基于多源数据的传染病空间预测方法、装置、设备及介质
文献发布时间:2024-01-17 01:19:37
【技术领域】
本申请涉及机器学习、神经网络技术领域,尤其涉及一种基于多源数据的传染病空间预测方法、装置、设备及介质。
【背景技术】
传染病是由各种病原体引起的能在人与人、动物与动物或人与动物之间经过各种途径相互传播的一类疾病。我国目前共有40种法定传染病,并且其分为甲、乙、丙3类。甲类法定传染病,包括鼠疫、霍乱;乙类法定传染病,例如布鲁氏菌病、艾滋病等;丙类法定传染病,例如手足口病、感染性腹泻病、流行性感冒等。爆发传染病通常会造成严重的公共卫生安全风险事件。这不但给人们的健康和生命带来了威胁,还会对经济社会生活产生巨大的冲击。
传染病预警是指,采用专业的预警分析技术,对监测数据进行分析,从而尽早识别出传染病的异常增长。传染病空间预警是指在对传染病相关的报告数据在空间维度上探测异常的增长。现有的传染病空间预警方法往往是基于单一的数据源进行预警。然而,仅仅应用单一的数据源进行预警的效果有限,准确率较低。
【发明内容】
本申请实施例提供了一种基于多源数据的传染病空间预测方法、装置、设备及介质,旨在解决相关技术中应用单一的数据源进行传染病预警的效果有限,准确率较低的技术问题。
第一方面,本申请实施例提供了一种基于多源数据的传染病空间预测方法,包括:
获取目标地理空间区域内目标传染病对应的多种来源的病例数据信息,其中,所述病例数据信息中包括病例信息和地址信息;
根据每种来源的病例数据信息,生成对应的预设行列的二维矩阵;
将每种来源的病例数据信息对应的二维矩阵输入至预先训练的传染病空间预警模型,以输出所述目标地理空间区域内各个子区域对应的传染病风险概率;
根据各个子区域对应的传染病风险概率,确定是否输出对应的空间预警信息。
第二方面,本申请实施例提供了一种基于多源数据的传染病空间预测装置,包括:
获取模块,用于获取目标地理空间区域内目标传染病对应的多种来源的病例数据信息,其中,所述病例数据信息中包括病例信息和地址信息;
生成模块,用于根据每种来源的病例数据信息,生成对应的预设行列的二维矩阵;
处理模块,用于将每种来源的病例数据信息对应的二维矩阵输入至预先训练的传染病空间预警模型,以输出所述目标地理空间区域内各个子区域对应的传染病风险概率;
确定模块,用于根据各个子区域对应的传染病风险概率,确定是否输出对应的空间预警信息。
第三方面,提供了一种计算机设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述传染病空间预测方法的步骤。
第四方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述传染病空间预测方法的步骤。
以上基于多源数据的传染病空间预测方法、装置、设备及介质所实现的方案中,可以获取目标地理空间区域内目标传染病对应的多种来源的病例数据信息,病例数据信息中包括病例信息和地址信息;根据每种来源的病例数据信息,生成对应的预设行列的二维矩阵;将每种来源的病例数据信息对应的二维矩阵输入至预先训练的传染病空间预警模型,以输出目标地理空间区域内各个子区域对应的传染病风险概率;根据各个子区域对应的传染病风险概率,确定是否输出对应的空间预警信息。在本发明中,提出的基于多源数据的传染病空间预警方法,能够在多源数据的基础上通过深度学习网络技术学习到复杂的多源数据的空间异常增长的模式,提升了传染病预警的准确度。同时,针对不同种类的传染病,都可以应用该方法给予多源数据建立模型进行传染病的空间预警,应用十分广泛。
【附图说明】
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1示出了根据本申请的一个实施例的基于多源数据的传染病空间预测方法的示意流程图。
图2示出了根据本申请的另一个实施例的基于多源数据的传染病空间预测方法的示意流程图。
图3示出了根据本申请的一个实施例的基于多源数据的传染病空间预测装置的框图。
图4示出了根据本申请的一个实施例的计算机设备的框图。
【具体实施方式】
为了更好的理解本申请的技术方案,下面结合附图对本申请实施例进行详细描述。
应当明确,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作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
为了实现基于多源数据的传染病的空间预测,提升传染病预警的准确度,本申请提出了一种基于多源数据的传染病空间预测方法、装置、设备及介质。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
传染病预警是指采用专业的预警分析技术,对监测数据进行分析,从而尽早识别出传染病的异常增长,并进行预警。传染病空间预警是指对传染病相关的报告数据在空间维度上探测异常的增长。
需要说明的是,本申请实施例中的传染病是由各种病原体引起的能在人与人、动物与动物或人与动物之间相互传播的一类疾病,尤其是防疫部门必须及时掌握其发病情况,及时采取对策,因此发现后应按规定时间及时向当地防疫部门报告的疾病。
还需要说明的是,本申请实施例可以基于人工智能技术对相关的数据进行获取和处理,比如,从医疗机构以及传染病保卡等数据中获取多种来源的病例数据等。其中,人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
请参阅图1,图1示出了根据本申请的一个实施例的基于多源数据的传染病空间预测方法的示意流程图。该基于多源数据的传染病空间预测方法用于快速准确地预测各个区域发生传染病的风险概率,其中,该传染病空间预测方法利用了卷积神经网络模型,并对其进行了改进。
如图1所示,根据本申请的一个实施例的基于多源数据的传染病空间预测方法的流程包括:
步骤S101,获取目标地理空间区域内目标传染病对应的多种来源的病例数据信息,其中,所述病例数据信息中包括病例信息和地址信息;
由于传染病的传染特点,因此,传染病的分布主要跟地域存在很大关系,因此,在进行传染病的空间预测时,需要考虑地理空间和地址等信息。
多种来源的病例数据是与目标传染病预警相关的,多种数据来源的数据。例如,传染病报卡数据、医疗机构中传染病相关的症状、检验检查、药品等数据。该多种来源的病例数据可以通过用户的终端设备获取,该终端可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。
示例性的,将某市某区确定为目标地理空间区域,某病毒确定为目标传染病,获取七天之内该市该区关于该病毒的多种来源的病例数据信息。病例数据信息中不但包括病例信息,如病人身份信息,病情信息等,还包括病人的地址信息,如所在的街道,小区,单元等。
步骤S102,根据每种来源的病例数据信息,生成对应的预设行列的二维矩阵;
在一个实施例中,优选地,步骤S102包括:
将所述目标地理空间区域按照经纬度划分为N*N大小的矩阵,并确定每个矩阵对应的地理空间范围;
示例性的,将某市某区确定为目标地理空间区域,按照经纬度划分为N*N个网格,例如,N取1024,从而得到1024*1024大小的矩阵。每个网格对应一个矩阵,网格对应的地理空间范围,即为其对应位置的矩阵的地理空间范围。
按照预设时间单元,对每种来源的所有病例数据信息进行划分,以得到每个预设时间单元内对应的目标病例数据信息;
其中,预设时间单位可以是周、天、小时等,可以根据具体应用场景的不同需求,设置不同的时间单位。例如,以天为预设时间单位,则按照每天对每种来源的所有病例数据信息进行划分,得到每天对应的目标病例数据信息。
将每个目标病例数据信息按照地址信息和每个矩阵对应的地理空间范围,划分至与其对应的目标矩阵;
按照每个目标病例数据信息的地址信息,如具体的经纬度,确定该目标病例数据信息是属于哪个矩阵范围内的,从而将其放入对应的矩阵中,并统计每个矩阵中病例的人数,将其作为该矩阵的数字。
统计每个目标矩阵中的目标传染病的第二病例人数,并将所述第二病例人数作为所述目标矩阵对应的数字,以得到所述二维矩阵。
按照每个目标病例数据信息的地址信息,如具体的经纬度,确定该目标病例数据信息是属于哪个矩阵范围内的,从而将其放入对应的矩阵中,并统计每个矩阵中病例的人数,将其作为该矩阵的数字。如上述示例,这样就得到了N*N二维矩阵,例如,N取1024,从而得到1024*1024二维矩阵。
步骤S103,将每种来源的病例数据信息对应的二维矩阵输入至预先训练的传染病空间预警模型,以输出所述目标地理空间区域内各个子区域对应的传染病风险概率;
在一个实施例中,优选地,所述传染病空间预警模型包括多个通道,其中,通道的数量与所述病例数据信息的来源数量相等,每种来源对应的二维矩阵对应一个通道。
示例性的,有K个数据来源那么就有K个通道,这样,传染病空间预警模型的输入是多源数据,如上述示例,二维矩阵是N*N,对于K个来源的数据,得到K个二维矩阵N*N,则模型的输入矩阵为N*N*K。
在一个实施例中,优选地,所述传染病空间预警模型包括多个卷积层,每个卷积层包括卷积级、探测级和池化级;其中,探测级应用ReLU函数。
如图2所示,所述方法还包括:
步骤S201,获取训练样本集,其中,所述训练样本集包括目标地理空间区域内目标传染病的多种来源的历史病例数据信息和历史空间预警信息;
具体地,历史病例数据信息是传染病预警相关的、多种数据来源的数据。例如传染病报卡历史数据、医疗机构中传染病相关的症状、检验检查、药品等历史数据。假定共有K个来源的数据。一般的,需要最近5年或者10年针对这种传染病的K个来源的历史数据。并且,需要收集这些数据的空间信息,即每个数据源中每个病例的地址信息。
除此之外,在收集的历史预警数据中,包括真实的预警信息,即某天发出的、并且经过确认的对某个区域的预警信息,将这些预警信息整理为是否预警的标签,作为模型输出进行后续模型的训练。
步骤S202,将每种来源的所述历史病例数据信息按照时间、经纬度和病例人数进行处理,生成多个预设行列的历史二维矩阵;
在一个实施例中,优选地,步骤S202包括:
按照经纬度,对所述目标地理空间区域进行划分,生成N*N大小的矩阵,并确定每个矩阵对应的地理空间范围;
示例性的,将某市某区确定为目标地理空间区域,按照经纬度划分为N*N个网格,例如,N取1024,从而得到1024*1024大小的矩阵。每个网格对应一个矩阵,网格对应的地理空间范围,即为其对应位置的矩阵的地理空间范围。
按照预设时间单元,对每种来源的所有历史病例数据信息进行划分,以得到每个预设时间单元内对应的目标历史病例数据信息;
其中,预设时间单位可以是周、天、小时等,可以根据具体应用场景的不同需求,设置不同的时间单位。例如,以天为预设时间单位,则按照每天对每种来源的所有历史病例数据信息进行划分,得到每天对应的目标历史病例数据信息。
将每个目标历史病例数据信息按照地址信息和每个矩阵对应的地理空间范围,划分至与其对应的目标历史矩阵。按照每个目标历史病例数据信息的地址信息,如具体的经纬度,确定该目标历史病例数据信息是属于哪个矩阵范围内的,从而将其放入对应的历史矩阵中,并统计每个历史矩阵中病例的人数,将其作为该矩阵的数字。
统计每个目标历史矩阵中的目标传染病的第一病例人数,并将所述第一病例人数作为所述目标历史矩阵对应的数字,以得到所述历史二维矩阵。
示例性的,在收集到多种来源的历史病例数据信息后,对每个来源的历史病例数据信息,将其转换为二维矩阵来表示。具体的,将预警的地理空间,例如某个城市,按照经纬度划分为N*N个网格,例如N取1024,从而得到1024*1024大小的矩阵。某天(或者其它时间单位,例如小时等)对应一个表示传染病报卡数据(即传染病病例数据)的矩阵,例如对1月10日,将固定时间窗口内,例如7天的传染病报卡数据,即1月4日到1月10日的传染病报卡数据,按照每个报卡数据的地址放入到矩阵中,得到的矩阵中的每个数字表示在这个区域中传染病的报卡病例人数,将得到的N*N历史二维矩阵作为预设卷积神经网络模型的输入。
步骤S203,将每种来源的历史空间预警信息按照时间和经纬度进行处理,生成预设维度的历史向量;
在一个实施例中,优选地,步骤S203包括:
按照预设时间单元,对所有历史空间预警信息进行划分,以得到每个预设时间单元内对应的目标历史空间预警信息;其中,此处的预设时间单元与前述数据划分时候的时间单元是一致的。如果前面进行历史病例数据信息划分时采用的时间单元为每天,则此处的时间单元也为每天。示例性的,对每个来源的历史病例数据信息的每天得到一个二维矩阵表示当前的传染病空间病例信息。则每天对应一个空间预警信息,即当天是否有对某个区域的预警。
将所述目标地理空间区域按照预设空间维度划分成多个子区域。其中,预设空间维度可以是小区、街道、区、县等空间维度。示例性的,预警的空间维度可以是在街道维度进行的,例如有M个街道。
根据历史空间预警信息中的地址信息,将每个预设时间单元内每个目标历史空间预警信息划分至对应的目标子区域。
根据每个子区域中目标历史空间预警信息的存在情况,确定所述预设维度的向量,其中,当子区域中有目标历史空间预警信息时用1表示,当所述子区域中没有目标历史空间预警信息时用0表示。示例性的,如果有M个街道,将每天对应的预警信息转换为一个M维向量,向量中1表示对应街道当天有空间预警信息,0表示对应街道当天没有空间预警信息。将M维向量作为预设卷积神经网络模型的输出。
步骤S204,按照时间,将每种来源的历史二维矩阵作为传染病空间预警模型的输入,预设维度的历史向量作为预设卷积神经网络模型的输出进行模型训练,得到传染病空间预警模型。
将每个来源的病例数据信息的矩阵作为一个通道(channel)。例如有K个来源那么就有K个通道。预设卷积神经网络模型的输入多源数据,表示为N*N*K,预设卷积神经网络模型的输出为M维向量。在网络结构中,设计H个卷积层。每个卷积层包含三个组件,分别是卷积级、探测级、池化级。示例性的,具体的模型结构,可以取N为1024,M为256,H为5,建立基于多源数据的传染病空间预警模型结构。其中探测级应用ReLU函数。
本发明应用深度学习技术中的CNN(Convolutional Neural Networks,卷积神经网络)技术,并针对多源数据的空间预警场景对CNN网络技术进行改进和应用,从而实现在多源数据的基础上通过深度学习网络技术学习到复杂的多源数据的空间异常增长的模式,提升了传染病预警的准确度。
步骤S104,根据各个子区域对应的传染病风险概率,确定是否输出对应的空间预警信息。
相较于单一数据源进行空间预警,本发明提出的基于多源数据的传染病空间预警方法,能够在多源数据的基础上通过深度学习网络技术学习到复杂的多源数据的空间异常增长的模式,提升了传染病预警的准确度。
在一个实施例中,优选地,步骤S104包括:
获取所述目标传染病的预设风险阈值;
响应于子区域对应的传染病风险概率大于所述预设风险阈值,确定该子区域为高风险区域,输出对应的空间预警信息;
响应于子区域对应的传染病风险概率小于或等于所述预设风险阈值,确定该子区域为低风险区域,不输出对应的空间预警信息。
其中,可以根据实际情况和需要设置预设风险阈值。将模型输出的风险概率超过预设风险阈值的子区域作为高风险区域,从而进行空间维度的传染病风险预警。
图3示出了根据本申请的一个实施例的基于多源数据的传染病空间预测装置的框图。
如图3所示,第二方面,本申请实施例提供了一种基于多源数据的传染病空间预测装置30,包括:
获取模块31,用于获取目标地理空间区域内目标传染病对应的多种来源的病例数据信息,其中,所述病例数据信息中包括病例信息和地址信息;
生成模块32,用于根据每种来源的病例数据信息,生成对应的预设行列的二维矩阵;
处理模块33,用于将每种来源的病例数据信息对应的二维矩阵输入至预先训练的传染病空间预警模型,以输出所述目标地理空间区域内各个子区域对应的传染病风险概率;
确定模块34,用于根据各个子区域对应的传染病风险概率,确定是否输出对应的空间预警信息。
所述传染病空间预警模型包括多个通道,其中,通道的数量与所述病例数据信息的来源数量相等,每种来源对应的二维矩阵对应一个通道。
在一个实施例中,优选地,所述传染病空间预警模型包括多个卷积层,每个卷积层包括卷积级、探测级和池化级;
所述装置还包括:
样本获取模块,用于获取训练样本集,其中,所述训练样本集包括目标地理空间区域内目标传染病的多种来源的历史病例数据信息和历史空间预警信息;
矩阵生成模块,用于将每种来源的所述历史病例数据信息按照时间、经纬度和病例人数进行处理,生成多个预设行列的历史二维矩阵;
向量生成模块,用于将每种来源的历史空间预警信息按照时间和经纬度进行处理,生成预设维度的历史向量;
训练模块,用于按照时间,将每种来源的历史二维矩阵作为传染病空间预警模型的输入,预设维度的历史向量作为预设卷积神经网络模型的输出进行模型训练,得到传染病空间预警模型。
在一个实施例中,优选地,矩阵生成模块用于:
按照经纬度,对所述目标地理空间区域进行划分,生成N*N大小的矩阵,并确定每个矩阵对应的地理空间范围;
按照预设时间单元,对每种来源的所有历史病例数据信息进行划分,以得到每个预设时间单元内对应的目标历史病例数据信息;
将每个目标历史病例数据信息按照地址信息和每个矩阵对应的地理空间范围,划分至与其对应的目标历史矩阵;
统计每个目标历史矩阵中的目标传染病的第一病例人数,并将所述第一病例人数作为所述目标历史矩阵对应的数字,以得到所述历史二维矩阵。
在一个实施例中,优选地,向量生成模块用于:
按照预设时间单元,对所有历史空间预警信息进行划分,以得到每个预设时间单元内对应的目标历史空间预警信息;
将所述目标地理空间区域按照预设空间维度划分成多个子区域;
根据历史空间预警信息中的地址信息,将每个预设时间单元内每个目标历史空间预警信息划分至对应的目标子区域;
根据每个子区域中目标历史空间预警信息的存在情况,确定所述预设维度的向量,其中,当子区域中有目标历史空间预警信息时用1表示,当所述子区域中没有目标历史空间预警信息时用0表示。
在一个实施例中,优选地,生成模块用于:
将所述目标地理空间区域按照经纬度划分为N*N大小的矩阵,并确定每个矩阵对应的地理空间范围;
按照预设时间单元,对每种来源的所有病例数据信息进行划分,以得到每个预设时间单元内对应的目标病例数据信息;
将每个目标病例数据信息按照地址信息和每个矩阵对应的地理空间范围,划分至与其对应的目标矩阵;
统计每个目标矩阵中的目标传染病的第二病例人数,并将所述第二病例人数作为所述目标矩阵对应的数字,以得到所述二维矩阵。
在一个实施例中,优选地,确定模块用于:
获取所述目标传染病的预设风险阈值;
响应于子区域对应的传染病风险概率大于所述预设风险阈值,确定该子区域为高风险区域,输出对应的空间预警信息;
响应于子区域对应的传染病风险概率小于或等于所述预设风险阈值,确定该子区域为低风险区域,不输出对应的空间预警信息。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的基于多源数据的传染病空间预测装置和各模块的具体工作过程,可以参考前述基于多源数据的传染病空间预测方法实施例中的对应过程,在此不再赘述。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的模型训练装置和各模块的具体工作过程,可以参考前述基于多源数据的传染病空间预测方法实施例中的对应过程,在此不再赘述。
上述的基于多源数据的传染病空间预测装置可以实现为一种计算机程序的形式,该计算机程序可以在如图4所示的计算机设备上运行。
图4示出了根据本申请的一个实施例的计算机设备的框图。
参阅图4,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口,其中,存储器可以包括存储介质和内存储器。
存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行本申请实施例提供的任意一种多源数据的传染病空间预测方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种传染病的传播路径分析方法或者预测神经网络的训练方法。所述存储介质可以是非易失性的,也可以是易失性的。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请实施例的计算机设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
另外,本申请实施例提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行以下步骤:
获取目标地理空间区域内目标传染病对应的多种来源的病例数据信息,其中,所述病例数据信息中包括病例信息和地址信息;
根据每种来源的病例数据信息,生成对应的预设行列的二维矩阵;
将每种来源的病例数据信息对应的二维矩阵输入至预先训练的传染病空间预警模型,以输出所述目标地理空间区域内各个子区域对应的传染病风险概率;
根据各个子区域对应的传染病风险概率,确定是否输出对应的空间预警信息。
在一个实施例中,优选地,所述传染病空间预警模型包括多个通道,其中,通道的数量与所述病例数据信息的来源数量相等,每种来源对应的二维矩阵对应一个通道。
在一个实施例中,优选地,所述传染病空间预警模型包括多个卷积层,每个卷积层包括卷积级、探测级和池化级;
还包括:
获取训练样本集,其中,所述训练样本集包括目标地理空间区域内目标传染病的多种来源的历史病例数据信息和历史空间预警信息;
将每种来源的所述历史病例数据信息按照时间、经纬度和病例人数进行处理,生成多个预设行列的历史二维矩阵;
将每种来源的历史空间预警信息按照时间和经纬度进行处理,生成预设维度的历史向量;
按照时间,将每种来源的历史二维矩阵作为传染病空间预警模型的输入,预设维度的历史向量作为预设卷积神经网络模型的输出进行模型训练,得到传染病空间预警模型。
在一个实施例中,优选地,将每种来源的所述历史病例数据信息按照时间、经纬度和病例人数进行处理,生成多个预设行列的历史二维矩阵,包括:
按照经纬度,对所述目标地理空间区域进行划分,生成N*N大小的矩阵,并确定每个矩阵对应的地理空间范围;
按照预设时间单元,对每种来源的所有历史病例数据信息进行划分,以得到每个预设时间单元内对应的目标历史病例数据信息;
将每个目标历史病例数据信息按照地址信息和每个矩阵对应的地理空间范围,划分至与其对应的目标历史矩阵;
统计每个目标历史矩阵中的目标传染病的第一病例人数,并将所述第一病例人数作为所述目标历史矩阵对应的数字,以得到所述历史二维矩阵。
在一个实施例中,优选地,将每种来源的历史空间预警信息按照时间和经纬度进行处理,生成预设维度的历史向量,包括:
按照预设时间单元,对所有历史空间预警信息进行划分,以得到每个预设时间单元内对应的目标历史空间预警信息;
将所述目标地理空间区域按照预设空间维度划分成多个子区域;
根据历史空间预警信息中的地址信息,将每个预设时间单元内每个目标历史空间预警信息划分至对应的目标子区域;
根据每个子区域中目标历史空间预警信息的存在情况,确定所述预设维度的向量,其中,当子区域中有目标历史空间预警信息时用1表示,当所述子区域中没有目标历史空间预警信息时用0表示。
在一个实施例中,优选地,根据每种来源的病例数据信息,生成对应的预设行列的二维矩阵,包括:
将所述目标地理空间区域按照经纬度划分为N*N大小的矩阵,并确定每个矩阵对应的地理空间范围;
按照预设时间单元,对每种来源的所有病例数据信息进行划分,以得到每个预设时间单元内对应的目标病例数据信息;
将每个目标病例数据信息按照地址信息和每个矩阵对应的地理空间范围,划分至与其对应的目标矩阵;
统计每个目标矩阵中的目标传染病的第二病例人数,并将所述第二病例人数作为所述目标矩阵对应的数字,以得到所述二维矩阵。
在一个实施例中,优选地,根据各个子区域对应的传染病风险概率,确定是否输出对应的空间预警信息,包括:
获取所述目标传染病的预设风险阈值;
响应于子区域对应的传染病风险概率大于所述预设风险阈值,确定该子区域为高风险区域,输出对应的空间预警信息;
响应于子区域对应的传染病风险概率小于或等于所述预设风险阈值,确定该子区域为低风险区域,不输出对应的空间预警信息。
需要说明的是,上述关于计算机可读存储介质或电子设备所能实现的功能或步骤,可对应参阅前述方法实施例中的相关描述,为避免重复,这里不再一一描述。
以上结合附图详细说明了本申请的技术方案,通过本申请的技术方案,可将灰度发布的相关操作集成于发布系统中,开发人员仅需要在发布系统中进行集成设置即可使发布系统调用部署系统为灰度发布进行相应部署,降低了灰度发布部署工作的复杂度,提升了灰度发布的效率和可靠性。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本申请实施例中可能采用术语第一、第二等来描述设置单元,但这些设置单元不应限于这些术语。这些术语仅用来将设置单元彼此区分开。例如,在不脱离本申请实施例范围的情况下,第一设置单元也可以被称为第二设置单元,类似地,第二设置单元也可以被称为第一设置单元。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
- 基于事件的数据预测方法、装置、计算机设备和存储介质
- 行为数据的处理方法、行为预测方法、装置、设备及介质
- 磁盘空间预测方法、装置、计算机设备和存储介质
- 基金数据的预测方法、装置、计算机设备和存储介质
- 一种运载火箭数据预测方法及装置、存储介质和电子设备
- 基于空间信息的传染病预测方法、装置、存储介质及设备
- 基于多源大数据深度学习的传染病协同预测方法和机器人