一种融合自学习滞后算子的流感时间序列预测方法

摘要: 本发明涉及流感预测,更具体地说,它涉及一种融合自学习滞后算子的流感时间序列预测方法。背景技术:1、现阶段流感流行趋势预测已成为公共卫生防控领域的关键技术手段,传...
一种融合自学习滞后算子的流感时间序列预测方法

本发明涉及流感预测,更具体地说,它涉及一种融合自学习滞后算子的流感时间序列预测方法。

背景技术:

1、现阶段流感流行趋势预测已成为公共卫生防控领域的关键技术手段,传统流感预测方案普遍依托单一流感监测病例数据开展建模分析,仅采用arima等传统统计模型或基础lstm深度学习模型进行时序拟合,存在数据来源单一、特征维度匮乏的固有缺陷。传统方案大多只依托流感样病例百分比单一内生指标,忽略气温、人口迁徙、网民检索行为等外源性影响要素对流感传播的驱动作用,无法完整还原流感多因子耦合传播规律,模型拟合结果与真实流行态势偏差较大。

2、在多变量时序建模的现有技术中,常规多变量时序模型普遍采用人工固定滞后步长的参数设定方式,依靠从业者经验预先划定各类外生变量的延迟周期,但气象、人口流动、搜索指数三类指标对流感发病的滞后时效各不相同,固定时滞参数难以适配各变量差异化的动态时延特征,极易出现多源数据时序错位、特征耦合失真的问题,制约特征提取有效性。与此同时,通用自注意力时序模型在权重计算过程中未融入流感季节性流行病学规律,无法依托冬春高发、夏秋低发的周期先验约束注意力分配,难以针对性强化季节拐点、发病峰值等关键时序特征的权重,对流感周期性演化特征挖掘能力不足,在季节交替、疫情波动阶段预测精度大幅下滑。

3、传统模型的数据预处理流程较为粗放,缺少适配多源异构数据的标准化处理手段,不同数据源量纲悬殊、局部数据缺失、时序粒度不统一等问题得不到系统性处理,进一步降低数据集质量。整体来看,现有预测技术在多源数据适配、动态时滞匹配、季节特征挖掘均存在明显短板,难以满足疾控机构精细化流感预警、医疗资源前置调配的现实需求。

技术实现思路

1、针对现有技术存在的不足,本发明的目的在于提供一种融合自学习滞后算子的流感时间序列预测方法。

2、为实现上述目的,本发明提供了如下技术方案:

3、一种融合自学习滞后算子的流感时间序列预测方法,包括以下步骤:

4、采集流感监测内生变量及多源外生变量,对生变量及多源外生变量进行预处理,得到标准化时序数据集;

5、构建改进型多变量时序预测模型,所述改进型多变量时序预测模型包含自适应滞后对齐模块、动态季节注意力模块及时序特征提取主干;

6、将标准化时序数据集输入自适应滞后对齐模块,自动学习各外生变量对流感传播的动态时滞特征,输出时序对齐后的融合特征;

7、将融合特征输入所述动态季节注意力模块,结合时间戳对应的季节性先验偏置计算注意力权重,提取周期性演化特征;

8、将周期性演化特征输入时序特征提取主干进行预测,输出未来时段流感流行强度预测结果。

9、优选地,采集流感监测内生变量及多源外生变量,对生变量及多源外生变量进行预处理,得到标准化时序数据集,具体为:

10、将流感样病例百分比ili%作为内生变量,采集era5气象数据、百度迁徙指数、流感关键词搜索指数作为外生变量;

11、对生变量及多源外生变量进行可逆实例归一化revin处理、缺失值填充及多尺度patch切分,按7:1:2比例划分为训练集、验证集和测试集,得到标准化时序数据集。

12、优选地,构建改进型多变量时序预测模型,所述改进型多变量时序预测模型包含自适应滞后对齐模块、动态季节注意力模块及时序特征提取主干,具体为:

13、采用timexer多变量时序架构作为时序特征提取主干,在时序特征提取主干输入端增设自适应滞后对齐模块,在自注意力计算层嵌入动态季节注意力模块,构建得到改进型多变量时序预测模型。

14、优选地,自动学习各外生变量对流感传播的动态时滞特征,输出时序对齐后的融合特征,具体为:

15、通过一维卷积结构的自学习滞后算子滑动匹配不同外生变量的时间延迟步长,输出时序对齐后的融合特征。

16、优选地,融合特征输入动态季节注意力模块,结合时间戳对应的季节偏置计算注意力权重:

17、;

18、其中,q为查询向量、k为键向量、v为值向量,dk为缩放因子,bs为当前流感流行周期的动态季节偏置矩阵,提取得到周期性演化特征。

19、优选地,动态季节偏置矩阵bs以流感冬春高发、夏秋低发的流行病学先验初始化,在模型训练过程中自适应更新,引导模型聚焦历史同期流行特征。

20、优选地,将周期性演化特征输入timexer时序特征提取主干完成编码,输出流感流行强度预测结果。

21、优选地,基于流感流行强度预测结果,采用shap博弈论框架量化气温、人口流动、搜索指数在各时间窗口的shapley贡献值,生成可解释性流感风险归因报告。

22、与现有技术相比,本发明具备以下有益效果:

23、本发明依托revin归一化、缺失值填充、多尺度切块与数据集划分完成标准化处理,统一不同来源数据的量纲与时序格式,规避多源异构数据量级差异、时序空缺带来的模型训练偏差,提升数据集整体规整度与信息完整性,从数据基础层面保障后续建模的数据可靠性。自适应滞后对齐模块借助一维卷积自主学习不同外生变量对应的动态传播时滞,自动修正各类因子和流感发病之间的时序错位问题,充分挖掘气温、人口流动、搜索指数差异化时延关联规律,大幅降低人工设定参数带来的经验误差。动态季节注意力模块结合冬春高发、夏秋低发的流行病学先验初始化季节偏置矩阵,且偏置参数可随模型训练自适应迭代更新,依托季节偏置修正注意力权重,引导模型重点抓取历年同期流感周期性流行特征,捕捉流感换季攀升、暴发峰值等关键拐点特征,相较常规自注意力模型显著强化季节周期信息挖掘能力,依托主干网络完成深层编码与预测输出,整套架构分层递进实现特征精细化提炼,有效提升流感流行强度的预测精准度,预测结果贴合流感自然传播规律。同时标准化的数据处理与可拆解的模块化结构便于接入shap归因分析,可量化各类因子分时段贡献度,形成可解释的风险分析结论,既满足疾控部门短期流感预警、医疗资源调度的量化需求,又能够从诱因层面溯源流感流行驱动因素,为季节性防疫提供数据支撑。

1.一种融合自学习滞后算子的流感时间序列预测方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种融合自学习滞后算子的流感时间序列预测方法,其特征在于,采集流感监测内生变量及多源外生变量,对生变量及多源外生变量进行预处理,得到标准化时序数据集,具体为:

3.根据权利要求2所述的一种融合自学习滞后算子的流感时间序列预测方法,其特征在于,构建改进型多变量时序预测模型,所述改进型多变量时序预测模型包含自适应滞后对齐模块、动态季节注意力模块及时序特征提取主干,具体为:

4.根据权利要求3所述的一种融合自学习滞后算子的流感时间序列预测方法,其特征在于,自动学习各外生变量对流感传播的动态时滞特征,输出时序对齐后的融合特征,具体为:

5.根据权利要求4所述的一种融合自学习滞后算子的流感时间序列预测方法,其特征在于,融合特征输入动态季节注意力模块,结合时间戳对应的季节偏置计算注意力权重:

6.根据权利要求5所述的一种融合自学习滞后算子的流感时间序列预测方法,其特征在于,动态季节偏置矩阵bs以流感冬春高发、夏秋低发的流行病学先验初始化,在模型训练过程中自适应更新,引导模型聚焦历史同期流行特征。

7.根据权利要求6所述的一种融合自学习滞后算子的流感时间序列预测方法,其特征在于,将周期性演化特征输入timexer时序特征提取主干完成编码,输出流感流行强度预测结果。

8.根据权利要求7所述的一种融合自学习滞后算子的流感时间序列预测方法,其特征在于,基于流感流行强度预测结果,采用shap博弈论框架量化气温、人口流动、搜索指数在各时间窗口的shapley贡献值,生成可解释性流感风险归因报告。