CN112863686A - 基于多源大数据的传染病协同监测方法和机器人 - Google Patents

基于多源大数据的传染病协同监测方法和机器人 Download PDF

Info

Publication number
CN112863686A
CN112863686A CN202011629900.4A CN202011629900A CN112863686A CN 112863686 A CN112863686 A CN 112863686A CN 202011629900 A CN202011629900 A CN 202011629900A CN 112863686 A CN112863686 A CN 112863686A
Authority
CN
China
Prior art keywords
region
infectious disease
target infectious
monitoring data
time period
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
Application number
CN202011629900.4A
Other languages
English (en)
Other versions
CN112863686B (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 CN202011629900.4A priority Critical patent/CN112863686B/zh
Publication of CN112863686A publication Critical patent/CN112863686A/zh
Application granted granted Critical
Publication of CN112863686B publication Critical patent/CN112863686B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

基于多源大数据的传染病协同监测方法和机器人，包括：目标疾病获取步骤；医院监测数据获取步骤；个人监测数据获取步骤；第一交集获取步骤；初始化深度学习模型作为第一监测结果预测模型；相关个人数据获取步骤；第二交集获取步骤；第一监测结果预测模型构建步骤；第二监测结果预测模型构建步骤；监测结果预测模型使用步骤。上述方法、系统和机器人，综合利用个人监测数据、医院监测数据、个人相关数据来进行协同监测，在具有不同数据源的情况下，采用不同的监测方法，并通过不同的监测结果预测模型来获得监测结果，从而能够充分利用三种不同来源的数据获得更高的监测准确率，达到更好的监测效果。

Description

基于多源大数据的传染病协同监测方法和机器人
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多源大数据的传染病协同监测方法和机器人。
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：现有技术下，当传染病大数据有很多来源时，各种来源的数据，往往相互冲突。
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，提供基于多源大数据的传染病协同监测方法和机器人，以解决现有技术中传染病各种来源的数据相互冲突的问题。
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：
目标疾病获取步骤：获取待监测的疾病作为目标疾病；
医院监测数据获取步骤：针对每一区域每一时段，通过互联网从医院获取目标传染病的医院监测数据；
个人监测数据获取步骤：针对每一区域每一时段，通过移动互联网从个人获取目标传染病的个人监测数据；
第一交集获取步骤：针对每一区域每一时段，获取在目标传染病的个人监测数据存在监测结果，又在目标传染病的医院监测数据中存在监测结果的个人的集合，作为第一交集；
初始化深度学习模型作为第一监测结果预测模型；将每一区域每一时段的第二交集中的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据和个人相关数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第一监测结果预测模型；
相关个人数据获取步骤：针对每一区域每一时段，通过互联网获取目标传染病的相关个人数据；目标传染病相关个人数据包括购买与目标传染病相关的药品或咨询数据；
第二交集获取步骤：针对每一区域每一时段，获取在目标传染病的个人监测数据存在监测结果，又在目标传染病的医院监测数据中存在监测结果，又在目标传染病的相关个人数据中存在相关个人数据的个人的集合，作为所述每一区域所述每一时段的第二交集；
第一监测结果预测模型构建步骤：初始化深度学习模型作为第一监测结果预测模型；将每一区域每一时段的第一交集中存在的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据、相关个人数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第一监测结果预测模型；
第二监测结果预测模型构建步骤：初始化深度学习模型作为第二监测结果预测模型；将每一区域每一时段的第一交集中存在第二交集中不存在的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第二监测结果预测模型；
监测结果预测模型使用步骤：在使用时，获取每一区域每一时段的目标传染病的医院监测数据、目标传染病的个人监测数据、目标传染病的个人相关数据中的每一个人；若所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中，则以所述每一区域所述每一时段的目标传染病的医院监测数据的监测结果作为所述每一个人在所述每一区域所述每一时段的监测结果；若所述每一个人不在所述每一区域所述每一时段的目标传染病的医院监测数据中，在所述每一区域所述每一时段的目标传染病的个人监测数据、在所述每一区域所述每一时段的目标传染病的个人相关数据中，则以所述每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据、在所述每一区域所述每一时段的目标传染病的个人相关数据作为输入，对第一监测结果预测模型计算得到的输出作为所述每一个人在所述每一区域所述每一时段的监测结果；若所述每一个人不在所述每一区域所述每一时段的目标传染病的医院监测数据中、不在所述每一区域所述每一时段的目标传染病的个人相关数据中，在所述每一区域所述每一时段的目标传染病的个人监测数据中，则以所述每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据作为输入，对第二监测结果预测模型计算得到的输出作为所述每一个人在所述每一区域所述每一时段的监测结果。
优选地，所述方法还包括：
医院监测数据的可信度设置步骤：针对每一区域每一时段，设置目标传染病的医院监测数据的可信度为100％；
个人监测数据的可信度计算步骤：针对每一区域每一时段，统计第一交集中在目标传染病的个人监测数据存在的监测结果与在目标传染病的医院监测数据中存在的监测结果一致的个人数量，作为可信数量；将可信数量占第一交集的个人数量的比例作为目标传染病的个人监测数据的可信度；
个人监测数据的可信度预设步骤：针对每一区域当前时段，根据以往时段的所述每一区域的目标传染病的个人监测数据的可信度，预测所述每一区域当前时段的目标传染病的个人监测数据的可信度；
个人监测数据的可信度反馈步骤：将所述每一区域当前时段的目标传染病的个人监测数据的可信度实时反馈给所述每一区域的目标传染病的个人监测数据的采集部门；若所述每一区域当前时段的目标传染病的个人监测数据的可信度低于预设阈值，则向所述每一区域的目标传染病的个人监测数据的采集部门发出预警，通过预警提醒所述每一区域的目标传染病的个人监测数据的采集部门提高采集的准确率。
优选地，所述方法还包括：
第一预测可信度步骤：初始化深度学习神经网络模型，作为可信度预测模型；将K个连续时段的所述每一区域的目标传染病的个人监测数据的可信度作为输入，将K个连续时段的后一时段的所述每一区域的目标传染病的个人监测数据的可信度作为预期输出，对所述可信度预测模型进行训练；在使用时，将当前时段之前的K个连续时段的所述每一区域的目标传染病的个人监测数据的可信度作为输入，通过所述可信度预测模型的计算得到的输出作为当前时段的所述每一区域的目标传染病的个人监测数据的可信度的预测值；或
第二预测可信度步骤：将当前时段之前的K个连续时段的所述每一区域的目标传染病的个人监测数据的可信度作为当前时段的所述每一区域的目标传染病的个人监测数据的可信度的预测值；或
第三预测可信度步骤：将当前时段前一时段的所述每一区域的目标传染病的个人监测数据的可信度作为当前时段的所述每一区域的目标传染病的个人监测数据的可信度的预测值。
优选地，所述方法还包括：
确诊数计算步骤：针对每一区域每一时段，统计目标传染病的个人监测数据存在的确诊数作为第一确诊数，统计目标传染病的医院监测数据中存在的确诊数作为第二确诊数；
第一确诊数预测模型训练步骤：针对每一区域，将每一时段的第一确诊数作为输入，将所述每一时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为所述每一区域的第一确诊数预测模型；在使用时，将所述每一区域的当前时段的第一确诊数作为输入，经过所述每一区域的第一确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第一预测值；
第二确诊数预测模型训练步骤：将每一区域每一时段的第一确诊数作为输入，将所述每一区域所述每一时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为第二确诊数预测模型；在使用时，将每一区域的当前时段的第一确诊数作为输入，经过第二确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第二预测值；
第三确诊数预测模型训练步骤：针对每一区域，将每一时段的第一确诊数作为输入，将所述每一时段的后一时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为所述每一区域的第三确诊数预测模型；在使用时，将所述每一区域的当前时段的前一个时段的第一确诊数作为输入，经过所述每一区域的第三确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第一预测值；
第四确诊数预测模型训练步骤：将每一区域每一时段的第一确诊数作为输入，将所述每一区域所述每一时段的后一个时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为第四确诊数预测模型；在使用时，将每一区域的当前时段的前一个时段的第一确诊数作为输入，经过第四确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第二预测值。
优选地，所述方法还包括：
舆情数据获取步骤：针对每一区域每一时段，通过互联网获取目标传染病的舆情数据；目标传染病的舆情数据包括网民对目标传染病的言论等；获取每一区域每一时段的目标传染病的严重程度，目标传染病的严重程度包括新增确诊病例数；
舆情预测模型构建步骤：针对每一区域，将每一时段的目标传染病的舆情数据作为输入，将所述每一时段的目标传染病的严重程度作为预期输出，对深度学习模型进行训练得到所述每一区域的疫情预测模型；在使用时，将所述每一区域的当前时段的目标传染病的舆情数据作为输入，通过所述每一区域的疫情预测模型的计算得到的输出作为所述每一区域的当前时段的目标传染病的严重程度的预测值；
舆情预测模型使用步骤：若所述每一区域的当前时段的目标传染病的严重程度的预测值超过了所述每一区域的当前时段的目标传染病的严重程度的监测值，则发信息通知舆情部门进行舆情的防控，包括通知舆情部门进行避谣；若所述每一区域的当前时段的目标传染病的严重程度的预测值低于所述每一区域的当前时段的目标传染病的严重程度的监测值，则发信息通知舆情部门加强疫情的宣传，包括通知大众提高对疫情的警惕。
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：
目标疾病获取模块：获取待监测的疾病作为目标疾病；
医院监测数据获取模块：针对每一区域每一时段，通过互联网从医院获取目标传染病的医院监测数据；
个人监测数据获取模块：针对每一区域每一时段，通过移动互联网从个人获取目标传染病的个人监测数据；
第一交集获取模块：针对每一区域每一时段，获取在目标传染病的个人监测数据存在监测结果，又在目标传染病的医院监测数据中存在监测结果的个人的集合，作为第一交集；
初始化深度学习模型作为第一监测结果预测模型；将每一区域每一时段的第二交集中的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据和个人相关数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第一监测结果预测模型；
相关个人数据获取模块：针对每一区域每一时段，通过互联网获取目标传染病的相关个人数据；目标传染病相关个人数据包括购买与目标传染病相关的药品或咨询数据；
第二交集获取模块：针对每一区域每一时段，获取在目标传染病的个人监测数据存在监测结果，又在目标传染病的医院监测数据中存在监测结果，又在目标传染病的相关个人数据中存在相关个人数据的个人的集合，作为所述每一区域所述每一时段的第二交集；
第一监测结果预测模型构建模块：初始化深度学习模型作为第一监测结果预测模型；将每一区域每一时段的第一交集中存在的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据、相关个人数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第一监测结果预测模型；
第二监测结果预测模型构建模块：初始化深度学习模型作为第二监测结果预测模型；将每一区域每一时段的第一交集中存在第二交集中不存在的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第二监测结果预测模型；
监测结果预测模型使用模块：在使用时，获取每一区域每一时段的目标传染病的医院监测数据、目标传染病的个人监测数据、目标传染病的个人相关数据中的每一个人；若所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中，则以所述每一区域所述每一时段的目标传染病的医院监测数据的监测结果作为所述每一个人在所述每一区域所述每一时段的监测结果；若所述每一个人不在所述每一区域所述每一时段的目标传染病的医院监测数据中，在所述每一区域所述每一时段的目标传染病的个人监测数据、在所述每一区域所述每一时段的目标传染病的个人相关数据中，则以所述每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据、在所述每一区域所述每一时段的目标传染病的个人相关数据作为输入，对第一监测结果预测模型计算得到的输出作为所述每一个人在所述每一区域所述每一时段的监测结果；若所述每一个人不在所述每一区域所述每一时段的目标传染病的医院监测数据中、不在所述每一区域所述每一时段的目标传染病的个人相关数据中，在所述每一区域所述每一时段的目标传染病的个人监测数据中，则以所述每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据作为输入，对第二监测结果预测模型计算得到的输出作为所述每一个人在所述每一区域所述每一时段的监测结果。
优选地，所述系统还包括：
医院监测数据的可信度设置模块：针对每一区域每一时段，设置目标传染病的医院监测数据的可信度为100％；
个人监测数据的可信度计算模块：针对每一区域每一时段，统计第一交集中在目标传染病的个人监测数据存在的监测结果与在目标传染病的医院监测数据中存在的监测结果一致的个人数量，作为可信数量；将可信数量占第一交集的个人数量的比例作为目标传染病的个人监测数据的可信度；
个人监测数据的可信度预设模块：针对每一区域当前时段，根据以往时段的所述每一区域的目标传染病的个人监测数据的可信度，预测所述每一区域当前时段的目标传染病的个人监测数据的可信度；
个人监测数据的可信度反馈模块：将所述每一区域当前时段的目标传染病的个人监测数据的可信度实时反馈给所述每一区域的目标传染病的个人监测数据的采集部门；若所述每一区域当前时段的目标传染病的个人监测数据的可信度低于预设阈值，则向所述每一区域的目标传染病的个人监测数据的采集部门发出预警，通过预警提醒所述每一区域的目标传染病的个人监测数据的采集部门提高采集的准确率。
优选地，所述系统还包括：
第一预测可信度模块：初始化深度学习神经网络模型，作为可信度预测模型；将K个连续时段的所述每一区域的目标传染病的个人监测数据的可信度作为输入，将K个连续时段的后一时段的所述每一区域的目标传染病的个人监测数据的可信度作为预期输出，对所述可信度预测模型进行训练；在使用时，将当前时段之前的K个连续时段的所述每一区域的目标传染病的个人监测数据的可信度作为输入，通过所述可信度预测模型的计算得到的输出作为当前时段的所述每一区域的目标传染病的个人监测数据的可信度的预测值；或
第二预测可信度模块：将当前时段之前的K个连续时段的所述每一区域的目标传染病的个人监测数据的可信度作为当前时段的所述每一区域的目标传染病的个人监测数据的可信度的预测值；或
第三预测可信度模块：将当前时段前一时段的所述每一区域的目标传染病的个人监测数据的可信度作为当前时段的所述每一区域的目标传染病的个人监测数据的可信度的预测值。
优选地，所述系统还包括：
确诊数计算模块：针对每一区域每一时段，统计目标传染病的个人监测数据存在的确诊数作为第一确诊数，统计目标传染病的医院监测数据中存在的确诊数作为第二确诊数；
第一确诊数预测模型训练模块：针对每一区域，将每一时段的第一确诊数作为输入，将所述每一时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为所述每一区域的第一确诊数预测模型；在使用时，将所述每一区域的当前时段的第一确诊数作为输入，经过所述每一区域的第一确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第一预测值；
第二确诊数预测模型训练模块：将每一区域每一时段的第一确诊数作为输入，将所述每一区域所述每一时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为第二确诊数预测模型；在使用时，将每一区域的当前时段的第一确诊数作为输入，经过第二确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第二预测值；
第三确诊数预测模型训练模块：针对每一区域，将每一时段的第一确诊数作为输入，将所述每一时段的后一时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为所述每一区域的第三确诊数预测模型；在使用时，将所述每一区域的当前时段的前一个时段的第一确诊数作为输入，经过所述每一区域的第三确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第一预测值；
第四确诊数预测模型训练模块：将每一区域每一时段的第一确诊数作为输入，将所述每一区域所述每一时段的后一个时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为第四确诊数预测模型；在使用时，将每一区域的当前时段的前一个时段的第一确诊数作为输入，经过第四确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第二预测值。
优选地系统，所述方法还包括：
舆情数据获取模块：针对每一区域每一时段，通过互联网获取目标传染病的舆情数据；目标传染病的舆情数据包括网民对目标传染病的言论等；获取每一区域每一时段的目标传染病的严重程度，目标传染病的严重程度包括新增确诊病例数；
舆情预测模型构建模块：针对每一区域，将每一时段的目标传染病的舆情数据作为输入，将所述每一时段的目标传染病的严重程度作为预期输出，对深度学习模型进行训练得到所述每一区域的疫情预测模型；在使用时，将所述每一区域的当前时段的目标传染病的舆情数据作为输入，通过所述每一区域的疫情预测模型的计算得到的输出作为所述每一区域的当前时段的目标传染病的严重程度的预测值；
舆情预测模型使用模块：若所述每一区域的当前时段的目标传染病的严重程度的预测值超过了所述每一区域的当前时段的目标传染病的严重程度的监测值，则发信息通知舆情部门进行舆情的防控，包括通知舆情部门进行避谣；若所述每一区域的当前时段的目标传染病的严重程度的预测值低于所述每一区域的当前时段的目标传染病的严重程度的监测值，则发信息通知舆情部门加强疫情的宣传，包括通知大众提高对疫情的警惕。
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，所述机器人为第一方面实施例中的所述第一人工智能装置，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多源大数据的传染病协同监测方法和机器人，包括：目标疾病获取步骤；医院监测数据获取步骤；个人监测数据获取步骤；第一交集获取步骤；初始化深度学习模型作为第一监测结果预测模型；相关个人数据获取步骤；第二交集获取步骤；第一监测结果预测模型构建步骤；第二监测结果预测模型构建步骤；监测结果预测模型使用步骤。上述方法、系统和机器人，综合利用个人监测数据、医院监测数据、个人相关数据来进行协同监测，在具有不同数据源的情况下，采用不同的监测方法，并通过不同的监测结果预测模型来获得监测结果，从而能够充分利用三种不同来源的数据获得更高的监测准确率，达到更好的监测效果。
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人工智能方法包括的流程图；
图5为本发明的实施例提供的传染病的多源大数据协同关系图。
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：目标疾病获取步骤；医院监测数据获取步骤；个人监测数据获取步骤；第一交集获取步骤；初始化深度学习模型作为第一监测结果预测模型；相关个人数据获取步骤；第二交集获取步骤；第一监测结果预测模型构建步骤；第二监测结果预测模型构建步骤；监测结果预测模型使用步骤。技术效果：所述方法综合利用个人监测数据、医院监测数据、个人相关数据来进行协同监测，在具有不同数据源的情况下，采用不同的监测方法，并通过不同的监测结果预测模型来获得监测结果，从而能够充分利用三种不同来源的数据获得更高的监测准确率，达到更好的监测效果。
在一个优选的实施例中，如图2所示，所述方法还包括：医院监测数据的可信度设置步骤；个人监测数据的可信度计算步骤；个人监测数据的可信度预设步骤；个人监测数据的可信度反馈步骤。技术效果：所述方法对不同来源的数据计算可信度，从而将可信度反馈给数据采集部门进行参考，当可信度较低时，则提醒数据采集部门提高数据采集准确率，从而可以提高监测数据的采集效果。
在一个优选的实施例中，所述方法还包括：第一预测可信度步骤；或第二预测可信度步骤；或第三预测可信度步骤。技术效果：个人监测数据可信度往往事后才能得到验证，所以当前时段的个人监测数据可信度往往无法得知，如果简单地用过去的可信度来作为当前的可信度，则很容易有所出入，因为可信度也是在变化之中。所述方法根据以往区域的个人监测数据可信度通过深度学习模型来预测当前的区域的个人监测数据可信度，从而使得区域的个人监测数据的可信度更为客观准确。
在一个优选的实施例中，如图3所示，所述方法还包括：确诊数计算步骤；第一确诊数预测模型训练步骤；第二确诊数预测模型训练步骤；第三确诊数预测模型训练步骤；第四确诊数预测模型训练步骤。技术效果：所述方法根据个人监测数据中的确诊数来预测可信度更高的医院监测数据中的确诊数，从而提高确诊预测的准确率。同时，充分考虑确诊数随着时间的变化，提前预测将来的确诊数。
在一个优选的实施例中，如图4所示，所述方法还包括：舆情数据获取步骤；舆情预测模型构建步骤；舆情预测模型使用步骤。技术效果：所述方法根据舆情数据来预测目标传染病的严重程度，并将其严重程度与实际监测得到的严重程度进行对比，从而得知舆情是否正常，并进行恰当引导，从而提高疫情期间的舆情防控的能力。
本发明的优选实施例
目标疾病获取步骤：获取待监测的疾病作为目标疾病；
医院监测数据获取步骤：针对每一区域每一时段，通过互联网从医院获取目标传染病的医院监测数据；
个人监测数据获取步骤：针对每一区域每一时段，通过移动互联网从个人获取目标传染病的个人监测数据；
第一交集获取步骤：针对每一区域每一时段，获取在目标传染病的个人监测数据存在监测结果，又在目标传染病的医院监测数据中存在监测结果的个人的集合，作为第一交集；
初始化深度学习模型作为第一监测结果预测模型；将每一区域每一时段的第二交集中的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据和个人相关数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第一监测结果预测模型；
相关个人数据获取步骤：针对每一区域每一时段，通过互联网获取目标传染病的相关个人数据；目标传染病相关个人数据包括购买与目标传染病相关的药品或咨询数据；
第二交集获取步骤：针对每一区域每一时段，获取在目标传染病的个人监测数据存在监测结果，又在目标传染病的医院监测数据中存在监测结果，又在目标传染病的相关个人数据中存在相关个人数据的个人的集合，作为所述每一区域所述每一时段的第二交集；
第一监测结果预测模型构建步骤：初始化深度学习模型作为第一监测结果预测模型；将每一区域每一时段的第一交集中存在的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据、相关个人数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第一监测结果预测模型；
第二监测结果预测模型构建步骤：初始化深度学习模型作为第二监测结果预测模型；将每一区域每一时段的第一交集中存在第二交集中不存在的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第二监测结果预测模型；
在使用时，获取每一区域每一时段的目标传染病的医院监测数据、目标传染病的个人监测数据、目标传染病的个人相关数据中的每一个人；若所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中，则以所述每一区域所述每一时段的目标传染病的医院监测数据的监测结果作为所述每一个人在所述每一区域所述每一时段的监测结果；若所述每一个人不在所述每一区域所述每一时段的目标传染病的医院监测数据中，在所述每一区域所述每一时段的目标传染病的个人监测数据、在所述每一区域所述每一时段的目标传染病的个人相关数据中，则以所述每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据、在所述每一区域所述每一时段的目标传染病的个人相关数据作为输入，对第一监测结果预测模型计算得到的输出作为所述每一个人在所述每一区域所述每一时段的监测结果；若所述每一个人不在所述每一区域所述每一时段的目标传染病的医院监测数据中、不在所述每一区域所述每一时段的目标传染病的个人相关数据中，在所述每一区域所述每一时段的目标传染病的个人监测数据中，则以所述每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据作为输入，对第二监测结果预测模型计算得到的输出作为所述每一个人在所述每一区域所述每一时段的监测结果。
医院监测数据的可信度设置步骤：针对每一区域每一时段，设置目标传染病的医院监测数据的可信度为100％；
个人监测数据的可信度计算步骤：针对每一区域每一时段，统计第一交集中在目标传染病的个人监测数据存在的监测结果与在目标传染病的医院监测数据中存在的监测结果一致的个人数量，作为可信数量；将可信数量占第一交集的个人数量的比例作为目标传染病的个人监测数据的可信度；
个人监测数据的可信度预设步骤：针对每一区域当前时段(因为当前时段还未结束，所以无法统计出当前时段的可信度)，根据以往时段的所述每一区域的目标传染病的个人监测数据的可信度，预测所述每一区域当前时段的目标传染病的个人监测数据的可信度；
个人监测数据的可信度反馈步骤：将所述每一区域当前时段的目标传染病的个人监测数据的可信度实时反馈给所述每一区域的目标传染病的个人监测数据的采集部门；若所述每一区域当前时段的目标传染病的个人监测数据的可信度低于预设阈值，则向所述每一区域的目标传染病的个人监测数据的采集部门发出预警，通过预警提醒所述每一区域的目标传染病的个人监测数据的采集部门提高采集的准确率。
第一预测可信度步骤：初始化深度学习神经网络模型，作为可信度预测模型；将K(K为自然数)个连续时段的所述每一区域的目标传染病的个人监测数据的可信度作为输入，将K(K为自然数)个连续时段的后一时段的所述每一区域的目标传染病的个人监测数据的可信度作为预期输出，对所述可信度预测模型进行训练；在使用时，将当前时段之前的K(K为自然数)个连续时段的所述每一区域的目标传染病的个人监测数据的可信度作为输入，通过所述可信度预测模型的计算得到的输出作为当前时段的所述每一区域的目标传染病的个人监测数据的可信度的预测值；或
第二预测可信度步骤：将当前时段之前的K(K为自然数)个连续时段的所述每一区域的目标传染病的个人监测数据的可信度作为当前时段的所述每一区域的目标传染病的个人监测数据的可信度的预测值；或
第三预测可信度步骤：将当前时段前一时段的所述每一区域的目标传染病的个人监测数据的可信度作为当前时段的所述每一区域的目标传染病的个人监测数据的可信度的预测值。
确诊数计算步骤：针对每一区域每一时段，统计目标传染病的个人监测数据存在的确诊数作为第一确诊数，统计目标传染病的医院监测数据中存在的确诊数作为第二确诊数；
第一确诊数预测模型训练步骤：针对每一区域，将每一时段的第一确诊数作为输入，将所述每一时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为所述每一区域的第一确诊数预测模型；在使用时，将所述每一区域的当前时段的第一确诊数作为输入，经过所述每一区域的第一确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第一预测值；
第二确诊数预测模型训练步骤：将每一区域每一时段的第一确诊数作为输入，将所述每一区域所述每一时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为第二确诊数预测模型；在使用时，将每一区域的当前时段的第一确诊数作为输入，经过第二确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第二预测值；
第三确诊数预测模型训练步骤：针对每一区域，将每一时段的第一确诊数作为输入，将所述每一时段的后一时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为所述每一区域的第三确诊数预测模型；在使用时，将所述每一区域的当前时段的前一个时段的第一确诊数作为输入，经过所述每一区域的第三确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第一预测值；
第四确诊数预测模型训练步骤：将每一区域每一时段的第一确诊数作为输入，将所述每一区域所述每一时段的后一个时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为第四确诊数预测模型；在使用时，将每一区域的当前时段的前一个时段的第一确诊数作为输入，经过第四确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第二预测值。
舆情数据获取步骤：针对每一区域每一时段，通过互联网获取目标传染病的舆情数据；目标传染病的舆情数据包括网民对目标传染病的言论等；获取每一区域每一时段的目标传染病的严重程度，目标传染病的严重程度包括新增确诊病例数；
舆情预测模型构建步骤：针对每一区域，将每一时段的目标传染病的舆情数据作为输入，将所述每一时段的目标传染病的严重程度作为预期输出，对深度学习模型进行训练得到所述每一区域的疫情预测模型；在使用时，将所述每一区域的当前时段的目标传染病的舆情数据作为输入，通过所述每一区域的疫情预测模型的计算得到的输出作为所述每一区域的当前时段的目标传染病的严重程度的预测值；
舆情预测模型使用步骤：若所述每一区域的当前时段的目标传染病的严重程度的预测值超过了所述每一区域的当前时段的目标传染病的严重程度的监测值，则发信息通知舆情部门进行舆情的防控，包括通知舆情部门进行避谣；若所述每一区域的当前时段的目标传染病的严重程度的预测值低于所述每一区域的当前时段的目标传染病的严重程度的监测值，则发信息通知舆情部门加强疫情的宣传，包括通知大众提高对疫情的警惕。
本发明的其他实施例
当新发重大传染病大数据有很多来源时，如何协同各种来源的数据，使之不冲突且能相互补益？本实施例采用的解决方法是通过可信度以及交集融合机制来解决冲突问题，得到更可信的融合后的数据，同时通过不同来源的数据之间的反馈关系相互校正来提高大数据的质量。
新发重大传染病的多源大数据的融合：第一数据源为各地政府、各部门通过医院获取的新发重大传染病监测数据，第二数据源为本实施例系统自助监测的新发重大传染病监测数据，第三数据源为各地政府、各部门通过APP或在线网站采集的用户填报的新发重大传染病监测数据，第四数据源为从互联网上获取的新发重大传染病监测，其他数据源可以在研究或使用的过程中继续追加，例如购买数据，也可以作为参考，例如在各个网店上人们购买跟新发重大传染病相关的药品数据，也能从侧面反映出疫情的情况。将这多种来源的大数据进行有机融合，能够极大减少单一来源数据的污染或不确定因素而造成的误判，能够起到相互纠偏的效果。图5展示的是新发重大传染病的多源大数据协同关系图。
新发重大传染病的多源大数据的可信度鉴别：基于多源大数据的新发重大传染病协同监测的关键是分析出不同数据源的可信度，这种分析可以通过常识、专家知识、大数据手段来获取，例如第一数据源是通过医院获取的，自然可信度最高；第二数据源的可信度则取决于系统的准确率，所以是动态地根据系统的准确率来确定的；第三数据源是用户自己填报的，所以可信度也是中高等，第四数据源因为是从互联网获取的，虽然单个信息的可信度不确定，但汇总之后形成的统计信息的可信度也是可以接受的，从宏观上进行统计和参考是很有价值的。
新发重大传染病的多源大数据的用途区分：第一数据源是通过医院获取的，是关于疫情的统计数据以及医疗资源的统计数据，可以用于分析和动态设置预警阈值及对应等级，从医院获取的数据还包括医院对于每个用户的反馈数据，就是用户是否患病的数据，这个反馈数据可以用于对监测系统进行纠偏；第二数据源和第三数据源是对每个用户进行自我上报的数据，用于找出疑似的病例，进而通知其去检查，可以用于针对用户的个性化预警和应对和层层更新上报预警和应对，以及用于疫情的统计数据，从第二数据源和第三数据源获取的数据还包括用户的反馈数据，就是用户收到预警后去医院检查的结果即“是否患病”的反馈数据，这个反馈数据可以用于对监测系统进行纠偏；第四数据源因为是从互联网获取的，一般是关于疫情的舆情数据，就是大家对疫情的关注和反映，有时也能从中看出疫情严重状况和人们的心理状况，可以用于舆情预警和应对。
新发重大传染病的多源数据的协同纠偏：
根据用途进行划分，相同用途的数据可以用于相互纠偏。
疫情的统计数据有3个数据来源，第一是源于医院上报的统计数据，第二、三是源于本实施例自助监测和各级部门APP采集的个人填报的健康数据以及的统计结果，这2个统计数据可以相互补充，医院上报的统计数据主要是来医院检查或就诊的人的统计数据，而各级部门APP采集的个人填报的健康数据主要还包括未去检查和就诊的人的统计数据，那么两者的交集是已通过APP上报又去医院检查或就诊的人，此时可对这两个来源数据中的用户求交集，然后交集中的用户以医院上报的数据作为协同后的交集数据，最后再将两者交集以外的数据和协同后的交集求并集，得到融合后的统计结果。
用户反馈的数据有3个数据来源，第一是源于医院上报的用户反馈数据，第二、三是源于本实施例自助监测的以及各级部门APP采集的个人填报的反馈数据，反馈数据就是医院或用户反馈去医院检查的结果，那么这个结果是可信的，可以用于对本实施例的监测系统和预警系统进行纠偏，可以通过反馈的结果与系统预测结果之间的差异来对本实施例的监测系统和预警系统进行校正，使得本实施例的监测系统和预警系统越来越准确。
舆情的数据主要有2个来源，第一是源于各部门的汇报，即当地社会稳定情况，第二是源于互联网大数据的舆情监测数据，第一种来源是粗略的，仅仅能反映是否稳定，而对人心的细节无法把握，而第二种数据则比较丰富，能反映人们实际的焦虑、不满、甚至能反映出一些新发重大传染病诊治和救助环节的一些社会问题，所以第二种数据来源更为有价值。所以，第一种数据可以作为对第二种数据采集的采集频率降低和提高的依据，如果第一种数据反映的社会稳定度较高，则可降低第二种数据采集的频率，如果第一种数据反映的社会稳定度较低，例如各地发生医患冲突、警民冲突等情况，则可提高第二种数据采集的频率，来细致了解舆情动态。
新发重大传染病的互联网舆情大数据的监测：对互联网舆情监测是目前比较常见的技术，本实施例进行的互联网舆情监测的创新之处是进行分层监测，就是对每个区域、行业等划分进行分层监测，这样对各个地区、各个行业的主管部门更有参考价值，也便于各个地区、各个行业的主管部门根据舆情报告采用相应的措施。分行业监测，例如，对制造业、软件行业、石油行业、培训行业、电信行业、等行业都分别进行互联网舆情监测，然后再对所有行业进行总体监测上报国家部门。分地区监测，例如，对各市、各省、等更细或更粗的地区划分都分别进行互联网舆情监测，然后再对所有地区进行总体监测上报国家部门。
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：
目标疾病获取步骤：获取待监测的疾病作为目标疾病；
医院监测数据获取步骤：针对每一区域每一时段，通过互联网从医院获取目标传染病的医院监测数据；
个人监测数据获取步骤：针对每一区域每一时段，通过移动互联网从个人获取目标传染病的个人监测数据；
第一交集获取步骤：针对每一区域每一时段，获取在目标传染病的个人监测数据存在监测结果，又在目标传染病的医院监测数据中存在监测结果的个人的集合，作为第一交集；
初始化深度学习模型作为第一监测结果预测模型；将每一区域每一时段的第二交集中的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据和个人相关数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第一监测结果预测模型；
相关个人数据获取步骤：针对每一区域每一时段，通过互联网获取目标传染病的相关个人数据；目标传染病相关个人数据包括购买与目标传染病相关的药品或咨询数据；
第二交集获取步骤：针对每一区域每一时段，获取在目标传染病的个人监测数据存在监测结果，又在目标传染病的医院监测数据中存在监测结果，又在目标传染病的相关个人数据中存在相关个人数据的个人的集合，作为所述每一区域所述每一时段的第二交集；
第一监测结果预测模型构建步骤：初始化深度学习模型作为第一监测结果预测模型；将每一区域每一时段的第一交集中存在的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据、相关个人数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第一监测结果预测模型；
第二监测结果预测模型构建步骤：初始化深度学习模型作为第二监测结果预测模型；将每一区域每一时段的第一交集中存在第二交集中不存在的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第二监测结果预测模型；
监测结果预测模型使用步骤：在使用时，获取每一区域每一时段的目标传染病的医院监测数据、目标传染病的个人监测数据、目标传染病的个人相关数据中的每一个人；若所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中，则以所述每一区域所述每一时段的目标传染病的医院监测数据的监测结果作为所述每一个人在所述每一区域所述每一时段的监测结果；若所述每一个人不在所述每一区域所述每一时段的目标传染病的医院监测数据中，在所述每一区域所述每一时段的目标传染病的个人监测数据、在所述每一区域所述每一时段的目标传染病的个人相关数据中，则以所述每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据、在所述每一区域所述每一时段的目标传染病的个人相关数据作为输入，对第一监测结果预测模型计算得到的输出作为所述每一个人在所述每一区域所述每一时段的监测结果；若所述每一个人不在所述每一区域所述每一时段的目标传染病的医院监测数据中、不在所述每一区域所述每一时段的目标传染病的个人相关数据中，在所述每一区域所述每一时段的目标传染病的个人监测数据中，则以所述每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据作为输入，对第二监测结果预测模型计算得到的输出作为所述每一个人在所述每一区域所述每一时段的监测结果。
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：
医院监测数据的可信度设置步骤：针对每一区域每一时段，设置目标传染病的医院监测数据的可信度为100％；
个人监测数据的可信度计算步骤：针对每一区域每一时段，统计第一交集中在目标传染病的个人监测数据存在的监测结果与在目标传染病的医院监测数据中存在的监测结果一致的个人数量，作为可信数量；将可信数量占第一交集的个人数量的比例作为目标传染病的个人监测数据的可信度；
个人监测数据的可信度预设步骤：针对每一区域当前时段，根据以往时段的所述每一区域的目标传染病的个人监测数据的可信度，预测所述每一区域当前时段的目标传染病的个人监测数据的可信度；
个人监测数据的可信度反馈步骤：将所述每一区域当前时段的目标传染病的个人监测数据的可信度实时反馈给所述每一区域的目标传染病的个人监测数据的采集部门；若所述每一区域当前时段的目标传染病的个人监测数据的可信度低于预设阈值，则向所述每一区域的目标传染病的个人监测数据的采集部门发出预警，通过预警提醒所述每一区域的目标传染病的个人监测数据的采集部门提高采集的准确率。
3.根据权利要求2所述的人工智能方法，其特征在于，所述方法还包括：
第一预测可信度步骤：初始化深度学习神经网络模型，作为可信度预测模型；将K个连续时段的所述每一区域的目标传染病的个人监测数据的可信度作为输入，将K个连续时段的后一时段的所述每一区域的目标传染病的个人监测数据的可信度作为预期输出，对所述可信度预测模型进行训练；在使用时，将当前时段之前的K个连续时段的所述每一区域的目标传染病的个人监测数据的可信度作为输入，通过所述可信度预测模型的计算得到的输出作为当前时段的所述每一区域的目标传染病的个人监测数据的可信度的预测值；或
第二预测可信度步骤：将当前时段之前的K个连续时段的所述每一区域的目标传染病的个人监测数据的可信度作为当前时段的所述每一区域的目标传染病的个人监测数据的可信度的预测值；或
第三预测可信度步骤：将当前时段前一时段的所述每一区域的目标传染病的个人监测数据的可信度作为当前时段的所述每一区域的目标传染病的个人监测数据的可信度的预测值。
4.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：
确诊数计算步骤：针对每一区域每一时段，统计目标传染病的个人监测数据存在的确诊数作为第一确诊数，统计目标传染病的医院监测数据中存在的确诊数作为第二确诊数；
第一确诊数预测模型训练步骤：针对每一区域，将每一时段的第一确诊数作为输入，将所述每一时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为所述每一区域的第一确诊数预测模型；在使用时，将所述每一区域的当前时段的第一确诊数作为输入，经过所述每一区域的第一确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第一预测值；
第二确诊数预测模型训练步骤：将每一区域每一时段的第一确诊数作为输入，将所述每一区域所述每一时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为第二确诊数预测模型；在使用时，将每一区域的当前时段的第一确诊数作为输入，经过第二确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第二预测值；
第三确诊数预测模型训练步骤：针对每一区域，将每一时段的第一确诊数作为输入，将所述每一时段的后一时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为所述每一区域的第三确诊数预测模型；在使用时，将所述每一区域的当前时段的前一个时段的第一确诊数作为输入，经过所述每一区域的第三确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第一预测值；
第四确诊数预测模型训练步骤：将每一区域每一时段的第一确诊数作为输入，将所述每一区域所述每一时段的后一个时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为第四确诊数预测模型；在使用时，将每一区域的当前时段的前一个时段的第一确诊数作为输入，经过第四确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第二预测值。
5.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：
舆情数据获取步骤：针对每一区域每一时段，通过互联网获取目标传染病的舆情数据；目标传染病的舆情数据包括网民对目标传染病的言论等；获取每一区域每一时段的目标传染病的严重程度，目标传染病的严重程度包括新增确诊病例数；
舆情预测模型构建步骤：针对每一区域，将每一时段的目标传染病的舆情数据作为输入，将所述每一时段的目标传染病的严重程度作为预期输出，对深度学习模型进行训练得到所述每一区域的疫情预测模型；在使用时，将所述每一区域的当前时段的目标传染病的舆情数据作为输入，通过所述每一区域的疫情预测模型的计算得到的输出作为所述每一区域的当前时段的目标传染病的严重程度的预测值；
舆情预测模型使用步骤：若所述每一区域的当前时段的目标传染病的严重程度的预测值超过了所述每一区域的当前时段的目标传染病的严重程度的监测值，则发信息通知舆情部门进行舆情的防控，包括通知舆情部门进行避谣；若所述每一区域的当前时段的目标传染病的严重程度的预测值低于所述每一区域的当前时段的目标传染病的严重程度的监测值，则发信息通知舆情部门加强疫情的宣传，包括通知大众提高对疫情的警惕。
6.一种人工智能系统，其特征在于，所述系统包括：
目标疾病获取模块：获取待监测的疾病作为目标疾病；
医院监测数据获取模块：针对每一区域每一时段，通过互联网从医院获取目标传染病的医院监测数据；
个人监测数据获取模块：针对每一区域每一时段，通过移动互联网从个人获取目标传染病的个人监测数据；
第一交集获取模块：针对每一区域每一时段，获取在目标传染病的个人监测数据存在监测结果，又在目标传染病的医院监测数据中存在监测结果的个人的集合，作为第一交集；
初始化深度学习模型作为第一监测结果预测模型；将每一区域每一时段的第二交集中的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据和个人相关数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第一监测结果预测模型；
相关个人数据获取模块：针对每一区域每一时段，通过互联网获取目标传染病的相关个人数据；目标传染病相关个人数据包括购买与目标传染病相关的药品或咨询数据；
第二交集获取模块：针对每一区域每一时段，获取在目标传染病的个人监测数据存在监测结果，又在目标传染病的医院监测数据中存在监测结果，又在目标传染病的相关个人数据中存在相关个人数据的个人的集合，作为所述每一区域所述每一时段的第二交集；
第一监测结果预测模型构建模块：初始化深度学习模型作为第一监测结果预测模型；将每一区域每一时段的第一交集中存在的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据、相关个人数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第一监测结果预测模型；
第二监测结果预测模型构建模块：初始化深度学习模型作为第二监测结果预测模型；将每一区域每一时段的第一交集中存在第二交集中不存在的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第二监测结果预测模型；
监测结果预测模型使用模块：在使用时，获取每一区域每一时段的目标传染病的医院监测数据、目标传染病的个人监测数据、目标传染病的个人相关数据中的每一个人；若所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中，则以所述每一区域所述每一时段的目标传染病的医院监测数据的监测结果作为所述每一个人在所述每一区域所述每一时段的监测结果；若所述每一个人不在所述每一区域所述每一时段的目标传染病的医院监测数据中，在所述每一区域所述每一时段的目标传染病的个人监测数据、在所述每一区域所述每一时段的目标传染病的个人相关数据中，则以所述每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据、在所述每一区域所述每一时段的目标传染病的个人相关数据作为输入，对第一监测结果预测模型计算得到的输出作为所述每一个人在所述每一区域所述每一时段的监测结果；若所述每一个人不在所述每一区域所述每一时段的目标传染病的医院监测数据中、不在所述每一区域所述每一时段的目标传染病的个人相关数据中，在所述每一区域所述每一时段的目标传染病的个人监测数据中，则以所述每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据作为输入，对第二监测结果预测模型计算得到的输出作为所述每一个人在所述每一区域所述每一时段的监测结果。
7.根据权利要求6所述的人工智能系统，其特征在于，所述系统还包括：
医院监测数据的可信度设置模块：针对每一区域每一时段，设置目标传染病的医院监测数据的可信度为100％；
个人监测数据的可信度计算模块：针对每一区域每一时段，统计第一交集中在目标传染病的个人监测数据存在的监测结果与在目标传染病的医院监测数据中存在的监测结果一致的个人数量，作为可信数量；将可信数量占第一交集的个人数量的比例作为目标传染病的个人监测数据的可信度；
个人监测数据的可信度预设模块：针对每一区域当前时段，根据以往时段的所述每一区域的目标传染病的个人监测数据的可信度，预测所述每一区域当前时段的目标传染病的个人监测数据的可信度；
个人监测数据的可信度反馈模块：将所述每一区域当前时段的目标传染病的个人监测数据的可信度实时反馈给所述每一区域的目标传染病的个人监测数据的采集部门；若所述每一区域当前时段的目标传染病的个人监测数据的可信度低于预设阈值，则向所述每一区域的目标传染病的个人监测数据的采集部门发出预警，通过预警提醒所述每一区域的目标传染病的个人监测数据的采集部门提高采集的准确率。
8.一种人工智能装置，其特征在于，所述装置用于实现权利要求1-5任意一项所述方法的步骤。
9.一种机器人，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1-5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1-5任意一项所述方法的步骤。
CN202011629900.4A 2020-12-30 2020-12-30 基于多源大数据的传染病协同监测方法和机器人 Active CN112863686B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011629900.4A CN112863686B (zh) 2020-12-30 2020-12-30 基于多源大数据的传染病协同监测方法和机器人

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011629900.4A CN112863686B (zh) 2020-12-30 2020-12-30 基于多源大数据的传染病协同监测方法和机器人

Publications (2)

Publication Number Publication Date
CN112863686A true CN112863686A (zh) 2021-05-28
CN112863686B CN112863686B (zh) 2023-07-25

Family

ID=75999781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011629900.4A Active CN112863686B (zh) 2020-12-30 2020-12-30 基于多源大数据的传染病协同监测方法和机器人

Country Status (1)

Country Link
CN (1) CN112863686B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093106A (zh) * 2013-01-25 2013-05-08 上海市浦东新区疾病预防控制中心 大型活动中多源数据的传染病症状监测与预警方法
JP2017199165A (ja) * 2016-04-26 2017-11-02 シスメックス株式会社 モニタリング方法、情報処理装置、情報処理システム、及びコンピュータプログラム
CN111415753A (zh) * 2020-03-06 2020-07-14 杭州云象网络技术有限公司 一种基于区块链的疫情监测预警方法及系统
CN112115580A (zh) * 2020-08-12 2020-12-22 科技谷（厦门）信息技术有限公司 一种基于大数据的新发重大传染病监测、预警及应对系统
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093106A (zh) * 2013-01-25 2013-05-08 上海市浦东新区疾病预防控制中心 大型活动中多源数据的传染病症状监测与预警方法
JP2017199165A (ja) * 2016-04-26 2017-11-02 シスメックス株式会社 モニタリング方法、情報処理装置、情報処理システム、及びコンピュータプログラム
CN111415753A (zh) * 2020-03-06 2020-07-14 杭州云象网络技术有限公司 一种基于区块链的疫情监测预警方法及系统
CN112115580A (zh) * 2020-08-12 2020-12-22 科技谷（厦门）信息技术有限公司 一种基于大数据的新发重大传染病监测、预警及应对系统
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨友林等: "医院人工智能传染病预警系统的设计与应用", 《中国医学装备》 *
杨友林等: "医院人工智能传染病预警系统的设计与应用", 《中国医学装备》, no. 05, 15 May 2020 (2020-05-15) *

Also Published As

Publication number Publication date
CN112863686B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN112700838B (zh) 基于大数据的用药方案推荐方法、装置及相关设备
US20210090695A1 (en) Healthcare Information Technology System for Predicting or Preventing Readmissions
US20200221990A1 (en) Systems and methods for assessing and evaluating renal health diagnosis, staging, and therapy recommendation
US10311975B2 (en) Rules-based system for care management
US20210366106A1 (en) System with confidence-based retroactive discrepancy flagging and methods for use therewith
KR20200038628A (ko) 맞춤형 의료 정보 제공 장치 및 방법
US20140095201A1 (en) Leveraging Public Health Data for Prediction and Prevention of Adverse Events
JP2019016235A (ja) 疾病発症予測装置、疾病発症予測方法およびプログラム
CN107408143A (zh) 适于采用诊断适当性标准来确定用于识别病变的诊断试验的最佳顺序的医疗鉴别诊断装置
Zebrowitz et al. Older and younger adults’ accuracy in discerning health and competence in older and younger faces.
CN116779190B (zh) 一种基于物联网的医疗平台用户随访管理系统及方法
US20220005565A1 (en) System with retroactive discrepancy flagging and methods for use therewith
Cocoros et al. RiskScape: a data visualization and aggregation platform for public health surveillance using routine electronic health record data
CN116472591A (zh) 使用人工智能生成与脊髓性肌萎缩症相关的预测结果的技术
Lee et al. Classification of opioid usage through semi-supervised learning for total joint replacement patients
Lin et al. AI-driven decision making for auxiliary diagnosis of epidemic diseases
CN111477321B (zh) 具有自学习能力的治疗效果预测系统及治疗效果预测终端
KR101883433B1 (ko) 입원 환자 낙상 위험도 예측을 통한 맞춤 중재 시스템 및 방법
US20230130914A1 (en) System and method for patient care handoff
CN112863686A (zh) 基于多源大数据的传染病协同监测方法和机器人
Gupta et al. An overview of clinical decision support system (cdss) as a computational tool and its applications in public health
Moran et al. Comparing the performance of English mental health providers in achieving patient outcomes
Chaieb et al. Obsolete personal information update system for the prevention of falls among elderly patients
Kumar et al. Fuzzy logic applications in healthcare: A review-based study
Nino et al. Wearable devices and decision theory in the emergency triage process

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