一种基于学习的群体智能疫情溯源与预测方法与流程

1.本发明涉及利用多混合监测点对疫情进行实时监控的技术领域，具体为一种基于学习的群体智能疫情溯源与预测方法。


背景技术：

2.目前，使用基于学习的疫情溯源与预测系统采用的是收集一批区域内的疫情感染数据，然后直接使用机器学习算法对空间中其它未收集到信息的坐标进行数据补全，本质上是一个简单的回归预测任务。同时其还结合了空间地理分析手段，对地点对应的局部自相关系数进行计算，然后通过比较其与预先设定的阈值来对最初感染源进行溯源。
3.但是，采用上述方法只能被动地对已有数据建模，缺乏对于如何更有效地进行数据收集的决策性指导；其次，上述方法没有考虑到数据的稀疏性，直接通过全局数据来训练模型很难保证其对于未采样区域的拟合能力；并且上述方法较为依赖空间地理的专家知识，导致其模型构建自动化程度较低，可迁移性较弱。


技术实现要素：

4.针对现有技术存在的不足，本发明目的是提供一种基于学习的群体智能疫情溯源与预测方法，以解决上述背景技术中提出的问题。
5.为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于学习的群体智能疫情溯源与预测方法，包括以下步骤：
6.第一步，在目标监测区域内，分别配置多个固定监测点以及移动监测点，以得到监测数据，其中，两两固定监测点均相对分布于目标监测区域，每个移动监测点获取己身监测数据并基于在移动监测点构建的控制网络模型输出该移动监测点在未来时刻的移动方向所对应的动作概率，并依据最高动作概率的移动方向进行持续移动监测；
7.第二步，构建分别由一个神经网络组成的预测模块和溯源模块，并利用过往的所述监测数据代入各个神经网络进行训练，分别得到预测神经网络模型和溯源神经网络模型，以输出目标监测区域内各个监测点的预测感染密度和目标监测区域内的疫情爆发源点。
8.作为对本发明中所述一种基于学习的群体智能疫情溯源与预测方法的改进，第一步中，构建移动监测点控制网络模型的具体步骤包括：
9.获取控制网络的输入信息：包括此移动监测点检测范围内的各个格点区域内的感染程度信息、此移动监测点通信范围内的其他监测点的检测范围内的各个格点区域内的感染程度信息、以及此移动监测点当前的时刻信息以及历史位置信息；
10.控制网络输入信息的预处理：以单层或多层全连接神经网络构成信息预处理模块，基于信息预处理模块将所述控制网络输入信息划分为多个决策分支，由每个决策分支的与各分支权重加权得到最终动作概率；
11.共享所述信息预处理模块，输出此移动监测点包含当前位置的感染程度预测信息
及下一时刻移动位置的感染程度预测信息。
12.作为对本发明中所述一种基于学习的群体智能疫情溯源与预测方法的改进，对移动监测点下一时刻移动位置的感染程度预测信息进行输出时，需要以已构建的控制网络模型所生成的真实下一时刻移动监测点所在格点数据作为标签数据，并通过监督训练的方式得到移动监测点的预测神经网络进行预测。
13.作为对本发明中所述一种基于学习的群体智能疫情溯源与预测方法的改进，以移动监测点的预测神经网络输出与真实值之间的差值的负值，加上移动监测点下一时刻下一移动位置预测感染程度与当前时刻真实感染程度的差，再减去移动监测点下一时刻当前位置预测感染程度与当前时刻真实感染程度的差，作为所述控制网络模型的训练奖励信号，以强化学习方式训练移动监测点控制网络。
14.作为对本发明中所述一种基于学习的群体智能疫情溯源与预测方法的改进，第二步中，基于疫情预测神经网络模型得到预测模块，其中，疫情预测神经网络模型包括：
15.以目标监测区域内的各个固定监测点以及移动监测点所获取的监测数据作为疫情预测神经网络的输入层，同时设定疫情预测神经网络输入层的维数等于目标监测区域内的所有监测点的监测格点的总数；
16.对疫情预测神经网络的输入层的输入数据进行处理的隐层；
17.对目标监测区域内所有监测点的每个格点的预测感染密度进行输出的输出层，同时设定所述输出层的维数等于目标监测区域内的所有监测点的监测格点总数；
18.疫情预测神经网络的训练方式为：
19.以已构建的疫情预测神经网络模型所生成的真实下一时刻的全部格点数据作为标签数据，并通过监督训练的方式训练疫情预测神经网络。
20.作为对本发明中所述一种基于学习的群体智能疫情溯源与预测方法的改进，第二步中，基于疫情溯源神经网络模型得到溯源模块，其中，疫情溯源神经网络模型包括：
21.以目标监测区域内的各个固定监测点以及移动监测点所获取的监测数据作为疫情溯源神经网络的输入层，同时设定疫情溯源神经网络输入层的维数等于目标监测区域内的所有监测点的监测格点的总数；
22.对疫情溯源神经网络的输入层的输入数据进行处理的隐层；
23.对目标监测区域内所有监测点的每个格点的疫情爆发源点进行输出的输出层；
24.疫情溯源神经网络的训练方式为：
25.以已构建的疫情溯源神经网络模型所生成的真实初始疫情爆发源点数据作为标签数据，并通过监督训练的方式训练疫情溯源神经网络。
26.与现有技术相比，本发明的有益效果：
27.本发明首先通过在移动监测点搭建控制网络模型，以获取的移动监测点检测范围内的各个格点区域内的感染程度信息、此移动监测点通信范围内的其他监测点的检测范围内的各个格点区域内的感染程度信息、以及此移动监测点当前的时刻信息以及历史位置信息作为初始输入信息，并经预处理后，由得到的最高动作概率决定下一时刻移动监测点的移动方向进而持续移动监测的方式，达到移动监测点群体自组织地进行群体智能监测的效果；
28.其次，在当两种监测点获取监测数据后，经由疫情预测神经网络模型和疫情溯源
神经网络模型组成的预测模块和溯源模块，分别以过往得到的监测数据进行神经网络训练，从而输出目标监测区域内各个监测点的预测感染密度和目标监测区域内的疫情爆发源点的方式，使得在对监测数据中的疫情信息预测和溯源的趋势分析的后续工作中，取得良好的疫情预测和溯源结果。
附图说明
29.参照附图来说明本发明的公开内容。应当了解，附图仅仅用于说明目的，而并非意在对本发明的保护范围构成限制，在附图中，相同的附图标记用于指代相同的部件。其中：
30.图1为本发明一实施例中所提出的在目标监测区域内形成整体监测区域的布局结构示意图；
31.图2为本发明一实施例中所提出在移动监测点构建的控制网络模型结构示意图；
32.图3为本发明一实施例中所提出的疫情预测神经网络模型的结构示意图；
33.图4为本发明一实施例中所提出的疫情溯源神经网络模型的结构示意图。
34.附图说明：
[0035]1‑
固定监测点、2
‑
移动监测点、3
‑
健康人群、4
‑
感染人群。
具体实施方式
[0036]
容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
[0037]
如图1所示，本发明提供技术方案：一种基于学习的群体智能疫情溯源与预测方法，包括以下步骤：
[0038]
第一步，在目标监测区域内，分别配置多个固定监测点以及移动监测点，以得到监测数据，需要说明的是，对较大范围内的区域进行固定监测点1监测，对较小范围内的区域进行移动监测点2监测，而在目标区域内的健康人群3使用圆点表示，感染人群4用三角表示，其中，两两固定监测点均相对分布于目标监测区域，每个移动监测点获取己身监测数据并基于在移动监测点构建的控制网络模型输出该移动监测点在未来时刻的移动方向所对应的动作概率，并依据最高动作概率的移动方向进行持续移动监测，可以理解的是，移动监测点通过自身监测得到的数据对下一步的运动方向进行选择，从而达到移动监测点群体自组织地进行群体智能监测的效果；
[0039]
第二步，构建分别由一个神经网络组成的预测模块和溯源模块，并利用过往的监测数据代入各个神经网络进行训练，分别得到预测神经网络模型和溯源神经网络模型，以输出目标监测区域内各个监测点的预测感染密度和目标监测区域内的疫情爆发源点。
[0040]
如图2所示，可以理解的是，第一步中，构建移动监测点控制网络模型的具体步骤包括：
[0041]
首先，获取控制网络的输入信息：包括此移动监测点检测范围内的各个格点区域内的感染程度信息、此移动监测点通信范围内的其他监测点的检测范围内的各个格点区域内的感染程度信息、以及此移动监测点当前的时刻信息以及历史位置信息；其次，控制网络
输入信息的预处理：以单层或多层全连接神经网络构成信息预处理模块，基于信息预处理模块将控制网络输入信息划分为多个决策分支，由每个决策分支的与各分支权重加权得到最终动作概率；最后，共享信息预处理模块，输出此移动监测点包含当前位置的感染程度预测信息及下一时刻移动位置的感染程度预测信息。
[0042]
需要说明的是，在对移动监测点下一时刻移动位置的感染程度预测信息进行输出时，需要以已构建的控制网络模型所生成的真实下一时刻移动监测点所在格点数据作为标签数据，并通过监督训练的方式得到移动监测点的预测神经网络进行预测输出。
[0043]
基于上述技术构思，移动监测点的控制网络模型的训练方式为：以移动监测点的预测神经网络输出与真实值之间的差值的负值，加上移动监测点下一时刻下一移动位置预测感染程度与当前时刻真实感染程度的差，再减去移动监测点下一时刻当前位置预测感染程度与当前时刻真实感染程度的差，作为控制网络模型的训练奖励信号，以强化学习方式训练移动监测点控制网络。
[0044]
如图3所示，作为本发明的一实施例，第二步中，基于疫情预测神经网络模型得到预测模块，其中，疫情预测神经网络模型包括：
[0045]
以目标监测区域内的各个固定监测点以及移动监测点所获取的监测数据作为疫情预测神经网络的输入层，同时设定疫情预测神经网络输入层的维数等于目标监测区域内的所有监测点的监测格点的总数；
[0046]
对疫情预测神经网络的输入层的输入数据进行处理的隐层；
[0047]
对目标监测区域内所有监测点的每个格点的预测感染密度进行输出的输出层，同时设定输出层的维数等于目标监测区域内的所有监测点的监测格点总数m*n，其中，m、n分别代表监测总区域的长格点数与宽格点数。
[0048]
基于上述技术构思，疫情预测神经网络的训练方式为：
[0049]
以已构建的疫情预测神经网络模型所生成的真实下一时刻的全部格点数据作为标签数据，并通过监督训练的方式训练疫情预测神经网络。
[0050]
如图4所示，与此同时，第二步中，基于疫情溯源神经网络模型得到溯源模块，其中，疫情溯源神经网络模型包括：
[0051]
以目标监测区域内的各个固定监测点以及移动监测点所获取的监测数据作为疫情溯源神经网络的输入层，同时设定疫情溯源神经网络输入层的维数等于目标监测区域内的所有监测点的监测格点的总数；
[0052]
对疫情溯源神经网络的输入层的输入数据进行处理的隐层；
[0053]
对目标监测区域内所有监测点的每个格点的疫情爆发源点进行输出的输出层。
[0054]
基于上述技术构思，疫情溯源神经网络的训练方式为：
[0055]
以已构建的疫情溯源神经网络模型所生成的真实初始疫情爆发源点数据作为标签数据，并通过监督训练的方式训练疫情溯源神经网络。
[0056]
在本发明的实施例中，可以理解的是，本发明首先通过在移动监测点搭建控制网络模型，以获取的移动监测点检测范围内的各个格点区域内的感染程度信息、此移动监测点通信范围内的其他监测点的检测范围内的各个格点区域内的感染程度信息、以及此移动监测点当前的时刻信息以及历史位置信息作为初始输入信息，并经预处理后，由得到的最高动作概率决定下一时刻移动监测点的移动方向进而持续移动监测的方式，达到移动监测
点群体自组织地进行群体智能监测的效果其次，在当两种监测点获取监测数据后，经由疫情预测神经网络模型和疫情溯源神经网络模型组成的预测模块和溯源模块，分别以过往得到的监测数据进行神经网络训练，从而输出目标监测区域内各个监测点的预测感染密度和目标监测区域内的疫情爆发源点的方式，使得在对监测数据中的疫情信息预测和溯源的趋势分析的后续工作中，取得良好的疫情预测和溯源结果。
[0057]
本发明的技术范围不仅仅局限于上述说明中的内容，本领域技术人员可以在不脱离本发明技术思想的前提下，对上述实施例进行多种变形和修改，而这些变形和修改均应当属于本发明的保护范围内。