事件传播情况的预测方法、装置、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事件传播情况的预测方法、装置、设备及存储介质，涉及人工智能技术领域。所述方法包括：获取目标区域内的多个子区域在至少一个历史时间点分别对应的属性特征，以及在至少一个历史时间点多个子区域之间对应于事件的聚集性特征；基于多个子区域在至少一个历史时间点分别对应的属性特征，以及在至少一个历史时间点多个子区域之间对应于事件的聚集性特征，生成多个子区域中的目标子区域在至少一个历史时间点分别对应的向量表示；基于目标子区域在至少一个历史时间点分别对应的向量表示，确定在未来时间点，事件在目标子区域中的聚集性预测结果。采用本申请实施例提供的技术方案，能够提升事件聚集性预测结果的准确性。结果的准确性。结果的准确性。

【技术实现步骤摘要】
事件传播情况的预测方法、装置、设备及存储介质


[0001]本申请实施例涉及人工智能
，特别涉及一种事件传播情况的预测方法、装置、设备及存储介质。

技术介绍

[0002]传染病是指在人与人、或人与动物之间具有传播性的疾病。
[0003]在相关技术中，基于传染病的患者数量以及分布情况，通过数学拟合公式计算出未来时间点该传染病的预测患者数量，考虑的因素较为单一，从而导致预测结果不够准确。

技术实现思路

[0004]本申请实施例提供了一种事件传播情况的预测方法、装置、设备及存储介质，能够提升事件预测结果的准确性。所述技术方案如下：
[0005]根据本申请实施例的一个方面，提供了一种事件传播情况的预测方法，所述方法包括：
[0006]获取目标区域内的多个子区域在至少一个历史时间点分别对应的属性特征，以及在所述至少一个历史时间点所述多个子区域之间对应于事件的聚集性特征，所述聚集性特征用于指示所述事件在两个子区域之间传播的扩散度；
[0007]基于所述多个子区域在至少一个历史时间点分别对应的属性特征，以及本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种事件传播情况的预测方法，其特征在于，所述方法包括：获取目标区域内的多个子区域在至少一个历史时间点分别对应的属性特征，以及在所述至少一个历史时间点所述多个子区域之间对应于事件的聚集性特征，所述聚集性特征用于指示所述事件在两个子区域之间传播的扩散度；基于所述多个子区域在至少一个历史时间点分别对应的属性特征，以及在所述至少一个历史时间点所述多个子区域之间对应于事件的聚集性特征，生成所述多个子区域中的目标子区域在所述至少一个历史时间点分别对应的向量表示；基于所述目标子区域在所述至少一个历史时间点分别对应的向量表示，确定在未来时间点，所述事件在所述目标子区域中的聚集性预测结果；其中，所述聚集性预测结果用于指示所述事件对应的预估扩散度。2.根据权利要求1所述的方法，其特征在于，所述基于所述多个子区域在至少一个历史时间点分别对应的属性特征，以及在所述至少一个历史时间点所述多个子区域之间对应于事件的聚集性特征，生成所述多个子区域中的目标子区域在所述至少一个历史时间点分别对应的向量表示，包括：基于在所述至少一个历史时间点所述多个子区域之间对应于事件的聚集性特征，以所述子区域为节点，构建所述目标区域在各个所述历史时间点分别对应的区域图谱的拓扑结构；其中，所述区域图谱中连接两个节点的边，表示所述两个节点对应的子区域之间存在所述聚集性特征；基于所述多个子区域在所述至少一个历史时间点分别对应的属性特征，生成所述多个子区域在所述至少一个历史时间点分别对应的属性向量；采用图神经网络模型学习所述区域图谱的拓扑结构以及所述多个子区域在所述至少一个历史时间点分别对应的属性向量，生成所述目标子区域在所述至少一个历史时间点分别对应的向量表示。3.根据权利要求2所述的方法，其特征在于，所述图神经网络模型包括第一图神经网络和第二图神经网络；所述采用图神经网络模型学习所述区域图谱的拓扑结构以及所述多个子区域在所述至少一个历史时间点分别对应的属性向量，生成所述目标子区域在所述至少一个历史时间点分别对应的向量表示，包括：将所述区域图谱的拓扑结构输入所述第一图神经网络，并将所述多个子区域在所述至少一个历史时间点分别对应的属性向量输入所述第二图神经网络；基于所述第一图神经网络和所述第二图神经网络分别输出的向量表示，计算所述第一图神经网络和所述第二图神经网络分别对应的近似损失，以及所述第一图神经网络和所述第二图神经网络之间的一致与互补性损失；其中，所述近似损失用于表示相邻节点对应的向量表示之间的相似性，所述一致与互补性损失用于表示所述第一图神经网络和所述第二图神经网络对于相同节点对应的向量表示的一致性与互补性；基于所述第一图神经网络和所述第二图神经网络分别对应的近似损失，以及所述第一图神经网络和所述第二图神经网络之间的一致与互补性损失，计算所述图神经网络模型的总损失；根据所述总损失调整所述图神经网络模型的参数；
在所述总损失满足条件的情况下，将所述第一图神经网络和所述第二图神经网络分别输出的向量表示进行融合，生成所述目标子区域在所述至少一个历史时间点分别对应的向量表示。4.根据权利要求3所述的方法，其特征在于，所述近似损失包括一阶近似性损失、高阶近似性损失以及语义近似性损失；所述第一图神经网络输出的向量表示包括各个所述节点的拓扑结构的向量表示以及各个所述节点的邻接矩阵；所述第二图神经网络输出的向量表示包括各个所述节点的属性向量表示；所述基于所述第一图神经网络和所述第二图神经网络分别输出的向量表示，计算所述第一图神经网络和所述第二图神经网络分别对应的近似损失，包括：基于所述第一图神经网络输出的向量表示中相邻节点的拓扑结构的向量表示，计算所述第一图神经网络的一阶近似性损失；基于所述第一图神经网络输出的向量表示中相邻节点的邻接矩阵，计算所述第一图神经网络的高阶近似性损失；按照所述第一图神经网络的一阶近似性损失和高阶近似性损失，计算所述第一图神经网络的近似损失；基于所述第二图神经网络输出的向量表示中相邻节点的属性向量表示，计算所述第二图神经网络的一阶近似性损失和语义近似性损失；按照所述第二图神经网络的一阶近似性损失和语义近似性损失，计算所述第二图神经网络的近似损失。5.根...

【专利技术属性】
技术研发人员：王硕佳，刘亚飞，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：