[發明專利]一種引入專家知識的傳染病傳播模型構建方法

在審

• 申請號: 202110299554.6
• 申請日: 2021-03-22
• 公開（公告）號: CN112669989A
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 秦熔均;李澤文;高聳屹;張興遠;徐震;黃圣凱;劉澤琳
• 申請（專利權）人: 南棲仙策（南京）科技有限公司
• 主分類號: G16H50/80
• 分類號: G16H50/80;G16H50/20;G06N20/00
• 代理公司: 南京樂羽知行專利代理事務所(普通合伙) 32326
• 代理人: 李玉平

本發明公開一種引入專家知識的傳染病傳播模型構建方法，包括利用專家知識構建傳染病傳播模型和利用數據優化傳染病傳播模型兩個部分；開發人員能通過系統平臺的初始化界面引入專家知識；利用專家知識定義模擬傳染病傳播相關的函數，搭建傳染病傳播模型框架；利用專家知識列出傳染病傳播模型中待確定參數集合并初始化傳染病傳播模型參數；向傳染病傳播模型輸入訓練數據；訓練數據在構建好的傳染病傳播模型中進行推演；最后得到最優傳染病傳播模型。本發明能將專家知識與歷史數據相融合，快速訓練出高效的傳染病傳播模型。

技術領域

本發明涉及一種引入專家知識的傳染病傳播模型構建方法，屬于人工智能技術領域。

背景技術

隨著人工智能技術的發展，機器學習模型已經被廣泛應用在各行各業并取得了巨大成功。然而，目前AI領域常用的深度學習模型是黑盒模式，雖然其因為強大的表示能力取得了非常好的效果，但其內部運算過程難以被人們理解，同時也難以將人類總結的知識注入模型中。如何設計更加高效的白盒模型已經成為了人工智能行業發展中亟待解決的問題之一。當今絕大多數機器學習模型都是完全由數據驅動的，即通過現有的歷史數據去學習，沒有任何專家知識的注入，這使得模型的學習過程更加困難、耗時，并且難以被人類理解。如何將專家知識等先驗知識引入機器學習從而構建白盒模型是推動人工智能領域發展的重要方向之一。

當今的機器學習模型，尤其是深度學習模型在從歷史數據中進行學習時，由于缺乏先驗知識，模型在初始化時通常會進行隨機初始化，并且推演過程難以被人們理解，也難以反映現實場景，例如，在分析傳染病傳播的場景下，機器學習模型可能會隨機嘗試不同的推演模式，其結果往往與真實情況差異極大，難以導出可以被人類理解的因果關系，并且只有在大量的訓練之后才可能得到較為合理的模型。實際上，在流行病領域已經有多種模型被提出，如SIR模型、SEIR模型。這些模型蘊含了豐富的專家知識，盡管可能不是最優、或者最能反映現實場景的模型，但其已經被廣泛應用并具有一定的合理性，機器學習模型不能忽視其參考價值。

然而目前的機器學習模型卻很難同時兼顧數據驅動特性并結合專家知識。因此，設計出更加符合專家經驗和歷史數據經驗的半白盒模型甚至白盒模型十分重要。

發明內容

發明目的：針對現有技術中存在的問題與不足，本發明一種引入專家知識的傳染病傳播模型構建方法，本發明可以將人類專家知識和數據驅動相結合，共同訓練得到傳染病傳播模型，解決了傳統機器學習模型無法兩者兼顧的問題，同時能夠更加高效、快速地得到模型，且使得到的傳染病傳播模型具有更加準確的預測效果。

技術方案：一種引入專家知識的傳染病傳播模型構建方法，方法中涉及的技術內容介紹如下：

所述專家知識包括人類的通用經驗，或者對于某類任務總結出來的規律等，具有可泛化性。所述機器學習方法由機器學習算法對構建的模型訓練所得；所述機器學習方法可基于一種系統平臺進行構建，所述系統包含數據領域和機器學習領域。所述數據領域默認含有參數模塊用于設置待確定的參數、變量模塊用于設定計算過程中的變量、記錄模塊用于保存數據。所述機器學習領域默認放置損失函數模塊用于評判模型結果的好壞，以及機器學習算法模塊用于選擇學習方法。所述損失函數模塊的輸入為模型的輸出結果和歷史數據中的真實結果，輸出為二者在某一度量標準下的差距；所述機器學習算法模塊可以根據損失函數模塊的輸出對模型進行優化；所述系統提供了默認的通用學習方法，一般情況無需修改。所述系統允許開發人員根據個人經驗和知識選擇不同的模型結構和訓練算法，最終通過歷史數據進行訓練得到最優模型。

一種引入專家知識的傳染病傳播模型構建方法，主要由利用專家知識構建傳染病傳播模型和利用數據優化傳染病傳播模型兩個部分組成。開發人員可通過系統平臺的初始化界面引入專家知識。該系統包含數據領域和機器學習領域。所述數據領域含有參數模塊用于設置待確定的參數、變量模塊用于設定計算過程中的變量、記錄模塊用于保存數據。所述機器學習領域放置損失函數模塊用于評判傳染病傳播模型結果的好壞，以及機器學習算法模塊用于選擇傳染病傳播模型訓練方法。訓練流程描述如下：