CN113327682A - 一种基于关键词搜索时间序列的传染病疫情预测与监控系统、方法及其应用 - Google Patents
一种基于关键词搜索时间序列的传染病疫情预测与监控系统、方法及其应用 Download PDFInfo
- Publication number
- CN113327682A CN113327682A CN202010131044.3A CN202010131044A CN113327682A CN 113327682 A CN113327682 A CN 113327682A CN 202010131044 A CN202010131044 A CN 202010131044A CN 113327682 A CN113327682 A CN 113327682A
- Authority
- CN
- China
- Prior art keywords
- search
- keywords
- day
- prediction
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 206010035664 Pneumonia Diseases 0.000 claims description 8
- 208000024891 symptom Diseases 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 4
- 206010022000 influenza Diseases 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000036760 body temperature Effects 0.000 description 3
- 206010037660 Pyrexia Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 208000036071 Rhinorrhea Diseases 0.000 description 1
- 206010039101 Rhinorrhoea Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于关键词搜索时间序列的传染病疫情预测与监控系统、方法及其应用,所述传染病疫情预测与监控系统、方法中,通过搜索引擎中相关搜索关键词的搜索热度作为特征训练lasso回归模型,有效的实时预测各地相关传染病如新型肺炎的疫情,解决了相关指标产出滞后的问题,以提前了解相关疫情情况,并做出有效决策。
Description
技术领域
本发明涉及疫情预测技术领域,特别是涉及一种基于关键词搜索时间序列的传染病疫情预测与监控系统、方法及其应用。
背景技术
传染病疫情的扩散是由千千万万个传播者决定的,而公开数据具有一定滞后性:一来通患者具有明显症状然后才去医院就诊,从就诊到确诊也需要一定时间,二来,确诊后数据的收集到公开也需要时间,除此之外,个别机构还可能存在瞒报问题,由此造成对疫情处理的滞后性,影响疫情规模的有效估计和及时控制。
发明内容
本发明的目的是针对现有技术中存在的传染病疫情数据获取滞后的问题,而提供一种基于关键词搜索时间序列的传染病疫情预测与监控系统。
本发明的另一个目的是提供所述预测与监控系统的预测监控方法。
本发明的另一个目的是提供所述预测监控方法在新冠肺炎预测中的应用。
为实现本发明的目的所采用的技术方案是:
一种基于关键词搜索时间序列的传染病疫情预测与监控系统,包括搜索关键词筛选模块、搜索热度指数网络请求模块和机器学习预测模块,其中:
所述搜索关键词筛选模块用于生成与传染病疫情相关的相关关键词;
所述搜索热度指数网络请求模块用于通过搜索引擎接口获取所述相关关键词对应的搜索热度;
所述机器学习预测模块基于历史数据训练回归模型,并基于新的数据进行预测。
在上述技术方案中,所述机器学习预测模块部署于云端。
在上述技术方案中,所述机器学习预测模块利用python flask框架进行服务器后端部署,搭建http服务。
在上述技术方案中,服务器端开放端口处理互联网传输的请求,互联网的请求通过 http协议完成。
本发明的另一方面,所述传染病疫情预测与监控系统的预测监控方法,包括机器学习预测模块训练阶段和机器学习预测模块预测阶段,其中:所述机器学习预测模块预测阶段包括以下步骤:
步骤S1,在所述搜索关键词筛选模块中,选取与传染病发作症状相关联的关键词作为相关关键词,组成关键词表;
步骤S2,在搜索热度指数网络请求模块中,输入步骤S1中的所述相关关键词,通过搜索引擎接口获取所述相关关键词在实验时间段内对应的搜索热度指数;
步骤S3,数据预处理:把搜索热度指数均值低于热度阈值的相关关键词过滤掉,计算所述关键词与其搜索热度指数之间的相关系数(皮尔逊相关系数),并将相关系数低于相关系数阈值的相关关键词过滤掉;
步骤S4,将步骤S3预处理后的所述相关关键词输入经过训练的所述机器学习预测模块,进行预测,产出预测结果,获得预测日的新增病例数量。
在上述技术方案中,所述步骤S3中的热度阈值为500,相关系数阈值为0.4-0.6。
在上述技术方案中,所述机器学习预测模块训练阶段包括以下步骤。
步骤1,在所述搜索关键词筛选模块中,选取与传染病发作症状相关联的关键词作为相关关键词,组成关键词表;
步骤2,在搜索热度指数网络请求模块中,输入步骤1中的所述相关关键词,通过搜索引擎接口获取所述相关关键词在实验时间段内对应的搜索热度指数;
步骤3,数据预处理:把搜索热度指数均值低于热度阈值的相关关键词过滤掉,计算所述关键词与其搜索热度指数之间的相关系数(皮尔逊相关系数),并将相关系数低于相关系数阈值的相关关键词过滤掉;
步骤4,获取实验时间段内,每日新增病例数量(包括新增确诊人数和疑似人数);
步骤5,建立训练样本:假设第T日的新增传染病确诊人数与前m日的相关关键词的搜索量存在关联关系,即每个样本的特征包含T-m日到T-1日预处理后的每个相关关键词的检索量,设每日有n个相关关键词,另外增加T-m日到T-1日每日新增病例为特征,每个样本包含m(n+1)个特征,每个样本的目标值为第T日的新增病例数量,通过滑动时间窗的方法在目标时间段获得多组样本,所述时间窗的窗长为m天,样本数量=总时间长度-时间窗长+1,每个样本的目标值为第T日的真实新增病例数量,如果使用模型预测未来第N天的新增病例数量,则每个样本的目标值为第T+N日的真实新增病例数量;
基于训练样本数据建立回归模型,模型采用lasso回归模型,求解回归系数的目标函数中使用的惩罚函数是L1范数:
y=θX+e
y为预测第N天的新增病例数量,X为输入的特征向量(所有特征的合集),e为预测误差,通过训练样本数据训练θ向量,使lasso损失函数最小;Lasso回归损失函数表达式:
L1=argmin||y-θX||+λ||θ||
在上述技术方案中,λ为为0.1或自定义数值。
在上述技术方案中,θ向量的计算采用坐标轴下降法:
步骤(3)检查θ向量和θ向量在各个维度上的变化情况,如果在所有维度上变化都小于 0.0001,那么即为最终结果,否则继续步骤(2)中第k+1轮的迭代。
在上述技术方案中,所述步骤3中的热度阈值为400-600,相关系数阈值为0.4-0.6。
本发明的另一方面,还包括所述预测监控方法在流感或新冠肺炎预测中的应用。
与现有技术相比,本发明的有益效果是:
1.相关搜索关键词的搜索热度可以一定程度反映各地居民的健康状况,并且这些数据基本是可以实时统计的,再通过机器学习技术基于这些实时的搜索信息预测出疫情状况,有助于有关部分及时的制定相关决策。
2.本发明可使用省份或城市粒度的训练和测试数据进行训练和预测,监控各个省市的疫情情况,或提前预测新型肺炎等传染疾病将在哪些省份存在爆发风险。比如图2所示,在其他信息量不足的情况下提前预判某城市病毒扩散的形式。
3.可以通过机器学习技术基于关键搜索词实时的搜索信息预测出新型肺炎等疾病的传播情况,包括传播加速或收敛,解决了相关指标统计滞后的问题,可以及时量化和监控各地当前的疾病传播情况,并做出预警和有效决策。
附图说明
图1是关键词“体温”搜索热度指数随新型肺炎爆发情况;
图2是某地区关键词“体温”搜索热度指数随疫情爆发情况,曲线显示1月22日左右疫情已经爆发。
具体实施方式
以下结合具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
一种基于关键词搜索时间序列的传染病疫情预测与监控系统,包括搜索关键词筛选模块、搜索热度指数网络请求模块和机器学习预测模块,其中:
所述搜索关键词筛选模块用于生成与传染病疫情相关的相关关键词;
所述搜索热度指数网络请求模块用于通过搜索引擎接口获取所述相关关键词对应的搜索热度;
所述机器学习预测模块基于历史数据训练回归模型,并基于新的数据进行预测。
所述机器学习预测模块部署于云端。利用python flask框架进行服务器后端部署,搭建http服务。云端系统可以选用阿里云。服务器端开放某一端口如8080,处理互联网传输的请求。互联网的请求通过http协议完成,搜索关键词可以包含在url参数中,如http://***/?keyword=某城市&date=20200220。
实施例2
以新冠肺炎为例,对基于关键词搜索时间序列的传染病疫情预测与监控系统的预测监控方法,进行详细说明。
所述预测监控方法包括机器学习预测模块训练阶段和机器学习预测模块预测阶段,其中:所述机器学习预测模块训练阶段包括以下步骤:
所述搜索关键词筛选模块选取与新型肺炎发作症状相关联的若干关键词组成关键词表,包括
步骤1,在所述搜索关键词筛选模块中,选取与传染病发作症状相关联的关键词作为相关关键词,相关关键词包括“发烧”,“发热”,“乏力”,“咳嗽”,“体温”等。
步骤2,在搜索热度指数网络请求模块中,输入步骤1中的所述相关关键词,通过搜索引擎接口获取所述相关关键词在实验时间段内对应的搜索热度指数;选取一段时间段为实验时间段,如2020年1月20日到2020年3月20日,相关搜索引擎如百度。
步骤3,数据预处理:把搜索热度指数均值低于热度阈值(选定为500)的相关关键词过滤掉,计算所述关键词与其搜索热度指数之间的相关系数(皮尔逊相关系数),并将相关系数低于相关系数阈值(选定为0.5)的相关关键词过滤掉;
步骤4,通过国内权威渠道的公开报道获取实验时间段内,每日新增病例数量(包括新增确诊人数和疑似人数);
步骤5,建立训练样本:假设第T日的新增传染病确诊人数与前m日的相关关键词的搜索量存在关联关系,即每个样本的特征包含T-m日到T-1日预处理后的每个相关关键词的检索量,设每日有n个相关关键词,另外增加T-m日到T-1日每日新增病例为特征,每个样本包含m(n+1)个特征,每个样本的目标值为第T日的新增病例数量,通过滑动时间窗的方法在目标时间段获得多组样本,所述时间窗的窗长为m天,样本数量=总时间长度-时间窗长 +1,每个样本的目标值为第T日的真实新增病例数量,如果使用模型预测未来第N天的新增病例数量,则每个样本的目标值为第T+N日的真实新增病例数量;
基于训练样本数据建立回归模型,模型采用lasso回归模型,求解回归系数的目标函数中使用的惩罚函数是L1范数:
y=θX+e
y为预测第N天的新增病例数量,X为输入的特征向量(所有特征的合集),e为预测误差,通过训练样本数据训练θ向量,使lasso损失函数最小;Lasso回归损失函数表达式:
L1=argmin||y-θX||+λ||θ||
Lasso的基本思想是在回归系数的绝对值之和小于一个常数的约束条件下,使残差1范数最小化,从而能够产生符合条件的回归系数,得到可以解释的模型。Lasso的复杂程度由λ来控制,λ越大对变量较多的线性模型的惩罚力度就越大,从而最终获得一个变量较少的模型。λ为0.1或自定义数值。
由于L1正则化项用的是绝对值之和,导致损失函数有不可导的点。也就是说,梯度下降法等优化算法会失效。这里θ向量的计算采用坐标轴下降法:
步骤(3)检查θ向量和θ向量在各个维度上的变化情况,如果在所有维度上变化都小于 0.0001,那么即为最终结果,否则继续步骤(2)中第k+1轮的迭代。
所述机器学习预测模块训练阶段预测过程如下,基于最新10天的搜索关键词数据及其他特征,经过和训练样本构造过程相同的预处理和特征提取过程,输入到机器学习模型,产出预测结果。
实施例3
实施例2的方法同样适用于其他传染类的疾病,比如流感等,搜索关键词可替换为流涕,发热等。其他过程一致。
以上所述仅是本发明的优选实施方式,应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于关键词搜索时间序列的传染病疫情预测与监控系统,其特征在于,包括搜索关键词筛选模块、搜索热度指数网络请求模块和机器学习预测模块,其中:
所述搜索关键词筛选模块用于生成与传染病疫情相关的相关关键词;
所述搜索热度指数网络请求模块用于通过搜索引擎接口获取所述相关关键词对应的搜索热度;
所述机器学习预测模块基于历史数据训练回归模型,并基于新的数据进行预测。
2.如权利要求1所述的基于关键词搜索时间序列的传染病疫情预测与监控系统,其特征在于,所述机器学习预测模块部署于云端,所述机器学习预测模块利用python flask框架进行服务器后端部署,搭建http服务。
3.如权利要求1所述的基于关键词搜索时间序列的传染病疫情预测与监控系统,其特征在于,服务器端开放端口处理互联网传输的请求,互联网的请求通过http协议完成。
4.如权利要求1所述的基于关键词搜索时间序列的传染病疫情预测与监控系统的预测监控方法,其特征在于,包括机器学习预测模块训练阶段和机器学习预测模块预测阶段,其中:所述机器学习预测模块预测阶段包括以下步骤:
步骤S1,在所述搜索关键词筛选模块中,选取与传染病发作症状相关联的关键词作为相关关键词,组成关键词表;
步骤S2,在搜索热度指数网络请求模块中,输入步骤S1中的所述相关关键词,通过搜索引擎接口获取所述相关关键词在实验时间段内对应的搜索热度指数;
步骤S3,数据预处理:把搜索热度指数均值低于热度阈值的相关关键词过滤掉,计算所述关键词与其搜索热度指数之间的相关系数,并将相关系数低于相关系数阈值的相关关键词过滤掉;
步骤S4,将步骤S3预处理后的所述相关关键词输入经过训练的所述机器学习预测模块,进行预测,产出预测结果,获得预测日的新增病例数量。
5.如权利要求4所述的预测监控方法,其特征在于,所述步骤S3中的热度阈值为500,相关系数阈值为0.4-0.6。
6.如权利要求4所述的预测监控方法,其特征在于,所述机器学习预测模块训练阶段包括以下步骤:
步骤1,在所述搜索关键词筛选模块中,选取与传染病发作症状相关联的关键词作为相关关键词,组成关键词表;
步骤2,在搜索热度指数网络请求模块中,输入步骤1中的所述相关关键词,通过搜索引擎接口获取所述相关关键词在实验时间段内对应的搜索热度指数;
步骤3,数据预处理:把搜索热度指数均值低于热度阈值的相关关键词过滤掉,计算所述关键词与其搜索热度指数之间的相关系数,并将相关系数低于相关系数阈值的相关关键词过滤掉;
步骤4,获取实验时间段内,每日新增病例数量;
步骤5,建立训练样本:假设第T日的新增传染病确诊人数与前m日的相关关键词的搜索量存在关联关系,即每个样本的特征包含T-m日到T-1日预处理后的每个相关关键词的检索量,设每日有n个相关关键词,另外增加T-m日到T-1日每日新增病例为特征,每个样本包含m(n+1)个特征,每个样本的目标值为第T日的新增病例数量,通过滑动时间窗的方法在目标时间段获得多组样本,所述时间窗的窗长为m天,样本数量=总时间长度-时间窗长+1,每个样本的目标值为第T日的真实新增病例数量,如果使用模型预测未来第N天的新增病例数量,则每个样本的目标值为第T+N日的真实新增病例数量;
基于训练样本数据建立回归模型,模型采用lasso回归模型,求解回归系数的目标函数中使用的惩罚函数是L1范数:
y=θX+e
y为预测第N天的新增病例数量,X为输入的特征向量,e为预测误差,通过训练样本数据训练θ向量,使lasso损失函数最小;Lasso回归损失函数表达式:
L1=argmin||y-θX||+λ||θ||。
7.如权利要求6所述的预测监控方法,其特征在于,λ为为0.1或自定义数值。
9.如权利要求6所述的预测监控方法,其特征在于,所述步骤3中的热度阈值为400-600,相关系数阈值为0.4-0.6。
10.如权利要求4所述的预测监控方法在流感或新冠肺炎预测中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131044.3A CN113327682A (zh) | 2020-02-28 | 2020-02-28 | 一种基于关键词搜索时间序列的传染病疫情预测与监控系统、方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131044.3A CN113327682A (zh) | 2020-02-28 | 2020-02-28 | 一种基于关键词搜索时间序列的传染病疫情预测与监控系统、方法及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113327682A true CN113327682A (zh) | 2021-08-31 |
Family
ID=77412917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010131044.3A Pending CN113327682A (zh) | 2020-02-28 | 2020-02-28 | 一种基于关键词搜索时间序列的传染病疫情预测与监控系统、方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113327682A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114023447A (zh) * | 2021-12-06 | 2022-02-08 | 清华大学 | 罕见病患者数量预测模型训练方法及装置 |
CN114334171A (zh) * | 2021-12-06 | 2022-04-12 | 中国医学科学院北京协和医院 | 基于病例登记和搜索引擎的罕见病流行病学数据库构建方法及系统 |
CN115631869A (zh) * | 2022-11-28 | 2023-01-20 | 北京理工大学 | 一种传染病预测模型的构建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108172301A (zh) * | 2018-01-31 | 2018-06-15 | 中国科学院软件研究所 | 一种基于梯度提升树的蚊媒传染病疫情预测方法及系统 |
CN108319700A (zh) * | 2018-02-05 | 2018-07-24 | 广东广垦畜牧工程研究院有限公司 | 一种基于网络搜索指数的猪肺疫预测方法 |
CN108389631A (zh) * | 2018-02-07 | 2018-08-10 | 平安科技(深圳)有限公司 | 水痘发病预警方法、服务器及计算机可读存储介质 |
CN110136841A (zh) * | 2019-03-27 | 2019-08-16 | 平安科技(深圳)有限公司 | 疾病发病预测方法、装置及计算机可读存储介质 |
CN110753971A (zh) * | 2017-06-12 | 2020-02-04 | 皇家飞利浦有限公司 | 用于动态监测患者状况和预测不良事件的系统和方法 |
CN111462919A (zh) * | 2020-03-31 | 2020-07-28 | 中国科学院软件研究所 | 一种基于滑动窗口时序模型的虫媒疾病预测方法及系统 |
-
2020
- 2020-02-28 CN CN202010131044.3A patent/CN113327682A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110753971A (zh) * | 2017-06-12 | 2020-02-04 | 皇家飞利浦有限公司 | 用于动态监测患者状况和预测不良事件的系统和方法 |
CN108172301A (zh) * | 2018-01-31 | 2018-06-15 | 中国科学院软件研究所 | 一种基于梯度提升树的蚊媒传染病疫情预测方法及系统 |
CN108319700A (zh) * | 2018-02-05 | 2018-07-24 | 广东广垦畜牧工程研究院有限公司 | 一种基于网络搜索指数的猪肺疫预测方法 |
CN108389631A (zh) * | 2018-02-07 | 2018-08-10 | 平安科技(深圳)有限公司 | 水痘发病预警方法、服务器及计算机可读存储介质 |
CN110136841A (zh) * | 2019-03-27 | 2019-08-16 | 平安科技(深圳)有限公司 | 疾病发病预测方法、装置及计算机可读存储介质 |
CN111462919A (zh) * | 2020-03-31 | 2020-07-28 | 中国科学院软件研究所 | 一种基于滑动窗口时序模型的虫媒疾病预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
郭貔等: "基于 LASSO 回归模型与百度搜索数据", 《中国卫生统计》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114023447A (zh) * | 2021-12-06 | 2022-02-08 | 清华大学 | 罕见病患者数量预测模型训练方法及装置 |
CN114334171A (zh) * | 2021-12-06 | 2022-04-12 | 中国医学科学院北京协和医院 | 基于病例登记和搜索引擎的罕见病流行病学数据库构建方法及系统 |
CN115631869A (zh) * | 2022-11-28 | 2023-01-20 | 北京理工大学 | 一种传染病预测模型的构建方法 |
CN115631869B (zh) * | 2022-11-28 | 2023-05-05 | 北京理工大学 | 一种传染病预测模型的构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113327682A (zh) | 一种基于关键词搜索时间序列的传染病疫情预测与监控系统、方法及其应用 | |
CN110222371B (zh) | 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法 | |
Gao et al. | A neural network-based joint prognostic model for data fusion and remaining useful life prediction | |
CN105095918B (zh) | 一种多机器人系统故障诊断方法 | |
CN111340282A (zh) | 基于da-tcn的设备剩余使用寿命的估计方法及系统 | |
CN110309537B (zh) | 一种飞行器的智能健康预测方法及系统 | |
Zhang et al. | Active information fusion for decision making under uncertainty | |
CN115757813A (zh) | 一种基于故障时序知识图谱的装备剩余寿命预测方法 | |
CN111612262A (zh) | 一种基于分位数回归的风电功率概率预测方法 | |
CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
Yang et al. | Remaining useful life prediction based on normalizing flow embedded sequence-to-sequence learning | |
CN117175588B (zh) | 基于时空相关性的用电负荷预测方法及装置 | |
CN114723003A (zh) | 一种基于时序卷积和关系建模的事件序列预测方法 | |
CN116663419A (zh) | 一种基于优化的Elman神经网络的无传感器设备故障预测方法 | |
CN116308854A (zh) | 一种基于概率扩散的信息级联流行度预测方法及系统 | |
CN115081585A (zh) | 一种强化异构图神经网络的人机物协同异常状态检测方法 | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
CN115660147A (zh) | 一种基于传播路径间与传播路径内影响力建模的信息传播预测方法及系统 | |
Liao et al. | Nonparametric and semi-parametric sensor recovery in multichannel condition monitoring systems | |
CN114266201A (zh) | 一种基于深度学习的自注意力电梯困人预测方法 | |
Bektas et al. | A neural network framework for similarity-based prognostics | |
CN112767692A (zh) | 基于SARIMA-GA-Elman组合模型的短时交通流量预测系统 | |
CN117131979A (zh) | 基于有向超图及注意力机制的交通流速度预测方法及系统 | |
CN114757391B (zh) | 一种面向服务质量预测的网络数据空间设计与应用方法 | |
CN115659201A (zh) | 物联网气体浓度检测方法及监控系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210831 |
|
RJ01 | Rejection of invention patent application after publication |