[發明專利]基于大數據深度學習的個人聯動區域時空預測方法

在審

• 申請號: 202011627009.7
• 申請日: 2020-12-30
• 公開（公告）號: CN112669969A
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 朱定局
• 申請（專利權）人: 華南師范大學
• 主分類號: G16H50/30
• 分類號: G16H50/30;G16H50/80;G06N3/08;G06F16/2458;G06F16/29
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 謝曲曲

基于大數據深度學習的個人聯動區域時空預測方法，包括：裝置與場景獲取步驟；規則和風險類型獲取步驟；場景判斷與規則選擇步驟；規則設定步驟；場景變化檢測步驟。上述方法、系統和機器人，根據事件場景動態選擇合適的人工智能倫理規則來降低和防范人工智能倫理風險，使得同一個人工智能裝置可以根據事件場景選擇合適的不同的人工智能倫理規則，從而可以提高人工智能裝置遵守人工智能倫理規則的靈活性，通過選擇合適的事件場景，可以極大防范和降低人工智能倫理規則在事件場景中所產生的人工智能倫理風險。

技術領域

本發明涉及人工智能技術領域，特別是涉及一種基于大數據深度學習的個人聯動區域時空預測方法。

背景技術

在實現本發明過程中，發明人發現現有技術中至少存在如下問題：基于大數據和深度學習的個人風險時空預測模型與區域疫情時空預測模型的輸入指標變量和輸出指標變量都不同，完全是兩種異構的不同時空預測模型，難以進行聯動和組合。

因此，現有技術還有待于改進和發展。

發明內容

基于此，有必要針對現有技術的缺陷或不足，提供基于大數據深度學習的個人聯動區域時空預測方法，以解決現有技術中個人風險時空預測模型與區域疫情時空預測模型難以進行聯動和組合的問題，將個人風險預測的結果納入到區域疫情時空預測模型的輸入端，使得個人風險時空預測的結果能夠提高區域疫情時空預測模型的準確率。

第一方面，本發明實施例提供一種人工智能方法，所述方法包括：

個人預測深度學習模型構建步驟：初始化多個深度學習神經網絡模型作為多個個人預測深度學習模型，將每一時間每一空間的每一個人的個人數據作為輸入，將所述每一時間所述每一空間的所述每一個人預期結果作為輸出，對所述每一時間所述每一空間的個人預測深度學習模型進行第一訓練，不同的個人預測深度學習模型的參數根據預設進行共享或部分共享或不共享；

個人預測深度學習模型使用步驟：在使用時，將每一時間每一空間的每一個人的數據作為輸入，通過所述每一時間所述每一空間的個人預測深度學習模型的計算，得到的輸出作為所述每一時間所述每一空間的所述每一個人預測結果；

單時單空預測深度學習模型第一構建步驟：初始化多個深度學習神經網絡模型作為單時單空預測深度學習模型，將每一時間每一空間的時間信息和空間信息和所有個人數據作為輸入，將所述每一時間所述每一空間的所有個人預期結果的統計結果作為預期輸出，或將所述每一時間所述每一空間的預期結果作為預期輸出，對所述單時單空預測深度學習模型進行第二訓練；不同的單時單空預測深度學習模型的參數根據預設進行共享或部分共享或不共享；

單時單空預測深度學習模型第二構建步驟：針對每一時間每一空間，將所述每一時間所述每一空間的所有個人預測深度學習模型的特征數據聯合后作為輸入，將所述每一時間所述每一空間的所有個人的預期結果的統計結果作為預期輸出，或將所述每一時間所述每一空間的預期結果作為預期輸出，對所述單時單空預測深度學習模型進行第三訓練；

單時單空預測深度學習模型使用步驟：在使用時，每一時間每一空間的時間信息、空間信息、所有個人數據作為輸入，通過所述單時單空預測深度學習模型的計算，得到的輸出作為所述每一時間所述每一空間的所有個人的預期結果的統計結果，或作為所述每一時間所述每一空間的預測結果；

訓練方式第一設置步驟：第二訓練和第三訓練可以先后進行，也可以交叉進行，或采用預設的方式組合進行，通過第二訓練和第三訓練得到所述單時單空預測深度學習模型；第一訓練、第三訓練可以先后進行，也可以交叉進行，或采用預設的方式組合進行，通過第一訓練、第三訓練得到所述每一時間所述每一空間的個人預測深度學習模型。

優選地，所述方法還包括：