CN113744889A - 基于神经网络的传染病预测方法、系统、设备及存储介质 - Google Patents
基于神经网络的传染病预测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113744889A CN113744889A CN202111050841.XA CN202111050841A CN113744889A CN 113744889 A CN113744889 A CN 113744889A CN 202111050841 A CN202111050841 A CN 202111050841A CN 113744889 A CN113744889 A CN 113744889A
- Authority
- CN
- China
- Prior art keywords
- neural network
- infectious disease
- network model
- data
- target infectious
- 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
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 200
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 198
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 87
- 238000012360 testing method Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 51
- 230000000306 recurrent effect Effects 0.000 claims abstract description 22
- 125000004122 cyclic group Chemical group 0.000 claims description 48
- 230000015654 memory Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000000547 structure data Methods 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 67
- 230000008569 process Effects 0.000 description 24
- 238000004364 calculation method Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 206010022000 influenza Diseases 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 230000007787 long-term memory Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005180 public health Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 201000006082 Chickenpox Diseases 0.000 description 1
- 241000711573 Coronaviridae Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 206010046980 Varicella Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 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
- 238000001556 precipitation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 241000712461 unidentified influenza virus Species 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
- 238000002759 z-score normalization 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提出一种基于神经网络的传染病预测方法、系统、设备及存储介质，该方法包括：根据目标传染病对应的测试数据和预测神经网络模型的卷积神经网络模型，获取测试图特征，卷积神经网络模型为图卷积神经网络；根据影响目标传染病的气象环境数据和卷积神经网络模型，获取气象图特征，并将气象图特征和测试图特征进行融合；根据测试图特征和预测神经网络模型的循环神经网络模型，获取目标传染病对应的最终预测值，循环神经网络模型包括门控循环单元。针对传染病数据不是邻域网格结构数据的特点，使用图卷积神经网络，即使在训练数据比较少的情况下，图卷积神经网络也能较好地提取出特征，从而保证了预测精度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于神经网络的传染病预测方法、系统、设备及存储介质。
背景技术
流感疫情一直是流行病学及公共卫生所关注的一个重点问题，因为流感病毒极易发生变异，并且传播速度极快，很难及时对变异毒株产生免疫力，导致每年都会发生不同规模的流感疫情。而利用大数据对流感疫情进行预测，也是数据挖掘和机器学习领域中关注度不断升高的话题之一。
流感作为传染病中的一种，传统方法常用SEIR传染病模型进行疫情趋势的预测。SEIR传染病模型将人群分为易感者(Susceptible)、暴露者(Exposed)、患病者(Infectious)和康复者(Recovered)四类人群，并对传染指数进行假设，建立二元常微分方程组进行求解。
SEIR传染病模型因为较为直观，在公共卫生研究中非常流行。但由于微分方程的函数空间相当狭窄，缺乏对个人级别信息进行建模的能力，模型的预测能力有限。
因为流感疫情数据的时间性质以及对疫情预测实时性的需求，所以流感疫情的预测可以被归入时间序列预测的范畴。时间序列分析中，自回归模型(Autoregressivemodel)和高斯过程回归模型(Gaussian Process Regression，GPR)被广泛应用于传染病疫情预测。
自回归模型利用历史数据Xt-1对本期数据Xt进行预测，并假设数据之间为线性关系。自回归模型中的参数会随着时间的推移进行更新调整。高斯过程回归模型通过利用径向基函数或其他非线性核来提高预测性能，以处理复杂时间序列数据。因为需要基于线性关系的假设或特定的核函数，自回归模型和高斯过程回归模型需要输入的参数较少，有利于它们在传染病疫情预测的时间序列分析中被使用。但是这种简单性也限制了模型的表达性。
如何在模型训练集数据量有限的情况下，进一步增强预测传染病疫情趋势的能力，是一个悬而未决的研究问题，因此，亟需一种传染病预测方法。
发明内容
本发明提供一种基于神经网络的传染病预测方法，其主要目的在于在模型训练数据量有限的情况下，也能准确的预测出传染病的发展趋势。
第一方面，本发明实施例提供一种基于神经网络的传染病预测方法，包括：
根据目标传染病对应的测试数据和预测神经网络模型的卷积神经网络模型，获取测试图特征，其中，所述卷积神经网络模型为图卷积神经网络；
根据影响所述目标传染病的气象环境数据和所述卷积神经网络模型，获取气象图特征，并将所述气象图特征和所述测试图特征进行融合；
根据融合后的特征和所述预测神经网络模型的循环神经网络模型，获取目标传染病对应的最终预测值，其中，所述循环神经网络模型包括门控循环单元；
其中，所述预测神经网络模型通过所述目标传染病对应的样本数据、所述目标传染病对应的样本标签进行训练后得到。
优选地，所述预测神经网络模型通过所述目标传染病对应的样本数据、所述目标传染病对应的样本标签进行训练后得到，步骤如下：
将所述样本数据输入到所述卷积神经网络模型，获取训练图特征；
将所述训练图特征依次输入到所述循环神经网络模型、残差网络模型，获取最终预测值；
将所述最终预测值与所述样本标签进行比较，若两者之间的误差在预设误差之外，则重复上述步骤，直到重复后的最终预测值与所述样本标签在所述预设误差之内，获取训练后的预测神经网络模型。
优选地，所述循环神经网络模型还包括残差网络模型，所述根据所述测试图特征和所述预测神经网络模型的循环神经网络模型，获取目标传染病对应的最终预测值，包括：
将融合后的特征输入到所述门控循环单元，获取初始预测值；
将所述初始预测值输入所述残差网络模型，获取所述最终预测值。
优选地，所述残差网络模型为稠密连接网络。
优选地，所述目标传染病对应的样本数据和所述目标传染病对应的样本标签，通过如下步骤获得：
对初始数据集中的数据进行数据清洗处理，得到标准化数据集，所述初始数据集包括所述目标传染病对应的初始数据、所述目标传染病对应的初始标签；
利用深度学习算法分析所述标准化数据集的特征，扩充特征数据维度；
利用主成分分析算法对扩充的特征数据进行降维处理，筛选特征值，以获取所述目标传染病对应的样本数据和所述目标传染病对应的样本标签。
优选地，所述测试数据通过如下方式获得：
通过个人的移动互联网终端采集个人与所述目标传染病相关的数据，作为所述目标传染病对应的个人风险大数据；
通过医疗机构的互联网终端采集所述目标传染病在目标区域的区域风险大数据；
将所述个人风险大数据与所述区域风险大数据作为所述目标传染病对应的多源大数据；
通过所述目标传染病对应的滑动窗口和所述多源大数据，获取所述传染病测试数据。
优选地，所述预测值为所述目标传染病的传播速率、发病率和发病数量中的一种。
第二方面，本发明实施例提供一种基于神经网络的传染病预测系统，包括：
特征提取模块，用于根据目标传染病对应的测试数据和预测神经网络模型的卷积神经网络模型，获取测试图特征，其中，所述卷积神经网络模型为图卷积神经网络；
融合模块，用于根据影响所述目标传染病的气象环境数据和所述卷积神经网络模型，获取气象图特征，并将所述气象图特征和所述测试图特征进行融合；
预测模块，用于根据融合后的特征和所述预测神经网络模型的循环神经网络模型，获取目标传染病对应的最终预测值，其中，所述循环神经网络模型包括门控循环单元；
其中，所述预测神经网络模型通过所述目标传染病对应的样本数据、所述目标传染病对应的样本标签进行训练后得到。
第三方面，本发明实施例提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述基于神经网络的传染病预测方法的步骤。
第四方面，本发明实施例提供一种计算机存储介质，所述计算机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上述基于神经网络的传染病预测方法的步骤。
本发明提出的一种基于神经网络的传染病预测方法、系统、设备及存储介质，针对传染病数据不是邻域网格结构数据的特点，卷积神经网络模型中没有选择常规的卷积神经网络，而是选择图卷积神经网络，更加贴合传染病数据特点；且图卷积网络中使用的是邻接过滤器，而传统的卷积神经网络使用的是图像过滤器，邻接过滤器比图像过滤器可以捕获更多节点的参数信息，因此图卷积神经网络仅使用一个过滤器，就可以提取到在传统的卷积神经网络中多个过滤器进行多次卷积才能提取到的复杂特征，因此，即使在训练数据比较少的情况下，图卷积神经网络也能较好地提取出特征，从而保证了预测精度。
另外，本发明实施例中的循环神经网络模型使用门控循环单元，门控循环单元只有两个门，比有三个门的长短期记忆网络的计算速度更快，而计算结果相似，像传染病数据这种量级不大的数据集更适合使用门控循环单元，因此，使用门控循环单元可以有效地降低对训练数据量的要求，即使在训练数据不多时，该预设神经网络模型也能精准预测。
最后，本发明实施例在整合传染病的历史发病数据的基础上，同时整合气象环境等多因素进行数据建模，通过深度学习方法构建的神经网络结构，包含卷积神经网络和循环神经网络，充分发挥神经网络数据表达的能力。降低了基于单一时间序列特征预测的不确定性，进一步提高了针对区域传染病的早期风险预测精度，实现时空推理和数据挖掘的深度结合。
附图说明
图1为本发明实施例提供的一种基于神经网络的传染病预测方法的流程图；
图2为本发明实施例提供的一种基于神经网络的传染病预测方法的流程图；
图3为传统的卷积神经网络使用的图像过滤器的结构示意图；
图4为本发明实施例中图卷积神经网络使用邻接过滤器的结构示意图；
图5为本发明实施例提供的一种基于神经网络的传染病预测系统的结构示意图；
图6为本发明实施例提供的一种计算机设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
图1为本发明实施例提供的一种基于神经网络的传染病预测方法的流程图，如图1所示，用户在客户端中输入目标传染病对应的测试数据，并将该测试数据发送到服务端，服务端接收该目标传染病对应的测试数据后，根据该目标传染病对应的测试数据，执行该一种基于神经网络的传染病预测方法，得到该目标传染病的预测值。
需要说明的是，服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现，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)、大数据和人工智能平台等基础云计算服务的云服务器。客户端可为智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。客户端和服务端可以通过蓝牙、通用串行总线(Universal Serial Bus，USB)或者其他通讯连接方式进行连接，本发明实施例在此不做限制。
本发明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、延伸和扩展的人工智能，感知环境、获取知识并使用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、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等几大方向。
图2为本发明实施例提供的一种基于神经网络的传染病预测方法的流程图，如图2所示，该方法包括：
S210，根据目标传染病对应的测试数据和预测神经网络模型的卷积神经网络模型，获取测试图特征，其中，所述卷积神经网络模型为图卷积神经网络；
目标传染病即为需要进行预测的传染病，可以为流感，也可以是新冠病毒疫情等，具体根据实际情况进行确定，本发明实施例中以流感病为例进行测试。目标传染病对应的测试数据是指当前时间下目标传染病的表现数据，具体地，如果想要测试的是目标传染病的发病数量，那么输入的目标传染病的测试数据就是当前一段时间的历史发病数量，对应的样本数据也为历史发病数量；如果想要测试的是目标传染病的发病率，那么输入的目标传染病的测试数据就是当前一段时间的历史发病率，对应的样本数据也为历史发病率；具体根据实际情况进行调整，本发明实施例在此不做具体的限定。
在具体实施过程中，将目标传染病对应的测试数据用一个时间序列数据矩阵来表示，即X＝[x1，x2，…，xt]，其中的xt为一个包含多个信息源传染病疫情信息的一个向量，维度为n*1，n为信息源的数量，t代表第t个时间点。例如，维度为n*1的xt可以代表中国本土n个城市在第t周的流感病例数，或者世界上n个国家，在第t周的流感病例数。由此可得，X的维度为n*t，包含了x1、x2、…xt，即第1个时间点，到第t个时间点的n个信息源传染病信息。
本发明实施例中提出的预测神经网络模型是一种用于目标传染病预测的神经网络模型，该模型由2个模型组成：卷积神经网络模型和循环神经网络模型，循环神经网络模型位于卷积神经网络模型之后，卷积神经网络模型用来捕获测试数据之间的相关性，融合不同来源的数据信息；循环神经网络模型用来连接时间维度中历史数据与本期测试数据之间的依赖关系。
传统的卷积神经网络是为邻域网络结构数据所设计的，然而传染病流感疫情数据，其并不是网络结构数据，因此，使用传统的卷积神经网络对传染病流感数据进行处理是不太适配的。
为了保留对局部特征进行建模的能力，本发明实施例中使用图卷积神经网络作为卷积神经网络模型。图3为传统的卷积神经网络使用的图像过滤器的结构示意图，如图3所示，网络中每个节点上应用的图像过滤器都是一致的，图像过滤器需要对每个节点上逐一进行卷积计算。图4为本发明实施例中图卷积神经网络使用邻接过滤器的结构示意图，如图4所示，邻接过滤器是一种定义在不规则图上的一次性节点特定的过滤器，该过滤器可以一次性在所有节点上进行计算。
给定的邻接矩阵H是一个对角线元素都为0的对称矩阵，维度为n*n，用于描述xt中n个节点之间的连接关系，如果两个节点间不存在连接关系，则在H邻接矩阵中的对应位置的值为0。
设y_t＝f(Ψ_H*x_t)，其中，y_t是计算后的特征图，Ψ_H是参数矩阵，x_t表示的是输入数据，当且仅当邻接矩阵H中的相应元素不为0时，Ψ_H中的元素才能取非0的值。
f(x)是sigmoid激活函数，对矩阵进行非线性变换。
因为邻接过滤器比网格过滤器可以捕捉更多节点的参数信息，因此仅使用一个过滤器，即利用Ψ_H矩阵进行一次卷积操作，就可以提取到在网格格式中需要多个过滤器进行多次卷积，才能提取到的复杂特征，输入数据经过卷积操作后的输出即为特征图yt。
将目标传染病对应的测试数据输入到该图卷积神经网络中，得到测试图特征。
本发明提出的一种基于神经网络的传染病预测方法，针对传染病数据不是邻域网格结构数据的特点，卷积神经网络模型中没有选择常规的卷积神经网络，而是选择图卷积神经网络，更加贴合传染病数据特点；且图卷积网络中使用的是邻接过滤器，而传统的卷积神经网络使用的是图像过滤器，邻接过滤器比图像过滤器可以捕获更多节点的参数信息，因此仅使用一个过滤器，就可以提取到在传统的卷积神经网络中需要多个过滤器进行多次卷积，才能提取到的复杂特征，因此，即使在训练数据比较少的情况下，图卷积神经网络也能较好地提取出特征，从而保证了预测精度。
S220，根据影响所述目标传染病的气象环境数据和所述卷积神经网络模型，获取气象图特征，并将所述气象图特征和所述测试图特征进行融合；
具体地，测试数据不仅包括历史发病数据，还包括气象环境数据，对样本数据的传染病发病情况进行初步统计，整合两类特征输入图卷积神经网络进行有效的学习，包括测试图特征和气象图特征，测试图特征是对精确的疾病确诊样例的相关统计，比如区域日发病率、区域周发病率、区域复感率等等。气象图特征是指将与传染病直接相关联的环境、气象等因素作为时序特征用于分析传播风险，比如温度(包括平均温度、最高温度、最低温度、最大温差等)、降水量、湿度以及气压等等。
本发明实施例在整合传染病的历史发病数据的基础上，同时整合气象环境等多因素进行数据建模，通过深度学习方法构建的神经网络结构，包含卷积神经网络和循环神经网络，充分发挥神经网络数据表达的能力；降低了基于单一时间序列特征预测的不确定性，进一步提高了针对区域传染病的早期风险预测精度，实现时空推理和数据挖掘的深度结合。
S230，根据融合后的特征和所述预测神经网络模型的循环神经网络模型，获取目标传染病对应的最终预测值，其中，所述循环神经网络模型包括门控循环单元；
其中，所述预测神经网络模型通过所述目标传染病对应的样本数据、所述目标传染病对应的样本标签进行训练后得到。
然后将融合后的特征输入到循环神经网络模型，即可得到目标传染病对应的最终预测值，本发明实施例中利用循环神经网络模型来处理测试数据中不同时间点之间的相关性。
本发明实施例中循环神经网络模型具体使用的是门控循环单元(Gate RecurrentUnit，GRU)，而不是传统的长短期记忆网络(LongShort-Term Memory，LSTM)，GRU和LSTM一样都属于循环神经网络，也是为了解决长期记忆和反向传播中的梯度等问题而提出的。
GRU的输入输出结构与普通的循环神经网络是一样的，有一个当前的输入yt，和上一个节点传递下来的隐状态(hidden state)ht-1，这个隐状态包含了之前节点的相关信息。结合yt和ht-1，GRU会得到当前隐藏节点的输出gt和传递给下一个节点的隐状态ht。
GRU只有两个门(重制门与更新门)，而LSTM有三个门(遗忘门、输入门、输出门)，但是GRU计算速度更快，并且计算结果相似，因此像传染病疫情数据这种量级不大的数据集更适合使用GRU。
本发明实施例中的循环神经网络模型使用门控循环单元，门控循环单元只有两个门，比有三个门的长短期记忆网络的计算速度更快，而计算结果相似，像传染病数据这种量级不大的数据集更适合使用门控循环单元，因此，使用门控循环单元可以有效地降低对训练数据量的要求，即使在训练数据不多时，该预设神经网络模型也能精准预测。
由于预测神经网络模型属于神经网络模型，因此在应用该预测神经网络模型之前，需要先对该预测神经网络模型进行训练，训练过程可以分为三个步骤：定义预测神经网络模型的结构和前向传播的输出结果；定义损失函数以及反向传播优化的算法；最后生成会话并在训练数据上反复运行反向传播优化算法。
其中，神经元是构成神经网络的最小单位，一个神经元可以有多个输入和一个输出，每个神经元的输入既可以是其它神经元的输出，也可以是整个神经网络的输入。该神经网络的输出即是所有神经元的输入加权和，不同输入的权重就是神经元参数，神经网络的优化过程就是优化神经元参数取值的过程。
神经网络的效果及优化的目标是通过损失函数来定义的，损失函数给出了神经网络的输出结果与真实标签之间差距的计算公式，监督学习为神经网络训练的一种方式，其思想就是在已知答案的标注数据集上，该神经网络给出的结果要尽量接近真实的答案(即标签)。通过调整神经网络中的参数对训练数据进行拟合，使得神经网络对未知的样本提供预测能力。
反向传播算法实现了一个迭代的过程，每次迭代开始的时候，先取一部分训练数据，通过前向传播算法得到神经网络的预测结果。因为训练数据都有正确的答案，所以可以计算出预测结果和正确答案之间的差距。基于这个差距，反向传播算法会相应的更新神经网络参数的取值，使得和真实答案更加接近。
综上，本发明实施例提出的一种基于神经网络的传染病预测方法，针对传染病数据不是邻域网格结构数据的特点，卷积神经网络模型中没有选择常规的卷积神经网络，而是选择图卷积神经网络，更加贴合传染病数据特点；且图卷积网络中使用的是邻接过滤器，而传统的卷积神经网络使用的是图像过滤器，邻接过滤器比图像过滤器可以捕获更多节点的参数信息，因此仅使用一个过滤器，就可以提取到在传统的卷积神经网络中需要多个过滤器进行多次卷积，才能提取到的复杂特征，因此，即使在训练数据比较少的情况下，图卷积神经网络也能较好地提取出特征，从而保证了预测精度。
另外，本发明实施例中的循环神经网络模型使用门控循环单元，门控循环单元只有两个门，比有三个门的长短期记忆网络的计算速度更快，而计算结果相似，像传染病数据这种量级不大的数据集更适合使用门控循环单元，因此，使用门控循环单元可以有效地降低对训练数据量的要求，即使在训练数据不多时，该预设神经网络模型也能精准预测。
与传统SEIR传染病模型及时间序列分析模型相比较，本发明实施例从时间序列预测的角度对流感疫情预测问题进行了深度学习方法的创新。本发明实施例案结合了图卷积神经网络、门控循环单元的优势，采用图卷积神经网络来融合来自不同来源数据的信息，采用循环神经网络来捕获数据中的长期相关性，针对传染病数据，具有较强的模型表达能力，提高了传染病预测的准确性。
作为一可选实施例，在上述实施例的基础上，优选地，所述预测神经网络模型通过所述目标传染病对应的样本数据、所述目标传染病对应的样本标签进行训练后得到，步骤如下：
将所述样本数据输入到所述卷积神经网络模型，获取训练图特征；
将所述训练图特征依次输入到所述循环神经网络模型、残差网络模型，获取最终预测值；
将所述最终预测值与所述样本标签进行比较，若两者之间的误差在预设误差之外，则重复上述步骤，直到重复后的最终预测值与所述样本标签在所述预设误差之内，获取训练后的预测神经网络模型。
本发明实施例中所提供的预测神经网络模型在训练过程中增加残差网络模型，该残差网络模型位于循环神经网络模型之后，通过残差网络模型可以有效防止循环神经网络模型中深度网络层数的加深而发生的梯度消失、梯度爆炸的问题，从而避免了预测神经网络模型过拟合的问题。
本实施例中预测神经网络模型的训练过程与神经网络的常规训练过程相同，本实施例中在此不再赘述。
需要说明的是，本实施例中增加残差网络模型的目的是为了在训练过程中防止循环神经网络过拟合的问题，只有在训练过程中该预测神经网络模型才会有残差网络模型，训练完毕后应用该预测神经网络模型的过程中，残差网络模型并不参与应用的过程。
作为另一可选实施例，所述循环神经网络模型还包括残差网络模型，所述根据所述测试图特征和所述预测神经网络模型的循环神经网络模型，获取目标传染病对应的最终预测值，包括：
将融合后的特征输入到所述门控循环单元，获取初始预测值；
将所述初始预测值输入所述残差网络模型，获取所述最终预测值。
本实施例中，该残差网络模型也可以直接被包括在循环神经网络模型中，位于循环神经网络模型中门控循环单元之后，不管是在训练还是在应用的过程中，残差网络模型都参与其中，将融合后的特征输入到门控循环单元中后，得到初始预测值，将该初始预测值输入到残差网络模型中，得到最终预测值。
在上述实施例的基础上，优选地，所述残差网络模型为稠密连接网络。
具体地，在上面两个实施例的基础上，所使用的残差网络模型均为稠密连接网络，即DenseNet，传统的残差网络模型为ResNet，ResNet的每个层与前面的某层(通常为相邻的2-4层)短路连接在一起；而本发明实施例中所使用的DenseNet提出了一个更激进的密集连接机制，每一层都与前面的每个层短路连接，具体来说就是每个层都会接受其前面所有层作为其额外的输入，每个层都会与前面所有层连接，并作为下一层的输入，DenseNet的结构可以实现特征重用，提升效率。
神经网络并不一定需要形成一个递进层级结构，网络中的某一层可以不仅仅依赖于紧邻的上一层的特征，而可以依赖于更前面层学习的特征。
例如，在随机深度网络中，当第i层被扔掉之后，第i+1层就被直接连接到了第i-1层，如果第2层至第i层都被扔掉，那么，第i+1层就将直接与第1层连接，并且可以使用第1层的特征。
DenseNet残差网络模型减轻了训练过程中的梯度消失现象，增加了过程的稳定性。残差连接还可以将时间跨度较长但高度相关的数据信息引入最终输出，从而给出更准确的预测值。
本发明实施例中应用残差网络模型来防止训练过程中的过度拟合问题，通过在预测神经网络模型中引入密集连接的残差连接，有效地解决深度学习中普遍存在的过度拟合问题，同时还增强了模型的表达能力，提高了预测的准确性，显著地提高了模型的性能。
在上述实施例的基础上，优选地，所述目标传染病对应的样本数据和所述目标传染病对应的样本标签，通过如下步骤获得：
对初始数据集中的数据进行数据清洗处理，得到标准化数据集，所述初始数据集包括所述目标传染病对应的初始数据、所述目标传染病对应的初始标签；
利用深度学习算法分析所述标准化数据集的特征，扩充特征数据维度；
利用主成分分析算法对扩充的特征数据进行降维处理，筛选特征值，以获取所述目标传染病对应的样本数据和所述目标传染病对应的样本标签。
(1)数据清洗内容如下：包括缺失值清洗、数据标准化处理和数据归一化处理。
缺失值清洗：首先确定缺失值范围，对初始数据集中每个字段都计算其缺失值比例，然后按照缺失比例和字段重要性，制定清洗策略；其次，去除不需要的字段；然后，采用插补法(通过变量之间的关系对缺失值数据进行预测，利用蒙特卡洛方法生成多个完整的数据集，分析汇总)填充缺失值内容。
数据标准化处理：采用z-score标准化法对数据进行标准化和无量纲化处理。
数据归一化处理：采用min-max标准化方法进行数据归一化处理。min-max标准化也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0-1]之间。
(2)基于上述清洗后的数据，利用深度学习算法分析标准化数据集的特征，扩充特征数据维度。
数据和特征决定了学习模型的评测效果。模型研究的数据基础必须建立在一定数据量的数据基础上。本发明较佳实施例通过深度学习的方法对标准化数据集的数据特征进行分析，进而通过训练扩充所述时序数据集。深度学习是一类新兴的多层神经网络学习算法，通过组合低层特征形成更加抽象的高层表示(属性类别或特征)，以发现数据的分布式特征表示。
在扩充特征数据维度之前，本发明通过对上述获得的临床发病资料以及气象资料数据建立的数据清洗后的Excel初始数据集进行平稳化处理。
本发明根据标准化数据集的非平稳性的数据特点，可以采用方差平稳化处理或者均值平稳化处理等方法。
进一步地，本发明采用免疫遗传特征重构算法对经过平稳化处理后的标准化数据集序列进行特征重构，得到相应的特征序列，并获取基于标准化数据集训练得到的深度学习模型，进行数据维度的训练扩充，得到扩充后的训练数据集。
(3)利用主成分分析算法(Principal Component Analysis，PCA)对扩充的特征数据进行降维处理，筛选特征值，以确定影响水痘发病的主成分。
上述扩充后的训练数据集属于高维度数据空间，其包含有冗余信息以及噪音信息，需要通过数据降维减少冗余信息造成的误差，提高识别的精度，从而找到数据内部的本质结构特征。本发明通过对传染病发病的影响因素数据集进行数据降维分析，从而识别出对传染病发病最具影响力的主成分因素，进而为后续数据建模预测奠定基础。
在上述实施例的基础上，优选地，所述测试数据通过如下方式获得：
通过个人的移动互联网终端采集个人与所述目标传染病相关的数据，作为所述目标传染病对应的个人风险大数据；
通过医疗机构的互联网终端采集所述目标传染病在目标区域的区域风险大数据；
将所述个人风险大数据与所述区域风险大数据作为所述目标传染病对应的多源大数据；
通过所述目标传染病对应的滑动窗口和所述多源大数据，获取所述传染病测试数据。
具体地，分别采集个人和区域的目标传染性相关的多源大数据，同时将个人数据与区域数据结合起来进行个人风险和区域疫情的预测，从而使得个人和区域的数据在传染病的时空预测中起到相互佐证的作用，进而提高个人风险和区域疫情的预测效果。
其中，该动态参数可用于确定该目标传染病对应的测试数据或样本数据。不同传染病或不同传染病类型对应的滑动窗口可以相同，也可以不同。例如，在一些实施例中，可以为不同传染病设置不同时长的滑动窗口，比如一传染病的历史传染速率越高，设置的滑动窗口可以越短；又如，在一些实施例中，可以为不同传染病类型设置不同时长的滑动窗口，比如一传染病类型对应的历史传染速率越高，设置的滑动窗口可以越短。进而可通过确定目标传染病的历史传染速率，确定出该目标传染病的滑动窗口，从而有助于提升传染病预测的可靠性。
又如，在一些实施例中，该滑动窗口还可结合待进行传染病预测的区域和传染病(类型)进行确定。比如可根据目标区域传染病的历史传染速率确定滑动窗口等等，此处不赘述，以提升滑动窗口设置的可靠性，进而提升传染病预测的可靠性。
在一些实施例中，该动态参数可以是针对某一区域(目标区域)的传染病数据，如目标区域的新增病例数。由此可实现对特定区域的传染病预测。
在确定出滑动窗口之后，即可按照滑动窗口采集动态参数。例如，假设选定3天为滑动窗口，则可获取第1-3天数据、2-4天数据、3-5天数据...以此类推，以获取得到多组测试数据或样本数据。
在一些实施例中，该测试数据可以为目标区域的测试数据；在该根据目标传染病的滑动窗口获取该目标传染病对应的多组测试数据之前，还可获取该目标传染病在该目标区域且在预设时间段(如最近一周)内的历史传染速率，进而可根据该历史传染速率，确定该目标传染病的滑动窗口。例如，该历史传染速率越高，该滑动窗口对应的时长可以为越短。
可选的，该测试数据涉及的参数可以包括一个或多个人群在该滑动窗口的人数变化量(如新增人数)，或者可以包括一个或多个人群在滑动窗口的起始时间点的人数和截止时间点的人数等等。其中，该人群可以包括易感人群、潜伏期人群、已感染人群、移除人群(即已治愈或死亡)等。
综上，本发明实施例提供一种基于神经网络的传染病预测方法，针对传染病数据不是邻域网格结构数据的特点，卷积神经网络模型中没有选择常规的卷积神经网络，而是选择图卷积神经网络，更加贴合传染病数据特点；且图卷积网络中使用的是邻接过滤器，而传统的卷积神经网络使用的是图像过滤器，邻接过滤器比图像过滤器可以捕获更多节点的参数信息，因此仅使用一个过滤器，就可以提取到在传统的卷积神经网络中需要多个过滤器进行多次卷积，才能提取到的复杂特征，因此，即使在训练数据比较少的情况下，图卷积神经网络也能较好地提取出特征，从而保证了预测精度。
另外，本发明实施例中的循环神经网络模型使用门控循环单元，门控循环单元只有两个门，比有三个门的长短期记忆网络的计算速度更快，而计算结果相似，像传染病数据这种量级不大的数据集更适合使用门控循环单元，因此，使用门控循环单元可以有效地降低对训练数据量的要求，即使在训练数据不多时，该预设神经网络模型也能精准预测。
并且，本发明实施例中应用残差网络模型来防止训练过程中的过度拟合问题，通过在预测神经网络模型中引入密集连接的残差连接，有效地解决深度学习中普遍存在的过度拟合问题，同时还增强了模型的表达能力，提高了预测的准确性，显著地提高了模型的性能。
图5为本发明实施例提供的一种基于神经网络的传染病预测系统的结构示意图，如图5所示，该系统包括：特征提取模块510、融合模块520和预测模块530，其中：
特征提取模块510用于根据目标传染病对应的测试数据和预测神经网络模型的卷积神经网络模型中，获取测试图特征，其中，所述卷积神经网络模型为图卷积神经网络；
融合模块520用于根据影响所述目标传染病的气象环境数据和所述卷积神经网络模型，获取气象图特征，并将所述气象图特征和所述测试图特征进行融合；
预测模块530用于根据融合后的特征和所述预测神经网络模型的循环神经网络模型中，获取目标传染病对应的最终预测值，其中，所述循环神经网络模型包括门控循环单元；
其中，所述预测神经网络模型通过所述目标传染病对应的样本数据、所述目标传染病对应的样本标签进行训练后得到。
在上述实施例的基础上，优选地，所述预测模块中，所述预测神经网络模型通过所述目标传染病对应的样本数据、所述目标传染病对应的样本标签进行训练后得到，步骤如下：
将所述样本数据输入到所述卷积神经网络模型中，获取训练图特征；
将所述训练图特征依次输入到所述循环神经网络模型、残差网络模型中，获取最终预测值；
将所述最终预测值与所述样本标签进行比较，若两者之间的误差在预设误差之外，则重复上述步骤，直到重复后的最终预测值与所述样本标签在所述预设误差之内，获取训练后的预测神经网络模型。
在上述实施例的基础上，优选地，所述预测模块包括循环单元和残差单元，其中：
所述循环单元用于将融合后的特征输入到所述门控循环单元，获取初始预测值；
所述残差单元用于将所述初始预测值输入所述残差网络模型，获取所述最终预测值。
在上述实施例的基础上，优选地，所述残差网络模型为稠密连接网络。
在上述实施例的基础上，优选地，所述目标传染病对应的样本数据和所述目标传染病对应的样本标签，通过如下步骤获得：
对初始数据集中的数据进行数据清洗处理，得到标准化数据集，所述初始数据集包括所述目标传染病对应的初始数据、所述目标传染病对应的初始标签；
利用深度学习算法分析所述标准化数据集的特征，扩充特征数据维度；
利用主成分分析算法对扩充的特征数据进行降维处理，筛选特征值，以获取所述目标传染病对应的样本数据和所述目标传染病对应的样本标签。
在上述实施例的基础上，优选地，还包括数据采集模块，所述数据采集模块用于采集所述测试数据，所述数据采集模块包括个人单元、区域单元、多源单元和采集单元，其中：
所述个人单元用于通过个人的移动互联网终端采集个人与所述目标传染病相关的数据，作为所述目标传染病对应的个人风险大数据；
所述区域单元用于通过医疗机构的互联网终端采集所述目标传染病在目标区域的区域风险大数据；
所述多源单元用于将所述个人风险大数据与所述区域风险大数据作为所述目标传染病对应的多源大数据；
所述采集单元用于通过所述目标传染病对应的滑动窗口和所述多源大数据，获取所述传染病测试数据。
本实施例为与上述方法实施例对应的系统实施例，其具体实施过程与上述方法实施例相同，详情请参考上述方法实施例，本系统实施例在此不再赘述。
上述基于神经网络的传染病预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图6为本发明实施例提供的一种计算机设备的结构示意图，该计算机设备可以是服务器，其内部结构图可以如图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、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括计算机存储介质、内存储器。该计算机存储介质存储有操作系统、计算机程序和数据库。该内存储器为计算机存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储执行基于神经网络的传染病预测方法过程中生成或获取的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于神经网络的传染病预测方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中的基于神经网络的传染病预测方法的步骤。或者，处理器执行计算机程序时实现基于神经网络的传染病预测系统这一实施例中的各模块/单元的功能。
在一实施例中，提供一计算机存储介质，该计算机存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中基于神经网络的传染病预测方法的步骤。或者，该计算机程序被处理器执行时实现上述基于神经网络的传染病预测系统这一实施例中的各模块/单元的功能。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的传染病预测方法，其特征在于，包括：
根据目标传染病对应的测试数据和预测神经网络模型的卷积神经网络模型，获取测试图特征，其中，所述卷积神经网络模型为图卷积神经网络；
根据影响所述目标传染病的气象环境数据和所述卷积神经网络模型，获取气象图特征，并将所述气象图特征和所述测试图特征进行融合；
根据融合后的特征和所述预测神经网络模型的循环神经网络模型，获取目标传染病对应的最终预测值，其中，所述循环神经网络模型包括门控循环单元；
其中，所述预测神经网络模型通过所述目标传染病对应的样本数据、所述目标传染病对应的样本标签进行训练后得到。
2.根据权利要求1所述的基于神经网络的传染病预测方法，其特征在于，所述预测神经网络模型通过所述目标传染病对应的样本数据、所述目标传染病对应的样本标签进行训练后得到，步骤如下：
将所述样本数据输入到所述卷积神经网络模型中，获取训练图特征；
将所述训练图特征依次输入到所述循环神经网络模型、残差网络模型中，获取最终预测值；
将所述最终预测值与所述样本标签进行比较，若两者之间的误差在预设误差之外，则重复上述步骤，直到重复后的最终预测值与所述样本标签在所述预设误差之内，获取训练后的预测神经网络模型。
3.根据权利要求1所述的基于神经网络的传染病预测方法，其特征在于，所述循环神经网络模型还包括残差网络模型，所述根据融合后的特征和所述预测神经网络模型的循环神经网络模型，获取目标传染病对应的最终预测值，包括：
将融合后的特征输入到所述门控循环单元，获取初始预测值；
将所述初始预测值输入所述残差网络模型，获取所述最终预测值。
4.根据权利要求2或3所述的基于神经网络的传染病预测方法，其特征在于，所述残差网络模型为稠密连接网络。
5.根据权利要求1至3任一所述的基于神经网络的传染病预测方法，其特征在于，所述目标传染病对应的样本数据和所述目标传染病对应的样本标签，通过如下步骤获得：
对初始数据集中的数据进行数据清洗处理，得到标准化数据集，所述初始数据集包括所述目标传染病对应的初始数据、所述目标传染病对应的初始标签；
利用深度学习算法分析所述标准化数据集的特征，扩充特征数据维度；
利用主成分分析算法对扩充的特征数据进行降维处理，筛选特征值，以获取所述目标传染病对应的样本数据和所述目标传染病对应的样本标签。
6.根据权利要求1至3任一所述的基于神经网络的传染病预测方法，其特征在于，所述测试数据通过如下方式获得：
通过个人的移动互联网终端采集个人与所述目标传染病相关的数据，作为所述目标传染病对应的个人风险大数据；
通过医疗机构的互联网终端采集所述目标传染病在目标区域的区域风险大数据；
将所述个人风险大数据与所述区域风险大数据作为所述目标传染病对应的多源大数据；
通过所述目标传染病对应的滑动窗口和所述多源大数据，获取所述传染病测试数据。
7.根据权利要求1至3任一所述的基于神经网络的传染病预测方法，其特征在于，所述预测值为所述目标传染病的传播速率、发病率和发病数量中的一种。
8.一种基于神经网络的传染病预测系统，其特征在于，包括：
特征提取模块，用于根据目标传染病对应的测试数据和预测神经网络模型的卷积神经网络模型，获取测试图特征，其中，所述卷积神经网络模型为图卷积神经网络；
融合模块，用于根据影响所述目标传染病的气象环境数据和所述卷积神经网络模型，获取气象图特征，并将所述气象图特征和所述测试图特征进行融合；
预测模块，用于根据融合后的特征和所述预测神经网络模型的循环神经网络模型，获取目标传染病对应的最终预测值，其中，所述循环神经网络模型包括门控循环单元；
其中，所述预测神经网络模型通过所述目标传染病对应的样本数据、所述目标传染病对应的样本标签进行训练后得到。
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7中任一项所述基于神经网络的传染病预测方法的步骤。
10.一种计算机存储介质，所述计算机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7中任一项所述基于神经网络的传染病预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111050841.XA CN113744889A (zh) | 2021-09-08 | 2021-09-08 | 基于神经网络的传染病预测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111050841.XA CN113744889A (zh) | 2021-09-08 | 2021-09-08 | 基于神经网络的传染病预测方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113744889A true CN113744889A (zh) | 2021-12-03 |
Family
ID=78737241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111050841.XA Pending CN113744889A (zh) | 2021-09-08 | 2021-09-08 | 基于神经网络的传染病预测方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113744889A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115238860A (zh) * | 2022-06-22 | 2022-10-25 | 中国石油天然气集团有限公司 | 一种漏失压力预测模型生成方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112183620A (zh) * | 2020-09-27 | 2021-01-05 | 中国科学院自动化研究所 | 基于图卷积神经网络的小样本分类模型的发育方法及系统 |
| CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
-
2021
- 2021-09-08 CN CN202111050841.XA patent/CN113744889A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112183620A (zh) * | 2020-09-27 | 2021-01-05 | 中国科学院自动化研究所 | 基于图卷积神经网络的小样本分类模型的发育方法及系统 |
| CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115238860A (zh) * | 2022-06-22 | 2022-10-25 | 中国石油天然气集团有限公司 | 一种漏失压力预测模型生成方法和装置 |
| CN115238860B (zh) * | 2022-06-22 | 2024-01-23 | 中国石油天然气集团有限公司 | 一种漏失压力预测模型生成方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Reddy et al. | A deep neural networks based model for uninterrupted marine environment monitoring | |
| CN110334843B (zh) | 一种时变注意力改进Bi-LSTM的住院就医行为预测方法及装置 | |
| Li et al. | Restricted Boltzmann machine-based approaches for link prediction in dynamic networks | |
| CN112365171B (zh) | 基于知识图谱的风险预测方法、装置、设备及存储介质 | |
| Zahin et al. | Sensor-based human activity recognition for smart healthcare: A semi-supervised machine learning | |
| Quilodrán-Casas et al. | Digital twins based on bidirectional LSTM and GAN for modelling the COVID-19 pandemic | |
| Shen et al. | A novel echo state network for multivariate and nonlinear time series prediction | |
| US20210406687A1 (en) | Method for predicting attribute of target object based on machine learning and related device | |
| CN113808693A (zh) | 一种基于图神经网络和注意力机制的药物推荐方法 | |
| CN113673244A (zh) | 医疗文本处理方法、装置、计算机设备和存储介质 | |
| CN110335160B (zh) | 一种基于分组和注意力改进Bi-GRU的就医迁移行为预测方法及系统 | |
| CN113744889A (zh) | 基于神经网络的传染病预测方法、系统、设备及存储介质 | |
| Cao et al. | A dual attention model based on probabilistically mask for 3D human motion prediction | |
| Sun et al. | Time pattern reconstruction for classification of irregularly sampled time series | |
| CN116089708A (zh) | 农业知识推荐方法及装置 | |
| CN113610080A (zh) | 基于跨模态感知的敏感图像识别方法、装置、设备及介质 | |
| Pahwa et al. | Big Data and Machine Learning in Healthcare: Tools & Challenges | |
| Vadyala et al. | Predicting the spread of COVID-19 in Delhi, India using Deep Residual Recurrent Neural Networks | |
| Fan et al. | Quantifying Complex Urban Spillover Effects via Physics-based Deep Learning | |
| Lin et al. | Looking from shallow to deep: Hierarchical complementary networks for large scale pest identification | |
| CN117409978B (zh) | 一种疾病预测模型构建方法、系统、装置及可读存储介质 | |
| US20230401482A1 (en) | Meta-Agent for Reinforcement Learning | |
| Zhang et al. | Mortality Forecasting Using LSTM-CNN Model | |
| Johansson et al. | A Comparative Study of Deep-Learning Approaches for Activity Recognition Using Sensor Data in Smart Office Environments | |
| Furkan et al. | Evaluating predictive hybrid neural network models in spatiotemporal context: An application on Influenza outbreak predictions |
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 |