一种基于对抗学习框架的突发公共卫生事件风险预测方法技术

本发明专利技术属于突发公共卫生事件预测技术领域，公开了一种基于对抗学习框架的突发公共卫生事件风险预测方法，包括以下步骤：收集样本城市和目标城市区域特征数据，并输出相对应的表征向量；分别对样本城市和目标城市的表征向量进行解码；提取样本城市和目标城市表征向量的共性特征数据；对表征向量进行分类并判定；利用对抗学习框架技术，对未爆发公共卫生事件的地区进行风险预测，可及时、准确地采取非药物干预措施，增强目标城市的公共卫生事件防控措施，及时预防突发公共卫生事件带来的风险和危害。危害。危害。

【技术实现步骤摘要】
一种基于对抗学习框架的突发公共卫生事件风险预测方法


[0001]本专利技术涉及突发公共卫生事件预测
，更具体地说，涉及一种基于对抗学习框架的突发公共卫生事件风险预测方法。

技术介绍

[0002]对于预测目标城市可能发生的公共卫生事件，当前的研究方法主要是分析已确诊病例空间分布和追溯其传播链。根据确诊病例的活动范围、接触人数、逗留时长确定样本城市的划分范围。但是，已确诊病例的空间分布统计数据通常出现粒度过粗的问题，且与追溯传播链一样，往往具有滞后性。
[0003]当前对样本城市的预测方法往往只集中在研究确诊病例的空间分布，及其传播链轨迹，存在数据粒度过粗和数据更新滞后的问题，无法准确预测目标城市区域的风险等级，更无法预测出未爆发公共卫生事件的目标城市的风险趋势。
[0004]所以，本申请提出一种基于对抗学习框架的突发公共卫生事件风险预测方法，来解决上述存在的问题。

技术实现思路

[0005]为了解决上述问题，本申请提供一种基于对抗学习框架的突发公共卫生事件风险预测方法。
[0006]本申请提供的一种基于对抗学习框架的突发公共卫生事件风险预测方法采用如下的技术方案：
[0007]一种基于对抗学习框架的突发公共卫生事件风险预测方法，包括以下步骤：
[0008]收集样本城市和目标城市区域特征数据，并输出相对应的表征向量；
[0009]分别对样本城市和目标城市的表征向量进行解码；
[0010]提取样本城市和目标城市表征向量的共性特征数据；
[0011]对表征向量进行分类并判定。
[0012]通过上述技术方案，针对公共卫生事件比较严重城市中的样本城市以及目标城市区域，利用对抗学习框架提取两者间的共性特征，依靠样本城市的大量特征数据，对输出表征空间进行约束，学习提取出能够判断公共卫生事件风险的特征，再运用对特征重构和公共卫生事件样本城市识别分类实现对潜在公共卫生事件样本城市的预测。
[0013]进一步的，收集的所述特征数据包括但不限于所述样本城市区域和所述目标城市区域周边基础设施、检测机构数量、区域人口数量、区域人口年龄分布、区域交通、区域人口流动信息。
[0014]通过上述技术方案，多组特征数据能够以科学合理的方式预测出更加准确的结果。
[0015]进一步的，收集区域所述特征数据，对公共卫生事件严重的城市区域和所述目标城市区域输出相对应的所述表征向量，并通过所述编码器输入向量后输出编码并获得所述
样本城市和所述目标城市的所述表征向量。
[0016]通过上述技术方案，编码后的表征向量来自于对不同城市的区域描述，它们的分布存在较大差异，这种差异使得编码器提取到样本城市区域的特点可能仅适用于该区域，这阻碍了模型将从多数样本城市中学到的经验迁移到目标城市。因此，运用分类器缩小编码后表征向量在分布上的差异。
[0017]进一步的，由所述解码器对所述表征向量进行解码，所述解码器包括所述样本城市解码器和所述目标城市解码器。
[0018]通过上述技术方案，两个解码器分别用于样本城市和目标城市中区域特征的重构。将编码器输出的表征向量输入解码器，得到解码后的表征向量，利用重构损失函数优化编码器和解码器，使得解码器能够从编码后的表征中恢复出原始输入，以保证编码器学习到的表征仍然具有描述一个区域的信息，而不是单纯地能够在样本城市和目标城市中相似。
[0019]进一步的，由共同特征提取器提取所述样本城市与所述目标城市的共性特征。
[0020]进一步的，由所述分类器对所述表征向量进行分类判定，所述分类器将所述样本城市的编码所述表征向量作为输入，利用所述样本城市中大量有标记样本，让所述编码器从中提取能够判断公共卫生事件风险的特征。
[0021]通过上述技术方案，分类器将样本城市城市的编码表征向量作为输入，利用样本城市中大量有标记样本，让编码器从中提取能够判断公共卫生事件风险的特征。
[0022]进一步的，所述分类器缩小编码后所述表征向量在分布上的差异，从所述编码器输出的表征中区分出样本来自所述样本城市还是所述目标城市，即将编码后的所述表征向量作为输入，并完成一个二分类任务，将来自于所述样本城市的编码所述表征向量，和来自于所述目标城市的编码所述表征向量判定为不同的类别。
[0023]综上所述，本申请包括以下至少一个有益技术效果：
[0024](1)利用对抗学习框架技术，对未爆发公共卫生事件的地区进行风险预测，可及时、准确地采取非药物干预措施，增强目标城市的公共卫生事件防控措施，及时预防突发公共卫生事件带来的风险和危害。
附图说明
[0025]图1为本申请的预测流程示意图。
[0026]图中标号说明：1、编码器；2、解码器；3、分类器；4、共同特征提取器。
具体实施方式
[0027]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0028]在本申请的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，
因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0029]在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体的连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
[0030]实施例：
[0031]以下结合附图1对本申请做进一步详细说明。
[0032]本申请实施例公开了一种基于对抗学习框架的突发公共卫生事件风险预测方法，包括以下步骤：
[0033]收集样本城市和目标城市区域特征数据，并输出相对应的表征向量；
[0034]分别对样本城市和目标城市的表征向量进行解码；
[0035]提取样本城市和目标城市表征向量的共性特征数据；
[0036]对表征向量进行分类并判定。
[0037]参见图1，收集的特征数据包括但不限于样本城市区域和目标城市区域周边基础设施、检测机构数量、区域人口数量、区域人口年龄分布、区域交通、区域人口流动信息，多组特征数据能够以科学合理的方式预测出更加准确的结果。
[0038]参见图1，收集区域特征数据，对公共卫生事件严重的城市区域和目标城市区域输出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对抗学习框架的突发公共卫生事件风险预测方法，其特征在于，包括以下步骤：收集样本城市和目标城市区域特征数据，并输出相对应的表征向量；分别对样本城市和目标城市的表征向量进行解码；提取样本城市和目标城市表征向量的共性特征数据；对表征向量进行分类并判定。2.根据权利要求1的一种基于对抗学习框架的突发公共卫生事件风险预测方法，其特征在于：收集的所述特征数据包括但不限于所述样本城市区域和所述目标城市区域周边基础设施、区域人口数量、区域人口年龄分布、区域交通、区域人口流动信息。3.根据权利要求1的一种基于对抗学习框架的突发公共卫生事件风险预测方法，其特征在于，还包括：收集区域所述特征数据，对公共卫生事件严重的城市区域和所述目标城市区域输出相对应的所述表征向量，并通过所述编码器(1)输入向量后输出编码并获得所述样本城市和所述目标城市的所述表征向量。4.根据权利要求1的一种基于对抗学习框架的突发公共卫生事件风险预测方法，其特征在于，还包括：由所述解码器(2)对所述表征向量进行解码，所述解...

【专利技术属性】
技术研发人员：刘贤明，周虹，
申请(专利权)人：上海市城乡建设和交通发展研究院上海市数字化城市管理中心，
类型：发明
国别省市：