-11-20 | 2019-03-15 | 河南省疾病预防控制中心 | 一种基于b/s架构的疾控机构信息系统 |
CN110085327A (zh) * | 2019-04-01 | 2019-08-02 | 东莞理工学院 | 基于注意力机制的多通道lstm神经网络流感疫情预测方法 |
CN111462917A (zh) * | 2020-03-02 | 2020-07-28 | 珠海中科先进技术研究院有限公司 | 基于空间地理分析和机器学习的疫情预警方法及系统 |
CN111523006A (zh) * | 2020-04-14 | 2020-08-11 | 上海安洵信息技术有限公司 | 一种针对疫情区的网络舆情追踪方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883286A (zh) * | 2020-12-11 | 2021-06-01 | 中国科学院深圳先进技术研究院 | 基于bert的新冠肺炎疫情微博情感分析方法、设备、介质 |
CN112652403A (zh) * | 2020-12-25 | 2021-04-13 | 中国科学技术大学 | 疫情预测方法及装置 |
CN112652403B (zh) * | 2020-12-25 | 2023-07-14 | 中国科学技术大学 | 疫情预测方法及装置 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111933300B (zh) | 2021-02-12 |
WO2021139336A1 (zh) | 2021-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111933300B (zh) | 疫情防控效果预测方法、装置、服务器及存储介质 | |
Hamzah et al. | CoronaTracker: worldwide COVID-19 outbreak data analysis and prediction | |
Hassan Zadeh et al. | Social media for nowcasting flu activity: spatio-temporal big data analysis | |
WO2019196286A1 (zh) | 疾病预测方法及装置、计算机装置及可读存储介质 | |
Santos et al. | Analysing Twitter and web queries for flu trend prediction | |
WO2019196280A1 (zh) | 疾病预测方法及装置、计算机装置及可读存储介质 | |
WO2019144892A1 (zh) | 数据处理方法、装置、存储介质和电子装置 | |
García-Cremades et al. | Improving prediction of COVID-19 evolution by fusing epidemiological and mobility data | |
US11307949B2 (en) | Decreasing downtime of computer systems using predictive detection | |
MacIntyre et al. | Artificial intelligence in public health: the potential of epidemic early warning systems | |
WO2023029347A1 (zh) | 基于多源数据的疾病预警方法、装置、设备及存储介质 | |
Collier | Towards cross-lingual alerting for bursty epidemic events | |
Alorini et al. | LSTM-RNN based sentiment analysis to monitor COVID-19 opinions using social media data | |
Aung et al. | A novel bidirectional LSTM deep learning approach for COVID-19 forecasting | |
Hong et al. | A social media platform for infectious disease analytics | |
CN111933303B (zh) | 事件预测方法、装置、电子设备及存储介质 | |
JP6608061B2 (ja) | Sns情報に基づくリスクイベント認識システム、方法、電子装置及び記憶媒体 | |
Rahiminia et al. | A novel data-driven patient and medical waste queueing-inventory system under pandemic: A real-life case study | |
Lawton et al. | Policy: A novel modelling technique to predict resource requirements in critical care–a case study | |
CN112651782A (zh) | 基于缩放点积注意力的行为预测方法、装置、设备及介质 | |
CN107122464A (zh) | 一种辅助决策系统及方法 | |
CN114090407A (zh) | 基于线性回归模型的接口性能预警方法及其相关设备 | |
US11115440B2 (en) | Dynamic threat intelligence detection and control system | |
Haleem et al. | Knowledge, Awareness, and Perception of COVID-19 and Artificial Intelligence: A Cross-Sectional Study Among the Population in Saudi Arabia | |
Tan et al. | Use of Health Belief Model-Based Deep Learning Classifiers for COVID-19 Social Media Content to Examine Public Perceptions of Physical Distancing: Model Development and Case Study. |
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 |