CN113658713B - 传染趋势预测方法、装置、设备及存储介质 - Google Patents

传染趋势预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113658713B
CN113658713B CN202110018535.1A CN202110018535A CN113658713B CN 113658713 B CN113658713 B CN 113658713B CN 202110018535 A CN202110018535 A CN 202110018535A CN 113658713 B CN113658713 B CN 113658713B
Authority
CN
China
Prior art keywords
prediction
prediction result
historical
time period
infection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110018535.1A
Other languages
English (en)
Other versions
CN113658713A (zh
Inventor
林民龙
赵瑞辉
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202110018535.1A priority Critical patent/CN113658713B/zh
Publication of CN113658713A publication Critical patent/CN113658713A/zh
Application granted granted Critical
Publication of CN113658713B publication Critical patent/CN113658713B/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
    • 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

  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种传染趋势预测方法、装置、设备及存储介质，属于人工智能领域。述方法包括：获取传染病的历史传染数据；调用至少一个从预测模型基于所述历史传染数据进行预测，得到所述目标时间段的至少一个预测结果；调用主预测模型将所述至少一个预测结果和所述历史传染数据作为输入特征进行预测，得到所述融合预测结果；输出所述传染趋势在所述目标时间段的融合预测结果。本申请能够提高对传染趋势的预测精度。

Description

传染趋势预测方法、装置、设备及存储介质
技术领域
本申请实施例涉及人工智能领域，特别涉及一种传染趋势预测方法、装置、设备及存储介质。
背景技术
诸如流感、新冠之类的呼吸道传染病是疫情防控部门的监查重点。
相关技术中，疫情防控部门通过人工、电话、门诊登记等方式来对呼吸道传染病的传染人数进行监查。在得到每日的传染人数后，采用传染病预测模型SIR来进行传染趋势预测。传染病预测模型SIR存在三个主要变量：易感人群S、感染人群I和恢复人群R。
由于传染病的传染过程受多重因素影响，上述传染病预测模型SIR的预测精度有限。
发明内容
本申请提供了一种传染趋势预测方法、装置、设备及存储介质，能够采用主预测模型和从预测模型的融合预测结果提高对传染趋势的预测精度。所述技术方案如下：
根据本申请的一方面，提供了一种传染趋势预测方法，所述方法包括：
获取传染病的历史传染数据；
调用至少一个从预测模型基于所述历史传染数据进行预测，得到所述目标时间段的至少一个预测结果；
调用主预测模型将所述至少一个预测结果和所述历史传染数据作为输入特征进行预测，得到所述目标时间段的融合预测结果；
输出所述传染趋势在所述目标时间段的融合预测结果。
根据本申请的另一方面，提供了一种传染趋势预测装置，所述装置包括：
获取模块，用于获取传染病的历史传染数据；
预测模块，用于调用至少一个从预测模型基于所述历史传染数据进行预测，得到所述目标时间段的至少一个预测结果；调用主预测模型将所述至少一个预测结果和所述历史传染数据作为输入特征进行预测，得到所述目标时间段的融合预测结果；
输出模块，用于输出所述传染趋势在所述目标时间段的融合预测结果。
在本申请的一个可能设计中，所述主预测模型是回归模型，所述从预测模型包括：时间序列模型和传染病预测模型；
所述预测模块，用于调用所述时间序列模型基于所述历史传染数据进行预测，得到所述目标时间段的第一预测结果；以及调用所述时间序列模型基于所述历史传染数据进行预测，得到所述目标时间段的第二预测结果；
所述预测模块，用于调用所述回归模型将所述第一预测结果、所述第二预测结果和所述历史传染数据作为输入特征进行预测，得到所述融合预测结果。
在本申请的一个可能设计中，所述回归模型包括适用于平稳期的第一回归模型和适用于爆发期的第二回归模型；
所述预测模块，用于响应于所述历史传染数据属于所述平稳期的传染数据，调用所述第一回归模型将所述第一预测结果、所述第二预测结果和所述历史传染数据作为输入特征进行预测，得到所述融合预测结果；响应于所述历史传染数据属于所述爆发期的传染数据，调用所述第二回归模型将所述第一预测结果、所述第二预测结果和所述历史传染数据作为输入特征进行预测，得到所述融合预测结果。
在本申请的一个可能设计中，所述时间序列模型包括具有不同参数的n1个时间序列模型，n1为大于1的整数；
所述预测模块，用于调用所述n1个时间序列模型基于所述历史传染数据进行预测，得到所述目标时间段的n1个第一预测结果。
在本申请的一个可能设计中，所述传染病预测模型包括具有不同参数的n2个传染病预测模型，n2为大于1的整数；
所述预测模块，用于调用所述n2个传染病预测模型基于所述历史传染数据进行预测，得到所述目标时间段的n2个第二预测结果。
在本申请的一个可能设计中，所述获取模块，用于获取所述传染病的如下数据中的至少一种，作为所述历史传染数据：
在第一历史时间段的不同年龄段的人群的入院率；
在第二历史时间段的阳性率；
在第三历史时间段的所述阳性率的斜率变化；
所述目标时间段在当前年度的周排序信息；
所述目标时间段在所述当前年度的季度排序信息；
所述目标时间段的气候信息；
数据所属时间段的季节交替情况；
所述传染病在目标维度上的时间序列特征；
其中，所述目标维度包括：易感人数、感染人数、移除人数、所述阳性率中的至少一种。
在本申请的一个可能设计中，所述装置还包括：
训练模块，用于在所述回归模型的训练过程中，根据训练样本中的阳性率为所述训练样本设置权重，所述阳性率与所述权重呈正相关关系。
根据本申请的一个方面，提供了一种计算机设备，所述计算机设备包括：处理器和存储器，所述存储器存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如上所述的传染趋势预测方法。
根据本申请的另一方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序由处理器加载并执行以实现如上所述的传染趋势预测方法。
根据本申请的另一方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机指令，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方面提供的传染趋势预测方法。
本申请实施例提供的技术方案带来的有益效果至少包括：
通过提供级联的从预测模型和主预测模型，调用至少一个从预测模型基于历史传染数据进行预测，得到目标时间段的至少一个预测结果；再调用主预测模型将至少一个预测结果和历史传染数据作为输入特征进行预测，得到目标时间段的融合预测结果。由于该融合预测结果是基于多个不同的预测模型的预测结果得到的，因此能够获得比单个预测模型更为准确的预测结果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请一个示例性实施例提供的通信系统的结构框图；
图2示出了本申请一个示例性实施例提供的传染趋势预测方法的流程图；
图3示出了本申请另一个示例性实施例提供的多个预测模型的模型示意图；
图4示出了本申请另一个示例性实施例提供的多个预测模型的模型示意图；
图5示出了本申请另一个示例性实施例提供的传染趋势预测方法的流程图；
图6示出了本申请一个示例性实施例提供的传染趋势预测方法的模型示意图；
图7示出了本申请一个示例性实施例提供的SIR模型的模型示意图；
图8示出了本申请一个示例性实施例提供的传染趋势预测方法的流程图；
图9示出了本申请一个示例性实施例提供的传染趋势预测方法的模型示意图；
图10示出了本申请一个示例性实施例提供的流感趋势预测方法的模型示意图；
图11示出了本申请一个示例性实施例提供的传染趋势预测装置的框图；
图12示出了本申请一个示例性实施例提供的计算机设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
应当理解的是，在本文中提及的“若干个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
为了方便理解，下面对本申请实施例中涉及的名词进行说明。
1)人工智能(Artificial Intelligence，AI)
人工智能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。
2)计算机视觉(Computer Vision，CV)
计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、光学字符识别(OpticalCharacter Recognition，OCR)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D(3Dimensional，三维)技术、虚拟现实、增强现实、同步定位与地图构建等技术。
3)机器学习(Machine Learning，ML)
机器学习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、示教学习等技术。
4)自然语言处理(Nature Language processing,NLP)
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
本申请实施例提供的方案涉及人工智能的自然语言处理、图像处理、机器学习等技术，具体通过如下实施例进行说明：
本申请实施例的方案包括模型训练阶段和传染趋势预测阶段。图1是根据一示例性实施例示出的一种传染趋势预测系统的示意图。如图1所示，在模型训练阶段，模型训练设备110通过预先设置好的训练样本集训练出准确性较高的传染趋势预测模型，在传染趋势预测阶段，传染趋势预测设备120根据训练出的传染趋势预测模型以及输入的历史传染数据，预测出未来时间段的传染趋势。
其中，上述模型训练设备110和传染趋势预测设备120可以是具有机器学习能力的计算机设备，比如，该计算机设备可以是终端或服务器。
可选的，上述模型训练设备110和传染趋势预测设备120可以是同一个计算机设备，或者，模型训练设备110和传染趋势预测设备120也可以是不同的计算机设备。并且，当模型训练设备110和传染趋势预测设备120是不同的设备时，模型训练设备110和传染趋势预测设备120可以是同一类型的设备，比如模型训练设备110和传染趋势预测设备120可以都是服务器；或者，模型训练设备110和传染趋势预测设备120也可以是不同类型的设备。上述服务器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(Content Delivery Network，内容分发网络)、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。上述终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
图2示出了本申请一个示例性实施例示出的传染趋势预测方法的流程图。本实施例以该方法由图1所示的传染趋势预测设备120来执行进行举例说明，下文将传染趋势预测设备120简称为预测设备。该方法包括：
步骤202：获取传染病的历史传染数据；
传染病分为甲类、乙类和丙类。甲类传染病是指鼠疫、霍乱。乙类传染病包括传染性非典型肺炎、艾滋病、病毒性肝炎等。丙类传染病包括流行性感冒、流行性腮腺炎、风疹等。对乙类传染病中传染性非典型肺炎、炭疽中的肺炭疽和人感染高致病性禽流感，采取甲类传染病的预防、控制措施。
在各级医院、疾控中心以及新闻媒体等数据源所涉及的服务器中，存储有传染病的历史传染数据。历史传染数据是在第一时间段内，通过人工、电话、网络、门诊等途径针对传染病所采集的传染数据。预测设备从各种数据源的服务器中，获取传染病的历史传染数据。
历史传染数据包括但不限于：各个年龄段的入院率、时间序列特征、第一时间段的时间信息、第一时间段的环境气候信息、传染病的阳性率、传染病的阳性率的变化斜率中的至少一种。
步骤204：调用至少两个不同的预测模型基于历史传染数据进行预测，得到传染趋势在目标时间段的融合预测结果；
预测设备中设置有至少两个不同的预测模型。该预测模型包括机器学习模型、神经网络模型或数学模型中的至少一种。不同种类的预测模型所需输入的历史传染数据相同或不同，对此不加以限定。
至少两个不同的预测模型可以串联设置，也可以并联设置，还可以部分串联部分并联。预测设备调用至少两个不同的预测模型基于历史传染数据进行预测，得到传染趋势在目标时间段的融合预测结果。
步骤206：输出传染趋势在目标时间段的融合预测结果。
综上所述，本实施例提供的方法，通过融合多个不同的预测模型的预测结果，得到传染趋势在目标时间段的融合预测结果。由于该融合预测结果是基于多个不同的预测模型的预测结果得到的，因此能够获得比单个预测模型更为准确的预测结果。
在图2所示的实施例中，至少存在如下两种融合方式：
融合方式一：
如图3所示，至少两个不同的预测模型包括：主预测模型32和至少一个从预测模型34。从预测模型34的预测结果作为输入特征，与历史传染数据一起输入至主预测模型32进行预测，从而得到融合预测结果。
融合方式二：
如图4所示，至少两个不同的预测模型包括：m个并列的预测模型，m个并列的预测模型分别基于历史传染数据进行预测，得到m个预测结果；计算m个预测结果的加权和，将加权和确定为融合预测结果。
针对上述融合方式一，图5示出了本申请另一个示例性实施例提供的传染趋势预测方法的流程图。该方法包括：
步骤302：获取传染病的历史传染数据；
在各级医院、疾控中心以及新闻媒体等数据源所涉及的服务器中，存储有传染病的历史传染数据。历史传染数据是在第一时间段内，通过人工、电话、网络、门诊等途径针对传染病所采集的传染数据。预测设备从各种数据源的服务器中，获取传染病的历史传染数据。
历史传染数据包括但不限于：各个年龄段的入院率、时间序列特征、第一时间段的时间信息、第一时间段的环境气候信息、传染病的阳性率、传染病的阳性率的变化斜率中的至少一种。
本实施例中，以至少两个预测模型是图3所示的预测模型来举例说明。
步骤304：调用至少一个从预测模型基于历史传染数据进行预测，得到目标时间段的至少一个预测结果；
示例性的如图6所示，假设主预测模型是回归模型62，从预测模型包括：时间序列模型64和传染病预测模型66。
预测设备调用时间序列模型64基于历史传染数据进行预测，得到目标时间段的第一预测结果。
示例性的，时间序列模型64的输入是传染病在历史时间段的历史传染数据，输出是传染病在目标时间段的第一预测结果。历史时间段位于目标时间段之前，比如，历史时间段是最近一年、最近半年、最近一个季度、最近一周、最近3天或最近1天等。目标时间段是未来一个月、未来一周、未来3天或未来1天。时间序列模型64是在生产和科学研究中，对某一个或一组变量x(t)进行观察测量，将在一系列时刻t1，t2，…，tn(t为自变量)按照时间次序排列，并用于解释变量和相互关系的数学表达式。时间序列模型64根据对传染病在历史时间段进行观测得到的时间序列数据，用曲线拟合方法对传染病进行客观的描述。
预测设备调用传染病预测模型66基于历史传染数据进行预测，得到目标时间段的第二预测结果。示例性的，传染病预测模型66是易感者、感染者、移除者(Susceptible、Infective、Removal，SIR)模型。这个模型本身是在研究这三者的关系。在病毒最开始的时候，所有人都是易感者，也就是所有人都有可能中病毒；当一部分人在接触到病毒以后中病毒了，变成了感染者；感染者会接受各种治疗，最后变成了移除者。
如图7所示，在病毒最开始的时候S＝N，然后S以每天α的速度变到I，I又以每天β的速度变到R，不同时刻t下这三者的关系为：
N(t)＝S(t)+I(t)+R(t)；
S(t+1)＝S(t)-αS(t)；
I(t+1)＝I(t)-βI(t)；
R(t+1)＝R(t)+βI(t)。
如果想要获取某个时间t对应的S、I、R人数，则需要知道α和β值，以及初始的S0和I0值。其中，α、β、S0和I0值可以从历史传染数据中得到。
需要说明的是，上述从预测模型的类型和数量不限，可以是更多或更少的预测模型。预测设备调用各个从预测模型时的调用时机互相独立，可以同时调用，依次调用，或同时调用一部分，再调用另一部分，本实施例对预测设备调用各个从预测模型的调用时机不加以限定。
在一个示例性的例子中，时间序列模型包括具有不同参数的n1个时间序列模型，n1为大于1的整数。预测设备分别调用n1个时间序列模型基于历史传染数据进行预测，得到目标时间段的n1个第一预测结果。该n1个时间序列模型是基于不同的样本数据集训练得到的，或者，该n1个时间序列模型所需的输入特征是存在不同的。
相应的，预测设备将n1个第一预测结果作为主预测模型的n1个输入特征。
在一个示例性的例子中，传染病预测模型包括具有不同参数的n2个传染病预测模型，n2为大于1的整数。预测设备分别调用n2个传染病预测模型基于历史传染数据进行预测，得到目标时间段的n2个第二预测结果。该n2个传染病预测模型是基于不同的样本数据集训练得到的，或者，该n2个传染病预测模型所需的输入特征是存在不同的。
步骤306：调用主预测模型将至少一个预测结果和历史传染数据作为输入特征进行预测，得到目标时间段的融合预测结果；
示例性的如图6所示，预测设备调用回归模型62将第一预测结果、第二预测结果和历史传染数据作为输入特征进行预测，得到融合预测结果。
在第一预测结果为n1个的情况下，预测设备调用回归模型62将n1个第一预测结果、第二预测结果和历史传染数据作为输入特征进行预测，得到融合预测结果。
在第二预测结果为n2个的情况下，预测设备调用回归模型62将第一预测结果、n2个第二预测结果和历史传染数据作为输入特征进行预测，得到融合预测结果。
在第一预测结果为n1个以及第二预测结果为n2个的情况下，预测设备调用回归模型62将n1个第一预测结果、n2个第二预测结果和历史传染数据作为输入特征进行预测，得到融合预测结果。
在示例性的例子中，回归模型62采用XGBoost模型、逻辑回归模型、其它决策树模型、深度神经网络模型中的任意一种实现。以回归模型是XGBoost模型为例，XGBoost是一种集成学习算法，属于3类常用的集成方法(bagging，boosting，stacking)中的boosting算法类别。它是一个加法模型，基模型一般选择树模型，但也可以选择其它类型的模型如逻辑回归等。
在示例性的例子中，回归模型62中输入的历史传染数据，包括如下数据中的至少一种：
·在第一历史时间段的不同年龄段的人群的入院率；
比如，最近一周的各个年龄段的人群的入院率。
·在第二历史时间段的阳性率；
比如，最近几周的阳性率。
·在第三历史时间段的阳性率的斜率变化；
比如，最近几周阳性率的变化斜率。
·目标时间段在当前年度的周排序信息；
比如，目标周次，待预测的目标周是一年中的第几周。
·目标时间段在当前年度的季度排序信息；
比如，目标周次，待预测的目标周是一年中的第几个季度。
·目标时间段的气候信息；
比如目标时间段是一周，则目标时间段的气候信息包括目标周的气温、天气状况、湿度、空气质量，每一项都计算一周的最大值、最小值、均值、方差等。
·历史传染数据所处时间段的季节交替情况；
比如，过去几周包含的季节数(是否季节交替)。当季节数为1时，不存在季节交替；当季节数为2时，存在季节交替。
·传染病在目标维度上的时间序列特征；
目标维度包括：易感人数、感染人数、移除人数、阳性率中的至少一种。比如，时间序列特征包括统计维度在最近几周的最大值、最小值、均值、方差等统计数值。该统计维度可以是易感者、感染者、移除者、阳性率等。
在一个可能的设计中，由于呼吸道类的传染病存在区别明显的平稳期和爆发期。回归模型包括适用于平稳期的第一回归模型和适用于爆发期的第二回归模型。其中，第一回归模型是基于平稳期的训练样本训练得到的，第二回归模型是基于爆发期的训练样本训练得到的。
响应于历史传染数据属于平稳期的传染数据，预测设备调用第一回归模型将第一预测结果、第二预测结果和历史传染数据作为输入特征进行预测，得到融合预测结果。比如，在最近一周的阳性率小于阈值的情况下，预测设备调用第一回归模型将第一预测结果、第二预测结果和历史传染数据作为输入特征进行预测，得到融合预测结果。该阈值是用于评判阳性率是否为平稳期阳性率或爆发期阳性率的门限值，可以由经验值来设定。
响应于历史传染数据属于爆发期的传染数据，预测设备调用第二回归模型将第一预测结果、第二预测结果和历史传染数据作为输入特征进行预测，得到融合预测结果。比如，在最近一周的阳性率大于阈值的情况下，预测设备调用第二回归模型将第一预测结果、第二预测结果和历史传染数据作为输入特征进行预测，得到融合预测结果。
步骤308：输出传染趋势在目标时间段的融合预测结果。
该融合预测结果可以输出至屏幕显示、输出至新闻媒体进行发布、输出至医疗机构进行参考和研究等，具体输出方式不加以限定。
综上所述，本实施例提供的方法，通过提供级联的从预测模型和主预测模型，调用至少一个从预测模型基于历史传染数据进行预测，得到目标时间段的至少一个预测结果；再调用主预测模型将至少一个预测结果和历史传染数据作为输入特征进行预测，得到目标时间段的融合预测结果。由于该融合预测结果是基于多个不同的预测模型的预测结果得到的，因此能够获得比单个预测模型更为准确的预测结果。
针对上述融合方式二，图8示出了本申请一个示例性实施例提供的传染趋势预测方法的流程图。该方法包括：
步骤402：获取传染病的历史传染数据；
在各级医院、疾控中心以及新闻媒体等数据源所涉及的服务器中，存储有传染病的历史传染数据。历史传染数据是在第一时间段内，通过人工、电话、网络、门诊等途径针对传染病所采集的传染数据。预测设备从各种数据源的服务器中，获取传染病的历史传染数据。
历史传染数据包括但不限于：各个年龄段的入院率、时间序列特征、第一时间段的时间信息、第一时间段的环境气候信息、传染病的阳性率、传染病的阳性率的变化斜率中的至少一种。
本实施例中，以至少两个预测模型是图4所示的预测模型来举例说明。
步骤404：调用m个预测模型基于历史传染数据进行预测，得到目标时间段的m个预测结果；
示例性的如9所示，m个预测模型包括：时间序列模型72、传染病预测模型74和回归模型76。
预测设备调用时间序列模型72基于历史传染数据进行预测，得到目标时间段的第一预测结果。预测设备调用传染病预测模型74基于历史传染数据进行预测，得到目标时间段的第二预测结果。预测设备调用回归模型76基于历史传染数据进行预测，得到目标时间段的第三预测结果。
需要说明的是，上述预测模型的类型和数量不限，可以是更多或更少的预测模型。预测设备调用各个预测模型时的调用时机互相独立，可以同时调用，依次调用，或同时调用一部分，再调用另一部分，本实施例对预测设备调用各个预测模型的调用时机不加以限定。
示例性的，时间序列模型包括具有不同参数的n1个时间序列模型，n1为大于1的整数。预测设备分别调用n1个时间序列模型基于历史传染数据进行预测，得到目标时间段的n1个第一预测结果。该n1个时间序列模型是基于不同的样本数据集训练得到的，或者，该n1个时间序列模型所需的输入特征是存在不同的。
示例性的，传染病预测模型包括具有不同参数的n2个传染病预测模型，n2为大于1的整数。预测设备分别调用n2个传染病预测模型基于历史传染数据进行预测，得到目标时间段的n2个第二预测结果。该n2个传染病预测模型是基于不同的样本数据集训练得到的，或者，该n2个传染病预测模型所需的输入特征是存在不同的。
示例性的，回归模型包括具有不同参数的n3个回归模型，n3为大于1的整数。预测设备分别调用n3个回归模型基于历史传染数据进行预测，得到目标时间段的n3个第二预测结果。该n3个回归模型是基于不同的样本数据集训练得到的，或者，该n3个回归模型所需的输入特征是存在不同的。
在一个可能的设计中，由于呼吸道类的传染病存在区别明显的平稳期和爆发期。回归模型包括适用于平稳期的m个第一预测模型和适用于爆发期的m个第二预测模型。其中，m个第一预测模型是基于平稳期的训练样本训练得到的，m个第二预测模型是基于爆发期的训练样本训练得到的。
响应于历史传染数据属于平稳期的传染数据，预测设备调用m个第一预测模型将历史传染数据作为输入特征进行预测，得到融合预测结果。比如，在最近一周的阳性率小于阈值的情况下，预测设备调用m个第一预测模型将历史传染数据作为输入特征进行预测，得到融合预测结果。该阈值是用于评判阳性率是否为平稳期阳性率或爆发期阳性率的门限值，可以由经验值来设定。
响应于历史传染数据属于爆发期的传染数据，预测设备调用m个第二预测模型将历史传染数据作为输入特征进行预测，得到融合预测结果。比如，在最近一周的阳性率大于阈值的情况下，预测设备调用m个第二预测模型将历史传染数据作为输入特征进行预测，得到融合预测结果。
步骤406：计算m个预测结果的加权和，将加权和确定为目标时间段的融合预测结果；
示意性的，预测设备计算第一预测结果、第二预测结果和第三预测结果的加权和，将加权和确定为融合预测结果。每个预测结果所对应的权重，是由训练过程中的历史传染数据决定的。
步骤408：输出传染趋势在目标时间段的融合预测结果。
该融合预测结果可以输出至屏幕显示、输出至新闻媒体进行发布、输出至医疗机构进行参考和研究等，具体输出方式不加以限定。
综上所述，本实施例提供的方法，通过融合多个不同的预测模型的预测结果，得到传染趋势在目标时间段的融合预测结果。由于该融合预测结果是基于多个不同的预测模型的预测结果得到的，因此能够获得比单个预测模型更为准确的预测结果。
上述各个模型可以通过相关的训练方法训练得到，比如误差反向传播算法。示意性的，在回归模型的训练过程中，根据训练样本中的阳性率为训练样本设置权重，阳性率与权重呈正相关关系。也即，预先根据每个训练样本中的阳性率为每个训练样本设置权重，阳性率与权重呈正相关关系。
在一个示例性的例子中，以上述传感趋势预测是流感趋势预测为例，融合所需的神经网络模型包括如下三个，如图9所示：
·XGBoost模型；
·时间序列预测模型ARIMA；
·传染病预测模型SIR。
多个神经网络模型融合的形式有两种：一是将时间序列预测模型ARIMA和传染病预测模型SIR的预测结果作为XGBoost模型的输入特征来融合；二是将不同神经网络模型的预测结果进行加权和后，得到融合结果。其中，加权和所涉及的权重由历史传染数据拟合得到。
XGBoost模型
XGBoost模型是一种集成学习算法，其基本思路是通过提升(boosting)的方式生成多个弱决策树，最后集成起来进行预测，主要优点是精度高，不需要做特征的归一化。XGBoost模型能够自动进行特征选择，容易处理缺失值，以及模型可解释性较好，可以适应多种损失函数等。XGBoost模型在许多分类或回归任务上，具有state-of-the-art的效果。
XGBoost模型的主要内容是在特征设计上。本示例设计了如下几类特征中的至少一个：
·最近的一周各年龄段入院率；
·目标周次，待预测目标周是一年中的第几周；
·过去几周包含的季节数(是否季节交替)；
·时间序列特征，包括最近几周的最大值、最小值、均值、方差等统计数值；
·目标周的气温、天气状况、湿度、空气质量，每一项都计算一周的最大值、最小值、均值、方差；
·ARIMA模型的预测结果，采用不同的参数分别建立ARIMA模型，得到多个预测结果；
·SIR模型的预测结果，采用不同参数分别建立SIR模型，得到多个预测结果；
·最近几周的阳性率；
·最近几周阳性率的变化斜率。
此外，在模型训练上，本示例做了以下优化。1.由于阳性率在平时和流感爆发期的差别比较大，为了让模型更好的学习不同时期的走势，本申请按最近一周的阳性率定个阈值，对数据预先划分两类，采样两个模型分别进行训练和预测。2.在训练过程中，对样本数据分别设定权重，当前阳性率越高的样本，权重越大，以使得模型更重视流感爆发之后的样本，对爆发后的数值预测的更准。
ARIMA模型
ARIMA模型全称为自回归积分滑动平均模型(Autoregressive IntegratedMovingAverage，ARIMA)，是时间序列分析中较为经典成熟的方法，其优点在于以过去观测值进行分析与预测，不需考虑其他外部数据。
ARIMA模型是将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模型以一般记为ARIMA(p，d，q)，p，d，q是3个参数。ARIMA模型包含AR、MA和d阶差分。其中，AR是自回归过程，p为自回归项；MA为移动平均过程，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。
自回归过程AR(p)可记为：
Figure GDA0003906968360000121
移动平均过程MA(q)可记为：
Figure GDA0003906968360000122
其中，c是常数项，∈t是白噪声，μ是Xt的均值，一般假设为0。i为不大于p或q的正整数，t和t-i代表时间。
将AR和MA综合起来，得到：
Figure GDA0003906968360000123
忽略常数项，同时采用滞后算子表示法，即滞后算子L可表示Lixt＝xt-i，上式可表示为：
Figure GDA0003906968360000131
对于非平稳并且非周期的时间序列，可以通过差分操作使之变为平稳时间序列。所谓差分是指将当前时刻的值减去前一时刻的值。得到的时间序列还可以继续差分下去，比如总共进行了d次差分操作，就是d阶差分。ARIMA是在AR和MA的基础上进行了d阶差分，可表示为：
Figure GDA0003906968360000132
本示例使用不同的p，q，d分别进行预测，得到不同的预测值，并采取了将预测值作为XGBoost的特征以及将预测结果分别参与模型融合的两种方式对预测结果进行使用。
SIR模型
SIR模型是传染病预测中比较经典的算法，模型中把传染病流行范围内的人群分成易感者(Susceptible)，感染者(Infective)，康复(Recovered)三类，通过动力学进行数学建模得到传染病爆发后的感染数量趋势。
在时间点t时，定义易感染者数量为S(t)，感染者数量为I(t)，康复者数量为R(t)，总人数为N(t)＝S(t)+I(t)+R(t)。用r表示单位时间内感染者接触到的易感染者人数，β表示易感染者接触感染者之后被感染的概率，γ表示感染者康复的概率。SIR模型的图示如7所示。
SIR模型的微分方程为：
Figure GDA0003906968360000133
分析该微分方程，利用已有的感染情况数据进行拟合，可以估算出参数β和γ的值，再给定参数r的值，进行推算预测出未来的趋势。本示例中，使用此模型的不同参数，分别预测出不同的未来趋势值，作为XGBoost的特征输入到XGBoost模型中。
图11示出了本申请一个示例性实施例提供的传染趋势预测装置的框图，所述装置包括：
获取模块1120，用于获取传染病的历史传染数据；
预测模块1140，用于调用至少两个不同的预测模型基于所述历史传染数据进行预测，得到所述传染趋势在目标时间段的融合预测结果；
输出模块1160，用于输出所述传染趋势在所述目标时间段的融合预测结果。
在本实施例的一个可能设计中，所述至少两个不同的预测模型包括：主预测模型和至少一个从预测模型；
所述预测模块1140，用于调用所述至少一个从预测模型基于所述历史传染数据进行预测，得到所述目标时间段的至少一个预测结果；调用所述主预测模型将所述至少一个预测结果和所述历史传染数据作为输入特征进行预测，得到所述目标时间段的融合预测结果。
在本实施例的一个可能设计中，所述主预测模型是回归模型，所述从预测模型包括：时间序列模型和传染病预测模型；
所述预测模块1140，用于调用所述时间序列模型基于所述历史传染数据进行预测，得到所述目标时间段的第一预测结果；以及调用所述时间序列模型基于所述历史传染数据进行预测，得到所述目标时间段的第二预测结果；
所述预测模块1140，用于调用所述回归模型将所述第一预测结果、所述第二预测结果和所述历史传染数据作为输入特征进行预测，得到所述融合预测结果。
在本实施例的一个可能设计中，所述回归模型包括适用于平稳期的第一回归模型和适用于爆发期的第二回归模型；
所述预测模块1140，用于响应于所述历史传染数据属于所述平稳期的传染数据，调用所述第一回归模型将所述第一预测结果、所述第二预测结果和所述历史传染数据作为输入特征进行预测，得到所述融合预测结果；响应于所述历史传染数据属于所述爆发期的传染数据，调用所述第二回归模型将所述第一预测结果、所述第二预测结果和所述历史传染数据作为输入特征进行预测，得到所述融合预测结果。
在本实施例的一个可能设计中，所述至少两个不同的预测模型包括：m个预测模型，m为大于1的整数；
所述预测模块1140，用于调用所述m个预测模型基于所述历史传染数据进行预测，得到所述目标时间段的m个预测结果；计算所述m个预测结果的加权和，将所述加权和确定为所述融合预测结果。
在本实施例的一个可能设计中，所述预测模型包括：时间序列模型、传染病预测模型和回归模型；
所述预测模块1140，用于调用所述时间序列模型基于所述历史传染数据进行预测，得到所述目标时间段的第一预测结果；以及调用所述时间序列模型基于所述历史传染数据进行预测，得到所述目标时间段的第二预测结果；以及调用所述回归模型基于所述历史传染数据进行预测，得到所述目标时间段的第三预测结果；
所述预测模块1140，用于计算所述第一预测结果、所述第二预测结果和所述第三预测结果的加权和，将所述加权和确定为所述融合预测结果。
在本实施例的一个可能设计中，所述m个预测模型包括适用于平稳期的m个第一预测模型和适用于爆发期的m个第二预测模型；
所述预测模块1140，用于响应于所述历史传染数据属于所述平稳期的传染数据，调用所述m个第一预测模型将所述历史传染数据作为输入特征进行预测，得到所述融合预测结果；响应于所述历史传染数据属于所述爆发期的传染数据，调用所述m个第二预测模型将所述历史传染数据作为输入特征进行预测，得到所述融合预测结果。
在本实施例的一个可能设计中，所述时间序列模型包括具有不同参数的n1个时间序列模型；
所述预测模块1140，用于调用所述n1个时间序列模型基于所述历史传染数据进行预测，得到所述目标时间段的n1个第一预测结果。
在本实施例的一个可能设计中，所述传染病预测模型包括具有不同参数的n2个传染病预测模型；
所述预测模块1140，用于调用所述n2个传染病预测模型基于所述历史传染数据进行预测，得到所述目标时间段的n2个第二预测结果。
在本实施例的一个可能设计中，所述获取模块1120，用于获取所述传染病的如下数据中的至少一种，作为所述历史传染数据：
在第一历史时间段的不同年龄段的人群的入院率；
在第二历史时间段的阳性率；
在第三历史时间段的所述阳性率的斜率变化；
所述目标时间段在当前年度的周排序信息；
所述目标时间段在所述当前年度的季度排序信息；
所述目标时间段的气候信息；
数据所属时间段的季节交替情况；
所述传染病在目标维度上的时间序列特征，所述目标维度包括：易感人数、感染人数、移除人数、所述阳性率中的至少一种。
在本实施例的一个可能设计中，所述装置还包括：
训练模块1180，用于在所述回归模型的训练过程中，根据训练样本中的阳性率为所述训练样本设置权重，所述阳性率与所述权重呈正相关关系。
图12是根据一示例性实施例示出的一种计算机设备的结构示意图。所述计算机设备1200包括中央处理单元(Central Processing Unit，CPU)1201、包括随机存取存储器(Random Access Memory，RAM)1202和只读存储器(Read-Only Memory，ROM)1203的系统存储器1204，以及连接系统存储器1204和中央处理单元1201的系统总线1205。所述计算机设备1200还包括帮助计算机设备内的各个器件之间传输信息的基本输入/输出系统(Input/Output，I/O系统)1206，和用于存储操作系统1213、应用程序1214和其他程序模块1215的大容量存储设备1207。
所述基本输入/输出系统1206包括有用于显示信息的显示器1208和用于用户输入信息的诸如鼠标、键盘之类的输入设备1209。其中所述显示器1208和输入设备1209都通过连接到系统总线1205的输入输出控制器1210连接到中央处理单元1201。所述基本输入/输出系统1206还可以包括输入输出控制器1210以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1210还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1207通过连接到系统总线1205的大容量存储控制器(未示出)连接到中央处理单元1201。所述大容量存储设备1207及其相关联的计算机设备可读介质为计算机设备1200提供非易失性存储。也就是说，所述大容量存储设备1207可以包括诸如硬盘或者只读光盘(Compact Disc Read-Only Memory，CD-ROM)驱动器之类的计算机设备可读介质(未示出)。
不失一般性，所述计算机设备可读介质可以包括计算机设备存储介质和通信介质。计算机设备存储介质包括以用于存储诸如计算机设备可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机设备存储介质包括RAM、ROM、可擦除可编程只读存储器(Erasable Programmable ReadOnly Memory，EPROM)、带电可擦可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，EEPROM)，CD-ROM、数字视频光盘(Digital Video Disc，DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机设备存储介质不局限于上述几种。上述的系统存储器1204和大容量存储设备1207可以统称为存储器。
根据本公开的各种实施例，所述计算机设备1200还可以通过诸如因特网等网络连接到网络上的远程计算机设备运行。也即计算机设备1200可以通过连接在所述系统总线1205上的网络接口单元1212连接到网络1211，或者说，也可以使用网络接口单元1212来连接到其他类型的网络或远程计算机设备系统(未示出)。
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，中央处理器1201通过执行该一个或一个以上程序来实现上述传染趋势预测方法的全部或者部分步骤。
在示例性实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述各个方法实施例提供的由第三方业务实体或核心网实体执行的传染趋势预测方法。
本申请还提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述方法实施例提供的传染趋势预测方法。
可选地，本申请还提供了一种包含指令的计算机程序产品，当其在计算机设备上运行时，使得计算机设备执行上述各方面所述的传染趋势预测方法。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种传染趋势预测方法，其特征在于，所述方法包括：
获取传染病的历史传染数据，所述历史传染数据是在第一时间段内对所述传染病所采集的传染数据；
调用时间序列模型基于所述历史传染数据进行预测，得到目标时间段的第一预测结果；以及调用传染病预测模型基于所述历史传染数据进行预测，得到所述目标时间段的第二预测结果；
调用回归模型将所述第一预测结果、所述第二预测结果和所述历史传染数据作为输入特征进行预测，得到所述目标时间段的融合预测结果；
输出所述传染趋势在所述目标时间段的融合预测结果。
2.根据权利要求1所述的方法，其特征在于，所述回归模型包括适用于平稳期的第一回归模型和适用于爆发期的第二回归模型；
所述调用所述回归模型将所述第一预测结果、所述第二预测结果和所述历史传染数据作为输入特征进行预测，得到所述目标时间段的融合预测结果，包括：
响应于所述历史传染数据属于所述平稳期的传染数据，调用所述第一回归模型将所述第一预测结果、所述第二预测结果和所述历史传染数据作为输入特征进行预测，得到所述融合预测结果；
响应于所述历史传染数据属于所述爆发期的传染数据，调用所述第二回归模型将所述第一预测结果、所述第二预测结果和所述历史传染数据作为输入特征进行预测，得到所述融合预测结果。
3.根据权利要求1所述的方法，其特征在于，所述时间序列模型包括具有不同参数的n1个时间序列模型，n1为大于1的整数；
所述调用所述时间序列模型基于所述历史传染数据进行预测，得到所述目标时间段的第一预测结果，包括：
调用所述n1个时间序列模型基于所述历史传染数据进行预测，得到所述目标时间段的n1个第一预测结果。
4.根据权利要求1所述的方法，其特征在于，所述传染病预测模型包括具有不同参数的n2个传染病预测模型，n2为大于1的整数；
所述调用所述传染病预测模型基于所述历史传染数据进行预测，得到所述目标时间段的第二预测结果，包括：
调用所述n2个传染病预测模型基于所述历史传染数据进行预测，得到所述目标时间段的n2个第二预测结果。
5.根据权利要求1至4任一所述的方法，其特征在于，所述获取传染病的历史传染数据，包括：
获取所述传染病的如下数据中的至少一种，作为所述历史传染数据：
在第一历史时间段的不同年龄段的人群的入院率；
在第二历史时间段的阳性率；
在第三历史时间段的所述阳性率的斜率变化；
所述目标时间段在当前年度的周排序信息；
所述目标时间段在所述当前年度的季度排序信息；
所述目标时间段的气候信息；
数据所属时间段的季节交替情况；
所述传染病在目标维度上的时间序列特征，所述目标维度包括：易感人数、感染人数、移除人数、所述阳性率中的至少一种。
6.根据权利要求1至4任一所述的方法，其特征在于，所述方法还包括：
在所述回归模型的训练过程中，根据训练样本中的阳性率为所述训练样本设置权重，所述阳性率与所述权重呈正相关关系。
7.一种传染趋势预测装置，其特征在于，所述装置包括：
获取模块，用于获取传染病的历史传染数据，所述历史传染数据是在第一时间段内对所述传染病所采集的传染数据；
预测模块，用于调用时间序列模型基于所述历史传染数据进行预测，得到目标时间段的第一预测结果；以及调用传染病预测模型基于所述历史传染数据进行预测，得到所述目标时间段的第二预测结果；
所述预测模块，还用于调用回归模型将所述第一预测结果、所述第二预测结果和所述历史传染数据作为输入特征进行预测，得到所述目标时间段的融合预测结果；
输出模块，用于输出所述传染趋势在所述目标时间段的融合预测结果。
8.一种计算机设备，其特征在于，所述计算机设备包括：处理器和存储器，所述存储器存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至6任一所述的传染趋势预测方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1至6任一所述的传染趋势预测方法。
CN202110018535.1A 2021-01-07 2021-01-07 传染趋势预测方法、装置、设备及存储介质 Active CN113658713B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110018535.1A CN113658713B (zh) 2021-01-07 2021-01-07 传染趋势预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110018535.1A CN113658713B (zh) 2021-01-07 2021-01-07 传染趋势预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113658713A CN113658713A (zh) 2021-11-16
CN113658713B true CN113658713B (zh) 2023-01-06

Family

ID=78476826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110018535.1A Active CN113658713B (zh) 2021-01-07 2021-01-07 传染趋势预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113658713B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111739658A (zh) * 2020-07-20 2020-10-02 医渡云（北京）技术有限公司 基于输入病例预测传染病趋势的方法及装置
CN112071437A (zh) * 2020-09-25 2020-12-11 北京百度网讯科技有限公司 一种传染病趋势预测方法、装置、电子设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3108393A4 (en) * 2014-02-19 2017-11-01 HRL Laboratories, LLC Disease prediction system using open source data
CN109859854A (zh) * 2018-12-17 2019-06-07 中国科学院深圳先进技术研究院 传染病预测方法、装置、电子设备及计算机可读介质
CN110136842A (zh) * 2019-04-04 2019-08-16 平安科技（深圳）有限公司 急性传染病的发病预测方法、装置及计算机可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111739658A (zh) * 2020-07-20 2020-10-02 医渡云（北京）技术有限公司 基于输入病例预测传染病趋势的方法及装置
CN112071437A (zh) * 2020-09-25 2020-12-11 北京百度网讯科技有限公司 一种传染病趋势预测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113658713A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
Wells et al. Artificial intelligence in dermatopathology: Diagnosis, education, and research
CN104573706B (zh) 一种物体图像识别方法及其系统
CN110196908A (zh) 数据分类方法、装置、计算机装置及存储介质
KR20200005986A (ko) 얼굴인식을 이용한 인지장애 진단 시스템 및 방법
WO2022188773A1 (zh) 文本分类方法、装置、设备、计算机可读存储介质及计算机程序产品
CN109765991A (zh) 社交互动系统、用于帮助用户进行社交互动的系统及非暂时性计算机可读存储介质
CN110826453A (zh) 一种通过提取人体关节点坐标的行为识别方法
WO2021135449A1 (zh) 基于深度强化学习的数据分类方法、装置、设备及介质
CN111582342B (zh) 一种图像识别方法、装置、设备以及可读存储介质
CN110210540B (zh) 基于注意力机制的跨社交媒体用户身份识别方法及系统
US20210406687A1 (en) Method for predicting attribute of target object based on machine learning and related device
CN110598786B (zh) 神经网络的训练方法、语义分类方法、语义分类装置
CN116631564B (zh) 一种急诊电子病历管理系统及管理方法
Mejia et al. recent advances in a medical domain metaverse: Status, challenges, and perspective
Kampouraki et al. e-Doctor: a web based support vector machine for automatic medical diagnosis
US9875443B2 (en) Unified attractiveness prediction framework based on content impact factor
US20210225513A1 (en) Method to Create Digital Twins and use the Same for Causal Associations
Herasymova et al. Development of Intelligent Information Technology of Computer Processing of Pedagogical Tests Open Tasks Based on Machine Learning Approach.
US20240054360A1 (en) Similar patients identification method and system based on patient representation image
CN114298299A (zh) 基于课程学习的模型训练方法、装置、设备及存储介质
CN113658713B (zh) 传染趋势预测方法、装置、设备及存储介质
Landowska et al. Mining inconsistent emotion recognition results with the multidimensional model
CN111797856A (zh) 建模方法、装置、存储介质及电子设备
US20210110287A1 (en) Causal Reasoning and Counterfactual Probabilistic Programming Framework Using Approximate Inference
JP5931021B2 (ja) 対人認知傾向モデル学習装置、対人認知状態推定装置、対人認知傾向モデル学習方法、対人認知状態推定方法及びプログラム

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40055323

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant