CN113689959A - 基于人工智能的疫情防控决策方法、装置、设备及介质 - Google Patents
基于人工智能的疫情防控决策方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113689959A CN113689959A CN202110978706.5A CN202110978706A CN113689959A CN 113689959 A CN113689959 A CN 113689959A CN 202110978706 A CN202110978706 A CN 202110978706A CN 113689959 A CN113689959 A CN 113689959A
- Authority
- CN
- China
- Prior art keywords
- prevention
- control decision
- control
- city
- epidemic situation
- 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
Links
- 230000002265 prevention Effects 0.000 title claims abstract description 300
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000011161 development Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 49
- 230000000694 effects Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 19
- 150000007523 nucleic acids Chemical class 0.000 description 15
- 102000039446 nucleic acids Human genes 0.000 description 15
- 108020004707 nucleic acids Proteins 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 3
- 238000007789 sealing Methods 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
Abstract
本申请适用于人工智能技术领域，提供了一种基于人工智能的疫情防控决策方法、装置、设备及介质，该方法包括：构建样本疫情防控决策的事件知识图谱；根据城市基础信息构建城市状态知识图谱；根据事件知识图谱构建甘特图矩阵；将甘特图矩阵和城市状态知识图谱进行拼接，得到模型训练数据，根据模型训练数据对疫情防控决策模型进行训练；将待决策的疫情防控事件输入收敛后的疫情防控决策模型进行决策分析，得到疫情防控决策结果。本申请疫情防控决策模型能有效地学习到各样本疫情防控决策对各城市的发展状态的影响，基于收敛后的疫情防控决策模型，能有效地对待决策的疫情防控事件进行分析，提高了疫情防控决策的准确性。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于人工智能的疫情防控决策方法、装置、设备及介质。
背景技术
目前新冠疫情逐步在不同地域、不同城市爆发，各个城市之间的防控措施、治理方案都不尽相同，有的地方要么管控的过于严格，导致出现了大量的资源浪费，有的地方又可能出现管控过松，导致疫情出现爆发的现象。因此，疫情防控决策的问题越来越受人们重视。
现有的疫情防控决策过程中，均是采用人工分析的方式进行疫情防控决策分析，导致疫情防控决策分析准确性较低。
发明内容
有鉴于此，本申请实施例提供了一种基于人工智能的疫情防控决策方法、装置、设备及介质，以解决现有的疫情防控决策过程中，通常采用人工的方式进行疫情防控决分析，导致对疫情防控决策分析准确性较低的问题。
本申请实施例的第一方面提供了一种基于人工智能的疫情防控决策方法，包括：
分别获取预设的各样本疫情防控决策在各城市中的防控信息，并根据所述防控信息分别构建相应样本疫情防控决策的事件知识图谱，所述事件知识图谱用于表征对应样本疫情防控决策的防控效果；
获取各城市的城市基础信息，并根据所述城市基础信息构建城市状态知识图谱，所述城市状态知识图谱用于表征对应城市在预设时间内的发展状态；
根据所述事件知识图谱构建甘特图矩阵，所述甘特图矩阵用于表征不同时间内，事件知识图谱对应样本疫情防控决策的防控效果；
将所述甘特图矩阵和所述城市状态知识图谱进行拼接，得到模型训练数据，并根据所述模型训练数据对疫情防控决策模型进行训练，直至所述疫情防控决策模型收敛；
将待决策的疫情防控事件输入收敛后的所述疫情防控决策模型进行决策分析，得到疫情防控决策结果。
进一步地，所述根据所述防控信息分别构建各样本疫情防控决策的事件知识图谱，包括：
分别获取各样本疫情防控决策的决策标识，并在所述防控信息中，分别获取不同事件发展日期内所述决策标识对应的事件值；
根据所述事件发展日期对所述决策标识和所述事件值进行排序，得到所述事件知识图谱。
进一步地，所述根据所述事件知识图谱构建甘特图矩阵，包括：
分别对各决策标识对应的事件值进行归一化处理，得到归一值；
针对各样本疫情防控决策对应的事件知识图谱，以所述事件发展日期为横轴序号，依序将对应所述归一值进行排序，得到所述甘特图矩阵。
进一步地，所述将所述甘特图矩阵和所述城市状态知识图谱进行拼接，得到模型训练数据，包括：
对所述城市状态知识图谱进行向量映射，得到状态知识向量，并针对各城市，将对应所述甘特图矩阵和所述状态知识向量进行组合，得到特征组；
分别获取各样本疫情防控决策的事件类型，并分别将同一类型的所述样本疫情防控决策对应的特征组进行拼接，得到所述模型训练数据。
进一步地，所述根据所述模型训练数据对疫情防控决策模型进行训练，包括：
根据所述疫情防控决策模型，分别提取所述模型训练数据中各特征组的传播特征向量；
根据所述决策标识和所述城市状态知识图谱对应城市标识，确定相应特征组的目标传播特征向量；
根据提取到的所述传播特征向量和所述目标传播特征向量进行损失计算，得到模型损失值；
根据所述模型损失值对所述疫情防控决策模型进行参数更新，直至所述疫情防控决策模型收敛。
进一步地，所述分别获取预设的各样本疫情防控决策在各城市中的防控信息，包括：
根据各样本疫情防控决策的决策类型，确定信息获取规则，并分别获取各城市内的事件信息；
针对各样本疫情防控决策，根据相应信息获取规则对各城市内的事件信息分别进行信息获取，得到各样本疫情防控决策在各城市中的防控信息。
进一步地，所述获取各城市的城市基础信息，包括：
分别获取各城市在所述预设时间内的人口状态信息、医疗资源状态信息和交通状态信息，得到各城市的城市基础信息。
本申请实施例的第二方面提供了一种疫情防控决策装置，包括：
事件图谱构建单元，用于分别获取预设的各样本疫情防控决策在各城市中的防控信息，并根据所述防控信息分别构建相应样本疫情防控决策的事件知识图谱，所述事件知识图谱用于表征对应样本疫情防控决策的防控效果；
城市图谱构建单元，用于获取各城市的城市基础信息，并根据所述城市基础信息构建城市状态知识图谱，所述城市状态知识图谱用于表征对应城市在预设时间内的发展状态；
甘特图构建单元，用于根据所述事件知识图谱构建甘特图矩阵，所述甘特图矩阵用于表征不同时间内，事件知识图谱对应样本疫情防控决策的防控效果；
模型训练单元，用于将所述甘特图矩阵和所述城市状态知识图谱进行拼接，得到模型训练数据，并根据所述模型训练数据对疫情防控决策模型进行训练，直至所述疫情防控决策模型收敛；
决策分析分析单元，用于将待决策的疫情防控事件输入收敛后的所述疫情防控决策模型进行决策分析，得到疫情防控决策结果。
本申请实施例的第三方面提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在计算机设备上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面提供的基于人工智能的疫情防控决策方法的各步骤。
本申请实施例的第四方面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存储有计算机程序，所述计算机程序被处理器执行时实现第一方面提供的基于人工智能的疫情防控决策方法的各步骤。
本申请实施例提供的一种基于人工智能的疫情防控决策方法、装置、计算机设备及介质，通过防控信息分别构建相应样本疫情防控决策的事件知识图谱，基于事件知识图谱能有效地确定各样本疫情防控决策的防控效果，根据城市基础信息构建城市状态知识图谱，基于城市状态知识图谱能有效地确定各城市的发展状态，通过事件知识图谱构建甘特图矩阵，基于甘特图矩阵能有效地确定到不同时间内，各样本疫情防控决策的事件发展程度，基于甘特图矩阵和城市状态知识图谱生成的模型训练数据对疫情防控决策模型进行训练，使得疫情防控决策模型能有效地学习到各样本疫情防控决策的防控效果与各城市的发展状态之间的关联特征，即，疫情防控决策模型能有效地学习到各样本疫情防控决策对各城市的发展状态的影响，基于收敛后的疫情防控决策模型，能有效地对待决策的疫情防控事件进行分析，提高了疫情防控决策的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种基于人工智能的疫情防控决策方法的实现流程图；
图2是本实施例提供的甘特图矩阵的结构示意图；
图3是本申请另一实施例提供的一种基于人工智能的疫情防控决策方法的实现流程图；
图4是本申请另一实施例提供的疫情防控决策模型训练的流程示意图；
图5是本申请实施例提供的一种疫情防控决策装置的结构框图；
图6是本申请实施例提供的一种计算机设备的结构框图。
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，此处所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。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，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。
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、机器人技术、生物识别技术、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。
本申请实施例中，基于人工智能技术，以实现疫情防控决策方法，在疫情防控过程中起到决策分析的效果。
请参阅图1，图1示出了本申请实施例提供的一种基于人工智能的疫情防控决策方法的实现流程图，该基于人工智能的疫情防控决策方法应用于任一计算机设备，该计算机设备可以为服务器、手机、平板或可穿戴智能设备等，该基于人工智能的疫情防控决策方法包括：
步骤S10，分别获取预设的各样本疫情防控决策在各城市中的防控信息，并根据所述防控信息分别构建相应样本疫情防控决策的事件知识图谱；
其中，事件知识图谱用于表征对应样本疫情防控决策的防控效果，该样本疫情防控决策的数量和内容均可以根据需求进行设置，例如，该样本疫情防控决策的内容可以设置为发布与疫情相关的新闻发布会、进行核酸检测、进行封闭措施管理、限制通行措施或设置方舱医院等措施；
该步骤中，事件知识图谱可以采用表示为“时间-状态”的数据流序列，例如，样本疫情防控决策1：由新闻发布会的媒体级别和传播速度2个关键属性构成，样本疫情防控决策1的事件知识图谱的结构为：[时间：1号-状态：媒体级别、省级-传播速度：高；时间：2号-状态：媒体级别、市级-传播速度：低；时间：3号-状态：媒体级别、N1-传播速度：N2…]；
样本疫情防控决策2：由核酸检测人数1个关键属性构成，样本疫情防控决策2的事件知识图谱的结构为：[时间：1号-状态：核酸检测人数：100万；时间：2号-状态：核酸检测人数：10万；时间：3号-状态：核酸检测人数：0…]
样本疫情防控决策3：由封闭面积和封闭规模级别2个关键属性构成，样本疫情防控决策3的事件知识图谱的结构为：[时间：1号-状态：封闭面积：1平方公里；封闭规模级别：小区级；时间：2号-状态：封闭面积：10平方公里；封闭规模级别：街道级；时间：3号-状态：封闭面积：N3；封闭规模级别：N4…]；
样本疫情防控决策4：由绿码覆盖比例、航班熔断率2个关键属性构成，样本疫情防控决策4的事件知识图谱的结构为：[时间：1号-状态：绿码覆盖比例：95％、航班熔断率：1％；时间：2号-状态：绿码覆盖比例：90％、航班熔断率：2％；时间：3号-状态：绿码覆盖比例：80％、航班熔断率：3％…]；
样本疫情防控决策5：由累积床位数、新增床位数2个关键属性构成，样本疫情防控决策5的事件知识图谱的结构为：[时间：1号-状态：累积床位：10000；新增床位数：1000；时间：2号-状态：累积床位：12000；新增床位数：2000；时间：3号-状态：累积床位：12000；新增床位数：0…]；
如有其他更多的样本疫情防控决策，其事件知识图谱的结构与此类似，不再逐一列举。以上事件知识图谱假设以按天的颗粒度进行数据产生，后面不再赘述。
可选的，该步骤中，所述分别获取预设的各样本疫情防控决策在各城市中的防控信息，包括：
根据各样本疫情防决策的决策类型，确定信息获取规则，并分别获取各城市内的事件信息。
针对各样本疫情防控决策，根据相应信息获取规则对各城市内的事件信息分别进行信息获取，得到各样本疫情防控决策在各城市中的防控信息；
其中，不同决策类型对应的信息获取规则可以不相同，该步骤中，通过将该样本疫情防控决策的决策标识与获取规则查询表进行匹配，得到各样本疫情防控决策对应的信息获取规则，该获取规则查询表中存储有不同决策类型与对应信息获取规则之间的对应关系，该步骤中，该信息获取规则可以为基于样本疫情防控决策中的关键属性进行信息的获取，该关键属性用于表征相应样本疫情防控决策的决策内容，该信息获取规则可以为基于样本疫情防控决策中的决策措施进行信息的获取，该决策措施用于表征相应样本疫情防控决策的防控实施方式。
进一步地，该步骤中，所述根据所述防控信息分别构建各样本疫情防控决策的事件知识图谱，包括：
分别获取各样本疫情防控决策的决策标识，并在所述防控信息中，分别获取不同事件发展日期内所述决策标识对应的事件值；
其中，该事件值用于表征相应发展日期内，决策标识对应样本疫情防控决策的防控结果，例如，当该样本疫情防控决策为核酸检测时，则基于核酸检测对应的决策标识，在防控信息中分别获取不同事件发展日期内核酸检测的检测结果；当该样本疫情防控决策为增设测温点时，则基于增设测温点对应的决策标识，在防控信息中分别获取不同事件发展日期内测温点增设的数量结果；
根据所述事件发展日期对所述决策标识和所述事件值进行排序，得到所述事件知识图谱；
其中，事件知识图谱中包含了相应城市一段时间以来所采取的样本疫情防控决策，所对应防控效果的定量化或定性化的时间序列数据，例如，当该样本疫情防控决策为核酸检测，决策标识的决策标识为YQ1，第一天检测到阳性结果100例，第二天检测到阳性结果200例，第三天检测到阳性结果300例，则相应的事件知识图谱为[YQ1-100-200-300]。
步骤S20，获取各城市的城市基础信息，并根据所述城市基础信息构建城市状态知识图谱；
其中，该城市状态知识图谱用于表征对应城市在预设时间内的发展状态，城市状态知识图谱包含一个城市一段时间相对静态的状态数据，比如城市面积、人口、机场日客流量、人口密度等等。
可选的，该步骤中，所述获取各城市的城市基础信息，包括：
分别获取各城市在所述预设时间内的人口状态信息、医疗资源状态信息和交通状态信息，得到各城市的城市基础信息；
其中，不同城市的基础状态知识图谱包括以下3个方面(也可以增加更多维度)，人口状态信息(人口规模、密度、分布、流动率、老年人占比等等)、医疗资源状态信息(床位数、医护人员数量、公立医院数量、呼吸机数量等等)、交通状态信息(如机场数量、日均航班数、国际航班数、日吞吐量、日境外输入人数等)。
步骤S30，根据所述事件知识图谱构建甘特图矩阵；
其中，该甘特图矩阵用于表征不同时间内，事件知识图谱对应样本疫情防控决策的防控效果，甘特图矩阵包含了对应样本疫情防控决策的起止时间。该甘特图矩阵中元素的值(权值)代表相应样本疫情防控决策在某个日期的影响程度或范围的量化。请参阅图2，为本实施例提供的甘特图矩阵的结构示意图，例如，当样本疫情防控决策为核酸检测，对应的甘特图矩阵为[0 0 1 2 3 0 0]时，则该甘特图矩阵表示核酸检测从第3天持续到第5天，且每天都在持续加大检测范围，权值为0代表该时间点没有进行核酸检测；
该步骤中，甘特图矩阵包含[事件持续时间T，样本疫情防控决策的单位时间发生的程度或范围S]这2个方面的重要信息，T*S代表该样本疫情防控决策的总影响，在总影响不变的情况下，为了减少T，就要增加S，例如，为了减少核酸检测的时间长度T，就要加大每天的检测量S。
可选的，该步骤中，所述根据所述事件知识图谱构建甘特图矩阵，包括：
分别对各决策标识对应的事件值进行归一化处理，得到归一值；
针对各样本疫情防控决策对应的事件知识图谱，以所述事件发展日期为横轴序号，依序将对应所述归一值进行排序，得到所述甘特图矩阵；
其中，通过分别对各决策标识对应的事件值进行归一化处理，能有效地将各决策标识对应的事件值映射至指定的数值范围内，方便了不同样本疫情防控决策之间防疫效果的比对。
步骤S40，将所述甘特图矩阵和所述城市状态知识图谱进行拼接，得到模型训练数据，并根据所述模型训练数据对疫情防控决策模型进行训练，直至所述疫情防控决策模型收敛；
其中，该疫情防控决策模型可以采用深度网络模型或基于卷积神经网络(Convolutional Neural Networks，CNN)/循环神经网络(Recurrent Neural Network，RNN)/长短期记忆网络(Long Short-Term Memory，LSTM)等各种不同的深度网络结构。疫情防控决策模型的输入为带权值的甘特图矩阵，包括了各样本疫情防控决策的时间、防控效果等信息，以矩阵的形式直接做为疫情防控决策模型的输入之一。同时，城市的城市状态知识图谱也需要做为疫情防控决策模型的训练输入，城市状态知识图谱反映了城市应对疫情防控的个性化特征，因此，通过将甘特图矩阵和城市状态知识图谱进行拼接，得到疫情防控决策模型的模型训练数据。
进一步地，该步骤中，疫情防控决策模型的输出为传播特征向量(SusceptibleInfected Recovered，SIR)，SIR向量综合反映了各样本疫情防控决策对应防控效果，随时间在传染病传播过程中的动态变化，对数据归一化，例如[0.8，0.1，0.1]代表易感者、染病者、恢复者的比例分别为80％、10％、10％。
步骤S50，将待决策的疫情防控事件输入收敛后的所述疫情防控决策模型进行决策分析，得到疫情防控决策结果。
其中，疫情防控决策模型训练好了后，可以基于疫情防控决策模型进行疫情防控相关的正向推理、反向推理等，其中，正向推理：输入模拟的待决策的疫情防控事件进行疫情结果变化的预测性推演，得到疫情防控决策结果，反向推理：输入目标的SIR控制数据或者基于防控目标模拟SIR的变化曲线，推测需要采取的疫情防控决策，该疫情防控决策包括事件干预措施及干预规模、强度和优先次序等，具体地，在进行反向推理时，首先输出预测的带权值的甘特图矩阵，再基于甘特图矩阵和城市状态知识图谱进行推理，输出具体的疫情防控决策，得到疫情防控决策结果。
例如，疫情防控决策模型输出的甘特图矩阵为：[核酸检测[0 0 1 2 3 0 0]，新闻发布会[1 0 0 0 0 0 0]]时，则疫情防控决策结果为：第一天立即开启相关疫情防控的新闻发布会，然后核酸检测从第3天持续到第5天，且每天都要持续加大检测范围。
本实施例中，通过防控信息分别构建相应样本疫情防控决策的事件知识图谱，基于事件知识图谱能有效地确定各样本疫情防控决策的防控效果，根据城市基础信息构建城市状态知识图谱，基于城市状态知识图谱能有效地确定各城市的发展状态，通过事件知识图谱构建甘特图矩阵，基于甘特图矩阵能有效地确定到不同时间内，各样本疫情防控决策的事件发展程度，基于甘特图矩阵和城市状态知识图谱生成的模型训练数据对疫情防控决策模型进行训练，使得疫情防控决策模型能有效地学习到各样本疫情防控决策的防控效果与各城市的发展状态之间的关联特征，即，疫情防控决策模型能有效地学习到各样本疫情防控决策对各城市的发展状态的影响，基于收敛后的疫情防控决策模型，能有效地对待决策的疫情防控事件进行分析，提高了疫情防控决策的准确性。
请参阅图3，图3是本申请另一实施例提供的一种基于人工智能的疫情防控决策方法的实现流程图。相对于图1实施例，本实施例提供的基于人工智能的疫情防控决策方法用于对图1实施例中的步骤S40作进一步细化，包括：
步骤S41，对所述城市状态知识图谱进行向量映射，得到状态知识向量，并针对各城市，将对应所述甘特图矩阵和所述状态知识向量进行组合，得到特征组；
其中，通过将城市状态知识图谱转换为状态知识向量，有效地方便了疫情防控决策模型在模型训练过程中，对向量特征的学习，该步骤中，可以基于预设标识进行甘特图矩阵与对应状态知识向量之间的组合，该预设标识可以采用文字、数字或特殊字符的方式进行存储，该预设标识用于在甘特图矩阵与对应状态知识向量之间起到分隔的作用。
步骤S42，分别获取各样本疫情防控决策的事件类型，并分别将同一类型的所述样本疫情防控决策对应的特征组进行拼接，得到所述模型训练数据。
其中，通过分别获取各样本疫情防控决策的事件标识，并将该事件标识与预存储的类型查询表进行匹配，得到该事件类型，该类型查询表中存储有不同事件标识与对应事件类型之间的对应关系，该步骤中，通过分别将同一类型的样本疫情防控决策对应的特征组进行拼接，以得到该模型训练数据，提高了该模型训练数据的准确性。
可选的，本实施例中，所述根据所述模型训练数据对疫情防控决策模型进行训练，包括：
根据所述疫情防控决策模型，分别提取所述模型训练数据中各特征组的传播特征向量；其中，SIR向量综合反映了各样本疫情防控决策对应防控效果，随时间在传染病传播过程中的动态变化；
根据所述决策标识和所述城市状态知识图谱对应城市标识，确定相应特征组的目标传播特征向量；其中，通过将该事件标识和城市标识与预存储的特征向量查询表进行匹配，以得到各特征组对应的目标SIR特征向量，特征向量查询表中存储有不同事件标识和城市标识与对应目标SIR特征向量之间的对应关系；
根据提取到的所述传播特征向量和所述目标传播特征向量进行损失计算，得到模型损失值；其中，通过提取到的SIR特征向量和目标SIR特征向量进行损失计算，以计算该疫情防控决策模型的模型损失，得到该模型损失值；
根据所述模型损失值对所述疫情防控决策模型进行参数更新，直至所述疫情防控决策模型收敛；其中，通过模型损失值对疫情防控决策模型进行参数更新，以提高该疫情防控决策模型的准确性，基于收敛后的疫情防控决策模型，能有效地对待决策的疫情防控事件进行分析，提高了疫情防控决策的准确性。
请参阅图4，是本实施例提供的疫情防控决策模型训练的流程示意图，其中，将事件知识图谱映射为矩阵，得到带权值的甘特图矩阵，将城市状态知识图谱进行向量转换，得到状态知识向量，针对各城市，将对应甘特图矩阵和状态知识向量进行组合，得到特征组，将特征组，分别获取各样本疫情防控决策的事件类型，分别将同一类型的样本疫情防控决策对应的特征组进行拼接，得到模型训练数据，根据模型训练数据对疫情防控决策模型(深度学习网络)中国的隐藏层进行训练，直至疫情防控决策模型收敛。
本实施例中，通过将甘特图矩阵和对应的状态知识向量进行组合，以得到各城市对应的特征组，通过分别获取各样本疫情防控决策的事件类型，并分别将同一类型的样本疫情防控决策对应的特征组进行拼接，以得到模型训练数据，通过将该事件标识和城市标识与预存储的特征向量查询表进行匹配，以得到各特征组对应的目标SIR特征向量，通过提取到的SIR特征向量和目标SIR特征向量进行损失计算，以计算该疫情防控决策模型的模型损失，得到该模型损失值，通过模型损失值对疫情防控决策模型进行参数更新，以提高该疫情防控决策模型的准确性，基于收敛后的疫情防控决策模型，能有效地对待决策的疫情防控事件进行分析，提高了疫情防控决策的准确性。
请参阅图5，图5是本申请实施例提供的一种疫情防控决策装置100的结构框图。本实施例中该疫情防控决策装置100包括的各单元用于执行图1、图3对应的实施例中的各步骤。具体请参阅图1、图3以及图1、图3所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图5，疫情防控决策装置100包括：事件图谱构建单元10、城市图谱构建单元11、甘特图构建单元12、模型训练单元13和决策分析分析单元14，其中：
事件图谱构建单元10，用于分别获取预设的各样本疫情防控决策在各城市中的防控信息，并根据所述防控信息分别构建相应样本疫情防控决策的事件知识图谱，所述事件知识图谱用于表征对应样本疫情防控决策的防控效果。
其中，事件图谱构建单元10还用于：分别获取各样本疫情防控决策的决策标识，并在所述防控信息中，分别获取不同事件发展日期内所述决策标识对应的事件值；
根据所述事件发展日期对所述决策标识和所述事件值进行排序，得到所述事件知识图谱。
可选的，事件图谱构建单元10还用于：根据各样本疫情防控决策的决策类型，确定信息获取规则，并分别获取各城市内的事件信息；
针对各样本疫情防控决策，根据相应信息获取规则对各城市内的事件信息分别进行信息获取，得到各样本疫情防控决策在各城市中的防控信息。
城市图谱构建单元11，用于获取各城市的城市基础信息，并根据所述城市基础信息构建城市状态知识图谱，所述城市状态知识图谱用于表征对应城市在预设时间内的发展状态。
其中，城市图谱构建单元11还用于：分别获取各城市在所述预设时间内的人口状态信息、医疗资源状态信息和交通状态信息，得到各城市的城市基础信息。
甘特图构建单元12，用于根据所述事件知识图谱构建甘特图矩阵，所述甘特图矩阵用于表征不同时间内，事件知识图谱对应样本疫情防控决策的防控效果。
其中，甘特图构建单元12还用于：分别对各决策标识对应的事件值进行归一化处理，得到归一值；
针对各样本疫情防控决策对应的事件知识图谱，以所述事件发展日期为横轴序号，依序将对应所述归一值进行排序，得到所述甘特图矩阵。
模型训练单元13，用于将所述甘特图矩阵和所述城市状态知识图谱进行拼接，得到模型训练数据，并根据所述模型训练数据对疫情防控决策模型进行训练，直至所述疫情防控决策模型收敛。
其中，模型训练单元13还用于：对所述城市状态知识图谱进行向量映射，得到状态知识向量，并针对各城市，将对应所述甘特图矩阵和所述状态知识向量进行组合，得到特征组；
分别获取各样本疫情防控决策的事件类型，并分别将同一类型的所述样本疫情防控决策对应的特征组进行拼接，得到所述模型训练数据。
可选的，模型训练单元13还用于：根据所述疫情防控决策模型，分别提取所述模型训练数据中各特征组的传播特征向量；
根据所述决策标识和所述城市状态知识图谱对应城市标识，确定相应特征组的目标传播特征向量；
根据提取到的所述传播特征向量和所述目标传播特征向量进行损失计算，得到模型损失值；
根据所述模型损失值对所述疫情防控决策模型进行参数更新，直至所述疫情防控决策模型收敛。
决策分析分析单元14，用于将待决策的疫情防控事件输入收敛后的所述疫情防控决策模型进行决策分析，得到疫情防控决策结果。
本实施例中，通过防控信息分别构建相应样本疫情防控决策的事件知识图谱，基于事件知识图谱能有效地确定各样本疫情防控决策的防控效果，根据城市基础信息构建城市状态知识图谱，基于城市状态知识图谱能有效地确定各城市的发展状态，通过事件知识图谱构建甘特图矩阵，基于甘特图矩阵能有效地确定到不同时间内，各样本疫情防控决策的事件发展程度，基于甘特图矩阵和城市状态知识图谱生成的模型训练数据对疫情防控决策模型进行训练，使得疫情防控决策模型能有效地学习到各样本疫情防控决策的防控效果与各城市的发展状态之间的关联特征，即，疫情防控决策模型能有效地学习到各样本疫情防控决策对各城市的发展状态的影响，基于收敛后的疫情防控决策模型，能有效地对待决策的疫情防控事件进行分析，提高了疫情防控决策的准确性。
图6是本申请另一实施例提供的一种计算机设备2的结构框图。如图6所示，该实施例的计算机设备2包括：处理器20、存储器21以及存储在所述存储器21中并可在所述处理器20上运行的计算机程序22，例如基于人工智能的疫情防控决策方法的程序。处理器20执行所述计算机程序22时实现上述各个基于人工智能的疫情防控决策方法各实施例中的步骤，例如图1所示的S10至S50，或者图3所示的S41至S42。或者，所述处理器20执行所述计算机程序22时实现上述图5对应的实施例中各单元的功能，例如，图5所示的单元10至14的功能，具体请参阅图5对应的实施例中的相关描述，此处不赘述。
示例性的，所述计算机程序22可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器21中，并由所述处理器20执行，以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序22在所述计算机设备2中的执行过程。例如，所述计算机程序22可以被分割成事件图谱构建单元10、城市图谱构建单元11、甘特图构建单元12、模型训练单元13和决策分析分析单元14，各单元具体功能如上所述。
所述计算机设备可包括，但不仅限于，处理器20、存储器21。本领域技术人员可以理解，图6仅仅是计算机设备2的示例，并不构成对计算机设备2的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器20可以是中央处理单元(Centralprocessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signalprocessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器21可以是所述计算机设备2的内部存储单元，例如计算机设备2的硬盘或内存。所述存储器21也可以是所述计算机设备2的外部存储设备，例如所述计算机设备2上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器21还可以既包括所述计算机设备2的内部存储单元也包括外部存储设备。所述存储器21用于存储所述计算机程序以及所述计算机设备所需的其他程序和数据。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。其中，计算机可读存储介质可以是非易失性的，也可以是易失性的。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于人工智能的疫情防控决策方法，其特征在于，包括：
分别获取预设的各样本疫情防控决策在各城市中的防控信息，并根据所述防控信息分别构建相应样本疫情防控决策的事件知识图谱，所述事件知识图谱用于表征对应样本疫情防控决策的防控效果；
获取各城市的城市基础信息，并根据所述城市基础信息构建城市状态知识图谱，所述城市状态知识图谱用于表征对应城市在预设时间内的发展状态；
根据所述事件知识图谱构建甘特图矩阵，所述甘特图矩阵用于表征不同时间内，事件知识图谱对应样本疫情防控决策的防控效果；
将所述甘特图矩阵和所述城市状态知识图谱进行拼接，得到模型训练数据，并根据所述模型训练数据对疫情防控决策模型进行训练，直至所述疫情防控决策模型收敛；
将待决策的疫情防控事件输入收敛后的所述疫情防控决策模型进行决策分析，得到疫情防控决策结果。
2.根据权利要求1所述的基于人工智能的疫情防控决策方法，其特征在于，所述根据所述防控信息分别构建各样本疫情防控决策的事件知识图谱，包括：
分别获取各样本疫情防控决策的决策标识，并在所述防控信息中，分别获取不同事件发展日期内所述决策标识对应的事件值；
根据所述事件发展日期对所述决策标识和所述事件值进行排序，得到所述事件知识图谱。
3.根据权利要求2所述的基于人工智能的疫情防控决策方法，其特征在于，所述根据所述事件知识图谱构建甘特图矩阵，包括：
分别对各决策标识对应的事件值进行归一化处理，得到归一值；
针对各样本疫情防控决策对应的事件知识图谱，以所述事件发展日期为横轴序号，依序将对应所述归一值进行排序，得到所述甘特图矩阵。
4.根据权利要求1所述的基于人工智能的疫情防控决策方法，其特征在于，所述将所述甘特图矩阵和所述城市状态知识图谱进行拼接，得到模型训练数据，包括：
对所述城市状态知识图谱进行向量映射，得到状态知识向量，并针对各城市，将对应所述甘特图矩阵和所述状态知识向量进行组合，得到特征组；
分别获取各样本疫情防控决策的事件类型，并分别将同一类型的所述样本疫情防控决策对应的特征组进行拼接，得到所述模型训练数据。
5.根据权利要求4所述的基于人工智能的疫情防控决策方法，其特征在于，所述根据所述模型训练数据对疫情防控决策模型进行训练，包括：
根据所述疫情防控决策模型，分别提取所述模型训练数据中各特征组的传播特征向量；
根据所述决策标识和所述城市状态知识图谱对应城市标识，确定相应特征组的目标传播特征向量；
根据提取到的所述传播特征向量和所述目标传播特征向量进行损失计算，得到模型损失值；
根据所述模型损失值对所述疫情防控决策模型进行参数更新，直至所述疫情防控决策模型收敛。
6.根据权利要求1所述的基于人工智能的疫情防控决策方法，其特征在于，所述分别获取预设的各样本疫情防控决策在各城市中的防控信息，包括：
根据各样本疫情防控决策的决策类型，确定信息获取规则，并分别获取各城市内的事件信息；
针对各样本疫情防控决策，根据相应信息获取规则对各城市内的事件信息分别进行信息获取，得到各样本疫情防控决策在各城市中的防控信息。
7.根据权利要求1至6任一所述的基于人工智能的疫情防控决策方法，其特征在于，所述获取各城市的城市基础信息，包括：
分别获取各城市在所述预设时间内的人口状态信息、医疗资源状态信息和交通状态信息，得到各城市的城市基础信息。
8.一种疫情防控决策装置，其特征在于，包括：
事件图谱构建单元，用于分别获取预设的各样本疫情防控决策在各城市中的防控信息，并根据所述防控信息分别构建相应样本疫情防控决策的事件知识图谱，所述事件知识图谱用于表征对应样本疫情防控决策的防控效果；
城市图谱构建单元，用于获取各城市的城市基础信息，并根据所述城市基础信息构建城市状态知识图谱，所述城市状态知识图谱用于表征对应城市在预设时间内的发展状态；
甘特图构建单元，用于根据所述事件知识图谱构建甘特图矩阵，所述甘特图矩阵用于表征不同时间内，事件知识图谱对应样本疫情防控决策的防控效果；
模型训练单元，用于将所述甘特图矩阵和所述城市状态知识图谱进行拼接，得到模型训练数据，并根据所述模型训练数据对疫情防控决策模型进行训练，直至所述疫情防控决策模型收敛；
决策分析分析单元，用于将待决策的疫情防控事件输入收敛后的所述疫情防控决策模型进行决策分析，得到疫情防控决策结果。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质，所述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如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110978706.5A CN113689959B (zh) | 2021-08-25 | 2021-08-25 | 基于人工智能的疫情防控决策方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110978706.5A CN113689959B (zh) | 2021-08-25 | 2021-08-25 | 基于人工智能的疫情防控决策方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113689959A true CN113689959A (zh) | 2021-11-23 |
| CN113689959B CN113689959B (zh) | 2024-04-05 |
Family
ID=78582244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110978706.5A Active CN113689959B (zh) | 2021-08-25 | 2021-08-25 | 基于人工智能的疫情防控决策方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113689959B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114334172A (zh) * | 2021-12-13 | 2022-04-12 | 北京融信数联科技有限公司 | 一种疫情风险评估方法、系统及可读存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030013742A (ko) * | 2001-08-09 | 2003-02-15 | 박헌재 | 이벤트와 관계를 이용한 비즈니스 모델 구축 방법과 그적용 시스템 |
| US20030225315A1 (en) * | 2002-05-31 | 2003-12-04 | Merrett Philip Jonathan | Data analysis system |
| JP2004110238A (ja) * | 2002-09-17 | 2004-04-08 | Hitachi Ltd | 医療ガイダンスシステムにおける医療ガイダンスサーバ装置、医療ガイダンスクライアント装置、医療ガイダンスプログラム、医療ガイダンスプログラムを記録した記憶媒体、ならびに、医療ガイダンスの表示方法 |
| WO2007050147A1 (en) * | 2005-10-24 | 2007-05-03 | First Opinion Corporation | Matrix interface for medical diagnostic and treatment advice system and method |
| US20100229149A1 (en) * | 2009-03-06 | 2010-09-09 | Concurrent Technologies Corporation | Application Framework For Reactive Information Propagation And Planning For Lifelike Exercises |
| CN102682188A (zh) * | 2011-03-15 | 2012-09-19 | 中国科学院遥感应用研究所 | 一种城市级传染病模拟的方法及装置 |
| WO2015077708A1 (en) * | 2013-11-22 | 2015-05-28 | Cambridge Social Science Decision Lab Inc. | Methods, systems, and articles of manufacture for the management and identification of causal knowledge |
| CN108563643A (zh) * | 2018-03-27 | 2018-09-21 | 常熟鑫沐奇宝软件开发有限公司 | 一种基于人工智能知识图谱的一词多义翻译方法 |
| CN111460010A (zh) * | 2020-03-16 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 甘特图生成方法、装置、计算机设备和存储介质 |
| CN111798989A (zh) * | 2020-07-07 | 2020-10-20 | 医渡云（北京）技术有限公司 | 基于防控措施预测疫情发展趋势的方法及相关设备 |
| CN111933299A (zh) * | 2020-08-14 | 2020-11-13 | 工银科技有限公司 | 传染病感染风险评估方法和装置、电子设备以及存储介质 |
| CN112734153A (zh) * | 2020-11-11 | 2021-04-30 | 重庆医科大学附属儿童医院 | 一种突发公共卫生事件中应急资源分配方法、系统及应用 |
| CN113192645A (zh) * | 2021-03-16 | 2021-07-30 | 郑州大学 | 一种基于离散格网的传染病时空扩散演变和人为防控仿真方法 |
-
2021
- 2021-08-25 CN CN202110978706.5A patent/CN113689959B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030013742A (ko) * | 2001-08-09 | 2003-02-15 | 박헌재 | 이벤트와 관계를 이용한 비즈니스 모델 구축 방법과 그적용 시스템 |
| US20030225315A1 (en) * | 2002-05-31 | 2003-12-04 | Merrett Philip Jonathan | Data analysis system |
| JP2004110238A (ja) * | 2002-09-17 | 2004-04-08 | Hitachi Ltd | 医療ガイダンスシステムにおける医療ガイダンスサーバ装置、医療ガイダンスクライアント装置、医療ガイダンスプログラム、医療ガイダンスプログラムを記録した記憶媒体、ならびに、医療ガイダンスの表示方法 |
| WO2007050147A1 (en) * | 2005-10-24 | 2007-05-03 | First Opinion Corporation | Matrix interface for medical diagnostic and treatment advice system and method |
| US20100229149A1 (en) * | 2009-03-06 | 2010-09-09 | Concurrent Technologies Corporation | Application Framework For Reactive Information Propagation And Planning For Lifelike Exercises |
| CN102682188A (zh) * | 2011-03-15 | 2012-09-19 | 中国科学院遥感应用研究所 | 一种城市级传染病模拟的方法及装置 |
| WO2015077708A1 (en) * | 2013-11-22 | 2015-05-28 | Cambridge Social Science Decision Lab Inc. | Methods, systems, and articles of manufacture for the management and identification of causal knowledge |
| CN108563643A (zh) * | 2018-03-27 | 2018-09-21 | 常熟鑫沐奇宝软件开发有限公司 | 一种基于人工智能知识图谱的一词多义翻译方法 |
| CN111460010A (zh) * | 2020-03-16 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 甘特图生成方法、装置、计算机设备和存储介质 |
| CN111798989A (zh) * | 2020-07-07 | 2020-10-20 | 医渡云（北京）技术有限公司 | 基于防控措施预测疫情发展趋势的方法及相关设备 |
| CN111933299A (zh) * | 2020-08-14 | 2020-11-13 | 工银科技有限公司 | 传染病感染风险评估方法和装置、电子设备以及存储介质 |
| CN112734153A (zh) * | 2020-11-11 | 2021-04-30 | 重庆医科大学附属儿童医院 | 一种突发公共卫生事件中应急资源分配方法、系统及应用 |
| CN113192645A (zh) * | 2021-03-16 | 2021-07-30 | 郑州大学 | 一种基于离散格网的传染病时空扩散演变和人为防控仿真方法 |
Non-Patent Citations (5)
| Title |
|---|
| 刘佳欣;沈佳伊;: "基于知识图谱的疫情分析现状及趋势研究", 软件, no. 08, pages 192 - 195 * |
| 刘漳辉;郭文忠;陈羽中;陈锋情;: "基于大数据与人工智能的疫情防控平台建设方案", 福州大学学报(哲学社会科学版), no. 02, pages 19 - 24 * |
| 徐韧哲;汪家伟;叶声豪;王雄;: "基于SIQR模型的新冠肺炎期间深圳市防控措施分析", 深圳大学学报(理工版), vol. 37, no. 03, pages 257 - 264 * |
| 成守珍;李智英;郑莹;黄天雯;乔金方;彭淑辉;骆丽;罗健;: "双控法在整建制接管新型冠状病毒肺炎重症隔离病区的应用", 中华护理杂志, vol. 55, no. 07, pages 1016 - 1019 * |
| 朱婷婷;孙利文;常姗姗;陈俊涛;杨丽梅;崔国强;: "比数图法在北京市怀柔区重点传染病预警中的方法探讨", 实用预防医学, no. 10, pages 1270 - 1273 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114334172A (zh) * | 2021-12-13 | 2022-04-12 | 北京融信数联科技有限公司 | 一种疫情风险评估方法、系统及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113689959B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nsoesie et al. | Forecasting peaks of seasonal influenza epidemics | |
| CN112734775B (zh) | 图像标注、图像语义分割、模型训练方法及装置 | |
| CN110956254B (zh) | 一种基于动态知识表示学习的案件推理方法 | |
| CN109766759A (zh) | 情绪识别方法及相关产品 | |
| CN106295565A (zh) | 基于大数据的监控事件识别及实时犯罪预测方法 | |
| CN112365171A (zh) | 基于知识图谱的风险预测方法、装置、设备及存储介质 | |
| CN113140254B (zh) | 元学习药物-靶点相互作用预测系统及预测方法 | |
| US20210406687A1 (en) | Method for predicting attribute of target object based on machine learning and related device | |
| CN111709468B (zh) | 一种定向人工智能的训练方法、装置及存储介质 | |
| CN113392197B (zh) | 问答推理方法、装置、存储介质及电子设备 | |
| CN113792871A (zh) | 神经网络训练方法、目标识别方法、装置和电子设备 | |
| CN107392252A (zh) | 计算机深度学习图像特征并量化感知度的方法 | |
| CN110929806A (zh) | 基于人工智能的图片处理方法、装置及电子设备 | |
| CN108062366A (zh) | 公共文化信息推荐系统 | |
| CN113689959A (zh) | 基于人工智能的疫情防控决策方法、装置、设备及介质 | |
| KR20200084816A (ko) | 콜드 스타트를 해결하기 위한 신규 컨텐츠 분석 분석 방법, 장치 및 컴퓨터 프로그램 | |
| CN113516205B (zh) | 基于人工智能的员工稳定性分类方法及相关设备 | |
| CN115272853A (zh) | 基于人工智能技术与大数据的工业废弃地识别方法及产品 | |
| CN114580979A (zh) | 高温防灾指数检测方法、装置、设备、存储介质及产品 | |
| CN113902302A (zh) | 基于人工智能的数据分析方法、装置、设备及存储介质 | |
| CN114049764B (zh) | 一种基于卷积长短时记忆神经网络的交通仿真方法及系统 | |
| US20240111807A1 (en) | Embedding and Analyzing Multivariate Information in Graph Structures | |
| CN117876090A (zh) | 风险识别方法、电子设备、存储介质及程序产品 | |
| CN116958803A (zh) | 一种空间中区域识别方法及相关装置 | |
| Shekhar et al. | Predicting poverty index on satellite images & DHS data using transfer learning. |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220921 Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |