CN113851226A - 传染病疫情预测方法、装置及电子设备 - Google Patents
传染病疫情预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113851226A CN113851226A CN202111113128.5A CN202111113128A CN113851226A CN 113851226 A CN113851226 A CN 113851226A CN 202111113128 A CN202111113128 A CN 202111113128A CN 113851226 A CN113851226 A CN 113851226A
- Authority
- CN
- China
- Prior art keywords
- prediction
- prediction models
- models
- model
- data
- 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
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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Abstract
本公开提供了一种传染病疫情预测方法、装置及电子设备,涉及计算机领域。具体实现方案为:采用多种预测模型对历史数据的测试集合进行预测,得到多种预测模型的预测结果;分别获取多种预测模型的预测结果与测试集合中的对应真实结果之间的残差;依据多种预测模型对应的残差,从多种预测模型中确定目标预测模型;获取当前传染病疫情数据,并采用目标预测模型对当前传染病疫情数据进行预测,得到当前传染病预测结果。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种传染病疫情预测方法、装置及电子设备。
背景技术
传染病是影响人们生活和健康的重大公共卫生事件,如何预测传染病感染人数的问题亟待解决。相关技术中,疫情等传染病感染人数的预测计算方法有多种,一般采用单一的SVM(Support Vector Machine,支持向量机)、LGB(Light GBM,监督学习算法)等传统回归算法或者SEIR(Susceptible-eclipse-infected-recovered,易感-潜伏-感染-康复模型)、SEIQ(Susceptible-eclipse-infected-quarantine,易感-潜伏-感染-隔离模型)等动力学传播模型或者ARIMA(Autoregressive Integrated Moving Average model,差分整合移动平均自回归模型)、AR(AR-Process in State Space Form,自回归模型)等时序回归模型进行预测。
但是采用上述传染病感染人数的预测计算方法解决问题时,会出现预测结果精度低的问题。
发明内容
本公开提供了一种传染病疫情预测方法、装置及电子设备。
根据本公开的一方面,提供了一种传染病疫情预测方法,包括:采用多种预测模型对历史数据的测试集合进行预测,得到所述多种预测模型的预测结果;分别获取所述多种预测模型的预测结果与所述测试集合中的对应真实结果之间的残差;依据所述多种预测模型对应的残差,从所述多种预测模型中确定目标预测模型;获取当前传染病疫情数据,并采用所述目标预测模型对所述当前传染病疫情数据进行预测,得到当前传染病预测结果。
可选地,在所述采用多种预测模型对历史数据的测试集合进行预测,得到所述多种预测模型的预测结果之前,还包括:采用所述历史数据中的训练数据进行机器训练,分别得到所述多种预测模型,其中,所述训练数据包括:输入参数以及该输入参数对应的疫情结果,其中,所述输入参数包括:历史疫情数据,环境参数,聚集指数、管控参数以及迁移数据。
可选地,所述多种预测模型至少包括以下三种:易感-潜伏-感染-隔离SEIQ模型,差分整合移动平均自回归ARIMA模型,深度学习时序模型。
可选地,所述依据所述多种预测模型对应的残差,从所述多种预测模型中确定目标预测模型包括:依据所述多种预测模型对应的残差,获取累计预定时间段内所述多种预测模型对应的均方根误差RMSE和平均绝对百分比误差MAPE;基于所述多种预测模型对应的均方根误差RMSE和平均绝对百分比误差MAPE,确定所述多种预测模型对应的整体偏差水平值;依据所述多种预测模型对应的整体偏差水平值,从所述多种预测模型中确定目标预测模型。
根据本公开的另一方面,提供了一种传染病疫情预测装置,包括:第一预测模块,用于采用多种预测模型对历史数据的测试集合进行预测,得到所述多种预测模型的预测结果;获取模块,用于分别获取所述多种预测模型的预测结果与所述测试集合中的对应真实结果之间的残差;确定模块,用于依据所述多种预测模型对应的残差,从所述多种预测模型中确定目标预测模型;第二预测模块,用于获取当前传染病疫情数据,并采用所述目标预测模型对所述当前传染病疫情数据进行预测,得到当前传染病预测结果。
可选地,该装置还包括:训练模块,用于在所述采用多种预测模型对历史数据的测试集合进行预测,得到所述多种预测模型的预测结果之前,采用所述历史数据中的训练数据进行机器训练,分别得到所述多种预测模型,其中,所述训练数据包括:输入参数以及该输入参数对应的疫情结果,其中,所述输入参数包括:历史疫情数据,环境参数,聚集指数、管控参数以及迁移数据。
可选地,所述多种预测模型至少包括以下三种:易感-潜伏-感染-隔离SEIQ模型,差分整合移动平均自回归ARIMA模型,深度学习时序模型。
可选地,所述确定模块包括:第一获取单元,用于依据所述多种预测模型对应的残差,获取累计预定时间段内所述多种预测模型对应的均方根误差RMSE和平均绝对百分比误差MAPE;第一确定单元,用于基于所述多种预测模型对应的均方根误差RMSE和平均绝对百分比误差MAPE,确定所述多种预测模型对应的整体偏差水平值;第二确定单元,用于依据所述多种预测模型对应的整体偏差水平值,从所述多种预测模型中确定目标预测模型。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行任一项所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行任一项所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现任一项所述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例的传染病疫情预测方法的流程图;
图2是根据本公开可选实施方式提供的疫情预测模型的整体流程图;
图3是根据本公开可选实施方式提供的疫情预测模型的模型架构图;
图4是根据本公开可选实施方式提供的疫情预测模型中xgboost建模的流程图;
图5是根据本公开可选实施方式提供的疫情预测模型中ARIMA时序模型实现疫情预测的流程图;
图6是根据本公开可选实施方式提供的疫情预测模型中SEIQ传染病模型实现疫情预测的流程图;
图7是采用本公开可选实施方式提供的疫情预测模型实现疫情预测的预测结果示意图;
图8是根据本公开实施例的传染病疫情预测装置的结构框图;
图9是用来实现本公开实施例的传染病疫情预测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本公开实施例的传染病疫情预测方法,如图1所示,该方法包括如下步骤:
步骤S101,采用多种预测模型对历史数据的测试集合进行预测,得到多种预测模型的预测结果;
步骤S102,分别获取多种预测模型的预测结果与测试集合中的对应真实结果之间的残差;
步骤S103,依据多种预测模型对应的残差,从多种预测模型中确定目标预测模型;
步骤S104,获取当前传染病疫情数据,并采用目标预测模型对当前传染病疫情数据进行预测,得到当前传染病预测结果。
通过上述步骤,通过采用多种预测模型对历史数据的测试集合进行预测并得到预测结果,分别获取多种预测模型的预测结果与测试集合中真实结果之间的残差,依据多种预测模型对应的残差,从多种预测模型中确定出目标预测模型对当前传染病疫情数据进行预测。因为目标预测模型是依据多种预测模型的残差确定的,因此获得的目标预测模型更加精准,从而解决了相关技术中采用传染病疫情预测方法预测感染人数时,会出现预测结果精度低的问题。
作为一种可选的实施例,采用多种预测模型对历史数据的测试集合进行预测,得到多种预测模型的预测结果。其中,预测结果可以是传染病疫情的感染人数,等等。结合多种模型对历史数据的测试集合进行预测后得到的预测结果,因为不同的模型得到的预测结果不应相同,从而可以在得到的多个预测结果中进行挑选。举例说明,预测模型可以为易感-潜伏-感染-隔离SEIQ传染病模型(Susceptible-eclipse-infected-quarantine),可以为差分整合移动平均自回归ARIMA(Autoregressive Integrated Moving Averagemodel)模型,也可以为深度学习时序模型,等等。多种预测模型在此不做限定,能够根据历史数据的测试集合得到疫情预测结果的模型均适用于本申请。通过多种不同的模型均对历史数据的测试集合进行预测,从而能够基于多种不同的模型均得到预测结果,避免预测结果的盲目性与偶然性,提高预测结果的可信度。
作为一种可选的实施例,上述历史数据的测试集合可以包括多种类型的数据,例如,输入参数以及该输入参数对应的疫情结果。其中,输入参数又可以包括多类参数,以大类划分,可以包括:历史疫情数据,环境参数,聚集指数、管控参数以及迁移数据,等等。各大类数据中又包括多种相关的数据,例如:历史疫情数据,即可以包括历史时间对应的感染人数、死亡人数、治愈人数等等;环境参数,即可以包括天气、地域环境,等等,其中,天气可以包括温度、湿度、风向等,地域环境可以包括预测疫情所属地区的地形地貌、影响传播的风俗等等;聚集指数,可以包括总人口数,人口聚集状况,人口密集程度,如预测疫情所属地区的街道人口数据等;管控参数,可以包括各区域的管控时间,管控力度,等等;迁移数据,可以包括人口的流动数据,如预测疫情所属地区的街道人口流动数据等,还可以包括感染疫情人群的行动路线,等等。可以综合性地获取并结合各参数数据,得到输入参数对应的疫情结果。其中输入参数得到的疫情结果可以是该参数对疫情的影响,例如,当环境参数中的温度湿度为适宜病毒滋生的情况下,对疫情结果的影响,通过得到输入参数对应的疫情结果,可以更佳地对疫情进行预测,使得后续通过各参数预测出的疫情结果能够更加真实、可靠。还需要说明的是,输入参数对应的疫情结果可以进行时间的划分,即疫情结果可以设置为不同时间段下的疫情结果,例如,预测一天后的疫情结果,预测三天后的疫情结果,等等。即可以预测不用时间段的疫情结果,能够更全面的了解到疫情的情况,更方便根据各时间段的疫情状况做出相应的调控。
作为一种可选的实施例,在采用多种预测模型对历史数据的测试集合进行预测,得到多种预测模型的预测结果之前,还包括:采用历史数据中的训练数据进行机器训练,分别得到多种预测模型,其中,训练数据可以包括上述输入参数以及该输入参数对应的疫情结果。因为多种预测模型是根据历史数据中的训练数据进行训练的,即是采用真实的历史数据进行训练的,从而能够保证预测模型对历史数据的测试集合进行预测时能够更加准确,为提高预测精度提供了基础。
作为一种可选的实施例,分别获取多种预测模型的预测结果与测试集合中的对应真实结果之间的残差。通过残差能够合理地判断出多种预测模型的预测结果与对应真实结果的偏差,从而能够观测出更优的预测结果。
作为一种可选的实施例,依据多种预测模型对应的残差,从多种预测模型中确定目标预测模型。因为采用多种预测模型进行预测得到了多种预测模型的预测结果,而多个预测结果不应相同,为了选取出最精确的疫情结果,需要获取多种预测模型的预测结果与测试集合中的对应真实结果之间的残差,从而能够比较得出最真实的预测结果。其中,通过残差确定目标预测模型的方式有多种,例如,可以根据残差确定出均方根误差RMSE,平均绝对百分比误差MAPE,等等以便对目标预测模型进行选取。为了使获得的预测结果更加准确可以将上述均方根误差RMSE和平均绝对百分比误差MAPE综合得出整体偏差水平值再对目标预测模型进行选取。依据残差,通过多种方式确定出目标预测模型,能够可以根据实际应用的需求选取合适的方式确定目标预测模型,不仅提高了用户的使用感,而且增加了预测模型应用的广泛性与适用性。
作为一种可选的实施例,依据多种预测模型对应的残差,从多种预测模型中确定目标预测模型,可以采用多种方式,例如可以使用如下步骤:依据多种预测模型对应的残差,获取累计预定时间段内多种预测模型对应的均方根误差RMSE和平均绝对百分比误差MAPE;基于多种预测模型对应的均方根误差RMSE和平均绝对百分比误差MAPE,确定多种预测模型对应的整体偏差水平值;依据多种预测模型对应的整体偏差水平值,从多种预测模型中确定目标预测模型。需要说明的是,在上述过程中,可以依据均方根误差RMSE确定目标预测模型,可以依据平均绝对百分比误差MAPE确定目标预测模型,也可以依据均方根误差RMSE和平均绝对百分比误差MAPE综合性地确定目标预测模型。还可以依据均方根误差RMSE、平均绝对百分比误差MAPE、整体偏差水平值综合性地进行确定目标预测模型。可以根据实际应用的场景,在准确度与速度之间进行权衡,选取出合适的方式,可以在保证预测速度的基础上使得得到的目标预测模型更为准确。
作为一种可选的实施例,获取当前传染病疫情数据,并采用目标预测模型对当前传染病疫情数据进行预测,得到当前传染病预测结果。通过分析出预测区域的传染病预测结果,能够使得对相关区域进行预警和管控,满足针对疫情突发的模拟演练场景和实际处置场景,为处置预案和实施处置措施提供科学支撑,提升预防、应急、反应能力。
基于上述实施例及可选实施例,提供了一种可选实施方式,下面具体说明。
传染病是影响人们生活和健康的重大公共卫生事件,如何预测传染病感染人数的问题亟待解决。相关技术中,疫情等传染病感染人数的预测计算方法有多种,一般采用单一的SVM、LGB等传统回归算法或者SEIR、SEIQ等动力学传播模型或者ARIMA、AR等时序回归模型进行预测。但是采用上述传染病感染人数的预测计算方法解决问题时,会出现预测结果精度低的问题。
鉴于此,本公开可选实施方式中提供了一种基于集成学习的传染病疫情预测方法,能够根据使用集成学习、机器学习、动力传播学模型等算法构建疫情预测模型,根据传染病历史感染情况,精确预测未来一段时间内新增感染人数,对疫情进行相关预警。下面对本公开可选实施方式中的疫情预测模型进行详细介绍:
图2是根据本公开可选实施方式提供的疫情预测模型的整体流程图,如图2所示,下面对疫情预测模型的整体流程进行介绍:
S1,采集输入数据:
疫情数据采集:疫情历史数据,人口信息,等等,其中,疫情历史数据包括:时间、疫情每日新增感染、死亡人数、治愈人数等,人口信息包括:总人口数、人口聚集情况;疫情管控资料:管控时间、管控力度;温度、风力等数据采集:天气、温度等。
S2,将输入数据至疫情预测模型得到对应的参数,例如,输入至反演流行病模型得到反演流行病模型参数;
S3,依据对应的参数进行逐日和季节预测;
S4,得到疫情的最终预测结果。
需要说明的是,在得到疫情的最终预测结果后,可以进行疫情模型评估,还可以向政府部门提供疫情预测结果以进行预警及及时采取相关措施。
图3是根据本公开可选实施方式提供的疫情预测模型的模型架构图,如图3所示,模型的基础架构分为三层,包括训练数据层,模型层和预测层,下面对疫情预测模型进行详细介绍。
(一)大致结构如下:
训练数据层:包含历史感染人数、聚集指数、管控情况以及迁移数据,进行数据的产出和交互。
模型层包含:深度学习时序模型、ARIMA时序模型以及SEIQ传染病模型以及深度学习模型等。
预测层包含:模型融合产生预测结果参数。
(二)具体步骤如下:
S1,将历史数据按照一定比例,例如以8:2的比例划分为训练集合和测试集合;
S2,利用xgboost(extreme Gradient Boosting,经过优化的分布式梯度提升库)算法对疫情进行预测,得到预测结果参数,图4是根据本公开可选实施方式提供的疫情预测模型中xgboost建模的流程图,如图4所示,通过特定的方式对xgboost进行建模,能够得到更加精准的预测结果;
S3,利用ARIMA时序模型对疫情进行预测,得到预测结果参数,图5是根据本公开可选实施方式提供的疫情预测模型中ARIMA时序模型实现疫情预测的流程图,如图5所示,通过确定疫情新增感染人数,计算ADF等参数,在ARIMA时序模型中进行识别,估计ARIMA时序模型中未知的参数值,对ARIMA时序模型进行检验,较优的,还可以对ARIMA时序模型进行优化,使得ARIMA时序模型能够更加精确的预测疫情未来的走势;
S4,利用SEIQ传染病模型对疫情进行预测,得到预测结果参数,图6是根据本公开可选实施方式提供的疫情预测模型中SEIQ传染病模型实现疫情预测的流程图,如图6所示,通过输入先验知识,对SEIQ传染病模型进行预先训练,通过训练模型管控参数,丰富模型人群,达到随时管控参数真实值,使得预测结果更加真实;
S5,在测试集合上计算ARIMA时序模型、SEIQ传染病模型、xgboost算法计算出的预测参数并进行比较,其中,参数包括,RMSE(均方根误差):平均绝对百分比误差(MAPE):整体偏差水平:|∑(pred[i])-∑(act[i])|/∑(act[i]。根据上述参数计算出当前情况下最优模型,采用投票出来的最优模型作为当前疫情预测的模型,对未来疫情感染情况进行预测。
需要说明的是,可以选择预定天数进行数据的统计与比较,例如,对累积3天真实数据、累积5天真实数据、累积10天真实数据、累积20天真实数据分别预测之后第1天、第2天……的预测表现,就其预测值和真实值的偏差进行RMSE和MAPE的评测,以及计算整体偏差水平衡量整体预测值和实际值的偏差百分比。
采用上述可选实施方式,图7是采用本公开可选实施方式提供的疫情预测模型实现疫情预测的预测结果示意图,如图7所示,通过实验结果确定了本公开可选实施方式可以达到至少可以达到更加精准的预测了传染病疫情的未来走势的有益效果。此外,本公开可选实施方式利用人工智能深度学习技术,充分利用现有传染病疫情相关数据,构建疫情预测模型并提供服务,可分析输出区域未来每天的新增感染人数,对相关区域进行预警和管控,满足针对疫情突发的模拟演练场景和实际处置场景,为处置预案和实施处置措施提供科学支撑,提升公共卫生的预防、应急、反应能力。
需要说明的是,本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。而且,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本公开所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本公开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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本公开各个实施例的方法。
根据本公开实施例,还提供了一种用于实施上述传染病疫情预测方法的装置,图8是根据本公开实施例的传染病疫情预测装置的结构框图,如图8所示,该装置包括:第一预测模块801,获取模块802,确定模块803和第二预测模块804,下面对该装置进行详细说明。
第一预测模块801,用于采用多种预测模型对历史数据的测试集合进行预测,得到多种预测模型的预测结果;获取模块802,用于分别获取多种预测模型的预测结果与测试集合中的对应真实结果之间的残差;确定模块803,用于依据多种预测模型对应的残差,从多种预测模型中确定目标预测模型;第二预测模块804,用于获取当前传染病疫情数据,并采用目标预测模型对当前传染病疫情数据进行预测,得到当前传染病预测结果。
作为一种可选的实施例,该装置还包括:训练模块,用于在采用多种预测模型对历史数据的测试集合进行预测,得到多种预测模型的预测结果之前,采用历史数据中的训练数据进行机器训练,分别得到多种预测模型,其中,训练数据包括:输入参数以及该输入参数对应的疫情结果,其中,输入参数包括:历史疫情数据,环境参数,聚集指数、管控参数以及迁移数据。
作为一种可选的实施例,多种预测模型至少包括以下三种:易感-潜伏-感染-隔离SEIQ模型,差分整合移动平均自回归ARIMA模型,深度学习时序模型。
作为一种可选的实施例,确定模块包括:第一获取单元,用于依据多种预测模型对应的残差,获取累计预定时间段内多种预测模型对应的均方根误差RMSE和平均绝对百分比误差MAPE;第一确定单元,用于基于多种预测模型对应的均方根误差RMSE和平均绝对百分比误差MAPE,确定多种预测模型对应的整体偏差水平值;第二确定单元,用于依据多种预测模型对应的整体偏差水平值,从多种预测模型中确定目标预测模型。
此处需要说明的是,上述第一预测模块801,获取模块802,确定模块803和第二预测模块804对应于实施传染病疫情预测方法中的步骤S101至步骤S104,多个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例所公开的内容。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如传染病疫情预测方法。例如,在一些实施例中,传染病疫情预测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的传染病疫情预测方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行传染病疫情预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (11)
1.一种传染病疫情预测方法,包括:
采用多种预测模型对历史数据的测试集合进行预测,得到所述多种预测模型的预测结果;
分别获取所述多种预测模型的预测结果与所述测试集合中的对应真实结果之间的残差;
依据所述多种预测模型对应的残差,从所述多种预测模型中确定目标预测模型;
获取当前传染病疫情数据,并采用所述目标预测模型对所述当前传染病疫情数据进行预测,得到当前传染病预测结果。
2.根据权利要求1所述的方法,其中,在所述采用多种预测模型对历史数据的测试集合进行预测,得到所述多种预测模型的预测结果之前,还包括:
采用所述历史数据中的训练数据进行机器训练,分别得到所述多种预测模型,其中,所述训练数据包括:输入参数以及该输入参数对应的疫情结果,其中,所述输入参数包括:历史疫情数据,环境参数,聚集指数、管控参数以及迁移数据。
3.根据权利要求1所述的方法,其中,所述多种预测模型至少包括以下三种:易感-潜伏-感染-隔离SEIQ模型,差分整合移动平均自回归ARIMA模型,深度学习时序模型。
4.根据权利要求1至3中任一项所述的方法,其中,所述依据所述多种预测模型对应的残差,从所述多种预测模型中确定目标预测模型包括:
依据所述多种预测模型对应的残差,获取累计预定时间段内所述多种预测模型对应的均方根误差RMSE和平均绝对百分比误差MAPE;
基于所述多种预测模型对应的均方根误差RMSE和平均绝对百分比误差MAPE,确定所述多种预测模型对应的整体偏差水平值;
依据所述多种预测模型对应的整体偏差水平值,从所述多种预测模型中确定目标预测模型。
5.一种传染病疫情预测装置,包括:
第一预测模块,用于采用多种预测模型对历史数据的测试集合进行预测,得到所述多种预测模型的预测结果;
获取模块,用于分别获取所述多种预测模型的预测结果与所述测试集合中的对应真实结果之间的残差;
确定模块,用于依据所述多种预测模型对应的残差,从所述多种预测模型中确定目标预测模型;
第二预测模块,用于获取当前传染病疫情数据,并采用所述目标预测模型对所述当前传染病疫情数据进行预测,得到当前传染病预测结果。
6.根据权利要求5所述的装置,其中,还包括:
训练模块,用于在所述采用多种预测模型对历史数据的测试集合进行预测,得到所述多种预测模型的预测结果之前,采用所述历史数据中的训练数据进行机器训练,分别得到所述多种预测模型,其中,所述训练数据包括:输入参数以及该输入参数对应的疫情结果,其中,所述输入参数包括:历史疫情数据,环境参数,聚集指数、管控参数以及迁移数据。
7.根据权利要求5所述的装置,其中,所述多种预测模型至少包括以下三种:易感-潜伏-感染-隔离SEIQ模型,差分整合移动平均自回归ARIMA模型,深度学习时序模型。
8.根据权利要求5至7中任一项所述的装置,其中,所述确定模块包括:
第一获取单元,用于依据所述多种预测模型对应的残差,获取累计预定时间段内所述多种预测模型对应的均方根误差RMSE和平均绝对百分比误差MAPE;
第一确定单元,用于基于所述多种预测模型对应的均方根误差RMSE和平均绝对百分比误差MAPE,确定所述多种预测模型对应的整体偏差水平值;
第二确定单元,用于依据所述多种预测模型对应的整体偏差水平值,从所述多种预测模型中确定目标预测模型。
9.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
11.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111113128.5A CN113851226A (zh) | 2021-09-23 | 2021-09-23 | 传染病疫情预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111113128.5A CN113851226A (zh) | 2021-09-23 | 2021-09-23 | 传染病疫情预测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113851226A true CN113851226A (zh) | 2021-12-28 |
Family
ID=78979249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111113128.5A Pending CN113851226A (zh) | 2021-09-23 | 2021-09-23 | 传染病疫情预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113851226A (zh) |
-
2021
- 2021-09-23 CN CN202111113128.5A patent/CN113851226A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10379146B2 (en) | Detecting non-technical losses in electrical networks based on multi-layered statistical techniques from smart meter data | |
CN115345355B (zh) | 能耗预测模型构建方法、短期能耗预测方法及相关装置 | |
CN114254840B (zh) | 一种数据处理方法、电子设备及存储介质 | |
CN115390161A (zh) | 基于人工智能的降水预测方法及装置 | |
CN114715145B (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
CN114494776A (zh) | 一种模型训练方法、装置、设备以及存储介质 | |
CN114417192B (zh) | 更新兴趣点poi状态的方法、装置、设备、介质及产品 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN116756522B (zh) | 概率预报方法、装置、存储介质及电子设备 | |
CN112434872A (zh) | 酒店产量预测方法、系统、设备及存储介质 | |
US20220309912A1 (en) | Method and apparatus for predicting traffic data and electronic device | |
CN113851226A (zh) | 传染病疫情预测方法、装置及电子设备 | |
CN114997673A (zh) | 确定服务设施可达性的方法、装置、电子设备及存储介质 | |
CN114943384A (zh) | 一种变电站负荷预测方法、装置、设备及存储介质 | |
CN114298389A (zh) | 一种臭氧浓度预报方法及装置 | |
CN114816955A (zh) | 数据库性能预测方法和装置 | |
CN114066079A (zh) | 一种基于多租户的网约车供需差预测方法及装置 | |
CN115453661B (zh) | 气象预报方法、装置、设备以及存储介质 | |
CN115456168B (zh) | 强化学习模型的训练方法、能耗确定方法和装置 | |
CN113837588B (zh) | 一种评估模型的训练方法、装置、电子设备及存储介质 | |
CN115983445A (zh) | Pue预测方法、pue预测模型的训练方法、装置及设备 | |
CN115759373A (zh) | 燃气日负荷预测方法、装置及设备 | |
CN116913092A (zh) | 交通状态预测方法、装置、电子设备及存储介质 | |
CN114819328A (zh) | 标签预测方法、装置、设备及存储介质 | |
Hedi et al. | Prediction of the number of daily active COVID-19 in Indonesia |
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 |