CN112102959A - 一种服务器、数据处理方法、装置及可读存储介质 - Google Patents
一种服务器、数据处理方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN112102959A CN112102959A CN202011203198.5A CN202011203198A CN112102959A CN 112102959 A CN112102959 A CN 112102959A CN 202011203198 A CN202011203198 A CN 202011203198A CN 112102959 A CN112102959 A CN 112102959A
- Authority
- CN
- China
- Prior art keywords
- target
- predicted
- historical
- infectious disease
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请实施例提供一种服务器、数据处理方法、装置及可读存储介质,应用于医疗技术领域,其中,该服务器包括通信接口、处理器和存储器,处理器被配置调用存储器中的程序指令执行:通过通信接口接收第一感染预测请求;获取待预测地区在目标时间下目标传染疾病的感染统计数据和第一管控措施实施状态,调用目标预测模型进行数据分析;基于目标预测模型输出的第一数据分析结果确定第一累计确诊数据。通过这样的方式,针对处于疫情早期的疫情地区提升了目标传染病确诊数据预测的准确性。本申请涉及区块链技术,如可将待预测地区与目标传染疾病关联的感染统计数据和第一管控措施实施状态写入区块链中,以用于对目标传染疾病的数据分析预测等场景。
Description
技术领域
本申请涉及智能决策领域,具体应用于医疗技术领域,尤其涉及一种服务器、数据处理方法、装置及可读存储介质。
背景技术
传染疾病是由病原体引起的能在人与人、动物与动物或人与动物之间进行相互传播的一类疾病,通常具有很强的传播性。例如,2019年新型冠状病毒(Corona VirusDisease 2019,COVID-19)在全球各国大规模爆发,截止2020年8月3日,全球已有220多个国家和地区累计报告逾1800万名确诊病例,逾68万名患者死亡,目前仍在持续扩散中。为了在疫情期间制定出更优的管控策略、医疗资源分配策略,亟需建立预测模型对各个疫情地区的疫情发展状态进行预估。
但由于各个疫情地区对应的疫情爆发期不同,处于疫情早期的疫情地区对应的模型训练样本数据远低于处于疫情晚期的疫情地区,导致处于疫情早期的疫情地区对应的预测模型,存在对疫情确诊数据预测的准确度较低的问题,进而致使无法准确地在疫情期间对该疫情地区制定出响应的管控策略和医疗资源分配策略。
可见,如何针对处于疫情早期的疫情地区提供一种数据处理方法,以提升对目标传染病确诊数据预测的准确性,是一个亟待解决的问题。
发明内容
本申请实施例提供了一种服务器、数据处理方法、装置及可读存储介质,采用这样的方法,针对处于疫情早期的疫情地区(即训练样本较少的疫情地区)提供了一种数据处理方法,该方法提升了对目标传染病确诊数据预测的准确性。
第一方面,本申请实施例提供了一种服务器,所述服务器包括通信接口、处理器和存储器,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;
所述处理器被配置调用所述程序指令,用于通过所述通信接口接收与待预测地区和目标传染疾病关联的第一感染预测请求,所述第一感染预测请求用于指示预测所述待预测地区在预测时间下与所述目标疾病关联的第一累计确诊数据;获取所述待预测地区在目标时间下与所述目标传染疾病关联的感染统计数据和第一管控措施实施状态,并调用目标预测模型对所述感染统计数据和所述第一管控措施实施状态进行数据分析,所述目标时间是基于所述预测时间确定的;基于所述目标预测模型输出的第一数据分析结果确定所述第一累计确诊数据;
其中,所述目标预测模型是依照所述待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态对预测模型进行修正后得到,所述预测模型是根据预测参考地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态确定;所述预测参考地区关于所述目标传染疾病的发生时间,早于所述待预测地区关于所述目标传染疾病的发生时间。
第二方面,本申请实施例提供了一种数据处理方法,所述数据处理方法由服务器执行,所述方法包括:
接收与待预测地区和目标传染疾病关联的第一感染预测请求,所述第一感染预测请求用于指示预测所述待预测地区在预测时间下与所述目标疾病关联的第一累计确诊数据;
获取所述待预测地区在目标时间下与所述目标传染疾病关联的感染统计数据和第一管控措施实施状态,并调用目标预测模型对所述感染统计数据和所述第一管控措施实施状态进行数据分析,所述目标时间是基于所述预测时间确定的;
基于所述目标预测模型输出的第一数据分析结果确定所述第一累计确诊数据;
其中,所述目标预测模型是依照所述待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态对预测模型进行修正后得到,所述预测模型是根据预测参考地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态确定;所述预测参考地区关于所述目标传染疾病的发生时间,早于所述待预测地区关于所述目标传染疾病的发生时间。
第三方面,本申请实施例提供了一种数据处理装置,所述数据处理装置部署于服务器,所述装置包括:
获取模块,用于接收与待预测地区和目标传染疾病关联的第一感染预测请求,所述第一感染预测请求用于指示预测所述待预测地区在预测时间下与所述目标疾病关联的第一累计确诊数据;
所述获取模块,还用于获取所述待预测地区在目标时间下与所述目标传染疾病关联的感染统计数据和第一管控措施实施状态,并调用目标预测模型对所述感染统计数据和所述第一管控措施实施状态进行数据分析,所述目标时间是基于所述预测时间确定的;
处理模块,用于基于所述目标预测模型输出的第一数据分析结果确定所述第一累计确诊数据;
其中,所述目标预测模型是依照所述待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态对预测模型进行修正后得到,所述预测模型是根据预测参考地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态确定;所述预测参考地区关于所述目标传染疾病的发生时间,早于所述待预测地区关于所述目标传染疾病的发生时间。
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中存储有指令,当其在计算机上运行时,使得计算机执行上述第二方面所述的数据处理方法。
本申请实施例中,服务器接收与待预测地区和目标传染疾病关联的第一感染预测请求,该第一感染预测请求用于指示预测该待预测地区在预测时间下与目标疾病关联的第一累计确诊数据。进而,服务器可以获取该待预测地区在目标时间下与目标传染疾病关联的感染统计数据和第一管控措施实施状态,并调用该目标预测模型对该然统计数据和第一管控措施实施状态进行数据分析,其中,该目标时间是基于预测时间确定的。进一步地,服务器基于目标预测模型输出的第一数据分析结果确定第一累计确诊数据。需要知晓的是,目标预测模型是依照待预测地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态对预测模型进行修正后得到,该预测模型是根据预测参考地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态确定,该预测参考地区关于目标传染疾病的发生时间早于该待预测地区关于目标传染疾病的发病时间。通过这样的方式,根据预测参考地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态得到准确度较高的预测模型,进一步地根据待预测地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态对预测模型进行修正,得到与待预测地区对应的目标预测模型,通过这样的数据处理方法提升了处于疫情早期的疫情地区对应的预测模型的准确度。
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流程示意图;
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3a是本申请实施例提供的一种预测模型的训练过程的示意图;
图3b是本申请实施例提供的一种根据预设时间滑动窗口得到序列数据的示意图;
图3c是本申请实施例提供的一种对预测模型进行修正得到目标预测模型的过程的示意图;
图3d是本申请实施例提供的一种从第一管控措施实施状态更改为第二管控措施实施状态的示意图;
图4是本申请实施例提供的一种数据处理装置的结构示意图;
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清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要知晓的是,本申请实施例中提到的服务器不限于一个服务器,也可以是服务器集群。
请参见图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,该数据处理方法由服务器执行,该数据处理方法包括如下步骤:
S101:接收与待预测地区和目标传染疾病关联的第一感染预测请求,该第一感染预测请求用于指示预测该待预测地区在预测时间下与目标疾病关联第一累计确诊数据。
服务器接收用户通过服务器连接的终端设备输入的第一感染预测请求,该第一感染预测请求用于指示预测待预测地区在预测时间下与目标疾病关联的第一累计确诊数据。其中,该第一感染预测请求包括:待预测地区的标识信息、待预测时间、目标传染疾病的标识信息中的一种或多种。其中,预测时间为用户根据具体应用场景设定。
示例性地,城市A在2019年8月发生传染疾病1,并在2019年9月发生传染疾病2,在2020年3月4日用户输入第一感染预测请求:“3月5日,针对传染疾病1城市A的累计确诊数据”。
S102:获取该待预测地区在目标时间下与目标传染疾病关联的感染统计数据和第一管控措施实施状态,并调用目标预测模型对该感染统计数据和该第一管控措施实施状态进行数据分析,该目标时间是基于预测时间确定的。
其中,目标预测模型是依照待预测地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态对预测模型进行修正后得到,该预测模型是根据预测参考地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态确定,并且该预测参考地区关于目标传染疾病的发生时间早于待预测地区关于目标传染疾病的发生时间。
需要知晓的是,传染病阶段可以分为疫情早期和疫情晚期,处于疫情早期的地区是指在该地区发现该传染疾病存在的时间距今(判断该地区具体处于哪个传染病阶段的时间)较短,和/或该传染病的每日新增确诊人数高于传染病的每日治愈人数,和/或每日新增确诊人数高于前一天的每日新增确诊人数。处于疫情晚期的地区是指在该地区发现该传染疾病存在的时间距今(判断该地区具体处于哪个传染病阶段的时间)较长,和/或该传染病的疫情传播状况已经得到控制,和/或该传染病的每日新增确诊人数小于传染病的每日治愈人数,和/或每日新增确诊人数低于前一天的每日新增确诊人数。本申请实施例所提及的预测参考地区是处于该目标传染疾病的疫情晚期的地区,待预测地区是处于该目标传染经的疫情早期的地区,即预测参考地区关于目标传染疾病的发生时间早于待预测地区。
通过这样的方式,可知预测参考地区针对目标传染疾病的历史统计数据(包括历史感染统计数据和历史管控措施实施状态)较为充足,则根据预测参考地区得到的预测模型准确度较高,进一步地根据待预测地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态对预测模型进行修正(即进行预测模型的迁移),得到与待预测地区对应的目标预测模型,通过这样的数据处理方法提升了处于疫情早期的疫情地区对应的目标预测模型的准确度。
服务器接收第一感染预测请求后,根据第一感染预测请求中包括的预测时间确定目标时间,例如第一感染预测请求中的预测时间为2020年3月8日,则可以将2020年3月1日至2020年3月7日确定为目标时间。进一步地,服务器获取待预测地区在目标时间下与目标传染疾病关联的感染统计数据和第一管控措施实施状态,并调用目标预测模型对该感染统计数据和该第一管控措施实施状态进行数据分析。
在一个实施例中,服务器可以根据第一感染预测请求中包括的预测时间和预设时长确定目标时间,其中,预设时长可以是根据目标预测模型所使用的训练数据相关。例如,目标预测模型所使用的序列数据(包括训练数据和测试数据)的序列时长为7天,则该预设时长为7天。进一步地,服务器可以获取距离预测时间前7天的历史统计数据和管控措施状态。
S103:基于目标预测模型输出的第一数据分析结果确定第一累计确诊数据。
服务器根据目标预测模型的待预测地区在目标时间下与目标传染疾病关联的感染统计数据和第一管控措施实施状态的分析,输出第一数据分析结果,确定第一累计确诊数据。例如,目标预测模型的第一数据分析结果为25万人,则服务器根据第一感染预测,确定第一累计确诊数据为:城市A在2020年3月8日的累计确诊人数为25万人。
本申请实施例中,服务器接收与待预测地区和目标传染疾病关联的第一感染预测请求,该第一感染预测请求用于指示预测该待预测地区在预测时间下与目标疾病关联的第一累计确诊数据。进而,服务器可以获取该待预测地区在目标时间下与目标传染疾病关联的感染统计数据和第一管控措施实施状态,并调用该目标预测模型对该然统计数据和第一管控措施实施状态进行数据分析,其中,该目标时间是基于预测时间确定的。进一步地,服务器基于目标预测模型输出的第一数据分析结果确定第一累计确诊数据。需要知晓的是,目标预测模型是依照待预测地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态对预测模型进行修正后得到,该预测模型是根据预测参考地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态确定,该预测参考地区关于目标传染疾病的发生时间早于该待预测地区关于目标传染疾病的发病时间。通过这样的方式,针对处于疫情早期的疫情地区(即训练样本较少的疫情地区)提供了一种数据处理方法,该方法提升了对目标传染病确诊数据预测的准确性。
请参见图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,该数据处理方法由服务器执行,该数据处理方法包括如下步骤:
S201:获取待预测地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态,并获取预测参考地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态确定的预测模型。
其中,历史感染统计数据为该待预测地区关于目标传染疾病的每日累计确诊人数;历史管控措施实施状态为该待预测地区关于目标传染疾病的每日管控措施实施状态,每日管控措施实施状态为实施管控状态和未实施管控状态中的任一种。
服务器获取待预测地区关于目标传染疾病的历史每日累计确诊人数(即历史感染统计数据)和每日管控措施状态(即历史管控实施状态),例如,待预测地区关于目标传染疾病的发现日期是X月1日,获取该待预测地区至今(X月7日)关于目标传染疾病的历史感染统计数据和历史管控措施实施状态,即获取X月1日至X月7日每日累计确诊人数和每日管控措施实施状态,其中以数据0和1表示该管控措施实施状态,则服务器获取待预测地区的关于目标传染疾病的历史感染统计数据和历史管控措施实施状态如表1所示:
服务器获取预测参考地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态确定的预测模型的具体方式可以服务器将至少一个处于疫情晚期的地区确定为预测参考地区,获取预测参考地区关于目标的历史感染统计数据和历史管控措施实施状态,进一步地,服务器根据该预测参考地区关于目标的历史感染统计数据和历史管控措施实施状态对预设网络模型进行训练,得到预测模型。其中,预设网络模型可以为循环神经网络模型(Recurrent Neural Network, RNN)、长短时记忆神经网络模型(Long Short-TermMemory,LSTM)和门控循环单元网络(Gated Recurrent Unit,GRU)中的任一种。
具体地,服务器获取预测参考地区关于目标的历史感染统计数据和历史管控措施实施状态,并根据预设时间滑动窗口对预测参考地区关于目标的历史感染统计数据和历史管控措施实施状态进行预处理,得到预测参考地区关于该目标传染疾病的至少一条序列数据,进一步地,服务器根据该至少一条序列数据对预设网络模型进行训练,得到预测模型。其中,预设时间滑动窗口包括时间滑动窗口大小和滑动步长,该预设时间滑动窗口可以为开发人员根据实验应用场景设定的,后续可根据具体应用场景进行相应的调整,在此不做具体限定。例如,预设时间滑动窗口的大小可以为7天或10天,步长为1。
示例性地,如图3a所示,为预测模型的训练过程,其中模块30为3个预测参考地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态,模块31为预设网络模型,模块32为预测模型。服务器获取预测参考地区的历史感染统计数据和历史管控措施实施状态为:为7月1日至7月10日的关于目标传染疾病的每日累计确诊人数和每日管控措施实施状态。在预设时间滑动窗口的大小为7天,步长为1时,如图3b所示,服务器可以将至少一个预测参考地区的7月1日至7月7日的每日累计确诊人数和每日管控措施实施状态、7月2日至7月8日的每日累计确诊人数和每日管控措施实施状态、7月3日至7月9日的每日累计确诊人数和每日管控措施实施状态、7月4日至7月10日的每日累计确诊人数和每日管控措施实施状态分别确定为序列数据。进一步地,服务器可以将7月1日至7月7日的每日累计确诊人数和每日管控措施实施状态为预设网络模型的输入,7月8日的每日累计确诊人数和每日管控措施实施状态为预设网络模型的输出,以此类推的方式对预设网络模型31进行训练,得到预测模型32。该预测模型32可以根据预测时间点的前7天的每日累计确诊人数和每日管控措施实施状态,分析得到预测时间点的每日累计确诊人数和每日管控措施实施状态。
在一个实施例中,服务器获取待预测地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态的具体实施方式可以是,服务器获取待预测地区关于目标传染疾病的历史咨询信息,该历史咨询信息包括历史感染统计数据咨询信息和历史管控措施实施状态咨询信息。进一步地,服务器可以调用文本识别算法模型从该历史感染统计数据咨询信息中获取待预测地区关于目标传染疾病的历史感染统计数据,并调用文本识别算法模型从历史管控措施实施状态咨询信息中获取待预测地区关于目标传染疾病的历史管控措施实施状态。
其中,文本识别算法可以为开发人员根据实验测算数据预先训练的神经网络模型算法,例如卷积神经网络算法等,在此不做具体限定。历史咨询信息可以是新闻咨询信息、政府公开咨询信息等。
示例性地,历史咨询信息为新闻资讯信息,服务器获取目标地区A在X月1日的新闻资讯信息为:“截止于今日12:00,目标地区A的确诊人数为8.3万人,为了全力做好疫情防控工作,确保人民群众生命安全和身体健康,现发出如下通告:城市公交、地铁、轮渡、长途客运暂停运营,恢复时间另行通知。”服务器调用卷积神经网络文本识别算法模型从该咨询信息中获取到X月1日的确诊人数为8.3万人,管控措施实施咨询信息为“城市公交、地铁、轮渡、长途客运暂停运营”。进一步地,服务器可以将该管控措施实施资讯信息与预设文本特征信息(此处可以为通道关闭、客运暂停运营、隔离、禁止聚集和航班限次)进行匹配,可见匹配成功,则服务器将确该目标地区A在X月1日的管控措施实施状态为:实施管控状态。即,服务器获取该目标地区A的在X月1日的疫情数据为:每日累计确诊人数为8.3万人,实施管控状态。需要知晓的是,预设文本特征信息可以为开发人员根据实验应用场景设定的,后续可根据具体应用场景进行相应的调整,在此不做具体限定。
S202:根据该待预测地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态对该预测模型进行修正,得到待预测地区对应的目标预测模型。
服务器获取该待预测地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态对该预测模型的全连接层的权重参数进行修正,得到待预测地区对应的目标预测模型。
在一个实施例中,服务器获取待预测地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态之后,服务器根据预设时间滑动窗口对待预测地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态进行预处理,得到该待预测地区关于目标传染疾病的至少一条序列数据。进一步地,服务器根据该待预测地区关于该目标传染疾病的至少一条序列数据对前述预测模型进行修正,得到该待预测地区对应的目标预测模型。其中,预设时间滑动窗口包括时间滑动窗口大小和滑动步长,该预设时间滑动窗口可以为开发人员根据实验应用场景设定的,后续可根据具体应用场景进行相应的调整,在此不做具体限定。
示例性地,如图3c所示,为对预测模型进行修正得到目标预测模型的过程,其中模块33为待预测地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态,模块34为预测模型,模块35为待预测地区对应的目标预测模型。服务器获取待预测地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态之后,利用窗口大小为7步长为1的预设滑动窗口,将待预测地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态处理为如模块33所示的序列数据,进一步地,根据该序列数据对预测模型34进行训练,修正预测模型34的全连接层对应的权重,得到待预测地区对应的目标预测模型35。
在一个实施例中,服务器可以将待预测地区关于目标传染疾病的至少一条序列数据切分为训练序列数据集和测试序列数据集,进一步地,服务器根据该训练序列数据集对预测模型进行修正,得到待预测地区对应的候选预测模型,并根据测试序列数据集和预设评价规则,验证该候选预测模型。若验证通过,则确定该候选预测模型为待预测地区对应的目标预测模型。
需要知晓的是,服务器可以按照预设的切分比例将至少一条序列数据切分为训练序列数据集和测试序列数据集,该切分比例为训练序列数据集的数量与测试序列数据集的数量之比,可以由开发人员根据实验测试数据测算设定,后续可根据具体应用场景进行相应的调整。例如,当待预测地区关于目标传染疾病的至少一条序列数据的数量为1200条时,切分比例可以为5:1,服务器可以按照5:1的切分比例将至少一条序列数据切分为训练序列数据集1000条和测试序列数据集200条。
其中,预设评价规则为预测评价指标对应的评价规则,该预测评价指标包括:均方根误差(Root Mean Square Error,RMSE)、均方误差(Mean Square Error,MSE)、平均绝对误差(Mean Absolute Error,MAE、平均绝对百分比误差(Mean Absolute PercentageError,MAPE)和对称平均绝对百分比误差(SymmetricMean Absolute Percentage Error,SMAPE)中的任一种。
示例性地,预测评价指标为MAPE时,评价规则为根据预设评价指标MAPE计算公式得到的关于候选预测模型的模型评价分数小于预设评价分数阈值则确定该候选预测模型,其中,预设评价分数阈值为开发人员根据实验数据测算后设定,后续可根据具体应用场景进行相应的调整,在此不进行具体限制。预设评价指标MAPE的计算公式如下所示:
S203:接收与待预测地区和目标传染疾病关联的第一感染预测请求,该第一感染预测请求用于指示预测该待预测地区在预测时间下与目标疾病关联第一累计确诊数据。
S204:获取该待预测地区在目标时间下与目标传染疾病关联的感染统计数据和第一管控措施实施状态,并调用目标预测模型对该感染统计数据和该第一管控措施实施状态进行数据分析,该目标时间是基于预测时间确定的。
S205:基于目标预测模型输出的第一数据分析结果确定第一累计确诊数据。
其中,步骤S203-步骤S205的具体实施方式可参见前述实施例步骤S101-步骤S103的具体实施方式,对此不再进行详细叙述。
在一个实施例中,服务器基于目标预测模型输出的第一数据分析结果确定第一累计确诊数据之后,服务器还可以接收与待预测地区和目标传染疾病关联的第二感染预测请求,该第二感染预测请求用于指示预测待预测地区在预测时间下与目标疾病关联的第二累计确诊数据。进一步地,服务器可以将待预测地区在目标时间下与目标传染疾病关联的第一管控措施实施状态更改为第二管控措施实施状态,并调用该目标预测模型对该感染统计数据和该第二管控措施实施状态进行数据分析,其中,该目标时间是基于预测时间确定的。服务器基于该目标预测模型输出的第二数据分析结果确定第二累计确诊数据。通过这样的方式,将第一累计确诊数据和第二累计确诊数据进行对比,帮助决策者做出决策要不要继续实施管控。
示例性地,如图3d所示,服务器获取的待预测地区在目标时间下与目标传染疾病关联的感染统计数据和第一管控措施实施状态如模块36所示,第一管控措施实施状态为实施管控状态。如模块37所示,服务器根据第二感染预测请求将第一管控措施状态更改为第二管控措施实施状态,即未实施管控状态。进一步地,调用该目标预测模型对该感染统计数据和该第二管控措施实施状态进行数据分析,得到第二数据分析结果,并根据该第二数据分析结果确定第二累计确诊数据。服务器还可以根据第二累计确诊数据和前述第一累计确诊数据得到实施管控措施对累计确诊人数的影响比例,计算影响比例的公式如下所示:
本申请实施例中,服务器获取待预测地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态,并获取预测参考地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态确定的预测模型,进一步地,服务器可以根据该待预测地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态对该预测模型进行修正,得到待预测地区对应的目标预测模型。服务器接收与待预测地区和目标传染疾病关联的第一感染预测请求,该第一感染预测请求用于指示预测该待预测地区在预测时间下与目标疾病关联的第一累计确诊数据。进而,服务器可以获取该待预测地区在目标时间下与目标传染疾病关联的感染统计数据和第一管控措施实施状态,并调用该目标预测模型对该然统计数据和第一管控措施实施状态进行数据分析,其中,该目标时间是基于预测时间确定的。进一步地,服务器基于目标预测模型输出的第一数据分析结果确定第一累计确诊数据。通过这样的方法,服务器根据预测参考地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态得到准确度较高的预测模型,进一步地根据待预测地区关于目标传染疾病的历史感染统计数据和历史管控措施实施状态对预测模型进行修正,得到与待预测地区对应的目标预测模型,进一步地,针对处于疫情早期的疫情地区(即训练样本较少的疫情地区)提供了一种数据处理方法,该方法在预测时间下,提升了对目标传染病确诊数据预测的准确性。
请参见图4,为本申请实施例提供的一种数据处理装置的结构示意图,该数据处理装置部署于服务器,所述装置包括:
获取模块40,用于接收与待预测地区和目标传染疾病关联的第一感染预测请求,所述第一感染预测请求用于指示预测所述待预测地区在预测时间下与所述目标疾病关联的第一累计确诊数据;
所述获取模块40,还用于获取所述待预测地区在目标时间下与所述目标传染疾病关联的感染统计数据和第一管控措施实施状态,并调用目标预测模型对所述感染统计数据和所述第一管控措施实施状态进行数据分析,所述目标时间是基于所述预测时间确定的;
处理模块41,用于基于所述目标预测模型输出的第一数据分析结果确定所述第一累计确诊数据;
其中,所述目标预测模型是依照所述待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态对预测模型进行修正后得到,所述预测模型是根据预测参考地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态确定;所述预测参考地区关于所述目标传染疾病的发生时间,早于所述待预测地区关于所述目标传染疾病的发生时间。
在一个实施例中,所述调用目标预测模型对所述感染统计数据和所述第一管控措施实施状态进行数据分析之前,所述获取模块40,还用于获取待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态,并获取根据预测参考地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态确定的预测模型;所述处理模块41,还用于根据所述待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态对所述预测模型进行修正,得到所述待预测地区对应的目标预测模型。
在一个实施例中,所述获取模块40,具体用于获取所述待预测地区关于所述目标传染疾病的历史咨询信息,所述历史咨询信息包括历史感染统计数据咨询信息和历史管控措施实施状态咨询信息;所述处理模块41,具体用于调用文本识别算法模型从所述历史感染统计数据咨询信息中获取所述待预测地区关于所述目标传染疾病的历史感染统计数据;所述处理模块41,具体用于调用所述文本识别算法模型从所述历史管控措施实施状态咨询信息中获取所述待预测地区关于所述目标传染疾病的历史管控措施实施状态。
在一个实施例中,所述获取待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态之后,所述处理模块41,还用于根据预设时间滑动窗口对所述待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态进行预处理,得到所述待预测地区关于所述目标传染疾病的至少一条序列数据;根据所述待预测地区关于所述目标传染疾病的至少一条序列数据对所述预测模型进行修正,得到所述待预测地区对应的目标预测模型。
在一个实施例中,所述处理模块41,具体用于将所述待预测地区关于所述目标传染疾病的至少一条序列数据切分为训练序列数据集和测试序列数据集;
根据所述训练序列数据集对所述预测模型进行修正,得到所述待预测地区对应的候选预测模型;根据所述测试序列数据集和预设评价规则,验证所述候选预测模型;若验证通过,则确定所述候选预测模型为所述待预测地区对应的目标预测模型。
在一个实施例中,所述预设评价规则为预测评价指标对应的评价规则,其中,所述预测评价指标包括:均方根误差、均方误差、平均绝对误差和对称平均绝对百分比误差中的任一种。
在一个实施例中,所述基于所述目标预测模型输出的第一数据分析结果确定所述第一累计确诊数据之后,所述获取模块40,还用于接收与所述待预测地区和所述目标传染疾病关联的第二感染预测请求,所述第二感染预测请求用于指示预测所述待预测地区在所述预测时间下与所述目标疾病关联的第二累计确诊数据;所述处理模块41,还用于将所述待预测地区在所述目标时间下与所述目标传染疾病关联的所述第一管控措施实施状态更改为第二管控措施实施状态,并调用所述目标预测模型对所述感染统计数据和所述第二管控措施实施状态进行数据分析,所述目标时间是基于所述预测时间确定的;基于所述目标预测模型输出的第二数据分析结果确定所述第二累计确诊数据。
需要说明的是,本申请实施例所描述的数据处理装置的各单元模块的功能可根据图1或图2所述的方法实施例中的方法具体实现,其具体实现过程可以参照图1或图2的方法实施例的相关描述,此处不再赘述。
基于上述方法实施例以及装置项实施例的描述,本申请实施例还提供一种服务器。请参见图5,该服务器可至少包括处理器501、通信接口502以及存储器503;其中,处理器501、通信接口502以及存储器503可通过总线或者其它连接方式进行连接。所述存储器503中还可以包括计算机可读存储介质,该计算机可读存储介质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501用于执行所述存储器503存储的程序指令。处理器501(或称CPU(Central Processing Unit,中央处理器))是服务器的计算核心以及控制核心,其适于实现一条或多条指令,具体适于加载并执行一条或多条指令从而实现上述数据处理方法实施例中的相应方法流程或相应功能。其中,处理器501被配置调用所述程序指令执行:通过通信接口502接收与待预测地区和目标传染疾病关联的第一感染预测请求,所述第一感染预测请求用于指示预测所述待预测地区在预测时间下与所述目标疾病关联的第一累计确诊数据;获取所述待预测地区在目标时间下与所述目标传染疾病关联的感染统计数据和第一管控措施实施状态,并调用目标预测模型对所述感染统计数据和所述第一管控措施实施状态进行数据分析,所述目标时间是基于所述预测时间确定的;基于所述目标预测模型输出的第一数据分析结果确定所述第一累计确诊数据;其中,所述目标预测模型是依照所述待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态对预测模型进行修正后得到,所述预测模型是根据预测参考地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态确定;所述预测参考地区关于所述目标传染疾病的发生时间,早于所述待预测地区关于所述目标传染疾病的发生时间。具体实现中,本申请实施例中所描述的处理器501、通信接口502和存储器503可执行本申请实施例提供的图1或图2所述的方法实施例所描述的实现方式,也可执行本申请实施例图4所描述的数据处理装置的实现方法,在此不再赘述。
在一个实施例中,所述调用目标预测模型对所述感染统计数据和所述第一管控措施实施状态进行数据分析之前,所述处理器501,还用于获取待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态,并获取根据预测参考地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态确定的预测模型;根据所述待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态对所述预测模型进行修正,得到所述待预测地区对应的目标预测模型。具体实现中,本申请实施例中所描述的处理器501的具体实现方式可执行前述实施例步骤S201所描述的相关实现方式,此处不再赘述。
在一个实施中,所述处理器501,具体用于获取所述待预测地区关于所述目标传染疾病的历史咨询信息,所述历史咨询信息包括历史感染统计数据咨询信息和历史管控措施实施状态咨询信息;调用文本识别算法模型从所述历史感染统计数据咨询信息中获取所述待预测地区关于所述目标传染疾病的历史感染统计数据;调用所述文本识别算法模型从所述历史管控措施实施状态咨询信息中获取所述待预测地区关于所述目标传染疾病的历史管控措施实施状态。具体实现中,本申请实施例中所描述的处理器501的具体实现方式可执行前述实施例步骤S201所描述的相关实现方式,此处不再赘述。
在一个实施例中,所述获取待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态之后,所述处理器501还用于根据预设时间滑动窗口对所述待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态进行预处理,得到所述待预测地区关于所述目标传染疾病的至少一条序列数据;根据所述待预测地区关于所述目标传染疾病的至少一条序列数据对所述预测模型进行修正,得到所述待预测地区对应的目标预测模型。具体实现中,本申请实施例中所描述的处理器501的具体实现方式可执行前述实施例步骤S202所描述的相关实现方式,此处不再赘述。
在一个实施例中,所述处理器501,具体用于将所述待预测地区关于所述目标传染疾病的至少一条序列数据切分为训练序列数据集和测试序列数据集;根据所述训练序列数据集对所述预测模型进行修正,得到所述待预测地区对应的候选预测模型;根据所述测试序列数据集和预设评价规则,验证所述候选预测模型;若验证通过,则确定所述候选预测模型为所述待预测地区对应的目标预测模型。具体实现中,本申请实施例中所描述的处理器501的具体实现方式可执行前述实施例步骤S202所描述的相关实现方式,此处不再赘述。
在一个实施例中,所述预设评价规则为预测评价指标对应的评价规则,其中,所述预测评价指标包括:均方根误差、均方误差、平均绝对误差和对称平均绝对百分比误差中的任一种。具体实现中,本申请实施例中所描述具体实现方式可执行前述实施例步骤S202所描述的相关实现方式,此处不再赘述。
在一个实施例中,所述基于所述目标预测模型输出的第一数据分析结果确定所述第一累计确诊数据之后,所述处理器501,还用于接收与所述待预测地区和所述目标传染疾病关联的第二感染预测请求,所述第二感染预测请求用于指示预测所述待预测地区在所述预测时间下与所述目标疾病关联的第二累计确诊数据;将所述待预测地区在所述目标时间下与所述目标传染疾病关联的所述第一管控措施实施状态更改为第二管控措施实施状态,并调用所述目标预测模型对所述感染统计数据和所述第二管控措施实施状态进行数据分析,所述目标时间是基于所述预测时间确定的;基于所述目标预测模型输出的第二数据分析结果确定所述第二累计确诊数据。具体实现中,本申请实施例中所描述的处理器501的具体实现方式可执行前述实施例步骤S205所描述的相关实现方式,此处不再赘述。
应当理解,在本申请实施例中,所称处理器501可以是中央处理单元(CentralProcessing Unit,CPU),该处理器501还可以是其他通用处理器、数字信号处理器(DigitalSignal 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a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。
该存储器503可以包括只读存储器和随机存取存储器,并向处理器501提供指令和数据。存储器503的一部分还可以包括非易失性随机存取存储器。例如,存储器503还可以存储设备类型的信息。
在本申请的另一实施例中提供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,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现本申请实施例提供的图1或图2所述的方法实施所描述的实现方式,所述计算机可读存储介质可以是前述任一实施例所述的服务器的内部存储单元,例如服务器的硬盘或内存。所述计算机可读存储介质也可以是所述服务器的外部存储设备,例如所述服务器上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述服务器的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述服务器所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
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可读存储介质中,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,所述的可读存储介质可为磁碟、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的部分实施例而已,当然不能以此来限定本申请之权利范围,本领域普通技术工作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)
1.一种服务器,其特征在于,所述服务器包括通信接口、处理器和存储器,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;
所述处理器被配置调用所述程序指令,用于通过所述通信接口接收与待预测地区和目标传染疾病关联的第一感染预测请求,所述第一感染预测请求用于指示预测所述待预测地区在预测时间下与所述目标疾病关联的第一累计确诊数据;获取所述待预测地区在目标时间下与所述目标传染疾病关联的感染统计数据和第一管控措施实施状态,并调用目标预测模型对所述感染统计数据和所述第一管控措施实施状态进行数据分析,所述目标时间是基于所述预测时间确定的;基于所述目标预测模型输出的第一数据分析结果确定所述第一累计确诊数据;
其中,所述目标预测模型是依照所述待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态对预测模型进行修正后得到,所述预测模型是根据预测参考地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态确定;所述预测参考地区关于所述目标传染疾病的发生时间,早于所述待预测地区关于所述目标传染疾病的发生时间。
2.根据权利要求1所述服务器,其特征在于,所述处理器用于调用目标预测模型对所述感染统计数据和所述第一管控措施实施状态进行数据分析之前,所述处理器,还用于:
获取待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态,并获取根据预测参考地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态确定的预测模型;
根据所述待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态对所述预测模型进行修正,得到所述待预测地区对应的目标预测模型。
3.根据权利要求2所述服务器,其特征在于,所述处理器,具体用于:
获取所述待预测地区关于所述目标传染疾病的历史咨询信息,所述历史咨询信息包括历史感染统计数据咨询信息和历史管控措施实施状态咨询信息;
调用文本识别算法模型从所述历史感染统计数据咨询信息中获取所述待预测地区关于所述目标传染疾病的历史感染统计数据;
调用所述文本识别算法模型从所述历史管控措施实施状态咨询信息中获取所述待预测地区关于所述目标传染疾病的历史管控措施实施状态。
4.根据权利要求2所述服务器,其特征在于,所述处理器用于获取待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态之后,所述处理器,还用于:
根据预设时间滑动窗口对所述待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态进行预处理,得到所述待预测地区关于所述目标传染疾病的至少一条序列数据;
根据所述待预测地区关于所述目标传染疾病的至少一条序列数据对所述预测模型进行修正,得到所述待预测地区对应的目标预测模型。
5.根据权利要求4所述服务器,其特征在于,所述处理器,具体用于:
将所述待预测地区关于所述目标传染疾病的至少一条序列数据切分为训练序列数据集和测试序列数据集;
根据所述训练序列数据集对所述预测模型进行修正,得到所述待预测地区对应的候选预测模型;
根据所述测试序列数据集和预设评价规则,验证所述候选预测模型;
若验证通过,则确定所述候选预测模型为所述待预测地区对应的目标预测模型。
6.根据权利要求5所述服务器,其特征在于,所述预设评价规则为预测评价指标对应的评价规则,其中,所述预测评价指标包括:均方根误差、均方误差、平均绝对误差和对称平均绝对百分比误差中的任一种。
7.根据权利要求1-6任一项所述服务器,其特征在于,所述处理器用于基于所述目标预测模型输出的第一数据分析结果确定所述第一累计确诊数据之后,所述处理器,还用于:
接收与所述待预测地区和所述目标传染疾病关联的第二感染预测请求,所述第二感染预测请求用于指示预测所述待预测地区在所述预测时间下与所述目标疾病关联的第二累计确诊数据;
将所述待预测地区在所述目标时间下与所述目标传染疾病关联的所述第一管控措施实施状态更改为第二管控措施实施状态,并调用所述目标预测模型对所述感染统计数据和所述第二管控措施实施状态进行数据分析,所述目标时间是基于所述预测时间确定的;
基于所述目标预测模型输出的第二数据分析结果确定所述第二累计确诊数据。
8.一种数据处理方法,其特征在于,所述数据处理方法由服务器执行,所述数据处理方法包括:
接收与待预测地区和目标传染疾病关联的第一感染预测请求,所述第一感染预测请求用于指示预测所述待预测地区在预测时间下与所述目标疾病关联的第一累计确诊数据;
获取所述待预测地区在目标时间下与所述目标传染疾病关联的感染统计数据和第一管控措施实施状态,并调用目标预测模型对所述感染统计数据和所述第一管控措施实施状态进行数据分析,所述目标时间是基于所述预测时间确定的;
基于所述目标预测模型输出的第一数据分析结果确定所述第一累计确诊数据;
其中,所述目标预测模型是依照所述待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态对预测模型进行修正后得到,所述预测模型是根据预测参考地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态确定;所述预测参考地区关于所述目标传染疾病的发生时间,早于所述待预测地区关于所述目标传染疾病的发生时间。
9.一种数据处理装置,其特征在于,所述数据处理装置部署于服务器,所述数据处理装置包括:
获取模块,用于接收与待预测地区和目标传染疾病关联的第一感染预测请求,所述第一感染预测请求用于指示预测所述待预测地区在预测时间下与所述目标疾病关联的第一累计确诊数据;
所述获取模块,还用于获取所述待预测地区在目标时间下与所述目标传染疾病关联的感染统计数据和第一管控措施实施状态,并调用目标预测模型对所述感染统计数据和所述第一管控措施实施状态进行数据分析,所述目标时间是基于所述预测时间确定的;
处理模块,用于基于所述目标预测模型输出的第一数据分析结果确定所述第一累计确诊数据;
其中,所述目标预测模型是依照所述待预测地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态对预测模型进行修正后得到,所述预测模型是根据预测参考地区关于所述目标传染疾病的历史感染统计数据和历史管控措施实施状态确定;所述预测参考地区关于所述目标传染疾病的发生时间,早于所述待预测地区关于所述目标传染疾病的发生时间。
10.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有程序指令,所述程序指令被执行时,用于实现如权利要求8所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011203198.5A CN112102959B (zh) | 2020-11-02 | 2020-11-02 | 一种服务器、数据处理方法、装置及可读存储介质 |
PCT/CN2021/084226 WO2021180245A1 (zh) | 2020-11-02 | 2021-03-31 | 一种服务器、数据处理方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011203198.5A CN112102959B (zh) | 2020-11-02 | 2020-11-02 | 一种服务器、数据处理方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112102959A true CN112102959A (zh) | 2020-12-18 |
CN112102959B CN112102959B (zh) | 2021-03-23 |
Family
ID=73784496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011203198.5A Active CN112102959B (zh) | 2020-11-02 | 2020-11-02 | 一种服务器、数据处理方法、装置及可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112102959B (zh) |
WO (1) | WO2021180245A1 (zh) |
Cited By (2)
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 |
CN113707336A (zh) * | 2021-08-26 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 基于数据分析的传染病防治预警方法、装置、设备及介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114464329A (zh) * | 2021-12-31 | 2022-05-10 | 中国科学院深圳先进技术研究院 | 一种城市疫情时空预测方法、系统、终端以及存储介质 |
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 |
CN117690600B (zh) * | 2024-02-01 | 2024-04-30 | 北方健康医疗大数据科技有限公司 | 基于知识图谱的传染病预测方法、系统、终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846503A (zh) * | 2018-05-17 | 2018-11-20 | 电子科技大学 | 一种基于神经网络的呼吸系统疾病患病人次动态预测方法 |
AU2020100564A4 (en) * | 2020-04-14 | 2020-05-21 | Phan, Hung Thanh Mr | CORONAVIRUS IMPACT ON THE WORLD ECONOMY PROBLEMS SOLVING: I invent the equation for solving the forecast of number of COVID-19 cases in the future so to help a country can re open the business as early as possible in the minimizes of COVID-19 |
CN111599485A (zh) * | 2020-05-26 | 2020-08-28 | 中南林业科技大学 | 传染病传播规律的预测方法、装置、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462917B (zh) * | 2020-03-02 | 2023-05-30 | 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 |
CN111798989A (zh) * | 2020-07-07 | 2020-10-20 | 医渡云(北京)技术有限公司 | 基于防控措施预测疫情发展趋势的方法及相关设备 |
CN112102959B (zh) * | 2020-11-02 | 2021-03-23 | 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 |
-
2020
- 2020-11-02 CN CN202011203198.5A patent/CN112102959B/zh active Active
-
2021
- 2021-03-31 WO PCT/CN2021/084226 patent/WO2021180245A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846503A (zh) * | 2018-05-17 | 2018-11-20 | 电子科技大学 | 一种基于神经网络的呼吸系统疾病患病人次动态预测方法 |
AU2020100564A4 (en) * | 2020-04-14 | 2020-05-21 | Phan, Hung Thanh Mr | CORONAVIRUS IMPACT ON THE WORLD ECONOMY PROBLEMS SOLVING: I invent the equation for solving the forecast of number of COVID-19 cases in the future so to help a country can re open the business as early as possible in the minimizes of COVID-19 |
CN111599485A (zh) * | 2020-05-26 | 2020-08-28 | 中南林业科技大学 | 传染病传播规律的预测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
张建勋等: "基于神经网络的SARS传播模型", 《计算机工程与应用》 * |
邵年等: "关于新型冠状病毒肺炎一类基于CCDC统计数据的随机时滞动力学模型", 《控制理论与应用》 * |
Cited By (2)
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 |
CN113707336A (zh) * | 2021-08-26 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 基于数据分析的传染病防治预警方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112102959B (zh) | 2021-03-23 |
WO2021180245A1 (zh) | 2021-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112102959B (zh) | 一种服务器、数据处理方法、装置及可读存储介质 | |
WO2021068601A1 (zh) | 病历检测方法、装置、设备及存储介质 | |
CN112861648B (zh) | 文字识别方法、装置、电子设备及存储介质 | |
CN112446025A (zh) | 联邦学习防御方法、装置、电子设备及存储介质 | |
CN108182515B (zh) | 智能规则引擎规则输出方法、设备及计算机可读存储介质 | |
CN113539509B (zh) | 新发传染病发病风险预测方法、装置、终端设备及介质 | |
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 | |
CN112216402A (zh) | 基于人工智能的疫情预测方法、装置、计算机设备及介质 | |
CN112446544A (zh) | 交通流预测模型训练方法、装置、电子设备及存储介质 | |
CN110263326B (zh) | 一种用户行为预测方法、预测装置、存储介质及终端设备 | |
CN114579657B (zh) | 一种基于车路协同的v2x边缘云控方法及系统 | |
CN111861463A (zh) | 基于区块链和人工智能的信息智能识别方法及大数据平台 | |
CN112383554B (zh) | 接口流量异常检测方法、装置、终端设备及存储介质 | |
CN112214402B (zh) | 一种代码验证算法的选择方法、装置及存储介质 | |
CN111968750B (zh) | 一种服务器、数据处理方法、装置及可读存储介质 | |
CN111950707B (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
CN116257885A (zh) | 基于联邦学习的隐私数据通信方法、系统和计算机设备 | |
CN116662904A (zh) | 数据类型的变异检测方法、装置、计算机设备及介质 | |
CN115037790B (zh) | 异常注册识别方法、装置、设备及存储介质 | |
CN112560721B (zh) | 无感知模型切换方法、装置、电子设备及存储介质 | |
CN111860661B (zh) | 基于用户行为的数据分析方法、装置、电子设备及介质 | |
CN113515591A (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN110689112A (zh) | 数据处理的方法及装置 | |
CN113723524B (zh) | 基于预测模型的数据处理方法、相关设备及介质 | |
CN112101279B (zh) | 目标物异常检测方法、装置、电子设备及存储介质 |
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 |