CN112669970A - 基于大数据深度学习的传染病时空预测方法和机器人 - Google Patents
基于大数据深度学习的传染病时空预测方法和机器人 Download PDFInfo
- Publication number
- CN112669970A CN112669970A CN202011627021.8A CN202011627021A CN112669970A CN 112669970 A CN112669970 A CN 112669970A CN 202011627021 A CN202011627021 A CN 202011627021A CN 112669970 A CN112669970 A CN 112669970A
- Authority
- CN
- China
- Prior art keywords
- big data
- infectious disease
- target infectious
- source
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
基于大数据深度学习的传染病时空预测方法和机器人,包括:目标传染病获取步骤;个人风险大数据获取步骤;区域疫情大数据获取步骤;多源大数据获取步骤;多源大数据目标传染病时空预测模型初始化步骤;某一多源大数据目标传染病时空预测模型构建步骤上述方法、系统和机器人,分别采集个人和区域的目标传染性相关的多源大数据,同时将个人数据与区域数据结合起来进行个人风险和区域疫情的预测,从而使得个人和区域的数据在传染病的时空预测中起到相互佐证的作用,进而提高个人风险和区域疫情的预测的效果。
Description
技术领域
本发明涉及人工智能技术领域,特别是涉及一种基于大数据深度学习的传染病时空预测方法和机器人。
背景技术
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:个人的感染风险不但与个人有关,还有疫情的整体时空预测情况有关,例如,如果将来周围被感染的人很多,那么个人将来的感染风险也就提高了,但现有技术没有将区域疫情与个人风险时空预测结合起来,个人风险和区域风险时空预测的准确率低,
因此,现有技术还有待于改进和发展。
发明内容
基于此,有必要针对现有技术的缺陷或不足,提供基于大数据深度学习的传染病时空预测方法和机器人,以解决现有技术中没有将区域疫情与个人风险时空预测结合起来的问题,进而提高个人风险和区域风险时空预测的准确率。
第一方面,本发明实施例提供一种人工智能方法,所述方法包括:
目标传染病获取步骤:获取待预测的传染病作为目标传染病;
个人风险大数据获取步骤:通过个人的移动互联网终端采集个人与目标传染病相关的数据,作为目标传染病个人风险大数据;
区域疫情大数据获取步骤:通过医院、部门的互联网终端采集目标传染病区域疫情大数据;
多源大数据获取步骤:将目标传染病个人风险大数据与目标传染病区域疫情大数据作为目标传染病的多源大数据;其中,所述目标传染病个人风险大数据涉及到的个人属于目标传染病区域疫情大数据中涉及到的区域中的个人;
多源大数据目标传染病时空预测模型初始化步骤:初始化深度学习神经网络模型作为多源大数据目标传染病时空预测模型;
某一多源大数据目标传染病时空预测模型构建步骤:获取一个区域一个时段的目标传染病的多源大数据并获取所述多源大数据中涉及到的个人,将所述一个区域在所述一个时段的目标传染病的多源大数据作为输入,将所述涉及到的个人在所述一个时段内的目标传染病的个人风险预期结果和所述一个区域在所述一个时段内的目标传染病的区域疫情预期结果作为预期输出,对多源大数据目标传染病时空预测模型进行训练,得到的所述一个区域所述一个时段的多源大数据目标传染病时空预测模型;在使用时,将所述一个区域在所述一个时段的目标传染病的多源大数据作为输入,通过所述一个区域所述一个时段的多源大数据目标传染病时空预测模型计算得到的输出作为所述涉及到的个人在所述一个时段内的目标传染病的个人风险预测结果和所述一个区域在所述一个时段内的目标传染病的区域疫情预测结果。
优选地,所述方法还包括:
相似传染病获取步骤:获取与目标传染病相似的传染病作为相似传染病;
相似传染病大数据获取步骤:获取相似传染病的个人风险大数据和区域疫情大数据,分别作为相似传染病个人风险大数据和相似传染病区域疫情大数据;
相似传染病多源大数据获取步骤:将相似传染病个人风险大数据与相似传染病区域疫情大数据作为相似传染病的多源大数据;其中,所述相似传染病个人风险大数据涉及到的个人属于相似传染病区域疫情大数据中涉及到的区域中的个人;
多源大数据相似传染病预测模型构建步骤:初始化深度学习神经网络模型作为多源大数据相似传染病预测模型;获取目标传染病的多源大数据中涉及到的个人和区域和时段,将所述涉及到的个人和区域对应的相似传染病的多源大数据作为输入,将所述涉及到的个人在涉及到的时段内的相似传染病的个人风险预期结果和所述涉及到的区域在涉及到的时段内的相似传染病的区域疫情预期结果作为预期输出,对多源大数据相似传染病预测模型进行训练;在使用时,将所述涉及到的个人和区域和时段对应的相似传染病的多源大数据作为输入,通过多源大数据相似传染病预测模型计算得到的输出作为所述涉及到的个人在涉及到的时段内的相似传染病的个人风险预测结果和所述涉及到的区域在涉及到的时段内的相似传染病的区域疫情预测结果;
相似模型迁移步骤:将所述多源大数据相似传染病预测模型作为多源大数据目标传染病预测模型,执行多源大数据目标传染病时空预测模型构建步骤。
优选地,所述方法还包括:
模型时空扩展步骤:在所述多源大数据目标传染病预测模型的输入层增加区域输入项和时段输入项,作为多源大数据目标传染病时空预测基础模型;
每一多源大数据目标传染病时空预测模型构建步骤:获取每一区域每一时段的目标传染病的多源大数据并获取所述多源大数据中涉及到的个人,将所述每一区域、在所述每一时段、所述每一区域在所述每一时段的目标传染病的多源大数据作为输入,将所述涉及到的个人在所述每一时段内的目标传染病的个人风险预期结果和所述每一区域在所述每一时段内的目标传染病的区域疫情预期结果作为预期输出,对多源大数据目标传染病时空预测基础模型进行训练,得到的所述每一区域所述每一时段的多源大数据目标传染病时空预测模型;在使用时,将所述每一区域、在所述每一时段、所述每一区域在所述每一时段的目标传染病的多源大数据作为输入,通过所述每一区域所述每一时段的多源大数据目标传染病时空预测模型计算得到的输出作为所述涉及到的个人在所述每一时段内的目标传染病的个人风险预测结果和所述每一区域在所述每一时段内的目标传染病的区域疫情预测结果。
优选地,所述方法还包括:
时空迁移步骤:获取多个区域和多个时段中的每一区域每一时段的多源大数据目标传染病时空预测模型的预测准确率,获取预测准确率最高或较高的所述每一区域所述每一时段的多源大数据目标传染病时空预测模型,作为多源大数据目标传染病时空预测基础模型,然后执行多源大数据目标传染病时空预测模型构建步骤。
第二方面,本发明实施例提供一种人工智能系统,所述系统包括:
目标传染病获取模块:获取待预测的传染病作为目标传染病;
个人风险大数据获取模块:通过个人的移动互联网终端采集个人与目标传染病相关的数据,作为目标传染病个人风险大数据;
区域疫情大数据获取模块:通过医院、部门的互联网终端采集目标传染病区域疫情大数据;
多源大数据获取模块:将目标传染病个人风险大数据与目标传染病区域疫情大数据作为目标传染病的多源大数据;其中,所述目标传染病个人风险大数据涉及到的个人属于目标传染病区域疫情大数据中涉及到的区域中的个人;
多源大数据目标传染病时空预测模型初始化模块:初始化深度学习神经网络模型作为多源大数据目标传染病时空预测模型;
某一多源大数据目标传染病时空预测模型构建模块:获取一个区域一个时段的目标传染病的多源大数据并获取所述多源大数据中涉及到的个人,将所述一个区域在所述一个时段的目标传染病的多源大数据作为输入,将所述涉及到的个人在所述一个时段内的目标传染病的个人风险预期结果和所述一个区域在所述一个时段内的目标传染病的区域疫情预期结果作为预期输出,对多源大数据目标传染病时空预测模型进行训练,得到的所述一个区域所述一个时段的多源大数据目标传染病时空预测模型;在使用时,将所述一个区域在所述一个时段的目标传染病的多源大数据作为输入,通过所述一个区域所述一个时段的多源大数据目标传染病时空预测模型计算得到的输出作为所述涉及到的个人在所述一个时段内的目标传染病的个人风险预测结果和所述一个区域在所述一个时段内的目标传染病的区域疫情预测结果。
优选地,所述系统还包括:
相似传染病获取模块:获取与目标传染病相似的传染病作为相似传染病;
相似传染病大数据获取模块:获取相似传染病的个人风险大数据和区域疫情大数据,分别作为相似传染病个人风险大数据和相似传染病区域疫情大数据;
相似传染病多源大数据获取模块:将相似传染病个人风险大数据与相似传染病区域疫情大数据作为相似传染病的多源大数据;其中,所述相似传染病个人风险大数据涉及到的个人属于相似传染病区域疫情大数据中涉及到的区域中的个人;
多源大数据相似传染病预测模型构建模块:初始化深度学习神经网络模型作为多源大数据相似传染病预测模型;获取目标传染病的多源大数据中涉及到的个人和区域和时段,将所述涉及到的个人和区域对应的相似传染病的多源大数据作为输入,将所述涉及到的个人在涉及到的时段内的相似传染病的个人风险预期结果和所述涉及到的区域在涉及到的时段内的相似传染病的区域疫情预期结果作为预期输出,对多源大数据相似传染病预测模型进行训练;在使用时,将所述涉及到的个人和区域和时段对应的相似传染病的多源大数据作为输入,通过多源大数据相似传染病预测模型计算得到的输出作为所述涉及到的个人在涉及到的时段内的相似传染病的个人风险预测结果和所述涉及到的区域在涉及到的时段内的相似传染病的区域疫情预测结果;
相似模型迁移模块:将所述多源大数据相似传染病预测模型作为多源大数据目标传染病预测模型,执行多源大数据目标传染病时空预测模型构建模块。
优选地,所述系统还包括:
模型时空扩展模块:在所述多源大数据目标传染病预测模型的输入层增加区域输入项和时段输入项,作为多源大数据目标传染病时空预测基础模型;
每一多源大数据目标传染病时空预测模型构建模块:获取每一区域每一时段的目标传染病的多源大数据并获取所述多源大数据中涉及到的个人,将所述每一区域、在所述每一时段、所述每一区域在所述每一时段的目标传染病的多源大数据作为输入,将所述涉及到的个人在所述每一时段内的目标传染病的个人风险预期结果和所述每一区域在所述每一时段内的目标传染病的区域疫情预期结果作为预期输出,对多源大数据目标传染病时空预测基础模型进行训练,得到的所述每一区域所述每一时段的多源大数据目标传染病时空预测模型;在使用时,将所述每一区域、在所述每一时段、所述每一区域在所述每一时段的目标传染病的多源大数据作为输入,通过所述每一区域所述每一时段的多源大数据目标传染病时空预测模型计算得到的输出作为所述涉及到的个人在所述每一时段内的目标传染病的个人风险预测结果和所述每一区域在所述每一时段内的目标传染病的区域疫情预测结果。
优选地,所述系统还包括:
时空迁移模块:获取多个区域和多个时段中的每一区域每一时段的多源大数据目标传染病时空预测模型的预测准确率,获取预测准确率最高或较高的所述每一区域所述每一时段的多源大数据目标传染病时空预测模型,作为多源大数据目标传染病时空预测基础模型,然后执行多源大数据目标传染病时空预测模型构建模块。
第三方面,本发明实施例提供一种人工智能装置,所述装置包括第二方面实施例任意一项所述系统的模块。
第四方面,本发明实施例提供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第一方面实施例任意一项所述方法的步骤。
第五方面,本发明实施例提供一种机器人,包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序,所述处理器执行所述程序时实现第一方面实施例任意一项所述方法的步骤。
本实施例提供的基于大数据深度学习的传染病时空预测方法和机器人,包括:目标传染病获取步骤;个人风险大数据获取步骤;区域疫情大数据获取步骤;多源大数据获取步骤;多源大数据目标传染病时空预测模型初始化步骤;某一多源大数据目标传染病时空预测模型构建步骤上述方法、系统和机器人,分别采集个人和区域的目标传染性相关的多源大数据,同时将个人数据与区域数据结合起来进行个人风险和区域疫情的预测,从而使得个人和区域的数据在传染病的时空预测中起到相互佐证的作用,进而提高个人风险和区域疫情的预测的效果。
附图说明
图1为本发明的实施例提供的人工智能方法的流程图;
图2为本发明的实施例提供的人工智能方法包括的流程图;
图3为本发明的实施例提供的人工智能方法包括的流程图;
图4为本发明的实施例提供的基于大数据学习的新发重大传染病时空预测模型路线图;
图5为本发明的实施例提供的用于模型验证的原型系统的体系结构。
具体实施方式
下面结合本发明实施方式,对本发明实施例中的技术方案进行详细地描述。
本发明的基本实施例
本发明的一个实施例提供一种人工智能方法,如图1所示,所述方法包括:目标传染病获取步骤;个人风险大数据获取步骤;区域疫情大数据获取步骤;多源大数据获取步骤;多源大数据目标传染病时空预测模型初始化步骤;某一多源大数据目标传染病时空预测模型构建步骤。技术效果:所述方法分别采集个人和区域的目标传染性相关的多源大数据,同时将个人数据与区域数据结合起来进行个人风险和区域疫情的预测,从而使得个人和区域的数据在传染病的时空预测中起到相互佐证的作用,进而提高个人风险和区域疫情的预测的效果。
在一个优选的实施例中,如图2所示,所述方法还包括:相似传染病获取步骤;相似传染病大数据获取步骤;相似传染病多源大数据获取步骤;多源大数据相似传染病预测模型构建步骤;相似模型迁移步骤。技术效果:所述方法通过获取相似传染病,对相似传染病预测模型进行训练,并将相似传染病作为目标传染病的预测模型的初始模型,进而可以充分利用相似传染病大数据来提高目标传染病的预测模型的预测效果。
在一个优选的实施例中,如图3所示,所述方法还包括:模型时空扩展步骤;每一多源大数据目标传染病时空预测模型构建步骤。技术效果:所述方法通过在相似传染病的模型中增加目标传染病特有的输入项来构建目标传染病的初始的预测模型,进而通过目标传染病的多源数据对迁移和改造得到的初始的预测模型进行训练,得到目标传染病的预测模型。
在一个优选的实施例中,所述方法还包括:时空迁移步骤。技术效果:所述方法通过从多个区域和时段的模型中获取预测准确率高的模型中选取较优的模型来作为其他区域和时段的初始模型,进而提高其他区域和时段的模型的预测准确率和预测效果。
本发明的优选实施例
目标传染病获取步骤:获取待预测的传染病作为目标传染病;
个人风险大数据获取步骤:通过个人的移动互联网终端采集个人与目标传染病相关的数据,作为目标传染病个人风险大数据;
区域疫情大数据获取步骤:通过医院、部门的互联网终端采集目标传染病区域疫情大数据;
相似传染病获取步骤:获取与目标传染病相似的传染病作为相似传染病;
相似传染病大数据获取步骤:获取相似传染病的个人风险大数据和区域疫情大数据,分别作为相似传染病个人风险大数据和相似传染病区域疫情大数据;
多源大数据获取步骤:将目标传染病个人风险大数据与目标传染病区域疫情大数据作为目标传染病的多源大数据;其中,所述目标传染病个人风险大数据涉及到的个人属于目标传染病区域疫情大数据中涉及到的区域中的个人;
多源大数据目标传染病时空预测模型初始化步骤:初始化深度学习神经网络模型作为多源大数据目标传染病时空预测模型;
某一多源大数据目标传染病时空预测模型训练步骤:获取一个区域一个时段的目标传染病的多源大数据并获取所述多源大数据中涉及到的个人,将所述一个区域在所述一个时段的目标传染病的多源大数据作为输入,将所述涉及到的个人在所述一个时段内的目标传染病的个人风险预期结果和所述一个区域在所述一个时段内的目标传染病的区域疫情预期结果作为预期输出,对多源大数据目标传染病时空预测模型进行训练,得到的所述一个区域所述一个时段的多源大数据目标传染病时空预测模型;在使用时,将所述一个区域在所述一个时段的目标传染病的多源大数据作为输入,通过所述一个区域所述一个时段的多源大数据目标传染病时空预测模型计算得到的输出作为所述涉及到的个人在所述一个时段内的目标传染病的个人风险预测结果和所述一个区域在所述一个时段内的目标传染病的区域疫情预测结果。
相似传染病多源大数据获取步骤:将相似传染病个人风险大数据与相似传染病区域疫情大数据作为相似传染病的多源大数据;其中,所述相似传染病个人风险大数据涉及到的个人属于相似传染病区域疫情大数据中涉及到的区域中的个人;
多源大数据相似传染病预测模型构建步骤:初始化深度学习神经网络模型作为多源大数据相似传染病预测模型;获取目标传染病的多源大数据中涉及到的个人和区域和时段,将所述涉及到的个人和区域对应的相似传染病的多源大数据作为输入,将所述涉及到的个人在涉及到的时段内的相似传染病的个人风险预期结果和所述涉及到的区域在涉及到的时段内的相似传染病的区域疫情预期结果作为预期输出,对多源大数据相似传染病预测模型进行训练;在使用时,将所述涉及到的个人和区域和时段对应的相似传染病的多源大数据作为输入,通过多源大数据相似传染病预测模型计算得到的输出作为所述涉及到的个人在涉及到的时段内的相似传染病的个人风险预测结果和所述涉及到的区域在涉及到的时段内的相似传染病的区域疫情预测结果;
相似模型迁移步骤:将所述多源大数据相似传染病预测模型作为多源大数据目标传染病预测模型(在这个阶段只需要训练出一个区域、一个时段的模型,作为后面每个区域、每个时段的模型的训练基础,类似迁移学习的思想),执行多源大数据目标传染病时空预测模型训练步骤。
模型时空扩展步骤:在所述多源大数据目标传染病预测模型的输入层增加区域输入项和时段输入项,作为多源大数据目标传染病时空预测基础模型;
每一多源大数据目标传染病时空预测模型构建步骤:获取每一区域每一时段的目标传染病的多源大数据并获取所述多源大数据中涉及到的个人,将所述每一区域、在所述每一时段、所述每一区域在所述每一时段的目标传染病的多源大数据作为输入,将所述涉及到的个人在所述每一时段内的目标传染病的个人风险预期结果和所述每一区域在所述每一时段内的目标传染病的区域疫情预期结果作为预期输出,对多源大数据目标传染病时空预测基础模型进行训练,得到的所述每一区域所述每一时段的多源大数据目标传染病时空预测模型;在使用时,将所述每一区域、在所述每一时段、所述每一区域在所述每一时段的目标传染病的多源大数据作为输入,通过所述每一区域所述每一时段的多源大数据目标传染病时空预测模型计算得到的输出作为所述涉及到的个人在所述每一时段内的目标传染病的个人风险预测结果和所述每一区域在所述每一时段内的目标传染病的区域疫情预测结果。
时空迁移步骤:获取每一区域每一时段的多源大数据目标传染病时空预测模型的预测准确率,获取预测准确率最高或较高的所述每一区域所述每一时段的多源大数据目标传染病时空预测模型,作为多源大数据目标传染病时空预测基础模型,然后重新执行上一个步骤。
本发明的其他实施例
基于大数据深度学习的新发重大传染病个人风险时空预测、区域疫情的各级时空预测都是密不可分的环节,都是一个整体。图4展示的是基于大数据学习的新发重大传染病时空预测模型路线图。
从图4可以看出,路线的第1步“基于相似和多源大数据深度学习的新发重大传染病协同时空预测模型”是个人风险时空预测和区域疫情时空预测都需要用到的方案,即解决数据源的问题。路线的第2、3步是从个人风险时空预测和区域疫情时空预测分别展开即“基于大数据深度学习的新发重大传染病个人风险时空预测模型”与“基于大数据深度学习的新发重大传染病区域疫情时空预测模型”。路线的第4步是将个人风险时空预测和区域疫情时空预测又结合起来,合二为一进行联动,即“基于大数据深度学习的新发重大传染病个人风险与区域疫情联动时空预测模型”。
为验证模型和方法的正确性和有效性,充分运用时空预测、大数据、深度学习、智能诊疗等领域的研究基础。并通过模型的数据采集、模型的训练、模型的测试、模型的应用验证等环节进行螺旋式优化,形成基于大数据深度学习的新发重大传染病时空预测模型的原型系统,采用医院的数据、相关部门共享的相关数据以及互联网公开的相关数据进行实证,在大数据深度学习服务云平台上搭建一个基于大数据深度学习的新发重大传染病时空预测模型的系统。
根据内容来定义和划分业务功能模块,确定用于验证的系统的体系结构,如图5所示。
大数据深度学习服务云平台主要提供大数据的采集、计算以及深度学习的训练、测试,其中大数据的采集利用云平台上的云机器人与个人进行交互,并通过云机器人自动采集和清洗相关数据(这里的云机器人指的是运行于云计算平台上的软件机器人,不是实体机器人),通过各种数据来源渠道获取已知相似传染病大数据、个人风险大数据、区域疫情大数据,然后通过基于近似和多源大数据深度学习的新发重大传染病协同时空预测模型的系统进行数据的融合,接着通过基于大数据深度学习的新发重大传染病个人风险自助时空预测模型的原型系统进行个人风险自助时空预测,通过基于多级时空大数据深度学习的新发重大传染病的动态级联时空预测模型的原型系统进行区域疫情时空预测,而这两种预测由基于大数据深度学习的新发重大传染病的个人区域联动时空预测模型进行个人风险时空预测模型与区域疫情时空预测模型的联动,最终形成基于大数据深度学习的新发重大传染病时空预测模型的原型云系统的输出结果反馈给用户。利用大数据深度学习服务云平台对基于大数据深度学习的新发重大传染病时空预测模型的原型系统进行实现,使得新发重大传染病时空预测能够具备协同工作、相互校正、分级预测等特性,还能够针对具体的时间、区域、个人进行个性化、层层递进地时空预测,形成新发重大传染病时空预测结果,以验证实施例的模型和研究成果。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,则对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种人工智能方法,其特征在于,所述方法包括:
目标传染病获取步骤:获取待预测的传染病作为目标传染病;
个人风险大数据获取步骤:通过个人的移动互联网终端采集个人与目标传染病相关的数据,作为目标传染病个人风险大数据;
区域疫情大数据获取步骤:通过医院、部门的互联网终端采集目标传染病区域疫情大数据;
多源大数据获取步骤:将目标传染病个人风险大数据与目标传染病区域疫情大数据作为目标传染病的多源大数据;其中,所述目标传染病个人风险大数据涉及到的个人属于目标传染病区域疫情大数据中涉及到的区域中的个人;
多源大数据目标传染病时空预测模型初始化步骤:初始化深度学习神经网络模型作为多源大数据目标传染病时空预测模型;
某一多源大数据目标传染病时空预测模型构建步骤:获取一个区域一个时段的目标传染病的多源大数据并获取所述多源大数据中涉及到的个人,将所述一个区域在所述一个时段的目标传染病的多源大数据作为输入,将所述涉及到的个人在所述一个时段内的目标传染病的个人风险预期结果和所述一个区域在所述一个时段内的目标传染病的区域疫情预期结果作为预期输出,对多源大数据目标传染病时空预测模型进行训练,得到的所述一个区域所述一个时段的多源大数据目标传染病时空预测模型;在使用时,将所述一个区域在所述一个时段的目标传染病的多源大数据作为输入,通过所述一个区域所述一个时段的多源大数据目标传染病时空预测模型计算得到的输出作为所述涉及到的个人在所述一个时段内的目标传染病的个人风险预测结果和所述一个区域在所述一个时段内的目标传染病的区域疫情预测结果。
2.根据权利要求1所述的人工智能方法,其特征在于,所述方法还包括:
相似传染病获取步骤:获取与目标传染病相似的传染病作为相似传染病;
相似传染病大数据获取步骤:获取相似传染病的个人风险大数据和区域疫情大数据,分别作为相似传染病个人风险大数据和相似传染病区域疫情大数据;
相似传染病多源大数据获取步骤:将相似传染病个人风险大数据与相似传染病区域疫情大数据作为相似传染病的多源大数据;其中,所述相似传染病个人风险大数据涉及到的个人属于相似传染病区域疫情大数据中涉及到的区域中的个人;
多源大数据相似传染病预测模型构建步骤:初始化深度学习神经网络模型作为多源大数据相似传染病预测模型;获取目标传染病的多源大数据中涉及到的个人和区域和时段,将所述涉及到的个人和区域对应的相似传染病的多源大数据作为输入,将所述涉及到的个人在涉及到的时段内的相似传染病的个人风险预期结果和所述涉及到的区域在涉及到的时段内的相似传染病的区域疫情预期结果作为预期输出,对多源大数据相似传染病预测模型进行训练;在使用时,将所述涉及到的个人和区域和时段对应的相似传染病的多源大数据作为输入,通过多源大数据相似传染病预测模型计算得到的输出作为所述涉及到的个人在涉及到的时段内的相似传染病的个人风险预测结果和所述涉及到的区域在涉及到的时段内的相似传染病的区域疫情预测结果;
相似模型迁移步骤:将所述多源大数据相似传染病预测模型作为多源大数据目标传染病预测模型,执行多源大数据目标传染病时空预测模型构建步骤。
3.根据权利要求1所述的人工智能方法,其特征在于,所述方法还包括:
模型时空扩展步骤:在所述多源大数据目标传染病预测模型的输入层增加区域输入项和时段输入项,作为多源大数据目标传染病时空预测基础模型;
每一多源大数据目标传染病时空预测模型构建步骤:获取每一区域每一时段的目标传染病的多源大数据并获取所述多源大数据中涉及到的个人,将所述每一区域、在所述每一时段、所述每一区域在所述每一时段的目标传染病的多源大数据作为输入,将所述涉及到的个人在所述每一时段内的目标传染病的个人风险预期结果和所述每一区域在所述每一时段内的目标传染病的区域疫情预期结果作为预期输出,对多源大数据目标传染病时空预测基础模型进行训练,得到的所述每一区域所述每一时段的多源大数据目标传染病时空预测模型;在使用时,将所述每一区域、在所述每一时段、所述每一区域在所述每一时段的目标传染病的多源大数据作为输入,通过所述每一区域所述每一时段的多源大数据目标传染病时空预测模型计算得到的输出作为所述涉及到的个人在所述每一时段内的目标传染病的个人风险预测结果和所述每一区域在所述每一时段内的目标传染病的区域疫情预测结果。
4.根据权利要求3所述的人工智能方法,其特征在于,所述方法还包括:
时空迁移步骤:获取多个区域和多个时段中的每一区域每一时段的多源大数据目标传染病时空预测模型的预测准确率,获取预测准确率最高或较高的所述每一区域所述每一时段的多源大数据目标传染病时空预测模型,作为多源大数据目标传染病时空预测基础模型,然后执行多源大数据目标传染病时空预测模型构建步骤。
5.一种人工智能系统,其特征在于,所述系统包括:
目标传染病获取模块:获取待预测的传染病作为目标传染病;
个人风险大数据获取模块:通过个人的移动互联网终端采集个人与目标传染病相关的数据,作为目标传染病个人风险大数据;
区域疫情大数据获取模块:通过医院、部门的互联网终端采集目标传染病区域疫情大数据;
多源大数据获取模块:将目标传染病个人风险大数据与目标传染病区域疫情大数据作为目标传染病的多源大数据;其中,所述目标传染病个人风险大数据涉及到的个人属于目标传染病区域疫情大数据中涉及到的区域中的个人;
多源大数据目标传染病时空预测模型初始化模块:初始化深度学习神经网络模型作为多源大数据目标传染病时空预测模型;
某一多源大数据目标传染病时空预测模型构建模块:获取一个区域一个时段的目标传染病的多源大数据并获取所述多源大数据中涉及到的个人,将所述一个区域在所述一个时段的目标传染病的多源大数据作为输入,将所述涉及到的个人在所述一个时段内的目标传染病的个人风险预期结果和所述一个区域在所述一个时段内的目标传染病的区域疫情预期结果作为预期输出,对多源大数据目标传染病时空预测模型进行训练,得到的所述一个区域所述一个时段的多源大数据目标传染病时空预测模型;在使用时,将所述一个区域在所述一个时段的目标传染病的多源大数据作为输入,通过所述一个区域所述一个时段的多源大数据目标传染病时空预测模型计算得到的输出作为所述涉及到的个人在所述一个时段内的目标传染病的个人风险预测结果和所述一个区域在所述一个时段内的目标传染病的区域疫情预测结果。
6.根据权利要求5所述的人工智能系统,其特征在于,所述系统还包括:
相似传染病获取模块:获取与目标传染病相似的传染病作为相似传染病;
相似传染病大数据获取模块:获取相似传染病的个人风险大数据和区域疫情大数据,分别作为相似传染病个人风险大数据和相似传染病区域疫情大数据;
相似传染病多源大数据获取模块:将相似传染病个人风险大数据与相似传染病区域疫情大数据作为相似传染病的多源大数据;其中,所述相似传染病个人风险大数据涉及到的个人属于相似传染病区域疫情大数据中涉及到的区域中的个人;
多源大数据相似传染病预测模型构建模块:初始化深度学习神经网络模型作为多源大数据相似传染病预测模型;获取目标传染病的多源大数据中涉及到的个人和区域和时段,将所述涉及到的个人和区域对应的相似传染病的多源大数据作为输入,将所述涉及到的个人在涉及到的时段内的相似传染病的个人风险预期结果和所述涉及到的区域在涉及到的时段内的相似传染病的区域疫情预期结果作为预期输出,对多源大数据相似传染病预测模型进行训练;在使用时,将所述涉及到的个人和区域和时段对应的相似传染病的多源大数据作为输入,通过多源大数据相似传染病预测模型计算得到的输出作为所述涉及到的个人在涉及到的时段内的相似传染病的个人风险预测结果和所述涉及到的区域在涉及到的时段内的相似传染病的区域疫情预测结果;
相似模型迁移模块:将所述多源大数据相似传染病预测模型作为多源大数据目标传染病预测模型,执行多源大数据目标传染病时空预测模型构建模块。
7.根据权利要求5所述的人工智能系统,其特征在于,所述系统还包括:
模型时空扩展模块:在所述多源大数据目标传染病预测模型的输入层增加区域输入项和时段输入项,作为多源大数据目标传染病时空预测基础模型;
每一多源大数据目标传染病时空预测模型构建模块:获取每一区域每一时段的目标传染病的多源大数据并获取所述多源大数据中涉及到的个人,将所述每一区域、在所述每一时段、所述每一区域在所述每一时段的目标传染病的多源大数据作为输入,将所述涉及到的个人在所述每一时段内的目标传染病的个人风险预期结果和所述每一区域在所述每一时段内的目标传染病的区域疫情预期结果作为预期输出,对多源大数据目标传染病时空预测基础模型进行训练,得到的所述每一区域所述每一时段的多源大数据目标传染病时空预测模型;在使用时,将所述每一区域、在所述每一时段、所述每一区域在所述每一时段的目标传染病的多源大数据作为输入,通过所述每一区域所述每一时段的多源大数据目标传染病时空预测模型计算得到的输出作为所述涉及到的个人在所述每一时段内的目标传染病的个人风险预测结果和所述每一区域在所述每一时段内的目标传染病的区域疫情预测结果。
8.根据权利要求7所述的人工智能系统,其特征在于,所述系统还包括:
时空迁移模块:获取多个区域和多个时段中的每一区域每一时段的多源大数据目标传染病时空预测模型的预测准确率,获取预测准确率最高或较高的所述每一区域所述每一时段的多源大数据目标传染病时空预测模型,作为多源大数据目标传染病时空预测基础模型,然后执行多源大数据目标传染病时空预测模型构建模块。
9.一种人工智能装置,其特征在于,所述装置用于实现权利要求1-4任意一项所述方法的步骤。
10.一种机器人,包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序,其特征在于,所述处理器执行所述程序时实现权利要求1-4任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011627021.8A CN112669970A (zh) | 2020-12-30 | 2020-12-30 | 基于大数据深度学习的传染病时空预测方法和机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011627021.8A CN112669970A (zh) | 2020-12-30 | 2020-12-30 | 基于大数据深度学习的传染病时空预测方法和机器人 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112669970A true CN112669970A (zh) | 2021-04-16 |
Family
ID=75412612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011627021.8A Pending CN112669970A (zh) | 2020-12-30 | 2020-12-30 | 基于大数据深度学习的传染病时空预测方法和机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669970A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657596A (zh) * | 2015-01-27 | 2015-05-27 | 中国矿业大学 | 一种基于模型迁移的大型新压缩机性能预测快速建模方法 |
CN106934235A (zh) * | 2017-03-09 | 2017-07-07 | 中国科学院软件研究所 | 一种基于迁移学习的疾病领域间病人相似性度量迁移系统 |
CN109710595A (zh) * | 2018-11-30 | 2019-05-03 | 广东工业大学 | 基于有限信息的输电走廊鸟害热点图的构建方法 |
CN110265145A (zh) * | 2019-05-21 | 2019-09-20 | 何泽仪 | 一种个人健康风险评估方法、装置、电子设备及存储介质 |
CN111710433A (zh) * | 2020-03-23 | 2020-09-25 | 中国人民解放军军事科学院军事科学信息研究中心 | 传染病的发展趋势预测方法及系统 |
CN112117011A (zh) * | 2020-09-25 | 2020-12-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的传染病早期风险预警方法、装置 |
-
2020
- 2020-12-30 CN CN202011627021.8A patent/CN112669970A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657596A (zh) * | 2015-01-27 | 2015-05-27 | 中国矿业大学 | 一种基于模型迁移的大型新压缩机性能预测快速建模方法 |
CN106934235A (zh) * | 2017-03-09 | 2017-07-07 | 中国科学院软件研究所 | 一种基于迁移学习的疾病领域间病人相似性度量迁移系统 |
CN109710595A (zh) * | 2018-11-30 | 2019-05-03 | 广东工业大学 | 基于有限信息的输电走廊鸟害热点图的构建方法 |
CN110265145A (zh) * | 2019-05-21 | 2019-09-20 | 何泽仪 | 一种个人健康风险评估方法、装置、电子设备及存储介质 |
CN111710433A (zh) * | 2020-03-23 | 2020-09-25 | 中国人民解放军军事科学院军事科学信息研究中心 | 传染病的发展趋势预测方法及系统 |
CN112117011A (zh) * | 2020-09-25 | 2020-12-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的传染病早期风险预警方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | A novel three-tier Internet of Things architecture with machine learning algorithm for early detection of heart diseases | |
Dewan et al. | Prediction of heart disease using a hybrid technique in data mining classification | |
Verma et al. | Temporal deep learning architecture for prediction of COVID-19 cases in India | |
Yeh et al. | A new hybrid approach for mining breast cancer pattern using discrete particle swarm optimization and statistical method | |
US20210125732A1 (en) | System and method with federated learning model for geotemporal data associated medical prediction applications | |
Aujla et al. | DLRS: deep learning-based recommender system for smart healthcare ecosystem | |
CN113486190B (zh) | 一种融合实体图像信息和实体类别信息的多模态知识表示方法 | |
JP2022508333A (ja) | マルチセンターモードにおけるランダムフォレストアルゴリズムに基づく特徴重要度ソートシステム | |
Yahya et al. | COVID-19 prediction analysis using artificial intelligence procedures and GIS spatial analyst: a case study for Iraq | |
CN110738650B (zh) | 一种传染病感染识别方法、终端设备及存储介质 | |
Okosun et al. | Analysis of recruitment and industrial human resources management for optimal productivity in the presence of the HIV/AIDS epidemic | |
CN107046557A (zh) | 移动云计算环境下动态Skyline查询的智能医疗呼叫查询系统 | |
CN116635877A (zh) | 模型生成装置、推测装置、模型生成方法以及模型生成程序 | |
CN116305289A (zh) | 医疗隐私数据处理方法、装置、计算机设备及存储介质 | |
Olu et al. | South-South cooperation as a mechanism to strengthen public health services in Africa: experiences, challenges and a call for concerted action | |
Shoaib et al. | Integrated neuro-evolution-based computing paradigm to study the COVID-19 transposition and severity in Romania and Pakistan | |
Hy et al. | Temporal multiresolution graph neural networks for epidemic prediction | |
CN112669970A (zh) | 基于大数据深度学习的传染病时空预测方法和机器人 | |
Faragó et al. | Some qualitative properties of the discrete models for malaria propagation | |
Kandasamy et al. | An Introduction to N-Adaptive Fuzzy Models to Analyze Public Opinion on AIDS | |
Qian et al. | Deep learning for a low-data drug design system | |
CN113592296B (zh) | 公共策略决策方法、装置、电子设备和存储介质 | |
Zhu et al. | OPT-CO: Optimizing pre-trained transformer models for efficient COVID-19 classification with stochastic configuration networks | |
CN105279388A (zh) | 多层云计算框架协同的孕龄新生儿脑病历集成约简方法 | |
Goldman et al. | The future Americans model: technical documentation |
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 |