CN112801305A - 应对策略预测处理方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种基于人工智能的应对策略预测处理方法、装置、计算机设备和存储介质。该方法包括：获取历史时间序列；所述历史时间序列，包括各个时间点下的历史应对策略和由所述历史应对策略产生的真实应对结果；对所述历史应对策略进行反事实修改，得到反事实应对策略；根据所述历史时间序列中位于第一时间段内的真实应对结果，预测在所述反事实应对策略下产生的位于第二时间段内的预测应对结果；根据所述历史时间序列，确定位于所述第二时间段内的参照应对结果；比对位于所述第二时间段内的参照应对结果与所述预测应对结果，得到比对结果；所述比对结果，用于对所述反事实应对策略进行有效性预测。采用本方法能够提高信息量。

Description

应对策略预测处理方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术和人工智能技术领域，特别是涉及一种应对策略预测处理方法、装置、计算机设备和存储介质。

背景技术

计算机技术和人工智能技术的发展为社会生活带来了很多便利，人们可以通过计算机对社会生活中的各种情况进行分析和预测，从而在面临一些情况的时候，能够起到一定的参考作用。

传统方法中，一般是根据历史数据，对未来发展趋势进行线性预测。然而，这种仅基于历史数据对未来发展趋势进行线性预测，具有一定的局限性，导致预测得到的信息量比较少，从而能够起参考作用的信息量比较少。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高信息量的应对策略预测处理方法、装置、计算机设备、存储介质、以及计算机程序产品或计算机程序。

一种应对策略预测处理方法，所述方法包括：

获取历史时间序列；所述历史时间序列，包括各个时间点下的历史应对策略和由所述历史应对策略产生的真实应对结果；

对所述历史应对策略进行反事实修改，得到反事实应对策略；

根据所述历史时间序列中位于第一时间段内的真实应对结果，预测在所述反事实应对策略下产生的位于第二时间段内的预测应对结果；

根据所述历史时间序列，确定位于所述第二时间段内的参照应对结果；比对位于所述第二时间段内的参照应对结果与所述预测应对结果，得到比对结果；所述比对结果，用于对所述反事实应对策略进行有效性预测。

一种应对策略预测处理装置，所述装置包括：

获取模块，用于获取历史时间序列；所述历史时间序列，包括各个时间点下的历史应对策略和由所述历史应对策略产生的真实应对结果；

修改模块，用于对所述历史应对策略进行反事实修改，得到反事实应对策略；

预测模块，用于根据所述历史时间序列中位于第一时间段内的真实应对结果，预测在所述反事实应对策略下产生的位于第二时间段内的预测应对结果；

比对模块，用于根据所述历史时间序列，确定位于所述第二时间段内的参照应对结果；比对位于所述第二时间段内的真实应对结果与所述预测应对结果，得到比对结果；所述比对结果，用于对所述反事实应对策略进行有效性预测。

在一个实施例中，比对模块还用于从所述历史时间序列中，选取位于所述第二时间段内的真实应对结果，得到参照应对结果；或，根据所述位于第一时间段内的真实应对结果，预测在所述第一时间段所对应的历史应对策略下产生的位于第二时间段内的应对结果，得到参照应对结果。

在一个实施例中，修改模块还用于针对单个历史应对策略，保持所述历史应对策略的策略主体不变，对所述历史应对策略进行实施方式上的反事实修改，得到反事实应对策略；其中，所述反事实应对策略，与所述历史应对策略的策略主体相同、且实施方式不同。

在一个实施例中，修改模块还用于保持所述历史应对策略的策略主体不变，对所述历史应对策略的实施强度和实施时间中的至少一种进行反事实修改。

在一个实施例中，修改模块还用于根据所述历史应对策略，确定多种待组合的应对策略；对多种待组合的所述应对策略进行组合，得到反事实应对策略；其中，进行组合得到的反事实应对策略，是包括至少两种所述应对策略的策略组合。

在一个实施例中，修改模块还用于对历史应对策略进行实施方式上的反事实修改，得到初步反事实应对策略；从所述初步反事实应对策略中选取至少部分初步反事实策略，得到待组合的应对策略。

在一个实施例中，所述历史时间序列，还包括各个时间点下的应对结果影响因素；预测模块还用于根据所述历史时间序列中位于第一时间段内的真实应对结果和应对结果影响因素，预测在所述反事实应对策略下产生的位于第二时间段的预测应对结果。

在一个实施例中，预测模块还用于从历史时间序列中，选取位于第一时间段内各个时间点下的真实应对结果；将选取的各时间点下的真实应对结果和所述反事实应对策略，输入至预先训练的预测模型中；通过所述预测模型，预测出在所述反事实应对策略下产生的位于第二时间段内的预测应对结果。

在一个实施例中，所述装置还包括：

模型训练模块，用于获取总样本时间序列；所述总样本时间序列中包括在各个时间点下的样本历史应对策略和由样本历史应对策略产生的样本真实应对结果；将所述总样本时间序列按照时间划分，得到多组样本时间序列； 在每轮迭代中，针对每组样本时间序列，将样本时间序列输入至待训练的预测模型，输出所述样本历史应对策略下产生的位于第二样本时间段的样本预测应对结果；所述第二样本时间段晚于所述样本时间序列中各时间点构成的第一样本时间段；从总样本时间序列中，确定位于第二样本时间段内的样本真实应对结果；根据位于所述第二样本时间段内的样本真实应对结果和样本预测应对结果之间的差异，调整所述预测模型的模型参数并继续进行迭代，直至满足迭代停止条件，得到训练完成的预测模型。

在一个实施例中，所述第二样本时间段，是在所述第一样本时间段中各时间点上分别增加预设时长后得到；模型训练模块还用于确定所述总样本时间序列中候选的样本时间序列；所述候选的样本时间序列，是所述总样本时间序列中除满足所述预设时长的末尾样本时间序列之外，剩余的样本时间序列；分别将所述候选的样本时间序列中每个时间点作为当前时间点，并将所述当前时间点所对应的分组时间段内的样本时间序列划分为一组；其中，分组时间段，是从所述当前时间点起，连续地选取至少部分在先时间点所构成的时间段。

在一个实施例中，比对模块还用于针对位于所述第二时间段内每个时间点，将所述时间点下的参照应对结果和预测应对结果进行比对，得到比对结果。

在一个实施例中，所述预测应对结果包括在所述第二时间段内各时间点下至少一种指标对应的预测应对结果；比对模块还用于将位于第二时间段内的、且对应于同一指标的预测应对结果进行汇总，得到各指标分别对应的预测总应对结果；将位于第一时间段内的、且对应于同一指标的参照应对结果进行汇总，得到各指标分别对应的参照总应对结果；将同一指标对应的预测总应对结果和参照总应对结果进行比对，得到比对结果。

在一个实施例中，所述历史应对策略，是针对疫情采取的历史管控措施；所述真实应对结果，是在历史管控措施的管控下已产生的真实疫情数据；所述反事实应对策略，是针对疫情的反事实管控措施；预测模块还用于根据所述历史时间序列中位于第一时间段内的真实疫情数据，预测在所述反事实管控措施下产生的位于第二时间段内的预测疫情数据。

一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行本申请各实施例所述的应对策略预测处理方法中的步骤。

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行本申请各实施例所述的应对策略预测处理方法中的步骤。

一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中；计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得所述计算机设备执行本申请各实施例所述的应对策略预测处理方法中的步骤。

上述应对策略预测处理方法、装置、计算机设备、存储介质、计算机程序产品或计算机程序，获取历史时间序列；所述历史时间序列，包括各个时间点下的历史应对策略和由所述历史应对策略产生的真实应对结果；对所述历史应对策略进行反事实修改，得到反事实应对策略；根据所述历史时间序列中位于第一时间段内的真实应对结果，预测在所述反事实应对策略下产生的位于第二时间段内的预测应对结果；比对位于所述第二时间段内的真实应对结果与所述预测应对结果，得到比对结果。通过将历史时间序列和反事实推理结合起来进行非线性处理，充分利用了历史数据的有效信息，能够挖掘出有效的全新的反事实应对策略，大大提高了可供参考的信息量。

附图说明

图1为一个实施例中应对策略预测处理方法的应用环境图；

图2为一个实施例中应对策略预测处理方法的流程示意图；

图3为一个实施例中模型训练步骤的流程示意图；

图4为一个实施例中预测模型的输入和输出的示意图；

图5为一个实施例中模型训练的示意图；

图6为一个实施例中预测模型的预测结果的示意图；

图7为一个实施例中的对比结果示意图；

图8为一个实施例中应对策略预测处理的原理示意图；

图9为一个实施例中反事实管控措施间对比的结果示意图；

图10为一个实施例中管控措施组合的个案研究结果示意图；

图11为一个实施例中应对策略预测处理装置的结构框图；

图12为一个实施例中应对策略预测处理装置的结构框图；

图13为一个实施例中计算机设备的内部结构图；

图14为另一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的应对策略预测处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。

服务器104可以历史时间序列；所述历史时间序列，包括各个时间点下的历史应对策略和由所述历史应对策略产生的真实应对结果。服务器104可以对历史应对策略进行反事实修改，得到反事实应对策略。服务器104可以根据所述历史时间序列中位于第一时间段内的真实应对结果，预测在所述反事实应对策略下产生的位于第二时间段内的预测应对结果。服务器104可以根据所述历史时间序列，确定位于所述第二时间段内的参照应对结果；比对位于所述第二时间段内的参照应对结果与所述预测应对结果，得到比对结果。服务器104可以根据该比对结果，对所述反事实应对策略进行有效性预测。进一步地，服务器104可以将有效性预测的结果输出至终端102，以提供有效的应对策略参考。

其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。

需要说明的是，本申请一些实施例中的应对策略预测处理方法使用到了人工智能技术。比如，预测在反事实应对策略下产生的预测应对结果，则可以使用人工智能技术来进行预测，具体可以使用人工智能技术训练预测模型，基于预测模型来预测在反事实应对策略下产生的预测应对结果。

人工智能(Artificial Intelligence, AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。可以理解，本申请部分实施例中的预测模型，则相当于使用机器学习技术训练的神经网络模型。

机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

在一个实施例中，本申请的应对策略预测处理方法可以采用区块链技术来实现。比如：各历史时间序列可以存储于区块链的节点中，以避免历史时间序列被篡改，从而提高了后续预测处理的准确性。

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。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。

区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。平台产品服务层提供典型应用的基本能力和实现框架，开发人员可以基于这些基本能力，叠加业务的特性，完成业务逻辑的区块链实现。应用服务层提供基于区块链方案的应用服务给业务参与方进行使用。

在一个实施例中，如图2所示，提供了一种应对策略预测处理方法，该应对策略预测处理方法可以由服务器或终端执行，也可以由终端和服务器共同执行。本申请实施例以该方法应用于计算机设备为例进行说明，计算机设备可以为终端或服务器，具体包括以下步骤：

步骤202，获取历史时间序列；历史时间序列，包括各个时间点下的历史应对策略和由历史应对策略产生的真实应对结果。

其中，历史时间序列，是根据历史的时间点排序的已产生的一系列记录。

历史的时间点，是指已经发生过的时间点。可以理解，在每个历史的时间点下都会产生相应的数据或者记录，那么，多个连续的历史的时间点下所产生的记录，则构成了历史时间序列。即，历史时间序列中每个时间点都有对应的记录。每个时间点所对应的记录，即为在该时间点下所产生的记录。比如，在时间点t1、t2和t3下分别产生了相应的记录，则构成了历史时间序列。

可以理解，历史时间序列中每个时间点对应有历史应对策略，以及在该时间点下由历史应对策略产生的真实应对结果。其中，历史应对策略，是已经用来应对目标对象的策略。真实应对结果，则是在每个时间点下在实施历史应对策略后产生的真实的应对结果。可以理解，由于历史时间序列中的时间点是已经发生过的时间点，所以，真实应对结果也属于历史记录，即，是已经产生的应对结果。

为了便于理解，现举例说明。假设目标对象是疫情，那么，历史应对策略，则是已经用来应对疫情的策略，比如，可以是居家隔离政策、戴口罩管理以及禁止聚集等用来应对疫情的策略。真实应对结果，则可以是实施这些应对策略后，所产生的疫情数据或者疫情记录。比如，如果时间点是以日为度量，则在实施这些应对策略后，因疫情造成的真实的单日新增和/或死亡的人数则属于真实应对结果，那么，历史时间序列则包括连续多日所实施的应对策略所产生的记录，即，历史时间序列中包括每日所实施的历史应对策略和当日因疫情造成的单日新增和/或死亡的人数。

又假设，目标对象是人口老龄化这一问题，那么，历史应对策略，则是已经用来应对人口老龄化这一问题的策略，比如，开放二孩生育的政策。假设时间点是以年为度量，那么，在实施这些应对策略后每年的人口结构分布或变化情况，则属于真实应对结果。

需要说明的是，目标对象可以是需要实现的目标和需要解决的问题等中的至少一种。比如，人才引进则属于需要实现的目标，疫情或人口老龄化则属于需要解决的问题。

可以理解，历史时间序列中还可以包括在各个时间点下的其他数据或记录。在一个实施例中，历史时间序列中还可以包括在各个时间点下的应对结果影响因素。即，一个时间点可以对应历史应对策略、应对结果影响因素以及由历史应对策略产生的真实应对结果。可以理解，这种情况下产生的真实应对结果，则可以是由历史应对策略和应对结果影响因素共同作用所产生的。

其中，应对结果影响因素，是对应对结果起影响作用的因素。

在一个实施例中，应对结果影响因素可以包括固定影响因素和时间混杂因素。固定影响因素，是不随时间变化的、且对于应对结果来说起影响作用的因素。时间混杂因素，是随时间变化的、且对于应对结果来说起影响作用的因素。

步骤204，对历史应对策略进行反事实修改，得到反事实应对策略。

其中，反事实修改，是指对历史应对策略进行相反的修改。反事实应对策略，是与真实的历史应对策略相反的应对策略。即，历史应对策略是事实上真实的策略，对其进行与事实相反的修改，即可以得到反事实应对策略。

在一个实施例中，计算机设备可以对历史应对策略进行实施方式上的反事实修改。其中，进行实施方式上的反事实修改，是指保持策略主体不变，仅改变实施方式。

在另一个实施例中，计算机设备也可以对历史应对策略进行反事实的策略变更。其中，反事实的策略变更，是指将历史应对策略修改为相反的策略。即，策略主体发生变化。

在其他实施例中，计算机设备还可以对历史应对策略进行组合，得到的策略组合也属于反事实应对策略。比如，对历史应对策略1和2进行组合，得到新的应对策略即为反事实应对策略。

因而，反事实应对策略，可以通过对历史应对策略进行实施方式上的反事实修改、进行反事实的策略变更以及进行组合等至少一种反事实修改方式得到。

可以理解，计算机设备可以针对历史时间序列中至少部分时间点下的历史应对策略进行反事实修改，得到反事实应对策略。

步骤206，根据历史时间序列中位于第一时间段内的真实应对结果，预测在反事实应对策略下产生的位于第二时间段内的预测应对结果。

在一个实施例中，第一时间段和第二时间段位于历史时间序列所对应的时间段中，即属于历史时间序列所对应的时间段中的一部分。第二时间段晚于第一时间段。历史时间序列所对应的时间段，是历史时间序列中各时间点所构成的时间段。

比如，历史时间序列中依次包括时间点T1、T2、……Tn，那么，T1~Tn这段时间，就属于历史时间序列所对应的时间段。那么，假设T1~T5为第一时间段，若第一时间段和第二时间段之间相隔的时长为14，那么，第二时间段则可以为T15~T19。

其中，位于第一时间段内的真实应对结果，是指位于第一时间段内的各时间点下的真实应对结果（即，位于第一时间段内的各时间点对应的真实应对结果）。预测应对结果，是基于预测推理的、非真实的应对结果。位于第二时间段内的预测应对结果，是指位于第二时间段内的各时间点下的预测应对结果。

具体地，计算机设备可以从历史时间序列中获取位于第一时间段内各时间点下的真实应对结果，并根据位于第一时间段内的真实应对结果，预测在反事实应对策略下产生的位于第二时间段内的预测应对结果。即，基于位于第一时间段内的真实应对结果，预测推理若用反事实应对策略应对目标对象，可能在后续的第二时间段内各时间点下分别产生的应对结果。

在一个实施例中，计算机设备可以按照预设规则或者随机确定第一时间段，并确定位于第一时间段之后预设时长的第二时间段。比如，第一时间段为2021年2月1日至2021年2月3日，预设时长为14天，则确定第二时间段为2021年2月15日至2021年2月17日。计算机设备进而可以根据位于第一时间段内的真实应对结果，预测在反事实应对策略下产生的位于第二时间段内的预测应对结果。在其他实施例中，第二时间段可以不是第一时间段加上预设时长得到的，也可以是指定的具体时间段，比如，指定2021年2月7日至2021年2月14日这段时间为第二时间段。

在一个实施例中，计算机设备可以通过机器学习模型来根据位于第一时间段内的真实应对结果，预测在反事实应对策略下产生的位于第二时间段内的预测应对结果。在其他实施例中，计算机设备还可以通过其他非线性处理来预测在反事实应对策略下产生的位于第二时间段内的预测应对结果。

在其他实施例中，第二时间段也可以不位于历史时间序列所对应的时间段中。可以理解，若第二时间段不位于历史时间序列所对应的时间段中，则步骤208中的参照应对结果则不包括于历史时间序列中，而可以是根据位于第一时间段内的真实应对结果，预测出在第一时间段所对应的历史应对策略下产生的位于第二时间段内的应对结果。

步骤208，根据历史时间序列，确定位于第二时间段内的参照应对结果。

其中，参照应对结果，是接近于真实情况的能够用作参照（即起参照作用）的应对结果。

在一个实施例中，位于第二时间段内的参照应对结果，是第二时间段内各时间点下的参照应对结果。

在一个实施例中，参照应对结果可以是真实应对结果本身。这种情况下，历史时间序列中可以包括第二时间段内的真实应对结果，即，历史时间序列中各个时间点包括第二时间段内各时间点，历史时间序列中包括第二时间段内各时间点对应的真实应对结果。计算机设备则可以从历史时间序列中，选取位于所述第二时间段内的真实应对结果，作为参照应对结果。

这种情况下，将真实应对结果作为参照应对结果，与在反事实应对策略下产生的预测应对结果进行比对，能够提高处理的准确性。

在一个实施例中，参照应对结果也可以不包括于历史时间序列中，计算机设备则可以根据位于第一时间段内的真实应对结果，预测出在第一时间段所对应的历史应对策略下产生的位于第二时间段内的应对结果，将该基于历史应对策略预测的应对结果，作为参照应对结果。

其中，第一时间段对应的历史应对策略，是第一时间段内各时间点下的历史应对策略（即第一时间段内各时间点所对应的历史应对策略）。

具体地，计算机设备可以根据位于第一时间段内各时间点下的真实应对结果，预测在这段时间内所采用的历史应对策略下，未来的第二时间段内可能产生的应对结果，并将预测的该应对结果作为参照应对结果。可以理解，预测的参照应对结果与真实情况比较接近，因此可以用来作为参照，与在反事实应对策略下产生的预测应对结果进行比对。

这种情况下，就可以不用使用过多真实记录（即不用使用大量的历史时间序列），比如，不需要第二时间段内必须有真实记录，就能够对反事实应对策略实现有效性预测，节省了数据成本。而且，在后续的真实情况尚未产生的情况下，就能对反事实应对策略进行有效性预测，实现了前瞻性和预防性，大大提高了应对效率和应对成功率，减少了损失，节省了成本。

步骤210，比对位于第二时间段内的参照应对结果与预测应对结果，得到比对结果；比对结果，用于对所述反事实应对策略进行有效性预测。

在一个实施例中，计算机设备可以以时间点为单位，将第二时间段内同一时间点下的参照应对结果和预测应对结果进行比对。在另一个实施例中，计算机设备也可以以时间段为单位，将第二时间段内的各个参照应对结果汇总，并将各个预测应对结果进行汇总，然后比对汇总后的数据。

可以理解，比对结果能够表征预测应对结果和参照应对结果之间的差异，该差异一定程度上能够表征反事实应对策略的可行性或者有效性。因此，计算机设备可以根据该比对结果，对反事实应对策略进行有效性预测，从而预测评估出该反事实应对策略在应对目标对象的时候，是否有效。

在一个实施例中，比对结果可以通过图表、文字以及音频等至少一种形式进行表征。

在一个实施例中，计算机设备可以将多种反事实应对策略的比对结果进行比对，以从多种反事实应对策略中判定出更为有效的反事实应对策略。

上述应对策略预测处理方法，获取历史时间序列；所述历史时间序列，包括各个时间点下的历史应对策略和由所述历史应对策略产生的真实应对结果；对所述历史应对策略进行反事实修改，得到反事实应对策略；根据所述历史时间序列中位于第一时间段内的真实应对结果，预测在所述反事实应对策略下产生的位于第二时间段内的预测应对结果；比对位于所述第二时间段内的真实应对结果与所述预测应对结果，得到比对结果。通过将历史时间序列和反事实推理结合起来，充分利用了历史数据的有效信息，能够挖掘出有效的全新的反事实应对策略，大大提高了可供参考的信息量。

在一个实施例中，步骤204对所述历史应对策略进行反事实修改，得到反事实应对策略包括：针对单个历史应对策略，保持所述历史应对策略的策略主体不变，对所述历史应对策略进行实施方式上的反事实修改，得到反事实应对策略。

其中，所述反事实应对策略，与所述历史应对策略的策略主体相同、且实施方式不同。策略主体，是指策略的指导实质。保持策略主体不变，相当于保持策略的指导方向不变。实施方式，实施某项历史应对策略时的方式。保持策略主体不变而进行实施方式上的反事实修改，是指仅修改历史应对策略的实施方式而不改变该历史应对策略的策略方向本身，即，修改后的反事实应对策略在策略指导方向上相同，仅实施方式不同。

可以理解，同一应对策略，实施方式不同，所产生的结果或者效果也可能会不同。比如，针对应对疫情制定的居家隔离政策，严格执行和放松执行就属于两种不同的实施方式，所能够达到的疫情控制效果或者疫情应对结果也就可能存在不同。假设，放松执行居家隔离政策是历史应对策略，进行反事实修改后得到严格执行居家隔离政策这一反事实应对策略，二者的策略指导方向是一致的，即都是要居家隔离，仅在实施方式上一个是严格执行，一个是放松执行。

需要说明的是，针对一个目标对象的历史应对策略（即用于应对一个目标对象的历史应对策略）可以为至少一个，那么，可以对其中的至少部分（即一部分或全部）进行反事实修改，即，进行反事实修改的历史应对策略为至少一个。针对需要进行反事实修改的历史应对策略，计算机设备可以通过实施方式、策略变更以及策略组合等至少一种修改方式对其进行反事实修改。

针对需要通过实施方式进行反事实修改的单个历史应对策略（即某个历史应对策略），计算机设备可以保持所述历史应对策略的策略主体不变，对该历史应对策略进行实施方式上的反事实修改，得到反事实应对策略。

在一个实施例中，实施方式包括实施强度以及实施时间等中的至少一种。即，计算机设备可以在保持所述历史应对策略的策略主体不变的情况下，对所述历史应对策略的实施强度和实施时间中的至少一种进行反事实修改。

其中，实施强度，是指策略的执行力度或者实施力度。在一个实施例中，实施强度可以包括严格实施、中度实施和轻度实施等中的至少一种。在其他实施例中，实施强度还可以通过数字来进行等级量化表征、或者通过其他分级方式来进行表征。比如，居家隔离14天和居家隔离7天，就属于不同实施强度。

实施时间，是指策略被实施的时间。可以理解，可以对历史应对策略的起始实施时间点和结束实施时间点中的至少一个进行反事实修改。起始实施时间点，是策略被开始实施的时间点。结束实施时间点，是策略结束实施的时间点。

同样以针对应对疫情制定的居家隔离政策为例，对实施时间的修改进行说明。假设，从3月8日开始执行居家隔离政策是历史应对策略，进行反事实修改后得到1月1日开始执行居家隔离政策这一反事实应对策略，二者的策略指导方向是一致的，即都是要居家隔离，仅在实施方式上一个是3月份开始执行的，一个是假设提前到1月份就开始执行，这就属于修改起始实施时间点。又假设从5月1日开始取消居家隔离政策是历史应对策略，进行反事实修改后得到4月1日开始取消居家隔离政策这一反事实应对策略，这就属于修改结束实施时间点。又比如，历史应对策略是3月8日到5月1日实施居家隔离政策，进行反事实修改后得到1月1日到4月1日实施居家隔离政策，这就属于对起始和结束实施时间点都进行修改。

上述实施例中，对历史应对策略进行实施方式上的反事实修改，进而充分利用历史数据中的有效信息，进行反事实推断预测，从而能够灵活地对不同实现方式上的反事实应对策略进行有效性预测或判定，非常灵活，从而能够挖掘出更多可参考的信息量。

在一个实施例中，计算机设备也可以对历史应对策略在策略主体层面进行反事实修改。即，对历史应对策略进行反事实策略变更，以将历史应对策略修改为相反的策略。可以理解，这种情况下，修改后得到的反事实应对策略和策略主体发生变化。比如，历史应对策略是关闭学校，进行策略主体层面的反事实修改，可以得到开放学校的反事实应对策略。

在一个实施例中，所述对所述历史应对策略进行反事实修改，得到反事实应对策略包括：根据所述历史应对策略，确定多种待组合的应对策略；对多种待组合的所述应对策略进行组合，得到反事实应对策略。

其中，待组合的应对策略，是指待进行策略组合的应对策略。进行组合得到的反事实应对策略，是包括至少两种所述应对策略的策略组合。

在一个实施例中，进行组合得到的反事实应对策略，对应于相同时间（即相同时间段）。比如，在T1~T5这段时间内，历史应对策略仅有居家隔离，然后，T4~T8这段时间内，有关闭学校这一历史应对策略，因此，二者可以组合起来，得到在T1~T5这段时间内同时实施居家隔离和关闭学校这两种历史应对策略，即为组合得到的反事实应对策略。

可以理解，应对策略包括策略主体和实施方式，实施方式又包括实施时间，所以，实施时间不同也属于不同的应对策略，因而，将不同时间下的历史应对策略进行组合，从而在相同时间下对应得到的策略组合，也属于反事实修改的一种方式，组合得到的相同时间下的策略组合，也属于反事实应对策略。

在一个实施例中，待组合的应对策略可以是部分历史应对策略。即，待组合的应对策略实质上仍属于未进行反事实修改过的历史应对策略。计算机设备则可以将这部分历史应对策略进行组合，得到反事实应对策略。

在一个实施例中，所述根据所述历史应对策略，确定多种待组合的应对策略，包括：对历史应对策略进行实施方式上的反事实修改，得到初步反事实应对策略；从所述初步反事实应对策略中选取至少部分初步反事实策略，作为待组合的应对策略。可以理解，计算机设备则可以基于选取的初步反事实应对策略进行组合，得到反事实应对策略。

比如，历史应对策略包括放松的核酸检测策略以及放松的接触者追踪策略，那么，则可以对二者都进行加强（相当于初步的在实施方式上进行的反事实修改），然后，对加强后的初步反事实应对策略进行组合，即对加强的核酸检测策略以及加强的接触者追踪策略进行组合，使得在同一时间段内既加强实施核酸检测策略又加强实施接触者追踪策略。

上述实施例中，通过策略组合得到反事实应对策略，进而充分利用历史数据中的有效信息，进行反事实推断预测，从而能够灵活地对不同策略组合的反事实应对策略进行有效性预测或判定，非常灵活，从而能够挖掘出更多可参考的信息量。进而，在后续应对过程中，能够提供非常有效的参考价值，为后续应对问题提供非常大的帮助。

在一个实施例中，所述历史时间序列，还包括各个时间点下的应对结果影响因素。本实施例中，步骤206根据所述历史时间序列中位于第一时间段内的真实应对结果，预测在所述反事实应对策略下产生的位于第二时间段内的预测应对结果，包括：根据所述历史时间序列中位于第一时间段内的真实应对结果和应对结果影响因素，预测在所述反事实应对策略下产生的位于第二时间段的预测应对结果。

其中，应对结果影响因素，是对应对结果起影响作用的因素，可以包括固定影响因素和时间混杂因素。

固定影响因素，是不随时间变化的、且对于应对结果来说起影响作用的因素。比如，可以包括人口密度、以及人均GDP等至少一种因素。

时间混杂因素，是随时间变化的、且对于应对结果来说起影响作用的因素。比如，可以包括人口流动性等因素。

可以理解，历史时间序列中各个时间点下除了对应有历史应对策略和由所述历史应对策略产生的真实应对结果以外，还可以对应有应对结果影响因素。

计算机设备则可以根据所述历史时间序列中位于第一时间段内各时间点下的真实应对结果和应对结果影响因素，预测在反事实应对策略下产生的位于第二时间段内各时间点下的预测应对结果。

可以理解，计算机设备可以通机器学习模型，根据位于第一时间段内各时间点下的真实应对结果和应对结果影响因素，预测在反事实应对策略下产生的位于第二时间段内各时间点下的预测应对结果，也可以通过其他非线性处理方式来预测在反事实应对策略下产生的位于第二时间段内各时间点下的预测应对结果。

上述实施例中，基于历史的真实应对结果和应对结果影响因素，能够更为准确地预测在所述反事实应对策略下产生的位于第二时间段的预测应对结果。

在一个实施例中，步骤206根据所述历史时间序列中位于第一时间段内的真实应对结果，预测在所述反事实应对策略下产生的位于第二时间段内的预测应对结果，包括：从历史时间序列中，选取位于第一时间段内各个时间点下的真实应对结果；将选取的各时间点下的真实应对结果和所述反事实应对策略，输入至预先训练的预测模型中；通过所述预测模型，预测出在所述反事实应对策略下产生的位于第二时间段内的预测应对结果。

其中，预测模型，是预先训练的用于对应对结果进行预测的机器学习模型。相当于趋势预测的模型。

具体地，计算机设备可以从历史时间序列中，选取位于第一时间段内各个时间点下的真实应对结果。计算机设备可以将选取的各时间点下的真实应对结果和反事实应对策略，输入至预先训练的预测模型中，以预测出在所述反事实应对策略下产生的位于第二时间段内各时间点下的预测应对结果。

在一个实施例中，若历史时间序列，还包括各个时间点下的应对结果影响因素，那么，计算机设备可以从历史时间序列中，选取位于第一时间段内各个时间点下的真实应对结果和应对结果影响因素，然后，将选取的各个时间点下的真实应对结果、应对结果影响因素、以及反事实应对策略，输入至预先训练的预测模型中，以预测出在所述反事实应对策略下产生的位于第二时间段内各时间点下的预测应对结果。

在其他实施例中，历史时间序列中还可以包括其他对预测起影响作用的因素，在进行预测时，也可以将这些因素也一并输入至预测模型中，以预测出在所述反事实应对策略下产生的位于第二时间段内各时间点下的预测应对结果。

上述实施例中，结合预测模型和反事实应对策略，来进行非线性预测，在预测过程中能够更大程度上挖掘信息，提高了预测准确性。

如图3所示，在一个实施例中，所述预测模型通过模型训练步骤得到；所述模型训练步骤包括：

步骤302，获取总样本时间序列；所述总样本时间序列中包括在各个时间点下的样本历史应对策略和由样本历史应对策略产生的样本真实应对结果。

在一个实施例中，步骤202中的历史时间序列可以包括于总样本时间序列，即，步骤202中的历史时间序列可以属于总样本时间序列的一部分。

可以理解，这种情况下，先用总样本时间序列进行机器学习训练得到预测模型，该预测模型就能够准确知总样本时间序列中的数据分布等情况，因而总样本时间序列更加匹配，所以，将属于总样本时间序列的历史时间序列输入至预测模型中进行处理，能够非常准确地进行预测处理，提高了预测的准确性。

在其他实施例中，步骤202中的历史时间序列也可以不属于总样本时间序列，而是其他时间段内的历史时间序列。本申请各实施例对历史时间序列和总样本时间序列之间的关系不做限定。

步骤304，将所述总样本时间序列按照时间划分，得到多组样本时间序列。

可以理解，每组样本时间序列属于总样本时间序列的一部分。每组样本时间序列中包括该样本时间序列中各时间点下的样本历史应对策略和由样本历史应对策略产生的样本真实应对结果。

具体地，计算机设备可以从总样本时间序列中确定候选的样本时间序列。其中，候选的样本时间序列，是能够用来对第二样本时间段进行预测的样本时间序列。

在一个实施例中，若第二样本时间段是在所述第一样本时间段中各时间点上分别增加预设时长后得到的，那么，候选的样本时间序列，则是总样本时间序列中除满足该预设时长的末尾样本时间序列之外，剩余的样本时间序列。其中，满足该预设时长的末尾样本时间序列，是指位于总样本时间序列的末尾、且相应的时间长度等于该预设时长的样本时间序列。

在一个实施例中，计算机设备可以从候选的样本时间序列中随机选取组合，得到多组样本时间序列。

在另一个实施例中，计算机设备也可以对候选的样本时间序列按照时间先后顺序进行平均或随机切分，得到多组样本时间序列。

在其他实施例中，计算机设备还可以将候选的样本时间序列中每个时间点及其至少部分在先时间点所对应的样本时间序列，划分为一组，得到多组样本时间序列。

在一个实施例中，每组样本时间序列中包括该样本时间序列中各时间点下的样本应对结果影响因素或其他对预测起影响作用的因素。

步骤306，在每轮迭代中，针对每组样本时间序列，将样本时间序列输入至待训练的预测模型，输出所述样本历史应对策略下产生的位于第二样本时间段的样本预测应对结果。

其中，待训练的预测模型，是当前轮次中待训练的预测模型。第二样本时间段，比样本时间序列中各时间点构成的第一样本时间段要晚。第二样本时间段和第一样本时间段都包括于总样本时间序列所对应的时间段中。即，第二样本时间段和第一样本时间段中各时间点，包含于总样本时间序列中各时间点中。

在一个实施例中，样本应对结果影响因素可以包括样本固定影响因素和样本时间混杂因素。

为了便于理解，现结合图4示意说明预测模型的输入和输出。图4是以目标对象为疫情为例进行的示意说明。从图4可知，待训练的预测模型的输入中，病例数据和死亡数据则属于采用样本历史应对策略产生的样本真实应对结果，管控措施记录则属于样本历史应对策略，时变混杂因素和固定因素，则分别属于样本时间混杂因素和样本固定影响因素。预测病例数据和预测死亡数据则属于样本预测应对结果。可以理解，图4中，是以某连续7天为第一样本时间段，将这7天内的新增病例数据、新增死亡数据、管控措施记录、时变混杂因素以及固定因素作为模型的输入，将14天后的连续7天作为第二样本时间段，输出在14天后连续7天内的预测应对结果。即，基于第一样本时间段内已经产生的记录，来预测14天后将要产生的结果（相当于进行发展趋势预测）。

在一个实施例中，待训练的预测模型的结构包括预设层数的长短期记忆网络和一层全连接层。其中，长短期记忆网络是特征提取层，用于进行特征提取，全连接层用于输出预测应对结果。全连接层的输出宽度根据预测应对结果的种类来确定。预测应对结果的种类，即为指标的种类。

在一个实施例中，可以使用4层长短期记忆网络（LSTM，Long Short-Term Memory）进行特征提取，其中4层长短期记忆网络的表示向量宽度分别可以为（128，128，32，32），全连接层的输出宽度可以为2，即，输出2种指标。比如，对于疫情应对场景来说，可以分别输出针对新增病例数和新增死亡数这两种指标的预测指标数据（即预测病例数据和预测死亡数据），因而，全连接层的输出宽度可以为2。可以理解，长短期记忆网络的层数和全连接层的输出宽度可以根据实际需要进行设定。

步骤308，从总样本时间序列中，确定位于第二样本时间段的样本真实应对结果。

可以理解，由于第二时间段包括于总样本时间序列所对应的时间段中，所以，总样本时间序列中包括位于第二样本时间段内的样本真实应对结果，计算机设备可以从总样本时间序列中，确定位于第二样本时间段内的样本真实应对结果。

步骤310，根据位于所述第二样本时间段内的样本真实应对结果和样本预测应对结果之间的差异，调整所述预测模型的模型参数并继续进行迭代，直至满足迭代停止条件，得到训练完成的预测模型。

具体地，计算机设备可以将位于所述第二样本时间段内的样本真实应对结果和样本预测应对结果之间进行差异性比对，朝着使差异减少的方向，调整所述预测模型的模型参数。并将下一轮作为本轮，返回执行306中的针对每组样本时间序列，将样本时间序列输入至待训练的预测模型，输出所述样本历史应对策略下产生的位于第二样本时间段的样本预测应对结果，以及后续的迭代训练步骤，以进行迭代处理，直至满足迭代停止条件，得到训练完成的预测模型。

在一个实施例中，损失函数可以为均方损失函数（MSELoss，Mean Square ErrorLoss）。在其他实施例中，损失函数还可以为其他类型的损失函数，对此不限定。

上述实施例中，将总样本时间序列按照时间划分，基于多组样本时间序列进行迭代训练，能够训练出具有准确预测未来发展趋势的预测模型。

在一个实施例中，所述第二样本时间段，是在所述第一样本时间段中各时间点上分别增加预设时长后，得到的时间段；所述将所述总样本时间序列按照时间划分，得到多组样本时间序列，包括：确定总样本时间序列中候选的样本时间序列；分别将候选的样本时间序列中每个时间点作为当前时间点，并将当前时间点所对应的分组时间段内的样本时间序列划分为一组。

可以理解，第二样本时间段和第一样本时间段的时间长度一致。

其中，候选的样本时间序列，是总样本时间序列中除满足预设时长的末尾样本时间序列之外，剩余的样本时间序列。

满足预设时长的末尾样本时间序列，是指位于总样本时间序列的末尾、且相应的时间长度等于该预设时长的样本时间序列。

分组时间段，是从当前时间点起，连续地选取至少部分在先时间点所构成的时间段。在先时间点，是在当前时间点之前的时间点。

假设对于一个时间长度为N的总样本时间序列，即包括连续的N个时间点的总样本时间序列。若是用第一时间段（假设时间长度为7天）的真实样本序列（即一系列真实数据），预测14天后的预测应对结果，第二时间段就是第一时间段中各时间点上分别增加14天得到的时间段。那么，模型的输入数据就必须是在N-14天之前的真实样本序列，即，第一时间段最晚是N-20至N-14这段时间，因为如果用N-19至N-13这7天的真实样本序列，预测的是N-5至N+1这7天将要产生的预测应对结果，很显然，超出了总样本时间序列，就会存在最后一天N+1的预测应对结果没有真实应对结果进行比对，就无法完成训练。所以，候选的样本时间序列，就是N-14天之前的真实样本序列。总样本时间序列中最后14天内的样本时间序列即为末尾样本时间序列。

然后，计算机设备可以将N-14天之前的样本时间序列中每个时间点都作为当前时间点，分别以每个当前时间点为参照来选取分组数据，因为有N-14个时间点，每个时间点都选取分组数据，则可以获取N-14组样本时间序列。其中，以每个当前时间点来选取分组数据时，可以从第i个当前时间点起，连续地选取至少部分（即，一部分或者全部）在先时间点，将第i个当前时间点和选取的在先时间点所构成的时间段内的样本时间序列划分为一组，如此则可以构造出N-14组样本时间序列。

可以理解，如果是将第i个当前时间点和全部在先时间点构成的时间段内的样本时间序列划分为一组，则相当于将候选的样本时间序列中前i个时间点所对应的样本时间序列划分为一组。比如，对于第1个当前时间点（即候选的样本时间序列中的首位时间点），向待训练的预测模型中输入的样本时间序列，仅为该时间点下的真实数据（包括样本真实应对结果和样本历史应对策略）。对于第2个当前时间点，向待训练的预测模型中输入的样本时间序列，则为前2个时间点（即该第2个当前时间点和其在先的第1个时间点）下的真实数据。对于第5个当前时间点，向待训练的预测模型中输入的样本时间序列，则为前5个时间点（即该第5个当前时间点和其在先的第1~4个时间点）下的真实数据。

那么，待训练的预测模型的输出，则为输入的第一时间段内各时间点增加14天后得到的第二时间段内各时间点下的预测应对结果。比如，输入的是第1~7天（即第一时间段）这段时间内的每天的真实数据，那么，输出的则是14天后，即第15~21天（即第二时间段）这段时间内每天的预测应对结果。

为了便于理解，现结合图5的模型训练示意图进行说明。参照图5，总样本时间序列是时间长度为54天的样本时间序列，要预测14天后的预测应对结果，那么，候选的样本时间序列，就是前50天的真实样本序列，即502。即，前50天的真实样本序列可以用作提供模型输入的训练数据。最后14天的样本时间序列是末尾样本时间序列，则其无法用作可以进行分组的训练数据，而是可以用来提供与预测应对结果进行比对的真实应对结果504（504即为测试数据）。比如，可以将预测的第55天的预测应对结果，与末尾样本时间序列中第55天的真实应对结果进行比对。图5中一共可以划分为50组样本时间序列，第1组即为第一个时间点下的真实数据，第2组即为前2个时间点下的真实数据，以此类推，第50组即为前50个时间点下的真实数据。

然后，可以将50组样本真实序列输入至待训练的预测模型506中进行迭代训练，直至满足迭代停止条件，得到最终的预测模型。506即为基于长短期记忆网络的预测模型的架构示意。

在一个实施例中，可以使用Dropout=0.5, L2_Normalization=0.1来防止预测模型过拟合。

图6用于对预测模型的预测结果进行示意说明，预测的是疫情平均发展趋势。图6中的（a）图用于对疫情的新增病例进行示意，（b）图用于对疫情的新增死亡数进行示意。实线是真实数据，虚线是预测数据，从图6可知，预测模型的预测数据与真实数据不存在过拟合的情况。

可以理解，训练完成的预测模型相当于能够基于已发生的前一段连续时间下产生的真实应对结果，来预测之后一段时间将要发生的应对结果（即预测应对结果）。因此，可以将历史时间序列中各时间点下的真实应对结果和反事实应对策略输入至该预测模型，以基于已经发生的时间点下的真实应对结果，来预测之后一段时间内在反事实应对策略下将要产生的预测应对结果。

上述实施例中，确定总样本时间序列中候选的样本时间序列；分别将候选的样本时间序列中每个时间点作为当前时间点，并将当前时间点所对应的分组时间段内的样本时间序列划分为一组，该种分组方式，能够提高组合中的信息量，进而基于多组样本时间序列进行迭代训练，能够训练出具有准确预测未来发展趋势的预测模型。

在一个实施例中，所述比对位于所述第二时间段内的参照应对结果与所述预测应对结果，得到比对结果包括：针对位于所述第二时间段内每个时间点，将所述时间点下的参照应对结果和预测应对结果进行比对，得到比对结果。

具体地，计算机设备可以将第二时间段内每个时间点下的参照应对结果和预测应对结果进行比对，得到比对结果。

在一个实施例中，若预测应对结果包括在所述第二时间段内各时间点下至少一种指标对应的预测应对结果，那么，则将每种指标在各时间点下的参照应对结果和预测应对结果进行比对。可以理解，指标对应的预测应对结果，即为指标对应的预测指标数据。指标，即为用于进行衡量的参数。

比如，对于疫情应对场景来说，假设包括新增病例数和新增死亡数这两种指标，参照应对结果为真实应对结果（在该场景下则为真实新增病例数据和真实新增死亡数据），计算机设备可以将第二时间段内每个时间点下的真实新增病例数据与预测新增病例数据进行比对，以及将第二时间段内每个时间点下真实新增死亡数据和预测新增死亡数据进行比对，得到比对结果。

图7为一个实施例中的对比结果示意图。参照图7，实线是参照应对结果，虚线是预测在反事实应对策略下产生的预测应对结果。L1用于示意每日参照的新增病例数（即每时间点下的参照应对结果）、L2用于示意在反事实管控措施下进行预测的新增病例数（即每时间点下新增病例数这一指标对应的预测应对结果），L3用于示意每日进行参照的新增死亡数（即每时间点下新增死亡数这一指标对应的参照应对结果），L4用于示意每日预测的新增死亡数（即每时间点下新增死亡数这一指标对应的预测应对结果）。可以理解，若参照应对结果为真实应对结果，则每日参照的新增病例数即为每日真实的新增病例数，每日参照的新增死亡数即为真实的新增死亡数。若参照应对结果为基于历史应对策略预测的应对结果，则每日参照的新增病例数即为基于历史应对策略预测的每日的新增病例数，每日参照的新增死亡数即为基于历史应对策略预测的每日的新增死亡数。

上述实施例中，将每个时间点下的参照应对结果和预测应对结果进行比对，实现了精细粒度的比对，进而能够提高后续有效性预测的准确性。

在一个实施例中，预测应对结果包括在所述第二时间段内各时间点下至少一种指标对应的预测应对结果。本实施例中，比对位于所述第二时间段内的参照应对结果与所述预测应对结果，包括：将位于第二时间段内的、且对应于同一指标的预测应对结果进行汇总，得到各指标分别对应的预测总应对结果；将位于第一时间段内的、且对应于同一指标的参照应对结果进行汇总，得到各指标分别对应的参照总应对结果；将同一指标对应的预测总应对结果和参照总应对结果进行比对。

具体地，第二时间段内各时间点分别对应有至少一种指标，每种指标都有相对应的预测应对结果（即预测指标数据），所以，计算机设备可以针对每种指标，将第二时间段内各时间点下同一指标对应的预测应对结果进行汇总，得到各指标分别对应的预测总应对结果。

同样地，计算机设备可以将第二时间段内各时间点下同一指标对应的参照应对结果进行汇总，得到各指标分别对应的参照总应对结果。

现以参照应对结果为真实应对结果为例进行举例说明，在疫情应对场景下，假设包括新增病例数和新增死亡数这两种指标，那么，真实应对结果包括真实的新增病例数和真实的新增死亡数。若第二时间段为3月8日到3月10日，那么可以将3月8日到3月10日这3天内的新增病例进行汇总，得到这3天内的新增病例总数，以及将3月8日到3月10日这3天内的死亡病例进行汇总，得到这3天内的新增死亡总数。然后，可以将这3天内的新增病例总数和新增死亡总数进行比对。

在一个实施例中，针对每种指标，计算机设备可以将第二时间段内各时间点下同一指标对应的预测应对结果取指数后，进行汇总，得到各指标分别对应的预测总应对结果。

在一个实施例中，指标包括新增病例数和新增死亡数，预测应对结果包括新增病例数据和新增死亡数据，具体公式示意如下：

；

其中，n为单日的新增病例数，d为单日的新增死亡数，T用于表征时间，1-T为第二时间段，t为第二时间段内的第t个时间点，

则为第t个时间点下的新增病例数；

则为第t个时间点下的新增死亡数。

对其取指数，并求和，我们就可以得到第二时间段内新增病例总数和新增死亡总数：

其中，e为指数公式，

则为第t个时间点下的新增病例数， T用于表征时间，1-T为第二时间段，N为第二时间段内新增病例总数，

则为第t个时间点下的新增死亡数，D为第二时间段内新增死亡总数。

进一步地，计算机设备可以将同一指标对应的预测总应对结果和参照总应对结果进行比对。

图8为一个实施例中应对策略预测处理的原理示意图。参照图8，可以对历史时间序列802中至少部分时间点下的历史应对策略进行修改，得到反事实应对策略。比如，对后20天的历史应对策略进行反事实修改。然后，将位于第一时间段内的真实应对结果和反事实应对策略，输入至已经训练的基于长短期记忆网络的循环神经网络模型804（即预测模型）中，输出在所述反事实应对策略下产生的位于第二时间段内的预测应对结果806。

上述实施例中，将数据汇总后进行比对，能够从总层面来进行分析，从而提高了后续有效性预测的准确性。

在一个实施例中，所述历史应对策略，是针对疫情采取的历史管控措施；所述真实应对结果，是在历史管控措施的管控下已产生的真实疫情数据；所述反事实应对策略，是针对疫情的反事实管控措施。本实施例中，所述根据所述历史时间序列中位于第一时间段内的真实应对结果，预测在所述反事实应对策略下产生的位于第二时间段内的预测应对结果，包括：根据所述历史时间序列中位于第一时间段内的真实疫情数据，预测在所述反事实管控措施下产生的位于第二时间段内的预测疫情数据。

上述实施例中，能够准确地预测对疫情管控有效的反事实应对策略，从而为疫情管控提高非常有价值的信息量。

本申请还提供一种应用场景，该应用场景应用上述的应对策略预测处理方法。具体地，该应对策略预测处理方法在该应用场景的应用如下：

该应对策略预测处理方法与应用于疫情防控或者疫情应对场景中。在该应用场景中，计算机设备可以获取历史时间序列，该历史时间序列中包括各时间点下的历史疫情数据，即每个时间点下对应有针对疫情采取的历史管控措施、在历史管控措施的管控下已产生的真实疫情数据。在其他实施例中，各时间点还对应有影响疫情管控结果的疫情影响因素。比如，人工流动性等时变混杂因素，或者，人口密度或人均GDP等固定影响因素。

计算机设备可以对历史管控措施进行反事实修改，得到反事实管控措施。比如，计算机设备可以从实施强度、实施时间等实施方式上对历史管控措施进行反事实修改，也可以对历史管控措施进行组合或者对历史管控措施进行措施变更等反事实修改。

计算机设备可以将位于历史时间序列中位于第一时间段内的真实疫情数据和疫情影响因素，输入至预先训练的预测模型中，以预测出在所述反事实应对策略下产生的位于第二时间段内的预测疫情数据。

计算机设备可以比对位于所述第二时间段内的真实疫情数据与所述预测疫情数据，得到比对结果。比如，计算机设备可以针对位于所述第二时间段内每个时间点，将所述时间点下的真实疫情数据和预测疫情数据进行比对，得到比对结果。计算机设备也可以将位于第二时间段内的、且对应于同一指标的预测疫情数据进行汇总，得到各指标分别对应的预测总疫情数据；将位于第一时间段内的、且对应于同一指标的真实疫情数据进行汇总，得到各指标分别对应的真实总疫情数据；将同一指标对应的预测总疫情数据和真实总疫情数据进行比对，得到比对结果。

计算机设备可以基于该比对结果，对反事实管控措施进行有效性判定或评估，从而可以准确地推荐有效的反事实管控措施，以为疫情管控提供有效信息。

本申请各实施例中的应对策略预测处理方法还可以应用于人口老龄化应对场景、城镇人口数量下降应对场景、人才引进场景中的至少一种。

对于人口老龄化场景来说，历史应对策略可以是已经用来应对人口老龄化这一问题的策略，比如，开放二孩生育的政策。在实施这些应对策略后每年的人口结构分布或变化情况，则属于真实应对结果。

对于城镇人口数量下降应对场景来说，历史应对策略则可以包括开放落户政策以及落户补助政策等。假设时间点是以年为度量，那么，开放落户或者出台落户补助政策等应对策略实施后，每年城镇人口数量的变化或者人才占比等，则属于真实应对结果。

本申请各实施例中的应对策略预测处理方法能够准确地预测出有效的反事实应对策略，现以疫情管控这一场景为例，结合实验数据来进行效果论证：

图9为一个实施例中反事实管控措施间对比的结果示意图。图9中是将两种反事实管控措施的比对结果进行比对。现假设图9中实线是真实数据（在其他实施例中，实线也可以表示经过预测模型预测、且与真实情况接近的参照数据），虚线是预测数据，图9中的A、a、B和b分别表示每日真实的新增病例数、在反事实管控措施下进行预测的新增病例数、每日真实的新增死亡数以及每日预测的新增死亡数。

左图中的反事实管控措施，是假设关闭学校这一措施得到严格执行，右图中的反事实管控措施，是假设关闭学校这一措施没有施行。历史管控措施，可以是关闭学校这一管控措施放松执行。对比可以发现，假设严格执行关闭学校的管控措施，则预测的每日新增病例、每日死亡数较之于真实数据低。并且，及时执行这一措施可以有效推迟第一波疫情的发展（虚线的第一个波峰比实线更晚出现）。在假设不执行关闭学校这一管控措施的情况下，模型预测的每日新增病例、每日死亡数要高于真实数据（右图中两条虚线均高于实线）。

此外，采用本申请各实施例中的应对策略预测处理方法，发明人对以下11个管控措施进行了有效性分析：

1. 关闭学校（School_closing）；

2. 关闭工作场所（Workspace_closing）；

3. 取消公共活动（Cancel_public_events）；

4. 禁止聚集（Restrictions_on_gatherings）；

5. 关闭公共交通设施（Close_public_transport）；

6. 居家隔离政策（Stay_at_home_requirements）；

7. 限制活动（Movement_restrictions）；

8. 限制国际旅行（International_travel）；

9. 检测政策（Testing_policy）；

10.接触者追踪（Contact_tracing）；

11.戴口罩（Facial_covering）。

发现以下4项管控措施（即，关闭学校、限制活动、检测政策和接触者追踪这4项管控措施）对新冠疫情的减缓扩散有明显的效果，其防控影响如下表1：

注：本实验数据来源于对美国50个州+华盛顿的新冠疫情数据统计。其中，第一波疫情定义为2020.2.15-2020.4.30，总体为2020.2.15-2020.12.31。表格中数据计算方式为对模型反事实预测输出结果与真实数据的变化量求平均值，取平均值的范围是美国50个州+华盛顿与该数据所涵盖的时间范围（第一波疫情，或总体）。

除此之外，发明人还对关闭学校这一措施的个案进行了研究，得到结果如表2所示的结果，具体如下：

观察上表2可得，关闭学校这一管控措施对于减少每日新增病例，死亡病例有积极效果。特别是对于放松管控的研究表明，越早放松关闭学校这一管控措施，对于疫情发展的负面影响就越大。

然后，发明人还对管控措施组合进行了个案研究，具体结果如图10所示。图10为对于检测政策和接触者追踪这两个管控措施进行组合的组合管控措施进行研究。图10中的A、a、B和b分别表示每日真实的新增病例数、在反事实管控措施下进行预测的新增病例数、每日真实的新增死亡数以及每日预测的新增死亡数。

其中，（一）图为单独加强检测政策这一反事实管控措施的预测比对结果，（二）图为单独加强接触者追踪政策这一反事实管控措施的预测比对结果，（三）图为同时加强两个反事实管控措施的预测比对结果。

如图10所示，（三）图中第一波疫情高峰（即虚线所示出的波峰），比（一）图和（二）图中第一波疫情高峰到来的要晚，说明同时加强检测政策与接触者追踪政策，相较于单独加强检测政策或者接触者追踪政策这两种管控措施单独实施而言，可以大幅推迟第一波疫情高峰的到来。

应该理解的是，虽然各流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图11所示，提供了一种应对策略预测处理装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：获取模块1102、修改模块1104、预测模块1106和比对模块1108，其中：

获取模块1102，用于获取历史时间序列；所述历史时间序列，包括各个时间点下的历史应对策略和由所述历史应对策略产生的真实应对结果。

修改模块1104，用于对所述历史应对策略进行反事实修改，得到反事实应对策略。

预测模块1106，用于根据所述历史时间序列中位于第一时间段内的真实应对结果，预测在所述反事实应对策略下产生的位于第二时间段内的预测应对结果。

比对模块1108，用于根据所述历史时间序列，确定位于所述第二时间段内的参照应对结果；比对位于所述第二时间段内的参照应对结果与所述预测应对结果，得到比对结果；所述比对结果，用于对所述反事实应对策略进行有效性预测。

在一个实施例中，比对模块1108还用于从所述历史时间序列中，选取位于所述第二时间段内的真实应对结果，得到参照应对结果；或，根据所述位于第一时间段内的真实应对结果，预测在所述第一时间段所对应的历史应对策略下产生的位于第二时间段内的应对结果，得到参照应对结果。

在一个实施例中，修改模块1104还用于针对单个历史应对策略，保持所述历史应对策略的策略主体不变，对所述历史应对策略进行实施方式上的反事实修改，得到反事实应对策略；其中，所述反事实应对策略，与所述历史应对策略的策略主体相同、且实施方式不同。

在一个实施例中，修改模块1104还用于保持所述历史应对策略的策略主体不变，对所述历史应对策略的实施强度和实施时间中的至少一种进行反事实修改。

在一个实施例中，修改模块1104还用于根据所述历史应对策略，确定多种待组合的应对策略；对多种待组合的所述应对策略进行组合，得到反事实应对策略；其中，进行组合得到的反事实应对策略，是包括至少两种所述应对策略的策略组合。

在一个实施例中，修改模块1104还用于对历史应对策略进行实施方式上的反事实修改，得到初步反事实应对策略；从所述初步反事实应对策略中选取至少部分初步反事实策略，得到待组合的应对策略。

在一个实施例中，所述历史时间序列，还包括各个时间点下的应对结果影响因素；预测模块1106还用于根据所述历史时间序列中位于第一时间段内的真实应对结果和应对结果影响因素，预测在所述反事实应对策略下产生的位于第二时间段的预测应对结果。

在一个实施例中，预测模块1106还用于从历史时间序列中，选取位于第一时间段内各个时间点下的真实应对结果；将选取的各时间点下的真实应对结果和所述反事实应对策略，输入至预先训练的预测模型中；通过所述预测模型，预测出在所述反事实应对策略下产生的位于第二时间段内的预测应对结果。

如图12所示，在一个实施例中，该装置还包括：

模型训练模块1101，用于获取总样本时间序列；所述总样本时间序列中包括在各个时间点下的样本历史应对策略和由样本历史应对策略产生的样本真实应对结果；将所述总样本时间序列按照时间划分，得到多组样本时间序列； 在每轮迭代中，针对每组样本时间序列，将样本时间序列输入至待训练的预测模型，输出所述样本历史应对策略下产生的位于第二样本时间段的样本预测应对结果；所述第二样本时间段晚于所述样本时间序列中各时间点构成的第一样本时间段；从总样本时间序列中，确定位于第二样本时间段内的样本真实应对结果；根据位于所述第二样本时间段内的样本真实应对结果和样本预测应对结果之间的差异，调整所述预测模型的模型参数并继续进行迭代，直至满足迭代停止条件，得到训练完成的预测模型。

在一个实施例中，所述第二样本时间段，是在所述第一样本时间段中各时间点上分别增加预设时长后得到；模型训练模块1101还用于确定所述总样本时间序列中候选的样本时间序列；所述候选的样本时间序列，是所述总样本时间序列中除满足所述预设时长的末尾样本时间序列之外，剩余的样本时间序列；分别将所述候选的样本时间序列中每个时间点作为当前时间点，并将所述当前时间点所对应的分组时间段内的样本时间序列划分为一组；其中，分组时间段，是从所述当前时间点起，连续地选取至少部分在先时间点所构成的时间段。

在一个实施例中，比对模块1108还用于针对位于所述第二时间段内每个时间点，将所述时间点下的参照应对结果和预测应对结果进行比对，得到比对结果。

在一个实施例中，所述预测应对结果包括在所述第二时间段内各时间点下至少一种指标对应的预测应对结果；比对模块1108还用于将位于第二时间段内的、且对应于同一指标的预测应对结果进行汇总，得到各指标分别对应的预测总应对结果；将位于第一时间段内的、且对应于同一指标的参照应对结果进行汇总，得到各指标分别对应的参照总应对结果；将同一指标对应的预测总应对结果和参照总应对结果进行比对，得到比对结果。

在一个实施例中，所述历史应对策略，是针对疫情采取的历史管控措施；所述真实应对结果，是在历史管控措施的管控下已产生的真实疫情数据；所述反事实应对策略，是针对疫情的反事实管控措施；预测模块1106还用于根据所述历史时间序列中位于第一时间段内的真实疫情数据，预测在所述反事实管控措施下产生的位于第二时间段内的预测疫情数据。

关于应对策略预测处理装置的具体限定可以参见上文中对于应对策略预测处理方法的限定，在此不再赘述。上述应对策略预测处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储应对策略预测处理数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种应对策略预测处理方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种应对策略预测处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图13或14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。

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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (15)

1.一种应对策略预测处理方法，其特征在于，所述方法包括：

获取历史时间序列；所述历史时间序列，包括各个时间点下的历史应对策略和由所述历史应对策略产生的真实应对结果；

对所述历史应对策略进行反事实修改，得到反事实应对策略；

根据所述历史时间序列中位于第一时间段内的真实应对结果，预测在所述反事实应对策略下产生的位于第二时间段内的预测应对结果；

根据所述历史时间序列，确定位于所述第二时间段内的参照应对结果；

比对位于所述第二时间段内的参照应对结果与所述预测应对结果，得到比对结果；所述比对结果，用于对所述反事实应对策略进行有效性预测。

2.根据权利要求1所述的方法，其特征在于，根据所述历史时间序列，所述确定位于所述第二时间段内的参照应对结果，包括：

从所述历史时间序列中，选取位于所述第二时间段内的真实应对结果，得到参照应对结果；或，

根据所述位于第一时间段内的真实应对结果，预测在所述第一时间段所对应的历史应对策略下产生的位于第二时间段内的应对结果，得到参照应对结果。

3.根据权利要求1所述的方法，其特征在于，所述对所述历史应对策略进行反事实修改，得到反事实应对策略包括：

针对单个历史应对策略，保持所述历史应对策略的策略主体不变，对所述历史应对策略进行实施方式上的反事实修改，得到反事实应对策略；

其中，所述反事实应对策略，与所述历史应对策略的策略主体相同、且实施方式不同。

4.根据权利要求1所述的方法，其特征在于，所述对所述历史应对策略进行反事实修改，得到反事实应对策略包括：

根据所述历史应对策略，确定多种待组合的应对策略；

对多种待组合的所述应对策略进行组合，得到反事实应对策略；

其中，进行组合得到的反事实应对策略，是包括至少两种所述应对策略的策略组合。

5.根据权利要求4所述的方法，其特征在于，所述根据所述历史应对策略，确定多种待组合的应对策略，包括：

对历史应对策略进行实施方式上的反事实修改，得到初步反事实应对策略；

从所述初步反事实应对策略中选取至少部分初步反事实策略，得到待组合的应对策略。

6.根据权利要求1所述的方法，其特征在于，所述历史时间序列，还包括各个时间点下的应对结果影响因素；

所述根据所述历史时间序列中位于第一时间段内的真实应对结果，预测在所述反事实应对策略下产生的位于第二时间段内的预测应对结果，包括：

根据所述历史时间序列中位于第一时间段内的真实应对结果和应对结果影响因素，预测在所述反事实应对策略下产生的位于第二时间段的预测应对结果。

7.根据权利要求1所述的方法，其特征在于，所述根据所述历史时间序列中位于第一时间段内的真实应对结果，预测在所述反事实应对策略下产生的位于第二时间段内的预测应对结果，包括：

从历史时间序列中，选取位于第一时间段内各个时间点下的真实应对结果；

将选取的各时间点下的真实应对结果和所述反事实应对策略，输入至预先训练的预测模型中；

通过所述预测模型，预测出在所述反事实应对策略下产生的位于第二时间段内的预测应对结果。

8.根据权利要求7所述的方法，其特征在于，所述预测模型通过模型训练步骤得到；所述模型训练步骤包括：

获取总样本时间序列；所述总样本时间序列中包括在各个时间点下的样本历史应对策略和由样本历史应对策略产生的样本真实应对结果；

将所述总样本时间序列按照时间划分，得到多组样本时间序列；

在每轮迭代中，针对每组样本时间序列，将样本时间序列输入至待训练的预测模型，输出所述样本历史应对策略下产生的位于第二样本时间段的样本预测应对结果；所述第二样本时间段晚于所述样本时间序列中各时间点构成的第一样本时间段；

从总样本时间序列中，确定位于第二样本时间段内的样本真实应对结果；

根据位于所述第二样本时间段内的样本真实应对结果和样本预测应对结果之间的差异，调整所述预测模型的模型参数并继续进行迭代，直至满足迭代停止条件，得到训练完成的预测模型。

9.根据权利要求8所述的方法，其特征在于，所述第二样本时间段，是在所述第一样本时间段中各时间点上分别增加预设时长后得到；

所述将所述总样本时间序列按照时间划分，得到多组样本时间序列，包括：

确定所述总样本时间序列中候选的样本时间序列；所述候选的样本时间序列，是所述总样本时间序列中除满足所述预设时长的末尾样本时间序列之外，剩余的样本时间序列；

分别将所述候选的样本时间序列中每个时间点作为当前时间点，并将所述当前时间点所对应的分组时间段内的样本时间序列划分为一组；

其中，分组时间段，是从所述当前时间点起，连续地选取至少部分在先时间点所构成的时间段。

10.根据权利要求1所述的方法，其特征在于，所述比对位于所述第二时间段内的参照应对结果与所述预测应对结果，得到比对结果包括：

针对位于所述第二时间段内每个时间点，将所述时间点下的参照应对结果和预测应对结果进行比对，得到比对结果。

11.根据权利要求1所述的方法，其特征在于，所述预测应对结果包括在所述第二时间段内各时间点下至少一种指标对应的预测应对结果；

所述比对位于所述第二时间段内的参照应对结果与所述预测应对结果，包括：

将位于第二时间段内的、且对应于同一指标的预测应对结果进行汇总，得到各指标分别对应的预测总应对结果；

将位于第一时间段内的、且对应于同一指标的参照应对结果进行汇总，得到各指标分别对应的参照总应对结果；

将同一指标对应的预测总应对结果和参照总应对结果进行比对，得到比对结果。

12.根据权利要求1至11中任一项所述的方法，其特征在于，所述历史应对策略，是针对疫情采取的历史管控措施；所述真实应对结果，是在历史管控措施的管控下已产生的真实疫情数据；所述反事实应对策略，是针对疫情的反事实管控措施；

所述根据所述历史时间序列中位于第一时间段内的真实应对结果，预测在所述反事实应对策略下产生的位于第二时间段内的预测应对结果，包括：

根据所述历史时间序列中位于第一时间段内的真实疫情数据，预测在所述反事实管控措施下产生的位于第二时间段内的预测疫情数据。

13.一种应对策略预测处理装置，其特征在于，所述装置包括：

获取模块，用于获取历史时间序列；所述历史时间序列，包括各个时间点下的历史应对策略和由所述历史应对策略产生的真实应对结果；

修改模块，用于对所述历史应对策略进行反事实修改，得到反事实应对策略；

预测模块，用于根据所述历史时间序列中位于第一时间段内的真实应对结果，预测在所述反事实应对策略下产生的位于第二时间段内的预测应对结果；

比对模块，用于根据所述历史时间序列，确定位于所述第二时间段内的参照应对结果；比对位于所述第二时间段内的参照应对结果与所述预测应对结果，得到比对结果；所述比对结果，用于对所述反事实应对策略进行有效性预测。

14.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至12中任一项所述的方法的步骤。

15.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至12中任一项所述的方法的步骤。

Images