CN113707336A - 基于数据分析的传染病防治预警方法、装置、设备及介质 - Google Patents
基于数据分析的传染病防治预警方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113707336A CN113707336A CN202110991101.XA CN202110991101A CN113707336A CN 113707336 A CN113707336 A CN 113707336A CN 202110991101 A CN202110991101 A CN 202110991101A CN 113707336 A CN113707336 A CN 113707336A
- Authority
- CN
- China
- Prior art keywords
- infected
- infectious disease
- day
- early warning
- prevented
- 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
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 320
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000006806 disease prevention Effects 0.000 title claims abstract description 42
- 238000007405 data analysis Methods 0.000 title claims abstract description 18
- 238000009499 grossing Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000002265 prevention Effects 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 35
- 230000002458 infectious effect Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 230000003203 everyday effect Effects 0.000 claims description 4
- 239000002360 explosive Substances 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013507 mapping Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000011835 investigation Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 241000406668 Loxodonta cyclotis Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism 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
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 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
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)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及人工智能及医疗领域，提供了一种基于数据分析的传染病防治预警方法，包括：获取目标地域的待防治传染病的历史感染数据和当前感染数据；对感染数据进行分析，得到第一预警指数；基于三次指数平滑算法对感染数据进行分析，得到候选预测感染人数；基于SVR算法对感染数据进行分析，得到残差值；用候选预测感染人数减去残差值，得到目标预测感染人数，并根据目标预测感染人数确定待防治传染病的第二预警指数；在第一预警指数大于或等于第一预设阈值，且第二预警指数大于或等于第二预设阈值时，输出待防治传染病的防治提示信息。本申请提高了传染病防治预警的及时性和准确性。本申请还涉及区块链，上述感染数据可存储在区块链中。
Description
技术领域
本申请涉及人工智能领域，尤其涉及一种基于数据分析的传染病防治预警方法、装置、设备及介质。
背景技术
在医疗领域，传染病的流行会严重危害大众的身体健康，因此对传染病进行防治预警是极其重要的，但现有的传染病防治预警系统不进行数据的深度分析，相关的分析工作是由人来完成的，工作量极大，且也无法保证传染病防治预警的及时性和准确性。
发明内容
本申请实施例提供一种基于数据分析的传染病防治预警方法、装置、设备及介质，旨在提高传染病防治预警的及时性和准确性。
第一方面，本申请实施例提供一种基于数据分析的传染病防治预警方法，包括：
获取目标地域的待防治传染病的历史感染数据和当前感染数据；
通过第一预设线程对所述历史感染数据和所述当前感染数据进行分析处理，得到所述待防治传染病的第一预警指数；
通过第二预设线程基于三次指数平滑算法对所述历史感染数据和所述当前感染数据进行分析处理，得到所述待防治传染病的候选预测感染人数；
通过第三预设线程基于支持向量机回归算法SVR对所述历史感染数据和所述当前感染数据进行分析处理，得到所述候选预测感染人数的残差值；
用所述候选预测感染人数减去所述残差值，得到目标预测感染人数，并根据所述目标预测感染人数，确定所述待防治传染病的第二预警指数；
在所述第一预警指数大于或等于第一预设阈值，且所述第二预警指数大于或等于第二预设阈值时，输出所述待防治传染病的防治提示信息。
第二方面，本申请实施例还提供一种传染病防治预警装置，所述传染病防治预警装置包括：
获取模块，用于获取目标地域的待防治传染病的历史感染数据和当前感染数据；
线程执行模块，用于执行第一预设线程对所述历史感染数据和所述当前感染数据进行分析处理，得到所述待防治传染病的第一预警指数；
所述线程执行模块，还用于执行第二预设线程基于三次指数平滑算法对所述历史感染数据和所述当前感染数据进行分析处理，得到所述待防治传染病的候选预测感染人数；
所述线程执行模块，还用于执行第三预设线程基于支持向量机回归算法SVR对所述历史感染数据和所述当前感染数据进行分析处理，得到所述候选预测感染人数的残差值；
确定模块，用于用所述候选预测感染人数减去所述残差值，得到目标预测感染人数，并根据所述目标预测感染人数，确定所述待防治传染病的第二预警指数；
输出模块，用于在所述第一预警指数大于或等于第一预设阈值，且所述第二预警指数大于或等于第二预设阈值时，输出所述待防治传染病的防治提示信息。
第三方面，本申请实施例还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上所述的基于数据分析的传染病防治预警方法的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上所述的基于数据分析的传染病防治预警方法的步骤。
本申请实施例提供一种基于数据分析的传染病防治预警方法、装置、设备及介质，该方法通过同时执行第一预设线程、第二预设线程和第三预设线程使用不同的算法对历史感染数据和当前感染数据进行分析处理，得到待防治传染病的第一预警指数、候选预测感染人数和候选预测感染人数的残差值，可以提高分析效率，之后再用候选预测感染人数减去残差值，得到目标预测感染人数，并根据目标预测感染人数，确定待防治传染病的第二预警指数，最后在第一预警指数大于或等于第一预设阈值，且第二预警指数大于或等于第二预设阈值时，输出待防治传染病的防治提示信息，可以极大地提高传染病防治预警的及时性和准确性。
附图说明
为了更清楚地说明本申请实施例技术方案，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是本申请实施例提供的一种基于数据分析的传染病防治预警方法的流程示意图；
图2是图1中的传染病防治预警方法的一子步骤流程示意图；
图3是图1中的传染病防治预警方法的另一子步骤流程示意图；
图4是本申请实施例提供的一种传染病防治预警装置的示意性框图；
图5是图4中的传染病防治预警装置的子模块的示意性框图；
图6是本申请实施例提供的一种计算机设备的结构示意性框图。
本申请目的的实现、功能特点及优点将结合实施例，参阅附图做进一步说明。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
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。
本申请实施例提供一种传染病防治预警方法、装置、计算机设备及计算机可读存储介质。其中，该传染病防治预警方法可应用于服务器中，服务器可以是独立的服务器，也可以是提供云服务、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、内容分发网络(Content Delivery Network，CDN)、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。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本申请实施例提供的一种基于数据分析的传染病防治预警方法的流程示意图。
如图1所示，基于数据分析的传染病防治预警方法包括步骤S101至步骤S106。
步骤S101、获取目标地域的待防治传染病的历史感染数据和当前感染数据。
其中，传染病防治预警方法可以应用于服务器，服务器可以与终端设备通信连接，医疗人员可以通过终端设备向服务器上报传染病患者的患病数据，服务器存储患病数据，患病数据包括传染病患者的个人信息、诊断时间、症状信息、传染病类型、生活轨迹信息等。服务器定时基于上报的患病数据，确定各类型传染病每天的真实感染人数和预测感染人数。
示例性的，获取终端设备发送的传染病防治预警请求，其中，传染病防治预警请求包括传染病标识和需要防治传染病的目标地域的地理位置信息；根据该传染病标识和该地理位置信息，获取目标地域的待防治传染病的历史感染数据和当前感染数据。其中，当前感染数据包括当天T的预测感染人数和当天T的实际感染人数，历史感染数据包括第T-1天至第T-n天中每天的预测感染人数和实际感染人数，n大于或等于4，历史感染数据和当前感染数据可以存储在区块链中，以提高数据安全性。
步骤S102、通过第一预设线程对历史感染数据和当前感染数据进行分析处理，得到待防治传染病的第一预警指数。
其中，待防治传染病可以为爆发性传染病，也可以为流行性传染病，爆发性传染病与流行性传染病的预警指数的计算方式不同，所用到的感染数据的时间段不同。在一实施例中，如图2所示，步骤S102包括：子步骤S1021至子步骤S1024。
子步骤S1021，在待防治传染病为爆发性传染病时，根据待防治传染病的传染病标识，确定第一超参数和第二超参数。
示例性的，在待防治传染病为爆发性传染病时，获取预存的传染病标识与超参数之间的第一映射关系；根据待防治传染病的传染病标识和第一映射关系，确定第一超参数和第二超参数。其中，一个传染病标识可以对应两个超参数，第一映射关系可基于实际情况进行设置，本实施例对此不做具体限定，第一超参数与第二超参数可以相同，也可以不同。例如，第一超参数为2，第二超参数为3。
子步骤S1022、根据第T-2天至第T-n天中每天的实际感染人数确定第一平均感染人数。
其中，n可以基于实际情况进行设置，本实施例对此不做具体限定。例如，对于爆发性传染病，可以使用前4天的感染数据和当天的感染数据来进行计算，即n为4。例如，T为2021年6月20日，则可以根据2021年6月18日(第T-2天)的实际感染人数、2021年6月17日(第T-3天)的实际感染人数和2021年6月16日(第T-4天)的实际感染人数，来计算第一平均感染人数。
子步骤S1023、将第一超参数与第一平均感染人数相乘，得到第一感染人数，并将第二超参数与第一平均感染人数相乘，得到第二感染人数。
其中，第一超参数和第二超参数可以基于实际情况进行调整。示例性的，获取待防治传染病的调查反馈结果，在第一预警指数大于或等于第一预设阈值，且该调查反馈结果为未发生待防治传染病时，根据第一增益系数增大第一超参数和第二超参数；在第一预警指数小于第一预设阈值，且该调查反馈结果为发生待防治传染病时，若第一感染人数大于第T-1天的实际感染人数，则根据第二增益系数减小第一超参数，若第二感染人数大于当天T的实际感染人数，则根据第二增益系数减小第二超参数。其中，第一增益系数和第二增益系数可基于实际情况进行设置，本实施例对此不做具体限定，例如，第一增益系数为1.1，第二增益系数为0.9。
子步骤S1024、根据第一感染人数、第二感染人数、当天T的实际感染人数和第T-1天的实际感染人数确定第一预警指数。
示例性的，确定第一感染人数与第T-1天的实际感染人数之间的第一感染人数差值；确定第二感染人数与当天T的实际感染人数之间的第二感染人数差值；根据第一感染人数差值和第二感染人数差值，确定待防治传染病的第一预警指数。例如，获取第一感染人数差值对应的第一预设预警指数和第二感染人数差值对应的第二预设预警指数，对第一预设预警指数与第二预设预警指数进行加权求和，得到待防治传染病的第一预警指数。通过综合考虑当天和前一天的实际感染人数与第一平均感染人数之间差值，可以准确地确定待防治传染病的预警指数。
示例性的，确定第一感染人数所处的预设人数范围和第二感染人数所处的预设人数范围；获取预存的人数范围与预警指数之间的映射关系，根据第一感染人数所处的预设人数范围和该映射关系，确定第一预设预警指数，根据第二感染人数所处的预设人数范围和该映射关系，确定第二预设预警指数。其中，人数范围与预警指数之间的映射关系可基于实际情况进行设置，本实施例对此不做具体限定。
示例性的，根据第一感染人数、第二感染人数、当天T的实际感染人数和第T-1天的实际感染人数确定第一预警指数的方式可以为：在第一感染人数小于第T-1天的实际感染人数，且第二感染人数小于当天T的实际感染人数时，将第一预设指数确定为待防治传染病的第一预警指数；在第一感染人数大于或等于第T-1天的实际感染人数和/或第二感染人数大于或等于当天T的实际感染人数时，将第二预设指数确定为待防治传染病的第一预警指数。其中，第一预设指数与第二预设指数可基于实际情况进行设置，本实施例对此不做具体限定，第一预设指数大于或等于第一预设阈值，第二预设指数小于第一预设阈值。
在一实施例中，如图3所示，步骤S102包括：子步骤S1025至子步骤S1028。
子步骤S1025、在待防治传染病为流行性传染病时，根据待防治传染病的传染病标识，确定第三超参数。
示例性的，在待防治传染病为流行性传染病时，获取预存的传染病标识与超参数之间的第二映射关系；根据待防治传染病的传染病标识和第二映射关系，确定第三超参数。其中，传染病标识与超参数之间的第二映射关系可基于实际情况进行设置，本实施例对此不做具体限定。例如，第三超参数可以为3。
子步骤S1026、对第T-1天至第T-n天中每天的实际感染人数和当天T的实际感染人数进行累加，得到第一总感染人数。
其中，n可以基于实际情况进行设置，本实施例对此不做具体限定。例如，对于流行性传染病，可以使用最近一周的感染数据来进行计算，即n为7。例如，T为2021年6月20日，则可以对2021年6月19日(第T-1天)的实际感染人数、2021年6月18日(第T-2天)的实际感染人数、2021年6月17日(第T-3天)的实际感染人数和2021年6月16日(第T-4天)的实际感染人数、2021年6月15日(第T-5天)的实际感染人数、2021年6月14日(第T-6天)的实际感染人数和2021年6月20日(当天T)的实际感染人数进行累加，得到最近一周的第一总感染人数。
子步骤S1027、对第T-w天至第T-w-n-1天中每天的实际感染人数进行累加，得到第二总感染人数。
其中，w为待防治传染病的流行周期，可以基于实际情况进行设置，本实施例对此不做具体限定。例如，w为365天，因此，对于当天T为2021年6月20日，可以对2020年6月19日(第T-1天)的实际感染人数、2020年6月18日(第T-2天)的实际感染人数、2020年6月17日(第T-3天)的实际感染人数和2020年6月16日(第T-4天)的实际感染人数、2020年6月15日(第T-5天)的实际感染人数、2020年6月14日(第T-6天)的实际感染人数和2020年6月20日(当天T)的实际感染人数进行累加，得到上一年相同周的第二总感染人数。
子步骤S1028、根据第一总感染人数与第二总感染人数之间的比值，确定待防治传染病的第一预警指数。
示例性的，确定第一总感染人数与第二总感染人数之间的比值，若第一总感染人数与第二总感染人数之间的比值大于第三超参数，则将第三预设指数确定为待防治传染病的第一预警指数，若第一总感染人数与第二总感染人数之间的比值小于或等于第三超参数，则将第四预设指数确定为待防治传染病的第一预警指数。其中，第三预设指数大于或等于第二预设阈值，第四预设指数小于第二预设阈值。
示例性的，确定第一总感染人数与第二总感染人数之间的比值所处的比值范围，并获取预存的比值范围与预警指数之间的映射关系；根据第一总感染人数与第二总感染人数之间的比值所处的比值范围和该映射关系，确定待防治传染病的第一预警指数。其中，比值范围与预警指数之间的映射关系可以基于实际情况进行设置，本实施例对此不做具体限定。
其中，第三超参数可以基于实际情况进行调整。示例性的，获取待防治传染病的调查反馈结果，在第一预警指数大于或等于第一预设阈值，且该调查反馈结果为未发生待防治传染病时，根据第一增益系数增大第三超参数；在第一预警指数小于第一预设阈值，且该调查反馈结果为发生待防治传染病时，若第一总感染人数与第二总感染人数之间的比值小于或等于第三超参数，则根据第二增益系数减小第三超参数。其中，第一增益系数和第二增益系数可基于实际情况进行设置，本实施例对此不做具体限定，例如，第一增益系数为1.1，第二增益系数为0.9。
步骤S103、通过第二预设线程基于三次指数平滑算法对历史感染数据和当前感染数据进行分析处理，得到待防治传染病的候选预测感染人数。
示例性的，通过第二预设线程基于三次指数平滑算法和预设平滑系数，对历史感染数据进行处理，得到第T-1天的象函数；通过第二预设线程根据预设平滑系数、第T-1天的象函数和当前感染数据中的当天T的实际感染人数，计算当天T的象函数；通过第二预设线程根据预设平滑系数和当天T的象函数，确定预设的感染人数预测公式中的第一系数、第二系数和第三系数；通过第二预设线程根据第一系数、第二系数、第三系数和感染人数预测公式，计算待防治传染病的预测感染人数。
其中，预设平滑系数可以基于实际情况进行设置，本实施例对此不做具体限定。给定的预设平滑系数为α，则三次指数平滑的计算公式可以表示为：
其中，xt为当天T的实际感染人数，S(t-1)为第T-1天的像函数，St为当天T的像函数，上标中括号代表阶数，一共有三阶，所以是三次指数，通过上述公式，可以计算得到当天T的一阶象函数
二阶象函数
和三阶象函数
其中，预设的感染人数预测公式可以为：xτ+t＝At+Bt*t+Ct*T2，其中，At为第一系数，Bt为第二系数，Ct为第三系数，t为间隔时间段，即xτ+t为经过t天后的待防治传染病的预测感染人数，At、Bt和Ct的计算方式如下：
步骤S104、通过第三预设线程基于支持向量机回归算法SVR对历史感染数据和当前感染数据进行分析处理，得到候选预测感染人数的残差值。
示例性的，通过第三预设线程计算当天T的预测感染人数与当天T的实际感染人数之间的差值，得到感染人数残差；通过第三预设线程根据第T-1天至第T-n天中每天的预测感染人数和实际感染人数以及感染人数残差，调整SVR模型函数的模型参数，得到目标SVR模型函数；通过第三预设线程基于目标SVR模型函数，对第T-1天至第T-n-1天中每天的预测感染人数和实际感染人数以及当天T的预测感染人数和当天T的实际感染人数进行计算，得到候选预测感染人数的残差值。
其中，第一预设线程、第二预设线程和第三预设线程为不同的线程，且第一预设线程、第二预设线程和第三预设线程可以同时执行，以同时计算第一预警指数、候选预测感染人数和候选预测感染人数的残差值，能够提高计算速度。
例如，n为4，T为2021年6月20日，则计算2021年6月20日的预测感染人数与实际感染人数与之间的差值，得到感染人数残差，根据2021年6月19日(第T-1天)的预测感染人数和实际感染人数、2021年6月18日(第T-2天)的预测感染人数和实际感染人数、2021年6月17日(第T-3天)的预测感染人数和实际感染人数以及感染人数残差，调整SVR模型函数的模型参数，得到目标SVR模型函数，然后基于目标SVR模型函数，对2021年6月19日(第T-1天)的预测感染人数和实际感染人数、2021年6月18日(第T-2天)的预测感染人数和实际感染人数以及2021年6月20日(当天)的预测感染人数和实际感染人数进行计算，得到候选预测感染人数的残差值。
步骤S105、用候选预测感染人数减去残差值，得到目标预测感染人数，并根据目标预测感染人数，确定待防治传染病的第二预警指数。
示例性的，根据第T-1天至第T-n天中每天的实际感染人数确定第二平均感染人数；确定目标预测感染人数与第二平均感染人数的比值，得到感染人数比值；将感染人数比值对应的预警指数确定为待防治传染病的第二预警指数。例如，例如，T为2021年6月20日，则可以根据2021年6月19日(第T-1天)的实际感染人数、2021年6月18日(第T-2天)的实际感染人数和2021年6月17日(第T-3天)的实际感染人数，来计算第二平均感染人数。
步骤S106、在第一预警指数大于或等于第一预设阈值，且第二预警指数大于或等于第二预设阈值时，输出待防治传染病的防治提示信息。
示例性的，向所在地位于目标地域的终端设备发送防治提示信息，以供终端设备在接收到防治提示信息时，输出防治提示信息，以提醒医疗人员。其中，终端设备输出防治提示信息的方式可以包括：显示防治提示信息和/或播报防治提示信息。其中，第一预设阈值和第二预设阈值可基于实际情况进行设置，本实施例对此不做具体限定。
上述实施例提供的传染病防治预警方法，通过同时执行第一预设线程、第二预设线程和第三预设线程使用不同的算法对历史感染数据和当前感染数据进行分析处理，得到待防治传染病的第一预警指数、候选预测感染人数和候选预测感染人数的残差值，可以提高分析效率，之后再用候选预测感染人数减去残差值，得到目标预测感染人数，并根据目标预测感染人数，确定待防治传染病的第二预警指数，最后在第一预警指数大于或等于第一预设阈值，且第二预警指数大于或等于第二预设阈值时，输出待防治传染病的防治提示信息，可以极大地提高传染病防治预警的及时性和准确性。
请参阅图4，图4是本申请实施例提供的一种传染病防治预警装置的示意性框图。
如图4所示，该传染病防治预警装置200，包括：
获取模块210，用于获取目标地域的待防治传染病的历史感染数据和当前感染数据；
线程执行模块220，用于执行第一预设线程对所述历史感染数据和所述当前感染数据进行分析处理，得到所述待防治传染病的第一预警指数；
所述线程执行模块220，还用于执行第二预设线程基于三次指数平滑算法对所述历史感染数据和所述当前感染数据进行分析处理，得到所述待防治传染病的候选预测感染人数；
所述线程执行模块220，还用于执行第三预设线程基于支持向量机回归算法SVR对所述历史感染数据和所述当前感染数据进行分析处理，得到所述候选预测感染人数的残差值；
确定模块230，用于用所述候选预测感染人数减去所述残差值，得到目标预测感染人数，并根据所述目标预测感染人数，确定所述待防治传染病的第二预警指数；
输出模块240，用于在所述第一预警指数大于或等于第一预设阈值，且所述第二预警指数大于或等于第二预设阈值时，输出所述待防治传染病的防治提示信息。
在一实施例中，如图5所示，所述线程执行模块220包括：
第一确定子模块221，用于在所述待防治传染病为爆发性传染病时，根据所述待防治传染病的传染病标识，确定第一超参数和第二超参数；
第二确定子模块222，用于根据第T-2天至第T-n天中每天的实际感染人数确定第一平均感染人数；
所述第二确定子模块222，还用于将所述第一超参数与所述第一平均感染人数相乘，得到第一感染人数，并将所述第二超参数与所述第一平均感染人数相乘，得到第二感染人数；
第三确定子模块224，用于根据所述第一感染人数、所述第二感染人数、所述当天T的实际感染人数和所述第T-1天的实际感染人数确定所述第一预警指数。
在一实施例中，所述第三确定子模块224还用于：
确定所述第一感染人数与所述第T-1天的实际感染人数之间的第一感染人数差值；
确定所述第二感染人数与所述当天T的实际感染人数之间的第二感染人数差值；
根据所述第一感染人数差值和所述第二感染人数差值，确定所述待防治传染病的第一预警指数。
在一实施例中，所述线程执行模块220还用于：
在所述待防治传染病为流行性传染病时，根据所述待防治传染病的传染病标识，确定第三超参数；
对第T-1天至第T-n天中每天的实际感染人数和当天T的实际感染人数进行累加，得到第一总感染人数；
对第T-w天至第T-w-n-1天中每天的实际感染人数进行累加，得到第二总感染人数，其中，w为所述待防治传染病的流行周期；
根据所述第一总感染人数与所述第二总感染人数之间的比值，确定所述待防治传染病的第一预警指数。
在一实施例中，所述线程执行模块220还用于：
基于三次指数平滑算法和预设平滑系数，对所述历史感染数据进行处理，得到第T-1天的象函数；
根据所述预设平滑系数、所述第T-1天的象函数和所述当前感染数据中的当天T的实际感染人数，计算当天T的象函数；
根据预设平滑系数和所述当天T的象函数，确定预设的感染人数预测公式中的第一系数、第二系数和第三系数；
根据所述第一系数、第二系数、第三系数和所述感染人数预测公式，计算所述待防治传染病的预测感染人数。
在一实施例中，所述线程执行模块220还用于：
计算当天T的预测感染人数与当天T的实际感染人数之间的差值，得到感染人数残差；
根据第T-1天至第T-n天中每天的预测感染人数和实际感染人数以及感染人数残差，调整SVR模型函数的模型参数，得到目标SVR模型函数；
基于所述目标SVR模型函数，对第T-1天至第T-n-1天中每天的预测感染人数和实际感染人数以及当天T的预测感染人数和当天T的实际感染人数进行计算，得到所述候选预测感染人数的残差值。
在一实施例中，所述确定模块230还用于：
根据第T-1天至第T-n天中每天的实际感染人数确定第二平均感染人数；
确定所述目标预测感染人数与所述第二平均感染人数的比值，得到感染人数比值；
将所述感染人数比值对应的预警指数确定为所述待防治传染病的第二预警指数。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块及单元的具体工作过程，可以参考前述基于数据分析的传染病防治预警方法实施例中的对应过程，在此不再赘述。
上述实施例提供的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图6所示的计算机设备上运行。
请参阅图6，图6是本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为服务器。
如图6所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括存储介质和内存储器。
存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种基于数据分析的传染病防治预警方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。其中，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。
其中，在一实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现以下步骤：
获取目标地域的待防治传染病的历史感染数据和当前感染数据；
通过第一预设线程对所述历史感染数据和所述当前感染数据进行分析处理，得到所述待防治传染病的第一预警指数；
通过第二预设线程基于三次指数平滑算法对所述历史感染数据和所述当前感染数据进行分析处理，得到所述待防治传染病的候选预测感染人数；
通过第三预设线程基于支持向量机回归算法SVR对所述历史感染数据和所述当前感染数据进行分析处理，得到所述候选预测感染人数的残差值；
用所述候选预测感染人数减去所述残差值，得到目标预测感染人数，并根据所述目标预测感染人数，确定所述待防治传染病的第二预警指数；
在所述第一预警指数大于或等于第一预设阈值，且所述第二预警指数大于或等于第二预设阈值时，输出所述待防治传染病的防治提示信息。
在一实施例中，所述当前感染数据包括当天T的预测感染人数和当天T的实际感染人数，所述历史感染数据包括第T-1天至第T-n天中每天的预测感染人数和实际感染人数，n大于或等于4，所述处理器在实现对所述历史感染数据和所述当前感染数据进行分析处理，得到所述待防治传染病的第一预警指数时，用于实现：
在所述待防治传染病为爆发性传染病时，根据所述待防治传染病的传染病标识，确定第一超参数和第二超参数；
根据第T-2天至第T-n天中每天的实际感染人数确定第一平均感染人数；
将所述第一超参数与所述第一平均感染人数相乘，得到第一感染人数，并将所述第二超参数与所述第一平均感染人数相乘，得到第二感染人数；
根据所述第一感染人数、所述第二感染人数、所述当天T的实际感染人数和所述第T-1天的实际感染人数确定所述第一预警指数。
在一实施例中，所述处理器在实现根据所述第一感染人数、所述第二感染人数、所述当天T的实际感染人数和所述第T-1天的实际感染人数确定所述第一预警指数时，用于实现：
确定所述第一感染人数与所述第T-1天的实际感染人数之间的第一感染人数差值；
确定所述第二感染人数与所述当天T的实际感染人数之间的第二感染人数差值；
根据所述第一感染人数差值和所述第二感染人数差值，确定所述待防治传染病的第一预警指数。
在一实施例中，所述处理器在实现对所述历史感染数据和所述当前感染数据进行分析处理，得到所述待防治传染病的第一预警指数时，用于实现：
在所述待防治传染病为流行性传染病时，根据所述待防治传染病的传染病标识，确定第三超参数；
对第T-1天至第T-n天中每天的实际感染人数和当天T的实际感染人数进行累加，得到第一总感染人数；
对第T-w天至第T-w-n-1天中每天的实际感染人数进行累加，得到第二总感染人数，其中，w为所述待防治传染病的流行周期；
根据所述第一总感染人数与所述第二总感染人数之间的比值，确定所述待防治传染病的第一预警指数。
在一实施例中，所述处理器在实现基于三次指数平滑算法对所述历史感染数据和所述当前感染数据进行分析处理，得到所述待防治传染病的预测感染人数时，用于实现：
基于三次指数平滑算法和预设平滑系数，对所述历史感染数据进行处理，得到第T-1天的象函数；
根据所述预设平滑系数、所述第T-1天的象函数和所述当前感染数据中的当天T的实际感染人数，计算当天T的象函数；
根据预设平滑系数和所述当天T的象函数，确定预设的感染人数预测公式中的第一系数、第二系数和第三系数；
根据所述第一系数、第二系数、第三系数和所述感染人数预测公式，计算所述待防治传染病的预测感染人数。
在一实施例中，所述处理器在实现基于支持向量机回归算法SVR对所述历史感染数据和所述当前感染数据进行分析处理，得到所述候选预测感染人数的残差值时，用于实现：
计算当天T的预测感染人数与当天T的实际感染人数之间的差值，得到感染人数残差；
根据第T-1天至第T-n天中每天的预测感染人数和实际感染人数以及感染人数残差，调整SVR模型函数的模型参数，得到目标SVR模型函数；
基于所述目标SVR模型函数，对第T-1天至第T-n-1天中每天的预测感染人数和实际感染人数以及当天T的预测感染人数和当天T的实际感染人数进行计算，得到所述候选预测感染人数的残差值。
在一实施例中，所述处理器在实现根据所述目标预测感染人数，确定所述待防治传染病的第二预警指数时，用于实现：
根据第T-1天至第T-n天中每天的实际感染人数确定第二平均感染人数；
确定所述目标预测感染人数与所述第二平均感染人数的比值，得到感染人数比值；
将所述感染人数比值对应的预警指数确定为所述待防治传染病的第二预警指数。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的计算机设备的具体工作过程，可以参考前述基于数据分析的传染病防治预警方法实施例中的对应过程，在此不再赘述。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可参阅本申请传染病防治预警方法的各个实施例。
其中，所述计算机可读存储介质可以是易失性的，也可以是非易失性的。所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
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。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于数据分析的传染病防治预警方法，其特征在于，包括：
获取目标地域的待防治传染病的历史感染数据和当前感染数据；
通过第一预设线程对所述历史感染数据和所述当前感染数据进行分析处理，得到所述待防治传染病的第一预警指数；
通过第二预设线程基于三次指数平滑算法对所述历史感染数据和所述当前感染数据进行分析处理，得到所述待防治传染病的候选预测感染人数；
通过第三预设线程基于支持向量机回归算法SVR对所述历史感染数据和所述当前感染数据进行分析处理，得到所述候选预测感染人数的残差值；
用所述候选预测感染人数减去所述残差值，得到目标预测感染人数，并根据所述目标预测感染人数，确定所述待防治传染病的第二预警指数；
在所述第一预警指数大于或等于第一预设阈值，且所述第二预警指数大于或等于第二预设阈值时，输出所述待防治传染病的防治提示信息。
2.根据权利要求1所述的传染病防治预警方法，其特征在于，所述当前感染数据包括当天T的预测感染人数和当天T的实际感染人数，所述历史感染数据包括第T-1天至第T-n天中每天的预测感染人数和实际感染人数，n大于或等于4，所述对所述历史感染数据和所述当前感染数据进行分析处理，得到所述待防治传染病的第一预警指数，包括：
在所述待防治传染病为爆发性传染病时，根据所述待防治传染病的传染病标识，确定第一超参数和第二超参数；
根据第T-2天至第T-n天中每天的实际感染人数确定第一平均感染人数；
将所述第一超参数与所述第一平均感染人数相乘，得到第一感染人数，并将所述第二超参数与所述第一平均感染人数相乘，得到第二感染人数；
根据所述第一感染人数、所述第二感染人数、所述当天T的实际感染人数和所述第T-1天的实际感染人数确定所述第一预警指数。
3.根据权利要求2所述的传染病防治预警方法，其特征在于，所述根据所述第一感染人数、所述第二感染人数、所述当天T的实际感染人数和所述第T-1天的实际感染人数确定所述第一预警指数，包括：
确定所述第一感染人数与所述第T-1天的实际感染人数之间的第一感染人数差值；
确定所述第二感染人数与所述当天T的实际感染人数之间的第二感染人数差值；
根据所述第一感染人数差值和所述第二感染人数差值，确定所述待防治传染病的第一预警指数。
4.根据权利要求1所述的传染病防治预警方法，其特征在于，所述对所述历史感染数据和所述当前感染数据进行分析处理，得到所述待防治传染病的第一预警指数，包括：
在所述待防治传染病为流行性传染病时，根据所述待防治传染病的传染病标识，确定第三超参数；
对第T-1天至第T-n天中每天的实际感染人数和当天T的实际感染人数进行累加，得到第一总感染人数；
对第T-w天至第T-w-n-1天中每天的实际感染人数进行累加，得到第二总感染人数，其中，w为所述待防治传染病的流行周期；
根据所述第一总感染人数与所述第二总感染人数之间的比值，确定所述待防治传染病的第一预警指数。
5.根据权利要求1所述的传染病防治预警方法，其特征在于，所述基于三次指数平滑算法对所述历史感染数据和所述当前感染数据进行分析处理，得到所述待防治传染病的预测感染人数，包括：
基于三次指数平滑算法和预设平滑系数，对所述历史感染数据进行处理，得到第T-1天的象函数；
根据所述预设平滑系数、所述第T-1天的象函数和所述当前感染数据中的当天T的实际感染人数，计算当天T的象函数；
根据预设平滑系数和所述当天T的象函数，确定预设的感染人数预测公式中的第一系数、第二系数和第三系数；
根据所述第一系数、第二系数、第三系数和所述感染人数预测公式，计算所述待防治传染病的预测感染人数。
6.根据权利要求1-5中任一项所述的传染病防治预警方法，其特征在于，所述基于支持向量机回归算法SVR对所述历史感染数据和所述当前感染数据进行分析处理，得到所述候选预测感染人数的残差值，包括：
计算当天T的预测感染人数与当天T的实际感染人数之间的差值，得到感染人数残差；
根据第T-1天至第T-n天中每天的预测感染人数和实际感染人数以及感染人数残差，调整SVR模型函数的模型参数，得到目标SVR模型函数；
基于所述目标SVR模型函数，对第T-1天至第T-n-1天中每天的预测感染人数和实际感染人数以及当天T的预测感染人数和当天T的实际感染人数进行计算，得到所述候选预测感染人数的残差值。
7.根据权利要求1-5中任一项所述的传染病防治预警方法，其特征在于，所述根据所述目标预测感染人数，确定所述待防治传染病的第二预警指数，包括：
根据第T-1天至第T-n天中每天的实际感染人数确定第二平均感染人数；
确定所述目标预测感染人数与所述第二平均感染人数的比值，得到感染人数比值；
将所述感染人数比值对应的预警指数确定为所述待防治传染病的第二预警指数。
8.一种传染病防治预警装置，其特征在于，所述传染病防治预警装置包括：
获取模块，用于获取目标地域的待防治传染病的历史感染数据和当前感染数据；
线程执行模块，用于执行第一预设线程对所述历史感染数据和所述当前感染数据进行分析处理，得到所述待防治传染病的第一预警指数；
所述线程执行模块，还用于执行第二预设线程基于三次指数平滑算法对所述历史感染数据和所述当前感染数据进行分析处理，得到所述待防治传染病的候选预测感染人数；
所述线程执行模块，还用于执行第三预设线程基于支持向量机回归算法SVR对所述历史感染数据和所述当前感染数据进行分析处理，得到所述候选预测感染人数的残差值；
确定模块，用于用所述候选预测感染人数减去所述残差值，得到目标预测感染人数，并根据所述目标预测感染人数，确定所述待防治传染病的第二预警指数；
输出模块，用于在所述第一预警指数大于或等于第一预设阈值，且所述第二预警指数大于或等于第二预设阈值时，输出所述待防治传染病的防治提示信息。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一项所述的基于数据分析的传染病防治预警方法的步骤。
10.一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上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述的基于数据分析的传染病防治预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110991101.XA CN113707336B (zh) | 2021-08-26 | 基于数据分析的传染病防治预警方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110991101.XA CN113707336B (zh) | 2021-08-26 | 基于数据分析的传染病防治预警方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113707336A true CN113707336A (zh) | 2021-11-26 |
| CN113707336B CN113707336B (zh) | 2024-06-21 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114628039A (zh) * | 2022-03-29 | 2022-06-14 | 医渡云（北京）技术有限公司 | 传染病预警方法及装置、存储介质及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108281198A (zh) * | 2017-12-19 | 2018-07-13 | 昆明理工大学 | 一种传染病前期预警的方法 |
| CN108597617A (zh) * | 2018-04-11 | 2018-09-28 | 平安科技（深圳）有限公司 | 流行病分级预测方法及装置、计算机装置和可读存储介质 |
| 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 |
| CN112102959A (zh) * | 2020-11-02 | 2020-12-18 | 平安科技（深圳）有限公司 | 一种服务器、数据处理方法、装置及可读存储介质 |
| CN112185566A (zh) * | 2020-10-14 | 2021-01-05 | 上海玺翎智能科技有限公司 | 一种基于机器学习预测预警感染性疾病就医人数突增的方法 |
| CN112435759A (zh) * | 2020-11-24 | 2021-03-02 | 医渡云（北京）技术有限公司 | 疫情数据预测方法及装置、电子设备和存储介质 |
| CN112562863A (zh) * | 2020-12-17 | 2021-03-26 | 北京三快在线科技有限公司 | 流行病监测预警方法、装置、电子设备 |
| CN112820414A (zh) * | 2021-01-29 | 2021-05-18 | 南威软件股份有限公司 | 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 |
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108281198A (zh) * | 2017-12-19 | 2018-07-13 | 昆明理工大学 | 一种传染病前期预警的方法 |
| CN108597617A (zh) * | 2018-04-11 | 2018-09-28 | 平安科技（深圳）有限公司 | 流行病分级预测方法及装置、计算机装置和可读存储介质 |
| 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 |
| CN112185566A (zh) * | 2020-10-14 | 2021-01-05 | 上海玺翎智能科技有限公司 | 一种基于机器学习预测预警感染性疾病就医人数突增的方法 |
| CN112102959A (zh) * | 2020-11-02 | 2020-12-18 | 平安科技（深圳）有限公司 | 一种服务器、数据处理方法、装置及可读存储介质 |
| CN112435759A (zh) * | 2020-11-24 | 2021-03-02 | 医渡云（北京）技术有限公司 | 疫情数据预测方法及装置、电子设备和存储介质 |
| CN112562863A (zh) * | 2020-12-17 | 2021-03-26 | 北京三快在线科技有限公司 | 流行病监测预警方法、装置、电子设备 |
| CN112820414A (zh) * | 2021-01-29 | 2021-05-18 | 南威软件股份有限公司 | 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张帆: "基于机器学习的传染病预警系统的研究与实现", 中国优秀硕士学位论文全文数据库（电子期刊）, no. 3 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114628039A (zh) * | 2022-03-29 | 2022-06-14 | 医渡云（北京）技术有限公司 | 传染病预警方法及装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190065663A1 (en) | Progression analytics system | |
| US11826129B2 (en) | Heart rate prediction from a photoplethysmogram | |
| CN114528934A (zh) | 时序数据异常检测方法、装置、设备及介质 | |
| CN112259246A (zh) | 一种融合医学概念层级结构的疾病预测方法及相关设备 | |
| US20190051405A1 (en) | Data generation apparatus, data generation method and storage medium | |
| CN112132624A (zh) | 医疗理赔数据预测系统 | |
| CN111899883B (zh) | 少样本或零样本的疾病预测设备、方法、装置及存储介质 | |
| CN115130656A (zh) | 异常检测模型的训练方法、装置、设备及存储介质 | |
| AU2017301078A1 (en) | A supervised machine learning system for optimising outpatient clinic attendance | |
| CN111968750B (zh) | 一种服务器、数据处理方法、装置及可读存储介质 | |
| CN113707336A (zh) | 基于数据分析的传染病防治预警方法、装置、设备及介质 | |
| CN113707336B (zh) | 基于数据分析的传染病防治预警方法、装置、设备及介质 | |
| CN114068036B (zh) | 一种基于物联网感知的传染传播预测方法及系统 | |
| CN113724824B (zh) | 慢性病患者随访方法、装置、计算机设备及可读存储介质 | |
| CN112927152B (zh) | Ct图像去噪处理方法、装置、计算机设备及介质 | |
| KR20210084214A (ko) | 시계열 검진 데이터를 이용한 딥러닝 기반 전립선암 재발예측 시스템 | |
| Srinivas et al. | Artificial intelligence based forecasting techniques for the covid-19 pandemic | |
| Shakhovska et al. | Visualization of the Epidemics Forecasting Results. | |
| CN117838072B (zh) | 智能床垫的心血管疾病监控方法、装置、设备及存储介质 | |
| CN117150562B (zh) | 基于区块链的血糖监测方法、装置、设备及存储介质 | |
| US20240193417A1 (en) | Apparatus for non-deterministic future state prediction using time series data and operation method thereof | |
| CN118053602B (zh) | 基于智慧病房呼叫系统的数据处理方法及数据处理系统 | |
| CN117174319B (zh) | 一种基于知识图谱的脓毒症时序预测方法及系统 | |
| US12020789B1 (en) | Systems and methods enabling baseline prediction correction | |
| CN112086157B (zh) | 一种患者护理夹信息智能录入方法及系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221025 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 |