疫情趋势预测方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例提供了一种疫情趋势预测方法、装置、电子设备及存储介质，应用于医疗科技领域，该电子设备包括处理器和存储器，存储器用于存储计算机程序，计算机程序包括程序指令，处理器被配置用于调用程序指令，执行以下步骤：获取目标地区的疫情序列数据；根据疫情序列数据构建疫情序列数据对应的目标特征矩阵；调用预训练的时间序列模型以根据目标特征矩阵进行疫情趋势预测，得到第一疫情趋势预测结果，第一疫情趋势预测结果包括预测的第二预设日期范围内各日期的新增病例的数量和/或新增死亡的人数。采用本申请，可以结合多维度特征来进行疫情趋势预测，可参考性更高。本申请涉及区块链技术，如可将第一疫情趋势预测结果写入区块链中。

【技术实现步骤摘要】
疫情趋势预测方法、装置、电子设备及存储介质
本申请涉及计算机
，尤其涉及一种疫情趋势预测方法、装置、电子设备及存储介质。
技术介绍
疫情的爆发和蔓延会对各个地方的经济以及人民生活带来严重的影响。近段时间来，COVID-19引起了世界范围内的疫情爆发，造成了极大的生命损失和经济损失。现有的流行病学预测模型大多是针对单一疾病在人群中的演化进行建模预测，存在一定的局限性：1、只考虑单一疾病的演化，没有兼顾同时流行的多种疾病的影响。2、只采用了单一模态的数据，未能考虑多种因素的协同作用。可见，现有的疫情趋势预测方法可参考性较低。
技术实现思路
本申请实施例提供了一种疫情趋势预测方法、装置、电子设备及存储介质，结合多维度的特征进行疫情趋势预测，可参考性更高。第一方面，本申请实施例提供了一种电子设备，包括处理器和存储器，所述处理器和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行以下步骤：获取目标地区的疫情序列数据，所述疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据；根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵；调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测，得到第一疫情趋势预测结果，所述第一疫情趋势预测结果包括预测的第二预设日期范围内各日期的新增病例的数量和/或新增死亡的人数；所述第二预设日期范围在所述第一预设日期范围之后；通过终端设备展示所述第一疫情趋势预测结果。可选地，所述时间序列模型为循环神经网络RNN模型，在调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测，得到第一疫情趋势预测结果时，所述处理器被配置用于调用所述程序指令，执行以下步骤：通过所述预训练的RNN模型中的隐藏层根据所述目标特征矩阵进行处理，得到所述目标特征矩阵对应的目标高维特征矩阵；根据所述目标高维特征矩阵以及所述预训练的RNN模型中的输出层，获得第一疫情趋势预测结果。可选地，在根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵时，所述处理器被配置用于调用所述程序指令，执行以下步骤：对所述疫情序列数据包括的各特征数据进行特征提取，得到所述各特征数据的特征向量；根据所述各特征数据的特征向量，拼接得到所述疫情序列数据对应的目标特征矩阵。可选地，在根据所述各特征数据的特征向量，拼接得到所述疫情序列数据对应的目标特征矩阵时，所述处理器被配置用于调用所述程序指令，执行以下步骤：根据所述疫情序列数据包括的各第一疾病特征数据的特征向量以及各第二疾病特征数据的特征向量，拼接得到第一特征矩阵；根据所述疫情序列数据包括的各气象特征数据的特征向量，拼接得到第二特征矩阵；将所述第一特征矩阵和所述第二特征矩阵确定为所述疫情序列数据对应的目标特征矩阵。可选地，在通过所述预训练的RNN模型中的隐藏层根据所述目标特征矩阵进行处理，得到所述目标特征矩阵对应的目标高维特征矩阵时，所述处理器被配置用于调用所述程序指令，执行以下步骤：通过所述预训练的RNN模型中的第一隐藏层对所述第一特征矩阵进行处理，得到所述第一特征矩阵对应的第一高维特征矩阵；通过所述预训练的RNN模型中的第二隐藏层对所述第二特征矩阵进行处理，得到所述第二特征矩阵对应的第二高维特征矩阵；在根据所述目标高维特征矩阵以及所述预训练的RNN模型中的输出层，获得第一疫情趋势预测结果时，所述处理器被配置用于调用所述程序指令，执行以下步骤：对所述第一高维特征矩阵和所述第二高维特征矩阵进行融合处理，得到融合特征矩阵；通过所述预训练的RNN模型中的输出层根据所述融合特征矩阵进行处理，得到第一疫情趋势预测结果。可选地，所述处理器被配置用于调用所述程序指令，还执行以下步骤：获取目标地区的历史疫情序列数据，所述历史疫情序列数据包括在第三预设日期范围内的各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据；根据所述历史疫情序列数据构建所述历史疫情序列数据对应的特征矩阵；利用所述历史疫情序列数据对应的特征矩阵对原始的时间序列模型进行训练，得到预训练的时间序列模型。可选地，所述时间序列模型为RNN模型，在利用所述历史疫情序列数据对应的特征矩阵对原始的时间序列模型进行训练，得到预训练的时间序列模型时，所述处理器被配置用于调用所述程序指令，执行以下步骤：通过所述原始的RNN模型中的隐藏层根据所述历史疫情序列数据对应的特征矩阵进行处理，得到所述特征矩阵对应的高维特征矩阵；根据所述高维特征矩阵以及所述原始的RNN模型中的输出层，获得第二疫情趋势预测结果，所述第二疫情趋势预测结果包括预测的第四预设日期范围内各日期的新增病例的数量和/或新增死亡的人数；所述第四预设日期范围在所述第三预设日期范围之后；利用所述第二疫情趋势预测结果以及对应的疫情趋势真实结果构建损失函数，利用所述损失函数训练所述原始的RNN模型，得到预训练的RNN模型，所述疫情趋势真实结果包括真实的第四预设日期范围内各日期的新增病例的数量和/或新增死亡的人数。第二方面，本申请实施例提供了一种疫情趋势预测方法，包括：获取目标地区的疫情序列数据，所述疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据；根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵；调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测，得到第一疫情趋势预测结果，所述第一疫情趋势预测结果包括预测的第二预设日期范围内各日期的新增病例的数量和/或新增死亡的人数；所述第二预设日期范围在所述第一预设日期范围之后；通过终端设备展示所述第一疫情趋势预测结果。第三方面，本申请实施例提供了一种疫情趋势预测装置，包括：获取模块，用于获取目标地区的疫情序列数据，所述疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据；构建模块，用于根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵；处理模块，用于调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测，得到第一疫情趋势预测结果，所述第一疫情趋势预测结果包括预测的第二预设日期范围内各日期的新增病例的数量和/或新增死亡的人数；所述第二预设日期范围在所述第一预设日期范围之后；所述处理模块，还用于通过终端设备展示所述第一疫情趋势预测结果。第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如第一方面所述的电子设备执行的步骤。综上所述，电子设备可以获取目标地区的疫情序列数据，该疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征本文档来自技高网...

【技术保护点】
1.一种电子设备，其特征在于，包括处理器和存储器，所述处理器和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行以下步骤：/n获取目标地区的疫情序列数据，所述疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据；/n根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵；/n调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测，得到第一疫情趋势预测结果，所述第一疫情趋势预测结果包括预测的第二预设日期范围内各日期的新增病例的数量和/或新增死亡的人数；所述第二预设日期范围在所述第一预设日期范围之后；/n通过终端设备展示所述第一疫情趋势预测结果。/n

【技术特征摘要】
1.一种电子设备，其特征在于，包括处理器和存储器，所述处理器和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行以下步骤：
获取目标地区的疫情序列数据，所述疫情序列数据包括第一预设时间范围内各日期的第一疾病特征数据、第二疾病特征数据以及气象特征数据；
根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵；
调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测，得到第一疫情趋势预测结果，所述第一疫情趋势预测结果包括预测的第二预设日期范围内各日期的新增病例的数量和/或新增死亡的人数；所述第二预设日期范围在所述第一预设日期范围之后；
通过终端设备展示所述第一疫情趋势预测结果。


2.根据权利要求1所述的电子设备，其特征在于，所述时间序列模型为循环神经网络RNN模型，在调用预训练的时间序列模型以根据所述目标特征矩阵进行疫情趋势预测，得到第一疫情趋势预测结果时，所述处理器被配置用于调用所述程序指令，执行以下步骤：
通过所述预训练的RNN模型中的隐藏层根据所述目标特征矩阵进行处理，得到所述目标特征矩阵对应的目标高维特征矩阵；
根据所述目标高维特征矩阵以及所述预训练的RNN模型中的输出层，获得第一疫情趋势预测结果。


3.根据权利要求2所述的电子设备，其特征在于，在根据所述疫情序列数据构建所述疫情序列数据对应的目标特征矩阵时，所述处理器被配置用于调用所述程序指令，执行以下步骤：
对所述疫情序列数据包括的各特征数据进行特征提取，得到所述各特征数据的特征向量；
根据所述各特征数据的特征向量，拼接得到所述疫情序列数据对应的目标特征矩阵。


4.根据权利要求3所述的电子设备，其特征在于，在根据所述各特征数据的特征向量，拼接得到所述疫情序列数据对应的目标特征矩阵时，所述处理器被配置用于调用所述程序指令，执行以下步骤：
根据所述疫情序列数据包括的各第一疾病特征数据的特征向量以及各第二疾病特征数据的特征向量，拼接得到第一特征矩阵；
根据所述疫情序列数据包括的各气象特征数据的特征向量，拼接得到第二特征矩阵；
将所述第一特征矩阵和所述第二特征矩阵确定为所述疫情序列数据对应的目标特征矩阵。


5.根据权利要求4所述的电子设备，其特征在于，
在通过所述预训练的RNN模型中的隐藏层根据所述目标特征矩阵进行处理，得到所述目标特征矩阵对应的目标高维特征矩阵时，所述处理器被配置用于调用所述程序指令，执行以下步骤：
通过所述预训练的RNN模型中的第一隐藏层对所述第一特征矩阵进行处理，得到所述第一特征矩阵对应的第一高维特征矩阵；
通过所述预训练的RNN模型中的第二隐藏层对所述第二特征矩阵进行处理，得到所述第二特征矩阵对应的第二高维特征矩阵；
在根据所述目标高维特征矩阵以及所述预训练的RNN模型中的输出层，获得第一疫情趋势预测结果时，所述处理器被配置用于调用所述程序指令，执行以下步骤：
对所述第一高维特征矩阵和所述第二高维特征矩阵进行融合处理，得到融合特征矩阵；
通过所述预训练...

【专利技术属性】
技术研发人员：张渊，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44