[發(fā)明專利]基于人工智能的疫情預測方法、裝置、存儲介質(zhì)及服務器

在審

• 申請?zhí)枺?/td>: 202111525060.1
• 申請日: 2021-12-14
• 公開（公告）號: CN114168835A
• 公開（公告）日: 2022-03-11
• 發(fā)明（設(shè)計）人: 宋威
• 申請（專利權(quán)）人: 平安國際智慧城市科技股份有限公司
• 主分類號: G06F16/951
• 分類號: G06F16/951;G06F16/33;G06N3/04;G06N3/08;G16H50/80
• 代理公司: 深圳中一聯(lián)合知識產(chǎn)權(quán)代理有限公司 44414
• 代理人: 劉永康

本發(fā)明屬于人工智能技術(shù)領(lǐng)域，尤其涉及一種基于人工智能的疫情預測方法、裝置、計算機可讀存儲介質(zhì)及服務器。所述方法包括：根據(jù)預設(shè)的疫情關(guān)鍵詞從互聯(lián)網(wǎng)中爬取在預設(shè)的第一時段內(nèi)與疫情相關(guān)的新聞文章序列；使用預設(shè)的語言表征模型對所述新聞文章序列進行特征信息提取，得到與所述新聞文章序列對應的特征信息序列；從預設(shè)的數(shù)據(jù)庫中獲取在所述第一時段內(nèi)的疫情確診人數(shù)序列；對所述疫情確診人數(shù)序列進行差分計算，得到與所述疫情確診人數(shù)序列對應的差分序列；使用預設(shè)的疫情預測模型對所述特征信息序列和所述差分序列進行預測分析，得到在預設(shè)的第二時段內(nèi)的疫情確診人數(shù)預測序列，更加全面地體現(xiàn)出疫情變化的趨勢，提高了預測結(jié)果的精確度。

技術(shù)領(lǐng)域

本發(fā)明屬于人工智能技術(shù)領(lǐng)域，尤其涉及一種基于人工智能的疫情預測方法、裝置、計算機可讀存儲介質(zhì)及服務器。

背景技術(shù)

新型冠狀病毒肺炎(Corona Virus Disease 2019，COVID-19)，簡稱“新冠肺炎”，世界衛(wèi)生組織命名為“2019冠狀病毒病”，是指2019新型冠狀病毒感染導致的肺炎。疫情防控除了盡量對患病人群進行全覆蓋檢測，還需對疫情整體發(fā)展趨勢進行精準評估，從而才能從宏觀上進行科學防控。

針對新冠肺炎的確診人數(shù)趨勢預測，目前為止使用最廣泛的是傳統(tǒng)的傳染病傳播模型(例如SIR、SIRS、SEIR等)，但在這些模型中只考慮了傳染病傳播的相關(guān)因素，對于其他因素的影響則沒有考慮，預測結(jié)果的精確度較低。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實施例提供了一種基于人工智能的疫情預測方法、裝置、計算機可讀存儲介質(zhì)及服務器，以解決現(xiàn)有技術(shù)存在的預測結(jié)果精確度較低的問題。

本發(fā)明實施例的第一方面提供了一種基于人工智能的疫情預測方法，可以包括：

根據(jù)預設(shè)的疫情關(guān)鍵詞從互聯(lián)網(wǎng)中爬取在預設(shè)的第一時段內(nèi)與疫情相關(guān)的新聞文章序列；

使用預設(shè)的語言表征模型對所述新聞文章序列進行特征信息提取，得到與所述新聞文章序列對應的特征信息序列；

從預設(shè)的數(shù)據(jù)庫中獲取在所述第一時段內(nèi)的疫情確診人數(shù)序列；

對所述疫情確診人數(shù)序列進行差分計算，得到與所述疫情確診人數(shù)序列對應的差分序列；

使用預設(shè)的疫情預測模型對所述特征信息序列和所述差分序列進行預測分析，得到在預設(shè)的第二時段內(nèi)的疫情確診人數(shù)預測序列。

在第一方面的一種具體實現(xiàn)方式中，所述根據(jù)預設(shè)的疫情關(guān)鍵詞從互聯(lián)網(wǎng)中爬取在預設(shè)的第一時段內(nèi)與疫情相關(guān)的新聞文章序列，可以包括：

根據(jù)所述疫情關(guān)鍵詞從互聯(lián)網(wǎng)中爬取在所述第一時段內(nèi)與疫情相關(guān)的各篇新聞文章；

將爬取的各篇新聞文章按照發(fā)布日期劃分為N個新聞文章集合；其中，N為所述第一時段的總天數(shù)，同一發(fā)布日期的新聞文章被劃分至同一新聞文章集合中；

將劃分的N個新聞文章集合按照發(fā)布日期升序排列，形成所述新聞文章序列。

在第一方面的一種具體實現(xiàn)方式中，所述使用預設(shè)的語言表征模型對所述新聞文章序列進行特征信息提取，得到與所述新聞文章序列對應的特征信息序列，可以包括：

使用所述語言表征模型對所述新聞文章序列中的各篇新聞文章分別進行特征信息提取，得到所述新聞文章序列中的各篇新聞文章的第一特征信息向量；

對第n個新聞文章集合中的各篇新聞文章的第一特征信息向量進行均值計算，得到第n個新聞文章集合的第二特征信息向量，1≤n≤N；

將所述新聞文章序列中的各個新聞文章集合的第二特征信息向量按照發(fā)布日期升序排列，形成所述特征信息序列。