【技術實現步驟摘要】
本專利技術涉及流行病預測的，尤其涉及一種基于深度學習的流行病混頻數據預測的方法。
技術介紹
1、現有技術中，基于統計學方法的預測模型主要用于傳染病的單步或短期趨勢預測、基于機器學習和深度學習的模型預測以及這些技術的各種組合模型，在多個流行病預測研究場景中展現了卓越的成效。然而，這些方法還存在不足，需要進一步的優化與發展。首先，多步預測的解決方案普遍是采用迭代預測方法，即將每次單步預測所得的預測值加入已有序列，然后使用新序列開啟一次新的單步預測，重復多次獲得長期預測結果。此方案的缺陷是無法通過一次預測任務得到多個時間步的預測結果，而自然語言處理領域的序列生成模型為實現“一步式”的多步預測提供啟發。其次，從數據角度看，流行病影響因素的數據通常頻率不一，如地區天氣數據是按日計算，而發病率按周、地區經濟指標按月、人口指標按年度來統計；盡管國內外有相關研究，但關于流行病的多維混頻數據預測分析方面的研究仍顯不足。
技術實現思路
1、本專利技術的目的在于提供一種基于深度學習的流行病混頻數據預測的方法，旨在提高流行病趨勢預測的準確性和效率。
2、為解決上述技術問題，提供一種基于深度學習的流行病混頻數據預測的方法，包括以下步驟：
3、s1、獲取歷史疫情數據、實時監控數據、人口統計數據，并通過信息融合將不同頻率的數據關聯得到混頻數據；
4、s2、根據所述混頻數據最優滯后階數和采樣時間間隔確定滑動窗口的大小，并在滑動窗口初始化時確定每個采樣頻率的數據在窗口內的數據長度
5、s3、通過lstm網絡分別學習各個頻率數據的時序依賴特征并獲得混頻數據嵌入向量；
6、s4、通過相同數量卷積核的cnn網絡在時間維度上自適應地提取或擴充時序特性，其中，所述cnn網絡將所述混頻數據統一成相同的數據長度并融合得到融合特征，以使所述混頻數據的特征層信息融合；
7、s5、通過時間屬性注意力機制從所述融合特征中學習注意力向量，并獲得時間和屬性特征上下文向量，其中，所述注意力機制自適應地挖掘所述融合特征中的重要特征；
8、s6、所述混頻數據嵌入向量、時間和屬性特征上下文向量通過全連接層輸出獲得預測值。
9、進一步地，所述時間屬性注意力機制是一種二維的注意力機制，分別從時間和屬性兩個維度來提取信息，以使所述時間屬性注意力機制產生兩條上下文相關向量。
10、進一步地，所述混頻數據需要經過數據處理，所述數據處理包括先后進行數據預處理和數據序列平穩化。
11、進一步地，所述數據預處理包括數據清洗、缺失值處理和異常值檢測。
12、進一步地，所述數據序列平穩化包括差分和確定性去趨勢。
13、進一步地，對所述數據序列平穩化進行檢測，通過adf和kpss檢驗數據序列平穩化，當adf測試數據序列結果是平穩的，而kpss測試數據序列結果是非平穩的，則時間序列是差分平穩的-對時間序列應用差分，并再次檢查平穩；當adf檢驗結果是非平穩性的，而kpss檢驗結果是平穩性的，則該時間序列為趨勢平穩，需要確定性去趨勢，并再次檢查平穩性。
14、進一步地，步驟s2中，所述根據區域的地理分布圖及其相鄰信息構建城市網絡具體包括，首先是根據地理分布圖的定義，將被監測地區的區域網絡表示為一個無向圖g＝(v,e,w)，其中,每個節點代表一個區域，而每個邊代表兩個區域之間的鄰接關系；表示m個頂點的集合、表示網絡中n條邊的集合，每條邊的關系可以由兩個頂點(vi,vj)來表示；w表示一個m*m的空間權重矩陣，即頂點vi,vj鄰接，則wij被賦值為1，否則其被賦值為0；將每一地區的流行病相關混頻時序數據同頻化，形成多組同頻時間序列數據，其結構為st＝{s1,s2,...,st}；將數據與區域網絡結合，構建出一組隨時間變化的動態傳染病區域網絡圖。
15、進一步地，所述動態傳染病區域網絡包括時空數據處理、多通道融合學習和網絡增強連接策略。
16、實施本專利技術實施例，將具有如下有益效果：
17、1、本實施例中的基于深度學習的流行病混頻數據預測的方法，通過對混頻數據的處理，提高流行病預測的準確性和及時性利用深度學習模型處理復雜數據，可以有效提高對流行病爆發和傳播趨勢的預測準確性和及時性，為公共衛生決策提供科學依據；
18、2、本實施例中的基于深度學習的流行病混頻數據預測的方法，通過強化流行病應對策略的科學性準確的疫情預測可以幫助政府和衛生部門制定更為有效的疫情防控措施，合理調配醫療資源，減輕公共衛生系統的壓力。
19、3、本實施例中的基于深度學習的流行病混頻數據預測的方法，推動人工智能技術在醫療衛生領域的應用，通過深入研究基于深度學習的流行病預測模型，可以推動人工智能技術在流行病學、疾病預防控制等醫療衛生領域的廣泛應用，提高醫療衛生服務的智能化水平。
20、4、本實施例中的基于深度學習的流行病混頻數據預測的方法，為全球流行病預警提供技術支持在全球化背景下，流行病往往迅速跨國界傳播，基于深度學習的流行病預測模型，有助于全球衛生組織及時準確地監測和預警跨國傳染病，提高全球應對流行病的協調性和效率。
21、5、本實施例中的基于深度學習的流行病混頻數據預測的方法，促進相關學科的交叉融合深度學習技術與流行病學的結合，不僅能推動公共衛生學科的發展，還能促進計算機科學、數據科學等相關領域的交叉融合和創新。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習的流行病混頻數據預測的方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的流行病混頻數據預測的方法，其特征在于，所述時間屬性注意力機制是一種二維的注意力機制，分別從時間和屬性兩個維度來提取信息，以使所述時間屬性注意力機制產生兩條上下文相關向量。
3.根據權利要求1所述的基于深度學習的流行病混頻數據預測的方法，其特征在于，所述混頻數據需要經過數據處理，所述數據處理包括先后進行數據預處理和數據序列平穩化。
4.根據權利要求3所述的基于深度學習的流行病混頻數據預測的方法，其特征在于，所述數據預處理包括數據清洗、缺失值處理和異常值檢測。
5.根據權利要求3所述的基于深度學習的流行病混頻數據預測的方法，其特征在于，所述數據序列平穩化包括差分和確定性去趨勢。
6.根據權利要求5所述的基于深度學習的流行病混頻數據預測的方法，其特征在于，對所述數據序列平穩化進行檢測，通過ADF和KPSS檢驗數據序列平穩化，當ADF測試數據序列結果是平穩的，而KPSS測試數據序列結果是非平穩的，則時間序列是差分平穩
7.根據權利要求1所述的基于深度學習的流行病混頻數據預測的方法，其特征在于，步驟S2中，所述根據區域的地理分布圖及其相鄰信息構建城市網絡具體包括，首先是根據地理分布圖的定義，將被監測地區的區域網絡表示為一個無向圖G＝(V,E,W)，其中,每個節點代表一個區域，而每個邊代表兩個區域之間的鄰接關系；表示M個頂點的集合、表示網絡中N條邊的集合，每條邊的關系可以由兩個頂點(vi,vj)來表示；W表示一個M*M的空間權重矩陣，即頂點vi,vj鄰接，則Wij被賦值為1，否則其被賦值為0；將每一地區的流行病相關混頻時序數據同頻化，形成多組同頻時間序列數據，其結構為St＝{s1,s2,...,st}；將數據與區域網絡結合，構建出一組隨時間變化的動態傳染病區域網絡圖。
8.根據權利要求7所述的基于深度學習的流行病混頻數據預測的方法，其特征在于，所述動態傳染病區域網絡包括時空數據處理、多通道融合學習和網絡增強連接策略。
...【技術特征摘要】
1.一種基于深度學習的流行病混頻數據預測的方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的流行病混頻數據預測的方法，其特征在于，所述時間屬性注意力機制是一種二維的注意力機制，分別從時間和屬性兩個維度來提取信息，以使所述時間屬性注意力機制產生兩條上下文相關向量。
3.根據權利要求1所述的基于深度學習的流行病混頻數據預測的方法，其特征在于，所述混頻數據需要經過數據處理，所述數據處理包括先后進行數據預處理和數據序列平穩化。
4.根據權利要求3所述的基于深度學習的流行病混頻數據預測的方法，其特征在于，所述數據預處理包括數據清洗、缺失值處理和異常值檢測。
5.根據權利要求3所述的基于深度學習的流行病混頻數據預測的方法，其特征在于，所述數據序列平穩化包括差分和確定性去趨勢。
6.根據權利要求5所述的基于深度學習的流行病混頻數據預測的方法，其特征在于，對所述數據序列平穩化進行檢測，通過adf和kpss檢驗數據序列平穩化，當adf測試數據序列結果是平穩的，而kpss測試數據序列結果是非平穩的，則時間序列是差分平穩的...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。