一种基于贝叶斯神经网络的疫情预测方法及装置与流程

1.本发明涉及深度学习技术领域，尤其涉及一种基于贝叶斯神经网络的疫情预测方法及装置。


背景技术：

2.在疫情传播中，一个重要的问题是，如何通过现有的患者信息，迅速锁定其周围感染者的位置，进而最大限度的防控疫情，同时健康的易感者如何根据零散的患者信息，规划自己的行程也是亟待解决的问题。现有技术中可以依据社交网络模型，构建患者与健康易感者之间的传染社交网络模型，根据该模型可以模拟不同人感染状态的变化，但是并不能基于该网络预测不同易感者的患病时间，进而进行有效的封堵和防控。


技术实现要素：

3.本发明的目的在于克服现有技术的不足，本发明提供了一种基于贝叶斯神经网络的疫情预测方法及装置，在实际疫情防控中，降低疫情预测成本，并且提供疫情跟踪调查效率；同时可以预测相关的高风险人群在各个时间节点患病概率数据，从而进行有效的封堵和防控。
4.为了解决上述技术问题，本发明实施例提供了一种基于贝叶斯神经网络的疫情预测方法，所述方法包括：
5.基于疫情防控中不同患者的患病时间节点及不同患者之间的流行病学调查所得的接触网络构建患者用户数据集；
6.构建贝叶斯神经网络模型，利用所述患者用户数据集对所述贝叶斯神经网络模型进行训练，获得收敛的贝叶斯神经网络模型；
7.获得待预测用户的预设时间段内的用户接触网络，并形成待预测数据；
8.将所述待预测数据输入收敛的贝叶斯神经网络模型中，输出待预测用户的在各个时间节点患病概率数据。
9.可选的，所述基于疫情防控中不同患者的患病时间节点及不同患者之间的流行病学调查所得的接触网络构建患者用户数据集，包括：
10.基于疫情防控中不同患者的患病时间节点，以及不同患者彼此之间的流行病学调查所得的接触网络作为训练所需要的数据和网络数据，形成患者用户数据集。
11.可选的，所述贝叶斯神经网络模型包括核函数层、第一贝叶斯全连接层、第二贝叶斯全连接层、激活层及输出层；
12.所述构建贝叶斯神经网络模型，包括：
13.以所述核函数层为输入层，依次连接所述第一贝叶斯全连接层、所述第二贝叶斯全连接层、所述激活层及所述输出层，形成所述贝叶斯神经网络模型。
14.可选的，所述第一贝叶斯全连接层和所述第二贝叶斯全连接层的参数均服从正太分布。
15.可选的，所述核函数层的核函数如下：
[0016][0017]
其中，kernel
i
表示第i个核函数；表示邻接矩阵的第i次方的第p列；h
p
表示节点的染病时间和染病状态的2
×
n矩阵，其中，未染病时间为0；染病状态为未染病0、无症状染病1、患病2、痊愈3；w
j，i
表示从可学分布n(μ
j，i
，∑
j，i
)中抽取的权重，i表示第i个核函数中的参数，j表示在核函数中的第j个权重矩阵，j取值为1、2、3。
[0018]
可选的，所述贝叶斯神经网络模型的损失函数为依据贝叶斯公式推导形成的损失函数，如下：
[0019][0020]
其中，d
kl
表示kl离散的分布距离；q和p均为分布函数；w
(i)
表示第i次采样的权重。
[0021]
可选的，所述贝叶斯神经网络模型的损失函数依据贝叶斯公式推导的过程如下：
[0022]
令贝叶斯神经网络模型为f(x)，贝叶斯神经网络模型相关的可学参数集合θ，d为学习的数据，w为θ生成分布中的抽取参数，p和q为分布函数；
[0023]
则所需逼近分布为p(f(w)|d)＝p(w|d)；
[0024]
由于贝叶斯神经网络模型可计算分布为q(f(w)|θ)＝q(w|θ)，因此套用计算分布距离的kl散度，则有：
[0025]
d
kl
[q(w|θ)||p(w|d)]＝∫q(w|θ)log(q(w|θ)/p(w|d))dw；
[0026]
由贝叶斯公式可以得到：
[0027]
d
kl
[q(w|θ)||p(w|d)]＝∫q(w|θ)log(q(w|θ)/p(w)/p(d|w))dw；
[0028]
进一步可以得到：
[0029]
d
kl
[q(w|θ)||p(w|d)]＝∫q(w|θ)log(q(w|θ)/p(w))dw
‑
∫q(w|θ)log p(d|w)dw；
[0030]
取特殊的分布，w～με ∑，其中ε抽取于0，1正太分布，进而根据蒙特卡洛原理，并将近似公式q(w|θ)dw＝q(ε)dε带入d
kl
，即可得到所述损失函数。
[0031]
可选的，所述利用所述患者用户数据集对所述贝叶斯神经网络模型进行训练，获得收敛的贝叶斯神经网络模型，包括：
[0032]
将所述患者用户数据集划分为训练数据集合测试数据集，其中，训练数据集和测试数据集的数据量比例为9∶1；
[0033]
将所述训练数据集中的数据输入所述贝叶斯神经网络模型进行训练，获得训练后的贝叶斯神经网络模型；
[0034]
将所述测试数据集中的数据输入训练后的贝叶斯神经网络模型进行测试验证，获得测试验证结果；
[0035]
基于所述测试验证结果判断训练后的贝叶斯神经网络模型是否收敛；
[0036]
若否，则基于反向传播函数对训练后的贝叶斯神经网络模型的各个节点进行参数更新，并进行重复训练，直至收敛或达到训练预设次数为止。
[0037]
可选的，所述获得待预测用户的预设时间段内的用户接触网络，并形成待预测数据，包括：
[0038]
获得待预测用户在预设时间段内的用户接触网络，以及获得所述用户接触网络内的各个节点中是否处于其他患者发病前预设时间内接触网络相重叠；
[0039]
基于所述用户接触网络和所述用户接触网络内的各个节点中是否处于其他患者发病前预设时间内接触网络相重叠形成待预测数据。
[0040]
另外，本发明实施例还提供了一种基于贝叶斯神经网络的疫情预测装置，所述装置包括：
[0041]
数据集构建模块：用于基于疫情防控中不同患者的患病时间节点及不同患者之间的流行病学调查所得的接触网络构建患者用户数据集；
[0042]
模型训练模块：用于构建贝叶斯神经网络模型，利用所述患者用户数据集对所述贝叶斯神经网络模型进行训练，获得收敛的贝叶斯神经网络模型；
[0043]
预测数据获得模块：用于获得待预测用户的预设时间段内的用户接触网络，并形成待预测数据；
[0044]
预测模块：用于将所述待预测数据输入收敛的贝叶斯神经网络模型中，输出待预测用户的在各个时间节点患病概率数据。
[0045]
在本发明实施例中，在实际疫情防控中，降低疫情预测成本，并且提供疫情跟踪调查效率；同时可以预测相关的高风险人群在各个时间节点患病概率数据，从而进行有效的封堵和防控；普通用户也可以根据自己的接触网络利用该方法中的模型评估自己在疫情中的行为风险概率，从而更好的达到对自己的保护及家人的保护。
附图说明
[0046]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，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。
[0047]
图1是本发明实施例中的基于贝叶斯神经网络的疫情预测方法的流程示意图；
[0048]
图2是本发明实施例中的基于贝叶斯神经网络的疫情预测装置的结构组成示意图。
具体实施方式
[0049]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
[0050]
实施例一
[0051]
请参阅图1，图1是本发明实施例中的基于贝叶斯神经网络的疫情预测方法的流程示意图。
[0052]
如图1所示，一种基于贝叶斯神经网络的疫情预测方法，所述方法包括：
[0053]
s11：基于疫情防控中不同患者的患病时间节点及不同患者之间的流行病学调查所得的接触网络构建患者用户数据集；
[0054]
在本发明具体实施过程中，所述基于疫情防控中不同患者的患病时间节点及不同患者之间的流行病学调查所得的接触网络构建患者用户数据集，包括：基于疫情防控中不同患者的患病时间节点，以及不同患者彼此之间的流行病学调查所得的接触网络作为训练所需要的数据和网络数据，形成患者用户数据集。
[0055]
具体的，需要根据实际疾病防控中遇到的疫情的传播中感染的不同的人的时间，以及他们所处的社交网络来搭建患者用户数据集，用于后续的训练及测试；即在疫情防控中，不同患者的患病的时间节点以及他们彼此之间的通过流行病学调查所得到的接触网络作为训练所需要的数据和网络数据，形成患者用户数据集；在训练的时候输入的为网络中的需要估计的节点、该节点所处的网络中其他患者的得病时间(早于该节点染病时间的患者)以及网络结构，输出为该节点的染病时间。
[0056]
s12：构建贝叶斯神经网络模型，利用所述患者用户数据集对所述贝叶斯神经网络模型进行训练，获得收敛的贝叶斯神经网络模型；
[0057]
在本发明具体实施过程中，所述贝叶斯神经网络模型包括核函数层、第一贝叶斯全连接层、第二贝叶斯全连接层、激活层及输出层；所述构建贝叶斯神经网络模型，包括：以所述核函数层为输入层，依次连接所述第一贝叶斯全连接层、所述第二贝叶斯全连接层、所述激活层及所述输出层，形成所述贝叶斯神经网络模型。
[0058]
进一步的，所述第一贝叶斯全连接层和所述第二贝叶斯全连接层的参数均服从正太分布。
[0059]
进一步的，所述核函数层的核函数如下：
[0060][0061]
其中，kernel
i
表示第i个核函数；表示邻接矩阵的第i次方的第p列；h
p
表示节点的染病时间和染病状态的2
×
n矩阵，其中，未染病时间为0；染病状态为未染病0、无症状染病1、患病2、痊愈3；w
j，i
表示从可学分布n(μ
j，i
，∑
j，i
)中抽取的权重，i表示第i个核函数中的参数，j表示在核函数中的第j个权重矩阵，j取值为1、2、3。
[0062]
进一步的，所述贝叶斯神经网络模型的损失函数为依据贝叶斯公式推导形成的损失函数，如下：
[0063][0064]
其中，d
kl
表示kl离散的分布距离；q和p均为分布函数；w
(i)
表示第i次采样的权重。
[0065]
进一步的，所述贝叶斯神经网络模型的损失函数依据贝叶斯公式推导的过程如下：
[0066]
令贝叶斯神经网络模型为f(x)，贝叶斯神经网络模型相关的可学参数集合θ，d为学习的数据，w为θ生成分布中的抽取参数，p和q为分布函数；
[0067]
则所需逼近分布为p(f(w)|d)＝p(w|d)；
[0068]
由于贝叶斯神经网络模型可计算分布为q(f(w)|θ)＝q(w|θ)，因此套用计算分布距离的kl散度，则有：
[0069]
d
kl
[q(w|θ)||p(w|d)]＝∫q(w|θ)log(q(w|θ)/p(w|d))dw；
[0070]
由贝叶斯公式可以得到：
[0071]
d
kl
[q(w|θ)||p(w|d)]＝∫q(w|θ)log(q(w|θ)/p(w)/p(d|w))dw；
[0072]
进一步可以得到：
[0073]
d
kl
[q(w|θ)||p(w|d)]＝∫q(w|θ)log(q(w|θ)/p(w))dw
‑
∫q(w|θ)log p(d|w)dw；
[0074]
取特殊的分布，w～με ∑，其中ε抽取于0，1正太分布，进而根据蒙特卡洛原理，并将近似公式q(w|θ)dw＝q(ε)dε带入d
kl
，即可得到所述损失函数。
[0075]
进一步的，所述利用所述患者用户数据集对所述贝叶斯神经网络模型进行训练，获得收敛的贝叶斯神经网络模型，包括：将所述患者用户数据集划分为训练数据集合测试数据集，其中，训练数据集和测试数据集的数据量比例为9∶1；将所述训练数据集中的数据输入所述贝叶斯神经网络模型进行训练，获得训练后的贝叶斯神经网络模型；将所述测试数据集中的数据输入训练后的贝叶斯神经网络模型进行测试验证，获得测试验证结果；基于所述测试验证结果判断训练后的贝叶斯神经网络模型是否收敛；若否，则基于反向传播函数对训练后的贝叶斯神经网络模型的各个节点进行参数更新，并进行重复训练，直至收敛或达到训练预设次数为止。
[0076]
具体的，构建的贝叶斯神经网络模型中包含有核函数层、第一贝叶斯全连接层、第二贝叶斯全连接层、激活层及输出层；并且该贝叶斯神经网络模型以核函数层为输入层，依次连接第一贝叶斯全连接层、第二贝叶斯全连接层、激活层及所述输出层组成。第一贝叶斯全连接层和第二贝叶斯全连接层为同样的提取于正太分布的贝叶斯全连接层；激活层也是提取与正太分布，输出层输出的为对应节点的预估染病时间及概率。
[0077]
在核函数层中的核函数如下：
[0078][0079]
其中，kernel
i
表示第i个核函数；表示邻接矩阵的第i次方的第p列；h
p
表示节点的染病时间和染病状态的2
×
n矩阵，其中，未染病时间为0；染病状态为未染病0、无症状染病1、患病2、痊愈3；w
j，i
表示从可学分布n(μ
j，i
，∑
j，i
)中抽取的权重，i表示第i个核函数中的参数，j表示在核函数中的第j个权重矩阵，j取值为1、2、3。
[0080]
并且该贝叶斯神经网络模型的损失函数为依据叶斯公式推导形成的损失函数，如下：
[0081][0082]
其中，d
kl
表示kl离散的分布距离；q和p均为分布函数；w
(i)
表示第i次采样的权重。
[0083]
在构建完成贝叶斯神经网络模型之后，需要对该贝叶斯神经网络模型进行相关的训练工作，在训练之前，需要提取训练数据，该训练数据从患者用户数据集中提取，即将患者用户数据集划分为训练数据集合测试数据集，其中，训练数据集和测试数据集的数据量比例为9:1；然后将训练数据集中的数据输入贝叶斯神经网络模型进行训练，获得训练后的贝叶斯神经网络模型；再利用测试数据集中的数据输入训练后的贝叶斯神经网络模型进行测试验证，获得测试验证结果；通过测试验证结果判断训练后的贝叶斯神经网络模型是否收敛，若收敛，则结束训练，若不收敛则利用反向传播函数对训练后的贝叶斯神经网络模型
的各个节点进行参数更新，并进行重复训练，直至收敛或达到训练预设次数为止。
[0084]
s13：获得待预测用户的预设时间段内的用户接触网络，并形成待预测数据；
[0085]
在本发明具体实施过程中，所述获得待预测用户的预设时间段内的用户接触网络，并形成待预测数据，包括：获得待预测用户在预设时间段内的用户接触网络，以及获得所述用户接触网络内的各个节点中是否处于其他患者发病前预设时间内接触网络相重叠；基于所述用户接触网络和所述用户接触网络内的各个节点中是否处于其他患者发病前预设时间内接触网络相重叠形成待预测数据。
[0086]
具体的，需要获得待预测用户在预设时间段内的用户接触网络，同时需要获得用户接触网络内的各个节点中是否处于其他患者发病前预设时间内接触网络相重叠；然后利用用户接触网络和用户接触网络内的各个节点中是否处于其他患者发病前预设时间内接触网络相重叠形成待预测数据。
[0087]
s14：将所述待预测数据输入收敛的贝叶斯神经网络模型中，输出待预测用户的在各个时间节点患病概率数据。
[0088]
在本发明具体实施过程中，将待预测数据输入收敛的贝叶斯神经网络模型中进行预测处理，然后输出待预测用户的在各个时间节点患病概率数据。
[0089]
在本发明实施例中，在实际疫情防控中，降低疫情预测成本，并且提供疫情跟踪调查效率；同时可以预测相关的高风险人群在各个时间节点患病概率数据，从而进行有效的封堵和防控；普通用户也可以根据自己的接触网络利用该方法中的模型评估自己在疫情中的行为风险概率，从而更好的达到对自己的保护及家人的保护。
[0090]
实施例二
[0091]
请参阅图2，图2是本发明实施例中的基于贝叶斯神经网络的疫情预测装置的结构组成示意图。
[0092]
如图2所示，一种基于贝叶斯神经网络的疫情预测装置，所述装置包括：
[0093]
数据集构建模块21：用于基于疫情防控中不同患者的患病时间节点及不同患者之间的流行病学调查所得的接触网络构建患者用户数据集；
[0094]
在本发明具体实施过程中，所述基于疫情防控中不同患者的患病时间节点及不同患者之间的流行病学调查所得的接触网络构建患者用户数据集，包括：基于疫情防控中不同患者的患病时间节点，以及不同患者彼此之间的流行病学调查所得的接触网络作为训练所需要的数据和网络数据，形成患者用户数据集。
[0095]
具体的，需要根据实际疾病防控中遇到的疫情的传播中感染的不同的人的时间，以及他们所处的社交网络来搭建患者用户数据集，用于后续的训练及测试；即在疫情防控中，不同患者的患病的时间节点以及他们彼此之间的通过流行病学调查所得到的接触网络作为训练所需要的数据和网络数据，形成患者用户数据集；在训练的时候输入的为网络中的需要估计的节点、该节点所处的网络中其他患者的得病时间(早于该节点染病时间的患者)以及网络结构，输出为该节点的染病时间。
[0096]
模型训练模块22：用于构建贝叶斯神经网络模型，利用所述患者用户数据集对所述贝叶斯神经网络模型进行训练，获得收敛的贝叶斯神经网络模型；
[0097]
在本发明具体实施过程中，所述贝叶斯神经网络模型包括核函数层、第一贝叶斯全连接层、第二贝叶斯全连接层、激活层及输出层；所述构建贝叶斯神经网络模型，包括：以
所述核函数层为输入层，依次连接所述第一贝叶斯全连接层、所述第二贝叶斯全连接层、所述激活层及所述输出层，形成所述贝叶斯神经网络模型。
[0098]
进一步的，所述第一贝叶斯全连接层和所述第二贝叶斯全连接层的参数均服从正太分布。
[0099]
进一步的，所述核函数层的核函数如下：
[0100][0101]
其中，kernel
i
表示第i个核函数；表示邻接矩阵的第i次方的第p列；h
p
表示节点的染病时间和染病状态的2
×
n矩阵，其中，未染病时间为0；染病状态为未染病0、无症状染病1、患病2、痊愈3；w
j，i
表示从可学分布n(μ
j，i
，∑
j，i
)中抽取的权重，i表示第i个核函数中的参数，j表示在核函数中的第j个权重矩阵，j取值为1、2、3。
[0102]
进一步的，所述贝叶斯神经网络模型的损失函数为依据贝叶斯公式推导形成的损失函数，如下：
[0103][0104]
其中，d
kl
表示kl离散的分布距离；q和p均为分布函数；w
(i)
表示第i次权重下采样的结果。
[0105]
进一步的，所述贝叶斯神经网络模型的损失函数依据贝叶斯公式推导的过程如下：
[0106]
令贝叶斯神经网络模型为f(x)，贝叶斯神经网络模型相关的可学参数集合θ，d为学习的数据，w为θ生成分布中的抽取参数，p和q为分布函数；
[0107]
则所需逼近分布为p(f(w)|d)＝p(w|d)；
[0108]
由于贝叶斯神经网络模型可计算分布为q(f(w)|θ)＝q(w|θ)，因此套用计算分布距离的kl散度，则有：
[0109]
d
kl
[q(w|θ)||p(w|d)]＝∫q(w|θ)log(q(w|θ)/p(w|d))dw；
[0110]
由贝叶斯公式可以得到：
[0111]
d
kl
[q(w|θ)||p(w|d)]＝∫q(w|θ)log(q(w|θ)/p(w)/p(d|w))dw；
[0112]
进一步可以得到：
[0113]
d
kl
[q(w|θ)||p(w|d)]＝∫q(w|θ)log(q(w|θ)/p(w))dw
‑
∫q(w|θ)log p(d|w)dw；
[0114]
取特殊的分布，w～με ∑，其中ε抽取于0，1正太分布，进而根据蒙特卡洛原理，并将近似公式q(w|θ)dw＝q(ε)dε带入d
kl
，即可得到所述损失函数。
[0115]
进一步的，所述利用所述患者用户数据集对所述贝叶斯神经网络模型进行训练，获得收敛的贝叶斯神经网络模型，包括：将所述患者用户数据集划分为训练数据集合测试数据集，其中，训练数据集和测试数据集的数据量比例为9∶1；将所述训练数据集中的数据输入所述贝叶斯神经网络模型进行训练，获得训练后的贝叶斯神经网络模型；将所述测试数据集中的数据输入训练后的贝叶斯神经网络模型进行测试验证，获得测试验证结果；基于所述测试验证结果判断训练后的贝叶斯神经网络模型是否收敛；若否，则基于反向传播函数对训练后的贝叶斯神经网络模型的各个节点进行参数更新，并进行重复训练，直至收
敛或达到训练预设次数为止。
[0116]
具体的，构建的贝叶斯神经网络模型中包含有核函数层、第一贝叶斯全连接层、第二贝叶斯全连接层、激活层及输出层；并且该贝叶斯神经网络模型以核函数层为输入层，依次连接第一贝叶斯全连接层、第二贝叶斯全连接层、激活层及所述输出层组成。第一贝叶斯全连接层和第二贝叶斯全连接层为同样的提取于正太分布的贝叶斯全连接层；激活层也是提取与正太分布，输出层输出的为对应节点的预估染病时间及概率。
[0117]
在核函数层中的核函数如下：
[0118][0119]
其中，kernel
i
表示第i个核函数；表示邻接矩阵的第i次方的第p列；h
p
表示节点的染病时间和染病状态的2
×
n矩阵，其中，未染病时间为0；染病状态为未染病0、无症状染病1、患病2、痊愈3；w
j，i
表示从可学分布n(μ
j，i
，∑
j，i
)中抽取的权重，i表示第i个核函数中的参数，j表示在核函数中的第j个权重矩阵，j取值为1、2、3。
[0120]
并且该贝叶斯神经网络模型的损失函数为依据叶斯公式推导形成的损失函数，如下：
[0121][0122]
其中，d
kl
表示kl离散的分布距离；q和p均为分布函数；w
(i)
表示第i次采样的权重结果。
[0123]
在构建完成贝叶斯神经网络模型之后，需要对该贝叶斯神经网络模型进行相关的训练工作，在训练之前，需要提取训练数据，该训练数据从患者用户数据集中提取，即将患者用户数据集划分为训练数据集合测试数据集，其中，训练数据集和测试数据集的数据量比例为9:1；然后将训练数据集中的数据输入贝叶斯神经网络模型进行训练，获得训练后的贝叶斯神经网络模型；再利用测试数据集中的数据输入训练后的贝叶斯神经网络模型进行测试验证，获得测试验证结果；通过测试验证结果判断训练后的贝叶斯神经网络模型是否收敛，若收敛，则结束训练，若不收敛则利用反向传播函数对训练后的贝叶斯神经网络模型的各个节点进行参数更新，并进行重复训练，直至收敛或达到训练预设次数为止。
[0124]
预测数据获得模块23：用于获得待预测用户的预设时间段内的用户接触网络，并形成待预测数据；
[0125]
在本发明具体实施过程中，所述获得待预测用户的预设时间段内的用户接触网络，并形成待预测数据，包括：获得待预测用户在预设时间段内的用户接触网络，以及获得所述用户接触网络内的各个节点中是否处于其他患者发病前预设时间内接触网络相重叠；基于所述用户接触网络和所述用户接触网络内的各个节点中是否处于其他患者发病前预设时间内接触网络相重叠形成待预测数据。
[0126]
具体的，需要获得待预测用户在预设时间段内的用户接触网络，同时需要获得用户接触网络内的各个节点中是否处于其他患者发病前预设时间内接触网络相重叠；然后利用用户接触网络和用户接触网络内的各个节点中是否处于其他患者发病前预设时间内接触网络相重叠形成待预测数据。
[0127]
预测模块24：用于将所述待预测数据输入收敛的贝叶斯神经网络模型中，输出待预测用户的在各个时间节点患病概率数据。
[0128]
在本发明具体实施过程中，将待预测数据输入收敛的贝叶斯神经网络模型中进行预测处理，然后输出待预测用户的在各个时间节点患病概率数据。
[0129]
在本发明实施例中，在实际疫情防控中，降低疫情预测成本，并且提供疫情跟踪调查效率；同时可以预测相关的高风险人群在各个时间节点患病概率数据，从而进行有效的封堵和防控；普通用户也可以根据自己的接触网络利用该方法中的模型评估自己在疫情中的行为风险概率，从而更好的达到对自己的保护及家人的保护。
[0130]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，read onlymemory)、随机存取存储器(ram，random access memory)、磁盘或光盘等。
[0131]
另外，以上对本发明实施例所提供的一种基于贝叶斯神经网络的疫情预测方法及装置进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。