CN114496299B - 一种基于深度学习的防疫信息处理方法及防疫服务系统 - Google Patents
一种基于深度学习的防疫信息处理方法及防疫服务系统 Download PDFInfo
- Publication number
- CN114496299B CN114496299B CN202210388816.0A CN202210388816A CN114496299B CN 114496299 B CN114496299 B CN 114496299B CN 202210388816 A CN202210388816 A CN 202210388816A CN 114496299 B CN114496299 B CN 114496299B
- Authority
- CN
- China
- Prior art keywords
- flow
- time
- air
- modulation
- statistical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了基于深度学习的防疫信息处理方法及防疫服务系统,通过响应于噪声处理请求,收集目标防疫流调任务的待处理人员流调统计日志;在待处理人员流调统计日志中具有疑似混淆流调信息的基础上,确定疑似混淆流调信息所指向的局部流调统计内容集;对疑似混淆流调信息所指向的局部流调统计内容集执行多个流调统计噪声种类的流调统计噪声分析,获得疑似混淆流调信息的流调统计噪声分析清单。这样在流调统计噪声分析时,可以分析出疑似混淆流调信息相对于多个流调统计噪声种类的分析结果,从而减少疑似混淆流调信息的个别流调统计噪声的分析遗漏的可能性,继而便于提升疑似混淆流调信息的流调统计噪声分析的精度和可信度。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及基于深度学习的防疫信息处理方法及防疫服务系统。
背景技术
随着疫情的常态化发展,将人工智能等现代信息技术深入应用于疫情态势研判、传播路径分析、精准防控、有效治疗及后续治理等各工作环节已然成为当下其中一个工作方向。基于人工智能技术可以提供更加精准有效的科学决策依据,提高接诊问诊和诊断效率,加强远程和在线疫情防控的技术服务。在实际应用过程中发明人发现,伴随疫情常态化发展时间的不断延长,防疫过程中所收集到的流调信息的数量、类型越来越多,而这些流调信息中所夹杂的噪声信息却难以准确可靠地被识别出来,这样可能导致后期的数据信息爆仓,因此,当下数字化防疫的其中一个问题便是如何提升流调信息的噪声分析质量。
发明内容
为改善相关技术中存在的技术问题,本发明提供了基于深度学习的防疫信息处理方法及防疫服务系统。
本发明实施例的第一方面提供一种基于深度学习的防疫信息处理方法,应用于防疫服务系统,该方法包括:响应于噪声处理请求,收集目标防疫流调任务的待处理人员流调统计日志;在待处理人员流调统计日志中具有疑似混淆流调信息的基础上,确定疑似混淆流调信息所指向的局部流调统计内容集;对疑似混淆流调信息所指向的局部流调统计内容集执行多个流调统计噪声种类的流调统计噪声分析,获得疑似混淆流调信息的流调统计噪声分析清单。
在一些示例下,疑似混淆流调信息为人员时空轨迹信息,流调统计噪声分析清单包括人员时空轨迹信息对于多个流调统计噪声种类中每个流调统计噪声种类的流调统计噪声分析清单,多个流调统计噪声种类包括如下至少一项:人员时空轨迹信息冗余、人员时空轨迹信息错乱和人员时空轨迹信息遗漏。
如此一来,本发明实施例通过响应于噪声处理请求,收集目标防疫流调任务的待处理人员流调统计日志;在待处理人员流调统计日志中具有疑似混淆流调信息的基础上,确定疑似混淆流调信息所指向的局部流调统计内容集;对疑似混淆流调信息所指向的局部流调统计内容集执行多个流调统计噪声种类的流调统计噪声分析,获得疑似混淆流调信息的流调统计噪声分析清单。这样在流调统计噪声分析时,可以分析出疑似混淆流调信息(例如人员时空轨迹信息)相对于多个流调统计噪声种类的分析结果,从而减少疑似混淆流调信息的个别流调统计噪声的分析遗漏的可能性,继而便于提升疑似混淆流调信息的流调统计噪声分析的精度和可信度。
在一些示例下,对疑似混淆流调信息所指向的局部流调统计内容集执行多个流调统计噪声种类的流调统计噪声分析,获得疑似混淆流调信息的流调统计噪声分析清单,包括:对疑似混淆流调信息所指向的局部流调统计内容集进行流调时空描述挖掘,获得第一动态流调时空描述分布;采用多个流调统计噪声种类中每个流调统计噪声种类对应的统计噪声处理线程分别对第一动态流调时空描述分布进行流调统计噪声解析,获得疑似混淆流调信息对于每个流调统计噪声种类的流调统计噪声分析清单。
如此一来,每个流调统计噪声种类对应的统计噪声处理线程皆通过第一动态流调时空描述分布进行流调统计噪声解析,使得每个统计噪声处理线程在流调统计噪声分析前无需另行实施流调时空描述挖掘,便于提高流调时空描述挖掘的资源利用率、减小流调时空描述挖掘的处理压力。
在一些示例下,每个流调统计噪声种类的流调统计噪声分析清单涵盖如下一类:携带该种类的流调统计噪声;没有携带该种类的流调统计噪声;该种类的流调统计噪声携带结果待定;携带流调统计噪声且流调统计噪声的种类待定。
如此一来,在传统分析结果的前提下,能够增设噪声类别的判断分析,从而实现更细致的流调统计噪声分析。
在一些示例下,对疑似混淆流调信息所指向的局部流调统计内容集进行流调时空描述挖掘,获得第一动态流调时空描述分布,包括:对疑似混淆流调信息所指向的局部流调统计内容集进行挖掘处理,获得第一流调时空描述关系网;对第一流调时空描述关系网进行a个层级的关系网重构,获得a个规模的流调时空描述关系网,a个规模的流调时空描述关系网与a个层级的关系网重构逐一匹配,a为不小于2的整数;对第一流调时空描述关系网和a个规模的流调时空描述关系网中的b个目标流调时空描述关系网进行调整,获得b+1个第二流调时空描述关系网,b为不小于2且不大于a的整数;结合b+1个第二流调时空描述关系网对a个规模的流调时空描述关系网中最小规模的流调时空描述关系网进行a个层级的关系网扩充,获得第一动态流调时空描述分布,a个层级的关系网扩充与a个层级的关系网重构逐一匹配。
如此一来,通过不同层级的关系网重构,能够保障得到的第一动态流调时空描述分布的完整性和准确性。
在一些示例下,结合b+1个第二流调时空描述关系网对a个规模的流调时空描述关系网中最小规模的流调时空描述关系网进行a个层级的关系网扩充,获得第一动态流调时空描述分布,包括:对最小规模的流调时空描述关系网进行首个层级的关系网扩充;对于a个层级的关系网扩充中第c个层级的关系网扩充,若b+1个第二流调时空描述关系网中存在候选流调时空描述关系网,则将候选流调时空描述关系网与第c个层级的关系网扩充获得的流调时空描述关系网进行连接,获得第一已连接流调时空描述关系网,候选流调时空描述关系网为与第c个层级的关系网扩充获得的流调时空描述关系网的规模一致的第二流调时空描述关系网,c为不小于1且不大于a-1的整数;对第一已连接流调时空描述关系网或第c个层级的关系网扩充获得的流调时空描述关系网,进行第c+1个层级的关系网扩充,一直到完成第a个层级的关系网扩充;将第a个层级的关系网扩充获得的流调时空描述关系网与b+1个第二流调时空描述关系网中规模一致的流调时空描述关系网进行连接,获得第二已连接流调时空描述关系网;对第二已连接流调时空描述关系网进行处理,获得第一动态流调时空描述分布。
如此一来,鉴于流调时空描述挖掘的过程对第一流调时空描述关系网进行了a个层级的关系网重构,关系网重构的简化可能造成细节内容的忽视,因此通过对第一流调时空描述关系网和a个规模的流调时空描述关系网进行调整,结合调整后的b+1个第二流调时空描述关系网对a个规模的流调时空描述关系网中最小规模的流调时空描述关系网进行a个层级的关系网扩充,例如,可将b+1个第二流调时空描述关系网中规模与关系网扩充进程获得的相同规模的流调时空描述关系网连接,以改善关系网重构所带来的细节内容忽视,这样能够保障第一动态流调时空描述分布的完整性。
在一些示例下,对第一流调时空描述关系网和a个规模的流调时空描述关系网中的b个目标流调时空描述关系网进行调整,包括:对于第一流调时空描述关系网和b个目标流调时空描述关系网中的每个流调时空描述关系网,对每个流调时空描述关系网进行首次关系网更新操作,获得首次调整后的流调时空描述关系网;对第d次调整后的流调时空描述关系网进行第d+1次关系网更新操作,获得第d+1次调整后的流调时空描述关系网,d为不小于1的整数;通过至少两次关系网更新操作,将每个流调时空描述关系网调整为第二流调时空描述关系网,b+1个第二流调时空描述关系网包括第二流调时空描述关系网。
在一些示例下,采用基于GCN的关系网简化策略对第一流调时空描述关系网和a个规模的流调时空描述关系网中的每个流调时空描述关系网进行至少两次关系网更新操作,鉴于至少两次关系网更新操作可以采用混合滑动窗口处理的思路,便于记录第一流调时空描述关系网和a个规模的流调时空描述关系网中的关系特征,这种关系特征能够辅助实现疑似混淆流调信息的流调统计噪声的识别处理。
在一些示例下,对疑似混淆流调信息所指向的局部流调统计内容集执行多个流调统计噪声种类的流调统计噪声分析,获得疑似混淆流调信息的流调统计噪声分析清单是通过机器学习算法实施的,机器学习算法是通过对GCN进行配置获得的,GCN包括流调时空描述挖掘线程和用于对多个流调统计噪声种类进行解析的多个统计噪声处理线程,机器学习算法基于如下方式配置获得:获取疑似混淆流调信息的第一模板人员流调统计日志和第一模板人员流调统计日志对于多个流调统计噪声种类的配置解释;将第一模板人员流调统计日志传入流调时空描述挖掘线程进行流调时空描述挖掘,获得第二动态流调时空描述分布;将第二动态流调时空描述分布分别传入多个统计噪声处理线程进行流调统计噪声解析,获得第一模板人员流调统计日志对于多个流调统计噪声种类的流调统计噪声分析清单;根据第一模板人员流调统计日志对于多个流调统计噪声种类的流调统计噪声分析清单和第一模板人员流调统计日志对于多个流调统计噪声种类的配置解释,确定第一算法评估指标;根据第一算法评估指标调整流调时空描述挖掘线程和多个统计噪声处理线程的线程变量,持续优化第一模板人员流调统计日志,在第一算法评估指标趋于稳定时获得机器学习算法。
如此一来,通过多个统计噪声处理线程共同使用流调时空描述挖掘线程的思路,统计噪声处理线程的数量变化不会对流调时空描述挖掘线程产生干扰。而使用多类别分别对多个流调统计噪声种类进行差异化处理,实现了流调统计噪声种类间的互相独立,有进而削减配置过程中流调统计噪声种类之间的干扰和模板人员流调统计日志的经验干扰。
在一些示例下,该方法还包括:如果出现需要处理的目标流调统计噪声种类,则在机器学习算法中增配目标流调统计噪声种类的目标统计噪声处理线程;获取疑似混淆流调信息的第二模板人员流调统计日志和第二模板人员流调统计日志对于目标流调统计噪声种类的配置解释;将第二模板人员流调统计日志传入流调时空描述挖掘线程进行流调时空描述挖掘,获得第三动态流调时空描述分布;将第三动态流调时空描述分布传入目标统计噪声处理线程进行流调统计噪声解析,获得第二模板人员流调统计日志对于目标流调统计噪声种类的流调统计噪声分析清单;根据第二模板人员流调统计日志对于目标流调统计噪声种类的流调统计噪声分析清单和第二模板人员流调统计日志对于目标流调统计噪声种类的配置解释,确定目标统计噪声处理线程的第二算法评估指标;根据第二算法评估指标调整目标统计噪声处理线程的线程变量,重生成第二模板人员流调统计日志,直到第二算法评估指标趋于稳定。
如此一来,结合多对一的统计噪声处理线程-流调时空描述挖掘线程关系,如果存在其他的目标流调统计噪声种类,则可为该目标流调统计噪声种类配置另外的主题,并利用完成注释的第二模板人员流调统计日志为该目标流调统计噪声种类配置一个统计噪声处理线程,从而可以自适应地进行流调统计噪声种类的增加和统计噪声处理线程的调整。而鉴于流调时空描述挖掘线程和在先的多个统计噪声处理线程的线程变量已确定,配置目标统计噪声处理线程时,可以不必对流调时空描述挖掘线程和多个统计噪声处理线程的线程变量进行改进,从而保障目标统计噪声处理线程的配置时效性。
本发明还提供了一种防疫服务系统,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述方法。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时实现上述的方法。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种防疫服务系统的硬件结构示意图。
图2是本发明实施例提供的一种基于深度学习的防疫信息处理方法的流程示意图。
图3是本发明实施例提供的一种基于深度学习的防疫信息处理装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本发明实施例所提供的方法实施例可以在防疫服务系统、计算机设备或者类似的运算装置中执行。以运行在防疫服务系统上为例,图1是本发明实施例的实施基于深度学习的防疫信息处理方法的防疫服务系统的硬件结构框图。如图1所示,防疫服务系统100可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述防疫服务系统100还可以包括用于通信功能的传输装置106。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述防疫服务系统100的结构造成限定。例如,防疫服务系统100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的基于深度学习的防疫信息处理方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至防疫服务系统100。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括防疫服务系统100的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
为解决背景技术存在的技术问题,请结合图2,图2是本发明实施例所提供的一种基于深度学习的防疫信息处理方法的流程示意图,应用于防疫服务系统,该方法具体可以包括如下步骤所描述的技术方案。
步骤NO.201、响应于噪声处理请求,收集目标防疫流调任务的待处理人员流调统计日志。
在本发明实施例的一些例子下,目标防疫流调任务的待处理人员流调统计日志可以通过日志收集模块获得。进一步地,待处理人员流调统计日志可以通过任何可以收集到目标防疫流调任务人员流调统计日志的服务器/终端向防疫服务系统上传,但不限于此。
进一步地,噪声处理请求可以通过防疫中心计算机发送给防疫服务系统,待处理人员流调统计日志包括文本、图像等形式综合形成的流调大数据。
步骤NO.202、在待处理人员流调统计日志中具有疑似混淆流调信息的基础上,确定疑似混淆流调信息所指向的局部流调统计内容集。
在本发明实施例的一些例子下,就待处理人员流调统计日志而言,防疫服务系统可通过基于AI的噪声分析规则对待处理人员流调统计日志进行处理。基于疑似混淆流调信息的分析标识在待处理人员流调统计日志中的分布情况,可以从待处理人员流调统计日志中确定疑似混淆流调信息所指向的内容集,并确定出疑似混淆流调信息所指向的局部流调统计内容集。此外,疑似混淆流调信息可以理解为可能性存在流调统计噪声的数据信息。
步骤NO.203、对疑似混淆流调信息所指向的局部流调统计内容集执行多个流调统计噪声种类的流调统计噪声分析,获得疑似混淆流调信息的流调统计噪声分析清单。
在本发明实施例的一些例子下,流调统计噪声分析可以理解为流调统计噪声识别和分类,而流调统计噪声分析清单可以记录流调统计噪声的识别结果或者分类结果。
在一些可能的技术方案中,对疑似混淆流调信息所指向的局部流调统计内容集执行多个流调统计噪声种类的流调统计噪声分析,获得疑似混淆流调信息的流调统计噪声分析清单,包括:对疑似混淆流调信息所指向的局部流调统计内容集进行流调时空描述挖掘,获得第一动态流调时空描述分布;采用多个流调统计噪声种类中每个流调统计噪声种类对应的统计噪声处理线程分别对第一动态流调时空描述分布进行流调统计噪声解析,获得疑似混淆流调信息对于每个流调统计噪声种类的流调统计噪声分析清单。
在本发明实施例的一些例子下,以疑似混淆流调信息为人员时空轨迹信息进行说明,将人员时空轨迹信息人员流调统计日志(比如人员时空轨迹信息所指向的局部流调统计内容集)传入线程变量不变的机器学习算法,通过多个统计噪声处理线程共享的流调时空描述挖掘线程进行流调时空描述挖掘,获得第一动态流调时空描述分布,第一动态流调时空描述分布分别传入多个统计噪声处理线程进行流调统计噪声解析,进一步地,多个统计噪声处理线程分别可以是人员时空轨迹信息冗余统计噪声处理线程、人员时空轨迹信息错乱统计噪声处理线程。更进一步地,基于第一动态流调时空描述分布获得对于人员时空轨迹信息冗余这一流调统计噪声种类下多个流调统计噪声要素的分析结果;人员时空轨迹信息错乱统计噪声处理线程,基于第一动态流调时空描述分布获得对于人员时空轨迹信息错乱这一流调统计噪声种类下多个流调统计噪声要素的分析结果。
可以理解的是,在疑似混淆流调信息为人员时空轨迹信息的基础上,多个流调统计噪声种类包括如下至少一项:人员时空轨迹信息冗余、人员时空轨迹信息错乱和人员时空轨迹信息遗漏。基于此,每个流调统计噪声种类对应的统计噪声处理线程皆通过第一动态流调时空描述分布进行流调统计噪声解析,使得每个统计噪声处理线程在流调统计噪声分析前无需另行实施流调时空描述挖掘,便于提高流调时空描述挖掘的资源利用率、减小流调时空描述挖掘的处理压力。
在一些可能的技术方案下,每个流调统计噪声种类的分析结果涵盖如下一类:携带该种类的流调统计噪声;没有携带该种类的流调统计噪声;该种类的流调统计噪声携带结果待定;携带流调统计噪声且流调统计噪声的种类待定。
在一些可能的技术方案下,对疑似混淆流调信息所指向的局部流调统计内容集进行流调时空描述挖掘,获得第一动态流调时空描述分布,包括:对疑似混淆流调信息所指向的局部流调统计内容集进行挖掘处理,获得第一流调时空描述关系网;对第一流调时空描述关系网进行a个层级的关系网重构,获得a个规模的流调时空描述关系网,a个规模的流调时空描述关系网与a个层级的关系网重构逐一匹配,a为不小于2的整数;对第一流调时空描述关系网和a个规模的流调时空描述关系网中的b个目标流调时空描述关系网进行调整,获得b+1个第二流调时空描述关系网,b为不小于2且不大于a的整数;结合b+1个第二流调时空描述关系网对a个规模的流调时空描述关系网中最小规模的流调时空描述关系网进行a个层级的关系网扩充,获得第一动态流调时空描述分布。
进一步地,流调时空描述关系网可以理解为特征图,关系网重构可以理解为特征精简,关系网扩充可以理解为特征扩展。
在本发明实施例的一些例子下,多个层级分别包括首个层级、第2个层级、第3个层级和第4个层级,a个规模的流调时空描述关系网包括首个层级的关系网重构获得的流调时空描述关系网、第2个层级的关系网重构获得的流调时空描述关系网、第3个层级的关系网重构获得的流调时空描述关系网和第4个层级的关系网重构获得的流调时空描述关系网,将首个层级的关系网重构获得的流调时空描述关系网和第2个层级的关系网重构获得的流调时空描述关系网作为目标流调时空描述关系网,通过配置好的基于GCN的关系网简化策略对第一流调时空描述关系网、首个层级的关系网重构获得的流调时空描述关系网和第2个层级的关系网重构获得的流调时空描述关系网进行调整,获得对应的每个流调时空描述关系网中流调时空描述的预测情况,即b+1个第二流调时空描述关系网中的流调时空描述预测情况。
如此一来,鉴于流调时空描述挖掘的过程对第一流调时空描述关系网进行了a个层级的关系网重构,关系网重构的简化可能造成细节内容的忽视,因此通过对第一流调时空描述关系网和a个规模的流调时空描述关系网进行调整,结合调整后的b+1个第二流调时空描述关系网对a个规模的流调时空描述关系网中最小规模的流调时空描述关系网进行a个层级的关系网扩充,例如,可将b+1个第二流调时空描述关系网中规模与关系网扩充进程获得的相同规模的流调时空描述关系网连接,以改善关系网重构所带来的细节内容忽视,这样能够保障第一动态流调时空描述分布的完整性。
在一些可能的技术方案中,结合b+1个第二流调时空描述关系网对a个规模的流调时空描述关系网中最小规模的流调时空描述关系网进行a个层级的关系网扩充,获得第一动态流调时空描述分布,包括:对最小规模的流调时空描述关系网进行首个层级的关系网扩充;对于a个层级的关系网扩充中第c个层级的关系网扩充,若b+1个第二流调时空描述关系网中存在候选流调时空描述关系网,则将候选流调时空描述关系网与第c个层级的关系网扩充获得的流调时空描述关系网进行连接,获得第一已连接流调时空描述关系网,候选流调时空描述关系网为与第c个层级的关系网扩充获得的流调时空描述关系网的规模一致的第二流调时空描述关系网,c为不小于1且不大于a-1的整数;对第一已连接流调时空描述关系网或第c个层级的关系网扩充获得的流调时空描述关系网,进行第c+1个层级的关系网扩充,一直到完成第a个层级的关系网扩充;将第a个层级的关系网扩充获得的流调时空描述关系网与b+1个第二流调时空描述关系网中规模一致的流调时空描述关系网进行连接,获得第二已连接流调时空描述关系网;对第二已连接流调时空描述关系网进行处理,获得第一动态流调时空描述分布。
在一些例子下,最小规模的流调时空描述关系网可以是第4个层级的关系网重构获得的流调时空描述关系网,对最小规模的流调时空描述关系网进行首个层级的关系网扩充,鉴于b+1个第二流调时空描述关系网中不具有与首个层级的关系网扩充获得的流调时空描述关系网规模一致的候选流调时空描述关系网,这样一来,立刻对首个层级的关系网扩充获得的流调时空描述关系网进行第2个层级的关系网扩充。b+1个第二流调时空描述关系网中存在与第2个层级的关系网扩充获得的流调时空描述关系网规模一致的候选流调时空描述关系网,则将第2个层级的关系网扩充获得的流调时空描述关系网与b+1个第二流调时空描述关系网中规模一致的候选流调时空描述关系网(比如第2个层级的关系网重构获得的流调时空描述关系网经过基于GCN的关系网简化策略的调整,获得的第二流调时空描述关系网)进行连接,获得首个第一已连接流调时空描述关系网。对首个第一已连接流调时空描述关系网进行第3个层级的关系网扩充,b+1个第二流调时空描述关系网中存在与第3个层级的关系网扩充获得的流调时空描述关系网规模一致的候选流调时空描述关系网,则将第3个层级的关系网扩充获得的流调时空描述关系网与b+1个第二流调时空描述关系网中规模一致的候选流调时空描述关系网(即首个层级的关系网重构获得的流调时空描述关系网经过基于GCN的关系网简化策略的调整,获得的第二流调时空描述关系网)进行连接,获得第2个第一已连接流调时空描述关系网。
如此一来,对于a个层级的关系网扩充中第c个层级的关系网扩充,若b+1个第二流调时空描述关系网中存在规模一致的候选流调时空描述关系网,则将第c个层级的关系网扩充获得的流调时空描述关系网与该候选流调时空描述关系网进行连接,对连接获得的流调时空描述关系网进行下一个层级的关系网扩充;若b+1个第二流调时空描述关系网中不具有规模一致的候选流调时空描述关系网,则直接对第c个层级的关系网扩充获得的流调时空描述关系网进行下一个层级的关系网扩充,以此类推一直到完成第a个层级的关系网扩充,也即上述的第4个层级的关系网扩充。
可以理解的是,对于第a个层级的关系网扩充获得的流调时空描述关系网,b+1个第二流调时空描述关系网中存在规模一致的候选流调时空描述关系网(比如第一流调时空描述关系网经过基于GCN的关系网简化策略的调整,获得的第二流调时空描述关系网),则将二者进行连接,获得的流调时空描述关系网也即第二已连接流调时空描述关系网,然后对第二已连接流调时空描述关系网进行处理,获得第一动态流调时空描述分布。
在一些示例下,“连接”可以是对两个流调时空描述关系网进行特征运算,这样将第二流调时空描述关系网中的预测情况与关系网扩充获得的流调时空描述关系网进行特征运算,可以使携带流调统计噪声的内容集合更提出,便于后续噪声分析。
在一些可能的技术方案中,对第一流调时空描述关系网和a个规模的流调时空描述关系网中的b个目标流调时空描述关系网进行调整,包括:对于第一流调时空描述关系网和b个目标流调时空描述关系网中的每个流调时空描述关系网,对每个流调时空描述关系网进行首次关系网更新操作,获得首次调整后的流调时空描述关系网;对第d次调整后的流调时空描述关系网进行第d+1次关系网更新操作,获得第d+1次调整后的流调时空描述关系网,d为不小于1的整数;通过至少两次关系网更新操作,将每个流调时空描述关系网调整为第二流调时空描述关系网,b+1个第二流调时空描述关系网包括第二流调时空描述关系网。
本发明采用两个以上关系网更新单元进行调整,以第一流调时空描述关系网为例,第一流调时空描述关系网经过首个关系网更新单元的调整,获得首次调整后的流调时空描述关系网,首次调整后的流调时空描述关系网经过第2个关系网更新单元的调整,获得第2次调整后的流调时空描述关系网,以此类推,第d次调整后的流调时空描述关系网经过第d+1个关系网更新单元的调整获得第d+1次调整后的流调时空描述关系网,经过至少两次关系网更新操作,获得对应的第二流调时空描述关系网。
可以理解的是,采用基于GCN的关系网简化策略对第一流调时空描述关系网和a个规模的流调时空描述关系网中的每个流调时空描述关系网进行至少两次关系网更新操作,鉴于至少两次关系网更新操作可以采用混合滑动窗口处理的思路,便于记录第一流调时空描述关系网和a个规模的流调时空描述关系网中的关系特征,这种关系特征能够辅助实现疑似混淆流调信息的流调统计噪声的识别处理。
可以理解的是,本发明实施例通过响应于噪声处理请求,收集目标防疫流调任务的待处理人员流调统计日志;在待处理人员流调统计日志中具有疑似混淆流调信息的基础上,确定疑似混淆流调信息所指向的局部流调统计内容集;对疑似混淆流调信息所指向的局部流调统计内容集执行多个流调统计噪声种类的流调统计噪声分析,获得疑似混淆流调信息的流调统计噪声分析清单。这样在流调统计噪声分析时,可以分析出疑似混淆流调信息相对于多个流调统计噪声种类的分析结果,从而减少疑似混淆流调信息的个别流调统计噪声的分析遗漏的可能性。
对于其他的一些实施例而言,该方法还可以包括如下内容。
步骤NO.301、响应于噪声处理请求,收集目标防疫流调任务的待处理人员流调统计日志。
步骤NO.302、在待处理人员流调统计日志中具有疑似混淆流调信息的基础上,确定疑似混淆流调信息所指向的局部流调统计内容集;
步骤NO.303、对疑似混淆流调信息所指向的局部流调统计内容集进行流调时空描述挖掘,获得第一动态流调时空描述分布。
步骤NO.304、采用多个流调统计噪声种类中每个流调统计噪声种类对应的统计噪声处理线程分别对第一动态流调时空描述分布进行流调统计噪声解析,获得疑似混淆流调信息对于每个流调统计噪声种类的流调统计噪声分析清单。
进一步地,步骤NO.303和步骤NO.304是通过机器学习算法实施的,机器学习算法是通过对GCN进行配置获得的,GCN包括流调时空描述挖掘线程和用于对多个流调统计噪声种类进行解析的多个统计噪声处理线程,该机器学习算法基于如下方式配置获得:获取疑似混淆流调信息的第一模板人员流调统计日志和第一模板人员流调统计日志对于多个流调统计噪声种类的配置解释;将第一模板人员流调统计日志传入流调时空描述挖掘线程进行流调时空描述挖掘,获得第二动态流调时空描述分布;将第二动态流调时空描述分布分别传入多个统计噪声处理线程进行流调统计噪声解析,获得第一模板人员流调统计日志对于多个流调统计噪声种类的流调统计噪声分析清单;根据第一模板人员流调统计日志对于多个流调统计噪声种类的流调统计噪声分析清单和第一模板人员流调统计日志对于多个流调统计噪声种类的配置解释,确定第一算法评估指标;根据第一算法评估指标调整流调时空描述挖掘线程和多个统计噪声处理线程的线程变量,迭代第一模板人员流调统计日志,在第一算法评估指标趋于稳定时获得机器学习算法。
在本发明实施例的一些例子下,第二动态流调时空描述分布即配置层级通过流调时空描述挖掘线程对第一模板人员流调统计日志进行流调时空描述挖掘获得的流调时空描述关系网,GCN的配置通常需要部分配置样本,第一模板人员流调统计日志可以是配置样本中的任意模板人员流调统计日志,流调时空描述挖掘线程对第一模板人员流调统计日志的挖掘过程可结合对疑似混淆流调信息所指向的局部流调统计内容集进行流调时空描述挖掘的内容。在通过统计噪声处理线程获得第一模板人员流调统计日志对于多个流调统计噪声种类下多个流调统计噪声要素的分析结果后,可根据每个流调统计噪声种类下多个流调统计噪声要素的分析结果和该流调统计噪声种类的配置解释确定配置代价,根据第一模板人员流调统计日志在多个流调统计噪声种类下的多个配置代价获得第一算法评估指标,例如:在疑似混淆流调信息为人员时空轨迹信息的基础上,可将第一模板人员流调统计日志在人员时空轨迹信息错乱这一流调统计噪声种类的配置代价作为第一算法评估指标,或者将至少部分流调统计噪声种类的多个配置代价的全局配置代价作为第一算法评估指标。
可以理解的是,在第一算法评估指标没有趋于稳定的基础上,改进流调时空描述挖掘线程和多个统计噪声处理线程的线程变量,不断重生成模板人员流调统计日志集(比如第一模板人员流调统计日志),直至第一算法评估指标趋于稳定,获得线程变量不变的机器学习算法。
如此一来,通过多个统计噪声处理线程共同使用流调时空描述挖掘线程的思路,统计噪声处理线程的数量变化不会对流调时空描述挖掘线程产生干扰。而使用多类别分别对多个流调统计噪声种类进行差异化处理,实现了流调统计噪声种类间的互相独立,有进而削减配置过程中流调统计噪声种类之间的干扰和模板人员流调统计日志的经验干扰。
在上述内容的基础上,该方法还可以包括如下内容:如果出现需要处理的目标流调统计噪声种类,则在机器学习算法中增加目标流调统计噪声种类的目标统计噪声处理线程;获取人员时空轨迹信息的第二模板人员流调统计日志和第二模板人员流调统计日志对于目标流调统计噪声种类的配置解释;将第二模板人员流调统计日志传入流调时空描述挖掘线程进行流调时空描述挖掘,获得第三动态流调时空描述分布;将第三动态流调时空描述分布传入目标统计噪声处理线程进行流调统计噪声解析,获得第二模板人员流调统计日志对于目标流调统计噪声种类的分析结果;根据第二模板人员流调统计日志对于目标流调统计噪声种类的分析结果和第二模板人员流调统计日志对于目标流调统计噪声种类的配置解释,确定目标统计噪声处理线程的第二算法评估指标;根据第二算法评估指标调整目标统计噪声处理线程的线程变量,迭代第二模板人员流调统计日志,直到第二算法评估指标趋于稳定。
在本发明实施例的一些例子下,以疑似混淆流调信息为人员时空轨迹信息进行说明,如果当前需要确定其他的人员时空轨迹信息的流调统计噪声种类,例如人员时空轨迹信息遗漏,则在之前机器学习算法的基础上,添配人员时空轨迹信息遗漏统计噪声处理线程,人员时空轨迹信息遗漏统计噪声处理线程也即目标统计噪声处理线程,并在配置GCN的配置样本中添配人员时空轨迹信息遗漏的模板人员流调统计日志,并对该模板人员流调统计日志进行注释,以对配置样本进行迭代,第二模板人员流调统计日志即迭代后的配置样本中的任意人员流调统计日志,包括人员时空轨迹信息遗漏的模板人员流调统计日志。第三动态流调时空描述分布即配置目标统计噪声处理线程阶段通过流调时空描述挖掘线程对第二模板人员流调统计日志进行流调时空描述挖掘获得的流调时空描述关系网,流调时空描述挖掘线程对第二模板人员流调统计日志的挖掘思路可结合对疑似混淆流调信息进行流调时空描述挖掘的内容。目标统计噪声处理线程在获得第二模板人员流调统计日志对于目标流调统计噪声种类的分析结果后,确定该结果与第二模板人员流调统计日志对于目标流调统计噪声种类的配置解释的配置代价,即第二算法评估指标,在该配置代价没有趋于稳定的基础上,改进目标统计噪声处理线程的线程变量,维持流调时空描述挖掘线程和之前的多个统计噪声处理线程的线程变量不变,重生成第二模板人员流调统计日志,跟踪第二算法评估指标,直到第二算法评估指标区域稳定。
如此一来,结合多对一的统计噪声处理线程-流调时空描述挖掘线程关系,如果存在其他的目标流调统计噪声种类,则可为该目标流调统计噪声种类配置另外的主题,并利用完成注释的第二模板人员流调统计日志为该目标流调统计噪声种类配置一个统计噪声处理线程,从而可以自适应地进行流调统计噪声种类的增加和统计噪声处理线程的调整。而鉴于流调时空描述挖掘线程和之前的多个统计噪声处理线程的线程变量已确定,配置目标统计噪声处理线程时,可以不必对流调时空描述挖掘线程和多个统计噪声处理线程的线程变量进行调整,从而保障目标统计噪声处理线程的配置时效性。
在上述基础上,请结合图3,本发明还提供了一种基于深度学习的防疫信息处理装置30框图,所述装置包括以下功能模块。
信息确定模块31,用于响应于噪声处理请求,收集目标防疫流调任务的待处理人员流调统计日志;在所述待处理人员流调统计日志中具有疑似混淆流调信息的基础上,确定所述疑似混淆流调信息所指向的局部流调统计内容集。
噪声分析模块32,用于对所述疑似混淆流调信息所指向的局部流调统计内容集执行多个流调统计噪声种类的流调统计噪声分析,获得所述疑似混淆流调信息的流调统计噪声分析清单。
进一步地,还提供了一种可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
本领域技术人员公知的是,随着诸如大规模集成电路技术的电子信息技术的发展和软件硬件化的趋势,要明确划分计算机系统软、硬件界限已经显得比较困难了。因为,任何操作可以软件来实现,也可以由硬件来实现。任何指令的执行可以由硬件完成,同样也可以由软件来完成。对于某一机器功能采用硬件实现方案还是软件实现方案,取决于价格、速度、可靠性、存储容量、变更周期等非技术性因素。因此,对于电子信息技术领域的普通技术人员来说,更为直接和清楚地描述一个技术方案的方式是描述该方案中的各个操作。在知道所要执行的操作的情况下,本领域技术人员可以基于对所述非技术性因素的考虑直接设计出期望的产品。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (9)
1.一种基于深度学习的防疫信息处理方法,其特征在于,应用于防疫服务系统,所述方法包括:
响应于噪声处理请求,收集目标防疫流调任务的待处理人员流调统计日志;在所述待处理人员流调统计日志中具有疑似混淆流调信息的基础上,确定所述疑似混淆流调信息所指向的局部流调统计内容集;
对所述疑似混淆流调信息所指向的局部流调统计内容集执行多个流调统计噪声种类的流调统计噪声分析,获得所述疑似混淆流调信息的流调统计噪声分析清单;
其中,所述对所述疑似混淆流调信息所指向的局部流调统计内容集执行多个流调统计噪声种类的流调统计噪声分析,获得所述疑似混淆流调信息的流调统计噪声分析清单是通过机器学习算法实施的,所述机器学习算法是通过对GCN进行配置获得的,所述GCN包括流调时空描述挖掘线程和用于对多个流调统计噪声种类进行解析的多个统计噪声处理线程,所述机器学习算法基于如下方式配置获得:
获取所述疑似混淆流调信息的第一模板人员流调统计日志和所述第一模板人员流调统计日志对于所述多个流调统计噪声种类的配置解释;
将所述第一模板人员流调统计日志传入所述流调时空描述挖掘线程进行流调时空描述挖掘,获得第二动态流调时空描述分布;
将所述第二动态流调时空描述分布分别传入所述多个统计噪声处理线程进行流调统计噪声解析,获得所述第一模板人员流调统计日志对于所述多个流调统计噪声种类的流调统计噪声分析清单;
通过所述第一模板人员流调统计日志对于所述多个流调统计噪声种类的流调统计噪声分析清单和所述第一模板人员流调统计日志对于所述多个流调统计噪声种类的配置解释,确定第一算法评估指标;
通过所述第一算法评估指标优化所述流调时空描述挖掘线程和所述多个统计噪声处理线程的线程变量,重生成所述第一模板人员流调统计日志,在所述第一算法评估指标趋于稳定时获得所述机器学习算法;
其中,所述疑似混淆流调信息为存在流调统计噪声的数据信息,所述流调统计噪声分析清单用于记录流调统计噪声的识别结果或者分类结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述疑似混淆流调信息所指向的局部流调统计内容集执行多个流调统计噪声种类的流调统计噪声分析,获得所述疑似混淆流调信息的流调统计噪声分析清单,包括:
对所述疑似混淆流调信息所指向的局部流调统计内容集进行流调时空描述挖掘,获得第一动态流调时空描述分布;
通过所述多个流调统计噪声种类中每个流调统计噪声种类对应的统计噪声处理线程分别对所述第一动态流调时空描述分布进行流调统计噪声解析,获得所述疑似混淆流调信息相较于所述每个流调统计噪声种类的流调统计噪声分析清单。
3.根据权利要求2所述的方法,其特征在于,所述每个流调统计噪声种类的流调统计噪声分析清单涵盖如下一类:携带该种类的流调统计噪声,没有携带该种类的流调统计噪声,该种类的流调统计噪声携带结果待定,携带流调统计噪声且流调统计噪声的种类待定;所述疑似混淆流调信息为人员时空轨迹信息,所述多个流调统计噪声种类包括如下至少一项:人员时空轨迹信息冗余、人员时空轨迹信息错乱和人员时空轨迹信息遗漏。
4.根据权利要求2所述的方法,其特征在于,所述对所述疑似混淆流调信息所指向的局部流调统计内容集进行流调时空描述挖掘,获得第一动态流调时空描述分布,包括:
对所述疑似混淆流调信息所指向的局部流调统计内容集进行挖掘处理,获得第一流调时空描述关系网;
对所述第一流调时空描述关系网进行a个层级的关系网重构,获得a个规模的流调时空描述关系网,所述a个规模的流调时空描述关系网与所述a个层级的关系网重构逐一匹配,a为不小于2的整数;
对所述第一流调时空描述关系网和所述a个规模的流调时空描述关系网中的b个目标流调时空描述关系网进行调整,获得b+1个第二流调时空描述关系网,b为不小于2且不大于a的整数;
结合所述b+1个第二流调时空描述关系网对所述a个规模的流调时空描述关系网中最小规模的流调时空描述关系网进行a个层级的关系网扩充,获得所述第一动态流调时空描述分布。
5.根据权利要求4所述的方法,其特征在于,所述结合所述b+1个第二流调时空描述关系网对所述a个规模的流调时空描述关系网中最小规模的流调时空描述关系网进行a个层级的关系网扩充,获得所述第一动态流调时空描述分布,包括:
对所述最小规模的流调时空描述关系网进行首个层级的关系网扩充;
对于所述a个层级的关系网扩充中第c个层级的关系网扩充,若所述b+1个第二流调时空描述关系网中存在候选流调时空描述关系网,则将所述候选流调时空描述关系网与所述第c个层级的关系网扩充获得的流调时空描述关系网进行连接,获得第一已连接流调时空描述关系网,所述候选流调时空描述关系网为与所述第c个层级的关系网扩充获得的流调时空描述关系网的规模一致的第二流调时空描述关系网,c为不小于1且不大于a-1的整数;
对所述第一已连接流调时空描述关系网或所述第c个层级的关系网扩充获得的流调时空描述关系网,进行第c+1个层级的关系网扩充,一直到完成第a个层级的关系网扩充;
将所述第a个层级的关系网扩充获得的流调时空描述关系网与所述b+1个第二流调时空描述关系网中规模一致的流调时空描述关系网进行连接,获得第二已连接流调时空描述关系网;
对所述第二已连接流调时空描述关系网进行处理,获得所述第一动态流调时空描述分布。
6.根据权利要求4所述的方法,其特征在于,所述对所述第一流调时空描述关系网和所述a个规模的流调时空描述关系网中的b个目标流调时空描述关系网进行调整,包括:
对于所述第一流调时空描述关系网和所述b个目标流调时空描述关系网中的每个流调时空描述关系网,对所述每个流调时空描述关系网进行首次关系网更新操作,获得首次调整后的流调时空描述关系网;
对第d次调整后的流调时空描述关系网进行第d+1次关系网更新操作,获得第d+1次调整后的流调时空描述关系网,d为不小于1的整数;
通过至少两次关系网更新操作,将所述每个流调时空描述关系网调整为第二流调时空描述关系网,所述b+1个第二流调时空描述关系网包含所述第二流调时空描述关系网。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
如果出现需要处理的目标流调统计噪声种类,则在所述机器学习算法中添配所述目标流调统计噪声种类的目标统计噪声处理线程;
获取所述疑似混淆流调信息的第二模板人员流调统计日志和所述第二模板人员流调统计日志对于所述目标流调统计噪声种类的配置解释;
将所述第二模板人员流调统计日志传入所述流调时空描述挖掘线程进行流调时空描述挖掘,获得第三动态流调时空描述分布;
将所述第三动态流调时空描述分布传入所述目标统计噪声处理线程进行流调统计噪声解析,获得所述第二模板人员流调统计日志对于所述目标流调统计噪声种类的流调统计噪声分析清单;
通过所述第二模板人员流调统计日志对于所述目标流调统计噪声种类的流调统计噪声分析清单和所述第二模板人员流调统计日志对于所述目标流调统计噪声种类的配置解释,确定所述目标统计噪声处理线程的第二算法评估指标;
通过所述第二算法评估指标优化所述目标统计噪声处理线程的线程变量,重生成所述第二模板人员流调统计日志直到所述第二算法评估指标趋于稳定。
8.一种防疫服务系统,其特征在于,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述权利要求1-7任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在运行时实现上述权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210388816.0A CN114496299B (zh) | 2022-04-14 | 2022-04-14 | 一种基于深度学习的防疫信息处理方法及防疫服务系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210388816.0A CN114496299B (zh) | 2022-04-14 | 2022-04-14 | 一种基于深度学习的防疫信息处理方法及防疫服务系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114496299A CN114496299A (zh) | 2022-05-13 |
CN114496299B true CN114496299B (zh) | 2022-06-21 |
Family
ID=81488833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210388816.0A Active CN114496299B (zh) | 2022-04-14 | 2022-04-14 | 一种基于深度学习的防疫信息处理方法及防疫服务系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114496299B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693279B (zh) * | 2022-05-30 | 2022-08-23 | 八爪鱼人工智能科技(常熟)有限公司 | 应用于疫情防控的信息管理方法及数字化设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109074871A (zh) * | 2015-10-27 | 2018-12-21 | 皇家飞利浦有限公司 | 用于分析临床数据特征生成患者群组的模式发现可视分析系统 |
CN112669980A (zh) * | 2020-12-28 | 2021-04-16 | 山东大学 | 一种基于节点相似度的流行病传播网络重构方法和系统 |
CN112860675A (zh) * | 2021-02-06 | 2021-05-28 | 高云 | 在线云服务环境下的大数据处理方法及云计算服务器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2568971A (en) * | 2017-12-04 | 2019-06-05 | Cambridge Entpr Ltd | A photon multiplying material |
-
2022
- 2022-04-14 CN CN202210388816.0A patent/CN114496299B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109074871A (zh) * | 2015-10-27 | 2018-12-21 | 皇家飞利浦有限公司 | 用于分析临床数据特征生成患者群组的模式发现可视分析系统 |
CN112669980A (zh) * | 2020-12-28 | 2021-04-16 | 山东大学 | 一种基于节点相似度的流行病传播网络重构方法和系统 |
CN112860675A (zh) * | 2021-02-06 | 2021-05-28 | 高云 | 在线云服务环境下的大数据处理方法及云计算服务器 |
CN113609118A (zh) * | 2021-02-06 | 2021-11-05 | 高云 | 应用于大数据的数据优化方法及大数据服务器 |
Non-Patent Citations (1)
Title |
---|
智能语音外呼系统在新冠肺炎疫情;唐斌等;《信息化论坛》;20200615;63-65 * |
Also Published As
Publication number | Publication date |
---|---|
CN114496299A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112699991B (zh) | 用于加速神经网络训练的信息处理的方法、电子设备和计算机可读介质 | |
CN111309614B (zh) | A/b测试方法、装置及电子设备 | |
CN107370806B (zh) | Http状态码监控方法、装置、存储介质和电子设备 | |
US9093841B2 (en) | Power distribution network event correlation and analysis | |
CN110443457B (zh) | 数据处理方法及装置 | |
CN111949850B (zh) | 多源数据的采集方法、装置、设备及存储介质 | |
CN110109899B (zh) | 物联网数据填补方法、装置及系统 | |
CN114496299B (zh) | 一种基于深度学习的防疫信息处理方法及防疫服务系统 | |
US11044155B2 (en) | Utilizing unstructured data in self-organized networks | |
CN111985831A (zh) | 云计算资源的调度方法、装置、计算机设备及存储介质 | |
US20230164035A1 (en) | Identifying persistent anomalies for failure prediction | |
CN111324533A (zh) | A/b测试方法、装置及电子设备 | |
US10657135B2 (en) | Smart tuple resource estimation | |
CN115964646A (zh) | 用于应用微服务的异构图生成 | |
US20220179764A1 (en) | Multi-source data correlation extraction for anomaly detection | |
US9484743B2 (en) | Power distribution network event analysis using data from different data sources | |
CN116822606A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN114693279B (zh) | 应用于疫情防控的信息管理方法及数字化设备 | |
CN111400414A (zh) | 一种基于标准化企业数据的决策方法、系统及电子设备 | |
CN116861976A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
US10565209B2 (en) | Injecting outlier values | |
US11372861B2 (en) | Streams runtime processing rate adjustment | |
CN113781126A (zh) | 一种电商业务信息处理方法及系统 | |
US20230289276A1 (en) | Intelligently optimized machine learning models | |
US20240045929A1 (en) | Systems and methods for auto-thresholding using pairwise feature cross-correlation for hyperparameter value selection |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |