[發(fā)明專利]疫情趨勢預(yù)測方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011043913.3
• 申請(qǐng)日: 2020-09-28
• 公開（公告）號(hào): CN111883262B
• 公開（公告）日: 2021-01-15
• 發(fā)明（設(shè)計(jì)）人: 張淵
• 申請(qǐng)（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號(hào): G16H50/80
• 分類號(hào): G16H50/80;G06N3/04
• 代理公司: 廣州三環(huán)專利商標(biāo)代理有限公司 44202
• 代理人: 熊永強(qiáng)

1.一種電子設(shè)備，其特征在于，包括處理器和存儲(chǔ)器，所述處理器和所述存儲(chǔ)器相互連接，其中，所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序，所述計(jì)算機(jī)程序包括程序指令，所述處理器被配置用于調(diào)用所述程序指令，執(zhí)行以下步驟：

獲取目標(biāo)地區(qū)的疫情序列數(shù)據(jù)，所述疫情序列數(shù)據(jù)包括第一預(yù)設(shè)時(shí)間范圍內(nèi)各日期的第一疾病特征數(shù)據(jù)、第二疾病特征數(shù)據(jù)以及氣象特征數(shù)據(jù)；

對(duì)所述疫情序列數(shù)據(jù)包括的各特征數(shù)據(jù)進(jìn)行特征提取，得到所述各特征數(shù)據(jù)的特征向量；

根據(jù)所述疫情序列數(shù)據(jù)包括的各第一疾病特征數(shù)據(jù)的特征向量以及各第二疾病特征數(shù)據(jù)的特征向量，拼接得到第一特征矩陣；

根據(jù)所述疫情序列數(shù)據(jù)包括的各氣象特征數(shù)據(jù)的特征向量，拼接得到第二特征矩陣；

將所述第一特征矩陣和所述第二特征矩陣確定為所述疫情序列數(shù)據(jù)對(duì)應(yīng)的目標(biāo)特征矩陣；

通過預(yù)訓(xùn)練的RNN模型中的隱藏層根據(jù)所述目標(biāo)特征矩陣進(jìn)行處理，得到所述目標(biāo)特征矩陣對(duì)應(yīng)的目標(biāo)高維特征矩陣，所述隱藏層包括5層隱含單元；

根據(jù)所述目標(biāo)高維特征矩陣以及所述預(yù)訓(xùn)練的RNN模型中的輸出層，獲得第一疫情趨勢預(yù)測結(jié)果，所述輸出層為線性回歸層，所述第一疫情趨勢預(yù)測結(jié)果包括預(yù)測的第二預(yù)設(shè)日期范圍內(nèi)各日期的新增病例的數(shù)量和/或新增死亡的人數(shù)；所述第二預(yù)設(shè)日期范圍在所述第一預(yù)設(shè)日期范圍之后；

通過終端設(shè)備展示所述第一疫情趨勢預(yù)測結(jié)果；

在通過所述預(yù)訓(xùn)練的RNN模型中的隱藏層根據(jù)所述目標(biāo)特征矩陣進(jìn)行處理，得到所述目標(biāo)特征矩陣對(duì)應(yīng)的目標(biāo)高維特征矩陣時(shí)，所述處理器被配置用于調(diào)用所述程序指令，執(zhí)行以下步驟：

通過所述預(yù)訓(xùn)練的RNN模型中的第一隱藏層對(duì)所述第一特征矩陣進(jìn)行處理，得到所述第一特征矩陣對(duì)應(yīng)的第一高維特征矩陣；

通過所述預(yù)訓(xùn)練的RNN模型中的第二隱藏層對(duì)所述第二特征矩陣進(jìn)行處理，得到所述第二特征矩陣對(duì)應(yīng)的第二高維特征矩陣；

在根據(jù)所述目標(biāo)高維特征矩陣以及所述預(yù)訓(xùn)練的RNN模型中的輸出層，獲得第一疫情趨勢預(yù)測結(jié)果時(shí)，所述處理器被配置用于調(diào)用所述程序指令，執(zhí)行以下步驟：

對(duì)所述第一高維特征矩陣和所述第二高維特征矩陣進(jìn)行融合處理，得到融合特征矩陣；

通過所述預(yù)訓(xùn)練的RNN模型中的輸出層根據(jù)所述融合特征矩陣進(jìn)行處理，得到第一疫情趨勢預(yù)測結(jié)果；

在對(duì)所述第一高維特征矩陣和所述第二高維特征矩陣進(jìn)行融合處理，得到融合特征矩陣時(shí)，所述處理器被配置用于調(diào)用所述程序指令，執(zhí)行以下步驟：

確定所述第二高維特征矩陣對(duì)應(yīng)的attention權(quán)重，并利用所述attention權(quán)重對(duì)所述第二高維特征矩陣進(jìn)行加權(quán)處理，得到加權(quán)特征矩陣；

對(duì)第一高維特征矩陣以及加權(quán)特征矩陣進(jìn)行拼接處理，得到融合特征矩陣，所述融合特征矩陣的維度與所述第一特征矩陣的維度相同。

2.根據(jù)權(quán)利要求1所述的電子設(shè)備，其特征在于，所述處理器被配置用于調(diào)用所述程序指令，還執(zhí)行以下步驟：

獲取目標(biāo)地區(qū)的歷史疫情序列數(shù)據(jù)，所述歷史疫情序列數(shù)據(jù)包括在第三預(yù)設(shè)日期范圍內(nèi)的各日期的第一疾病特征數(shù)據(jù)、第二疾病特征數(shù)據(jù)以及氣象特征數(shù)據(jù)；

根據(jù)所述歷史疫情序列數(shù)據(jù)構(gòu)建所述歷史疫情序列數(shù)據(jù)對(duì)應(yīng)的特征矩陣；

利用所述歷史疫情序列數(shù)據(jù)對(duì)應(yīng)的特征矩陣對(duì)原始的時(shí)間序列模型進(jìn)行訓(xùn)練，得到預(yù)訓(xùn)練的時(shí)間序列模型。

3.根據(jù)權(quán)利要求2所述的電子設(shè)備，其特征在于，所述時(shí)間序列模型為RNN模型，在利用所述歷史疫情序列數(shù)據(jù)對(duì)應(yīng)的特征矩陣對(duì)原始的時(shí)間序列模型進(jìn)行訓(xùn)練，得到預(yù)訓(xùn)練的時(shí)間序列模型時(shí)，所述處理器被配置用于調(diào)用所述程序指令，執(zhí)行以下步驟：

通過所述原始的RNN模型中的隱藏層根據(jù)所述歷史疫情序列數(shù)據(jù)對(duì)應(yīng)的特征矩陣進(jìn)行處理，得到所述特征矩陣對(duì)應(yīng)的高維特征矩陣；

根據(jù)所述高維特征矩陣以及所述原始的RNN模型中的輸出層，獲得第二疫情趨勢預(yù)測結(jié)果，所述第二疫情趨勢預(yù)測結(jié)果包括預(yù)測的第四預(yù)設(shè)日期范圍內(nèi)各日期的新增病例的數(shù)量和/或新增死亡的人數(shù)；所述第四預(yù)設(shè)日期范圍在所述第三預(yù)設(shè)日期范圍之后；

利用所述第二疫情趨勢預(yù)測結(jié)果以及對(duì)應(yīng)的疫情趨勢真實(shí)結(jié)果構(gòu)建損失函數(shù)，利用所述損失函數(shù)訓(xùn)練所述原始的RNN模型，得到預(yù)訓(xùn)練的RNN模型，所述疫情趨勢真實(shí)結(jié)果包括真實(shí)的第四預(yù)設(shè)日期范圍內(nèi)各日期的新增病例的數(shù)量和/或新增死亡的人數(shù)。