CN112735600B - 基于大数据监测和深度学习级联预测的提前预警方法 - Google Patents

基于大数据监测和深度学习级联预测的提前预警方法 Download PDF

Info

Publication number
CN112735600B
CN112735600B CN202011629850.XA CN202011629850A CN112735600B CN 112735600 B CN112735600 B CN 112735600B CN 202011629850 A CN202011629850 A CN 202011629850A CN 112735600 B CN112735600 B CN 112735600B
Authority
CN
China
Prior art keywords
time
space
spatio
temporal
prediction
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.)
Active
Application number
CN202011629850.XA
Other languages
English (en)
Other versions
CN112735600A (zh
Inventor
朱定局
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Normal University
Original Assignee
South China Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China Normal University filed Critical South China Normal University
Priority to CN202011629850.XA priority Critical patent/CN112735600B/zh
Publication of CN112735600A publication Critical patent/CN112735600A/zh
Application granted granted Critical
Publication of CN112735600B publication Critical patent/CN112735600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • 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"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Fuzzy Systems (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Remote Sensing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于大数据监测和深度学习级联预测的提前预警方法，包括：目标传染病确定步骤；传染病监测数据获取步骤；空间结构生成步骤；时段结构生成步骤；时空结构生成步骤；时空预测步骤；向上时空级联模型构建步骤。上述方法、系统和机器人，所述方法充分利用不同时空的不同分辨率的监测数据，同时充分利用不同级别的时空数据之间的时空关系，将不同级别时空的时空预测模型的输入和输出结合起来，进行级联预测，来提升时空预测模型的预测效果，进而可以实现不同级别时空的同时提前预警。

Description

基于大数据监测和深度学习级联预测的提前预警方法
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监测和深度学习级联预测的提前预警方法。
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：现有技术下，只是根据实时监测数据进行预警，导致医疗资源供给不上。
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，提供基于大数据监测和深度学习级联预测的提前预警方法，以解决现有技术中没有进行未雨绸缪式地预警的问题。
目标传染病确定步骤：将待预警的传染病作为目标传染病；
传染病监测数据获取步骤：采集每一区域每一时段的目标传染病监测数据，作为目标传染病的每一时空数据，将所述每一区域作为所述每一时空数据的所属区域，将所述每一时段作为所述每一时空数据的所属时段，将所述每一区域和所述每一时段作为所述每一时空数据的所属时空；获取每一区域每一时段的目标传染病监测数据的时空分辨率；时空分辨率包括时间分辨率和空间分辨率；
空间结构生成步骤：获取每一区域的范围，根据每一区域的范围，判断每一区域所属的区域；若所述每一区域没有所属的区域，则将所述每一区域作为顶级区域；若所述每一区域有所属的区域，则将所属的区域作为所述每一区域的父区域，将所述每一区域作为所属的区域的子区域；若所述每一区域没有子区域，则将所述每一区域作为底级区域；
时段结构生成步骤：获取每一时段的范围，根据每一时段的范围，判断每一时段所属的时段；若所述每一时段没有所属的时段，则将所述每一时段作为顶级时段；若所述每一时段有所属的时段，则将所属的时段作为所述每一时段的父时段，将所述每一时段作为所属的时段的子时段；若所述每一时段没有子时段，则将所述每一时段作为底级时段；
时空结构生成步骤：获取每一时空的范围，根据每一时空的范围，判断每一时空所属的时空；若一个时空的区域范围属于另一个时空的区域范围且所述一个时空的时段范围属于所述另一个时空的时段范围，则所述一个时空属于所述另一个时空；若所述每一时空没有所属的时空，则将所述每一时段作为顶级时空；若所述每一时空有所属的时空，则将所属的时空作为所述每一时段的父时空，将所述每一时空作为所属的时段的子时空；若所述每一时空没有子时空，则将所述每一时空作为底级时空；
时空预测步骤：将每一时空数据和所述每一时空数据所属时空的目标传染病的预测结果作为输入和预期输出对深度学习模型进行训练，得到所述所属时空的时空预测模型；
向上时空级联模型构建步骤：针对不是底级时空的每一时空，并针对所述时空的每一子时空，将所述时空的时空预测模型的预期结果或预测结果、所述时空与所述子时空的时空关系、所述时空的时空分辨率、所述子时空的时空分辨率、所述子时空的时空预测模型的输入数据、预测结果作为输入，所述子时空的时空预测模型的预期结果作为预期输出，对深度学习神经网络模型进行训练，得到所述时空的子时空向上时空级联深度学习神经网络模型；在使用向上时空级联深度学习神经网络模型时，将所述时空的时空预测模型的预期结果或预测结果、所述时空与所述子时空的时空关系、所述时空的时空分辨率、所述子时空的时空分辨率、所述子时空的时空预测模型的预测结果作为输入，通过所述时空的子时空向上时空级联深度学习神经网络模型的计算，得到的输出作为所述子时空的向上时空级联深度学习神经网络模型的预测结果；所述时空与所述子时空的时空关系的表达方式包括将所述时空与所述子时空在时态地图中进行表示。
优选地，所述方法还包括：
向下时空级联模型构建步骤：针对不是底级时空的每一时空，获取所述时空的所有子时空，将每一所述子时空的时空预测模型的预期结果或预测结果、所述时空与每一所述子时空的时空关系、所述时空的时空分辨率、每一所述子时空的时空分辨率、所述时空的时空预测模型的输入数据、预测结果作为输入，所述时空的时空预测模型的预期结果作为预期输出，对深度学习神经网络模型进行训练，得到所述时空的向下时空级联深度学习神经网络模型；在使用向下时空级联深度学习神经网络模型时，将每一所述子时空的时空预测模型的预期结果或预测结果、所述时空与每一所述子时空的时空关系、所述时空的时空分辨率、每一所述子时空的时空分辨率、所述时空的时空预测模型的预测结果作为输入，通过所述时空的向下时空级联深度学习神经网络模型的计算，得到的输出作为所述时空的向下时空级联深度学习神经网络模型的预测结果。
优选地，所述方法还包括：
双向时空级联模型构建步骤：针对不是底级时空且不是顶级时空的每一时空，将所述时空的向下时空级联深度学习神经网络模型的预测结果、所述时空的向上时空级联深度学习神经网络模型的预测结果作为输入，将所述时空的预期结果作为输出，对深度学习神经网络模型进行训练，得到所述时空的双向时空级联深度学习神经网络模型；在使用时，将所述时空的向下时空级联深度学习神经网络模型的预测结果、所述时空的向上时空级联深度学习神经网络模型的预测结果作为输入，经过所述时空的双向时空级联深度学习神经网络模型的计算，得到的输出作为所述时空的预测结果。
优选地，所述方法还包括：
底级时空预测步骤：针对是底级时空的每一时空，将所述时空的向上时空级联深度学习神经网络模型的预测结果作为所述时空的预测结果；
顶级时空预测步骤：针对是顶级时空的每一时空，将所述时空的向下时空级联深度学习神经网络模型的预测结果作为所述时空的预测结果；
双向时空预测步骤：针对是不是底级时空且不是顶级时空的每一时空，将所述时空的双向时空级联深度学习神经网络模型的预测结果作为所述时空的预测结果。
目标传染病模块：将待预警的传染病作为目标传染病；
传染病监测数据获取模块：采集每一区域每一时段的目标传染病监测数据，作为目标传染病的每一时空数据，将所述每一区域作为所述每一时空数据的所属区域，将所述每一时段作为所述每一时空数据的所属时段，将所述每一区域和所述每一时段作为所述每一时空数据的所属时空；获取每一区域每一时段的目标传染病监测数据的时空分辨率；时空分辨率包括时间分辨率和空间分辨率；
空间结构生成模块：获取每一区域的范围，根据每一区域的范围，判断每一区域所属的区域；若所述每一区域没有所属的区域，则将所述每一区域作为顶级区域；若所述每一区域有所属的区域，则将所属的区域作为所述每一区域的父区域，将所述每一区域作为所属的区域的子区域；若所述每一区域没有子区域，则将所述每一区域作为底级区域；
时段结构生成模块：获取每一时段的范围，根据每一时段的范围，判断每一时段所属的时段；若所述每一时段没有所属的时段，则将所述每一时段作为顶级时段；若所述每一时段有所属的时段，则将所属的时段作为所述每一时段的父时段，将所述每一时段作为所属的时段的子时段；若所述每一时段没有子时段，则将所述每一时段作为底级时段；
时空结构生成模块：获取每一时空的范围，根据每一时空的范围，判断每一时空所属的时空；若一个时空的区域范围属于另一个时空的区域范围且所述一个时空的时段范围属于所述另一个时空的时段范围，则所述一个时空属于所述另一个时空；若所述每一时空没有所属的时空，则将所述每一时段作为顶级时空；若所述每一时空有所属的时空，则将所属的时空作为所述每一时段的父时空，将所述每一时空作为所属的时段的子时空；若所述每一时空没有子时空，则将所述每一时空作为底级时空；
时空预测模块：将每一时空数据和所述每一时空数据所属时空的目标传染病的预测结果作为输入和预期输出对深度学习模型进行训练，得到所述所属时空的时空预测模型；
向上时空级联模型构建模块：针对不是底级时空的每一时空，并针对所述时空的每一子时空，将所述时空的时空预测模型的预期结果或预测结果、所述时空与所述子时空的时空关系、所述时空的时空分辨率、所述子时空的时空分辨率、所述子时空的时空预测模型的输入数据、预测结果作为输入，所述子时空的时空预测模型的预期结果作为预期输出，对深度学习神经网络模型进行训练，得到所述时空的子时空向上时空级联深度学习神经网络模型；在使用向上时空级联深度学习神经网络模型时，将所述时空的时空预测模型的预期结果或预测结果、所述时空与所述子时空的时空关系、所述时空的时空分辨率、所述子时空的时空分辨率、所述子时空的时空预测模型的预测结果作为输入，通过所述时空的子时空向上时空级联深度学习神经网络模型的计算，得到的输出作为所述子时空的向上时空级联深度学习神经网络模型的预测结果；所述时空与所述子时空的时空关系的表达方式包括将所述时空与所述子时空在时态地图中进行表示。
优选地，所述系统还包括：
向下时空级联模型构建模块：针对不是底级时空的每一时空，获取所述时空的所有子时空，将每一所述子时空的时空预测模型的预期结果或预测结果、所述时空与每一所述子时空的时空关系、所述时空的时空分辨率、每一所述子时空的时空分辨率、所述时空的时空预测模型的输入数据、预测结果作为输入，所述时空的时空预测模型的预期结果作为预期输出，对深度学习神经网络模型进行训练，得到所述时空的向下时空级联深度学习神经网络模型；在使用向下时空级联深度学习神经网络模型时，将每一所述子时空的时空预测模型的预期结果或预测结果、所述时空与每一所述子时空的时空关系、所述时空的时空分辨率、每一所述子时空的时空分辨率、所述时空的时空预测模型的预测结果作为输入，通过所述时空的向下时空级联深度学习神经网络模型的计算，得到的输出作为所述时空的向下时空级联深度学习神经网络模型的预测结果。
优选地，所述系统还包括：
双向时空级联模型构建模块：针对不是底级时空且不是顶级时空的每一时空，将所述时空的向下时空级联深度学习神经网络模型的预测结果、所述时空的向上时空级联深度学习神经网络模型的预测结果作为输入，将所述时空的预期结果作为输出，对深度学习神经网络模型进行训练，得到所述时空的双向时空级联深度学习神经网络模型；在使用时，将所述时空的向下时空级联深度学习神经网络模型的预测结果、所述时空的向上时空级联深度学习神经网络模型的预测结果作为输入，经过所述时空的双向时空级联深度学习神经网络模型的计算，得到的输出作为所述时空的预测结果。
优选地，所述系统还包括：
底级时空预测模块：针对是底级时空的每一时空，将所述时空的向上时空级联深度学习神经网络模型的预测结果作为所述时空的预测结果；
顶级时空预测模块：针对是顶级时空的每一时空，将所述时空的向下时空级联深度学习神经网络模型的预测结果作为所述时空的预测结果；
双向时空预测模块：针对是不是底级时空且不是顶级时空的每一时空，将所述时空的双向时空级联深度学习神经网络模型的预测结果作为所述时空的预测结果。
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监测和深度学习级联预测的提前预警方法，包括：目标传染病确定步骤；传染病监测数据获取步骤；空间结构生成步骤；时段结构生成步骤；时空结构生成步骤；时空预测步骤； 向上时空级联模型构建步骤。上述方法、系统和机器人，所述方法充分利用不同时空的不同分辨率的监测数据，同时充分利用不同级别的时空数据之间的时空关系，将不同级别时空的时空预测模型的输入和输出结合起来，进行级联预测，来提升时空预测模型的预测效果，进而可以实现不同级别时空的同时提前预警。
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基于大数据的传染病的级联预测示意图。
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：目标传染病确定步骤；传染病监测数据获取步骤；空间结构生成步骤；时段结构生成步骤；时空结构生成步骤；时空预测步骤； 向上时空级联模型构建步骤。技术效果：所述方法充分利用不同时空的不同分辨率的监测数据，同时充分利用不同级别的时空数据之间的时空关系，将不同级别时空的时空预测模型的输入和输出结合起来，进行级联预测，来提升时空预测模型的预测效果，进而可以实现不同级别时空的同时提前预警。所述方法能够充分利用比当前时空更大范围的时空的时空监测数据及时空预测模型来用于当前时空的时空级联深度学习神经网络模型的训练和预测，从而提高时空级联深度学习神经网络模型的各级时空预测效果。
在一个优选的实施例中，所述方法还包括：向下时空级联模型构建步骤。技术效果：所述方法能够利用充分利用当前时空的子时空的时空监测数据及子时空预测模型来用于当前时空的时空级联深度学习神经网络模型的训练和预测，从而提高时空级联深度学习神经网络模型的各级时空预测效果。
在一个优选的实施例中，所述方法还包括：双向时空级联模型构建步骤。技术效果：所述方法不但能够充分利用比当前时空更大范围的时空的时空监测数据及时空预测模型来用于当前时空的时空预测模型的训练和预测，还能够利用充分利用当前时空的子时空的时空监测数据及子时空预测模型来用于当前时空的时空预测模型的训练和预测，从而进一步提高时空级联深度学习神经网络模型的各级时空预测效果。
在一个优选的实施例中，如图2所示，所述方法还包括：底级时空预测步骤；顶级时空预测步骤；双向时空预测步骤。技术效果：所述方法针对不同类型的时空给出了选择不同时空级联深度学习神经网络模型的方法，从而使得不同的时空级联深度学习神经网络模型能够最大限度地利用不同级别时空监测数据和时空预测模型，来得到最好的各级时空预测效果。
目标传染病确定步骤：将待预警的传染病作为目标传染病；
传染病监测数据获取步骤：采集每一区域每一时段的目标传染病监测数据，作为目标传染病的每一时空数据，将所述每一区域作为所述每一时空数据的所属区域，将所述每一时段作为所述每一时空数据的所属时段，将所述每一区域和所述每一时段作为所述每一时空数据的所属时空；获取每一区域每一时段的目标传染病监测数据的时空分辨率；时空分辨率包括时间分辨率和空间分辨率；
空间结构生成步骤：获取每一区域的范围，根据每一区域的范围，判断每一区域所属的区域；若所述每一区域没有所属的区域，则将所述每一区域作为顶级区域；若所述每一区域有所属的区域，则将所属的区域作为所述每一区域的父区域，将所述每一区域作为所属的区域的子区域；若所述每一区域没有子区域，则将所述每一区域作为底级区域；
时段结构生成步骤：获取每一时段的范围，根据每一时段的范围，判断每一时段所属的时段；若所述每一时段没有所属的时段，则将所述每一时段作为顶级时段；若所述每一时段有所属的时段，则将所属的时段作为所述每一时段的父时段，将所述每一时段作为所属的时段的子时段；若所述每一时段没有子时段，则将所述每一时段作为底级时段；
时空结构生成步骤：获取每一时空的范围，根据每一时空的范围，判断每一时空所属的时空；若一个时空的区域范围属于另一个时空的区域范围且所述一个时空的时段范围属于所述另一个时空的时段范围，则所述一个时空属于所述另一个时空；若所述每一时空没有所属的时空，则将所述每一时段作为顶级时空；若所述每一时空有所属的时空，则将所属的时空作为所述每一时段的父时空，将所述每一时空作为所属的时段的子时空；若所述每一时空没有子时空，则将所述每一时空作为底级时空；
时空预测步骤：将每一时空数据和所述每一时空数据所属时空的目标传染病的预测结果作为输入和预期输出对深度学习模型进行训练，得到所述所属时空的时空预测模型（可以固定空间，以不同时间的数据作为样本对模型进行训练；也可以固定时间）；（所述所属时空的目标传染病的预测结果包括但不限于所属时空中对不同个人样本数据的预测结果）；
向上时空级联模型构建步骤：针对不是底级时空的每一时空，并针对所述时空的每一子时空，（下面都针对指定的该一个时空和该一个子时空来进行的处理）将所述时空的时空预测模型的预期结果或预测结果（有预期结果时优先使用预期结果，否则使用预测结果，预期结果也就是真实结果）、所述时空与所述子时空的时空关系、所述时空的时空分辨率、所述子时空的时空分辨率、所述子时空的时空预测模型的输入数据、预测结果作为输入，所述子时空的时空预测模型的预期结果作为预期输出，对深度学习神经网络模型进行训练，得到所述时空的子时空向上时空级联深度学习神经网络模型；在使用向上时空级联深度学习神经网络模型时，将所述时空的时空预测模型的预期结果或预测结果（有预期结果时优先使用预期结果，否则使用预测结果，预期结果也就是真实结果）、所述时空与所述子时空的时空关系、所述时空的时空分辨率、所述子时空的时空分辨率、所述子时空的时空预测模型的预测结果作为输入，通过所述时空的子时空向上时空级联深度学习神经网络模型的计算，得到的输出作为所述子时空的向上时空级联深度学习神经网络模型的预测结果；所述时空与所述子时空的时空关系的表达方式包括将所述时空与所述子时空在时态地图中进行表示；
向下时空级联模型构建步骤：针对不是底级时空的每一时空，获取所述时空的所有子时空，（下面都针对指定的该一个时空和所有子时空来进行的处理）将每一所述子时空的时空预测模型的预期结果或预测结果（有预期结果时优先使用预期结果，否则使用预测结果，预期结果也就是真实结果）、所述时空与每一所述子时空的时空关系、所述时空的时空分辨率、每一所述子时空的时空分辨率、所述时空的时空预测模型的输入数据、预测结果作为输入，所述时空的时空预测模型的预期结果作为预期输出，对深度学习神经网络模型进行训练，得到所述时空的向下时空级联深度学习神经网络模型；在使用向下时空级联深度学习神经网络模型时，将每一所述子时空的时空预测模型的预期结果或预测结果（有预期结果时优先使用预期结果，否则使用预测结果，预期结果也就是真实结果）、所述时空与每一所述子时空的时空关系、所述时空的时空分辨率、每一所述子时空的时空分辨率、所述时空的时空预测模型的预测结果作为输入，通过所述时空的向下时空级联深度学习神经网络模型的计算，得到的输出作为所述时空的向下时空级联深度学习神经网络模型的预测结果；
双向时空级联模型构建步骤：针对不是底级时空且不是顶级时空的每一时空，将所述时空的向下时空级联深度学习神经网络模型的预测结果、所述时空的向上时空级联深度学习神经网络模型的预测结果作为输入，将所述时空的预期结果作为输出，对深度学习神经网络模型进行训练，得到所述时空的双向时空级联深度学习神经网络模型；在使用时，将所述时空的向下时空级联深度学习神经网络模型的预测结果、所述时空的向上时空级联深度学习神经网络模型的预测结果作为输入，经过所述时空的双向时空级联深度学习神经网络模型的计算，得到的输出作为所述时空的预测结果；
底级时空预测步骤：针对是底级时空的每一时空，将所述时空的向上时空级联深度学习神经网络模型的预测结果作为所述时空的预测结果；
顶级时空预测步骤：针对是顶级时空的每一时空，将所述时空的向下时空级联深度学习神经网络模型的预测结果作为所述时空的预测结果。
同时如果只是根据实时监测数据进行预警，那么就有可能措手不及，导致医疗资源供给不上，如何才能做到未雨绸缪式地预警？本实施例采用的解决方法是基于大数据监测的实时结果进行深度学习预测进而提前预警。而且不同时空数据是相互影响的，但分辨率又不一样，而且起主要作用的影响因素也会有差异，所以只有将各级时空深度学习模型进行级联才能实现各级时空协同地深度学习。
基于大数据进行新发重大传染病的级联预测：如果只是根据实时监测数据进行预警，那还是不能起到未雨绸缪的时效性，导致医疗资源供给不上，因此基于大数据监测的实时结果进行深度学习预测进而提前预警是非常重要的。但已有的单个深度学习模型无法同时处理多级时空的数据，但实际上不同时空数据是相互影响的，但分辨率又不一样，而且起主要作用的影响因素也会有差异，所以只有将各级时空深度学习模型进行级联才能实现各级时空协同地深度学习。图3展示的是基于大数据的新发重大传染病的级联预测示意图：
基于大数据的新发重大传染病的深度学习预测：基于时序数据进行深度学习预测，可以采用LSTM深度学习预测模型，LSTM深度学习模型能够处理时序数据进行预测，同时具备较长时间的记忆性，从而能够根据新发重大传染病的大数据的发展趋势来进行有参考价值的预测。如果通过时间点进行预测则不能反映出时序的特点，因为新发重大传染病时序数据之间必然隐含着丰富的发展动态信息，所以根据新发重大传染病的时段数据进行预测更为准确。LSTM深度学习模型的预测能力在很多领域已经得到了验证，在基于大数据的新发重大传染病的领域预期能取得比较传统机器学习算法更好的结果。已有的新发重大传染病的趋势预测大部分还是基于传统的机器学习例如逻辑回归得到的，也有少数是基于深度学习来预测的（见研究现状部分），通过已有研究和申请人课题组的前期实验来看LSTM相对其他模型而言能取得更好的结果，所以本实施例采用LSTM深度学习模型进行预测实验，同时采用传统机器学习算法进行双备份式的预测，最终哪个预测结果好就用哪个，或者两个一起用，最后综合两者的结果，通过多个分类预测器组成强分类器。
新发重大传染病的深度学习模型级联技术：新发重大传染病的底层深度学习模型接受高分辨率的较小时空范围内的新发重大传染病数据，然后将多个底层深度学习模型的输出作为新发重大传染病的高层深度学习模型的输入，进而能够得到新发重大传染病的高层深度学习模型的输出。这是新发重大传染病的深度学习模型级联的方式。在训练阶段，每层模型的输入、输出都是已知的，所以可以对新发重大传染病的各层深度学习模型进行分别训练。在使用阶段，只要输入最底层的各时空高分辨的数据，就能得到新发重大传染病的各层深度学习模型的输出，进而能够一次性实现新发重大传染病的各层时空的预测。
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)

1.一种提前预警方法，其特征在于，所述方法包括：
目标传染病确定步骤：将待预警的传染病作为目标传染病；
传染病监测数据获取步骤：采集每一区域每一时段的目标传染病监测数据，作为目标传染病的每一时空数据，将所述每一区域作为所述每一时空数据的所属区域，将所述每一时段作为所述每一时空数据的所属时段，将所述每一区域和所述每一时段作为所述每一时空数据的所属时空；获取每一区域每一时段的目标传染病监测数据的时空分辨率；时空分辨率包括时间分辨率和空间分辨率；
空间结构生成步骤：获取每一区域的范围，根据每一区域的范围，判断每一区域所属的区域；若所述每一区域没有所属的区域，则将所述每一区域作为顶级区域；若所述每一区域有所属的区域，则将所属的区域作为所述每一区域的父区域，将所述每一区域作为所属的区域的子区域；若所述每一区域没有子区域，则将所述每一区域作为底级区域；
时段结构生成步骤：获取每一时段的范围，根据每一时段的范围，判断每一时段所属的时段；若所述每一时段没有所属的时段，则将所述每一时段作为顶级时段；若所述每一时段有所属的时段，则将所属的时段作为所述每一时段的父时段，将所述每一时段作为所属的时段的子时段；若所述每一时段没有子时段，则将所述每一时段作为底级时段；
时空结构生成步骤：获取每一时空的范围，根据每一时空的范围，判断每一时空所属的时空；若一个时空的区域范围属于另一个时空的区域范围且所述一个时空的时段范围属于所述另一个时空的时段范围，则所述一个时空属于所述另一个时空；若所述每一时空没有所属的时空，则将所述每一时段作为顶级时空；若所述每一时空有所属的时空，则将所属的时空作为所述每一时段的父时空，将所述每一时空作为所属的时段的子时空；若所述每一时空没有子时空，则将所述每一时空作为底级时空；
时空预测步骤：将每一时空数据和所述每一时空数据所属时空的目标传染病的预测结果作为输入和预期输出对深度学习模型进行训练，得到所述所属时空的时空预测模型；
向上时空级联模型构建步骤：针对不是底级时空的每一时空，并针对所述时空的每一子时空，将所述时空的时空预测模型的预期结果或预测结果、所述时空与所述子时空的时空关系、所述时空的时空分辨率、所述子时空的时空分辨率、所述子时空的时空预测模型的输入数据、预测结果作为输入，所述子时空的时空预测模型的预期结果作为预期输出，对深度学习神经网络模型进行训练，得到所述时空的子时空向上时空级联深度学习神经网络模型；在使用向上时空级联深度学习神经网络模型时，将所述时空的时空预测模型的预期结果或预测结果、所述时空与所述子时空的时空关系、所述时空的时空分辨率、所述子时空的时空分辨率、所述子时空的时空预测模型的预测结果作为输入，通过所述时空的子时空向上时空级联深度学习神经网络模型的计算，得到的输出作为所述子时空的向上时空级联深度学习神经网络模型的预测结果；所述时空与所述子时空的时空关系的表达方式包括将所述时空与所述子时空在时态地图中进行表示。
2.根据权利要求1所述的提前预警方法，其特征在于，所述方法还包括：
向下时空级联模型构建步骤：针对不是底级时空的每一时空，获取所述时空的所有子时空，将每一所述子时空的时空预测模型的预期结果或预测结果、所述时空与每一所述子时空的时空关系、所述时空的时空分辨率、每一所述子时空的时空分辨率、所述时空的时空预测模型的输入数据、预测结果作为输入，所述时空的时空预测模型的预期结果作为预期输出，对深度学习神经网络模型进行训练，得到所述时空的向下时空级联深度学习神经网络模型；在使用向下时空级联深度学习神经网络模型时，将每一所述子时空的时空预测模型的预期结果或预测结果、所述时空与每一所述子时空的时空关系、所述时空的时空分辨率、每一所述子时空的时空分辨率、所述时空的时空预测模型的预测结果作为输入，通过所述时空的向下时空级联深度学习神经网络模型的计算，得到的输出作为所述时空的向下时空级联深度学习神经网络模型的预测结果。
3.根据权利要求2所述的提前预警方法，其特征在于，所述方法还包括：
双向时空级联模型构建步骤：针对不是底级时空且不是顶级时空的每一时空，将所述时空的向下时空级联深度学习神经网络模型的预测结果、所述时空的向上时空级联深度学习神经网络模型的预测结果作为输入，将所述时空的预期结果作为输出，对深度学习神经网络模型进行训练，得到所述时空的双向时空级联深度学习神经网络模型；在使用时，将所述时空的向下时空级联深度学习神经网络模型的预测结果、所述时空的向上时空级联深度学习神经网络模型的预测结果作为输入，经过所述时空的双向时空级联深度学习神经网络模型的计算，得到的输出作为所述时空的预测结果。
4.根据权利要求3所述的提前预警方法，其特征在于，所述方法还包括：
底级时空预测步骤：针对是底级时空的每一时空，将所述时空的向上时空级联深度学习神经网络模型的预测结果作为所述时空的预测结果；
顶级时空预测步骤：针对是顶级时空的每一时空，将所述时空的向下时空级联深度学习神经网络模型的预测结果作为所述时空的预测结果；
双向时空预测步骤：针对是不是底级时空且不是顶级时空的每一时空，将所述时空的双向时空级联深度学习神经网络模型的预测结果作为所述时空的预测结果。
5.一种提前预警系统，其特征在于，所述系统包括：
目标传染病模块：将待预警的传染病作为目标传染病；
传染病监测数据获取模块：采集每一区域每一时段的目标传染病监测数据，作为目标传染病的每一时空数据，将所述每一区域作为所述每一时空数据的所属区域，将所述每一时段作为所述每一时空数据的所属时段，将所述每一区域和所述每一时段作为所述每一时空数据的所属时空；获取每一区域每一时段的目标传染病监测数据的时空分辨率；时空分辨率包括时间分辨率和空间分辨率；
空间结构生成模块：获取每一区域的范围，根据每一区域的范围，判断每一区域所属的区域；若所述每一区域没有所属的区域，则将所述每一区域作为顶级区域；若所述每一区域有所属的区域，则将所属的区域作为所述每一区域的父区域，将所述每一区域作为所属的区域的子区域；若所述每一区域没有子区域，则将所述每一区域作为底级区域；
时段结构生成模块：获取每一时段的范围，根据每一时段的范围，判断每一时段所属的时段；若所述每一时段没有所属的时段，则将所述每一时段作为顶级时段；若所述每一时段有所属的时段，则将所属的时段作为所述每一时段的父时段，将所述每一时段作为所属的时段的子时段；若所述每一时段没有子时段，则将所述每一时段作为底级时段；
时空结构生成模块：获取每一时空的范围，根据每一时空的范围，判断每一时空所属的时空；若一个时空的区域范围属于另一个时空的区域范围且所述一个时空的时段范围属于所述另一个时空的时段范围，则所述一个时空属于所述另一个时空；若所述每一时空没有所属的时空，则将所述每一时段作为顶级时空；若所述每一时空有所属的时空，则将所属的时空作为所述每一时段的父时空，将所述每一时空作为所属的时段的子时空；若所述每一时空没有子时空，则将所述每一时空作为底级时空；
时空预测模块：将每一时空数据和所述每一时空数据所属时空的目标传染病的预测结果作为输入和预期输出对深度学习模型进行训练，得到所述所属时空的时空预测模型；
向上时空级联模型构建模块：针对不是底级时空的每一时空，并针对所述时空的每一子时空，将所述时空的时空预测模型的预期结果或预测结果、所述时空与所述子时空的时空关系、所述时空的时空分辨率、所述子时空的时空分辨率、所述子时空的时空预测模型的输入数据、预测结果作为输入，所述子时空的时空预测模型的预期结果作为预期输出，对深度学习神经网络模型进行训练，得到所述时空的子时空向上时空级联深度学习神经网络模型；在使用向上时空级联深度学习神经网络模型时，将所述时空的时空预测模型的预期结果或预测结果、所述时空与所述子时空的时空关系、所述时空的时空分辨率、所述子时空的时空分辨率、所述子时空的时空预测模型的预测结果作为输入，通过所述时空的子时空向上时空级联深度学习神经网络模型的计算，得到的输出作为所述子时空的向上时空级联深度学习神经网络模型的预测结果；所述时空与所述子时空的时空关系的表达方式包括将所述时空与所述子时空在时态地图中进行表示。
6.根据权利要求5所述的提前预警系统，其特征在于，所述系统还包括：
向下时空级联模型构建模块：针对不是底级时空的每一时空，获取所述时空的所有子时空，将每一所述子时空的时空预测模型的预期结果或预测结果、所述时空与每一所述子时空的时空关系、所述时空的时空分辨率、每一所述子时空的时空分辨率、所述时空的时空预测模型的输入数据、预测结果作为输入，所述时空的时空预测模型的预期结果作为预期输出，对深度学习神经网络模型进行训练，得到所述时空的向下时空级联深度学习神经网络模型；在使用向下时空级联深度学习神经网络模型时，将每一所述子时空的时空预测模型的预期结果或预测结果、所述时空与每一所述子时空的时空关系、所述时空的时空分辨率、每一所述子时空的时空分辨率、所述时空的时空预测模型的预测结果作为输入，通过所述时空的向下时空级联深度学习神经网络模型的计算，得到的输出作为所述时空的向下时空级联深度学习神经网络模型的预测结果。
7.根据权利要求6所述的提前预警系统，其特征在于，所述系统还包括：
双向时空级联模型构建模块：针对不是底级时空且不是顶级时空的每一时空，将所述时空的向下时空级联深度学习神经网络模型的预测结果、所述时空的向上时空级联深度学习神经网络模型的预测结果作为输入，将所述时空的预期结果作为输出，对深度学习神经网络模型进行训练，得到所述时空的双向时空级联深度学习神经网络模型；在使用时，将所述时空的向下时空级联深度学习神经网络模型的预测结果、所述时空的向上时空级联深度学习神经网络模型的预测结果作为输入，经过所述时空的双向时空级联深度学习神经网络模型的计算，得到的输出作为所述时空的预测结果；
底级时空预测模块：针对是底级时空的每一时空，将所述时空的向上时空级联深度学习神经网络模型的预测结果作为所述时空的预测结果；
顶级时空预测模块：针对是顶级时空的每一时空，将所述时空的向下时空级联深度学习神经网络模型的预测结果作为所述时空的预测结果；
双向时空预测模块：针对是不是底级时空且不是顶级时空的每一时空，将所述时空的双向时空级联深度学习神经网络模型的预测结果作为所述时空的预测结果。
8.一种提前预警装置，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。
9.一种提前预警机器人，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。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-4任意一项所述方法的步骤。
CN202011629850.XA 2020-12-30 2020-12-30 基于大数据监测和深度学习级联预测的提前预警方法 Active CN112735600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011629850.XA CN112735600B (zh) 2020-12-30 2020-12-30 基于大数据监测和深度学习级联预测的提前预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011629850.XA CN112735600B (zh) 2020-12-30 2020-12-30 基于大数据监测和深度学习级联预测的提前预警方法

Publications (2)

Publication Number Publication Date
CN112735600A CN112735600A (zh) 2021-04-30
CN112735600B true CN112735600B (zh) 2023-06-27

Family

ID=75608217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011629850.XA Active CN112735600B (zh) 2020-12-30 2020-12-30 基于大数据监测和深度学习级联预测的提前预警方法

Country Status (1)

Country Link
CN (1) CN112735600B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020125361A1 (zh) * 2018-12-17 2020-06-25 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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256562B (zh) * 2018-01-09 2022-04-15 深圳大学 基于弱监督时空级联神经网络的显著目标检测方法及系统
CN109410575B (zh) * 2018-10-29 2020-05-01 北京航空航天大学 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法
CN110516605A (zh) * 2019-08-28 2019-11-29 北京观微科技有限公司 基于级联神经网络的任意方向舰船目标检测方法
CN111522893B (zh) * 2020-03-21 2021-02-19 河南大学 一种高时空分辨率道路扬尘源排放清单制备方法
CN111914043B (zh) * 2020-05-29 2024-05-31 淘宝（中国）软件有限公司 时空数据编码方法及装置、存储介质、计算设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020125361A1 (zh) * 2018-12-17 2020-06-25 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

Also Published As

Publication number Publication date
CN112735600A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
WO2021063171A1 (zh) 决策树模型的训练方法、系统、存储介质及预测方法
CN112216101B (zh) 一种基于弹性学习框架的交通预测方法及系统
KR20200063943A (ko) 기계학습을 적용한 가상 네트워크 기능 자원의 수요 예측 방법
CN113656696A (zh) 一种会话推荐方法及装置
CN110610346A (zh) 智能办公自动化系统工作流实例时间预测分析
CN115331460A (zh) 一种基于深度强化学习的大规模交通信号控制方法及装置
Zhu et al. Tri-HGNN: Learning triple policies fused hierarchical graph neural networks for pedestrian trajectory prediction
CN108198072A (zh) 一种人工智能评估金融产品特征的系统
CN112735600B (zh) 基于大数据监测和深度学习级联预测的提前预警方法
Li et al. A novel ensemble learning approach for intelligent logistics demand management
Liu et al. Cross-modal generative semantic communications for mobile aigc: Joint semantic encoding and prompt engineering
Ikhlasse et al. An overall statistical analysis of AI tools deployed in cloud computing and networking systems
Sateesh et al. Optimized ensemble learning‐based student's performance prediction with weighted rough set theory enabled feature mining
Li et al. A cloud computing-based approach for efficient processing of massive machine tool diagnosis data
CN112580702B (zh) 多传感器协同感知方法及装置
Liu et al. Dual‐stage time series analysis on multifeature adaptive frequency domain modeling
Sun et al. The Classification Method of Urban Architectural Styles Based on Deep Learning and Street View Imagery
Sun et al. A short term wind speed forecasting method using signal decomposition and extreme learning machine
Koley et al. Concepts and Techniques in Deep Learning Applications in the Field of IoT Systems and Security
CN117724858B (zh) 地理空间分析模型调度方法、装置、设备及介质
Wang et al. Evaluation of AIoT-based Smart Lighting System: An IDex Case Study
Bharadwaj¹ et al. 2. An Investigation of Machine Learning Approaches and their Impact on Resource Management & Sustainable Development
CN118627641A (zh) 基于多任务学习的近实时态势预测方法及装置
Ren Data Science Analysis Method Design via Big Data Technology and Attention Neural Network
Moudoud et al. Green machine learning for Internet-of-Things

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