一种复工复产分析方法、系统和存储介质与流程

1.本技术涉及数据分析和数据处理领域，更具体的，涉及一种复工复产分析方法、系统和存储介质。


背景技术：

2.复工复产，是指因特殊原因、特殊时期、非常时期而使全部或大部分企事业单位不能进行生产活动、生产经营活动、停工停产后，由国家和地方政府统一指导的复工与复产相关事项及系列问题。但是，目前对于行业复工复产的监控缺乏有效的方法，不能对行业的企业复工复产程度做出准确判断，更不能了解行业整体的复工复产的程度。在复工复产时，有些企业内往往员工没有回厂，先开电灯开空调，开电器开机器，让电表转起来，这样复工数据就会好看。个别地方在复工复产过程中，有企业玩“数字游戏”，从而应付上级下达的指标。
3.因此，现有技术存在缺陷，亟待改进。


技术实现要素：

4.有鉴于此，本发明提供的一种复工复产分析方法、系统和存储介质，通过对人口特征信息、能源消耗信息、排放信息、消费信息的分析，得到多维度的复工复产指数，并且能够根据区域内的人口流动性和疫苗接种信息得到疫情变化趋势信息，以辅助判断复工复产指数。本发明还通过历史数据和资源分配等角度进行复工复产指数的分析，以验证复工复产指数的准确性，提高了使用体验感，也提供了有力的科技支撑。
5.本发明第一方面提供了一种复工复产分析方法，包括：获取预设区域内的人口特征信息、能源消耗信息、排放信息、消费信息；根据所述人口特征信息、能源消耗信息、排放信息、消费信息进行复工复产分析，得到多个预设维度的复工复产指数；将所述多个预设维度的复工复产指数发送至预设终端显示。
6.本方案中，还包括：获取预设区域内的人口疫苗接种信息；获取人口特征信息中的流动特征信息；根据所述人口疫苗接种信息和流动特征信息进行疫情模拟分析，得到疫情变化趋势信息；根据所述疫情变化趋势信息进行复工复产指数的预测，得到预测的复工复产指数；将所述预测的复工复产指数发送至预设终端。
7.本方案中，所述根据所述人口疫苗接种信息和流动特征信息进行疫情模拟分析，具体为：将所述人口疫苗接种信息和流动特征信息输入至预设的疫情神经网络模型中，得
到疫情变化趋势信息。
8.本方案中，还包括：获取预设区域中历史生产信息；根据所述历史生产信息建立数据模型，得到复产模型；通过所述复产模型进行模拟分析，得到模拟复工复产指数；获取多个预设维度的复工复产指数；将所述多个预设维度的复工复产指数与模拟复工复产指数进行比较，得到差异率；若差异率大于预设差异率阈值，则发送提示信息至预设终端。
9.本方案中，还包括：通过多个预设维度的复工复产指数进行资源分配，得到资源分配信息；分析所述资源分配信息与多个预设维度的复工复产指数的相关性；若为负相关性，则发送提示信息至预设终端。
10.本方案中，还包括：获取预设特殊区域的人口特征信息，分析得到预设特殊区域的人口流动性特征和人口组成特征；根据所述人口流动性特征和人口组成进行分析，得到特殊区域的运转率；判断所述特殊区域的运转率是否与多个预设维度的复工复产指数正相关；若为负相关，则发送提示信息至预设终端。
11.本发明第二方面提供了一种复工复产分析系统，包括存储器和处理器，所述存储器中包括一种复工复产分析方法程序，所述一种复工复产分析方法程序被所述处理器执行时实现如下步骤：获取预设区域内的人口特征信息、能源消耗信息、排放信息、消费信息；根据所述人口特征信息、能源消耗信息、排放信息、消费信息进行复工复产分析，得到多个预设维度的复工复产指数；将所述多个预设维度的复工复产指数发送至预设终端显示。
12.本方案中，还包括：获取预设区域内的人口疫苗接种信息；获取人口特征信息中的流动特征信息；根据所述人口疫苗接种信息和流动特征信息进行疫情模拟分析，得到疫情变化趋势信息；根据所述疫情变化趋势信息进行复工复产指数的预测，得到预测的复工复产指数；将所述预测的复工复产指数发送至预设终端。
13.本方案中，所述根据所述人口疫苗接种信息和流动特征信息进行疫情模拟分析，具体为：将所述人口疫苗接种信息和流动特征信息输入至预设的疫情神经网络模型中，得到疫情变化趋势信息。
14.本方案中，还包括：
获取预设区域中历史生产信息；根据所述历史生产信息建立数据模型，得到复产模型；通过所述复产模型进行模拟分析，得到模拟复工复产指数；获取多个预设维度的复工复产指数；将所述多个预设维度的复工复产指数与模拟复工复产指数进行比较，得到差异率；若差异率大于预设差异率阈值，则发送提示信息至预设终端。
15.本方案中，还包括：通过多个预设维度的复工复产指数进行资源分配，得到资源分配信息；分析所述资源分配信息与多个预设维度的复工复产指数的相关性；若为负相关性，则发送提示信息至预设终端。
16.本方案中，还包括：获取预设特殊区域的人口特征信息，分析得到预设特殊区域的人口流动性特征和人口组成特征；根据所述人口流动性特征和人口组成进行分析，得到特殊区域的运转率；判断所述特殊区域的运转率是否与多个预设维度的复工复产指数正相关；若为负相关，则发送提示信息至预设终端。
17.本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括一种复工复产分析方法程序，所述一种复工复产分析方法程序被处理器执行时，实现如上述任一项所述的一种复工复产分析方法的步骤。
18.本发明提供的一种复工复产分析方法、系统和存储介质，通过对人口特征信息、能源消耗信息、排放信息、消费信息的分析，得到多维度的复工复产指数，并且能够根据区域内的人口流动性和疫苗接种信息得到疫情变化趋势信息，以辅助判断复工复产指数。本发明还通过历史数据和资源分配等角度进行复工复产指数的分析，以验证复工复产指数的准确性，提高了使用体验感，也提供了有力的科技支撑。
附图说明
19.图1示出了本发明一种复工复产分析方法的流程图；图2示出了本发明一种复工复产分析系统的框图。
具体实施方式
20.为使得本技术的目的、特征、优点能够更加的明显和易懂，对本技术实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本技术一部分实施例，而非全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
21.图1示出了本发明一种复工复产分析方法的流程图。
22.如图1所示，本发明公开了一种复工复产分析方法，包括：s102，获取预设区域内的人口特征信息、能源消耗信息、排放信息、消费信息；s104，根据所述人口特征信息、能源消耗信息、排放信息、消费信息进行复工复产
分析，得到多个预设维度的复工复产指数；s106，将所述多个预设维度的复工复产指数发送至预设终端显示。
23.需要说明的是，所述人口特征信息包括当前区域内的人口的消费特征、人口流动特征、人口组成特征、社交关系特征、居住稳定度特征、工作稳定度特征、兴趣分布信息等等。能源消耗信息为预设区域内的电力、煤气、水等资源的消耗信息。排放信息为预设区域内的废水排放、废气排放等信息，其中废气排放还可以包括二氧化碳的排放。消费信息为预设区域中，用户的消费数据，主要是指现场消费信息。首先，获取预设区域内的人口特征信息、能源消耗信息、排放信息、消费信息。然后根据所述人口特征信息、能源消耗信息、排放信息、消费信息进行复工复产分析，得到多个预设维度的复工复产指数。通过多个维度的参数可以分析得到不同维度的复工复产指数，例如，工作人口复工指数，交通复工指数，电力复产综合指数，用水复产指数，外卖复工指数，物流复产指数等。每个维度的复工复产指数分析方法可能并不相同，例如，工作人口复工指数可以通过人口特征信息中的人口流动特征、人口组成特征等参数分析得到；电力复产综合指数可以通过能源消耗信息和排放信息分析得到。其中，每个维度分析的方法可以由本领域技术人员根据现有技术中的大数据比较和统计的方法得到。在得到多个预设维度的复工复产指数之后，将所述多个预设维度的复工复产指数发送至预设终端显示。
24.根据本发明实施例，还包括：获取预设区域内的人口疫苗接种信息；获取人口特征信息中的流动特征信息；根据所述人口疫苗接种信息和流动特征信息进行疫情模拟分析，得到疫情变化趋势信息；根据所述疫情变化趋势信息进行复工复产指数的预测，得到预测的复工复产指数；将所述预测的复工复产指数发送至预设终端。
25.需要说明的是，在进行复工复产统计时，可以通过人口接种疫苗的维度进行辅助分析，人口接种疫苗的接种率越高，说明区域内具备病毒抗体的人越多，防止病毒传播的可能性就越小，疫情发生的可能性越小，则复工复产指数就会趋于正常值。首先，获取预设区域内的人口疫苗接种信息，所述的人口疫苗接种信息可以通过第三方平台或者政务平台获取。然后获取人口特征信息中的流动特征信息，根据所述人口疫苗接种信息和流动特征信息进行疫情模拟分析，得到疫情变化趋势信息。流动性越强，说明进出区域的频率和人数越多，疫情风险会越大，结合了人口疫苗接种信息便可以分析出疫情的变化趋势信息。例如，流动性强，疫苗接种率较低，则后面发生疫情的风险会较高。得到了疫情的变化趋势信息之后，根据所述疫情变化趋势信息进行复工复产指数的预测，得到预测的复工复产指数。预测可以采用现有技术中的预测模型，也可以使用神经网络模型进行预测。最后，将所述预测的复工复产指数发送至预设终端。
26.根据本发明实施例，所述根据所述人口疫苗接种信息和流动特征信息进行疫情模拟分析，具体为：将所述人口疫苗接种信息和流动特征信息输入至预设的疫情神经网络模型中，得到疫情变化趋势信息。
27.需要说明的是，进行疫情变化趋势分析时，可以使用神经网络模型进行模拟分析，本发明的疫情神经网络模型为预先训练好的，通过人工智能的方式进行数据预测，会使得预测结果更加准确。所述预设的疫情神经网络模型的输入信息为人口疫苗接种信息和流动特征信息，输出为疫情变化趋势信息。
28.根据本发明实施例，还包括：获取预设区域中历史生产信息；根据所述历史生产信息建立数据模型，得到复产模型；通过所述复产模型进行模拟分析，得到模拟复工复产指数；获取多个预设维度的复工复产指数；将所述多个预设维度的复工复产指数与模拟复工复产指数进行比较，得到差异率；若差异率大于预设差异率阈值，则发送提示信息至预设终端。
29.需要说明的是，在复工复产时，有些企业内往往员工没有回厂，先开电灯开空调，开电器开机器，让电表转起来，这样复工数据就会好看。个别地方在复工复产过程中，有企业玩“数字游戏”，从而应付上级下达的指标。本发明为了应对这种“注水”情况，通过对历史数据进行模拟分析，判断是否存在“注水”问题。首先，获取预设区域中的历史生产信息，所述历史生产信息可以包括人口特征信息、能源消耗信息、排放信息、消费信息中的一种或多种。然后对所述历史生产信息建立数据模型，得到复产模型。所述模型的建立可以采用本领域中常用的模型建立方法，本领域技术人员可以根据实际需要选择模型的建立方式，例如，可以选择logistic模型。建立好复产模型之后，通过所述复产模型进行模拟分析，得到模拟复工复产指数。通过复产模型进行模拟分析，可以输入当前的生产参数，得到模拟的指数。其中模拟复工复产指数包含多个维度的复工复产模拟值，可以与分析出的当前多个预设维度的复工复产指数进行比较，得到差异率，如果差异率过高，说明当前分析得到的复工复产指数存在一定偏差，可能会存在“注水”现象，因此需要上报至预设终端。其中，差异率阈值由本领域技术人员根据实际需要进行设置，优选的，设置为20%，也就是说，差异率超过20%，则就会进行上报。
30.根据本发明实施例，还包括：通过多个预设维度的复工复产指数进行资源分配，得到资源分配信息；分析所述资源分配信息与多个预设维度的复工复产指数的相关性；若为负相关性，则发送提示信息至预设终端。
31.需要说明的是，社会是一个复杂的机制体系，每行每业如果脱离了正常的运转体系，都会对整个社会运转造成停止，在复工复产时需要对资源分配进行实时监控，逐渐加大复工复产率，逐步恢复至正常状态，防止因为资源分配问题导致复产过程中的某些环节脱离预计轨道。例如，制造业恢复迅速，而电力资源无法稳定共计，则会造成制造业产能停滞，浪费了资源。首先，需要通过多个预设维度的复工复产指数进行资源分配，所述的资源分配包括能源分配、用工分配、排放分配、交通分配等内容。通过每个维度的复工复产指数可以得到资源分配的比例和大小。得到了资源分配信息后，分析所述资源分配信息与多个预设维度的复工复产指数的相关性。相关性表明两者之间的关联度，如果相关性为正，则说明两者是一起增加或者一起减小，如果相关性为负，则说明某维度复工复产指数增加，对应的资
源分配为减少，这样会造成资源浪费，会对整体社会的复工复产造成影响。其中，相关性的计算可以采用现有技术中相关性计算方法，本发明不再一一赘述。因此，在检测到此种情况发生时，需要上报至预设终端。
32.根据本发明实施例，还包括：获取预设特殊区域的人口特征信息，分析得到预设特殊区域的人口流动性特征和人口组成特征；根据所述人口流动性特征和人口组成进行分析，得到特殊区域的运转率；判断所述特殊区域的运转率是否与多个预设维度的复工复产指数正相关；若为负相关，则发送提示信息至预设终端。
33.需要说明的是，在一些特殊区域，例如，医院。在疫情时，医院内部人员的流动性会减弱，甚至有的科室会停诊，并且医院的住院人数会减少，以及进行管控，通过对医院这样特殊区域的监控和分析，可以用于辅助判断复工复产的结果，如果医院流动性高，说明医院人来人往，医院里面的人口组成特征在一段时间的变化比较小，则说明医院进行了管控，限制了内外部的人员流动，通过医院等特殊区域的运转率，可以间接得到复工复产指数的准确度。首先，获取预设特殊区域的人口特征信息，分析得到预设特殊区域的人口流动性特征和人口组成特征。其中预设特殊区域为预设的医院等区域位置，获取此区域的人口流动性特征和人口组成特征，其中人口流动性特征为人口进出此区域的情况，流动性越强，说明进出此区域的人数越多越频繁，人口组成特征表明此区域中的人员组成比例以及年龄、性别、职业等构成情况。然后根据所述人口流动性特征和人口组成进行分析，得到特殊区域的运转率，所述运转率表明其区域的运转效率，在正常状态下，运转效率要比疫情时要高。统计运转率可以通过此区域中的人均效能和资源利用率结合进行统计，运转率为本领域中常用的技术，本发明不再一一赘述。得到了运转率之后，需要判断所述特殊区域的运转率是否与多个预设维度的复工复产指数正相关。如果正相关，说明在之前运算得到的复工复产指数是较为准确的；如果负相关，说明之前运算得到的复工复产指数可能存在误差，需要发送提示信息至预设终端。
34.根据本发明实施例，所述疫情神经网络模型的训练，具体为：获取历史状态数据；对所述历史状态数据进行预处理，得到训练数组；将所述训练数组发送至初始化的神经网络模型中进行训练；获取训练后的神经网络模型的误差率；若所述误差率小于预设的误差率阈值，则停止训练，得到预设的疫情神经网络模型。
35.需要说明的是，历史状态数据为人口疫苗接种信息和流动特征信息，获取的历史数据数量越多，则训练的神经网络模型就越准确。首先，获取了历史状态特征值后，需要进行预处理，预处理之后，得到训练数据集。然后将训练数据集输入至初始化的神经网络模型中进行训练，所述的训练是自动化的训练，最终得到神经网络模型。然后输入测试数据，判断疫情神经网络模型输出的预测结果的准确率。并且将预测准确率与预设的准确率阈值进行比较，如果超过了准确率阈值，则说明疫情神经网络模型已经能够达到较好的预测效果，则可以停止训练。其中，所述准确率阈值可以为80
‑
95%。
36.本发明第二方面公开了一种复工复产分析系统2，包括存储器21和处理器22，所述存储器中包括一种复工复产分析方法程序，所述一种复工复产分析方法程序被所述处理器执行时实现如下步骤：
获取预设区域内的人口特征信息、能源消耗信息、排放信息、消费信息；根据所述人口特征信息、能源消耗信息、排放信息、消费信息进行复工复产分析，得到多个预设维度的复工复产指数；将所述多个预设维度的复工复产指数发送至预设终端显示。
37.需要说明的是，所述人口特征信息包括当前区域内的人口的消费特征、人口流动特征、人口组成特征、社交关系特征、居住稳定度特征、工作稳定度特征、兴趣分布信息等等。能源消耗信息为预设区域内的电力、煤气、水等资源的消耗信息。排放信息为预设区域内的废水排放、废气排放等信息，其中废气排放还可以包括二氧化碳的排放。消费信息为预设区域中，用户的消费数据，主要是指现场消费信息。首先，获取预设区域内的人口特征信息、能源消耗信息、排放信息、消费信息。然后根据所述人口特征信息、能源消耗信息、排放信息、消费信息进行复工复产分析，得到多个预设维度的复工复产指数。通过多个维度的参数可以分析得到不同维度的复工复产指数，例如，工作人口复工指数，交通复工指数，电力复产综合指数，用水复产指数，外卖复工指数，物流复产指数等。每个维度的复工复产指数分析方法可能并不相同，例如，工作人口复工指数可以通过人口特征信息中的人口流动特征、人口组成特征等参数分析得到；电力复产综合指数可以通过能源消耗信息和排放信息分析得到。其中，每个维度分析的方法可以由本领域技术人员根据现有技术中的大数据比较和统计的方法得到。在得到多个预设维度的复工复产指数之后，将所述多个预设维度的复工复产指数发送至预设终端显示。
38.根据本发明实施例，还包括：获取预设区域内的人口疫苗接种信息；获取人口特征信息中的流动特征信息；根据所述人口疫苗接种信息和流动特征信息进行疫情模拟分析，得到疫情变化趋势信息；根据所述疫情变化趋势信息进行复工复产指数的预测，得到预测的复工复产指数；将所述预测的复工复产指数发送至预设终端。
39.需要说明的是，在进行复工复产统计时，可以通过人口接种疫苗的维度进行辅助分析，人口接种疫苗的接种率越高，说明区域内具备病毒抗体的人越多，防止病毒传播的可能性就越小，疫情发生的可能性越小，则复工复产指数就会趋于正常值。首先，获取预设区域内的人口疫苗接种信息，所述的人口疫苗接种信息可以通过第三方平台或者政务平台获取。然后获取人口特征信息中的流动特征信息，根据所述人口疫苗接种信息和流动特征信息进行疫情模拟分析，得到疫情变化趋势信息。流动性越强，说明进出区域的频率和人数越多，疫情风险会越大，结合了人口疫苗接种信息便可以分析出疫情的变化趋势信息。例如，流动性强，疫苗接种率较低，则后面发生疫情的风险会较高。得到了疫情的变化趋势信息之后，根据所述疫情变化趋势信息进行复工复产指数的预测，得到预测的复工复产指数。预测可以采用现有技术中的预测模型，也可以使用神经网络模型进行预测。最后，将所述预测的复工复产指数发送至预设终端。
40.根据本发明实施例，所述根据所述人口疫苗接种信息和流动特征信息进行疫情模拟分析，具体为：
将所述人口疫苗接种信息和流动特征信息输入至预设的疫情神经网络模型中，得到疫情变化趋势信息。
41.需要说明的是，进行疫情变化趋势分析时，可以使用神经网络模型进行模拟分析，本发明的疫情神经网络模型为预先训练好的，通过人工智能的方式进行数据预测，会使得预测结果更加准确。所述预设的疫情神经网络模型的输入信息为人口疫苗接种信息和流动特征信息，输出为疫情变化趋势信息。
42.根据本发明实施例，还包括：获取预设区域中历史生产信息；根据所述历史生产信息建立数据模型，得到复产模型；通过所述复产模型进行模拟分析，得到模拟复工复产指数；获取多个预设维度的复工复产指数；将所述多个预设维度的复工复产指数与模拟复工复产指数进行比较，得到差异率；若差异率大于预设差异率阈值，则发送提示信息至预设终端。
43.需要说明的是，在复工复产时，有些企业内往往员工没有回厂，先开电灯开空调，开电器开机器，让电表转起来，这样复工数据就会好看。个别地方在复工复产过程中，有企业玩“数字游戏”，从而应付上级下达的指标。本发明为了应对这种“注水”情况，通过对历史数据进行模拟分析，判断是否存在“注水”问题。首先，获取预设区域中的历史生产信息，所述历史生产信息可以包括人口特征信息、能源消耗信息、排放信息、消费信息中的一种或多种。然后对所述历史生产信息建立数据模型，得到复产模型。所述模型的建立可以采用本领域中常用的模型建立方法，本领域技术人员可以根据实际需要选择模型的建立方式，例如，可以选择logistic模型。建立好复产模型之后，通过所述复产模型进行模拟分析，得到模拟复工复产指数。通过复产模型进行模拟分析，可以输入当前的生产参数，得到模拟的指数。其中模拟复工复产指数包含多个维度的复工复产模拟值，可以与分析出的当前多个预设维度的复工复产指数进行比较，得到差异率，如果差异率过高，说明当前分析得到的复工复产指数存在一定偏差，可能会存在“注水”现象，因此需要上报至预设终端。其中，差异率阈值由本领域技术人员根据实际需要进行设置，优选的，设置为20%，也就是说，差异率超过20%，则就会进行上报。
44.根据本发明实施例，还包括：通过多个预设维度的复工复产指数进行资源分配，得到资源分配信息；分析所述资源分配信息与多个预设维度的复工复产指数的相关性；若为负相关性，则发送提示信息至预设终端。
45.需要说明的是，社会是一个复杂的机制体系，每行每业如果脱离了正常的运转体系，都会对整个社会运转造成停止，在复工复产时需要对资源分配进行实时监控，逐渐加大复工复产率，逐步恢复至正常状态，防止因为资源分配问题导致复产过程中的某些环节脱离预计轨道。例如，制造业恢复迅速，而电力资源无法稳定共计，则会造成制造业产能停滞，浪费了资源。首先，需要通过多个预设维度的复工复产指数进行资源分配，所述的资源分配包括能源分配、用工分配、排放分配、交通分配等内容。通过每个维度的复工复产指数可以得到资源分配的比例和大小。得到了资源分配信息后，分析所述资源分配信息与多个预设
维度的复工复产指数的相关性。相关性表明两者之间的关联度，如果相关性为正，则说明两者是一起增加或者一起减小，如果相关性为负，则说明某维度复工复产指数增加，对应的资源分配为减少，这样会造成资源浪费，会对整体社会的复工复产造成影响。其中，相关性的计算可以采用现有技术中相关性计算方法，本发明不再一一赘述。因此，在检测到此种情况发生时，需要上报至预设终端。
46.根据本发明实施例，还包括：获取预设特殊区域的人口特征信息，分析得到预设特殊区域的人口流动性特征和人口组成特征；根据所述人口流动性特征和人口组成进行分析，得到特殊区域的运转率；判断所述特殊区域的运转率是否与多个预设维度的复工复产指数正相关；若为负相关，则发送提示信息至预设终端。
47.需要说明的是，在一些特殊区域，例如，医院。在疫情时，医院内部人员的流动性会减弱，甚至有的科室会停诊，并且医院的住院人数会减少，以及进行管控，通过对医院这样特殊区域的监控和分析，可以用于辅助判断复工复产的结果，如果医院流动性高，说明医院人来人往，医院里面的人口组成特征在一段时间的变化比较小，则说明医院进行了管控，限制了内外部的人员流动，通过医院等特殊区域的运转率，可以间接得到复工复产指数的准确度。首先，获取预设特殊区域的人口特征信息，分析得到预设特殊区域的人口流动性特征和人口组成特征。其中预设特殊区域为预设的医院等区域位置，获取此区域的人口流动性特征和人口组成特征，其中人口流动性特征为人口进出此区域的情况，流动性越强，说明进出此区域的人数越多越频繁，人口组成特征表明此区域中的人员组成比例以及年龄、性别、职业等构成情况。然后根据所述人口流动性特征和人口组成进行分析，得到特殊区域的运转率，所述运转率表明其区域的运转效率，在正常状态下，运转效率要比疫情时要高。统计运转率可以通过此区域中的人均效能和资源利用率结合进行统计，运转率为本领域中常用的技术，本发明不再一一赘述。得到了运转率之后，需要判断所述特殊区域的运转率是否与多个预设维度的复工复产指数正相关。如果正相关，说明在之前运算得到的复工复产指数是较为准确的；如果负相关，说明之前运算得到的复工复产指数可能存在误差，需要发送提示信息至预设终端。
48.根据本发明实施例，所述疫情神经网络模型的训练，具体为：获取历史状态数据；对所述历史状态数据进行预处理，得到训练数组；将所述训练数组发送至初始化的神经网络模型中进行训练；获取训练后的神经网络模型的误差率；若所述误差率小于预设的误差率阈值，则停止训练，得到预设的疫情神经网络模型。
49.需要说明的是，历史状态数据为人口疫苗接种信息和流动特征信息，获取的历史数据数量越多，则训练的神经网络模型就越准确。首先，获取了历史状态特征值后，需要进行预处理，预处理之后，得到训练数据集。然后将训练数据集输入至初始化的神经网络模型中进行训练，所述的训练是自动化的训练，最终得到神经网络模型。然后输入测试数据，判断疫情神经网络模型输出的预测结果的准确率。并且将预测准确率与预设的准确率阈值进行比较，如果超过了准确率阈值，则说明疫情神经网络模型已经能够达到较好的预测效果，则可以停止训练。其中，所述准确率阈值可以为80
‑
95%。
50.本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包
括一种复工复产分析方法程序，所述一种复工复产分析方法程序被处理器执行时，实现如上述任一项所述的一种复工复产分析方法的步骤。
51.本发明提供的一种复工复产分析方法、系统和存储介质，通过对人口特征信息、能源消耗信息、排放信息、消费信息的分析，得到多维度的复工复产指数，并且能够根据区域内的人口流动性和疫苗接种信息得到疫情变化趋势信息，以辅助判断复工复产指数。本发明还通过历史数据和资源分配等角度进行复工复产指数的分析，以验证复工复产指数的准确性，提高了使用体验感，也提供了有力的科技支撑。
52.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
53.上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
54.另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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。
55.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（rom，read
‑
only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
56.或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。