[發(fā)明專利]傳染病疫情預(yù)測(cè)方法、裝置及電子設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202111113128.5
• 申請(qǐng)日: 2021-09-23
• 公開(kāi)（公告）號(hào): CN113851226A
• 公開(kāi)（公告）日: 2021-12-28
• 發(fā)明（設(shè)計(jì)）人: 周英敏
• 申請(qǐng)（專利權(quán)）人: 北京百度網(wǎng)訊科技有限公司
• 主分類號(hào): G16H50/70
• 分類號(hào): G16H50/70;G16H50/80
• 代理公司: 北京博浩百睿知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11134
• 代理人: 宮傳芝

1.一種傳染病疫情預(yù)測(cè)方法，包括：

采用多種預(yù)測(cè)模型對(duì)歷史數(shù)據(jù)的測(cè)試集合進(jìn)行預(yù)測(cè)，得到所述多種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果；

分別獲取所述多種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果與所述測(cè)試集合中的對(duì)應(yīng)真實(shí)結(jié)果之間的殘差；

依據(jù)所述多種預(yù)測(cè)模型對(duì)應(yīng)的殘差，從所述多種預(yù)測(cè)模型中確定目標(biāo)預(yù)測(cè)模型；

獲取當(dāng)前傳染病疫情數(shù)據(jù)，并采用所述目標(biāo)預(yù)測(cè)模型對(duì)所述當(dāng)前傳染病疫情數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到當(dāng)前傳染病預(yù)測(cè)結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其中，在所述采用多種預(yù)測(cè)模型對(duì)歷史數(shù)據(jù)的測(cè)試集合進(jìn)行預(yù)測(cè)，得到所述多種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果之前，還包括：

采用所述歷史數(shù)據(jù)中的訓(xùn)練數(shù)據(jù)進(jìn)行機(jī)器訓(xùn)練，分別得到所述多種預(yù)測(cè)模型，其中，所述訓(xùn)練數(shù)據(jù)包括：輸入?yún)?shù)以及該輸入?yún)?shù)對(duì)應(yīng)的疫情結(jié)果，其中，所述輸入?yún)?shù)包括：歷史疫情數(shù)據(jù)，環(huán)境參數(shù)，聚集指數(shù)、管控參數(shù)以及遷移數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的方法，其中，所述多種預(yù)測(cè)模型至少包括以下三種：易感－潛伏－感染－隔離SEIQ模型，差分整合移動(dòng)平均自回歸ARIMA模型，深度學(xué)習(xí)時(shí)序模型。

4.根據(jù)權(quán)利要求1至3中任一項(xiàng)所述的方法，其中，所述依據(jù)所述多種預(yù)測(cè)模型對(duì)應(yīng)的殘差，從所述多種預(yù)測(cè)模型中確定目標(biāo)預(yù)測(cè)模型包括：

依據(jù)所述多種預(yù)測(cè)模型對(duì)應(yīng)的殘差，獲取累計(jì)預(yù)定時(shí)間段內(nèi)所述多種預(yù)測(cè)模型對(duì)應(yīng)的均方根誤差RMSE和平均絕對(duì)百分比誤差MAPE；

基于所述多種預(yù)測(cè)模型對(duì)應(yīng)的均方根誤差RMSE和平均絕對(duì)百分比誤差MAPE，確定所述多種預(yù)測(cè)模型對(duì)應(yīng)的整體偏差水平值；

依據(jù)所述多種預(yù)測(cè)模型對(duì)應(yīng)的整體偏差水平值，從所述多種預(yù)測(cè)模型中確定目標(biāo)預(yù)測(cè)模型。

5.一種傳染病疫情預(yù)測(cè)裝置，包括：

第一預(yù)測(cè)模塊，用于采用多種預(yù)測(cè)模型對(duì)歷史數(shù)據(jù)的測(cè)試集合進(jìn)行預(yù)測(cè)，得到所述多種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果；

獲取模塊，用于分別獲取所述多種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果與所述測(cè)試集合中的對(duì)應(yīng)真實(shí)結(jié)果之間的殘差；

確定模塊，用于依據(jù)所述多種預(yù)測(cè)模型對(duì)應(yīng)的殘差，從所述多種預(yù)測(cè)模型中確定目標(biāo)預(yù)測(cè)模型；

第二預(yù)測(cè)模塊，用于獲取當(dāng)前傳染病疫情數(shù)據(jù)，并采用所述目標(biāo)預(yù)測(cè)模型對(duì)所述當(dāng)前傳染病疫情數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到當(dāng)前傳染病預(yù)測(cè)結(jié)果。

6.根據(jù)權(quán)利要求5所述的裝置，其中，還包括：

訓(xùn)練模塊，用于在所述采用多種預(yù)測(cè)模型對(duì)歷史數(shù)據(jù)的測(cè)試集合進(jìn)行預(yù)測(cè)，得到所述多種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果之前，采用所述歷史數(shù)據(jù)中的訓(xùn)練數(shù)據(jù)進(jìn)行機(jī)器訓(xùn)練，分別得到所述多種預(yù)測(cè)模型，其中，所述訓(xùn)練數(shù)據(jù)包括：輸入?yún)?shù)以及該輸入?yún)?shù)對(duì)應(yīng)的疫情結(jié)果，其中，所述輸入?yún)?shù)包括：歷史疫情數(shù)據(jù)，環(huán)境參數(shù)，聚集指數(shù)、管控參數(shù)以及遷移數(shù)據(jù)。

7.根據(jù)權(quán)利要求5所述的裝置，其中，所述多種預(yù)測(cè)模型至少包括以下三種：易感－潛伏－感染－隔離SEIQ模型，差分整合移動(dòng)平均自回歸ARIMA模型，深度學(xué)習(xí)時(shí)序模型。

8.根據(jù)權(quán)利要求5至7中任一項(xiàng)所述的裝置，其中，所述確定模塊包括：

第一獲取單元，用于依據(jù)所述多種預(yù)測(cè)模型對(duì)應(yīng)的殘差，獲取累計(jì)預(yù)定時(shí)間段內(nèi)所述多種預(yù)測(cè)模型對(duì)應(yīng)的均方根誤差RMSE和平均絕對(duì)百分比誤差MAPE；

第一確定單元，用于基于所述多種預(yù)測(cè)模型對(duì)應(yīng)的均方根誤差RMSE和平均絕對(duì)百分比誤差MAPE，確定所述多種預(yù)測(cè)模型對(duì)應(yīng)的整體偏差水平值；

第二確定單元，用于依據(jù)所述多種預(yù)測(cè)模型對(duì)應(yīng)的整體偏差水平值，從所述多種預(yù)測(cè)模型中確定目標(biāo)預(yù)測(cè)模型。

9.一種電子設(shè)備，包括：

至少一個(gè)處理器；以及

與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，

所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行權(quán)利要求1-4中任一項(xiàng)所述的方法。