CN113314231A - 一种融合时空信息的传染病传播预测系统和装置 - Google Patents

一种融合时空信息的传染病传播预测系统和装置 Download PDF

Info

Publication number
CN113314231A
CN113314231A CN202110589844.4A CN202110589844A CN113314231A CN 113314231 A CN113314231 A CN 113314231A CN 202110589844 A CN202110589844 A CN 202110589844A CN 113314231 A CN113314231 A CN 113314231A
Authority
CN
China
Prior art keywords
data
epidemic situation
time
result
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.)
Granted
Application number
CN202110589844.4A
Other languages
English (en)
Other versions
CN113314231B (zh
Inventor
李建欣
周号益
张帅
彭杰奇
于金泽
林俊安
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202110589844.4A priority Critical patent/CN113314231B/zh
Publication of CN113314231A publication Critical patent/CN113314231A/zh
Application granted granted Critical
Publication of CN113314231B publication Critical patent/CN113314231B/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明通过人工智能领域的方法，实现了一种融合时空信息的传染病传播预测系统及应用其的装置。通过设计数据收集单元，收集不同地区的与时间相关的序列数据、疫情数据和空间关系组成的邻接矩阵，利用相关性分析单元分析时间序列数据与疫情数据之间的关联；进而将上述数据均输入一个应用复杂网络方法的传染病传播预测模型，形成预测结果；根据预测结果给不同地区的疫情风险作评级后，将预测结果和评级结果作为系统输出结果。这一系统能够在得到与疫情数据强相关的数据、不同地区的动态的空间联系基础上，得到不同地区的更为准确的疫情预测结果。

Description

一种融合时空信息的传染病传播预测系统和装置
技术领域
本发明涉及多变量时空序列预测领域，尤其涉及一种融合时空信息的传染病传播预测系统和装置。
背景技术
对于应对传染病的防控问题，准确预测疫情的走向，对于如何调配医疗资源、如何调整疫情防控政策，有着指导性的意义。
目前，对于某地传染病疫情走向的预测，有两类常见的方法。第一类是数学模型方法，例如SI、SIR、SIRS、SEIR等。这类方法建立了不同种类的人群(例如易感者、暴露者、感染者、康复者等)之间的微分方程关系，并通过疫情前期数据来确定微分方程中各个参数的最优解，从而得到疫情的发展趋势。它们适合于疫情防控措施变化微小时的情况，预测精度受人群行为方式改变以及政策改变的影响较大。第二类是单变量时间序列预测方法，例如ARIMA，SARIMA等。对于要预测的时间序列，这类方法只参考这一个时间序列的历史，并且建立历史与预测数据之间的关系。它们能够捕捉历史中疫情防控措施变化带来的影响，相对于第一类方法更加准确。
即便如此，以上方法仍存在不足之处。一方面，以上方法仅仅利用疫情数据本身进行预测，而没有考虑可能会影响疫情的其他因素；另一方面，以上方法忽视了其他地区的疫情情况对本地疫情的影响。这些都有可能成为降低预测准确度的原因。因此，我们的预测方法和装置将在这两点上做出改进。
如上所述，目前常见的疫情走向的预测方法仍有优化的空间。为了解决这个问题，本方案利用分析疫情期间不同空间区域中的各种时间序列数据与疫情数据之间的关联的方法，提取出对于预测疫情走向可能有利的数据，并将其与疫情数据一并加入到时空序列预测模型当中。
发明内容
为此，本发明首先提出一种融合时空信息的传染病传播预测系统，系统分为数据收集单元，用于对收集不同地区的时间序列数据、疫情数据和空间关系组成的邻接矩阵；相关性分析单元，用于分析所述收集数据中不同地区中的各种时间序列数据与疫情数据之间的关联，得到相关性较高的时间序列数据；线性自注意力机制单元，将所述疫情数据、所述相关性较高的时间序列数据、所述邻接矩阵作为输入数据，经过第一个线性自注意力模块及前馈神经网络进行模型训练，学习数据在时序上的内在联系，再进入第二个线性自注意力模块和前馈神经网络，生成动态的空间特征；时空图卷积单元，将基于原有的空间结构和生成的动态空间特征，进行时空信息提取，得到疫情的时空序列预测结果；预测结果提取与分析单元，将得到的时空序列预测结果提取并分析，通过对外输出接口推送疫情的预警结果。
所述数据收集单元收集所述输入数据的方法为：从发布相关数据的网站下载格式化的数据，或利用爬虫技术爬取数据后，对数据进行清洗、整理，而后得到输入数据。
所述相关性分析单元分析所述输入数据中不同地区中的各种时间序列数据与疫情数据之间的关联的方法为：首先确立反映疫情严重程度的指标，将新增感染人数、新增住院人数、新增死亡人数作逐日差分的结果；而后，将收集好的各地区各种时间序列数据偏移一定天数，与这些指标作Pearson相关性分析和Spearman相关性分析，得到与这些指标相关性高的时间序列数据和相关性出现最大值时的偏移天数。
所述线性自注意力机制单元的结构为：输入的各地区的各时间序列数据和疫情数据将经过第一个线性自注意力(Linear Self-Attention)模块，该模块将对这些数据的不同时间点给予不同的attention，即后续计算时的权重，其计算方式如下：
Figure BDA0003088951940000021
其中，A为所求的自注意力，Q，K，V分别为自注意力机制中的query,key和value，φ(·)，ψ(·)，ω(·)为特征映射函数：
φ(x)＝elu(x)+1
Figure BDA0003088951940000022
Figure BDA0003088951940000023
其中，
Figure BDA0003088951940000024
为图卷积网络单元中的邻接矩阵。
将输入的各地区的各时间序列数据和疫情数据与attention相加并将其标准化，得到的该中间结果输入到前馈网络并作相似操作后即可得到预测的下一个时间点的疫情数据X；
之后，将上述步骤的中间结果和包含各地区空间关系的矩阵一并作为输入进入第二个线性自注意力机制模块，其中As为各地区空间关系组成的邻接矩阵的拉普拉斯矩阵，得到的结果加上每一层输出的各地区动态空间关系表示Sinfo并标准化，成为第二个中间结果。
第二个中间结果有两个去向，分别是经过前馈神经网络和残差连接生成动态空间关系表示Sinfo，和进入时空图卷积单元。
所述时空图卷积单元的结构为：所述第二个中间结果输入到线性网络中以后，按照时间顺序作切分，并且输入到L层图卷积网络GCN当中，对于特征矩阵
Figure BDA0003088951940000034
其图卷积定义如下：
Figure BDA0003088951940000031
其中
Figure BDA0003088951940000032
A为表示空间联系的邻接矩阵，而
Figure BDA0003088951940000033
为对角矩阵，且各列的非零元素为A的对应列之和。
将GCN输出的结果按照时间顺序重新连接，即可得到时空表征D。
将各层的时空表征D经过残差连接，且经过两组ReLU函数+线性网络后，即可得到所需的时空序列预测的结果。
所述预测结果提取与分析的方法为：按照预测的疫情趋势，即每日的感染、住院、死亡人数随时间的推移而变化的情况，为不同地区的疫情风险评级，例如将每日感染数、住院数、死亡数超过一定数值的地区定为高风险地区，低于某一数值的地区定为低风险地区，介于两个数值之间的地区定为中风险地区。所述时空序列预测的结果和疫情风险评级为系统输出结果，通过对外接口，以电视、互联网等媒介将预测的时空序列和疫情风险评级一并推送给不同地区的用户。
本发明还提出一种融合时空信息的传染病传播预测装置，应用上述系统。
本发明所要实现的技术效果在于：
本发明通过应用融合时空信息的传染病传播预测模型的系统，将根据各时间序列数据，在原有的各行政区的空间关系上做动态的空间联系补充，并生成随着时间变化的空间联系表示，然后得到时空序列的表征并进行预测，从而达到更高的预测准确度。
该系统所应用的方法具有以下实际应用场景或者优势：
1.能够得到与疫情数据强相关的数据，为疫情防控提供新思路。
2.能够得到不同地区的动态的空间联系。对于本地而言，这便于判断哪些地区的输入疫情更加严重，使得针对外来人员的疫情管控更加方便。
3.可以得到不同地区的更为准确的疫情预测结果，有利于医疗资源的准确调配和疫情防控政策的适时调整。
4.能够让群众了解未来短期的本地和外地疫情，指导群众安全出行。
5.具有良好的适应性。对于新的传染病和新的地区，方法的思路仍然适用。
附图说明
图1传染病传播预测系统；
图2预测模型中的复杂网络结构；
具体实施方式
以下是本发明的优选实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于此实施例。
本发明提出了一种融合时空信息的传染病传播预测系统，系统分为数据收集单元，用于对收集不同地区的时间序列数据、疫情数据和空间关系组成的邻接矩阵；相关性分析单元，用于分析所述收集数据中不同地区中的各种时间序列数据与疫情数据之间的关联，得到相关性较高的时间序列数据；线性自注意力机制单元，将所述疫情数据、所述相关性较高的时间序列数据、所述邻接矩阵作为输入数据，该单元将学习数据在时序上的内在联系，并根据不同时间的序列变化情况生成动态的空间特征；时空图卷积单元，将基于原有的空间结构和生成的动态空间特征，进行时空信息提取，得到疫情的时空序列预测结果；预测结果提取与分析单元，将得到的时空序列预测结果提取并分析，通过电视、互联网等媒介给不同地区人群推送疫情的预警结果。所述的预警结果为系统输出结果，依据不同的可选用方法对系统的输出结果进行分发，同时用户通过终端设备进行信息接收。
数据收集
从发布相关数据的网站下载格式化的数据，或利用爬虫技术爬取数据后，对数据进行清洗、整理，而后得到输入数据。
相关性分析
首先确立反映疫情严重程度的指标，例如将新增感染人数、新增住院人数、新增死亡人数作逐日差分的结果；而后，将收集好的各地区各种时间序列数据偏移一定天数，与这些指标作Pearson相关性分析和Spearman相关性分析，得到与这些指标相关性高的时间序列数据和相关性出现最大值时的偏移天数。
线性自注意力机制
该模块以上一步中得到的时间序列数据、各地区疫情数据作为输入来构建。其结构如下：
首先，输入数据将经过第一个线性自注意力(Linear Self-Attention)模块，该模块将对这些数据的不同时间点给予不同的attention，即后续计算时的权重，其计算方式如下：
Figure BDA0003088951940000051
其中，A为所求的自注意力，Q，K，V分别为自注意力机制中的query,key和value，φ(·)，ψ(·)，ω(·)为特征映射函数：
φ(x)＝elu(x)+1
Figure BDA0003088951940000052
Figure BDA0003088951940000053
其中，
Figure BDA0003088951940000054
为图卷积网络单元中的邻接矩阵。
经典的Scaled-Dot Self-Attention与Linear Self-Attention与相比，前者的时间复杂度为O(n2)，而后者仅为O(n)。因此Linear Self-Attention能够更高效地进行模型训练。
为了防止该模块网络层数过多导致反向传播时梯度消失，需要利用残差网络的思想作一次加法(即X+attention)并将其标准化(即Add&Norm)，后续介绍不再赘述这一点。将得到的该中间结果输入到前馈神经网络并作相似操作后即可得到预测的下一个时间点的疫情数据X。
之后，将上述步骤的中间结果和包含各地区空间关系的矩阵一并作为输入进入第二个线性自注意力机制模块，其中As为各地区空间关系组成的邻接矩阵的拉普拉斯矩阵，得到的结果加上每一层输出的各地区动态空间关系表示Sinfo并标准化，成为第二个中间结果。
第二个中间结果有两个去向，分别是经过前馈神经网络和残差连接生成动态空间关系表示Sinfo，和进入时空图卷积单元。
时空图卷积
该模块以上一步中得到的第二个中间结果作为输入构建，其结构如下：
将输入数据按照时间顺序作切分，并且输入到L层图卷积网络GCN当中，对于特征矩阵
Figure BDA0003088951940000061
其图卷积定义如下：
Figure BDA0003088951940000062
其中
Figure BDA0003088951940000063
A为表示空间联系的邻接矩阵，而
Figure BDA0003088951940000064
为对角矩阵，且各列的非零元素为A的对应列之和。与图过滤器W相乘得到Y以后，图中的每个节点仅关注与其距离最近的相邻节点。
各个地区之间的空间联系虽然不符合欧式空间的规律，但可以用图来表示，故在此使用GCN。将GCN输出的结果按照时间顺序重新连接，即可得到时空表征D。
将各层的时空表征D经过残差连接，且经过两组ReLU函数+线性网络后，即可得到所需的时空序列预测的结果Output。
预测结果提取、分析与推送
按照预测的疫情趋势为不同地区的疫情风险评级，通过电视、互联网等媒介将预测的时空序列和疫情风险评级形成疫情的预警结果，一并推送给不同地区的用户。所述的预警结果为系统输出结果，依据不同的可选用方法对系统的输出结果进行分发，同时用户通过终端设备进行信息接收。

Claims (6)

1.一种融合时空信息的传染病传播预测系统，其特征在于：系统分为数据收集单元，用于对收集不同地区的时间序列数据、疫情数据和空间关系组成的邻接矩阵；相关性分析单元，用于分析所述收集数据中不同地区中的各种时间序列数据与疫情数据之间的关联，得到相关性较高的时间序列数据；线性自注意力机制单元，将所述疫情数据、所述相关性较高的时间序列数据、所述邻接矩阵作为输入数据，经过第一个线性自注意力模块及前馈神经网络进行模型训练，学习数据在时序上的内在联系，再进入第二个线性自注意力模块和前馈神经网络，生成动态的空间特征；时空图卷积单元，将基于原有的空间结构和生成的动态空间特征，进行时空信息提取，得到疫情的时空序列预测结果；预测结果提取与分析单元，将得到的时空序列预测结果提取和分析，通过对外输出接口推送疫情的预警结果。
2.如权利要求1所述的一种融合时空信息的传染病传播预测系统，其特征在于：所述相关性分析单元分析所述输入数据中不同地区中的各种时间序列数据与疫情数据之间的关联的方法为：首先确立反映疫情严重程度的指标，将新增感染人数、新增住院人数、新增死亡人数作逐日差分的结果；而后，将收集好的各地区各种时间序列数据偏移一定天数，与这些指标作Pearson相关性分析和Spearman相关性分析，得到与这些指标相关性高的时间序列数据和相关性出现最大值时的偏移天数。
3.如权利要求2所述的一种融合时空信息的传染病传播预测系统，其特征在于：所述线性自注意力机制单元的结构为：输入的各地区的各时间序列数据和疫情数据经过第一个线性自注意力模块，所述第一个线性自注意力模块对这些数据的不同时间点给予不同的attention，即后续计算时的权重，其计算方式如下：
Figure FDA0003088951930000011
其中，A为所求的自注意力，Q，K，V分别为自注意力机制中的query,key和value，φ(·)，ψ(·)，ω(·)为特征映射函数：
φ(x)＝elu(x)+1
Figure FDA0003088951930000012
Figure FDA0003088951930000013
其中，
Figure FDA0003088951930000014
为图卷积网络单元中的邻接矩阵；
将输入的各地区的各时间序列数据和疫情数据与attention相加并将其标准化，得到的该中间结果输入到前馈网络并作相似操作后即可得到预测的下一个时间点的疫情数据X；
之后，将上述步骤的中间结果和包含各地区空间关系的矩阵一并作为输入进入第二个线性自注意力机制模块，其中As为各地区空间关系组成的邻接矩阵的拉普拉斯矩阵，得到的结果加上每一层输出的各地区动态空间关系表示Sinfo并标准化，成为第二个中间结果；
第二个中间结果有两个去向，分别是经过前馈神经网络和残差连接生成动态空间关系表示Sinfo，和进入时空图卷积单元。
4.如权利要求3所述的一种融合时空信息的传染病传播预测系统，其特征在于：所述时空图卷积单元的结构为：所述第二个中间结果输入到线性网络中以后，按照时间顺序作切分，并且输入到L层图卷积网络GCN当中，对于特征矩阵
Figure FDA0003088951930000021
其图卷积定义如下：
Figure FDA0003088951930000022
其中
Figure FDA0003088951930000023
Figure FDA0003088951930000024
A为表示空间联系的邻接矩阵，而
Figure FDA0003088951930000025
为对角矩阵，且各列的非零元素为A的对应列之和；
将GCN输出的结果按照时间顺序重新连接，即可得到时空表征D；
将各层的时空表征D经过残差连接，且经过两组ReLU函数+线性网络后，即可得到所需的时空序列预测的结果。
5.如权利要求4所述的一种融合时空信息的传染病传播预测系统，其特征在于：所述预测结果预测结果提取和分析的方法为：按照预测的疫情趋势，即每日的感染、住院、死亡人数随时间的推移而变化的情况，为不同地区的疫情风险评级，例如将每日感染数、住院数、死亡数超过一定数值的地区定为高风险地区，低于某一数值的地区定为低风险地区，介于两个数值之间的地区定为中风险地区。所述时空序列预测的结果和疫情风险评级为系统输出结果。
6.一种融合时空信息的传染病传播预测装置，其特征在于：应用如权利要求1-5中任一所述的一种融合时空信息的传染病传播预测系统。
CN202110589844.4A 2021-05-28 2021-05-28 一种融合时空信息的传染病传播预测系统和装置 Active CN113314231B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110589844.4A CN113314231B (zh) 2021-05-28 2021-05-28 一种融合时空信息的传染病传播预测系统和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110589844.4A CN113314231B (zh) 2021-05-28 2021-05-28 一种融合时空信息的传染病传播预测系统和装置

Publications (2)

Publication Number Publication Date
CN113314231A true CN113314231A (zh) 2021-08-27
CN113314231B CN113314231B (zh) 2022-04-22

Family

ID=77375990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110589844.4A Active CN113314231B (zh) 2021-05-28 2021-05-28 一种融合时空信息的传染病传播预测系统和装置

Country Status (1)

Country Link
CN (1) CN113314231B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744882A (zh) * 2021-09-17 2021-12-03 腾讯科技（深圳）有限公司 目标区域的确定方法、装置、设备以及存储介质
CN113838582A (zh) * 2021-11-29 2021-12-24 中国人民解放军军事科学院军事医学研究院 一种基于区域相似度的传染病趋势预测方法和系统
CN116110588A (zh) * 2022-05-10 2023-05-12 北京理工大学 基于动态邻接矩阵和时空注意力的医学时间序列预测方法
WO2023123625A1 (zh) * 2021-12-31 2023-07-06 中国科学院深圳先进技术研究院 一种城市疫情时空预测方法、系统、终端以及存储介质
CN117711636A (zh) * 2023-12-15 2024-03-15 南京理工大学 基于注意力机制的张量时空图卷积的猴痘疫情预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894309A (zh) * 2009-11-05 2010-11-24 南京医科大学 传染病疫情预测预警方法
CN110085327A (zh) * 2019-04-01 2019-08-02 东莞理工学院 基于注意力机制的多通道lstm神经网络流感疫情预测方法
CN111968751A (zh) * 2020-06-29 2020-11-20 金电联行（北京）信息技术有限公司 一种使用多基线校正模型的传染病趋势预测方法与系统
WO2021058099A1 (en) * 2019-09-25 2021-04-01 Huawei Technologies Co., Ltd. Multi-step traffic prediction
CN112786210A (zh) * 2021-01-15 2021-05-11 华南师范大学 一种疫情传播追踪方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894309A (zh) * 2009-11-05 2010-11-24 南京医科大学 传染病疫情预测预警方法
CN110085327A (zh) * 2019-04-01 2019-08-02 东莞理工学院 基于注意力机制的多通道lstm神经网络流感疫情预测方法
WO2021058099A1 (en) * 2019-09-25 2021-04-01 Huawei Technologies Co., Ltd. Multi-step traffic prediction
CN111968751A (zh) * 2020-06-29 2020-11-20 金电联行（北京）信息技术有限公司 一种使用多基线校正模型的传染病趋势预测方法与系统
CN112786210A (zh) * 2021-01-15 2021-05-11 华南师范大学 一种疫情传播追踪方法及系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744882A (zh) * 2021-09-17 2021-12-03 腾讯科技（深圳）有限公司 目标区域的确定方法、装置、设备以及存储介质
CN113744882B (zh) * 2021-09-17 2023-09-19 腾讯科技（深圳）有限公司 目标区域的确定方法、装置、设备以及存储介质
CN113838582A (zh) * 2021-11-29 2021-12-24 中国人民解放军军事科学院军事医学研究院 一种基于区域相似度的传染病趋势预测方法和系统
CN113838582B (zh) * 2021-11-29 2022-04-05 中国人民解放军军事科学院军事医学研究院 一种基于区域相似度的传染病趋势预测方法和系统
WO2023123625A1 (zh) * 2021-12-31 2023-07-06 中国科学院深圳先进技术研究院 一种城市疫情时空预测方法、系统、终端以及存储介质
CN116110588A (zh) * 2022-05-10 2023-05-12 北京理工大学 基于动态邻接矩阵和时空注意力的医学时间序列预测方法
CN116110588B (zh) * 2022-05-10 2024-04-26 北京理工大学 基于动态邻接矩阵和时空注意力的医学时间序列预测方法
CN117711636A (zh) * 2023-12-15 2024-03-15 南京理工大学 基于注意力机制的张量时空图卷积的猴痘疫情预测方法

Also Published As

Publication number Publication date
CN113314231B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN113314231B (zh) 一种融合时空信息的传染病传播预测系统和装置
CN112990972B (zh) 一种基于异构图神经网络的推荐方法
Zhang et al. Graph neural network-driven traffic forecasting for the connected internet of vehicles
CN110516160B (zh) 基于知识图谱的用户建模方法、序列推荐方法
CN110119449B (zh) 一种基于序列增强胶囊网络的刑事案件罪名预测方法
CN110674279A (zh) 基于人工智能的问答处理方法、装置、设备及存储介质
CN110674840B (zh) 一种多方证据关联模型构建方法和证据链提取方法及装置
CN114817663B (zh) 一种基于类别感知图神经网络的服务建模与推荐方法
CN111061856A (zh) 一种基于知识感知的新闻推荐方法
CN113191530B (zh) 一种具有隐私保护的区块链节点可靠性预测方法及系统
CN114637911B (zh) 一种注意力融合感知网络的下一个兴趣点推荐方法
CN111723305B (zh) 一种预测用户下一轨迹点的方法
CN115858226A (zh) 基于人工智能的智能运维系统
CN115034496A (zh) 基于GCN-Transformer的城市轨道交通节假日短时客流预测方法
CN112256918A (zh) 一种基于多模态动态路由的短视频点击率预测方法
CN117271899A (zh) 一种基于时空感知的兴趣点推荐方法
CN114048396B (zh) 基于异构信息网络和深度学习的nqi服务推荐方法及系统
Kumar et al. Progressive machine learning approach with WebAstro for Web usage mining
CN116010696A (zh) 融合知识图谱和用户长短期兴趣的新闻推荐方法、系统及介质
Zhu A novel social network measurement and perception pattern based on a multi-agent and convolutional neural network
CN118014004A (zh) 一种处理信息丢失的双通道图融合的会话推荐方法
Miao et al. Analysis on Time‐Series Data from Movie Using MF‐DCCA Method and Recurrent Neural Network Model Under the Internet of Things
Liu et al. Recommendation system based on fuzzy cognitive map
CN116129646B (zh) 一种基于特征交叉的图卷积神经网络的交通预测方法
CN115174421B (zh) 基于自监督解缠绕超图注意力的网络故障预测方法及装置

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