基于多级时空大数据深度学习的动态级联时空预测方法技术

基于多级时空大数据深度学习的动态级联时空预测方法，包括：获取单时单空变量集合步骤；初始化单时单空模型步骤；单时单空模型训练步骤；同变量单时单空模型迁移步骤；单时单空模型使用步骤。上述方法、系统和机器人，通过获取相同输入变量和相同输出变量的已经训练完成的时空预测深度学习模型来作为尚未训练的时空预测深度学习模型的初始模型，是一种创新的迁移学习，能够充分已有时空深度学习模型的训练成果，充分利用了时空之间的相似性来提升时空深度学习模型训练的效率和效果。升时空深度学习模型训练的效率和效果。升时空深度学习模型训练的效率和效果。

【技术实现步骤摘要】
基于多级时空大数据深度学习的动态级联时空预测方法


[0001]本专利技术涉及人工智能
，特别是涉及一种基于多级时空大数据深度学习的动态级联时空预测方法。

技术介绍

[0002]在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：不同级别的疫情时空预测模型会随着级别的增多而指数型增长，当然，没有必要分的太细，但即使分为国家、省、市，三个级别，也会产生不少模型，例如中国共计34个省级行政区，那么就会产生34个二级时空预测模型，而每个省级时空预测模型又会几十个市，例如广东省下辖21个地级市，那就又会产生几个百个三级时空预测模型，如果这些各级模型都单独各自为政地训练的话，对于新发传染病而言由于数据量不是非常充裕，也会使得每个模型的效果很差。
[0003]因此，现有技术还有待于改进和发展。

技术实现思路

[0004]基于此，有必要针对现有技术的缺陷或不足，提供基于多级时空大数据深度学习的动态级联时空预测方法，以解决现有技术中不同级别时空预测模型各自为政训练、模型效果差的问题。
[0005]第一方面，本专本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人工智能方法，其特征在于，所述方法包括：获取单时单空变量集合步骤：获取每一时间每一空间的输入变量集合和输出变量集合；初始化单时单空模型步骤：根据每一时间每一空间的输入变量集合和输出变量集合，初始化深度学习神经网络模型作为所述每一时间所述每一空间的单时单空预测深度学习模型；单时单空模型训练步骤：将每一时间每一空间的时间信息和空间信息和所有个人数据作为输入，将所述每一时间所述每一空间的所有个人预期结果的统计结果作为预期输出，或将所述每一时间所述每一空间的预期结果作为预期输出，对所述每一时间所述每一空间的单时单空预测深度学习模型进行训练；不同的单时单空预测深度学习模型的参数根据预设进行共享或部分共享或不共享；同变量单时单空模型迁移步骤：获取已经训练完成的所述每一时间所述每一空间的单时单空预测深度学习模型，作为具有与已经训练完成的所述每一时间所述每一空间的单时单空预测深度学习模型相同的输入变量集合和输出变量集合的尚未进行训练的所述每一时间所述每一空间的单时单空预测深度学习模型，然后对尚未进行训练的所述每一时间所述每一空间的单时单空预测深度学习模型执行所述单时单空预测深度学习模型训练步骤；单时单空模型使用步骤：在使用时，每一时间每一空间的时间信息、空间信息、所有个人数据作为输入，通过所述每一时间所述每一空间的单时单空预测深度学习模型的计算，得到的输出作为所述每一时间所述每一空间的所有个人的预期结果的统计结果，或作为所述每一时间所述每一空间的预测结果。2.根据权利要求1所述的人工智能方法，其特征在于，所述方法还包括：获取多时多空变量集合步骤：获取每M个时间每N个空间的输入变量集合和输出变量集合；初始化多时多空模型步骤：根据每M个时间每N个空间的输入变量集合和输出变量集合，初始化深度学习神经网络模型作为所述每M个时间所述每N个空间的多时多空预测深度学习模型；多时多空模型独立训练步骤：将每M个时间每N个空间的时间信息和空间信息和所有个人数据作为输入，将所述每M个时间所述每N个空间的所有个人预期结果的统计结果作为预期输出，或将所述每M个时间所述每N个空间的预期结果作为预期输出，对所述每M个时间所述每N个空间的多时多空预测深度学习模型进行训练；不同的多时多空预测深度学习模型的参数根据预设进行共享或部分共享或不共享；所述每M个时间为相邻的每M个时间；所述每N个空间为相邻的每N个空间；多时多空模型联合训练步骤：对每M个时间每N个空间，将所述每M个时间所述每N个空间的单时单空预测深度学习模型的特征数据联合后作为第一预设隐层的输入，将所述每M个时间所述每N个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每M个时间所述每N个空间的预期结果作为预期输出，对所述每M个时间所述每N个空间的多时多空预测深度学习模型进行训练，得到所述每M个时间所述每N个空间的多时多空预测深度学习模型；所述每M个时间为相邻的每M个时间；所述每N个空间为相邻的每N个空间；同变量多时多空模型迁移步骤：获取已经训练完成的所述每M个时间所述每N个空间的
多时多空预测深度学习模型，作为具有与已经训练完成的所述每M个时间所述每N个空间的多时多空预测深度学习模型相同的输入变量集合和输出变量集合的尚未进行训练的所述每M个时间所述每N个空间的多时多空预测深度学习模型，然后对尚未进行训练的所述每M个时间所述每N个空间的多时多空预测深度学习模型执行所述多时多空预测深度学习模型训练步骤；多时多空模型使用步骤：在使用时，每M个时间每N个空间的时间信息、空间信息、所有个人数据作为输入，通过所述每M个时间所述每N个空间的多时多空预测深度学习模型的计算，得到的输出作为所述每M个时间所述每N个空间的所有个人的预期结果的统计结果，或作为所述每M个时间所述每N个空间的预测结果。3.根据权利要求2所述的人工智能方法，其特征在于，所述方法还包括：获取超时超空变量集合步骤：获取每S*M个时间每T*N个空间的输入变量集合和输出变量集合；初始化超时超空模型步骤：根据每S*M个时间每T*N个空间的输入变量集合和输出变量集合，初始化深度学习神经网络模型作为所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型；超时超空模型独立训练步骤：初始化多个深度学习神经网络模型作为超时超空预测深度学习模型，将每S*M个时间每T*N个空间的时间信息和空间信息和所有个人数据作为输入，将所述每S*M个时间所述每T*N个空间的所有个人预期结果的统计结果作为预期输出，或将所述每S*M个时间所述每T*N个空间的预期结果作为预期输出，对所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型进行训练；不同的超时超空预测深度学习模型的参数根据预设进行共享或部分共享或不共享；所述每S*M个时间为相邻的每S*M个时间；所述每T*N个空间为相邻的每T*N个空间；超时超空模型第一联合训练步骤：针对每S*M个时间每T*N个空间，将所述每S*M个时间所述每T*N个空间的单时单空预测深度学习模型的特征数据联合后作为第二预设隐层的输入，将所述每S*M个时间所述每T*N个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每S*M个时间所述每T*N个空间的预期结果作为预期输出，对所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型进行训练，得到所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型；所述每S*M个时间为相邻的每S*M个时间；所述每T*N个空间为相邻的每T*N个空间；超时超空模型第二联合训练步骤：针对每S*M个时间每T*N个空间，将其中每个所述每M个时间所述每N个空间的多时多空预测深度学习模型的特征数据联合后作为第三预设隐层的输入，将其中所有所述每M个时间所述每N个空间的预期结果的统计结果作为预期输出，或将所述每S*M个时间所述每T*N个空间的预期结果作为预期输出，对所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型进行训练，得到所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型；所述每S*M个时间为相邻的每S*M个时间；所述每T*N个空间为相邻的每T*N个空间；同变量超时超空模型迁移步骤：获取已经训练完成的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型，作为具有...

【专利技术属性】
技术研发人员：朱定局，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：