一种融合多维数据的深度学习传染病趋势预测方法及系统
本发明涉及传染病趋势预测领域,尤其涉及一种融合多维数据的深度学习传染病趋势预测方法及系统。
背景技术:
1、本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
2、及时、精准地预测突发公共卫生事件的发展趋势,对于高效启动早期预警、科学优化应急资源配置、动态制定精准化防控策略以及最大限度减轻疾病总体负担,具有重要意义。
3、然而,研究发现,现有模型大多仅使用流行病学历史数据,忽略了外部驱动因素对病毒传播的复杂影响,仅靠内部数据难以全面刻画传播动力学。且单一预测模型在捕捉传染病后期趋势快速上升的能力有限。这些模型大多基于历史数据和简单的统计方法,难以捕捉传染病传播过程中的高度复杂性、非线性特征及动态演变规律,尤其是在进入暴发期后,其传染趋势预测结果的准确性和可靠性往往会下降,无法为防控决策提供有力支持。因此,现有单一模型的预测结果,在关键转折阶段,难以提供及时、有力的科学支撑。
技术实现思路
1、为克服上述现有技术的不足,本发明提供了一种融合多维数据的深度学习传染病趋势预测方法及系统,旨在提升对暴发性传播传染病趋势预测的准确性与鲁棒性。
2、为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
3、第一方面,本发明提供了一种融合多维数据的深度学习传染病趋势预测方法,包括:
4、获取传染病多维数据,并对其进行预处理,得到预处理后的多维数据;
5、将预处理后的多维数据输入至双通道融合模型进行预测,得到初步预测结果;
6、基于初步预测结果和传染病多维数据,结合交通运输指标、社会民生指标构建多源异构特征并进行归一化处理,将归一化后的多源异构特征输入训练好的基于波动率的自适应弹性网络回归模型进行预测,得到预测结果;
7、其中,所述基于波动率的自适应弹性网络回归模型引入基于数据统计特性的自适应正则化机制,其目标函数根据特征波动率动态分配正则化惩罚权重。
8、进一步的技术方案,所述双通道融合模型包括双通道并行提取与自适应融合网络、多层感知机模块。
9、进一步的技术方案,所述双通道并行提取与自适应融合网络包括并列的时序依赖提取通道和局部突变提取通道、自适应门控融合单元。
10、进一步的技术方案,所述时序依赖提取通道采用长短期记忆网络提取多维数据的长期依赖特征,所述局部突变提取通道采用一维卷积神经网络提取多维数据的局部突变特征,将长期依赖特征和局部突变特征一并输入自适应门控融合单元进行融合,得到融合特征。
11、进一步的技术方案,将融合特征输入多层感知机模块进行预测,生成初步预测结果。
12、进一步的技术方案,所述交通运输指标、社会民生指标通过前向填充法处理。
13、进一步的技术方案,所述目标函数表示为:
14、
15、其中,表示目标函数,表示回归系数向量,表示样本数量,表示真实值,表示特征矩阵表示正则项比率,表示自适应权重,表示第个特征的回归系数,,,表示全局惩罚强度,表示正则项比率。
16、第二方面,本发明提供了一种融合多维数据的深度学习传染病趋势预测系统,包括:
17、数据获取模块,其被配置为:获取传染病多维数据,并对其进行预处理,得到预处理后的多维数据;
18、初步预测模块,其被配置为:将预处理后的多维数据输入至双通道融合模型进行预测,得到初步预测结果;
19、传染预测模块,其被配置为:基于初步预测结果和传染病多维数据,结合交通运输指标、社会民生指标构建多源异构特征并进行归一化处理,将归一化后的多源异构特征输入训练好的基于波动率的自适应弹性网络回归模型进行预测,得到预测结果;
20、其中,所述基于波动率的自适应弹性网络回归模型引入基于数据统计特性的自适应正则化机制,其目标函数根据特征波动率动态分配正则化惩罚权重。
21、第三方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的一种融合多维数据的深度学习传染病趋势预测方法中的步骤。
22、第四方面,本发明提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述的一种融合多维数据的深度学习传染病趋势预测方法中的步骤。
23、以上一个或多个技术方案存在以下有益效果:
24、本发明基于深度学习,构建了混合模型(改进的dag-lcm-en混合模型),首先通过双通道融合模型实现长短期特征的动态互补融合并初步预测传染趋势;在初步预测结果基础上,引入交通运输指标和社会民生指标数据后,采用基于波动率的自适应弹性网络回归模型,根据特征的变异系数动态分配正则化惩罚权重,自动抑制高波动率特征的干扰并保留高置信度预测特征,提升了对暴发性传播传染病趋势预测的准确性与鲁棒性。
25、本发明双通道融合模型中提出一种基于时间注意力机制与卷积神经网络的双通道并行特征提取架构,解决了单一模型特征提取不全面的问题。现有技术多采用单一lstm处理时序数据,容易忽略局部突变细节,本发明通过构建并行通道,利用cnn捕捉传染病传播中的局部突变特征,同时利用lstm结合时间注意力机制聚焦关键历史节点。这种“长短互补、重点突出”的机制,使得模型在面对复杂多变的疫情数据时,既能保持对长期趋势的敏感性,又能迅速响应短期剧烈波动,提升了预测精度。
26、本发明双通道融合模型中还引入了自适应门控融合单元,实现了多源特征的非线性动态互补。区别于传统简单的特征拼接或加权平均,本发明引入了可学习的门控网络,能够根据输入数据的实时分布状态,动态计算长时序特征与局部突变特征的融合权重。当数据平稳时,模型自动侧重于长期记忆;当数据震荡时,模型自动侧重于局部特征。这种自适应机制有效解决了非平稳时间序列中的分布偏移问题,增强了模型在不同情况下的泛化能力。
27、本发明提出了基于特征波动率的自适应弹性网络回归方法,提高了模型在多源异构数据融合环境下的鲁棒性。针对交通运输与社会经济数据通常含有高频噪声的问题,本发明不再使用固定的正则化参数,而是根据特征的波动率(变异系数)动态分配惩罚权重。该方法能够自动识别并“强惩罚”高波动、低质量的特征,同时“保护”高置信度的特征。实验结果表明,最终的dag-lcm-en混合模型的预测稳定性优于其他对比模型。
1.一种融合多维数据的深度学习传染病趋势预测方法,其特征在于,包括:
2.如权利要求1所述的一种融合多维数据的深度学习传染病趋势预测方法,其特征在于,所述双通道融合模型包括双通道并行提取与自适应融合网络、多层感知机模块。
3.如权利要求2所述的一种融合多维数据的深度学习传染病趋势预测方法,其特征在于,所述双通道并行提取与自适应融合网络包括并列的时序依赖提取通道和局部突变提取通道、自适应门控融合单元。
4.如权利要求3所述的一种融合多维数据的深度学习传染病趋势预测方法,其特征在于,所述时序依赖提取通道采用长短期记忆网络提取多维数据的长期依赖特征,所述局部突变提取通道采用一维卷积神经网络提取多维数据的局部突变特征,将长期依赖特征和局部突变特征一并输入自适应门控融合单元进行融合,得到融合特征。
5.如权利要求4所述的一种融合多维数据的深度学习传染病趋势预测方法,其特征在于,将融合特征输入多层感知机模块进行预测,生成初步预测结果。
6.如权利要求1所述的一种融合多维数据的深度学习传染病趋势预测方法,其特征在于,所述交通运输指标、社会民生指标通过前向填充法处理。
7.如权利要求1所述的一种融合多维数据的深度学习传染病趋势预测方法,其特征在于,所述目标函数表示为:
8.一种融合多维数据的深度学习传染病趋势预测系统,其特征在于,包括:
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的一种融合多维数据的深度学习传染病趋势预测方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种融合多维数据的深度学习传染病趋势预测方法中的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com