面向POI的突发公共卫生事件重点区域预测方法及系统技术方案

本发明专利技术公开了一种面向POI的突发公共卫生事件重点区域预测方法及系统，首先对待测城市的细粒度区域进行预测信息的收集与统计，并利用预测信息进行传染病模型构建，进行公共卫生事件演变规律的挖掘；针对演变规律，搭建公共卫生事件不可观测信息重建网络；以24小时为单位，构建以细粒度区域为节点的人口流动异质有向多图，基于异质有向图的特点，在空间上捕捉每个人口流动图内各区域间与关联区域的信息，得到每个人口流动图的空间嵌入表示；再根据24张人口流动图的时序关系，在时间维度进行各节点的信息融合，得到最终的城市细粒度区域嵌入表示，将其输入城市重点区域识别网络，得到各个细粒度区域潜在的风险等级，实现风险预测。实现风险预测。实现风险预测。

【技术实现步骤摘要】
面向POI的突发公共卫生事件重点区域预测方法及系统


[0001]本专利技术属于计算机智能计算与运用的
，主要涉及了一种面向POI的突发公共卫生事件重点区域预测方法及系统。

技术介绍

[0002]突发公共卫生事件是指突然发生，造成或者可能造成社会公众健康严重损害的重大传染病疫情、群体性不明原因疾病、重大食物和职业中毒以及其他严重影响公众健康的事件，对突发公共卫生事件的演变情况的掌握是后续进行有效决策的重要基础，根据公共卫生事件的传播性特点，使用传染病模型对事件进行建模并预测是一种主流的研究方法。现有的关于公共卫生事件的事件演变的预测研究，通常使用大量的数据，构建优良的神经网络去拟合传染病模型，以此挖掘事件数据中隐含的关于事件演化的机理与规律，并预测后续时间的事件演变情形，并以此为基础进行后续的决策。但使用数据直接拟合的模型，通常受真实数据滞后性的影响，且没有考虑公共卫生事件中不可观测信息在每个时间步下的直接影响，对于精确的城市内细粒度重点区域(POI/AOI)识别存在着不足。
[0003]另一方面，在突发公共卫生事件中，人群的移动性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向POI的突发公共卫生事件重点区域预测方法，其特征在于，包括如下步骤:S1：确定待预测城市的范围，将城市范围划分为多个细粒度区域，并基于细粒度区域进行预测信息的收集与统计；所述预测信息至少包括城市粒度公共卫生事件可观测信息、区域粒度公共卫生事件可观测信息和区域间人口流动数据；S2：基于城市粒度公共卫生事件可观测信息，进行传染病模型构建；所述传染病模型包含不同状态的人群，并由微分方程组成，每一条微分方程表示人群在每个时间步下的状态变化概率，传染病模型用于不同状态人群之间状态转移概率的构建，根据城市粒度公共卫生事件可观测信息拟合的传染病模型挖掘公共卫生事件演变规律；S3：针对步骤S2获得的公共卫生事件演变规律，搭建公共卫生事件不可观测信息重建网络，所述信息重建网络由门控循环神经网络构成，基于区域粒度公共卫生事件的可观测信息，通过门控循环神经网络对可观测信息时序上的特征进行捕捉，输出区域粒度公共卫生事件下的不可观测信息，所述不可观测信息包括区域粒度未隔离的潜伏期病例数和确诊病例数；S4：基于区域间人口流动数据、区域人口信息和区域类别信息，结合步骤S1和步骤S3中的区域粒度公共卫生事件信息，以小时为单位将一天时间进行划分，构建以区域作为节点，以人口流动作为边的24小时人口流动异质有向多图；S5：根据步骤S4获得的人口流动异质有向多图，基于所构建的异质有向图的特点，选取合理的元路径，一种元路径代表图中一种人口流动模式，在空间上捕捉各小时人口流动图内每个区域与其关联区域的信息，得到各小时人口流动图区域节点的空间嵌入表示；S6：根据24张人口流动图的时序关系，在时间维度进行各节点的信息融合，得到最终的城市细粒度区域嵌入表示；S7：构建城市重点区域识别网络，通过该网络将区域节点嵌入表示映射至各区域风险程度；城市重点区域识别网络为一个多层神经网络，包含输入层，隐藏层和输出层；输入层将步骤S6得到的区域嵌入表示输入该网络；隐藏层有多层全连接层组成，逐层提取特征；输出层最终输出各个区域潜在的风险等级，实现风险预测。2.如权利要求1所述的面向POI的突发公共卫生事件重点区域预测方法，其特征在于：所述步骤S1中，预测信息还至少包括城市粒度公共卫生事件可观测信息、区域粒度公共卫生事件可观测信息、区域人口信息、区域间人口流动数据和区域类别信息，其中，所述城市粒度公共卫生事件可观测信息：至少包括一个城市范围内总的每天的可观测的确诊病例数据、潜伏期病例数据、死亡病例数据和康复病例数据；所述区域粒度公共卫生事件可观测信息：至少包括城市范围内各细粒度区域每天的可观测的确诊病例数据、潜伏期病例数据；所述区域人口信息：包括城市范围内各细粒度区域每天的人流量数据；所述区域间人口流动数据：包括城市范围内各细粒度区域之间一天各小时的人口流动数据，且为一个区域至另一个区域的有向人口流动；所述区域类别信息：包括城市范围内各细粒度区域属于AOI区域或POI区域的类别划分。3.如权利要求2所述的面向POI的突发公共卫生事件重点区域预测方法，其特征在于：所述步骤S2中的传染病模型包含多种不同状态的人群，具体包括易感者、潜伏者、患病者、
隔离潜伏者、隔离患病者、康复者和死亡者共七类人群，传染病模型通过多条微分方程构建了七类人群转化的规律，每条微分方程代表了每类人群由其他人群转化的概率；微分方程中包括有潜伏者和患病者传染易感者的概率β
E
和β
I
、潜伏者转化为发病者的概率δ、潜伏者和患病者被检测隔离的概率γ
E
和γ
I
、及患病者康复概率μ等参数，通过步骤S1中统计收集的城市粒度公共卫生事件可观测信息对以上参数进行拟合，得到公共卫生事件演变规律。4.如权利要求2或3所述的面向POI的突发公共卫生事件重点区域预测方法，其特征在于：所述步骤S3中,信息重建网络接收区域粒度公共卫生事件可观测信息，可观测的确诊病例数据、潜伏期病例数据在传染病模型中分别对应隔离患病者和隔离潜伏者，经过放缩模块进行数据放缩；将数据结合步骤S2中获得的传染病模型演变规律，即潜伏者和患病者转化为隔离潜伏者和隔离患病者，分别输入至两个门控循环神经网络框架的分支中，分别对各个区域每日的潜伏者和患病者的数量信息进行重建；所述门控循环神经网络框架的每一条分支，是研究区域数个门控循环单元的串行拼接，并在末尾处，拼接一个全连接层，将循环神经网络隐藏状态映射至需要重建的两类人群的数据，即...

【专利技术属性】
技术研发人员：王帅，胡世杰，林丽，夏凯文，梅洛瑜，
申请(专利权)人：东南大学，
类型：发明
国别省市：