基于人工智能的传染病预测方法及相关设备技术

本申请提出一种基于人工智能的传染病预测方法、装置、电子设备及存储介质，基于人工智能的传染病预测方法包括：基于预设区域的地理位置构建图结构；储存历史时间内预设区域的传染病病例数以及相邻预设区域之间的人口流动数据得到训练集；基于图结构搭建传染病预测初始模型，传染病预测初始模型包括空间关联模块、时序处理模块和预测模块；基于训练集训练传染病预测初始模型得到传染病预测优化模型；采集预设时间段内的所有预设区域的传染病病例数和相邻预设区域之间的人口流动数据，并输入传染病预测优化模型得到各预设区域的传染病预测结果。本申请能够综合传染病数据在空间和时间上的关联性，提高数字医疗领域中传染病预测的准确性。预测的准确性。预测的准确性。

【技术实现步骤摘要】
基于人工智能的传染病预测方法及相关设备


[0001]本申请涉及人工智能及数字医疗
，尤其涉及一种基于人工智能的传染病预测方法、装置、电子设备及存储介质。

技术介绍

[0002]在数字医疗领域，病毒性流感等传染病可通过空气中的飞沫、人际接触等方式进行传播，具有传染性强、发病率高的特点，患者染病后，极有可能加重原发性疾病，引起继发细菌性肺炎和慢性心肺疾病等，产生大量的直接或间接的医疗费用，加重社会经济负担。因此，传染病的准确、实时监控和预警对公共卫生防疫部门有很重要的实际意义。
[0003]目前，常常采用基于自相关性的时间序列模型或利用天气数据、舆情数据等外源特征建立回归模型得到传染病预测结果，然而，这种方式忽略了人员流动对传染病预测的影响，且无法准确捕捉传染病数据在不同区域和不同时间的时空关联性，导致传染病预测结果的准确度较低。

技术实现思路

[0004]鉴于以上内容，有必要提出一种基于人工智能的传染病预测方法及相关设备，以解决如何提高传染病预测结果的准确度这一技术问题，其中，相关设备包括基于人工智能的传染病预测装置、电子设备及存储介质。
[0005]本申请提供基于人工智能的传染病预测方法，所述方法包括：
[0006]基于至少一个预设区域的地理位置构建图结构；
[0007]储存历史时间内所述预设区域的传染病病例数以及相邻预设区域之间的人口流动数据，得到训练集；
[0008]基于所述图结构搭建传染病预测初始模型，所述传染病预测初始模型包括空间关联模块、时序处理模块和预测模块；
[0009]基于所述训练集训练所述传染病预测初始模型得到传染病预测优化模型；
[0010]采集预设时间段内的所有预设区域的传染病病例数和相邻预设区域之间的人口流动数据，并输入所述传染病预测优化模型，得到每一个预设区域的传染病预测结果。
[0011]在一些实施例中，所述基于至少一个预设区域的地理位置构建图结构包括：
[0012]为每一个预设区域分配作为唯一标识的区域ID，并将所述区域ID作为节点信息以获取多个节点，所述节点与所述预设区域一一对应；
[0013]对于任意一个预设区域，基于地理位置获取所述预设区域的所有相邻预设区域，并绘制无向边连接所述预设区域的节点与每一个相邻预设区域的节点；
[0014]遍历所有预设区域不断在节点之间绘制无向边，当遍历完所有预设区域时，完成图结构的构建。
[0015]在一些实施例中，所述储存历史时间内所述预设区域的传染病病例数以及相邻预设区域之间的人口流动数据，得到训练集，包括：
[0016]采集历史时间内连续T个时间段中每一个预设区域的传染病病例数和相邻预设区域之间的人口流动数据，并按照时间段的先后顺序进行排列得到一条样本数据；
[0017]采集历史时间内所述连续T个时间段的下一个相邻时间段中的每一个预设区域的传染病病例数作为所述样本数据的标签数据；
[0018]将所述样本数据和所述标签数据作为一组样本对；
[0019]按照相同的方法从历史时间内获取多组样本对，并储存所述多组样本对得到训练集。
[0020]在一些实施例中，所述传染病预测初始模型的输入为连续T个时间段中每一个预设区域的传染病病例数和相邻预设区域之间的人口流动数据，输出为每一个预设区域的传染病预测结果，所述预设区域的传染病预测结果为所述连续T个时间段的下一个相邻时间段中所述预设区域的传染病病例数；所述基于所述图结构搭建传染病预测初始模型包括：
[0021]将同一个预设区域在连续T个时间段中的传染病病例数作为所述预设区域的传染病序列数据，所述传染病序列数据与所述预设区域一一对应；
[0022]所述时序处理模块包括多个时序处理层，所述时序处理层与所述预设区域一一对应，所述时序处理层用于对相应的传染病序列数据进行特征提取以获取每一个预设区域的时序特征；
[0023]所述空间关联模块接收所述图结构，并基于所述传染病序列数据和相邻预设区域之间的人口流动数据计算所述图结构中每一个无向边的边权值得到空间关联图结构，所述空间关联图结构中任意一个无向边的边权值表示所述无向边连接的两个预设区域的相关系数；
[0024]所述预测模块用于基于所述空间关联图结构和所述预设区域的时序特征获取每一个预设区域的传染病预测结果。
[0025]在一些实施例中，所述基于所述传染病序列数据和相邻预设区域之间的人口流动数据计算所述图结构中每一个无向边的边权值得到空间关联图结构，包括：
[0026]将同一组相邻预设区域在连续T个时间段中的人口流动数据作为所述相邻预设区域的人口流动序列数据，所述人口流动序列数据与所述图结构中的无向边一一对应；
[0027]对于所述图结构中任意一个无向边，所述无向边的边权值满足关系式：
[0028]e
i,j
＝a([((W1h
i
)||(W1h
j
))
·
(W2b
ij
)])
[0029]其中，a,W1,W2为所述空间关联模块20的可训练参数，h
i
和h
j
分别为预设区域i和预设区域j的传染病序列数据，(W1h
i
)||(W1h
j
)表示将向量(W1h
i
)和向量(W1h
j
)进行拼接，b
ij
为相邻预设区域i和j之间无向边的人口流动序列数据，e
i,j
表示相邻预设区域i和j之间无向边的边权值；
[0030]遍历所述图结构中所有无向边以获取每一条无向边的边权值，并将每一个无向边的边权值写入所述图结构中，得到空间关联图结构。
[0031]在一些实施例中，所述基于所述空间关联图结构和所述预设区域的时序特征获取每一个预设区域的传染病预测结果包括：
[0032]将所述空间关联图结构中的任意一个节点作为目标节点；
[0033]储存与所述目标节点相连的所有无向边的边权值得到所述目标节点的边权值集合；
[0034]基于所述边权值集合计算所述目标节点的表征向量，所述目标节点的表征向量满足关系式：
[0035][0036]其中，N
m
表示所述边权值集合中所有的边权值，e
mk
表示所述边权值集合中所述目标节点m与节点k的边权值，v
k
为节点k对应的预设区域的时序特征，LeakyReLU()为激活函数，e表示所述边权值集合中任意一个边权值；v
m
为目标节点对应的预设区域的时序特征，为所述目标节点的表征向量；
[0037]将所述目标节点的表征向量输入所述预测模块中的预测层以输出所述目标节点对应的预设区域的传染病预测结果；
[0038]遍历所述空间关联图结构中所有节点以输出每一个预设区域的传染病预测结果。
[0039]在一些实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的传染病预测方法，其特征在于，所述方法包括：基于至少一个预设区域的地理位置构建图结构；储存历史时间内所述预设区域的传染病病例数以及相邻预设区域之间的人口流动数据，得到训练集；基于所述图结构搭建传染病预测初始模型，所述传染病预测初始模型包括空间关联模块、时序处理模块和预测模块；基于所述训练集训练所述传染病预测初始模型得到传染病预测优化模型；采集预设时间段内的所有预设区域的传染病病例数和相邻预设区域之间的人口流动数据，并输入所述传染病预测优化模型，得到每一个预设区域的传染病预测结果。2.如权利要求1所述的基于人工智能的传染病预测方法，其特征在于，所述基于至少一个预设区域的地理位置构建图结构包括：为每一个预设区域分配作为唯一标识的区域ID，并将所述区域ID作为节点信息以获取多个节点，所述节点与所述预设区域一一对应；对于任意一个预设区域，基于地理位置获取所述预设区域的所有相邻预设区域，并绘制无向边连接所述预设区域的节点与每一个相邻预设区域的节点；遍历所有预设区域不断在节点之间绘制无向边，当遍历完所有预设区域时，完成图结构的构建。3.如权利要求1所述的基于人工智能的传染病预测方法，其特征在于，所述储存历史时间内所述预设区域的传染病病例数以及相邻预设区域之间的人口流动数据，得到训练集，包括：采集历史时间内连续T个时间段中每一个预设区域的传染病病例数和相邻预设区域之间的人口流动数据，并按照时间段的先后顺序进行排列得到一条样本数据；采集历史时间内所述连续T个时间段的下一个相邻时间段中的每一个预设区域的传染病病例数作为所述样本数据的标签数据；将所述样本数据和所述标签数据作为一组样本对；按照相同的方法从历史时间内获取多组样本对，并储存所述多组样本对得到训练集。4.如权利要求1所述的基于人工智能的传染病预测方法，其特征在于，所述传染病预测初始模型的输入为连续T个时间段中每一个预设区域的传染病病例数和相邻预设区域之间的人口流动数据，输出为每一个预设区域的传染病预测结果，所述预设区域的传染病预测结果为所述连续T个时间段的下一个相邻时间段中所述预设区域的传染病病例数；所述基于所述图结构搭建传染病预测初始模型包括：将同一个预设区域在连续T个时间段中的传染病病例数作为所述预设区域的传染病序列数据，所述传染病序列数据与所述预设区域一一对应；所述时序处理模块包括多个时序处理层，所述时序处理层与所述预设区域一一对应，所述时序处理层用于对相应的传染病序列数据进行特征提取以获取每一个预设区域的时序特征；所述空间关联模块接收所述图结构，并基于所述传染病序列数据和相邻预设区域之间的人口流动数据计算所述图结构中每一个无向边的边权值得到空间关联图结构，所述空间关联图结构中任意一个无向边的边权值表示所述无向边连接的两个预设区域的相关系数；
所述预测模块用于基于所述空间关联图结构和所述预设区域的时序特征获取每一个预设区域的传染病预测结果。5.如权利要求4所述的基于人工智能的传染病预测方法，其特征在于，所述基于所述传染病序列数据和相邻预设区域之间的人口流动数据计算所述图结构中每一个无向边的边权值得到空间关联图结构，包括：将同一组相邻预设区域在连续T个时间段中的人口流动数据作为所述相邻预设区域的人口流动序列数据，所述人口流动序列数据与所述图结构中的无向边一一对应；对于所述图结构中任意一个无向边，所述无向边的边权值满足关系式：e
i,j
＝a([((W1h
i
)||(W1h
j
))
·
(W2b
ij
)])其中，a,W1,W2为所述空间关联模块20的可训练参数，h
i
和h
j
分别为预设区域i和预设区域j的传染病序列数据，(W1h...

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