传染病预警方法及装置、存储介质及电子设备与流程

1.本公开涉及数据挖掘技术领域，具体而言，涉及一种传染病预警方法、传染病预警装置、计算机可读存储介质以及电子设备。


背景技术：

2.传染病具有传播速度快、流行范围广的特点。传染病的扩散对民生和经济都造成很大的影响。因此，对于传染病早发现、早预警、早防护可以在一定程度上减弱传染病的传播。
3.相关技术中，可以根据某区域在某时段的入院人数的变化，结合各类预警算法，判断是否有传染病爆发，从而达到预警的目的。以流感为例，可以使用移动百分位法对不同时间入院的患者人数进行建模，采用不同百分位数p作为候选预警临界值，构建流感模型从而达到预警的目的。
4.然而，使用入院患者人数作为预警特征，也预示着入院人数已经达到了一定的规模。这种情况下，传染病也可能已经发生了一段时间的传播，所以，其对传染病的预警存在一定的滞后性。
5.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

6.本公开的目的在于提供一种传染病预警方法及装置、计算机可读存储介质及电子设备，进而至少在一定程度上改善传染病预警不够及时的问题。
7.本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
8.根据本公开的第一方面，提供了一种传染病预警方法，包括：获取在第一传染病的历史传播持续时段内，基于预设采样频率确定的所述第一传染病对应的新增人数序列；获取候选特征在多个候选时段对应的多个特征序列，每个候选时段的时长与历史传播持续时段的时长相同，且每个候选时段的开始日期与历史传播持续时段的开始日期的时间差在第一预设值内，每个候选时段对应的特征序列根据在所述候选时段内基于所述预设采样频率采集到的特征值确定；分别计算所述候选特征在各候选时段对应的特征序列与所述新增人数序列之间的第一相关程度，以得到多个特征序列对应的多个第一相关程度；根据所述多个第一相关程度，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，以根据所述目标特征对所述第二传染病进行预警。
9.在本公开的一种示例性实施例中，基于前述方案，所述根据所述多个第一相关程度，从所述候选特征中选择出用于对所述第二传染病进行预警的目标特征，包括：从所述候选特征的多个特征序列对应的多个第一相关程度中，确定出所述候选特征对应的最大第一相关程度；根据所述候选特征对应的最大第一相关程度，确定出所述候选特征的第一虚拟
分值；根据所述第一虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
10.在本公开的一种示例性实施例中，基于前述方案，所述根据所述多个第一相关程度，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，包括：获取在第一目标时间段内，基于所述预设采样频率采集到的所述候选特征的特征值的第一累计值，所述第一目标时间段的结束日期为所述历史传播持续时段的开始日期或所述历史传播持续时段的开始日期之前的日期，所述第一目标时间段的时长为第二预设值；确定所述第一目标时间段对应的第一预设数量个历史同期时间段，分别在每个历史同期时间段内基于所述预设采样频率采集所述候选特征的特征值；分别确定出每个历史同期时间段内采集到的所述候选特征的特征值的第二累计值，得到所述第一预设数量个第二累计值；根据所述第一累计值和所述第一预设数量个第二累计值，确定出所述候选特征的第二虚拟分值；基于所述多个第一相关程度和所述第二虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
11.在本公开的一种示例性实施例中，基于前述方案，所述根据所述第一累计值和所述第一预设数量个第二累计值，确定出所述候选特征的第二虚拟分值，包括：确定所述第一预设数量个第二累计值的平均值；确定所述第一累计值和所述平均值之间的差值的绝对值；计算所述绝对值与所述平均值之间的比值，以确定出所述候选特征的第二虚拟分值。
12.在本公开的一种示例性实施例中，基于前述方案，所述基于所述多个第一相关程度和所述第二虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，包括：从所述候选特征的多个特征序列对应的多个第一相关程度中，确定出所述候选特征对应的最大第一相关程度；根据所述候选特征对应的最大第一相关程度，确定出所述候选特征的第一虚拟分值；
13.分别确定所述第一虚拟分值和所述第一虚拟分值对应的第一权重的第一乘积、所述第二虚拟分值和所述第二虚拟分值对应的第二权重的第二乘积；根据所述第一乘积和所述第二乘积之和，确定出所述候选特征的第一目标虚拟分值；基于所述第一目标虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
14.在本公开的一种示例性实施例中，基于前述方案，所述基于所述多个第一相关程度和所述第二虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，包括：以预设时间间隔为目标周期，在所述历史传播持续时段之前，确定出第二预设数量个目标周期；根据所述预设采样频率分别在每个所述目标周期内对所述候选特征进行采样，以分别确定出所述候选特征在每个所述目标周期内对应的待比对特征序列；基于所述预设采样频率，在所述历史传播持续时段内的任一所述目标周期内对所述候选特征进行采样，以得到所述候选特征的目标特征序列；根据所述待比对特征序列和所述目标特征序列之间的差异性程度，确定出所述候选特征的第三虚拟分值；基于所述多个第一相关程度、所述第二虚拟分值和所述第三虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
15.在本公开的一种示例性实施例中，基于前述方案，所述根据所述多个第一相关程度，从所述候选特征中选择出用于第二传染病进行预警的目标特征，包括：以预设时间间隔为目标周期，在所述历史传播持续时段之前确定出第二预设数量个目标周期；根据所述预
设采样频率分别在每个所述目标周期内对所述候选特征进行采样，以分别确定出所述候选特征在每个所述目标周期内对应的待比对特征序列；基于所述预设采样频率，在所述历史传播持续时段内的任一所述目标周期内对所述候选特征进行采样，以得到所述候选特征的目标特征序列；根据所述待比对特征序列和所述目标特征序列之间的差异性程度，确定出所述候选特征的第三虚拟分值；基于所述多个第一相关程度和所述第三虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
16.在本公开的一种示例性实施例中，基于前述方案，所述基于所述多个第一相关程度和所述第三虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，包括：从所述候选特征的多个特征序列对应的多个第一相关程度中，确定出所述候选特征对应的最大第一相关程度；根据所述候选特征对应的最大第一相关程度，确定出所述候选特征的第一虚拟分值；分别确定所述第一虚拟分值和所述第一虚拟分值对应的第一权重的第一乘积、所述第三虚拟分值和所述第二虚拟分值对应的第三权重的第三乘积；根据所述第一乘积和所述第三乘积之和，确定出所述候选特征的第二目标虚拟分值；基于所述第二目标虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
17.在本公开的一种示例性实施例中，基于前述方案，所述差异性程度通过以下方式确定：分别计算每个所述待比对特征序列与所述目标特征序列之间的第二相关程度，以得到所述第二预设数量个第二相关程度；基于负相关关系，根据所述第二预设数量个第二相关程度的均值，确定出所述待比对特征序列和所述目标特征序列之间的差异性程度。
18.在本公开的一种示例性实施例中，基于前述方案，所述基于所述多个第一相关程度、所述第二虚拟分值和所述第三虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，包括：从所述候选特征的多个特征序列对应的多个第一相关程度中，确定出所述候选特征对应的最大第一相关程度；根据所述候选特征对应的最大第一相关程度，确定出所述候选特征的第一虚拟分值；分别确定所述第一虚拟分值和所述第一虚拟分值对应的第一权重的第一乘积、所述第二虚拟分值和所述第二虚拟分值对应的第二权重的第二乘积、所述第三虚拟分值和所述第三虚拟分值对应的第三权重的第三乘积；计算所述第一乘积、所述第二乘积和所述第三乘积之和，以确定出所述候选特征在所述第一传染病中对应的第三目标虚拟分值；基于所述第三目标虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
19.在本公开的一种示例性实施例中，基于前述方案，所述第二权重和所述第三权重通过以下方式确定：根据所述候选特征对应的最大第一相关程度的降序顺序对所述候选特征进行排序，确定出前n个参考候选特征，n为正整数；针对每个参考候选特征，分别计算所述参考候选特征的最大第一相关程度和所述参考候选特征的第二虚拟分值之间的第一误差、所述参考候选特征的最大第一相关程度和所述参考候选特征的第三虚拟分值之间的第二误差；根据每个所述参考候选特征对应的所述第一误差和所述第二误差，确定出所述第二权重和所述第三权重。
20.在本公开的一种示例性实施例中，基于前述方案，所述根据每个所述参考候选特征对应的所述第一误差和所述第二误差，确定出所述第二权重和所述第三权重，包括：分别计算所述n个参考候选特征对应的所述第一误差的第一误差均值、所述n个参考候选特征对应的所述第二误差的第二误差均值；根据所述第一误差均值的相反数和所述第二误差均值
的相反数生成输入向量，将所述输入向量输入到概率映射函数中，以得到与所述第二虚拟分值对应的第一概率和与所述三虚拟分值对应的第二概率；根据所述第一概率确定出所述第二虚拟分值对应的第二权重，以及根据所述第二概率确定出所述第三虚拟分值对应的第三权重。
21.在本公开的一种示例性实施例中，基于前述方案，所述第一传染病和所述第二传染病相同；所述基于所述第三目标虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，包括：基于所述第三目标虚拟分值对所述候选特征进行降序排序；根据排序结果中的前m个候选特征，确定出用于对所述第一传染病进行预警的目标特征，其中，m为正整数。
22.在本公开的一种示例性实施例中，基于前述方案，所述第一传染病和所述第二传染病不同；所述基于所述第三目标虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，包括：获取候选特征在多个不同的第一传染病中对应的所述第三目标虚拟分值的均值；根据所述第三目标虚拟分值的均值对所述候选特征进行降序排序；根据排序结果中的前m个候选特征，确定出用于对所述第二传染病进行预警的目标特征，其中，m为正整数。
23.在本公开的一种示例性实施例中，基于前述方案，所述第一相关程度基于皮尔森相关系数、t检验、秩和检验中的任一种方式确定。
24.根据本公开的第二方面，提供了一种传染病预警装置，包括：新增人数序列确定模块，被配置为获取在第一传染病的历史传播持续时段内，基于预设采样频率确定的所述第一传染病对应的新增人数序列；多个特征序列获取模块，被配置为获取候选特征在多个候选时段对应的多个特征序列，每个候选时段的时长与历史传播持续时段的时长相同，且每个候选时段的开始日期与历史传播持续时段的开始日期的时间差在第一预设值内，每个候选时段对应的特征序列根据在所述候选时段内基于所述预设采样频率采集到的特征值确定；第一相关程度计算模块，被配置为分别计算所述候选特征在各候选时段对应的特征序列与所述新增人数序列之间的第一相关程度，以得到多个特征序列对应的多个第一相关程度；传染病预警模块，被配置为根据所述多个第一相关程度，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，以根据所述目标特征对所述第二传染病进行预警。
25.根据本公开的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的传染病预警方法。
26.根据本公开实施例的第四方面，提供了一种电子设备，包括：处理器；以及，存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中第一方面所述的传染病预警方法。
27.由上述技术方案可知，本公开示例性实施例中的传染病预警方法、传染病预警装置，以及实现所述传染病预警方法的计算机可读存储介质及电子设备，至少具备以下优点和积极效果：
28.在本公开的一些实施例所提供的技术方案中，可以获取在第一传染病的历史传播持续时段内，基于预设采样频率确定的所述第一传染病对应的新增人数序列，还可以根据扫描相位差生成多个候选时段，具体的，每个候选时段的时长与所述历史传播持续时段对应的时长相同，且每个候选时段的开始日期与所述历史传播持续时段的开始日期的时间差
在第一预设值内，然后获取候选特征在多个候选时段对应的多个特征序列，其中，每个候选时段对应的特征序列根据在所述候选时段内基于所述预设采样频率采集到的特征值确定，再分别计算所述候选特征在各候选时段对应的特征序列与所述新增人数序列之间的第一相关程度，以得到多个特征序列对应的多个第一相关程度，从而根据所述多个第一相关程度，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，以根据目标特征进行传染病的预警。与相关技术相比，一方面，本公开基于生成的多个候选时段来确定出多个候选特征序列，多个候选时段与历史传播持续时段存在一定的相位差，所以可以准确的确定出与传染病的传播存在滞后或超前相关的预警特征，进而提高传染病预警的准确性；另一方面，本公开通过分析其它候选特征与传染病新增人数序列的相关性，可以避免仅将传染病新增人数直接作为预警指标而造成的预警滞后的问题，可以提高传染病预警的及时性。
29.本公开应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
30.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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他的附图。
31.图1示出本公开一示例性实施例中传染病预警方法的流程示意图；
32.图2示出本公开一示例性实施例中确定第一虚拟分值的方法的流程示意图；
33.图3示出本公开一示例性实施例中确定第二虚拟分值的方法的流程示意图；
34.图4示出本公开一示例性实施例中确定第三虚拟分值的方法的流程示意图；
35.图5示出本公开一示例性实施例中的对新发传染病进行预警的方法的流程示意图；
36.图6示出本公开一示例性实施例中确定第二权重和第三权重的方法的流程示意图；
37.图7示出本公开一示例性实施例中的传染病预警装置的结构示意图；
38.图8示出本公开示例性实施例中电子设备的结构示意图。
具体实施方式
39.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
40.本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”和“第三”等仅作为标记使用，不是对其对象的数量限制。
41.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
42.传染病是指由病原微生物引起的传染病，通常具备传播速度快，流行范围广的特点。传染病的扩散对民生和经济都造成很大影响。而传染病的早发现，早预警，早防护将极大程度减弱传染病的传播，因此，对传染病进行预警是至关重要的。
43.相关技术中，可以直接根据某区域在某时段的入院人数变化，结合各类预警算法，判断是否有传染病爆发，从而达到预警的目的。
44.以流感为例，可以用移动百分位法对不同时间入院患者的人数进行建模，采用不同百分位数p作为候选预警临界值，构建流感模型从而达到预警目的。
45.然而，不同人在感染传染病后可能会选择不同的措施，如居家、吃药、或就医，不同预警模型为了避免误报的情况，往往会在入院人数达到或大或小的一定趋势后才会预警。这种情况下，传染病可能发生了一定时段的传播，达到了一定的传染规模，所以对传染病的预警存在一定的滞后性，对传染病的控制并不能达到及时有效的目的。
46.鉴于上述一个或多个问题，在本公开的实施例中，首先提供了一种传染病预警特征确定方法，可以挖掘和传染病相关的更多指标或者说特征，以作为传染病预警的参考，从而至少在一定程度上克服上述相关技术中存在的缺陷，达到更精准及时的对传染病进行预警的目的。
47.图1示出本公开一示例性实施例中传染病预警特征确定方法的流程示意图。参考图1，该方法可以包括：
48.步骤s110，获取在第一传染病的历史传播持续时段内，基于预设采样频率确定的所述第一传染病对应的新增人数序列；
49.步骤s120，获取候选特征在多个候选时段对应的多个特征序列，每个候选时段的时长与所述历史传播持续时段对应的时长相同，且每个候选时段的开始日期与所述历史传播持续时段的开始日期的时间差在第一预设值内，每个候选时段对应的特征序列根据在所述候选时段内基于所述预设采样频率采集到的特征值确定；
50.步骤s130，分别计算所述候选特征在各候选时段对应的特征序列与所述新增人数序列之间的第一相关程度，以得到多个特征序列对应的多个第一相关程度；
51.步骤s140，根据所述多个第一相关程度，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，以根据所述目标特征对所述第二传染病进行预警。
52.在图1所示实施例所提供的技术方案中，可以获取在第一传染病的历史传播持续时段内，基于预设采样频率确定的所述第一传染病对应的新增人数序列，还可以根据扫描相位差生成多个候选时段，具体的，多个候选时段中的每个候选时段的时长与所述历史传播持续时段对应的时长相同，且每个候选时段的开始日期与所述历史传播持续时段的开始日期的时间差在第一预设值内，然后获取候选特征在多个候选时段对应的多个特征序列，
其中，每个候选时段对应的特征序列根据在所述候选时段内基于所述预设采样频率采集到的特征值确定，再分别计算所述候选特征在各候选时段对应的特征序列与所述新增人数序列之间的第一相关程度，以得到多个特征序列对应的多个第一相关程度，从而根据所述多个第一相关程度，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，以根据目标特征进行传染病的预警。与相关技术相比，一方面，本公开基于生成的多个候选时段来确定出多个候选特征序列，多个候选时段与历史传播持续时段存在一定的相位差，所以可以准确的确定出与传染病的传播存在滞后或超前相关的预警特征，提高传染病预警的准确性；另一方面，本公开通过分析其它候选特征与传染病新增人数序列的相关性，可以选择出其它的预警特征，避免仅将传染病新增人数直接作为预警特征而造成的预警滞后的问题，可以提高传染病预警的及时性。
53.以下对图1所示实施例中各个步骤的具体实施方式进行详细阐述：
54.在步骤s110中，获取在第一传染病的历史传播持续时段内，基于预设采样频率确定的所述第一传染病对应的新增人数序列。
55.在一种可选的实施方式中，历史传播持续时段可以包括一个或多个，如可以包括第一传染病最近一次发生时，或者曾经任一次发生时，或者曾经每次发生或者最近几次发生时，在目标区域的传播持续时段。其中，历史传播持续时段的开始日期可以包括第一传染病开始出现的日期，传播持续时段的结束日期可以包括传染病得到有效控制，不再继续传播的日期。
56.目标区域的范围可以根据一个或多个行政区域或地理区域自定义确定，如目标区域可以是全球、可以是亚洲、可以是中国、可以是中国的华中地区(包括河南、湖北、湖南三省)、也可以是中国的某个城如北京市、还可以是某个城市的某个城区，如北京市某区等，本示例性实施方式对此不做特殊限定。
57.确定出第一传染病在目标区域的历史传播持续时段后，可以基于预设采样频率确定第一传染病在目标区域的历史传播持续时段内的新增人数序列。示例性的，可以根据预设采样频率，在统计的目标区域的历史传播持续时段内第一传染病的新增人数记录中进行采样，以得到第一传染病对应的新增人数序列。
58.其中，新增人数记录可以通过医院和/或其他与传染病预防相关的机构，如疾控中心等渠道获取，预设采样频率可以根据需求自定义确定，如，预设采样频率可以为每天，可以在第一传染病的新增人数记录中，采集历史传播持续时段内第一传染病每日新增的人数，从而得到历史传播持续时段内第一传染病的每日新增人数序列。
59.如前所述，历史持续时段可以包括一个或多个，对应的新增人数序列也可以包括一个或多个。以目标区域是北京市某区为例，某个传染病在某区的历史传播持续时段可以如表1所示。其中，表1中的每个爆发期可以理解为一个历史传播持续时段，即该传染病在北京市某区爆发过3次。可以基于预设采样频率分别获取每个爆发期内的新增人数序列。如，分别获取爆发期1对应的每日新增人数序列1、爆发期2对应的每日新增人数序列2、爆发期3对应的每日新增人数序列3。
60.表1统计的某个传染病的历史爆发期
61.地区爆发期1爆发期2爆发期3北京市某区2013-7-1至2013-9-72012-1-1至2012-3-72015-2-2至2015-4-6
62.以预设采样频率是每天为例，针对每个历史传播持续时段，可以统计该传染病在该区域对应的历史传播持续时段内每天的新增人数信息，以分别得到每个历史传播持续时段对应的每日新增人数序列。表2以北京市某区为例，示出了某个传染病的某个历史传播持续时段内的部分日期中的新增人数信息。根据新增人数的信息，基于预设采样频率，可以生成目标区域在历史传播持续时段内的新增人数序列。
63.表2某传染病在北京市某区的某个历史传播持续时段内的新增人数
64.地区2020-1-12020-1-22020-1-32020-1-42020-1-5北京市某区231029
65.继续参考图1，在步骤s120中，获取候选特征在多个候选时段对应的多个特征序列。
66.举例而言，在本公开中，可以通过在限定的特征范围内进行搜索排序，从而获得和传染病具有强关联的特征。所以，可以先确定哪些潜在的因素可以作为候选特征，以在所有的候选特征中选择出与传染病具有强关联的特征。
67.在一种可选的实施方式中，候选特征可以包括任意的可能与传染病的传播有关的特征。如可以包括天气、交通、不同的药品的售卖信息、不同的商品的售卖信息、医院中的医疗信息等，当然，也可以包括其它的可能对传染病的传播扩散有影响的特征，本示例性实施方式对此不做特殊限定。
68.其中，不同的药品或商品的售卖信息可以包括不同的商品或药品的售卖数量，天气可以包括温度、湿度等、医院中的医疗信息可以包括医疗指标的检测人数的变化情况等，如医院中患流感的人数等。
69.在一种可选的实施方式中，候选特征可以包括时变的特征，也可以包括非时变特征。其中，时变特征可以理解为特征值随着时间的变化而变化的特征。
70.在一种可选的实施方式中，针对第一传染病的任一历史传播持续时段，都可以根据该历史传播持续时段和第一预设值，生成与该历史传播持续时段对应的多个候选时段。然后，针对每个候选特征，可以分别获取多个候选时段对应的特征序列，以生成每个候选特征在多个候选时段对应的多个特征序列。
71.在一种可选的实施方式中，多个候选时段中的每个候选时段的时长与所述历史传播持续时段对应的时长相同，且每个候选时段的开始日期与所述历史传播持续时段的开始日期的时间差在第一预设值内。每个候选时段对应的特征序列根据在所述候选时段内，基于所述预设采样频率采集到的特征值确定。
72.其中，第一预设值可以根据需求进行自定义确定，如30天，20天，50天等，本示例性实施方式对此不做特殊限定。候选时段的开始日期可以早于对应的历史传播持续时段的开始日期，也可以晚于对应的历史传播持续时段对应的开始日期。
73.举例而言，可以基于扫描相位差的思想，将历史传播持续时段对应的时间窗口前后移动第一预设值，以生成多个候选时段。以前后移动30天为例，若历史传播持续时段对应的时间窗口为[a，b]，其中，a表示开始日期，b表示结束日期，那么，多个候选时段可以对应从[a-30天，b-30天]到[a 30天，b 30天]的时间窗口。
[0074]
针对每个候选特征，可以分别获取其在每个候选时段对应的特征序列。以第一预设值为30天为例，可以得到61个候选时段，这61个候选时段中包括历史传播持续时段本身，
那么，对于每个候选特征，就可以得到61个候选时段对应的61个特征序列。
[0075]
以候选时段中的历史传播持续时段本身为例，可以根据预设采样频率对统计的历史传播持续时段内各候选特征的特征值进行采样，以得到各候选特征在历史传播持续时段内对应的特征序列。
[0076]
以预设采样频率是每天为例，针对每个候选特征，可以以天为单位，采集其在目标区域中该历史传播持续时段内每天的特征值，从而生成每个候选特征在该历史传播持续时段对应的特征序列。
[0077]
以目标区域是北京市某区、候选特征是温度、预设采样频率是每天为例，可以获取在历史传播持续时段内北京市某区每天的温度值，如表3所示。以根据获取到的每天的温度值，生成温度特征在历史传播持续时段内的特征序列。表3中仅展示出了部分日期的温度值。
[0078]
表3北京市某区在某个历史传播持续时段内的温度特征的部分特征值
[0079]
特征地区2020-1-12020-1-22020-1-32020-1-42020-1-5温度北京市某区6.8℃6.2℃4℃2.1℃3.2℃
[0080]
各候选特征在其它候选时段对应的特征序列的获取方式，和上述的获取各候选特征在历史传播持续时段对应的特征序列的具体实施方式相同，此处不再进行赘述。
[0081]
接下来，继续参考图1，在步骤s130中，分别计算所述候选特征在各候选时段对应的特征序列与所述新增人数序列之间的第一相关程度，以得到多个特征序列对应的多个第一相关程度。
[0082]
继续以候选时段为上述的将历史传播持续时段前后移动30天，从而得到61个候选时段为例，针对每个候选特征，可以分别计算上述的61个候选时段对应的61个特征序列与步骤s110中获取到的新增人数序列之间的第一相关程度。这样，对于每个候选特征而言，可以得到61个第一相关程度。
[0083]
在一种可选的实施方式中，第一相关程度可以基于皮尔森相关系数、t检验、秩和检验中的任一种方式确定。当然，第一相关程度可以通过其它的计算两个变量之间的相关程度的方式确定，本示例性实施方式对此不做特殊限定。
[0084]
以皮尔森相关系数为例，针对每个候选特征，可以基于皮尔森相关系数，分别计算其在每个候选时段对应的特征序列与步骤s110中获取的新增人数序列之间的第一相关程度。
[0085]
其中，皮尔森相关系数，也称皮尔森积矩相关系数(pearson product-moment correlation coefficient)，是一种线性相关系数，是最常用的一种相关系数。记为r，用来反映两个变量x和y的线性相关程度，r值介于-1到1之间，绝对值越大表明相关性越强。使用皮尔森相关系数，可以得到正相关程度和负相关程度，对于强负相关的候选特征，也可以认为是与传染病强相关的特征。
[0086]
得到每个候选特征对应的多个第一相关程度后，在步骤s140中，根据所述多个第一相关程度，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，以根据所述目标特征对所述第二传染病进行预警。
[0087]
在一种可选的实施方式中，可以根据多个第一相关程度，确定出每个候选特征的第一虚拟分值，进而基于第一虚拟分值，从候选特征中选择出用于对第二传染病进行预警
的目标特征。
[0088]
示例性的，图2示出本公开一示例性实施例中确定第一虚拟分值的方法的流程示意图。参考图2，该方法可以包括步骤s210至步骤s230。其中：
[0089]
在步骤s210中，从所述候选特征的多个特征序列对应的多个第一相关程度中，确定出所述候选特征对应的最大第一相关程度。
[0090]
在一种可选的实施方式中，在步骤s110中的历史传播持续时段为一个时，对于每个候选特征而言，直接从多个第一相关程度中确定出一个最大第一相关程度。
[0091]
在一种可选的实施方式中，在步骤s110中的历史传播持续时段为多个时，对于每个候选特征而言，其可以分别从每个历史传播持续时段对应的多个候选时段的多个第一相关程度中确定出最大第一相关程度，即对于每个候选特征而言，可以根据历史传播持续时段的数量确定出多个最大第一相关程度。
[0092]
接下来，在步骤s220中，根据所述候选特征对应的最大第一相关程度，确定出所述候选特征的第一虚拟分值。
[0093]
在一种可选的实施方式中，针对每个候选特征而言，在步骤s210中确定出最大第一相关程度的数量为1时，则可以直接将最大第一相关程度确定为候选特征的第一虚拟分值，或者可以直接根据候选特征的最大第一相关程度和候选特征的第一虚拟分值之间的正相关关系，基于候选特征的最大第一相关程度，确定出该候选特征的第一虚拟分值。
[0094]
在一种可选的实施方式中，针对每个候选特征而言，在步骤s210中确定出的最大第一相关程度为多个时，则可以将多个最大第一相关程度的均值作为候选特征的第一虚拟分值。例如，可以直接将多个最大第一相关程度的均值确定为该候选特征的第一虚拟分值，也可以根据正相关关系，根据候选特征的最大第一相关程度的均值，确定出该候选特征的第一虚拟分值。
[0095]
在本公开中，通过基于扫描相位差的思想，根据第一预设值生成历史传播持续时段对应的多个候选时段，然后针对每个候选特征，根据多个候选时段确定出多个候选特征序列，从而基于多个候选特征序列对应的多个第一相关程度中的最大第一相关程度，确定出该候选特征的第一虚拟分值，进而基于第一虚拟分值确定出用于预警的目标特征。这样，可以准确的筛选出一些与传染病的发病人数存在滞后相关或者超前相关的候选特征，提高传染病预警特征确定的准确性。
[0096]
接下来，在步骤s230中，根据所述第一虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
[0097]
在示例性的实施方式中，第一传染病和第二传染病可以相同，也可以不相同。在一种可选的实施方式中，可以直接根据第一虚拟分值，从候选特征中选择出用于对第二传染病进行预警的目标特征。
[0098]
具体的，在第一传染病和第二传染病相同时，可以根据第一虚拟分值的绝对值的降序顺序对各候选特征进行排序，确定排序结果中的前m个候选特征，将前m个候选特征确定为用于第一传染病预警的目标特征，其中，m为正整数，其可以根据需求进行自定义确定。
[0099]
在第一传染病和第二传染病不相同时，可以针对多个不同的第一传染病分别执行上述的步骤s110至步骤s140，以得到每个候选特征在每个第一传染病中的第一虚拟分值，其中，该第一虚拟分值可以是根据一个历史传播持续时段确定的，也可以是根据多个历史
传播持续时段对应的第一虚拟分值的均值确定的。然后，针对每个候选特征，将其在每个第一传染病中对应的第一虚拟分值进行加权平均，以得到每个候选特征在多个不同第一传染病中的第一虚拟分值的均值，然后根据该均值的降序顺序对候选特征进行排序，确定出排序结果中的前m个候选特征为用于对第二传染病进行预警的目标特征。
[0100]
在第一传染病和第二传染病不相同时，还可以针对多个不同的第一传染病分别执行上述的步骤s110至步骤s140，以确定出每个第一传染病对应的目标特征，然后取每个第一传染病对应的目标特征中的交集，即每个第一传染病对应的相同的目标特征，作为用于对第二传染病进行预警的目标特征。
[0101]
在本公开中，确定出对第二传染病进行预警的目标特征后，可以根据确定出的目标特征对第二传染病进行预警。其中，预警的方式可以根据需求进行自由选择，如以目标特征的历史特征值作为训练样本的输入，以是否爆发第二传染病作为训练样本的标签，对深度学习模型进行训练，以得到用于对第二传染病进行预警的预警模型，进而根据预警模型对第二传染病进行预警。当然，也可以根据其他的传染病预警方法，基于目标特征，对第二传染病进行预警，本示例性实施方式对此不做特殊限定。
[0102]
在本公开中，在第一传染病和第二传染病不同时，可以基于确定出的目标特征，实现对新发的未知传染病的预警。
[0103]
在一种可选的实施方式中，还可以确定出候选特征的第二虚拟分值，基于此，步骤s140的具体实施方式还可以是，基于所述多个第一相关程度和所述第二虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
[0104]
示例性的，图3示出本公开一示例性实施例中确定第二虚拟分值的方法的流程示意图。参考图3，该方法可以包括步骤s310至步骤s340。
[0105]
在步骤s310中，获取在第一目标时间段内，基于所述预设采样频率采集到的所述候选特征的特征值的第一累计值。
[0106]
在一种可选的实施方式中，第一目标时间段的结束日期为所述历史传播持续时段的开始日期或所述历史传播持续时段的开始日期之前的日期，所述第一目标时间段的时长为第二预设值。
[0107]
在所述第一目标时间段的结束日期为所述历史传播持续时段的开始日期之前的日期时，第一目标时间段的结束日期与历史传播持续时段的开始日期的时间差小于某个预设值，如小于2天，即第一目标时间段的结束日期为历史传播持续时段的开始日期的前1天或前2天。
[0108]
换言之，第一目标时间段的结束日期最晚为历史传播持续时段的开始日期，且不能与历史传播持续时段的开始日期间隔太远。
[0109]
第一目标时间段的时长可以根据需求确定，如可以为90天，60天等，本示例性实施方式对此不做特殊限定。
[0110]
以第一目标时间段的时长是90天、预设采集频率是每天，历史传播持续时段为[a，b]为例，则第一目标时间段可以为[a-90，a]。针对每个候选特征，可以采集其在[a-90，a]这段时间内每天的特征值，得到每个候选特征在第一目标时间段内的特征序列，然后将该特征序列中的所有特征值进行求和，以得到每个候选特征的特征值在第一目标时间段内的第一累计值。
[0111]
接下来，在步骤s320中，确定所述第一目标时间段对应的第一预设数量个历史同期时间段，分别在每个历史同期时间段内基于所述预设采样频率采集所述候选特征的特征值。
[0112]
在一种可选的实施方式中，第一目标时间段对应的历史同期时间段可以理解为在第一目标时间段所处的年度之前，且未发生过第一传染病的传播的年度中，与第一目标时间段的开始日期和结束日期相同的时段。如第一目标时间段为2020年12月25日至2021年3月1日，且在2020年前未发生过第一传染病的传播，则与其对应的一个历史同期时段可以为2019年12月25日至2020年3月1日。
[0113]
其中，第一预设数量可以根据需求进行自定义，第一预设数量为大于或等于1的整数。本示例性实施方式对此不做特殊限定。
[0114]
确定出与第一目标时间段对应的历史同期时间段后，可以分别在每个历史同期时间段内基于所述预设采样频率采集每个候选特征的特征值。继续以预设采样频率是每天为例，针对每个候选特征，可以分别采集其在每个历史同期时间段内每天的特征值，得到该候选特征在该历史同期时间段内的特征序列。
[0115]
在步骤s330中，分别确定出每个历史同期时间段内采集到的所述候选特征的特征值的第二累计值，得到所述第一预设数量个第二累计值。
[0116]
示例性的，针对每个候选特征，分别将其在每个历史同期时间段内的特征序列中的特征值进行累加，以得到其在每个历史同期时间段内的特征值的第二累计值。换言之，得到的第二累计值的数量和历史同期时间段的数量相同。
[0117]
得到第一累计值和第一预设数量个第二累计值后，在步骤s340中，根据所述第一累计值和所述第一预设数量个第二累计值，确定出所述候选特征的第二虚拟分值。
[0118]
在一种可选的实施方式中，步骤s340的具体实施方式可以包括：确定所述第一预设数量个第二累计值的平均值；确定所述第一累计值和所述平均值之间的差值的绝对值；计算所述绝对值与所述平均值之间的比值，以确定出所述候选特征的第二虚拟分值。
[0119]
举例而言，可以根据如下的公式(1)，基于第一累计值和第一预设数量个第二累计值确定出候选特征i的第二虚拟分值。
[0120][0121]
公式(1)中，c(f)表示第二虚拟分值，abs表示取绝对值，mean表示取均值，s(fi)表示候选特征i在第一目标时间段内的第一累计值，s
in
表示特征i在第n个历史同期时间段内的第二累计值。
[0122]
以第一目标时间段是上述的[a-90，a]、第一预设数量是3为例，针对每个候选特征i，可以根据预设采样频率采集其在[a-90，a]内的特征值，对采集到的所有特征值进行累加，以得到候选特征i的特征值的第一累计值s(fi)，再确定出未发生过第一传染病传播的过往3年同时段内该候选特征i的特征值的第二累计值s
i1
，s
i2
，s
i3
，然后，可以确定出候选特征i的第二虚拟分值为：
[0123]
在本公开中，在第一预设数量为多个时，即为大于1的整数时，可以根据多个历史
同期时段的第二累计值的平均值确定出候选特征在历史同期时段的累计值，提高确定的候选特征在历史同期时段的特征值的累计值的稳定性和准确性，进而提高第二虚拟分值确定的准确性。
[0124]
确定出第二虚拟分值后，可以基于每个候选特征对应的所述多个第一相关程度和所述第二虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
[0125]
示例性的，基于每个候选特征对应的多个第一相关程度和所述第二虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征的具体实施方式可以包括：从所述候选特征的多个特征序列对应的多个第一相关程度中，确定出所述候选特征对应的最大第一相关程度；根据所述候选特征对应的最大第一相关程度，确定出所述候选特征的第一虚拟分值；分别确定所述第一虚拟分值和所述第一虚拟分值对应的第一权重的第一乘积、所述第二虚拟分值和所述第二虚拟分值对应的第二权重的第二乘积；根据所述第一乘积和所述第二乘积之和，确定出所述候选特征的第一目标虚拟分值；然后，基于所述第一目标虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
[0126]
举例而言，针对每个候选特征对应的多个第一相关程度，可以确定出多个第一相关程度中的最大第一相关程度，进而根据每个候选特征对应的最大第一相关程度，确定出该候选特征的第一虚拟分值。然后，可以根据第一权重和第二权重，对每个候选特征的第一虚拟分值和第二虚拟分值进行加权求和，将加权求和的结果作为每个候选特征的第一目标虚拟分值。然后，根据每个候选特征的第一目标虚拟分值进行目标特征的选择。
[0127]
其中，根据第一目标虚拟分值选择目标特征的具体实施方式，均和上述的根据第一虚拟分值选择目标特征的具体实施方式相同，将其中的技术术语“第一虚拟分值”替换为“第一目标虚拟分值”即可，此处不再进行赘述。
[0128]
同样的，在某个第一传染病的历史传播持续时段包括多个时，可以分别根据每个历史传播持续时段执行上述的步骤以分别得到每个特征在每个历史传播持续时段的第一目标虚拟分值，然后对每个历史传播持续时段对应的第一目标虚拟分值进行加权平均，根据加权平均后的第一目标虚拟分值确定出每个候选特征在该第一传染病中最终的第一目标虚拟分值。
[0129]
在实际中，某些候选特征的特征序列可能与传染病的传播的相关程度不高，但这些特征的累积效果可能会对传染病造成影响。所以，通过上述的步骤s310至步骤s340，可以根据特征值的累计值筛选出特征的累积效果与传染病的爆发具有强相关性的特征，进而提高传染病预警特征确定的准确性。
[0130]
在一种可选的实施方式中，还可以确定出第三虚拟分值。这样，步骤s140的具体实施方式可以包括根据多个第一相关程度和第三虚拟分值，确定出用于对第二传染病进行预警的目标特征，以根据目标特征对第二传染病进行预警；步骤s140的具体实施方式还可以包括根据所述多个第一相关程度、所述第二虚拟分值和所述第三虚拟分值，确定出用于对第二传染病进行预警的目标特征，以根据目标特征对第二传染病进行预警。
[0131]
示例性的，图4示出本公开一示例性实施例中确定第三虚拟分值的方法的流程示意图。参考图4，该方法可以包括步骤s410至步骤s440。
[0132]
在步骤s410中，以预设时间间隔为目标周期，在所述历史传播持续时段之前确定出第二预设数量个目标周期。
[0133]
在一种可选的实施方式中，预设时间间隔对应的时长可以进行自定义设置，在自定义设置时，可以参考经验进行设置，也可以直接随机的进行设置，即目标周期的时长可以自定义设置。
[0134]
在一种可选的实施方式中，预设时间间隔对应的时长可以小于或等于历史传播持续时段对应的时长。
[0135]
以预设时间间隔对应的时长等于历史传播持续时段对应的时长t为例，可以历史传播持续时段的开始日期为起点，在历史传播持续时段的开始日期之前，确定出第二预设数量个时长为t的目标周期。
[0136]
其中，第二预设数量个目标周期可以连续，也可以不连续，第二预设数量的值也可以进行自定义配置，本示例性实施方式对此不做特殊限定。如预设时间间隔为20天，历史传播持续时段的开始日期为2022年4月1日，则可以将2022年4月1日之前的20天确定为目标周期1，将2022年4月1日之前的40天到2022年4月1日之前的20天确定为目标周期2，可以将2022年4月1日之前的60天到2022年4月1日之前的40天确定为目标周期3，以此类推，可以在历史传播持续时段之前，确定出多个目标周期，然后，可以从中选择出第二预设数量个任意目标周期。
[0137]
在步骤s420中，根据所述预设采样频率分别在每个所述目标周期内对所述候选特征进行采样，以分别确定出所述候选特征在每个所述目标周期内对应的待比对特征序列。
[0138]
以预设采样频率是每天为例，针对每个候选特征，可以在第二预设数量个目标周期中的每个目标周期内采集该候选特征每天的特征值，以生成该候选特征在该目标周期内的特征序列，将该特征序列作为待比对特征序列。换言之，每个候选特征对应的待比对特征序列的数量为第二预设数量。
[0139]
接下来，在步骤s430中，基于所述预设采样频率，在所述历史传播持续时段内的任一所述目标周期内，对所述候选特征进行采样，以得到所述候选特征的目标特征序列。
[0140]
在一种可选的实施方式中，历史传播持续时段的开始日期为历史传播持续时段内的第一个目标周期的开始日期。以历史传播持续时段的时长为60天，目标周期的时长为10天为例，历史传播持续时段内包括了6个目标周期，历史传播持续时段的第1天到第10天为历史传播持续时段内的的第1个目标周期，历史传播持续时段内的第11天到第20天为历史传播持续时段内的第2个目标周期，以此类推，历史传播持续时段内的第51天到第60天为历史传播持续时段内的第6个目标周期。
[0141]
以预设采样频率是每天为例，针对每个候选特征，可以在历史传播持续时段内的任一目标周期内，采集该候选特征每天的特征值，以得到该候选特征的目标特征序列。
[0142]
在步骤s440中，根据所述待比对特征序列和所述目标特征序列之间的差异性程度，确定出所述候选特征的第三虚拟分值。
[0143]
示例性的，所述差异性程度可以通过以下方式确定：分别计算每个所述待比对特征序列与所述目标特征序列之间的第二相关程度，以得到所述第二预设数量个第二相关程度；基于负相关关系，根据所述第二预设数量个第二相关程度的均值，确定出所述待比对特征序列和所述目标特征序列之间的差异性程度。
[0144]
第二相关性程度的均值越大，表示差异性程度越小，即差异性程度与第二预设数量个第二相关程度呈负相关，所以，可以基于负相关关系，根据第二预设数量个第二相关程
度的均值，确定出候选特征的待比对特征序列和目标特征序列之间的差异性程度，以此来表征该候选特征的周期性差异程度。其中，第二相关程度可以基于皮尔森相关系数、t检验、秩和检验中的任一种方式确定。还可以基于其它的确定相关性的方式确定，如协方差等，本示例性实施方式对此不做特殊限定。
[0145]
在一种可选的实施方式中，可以根据第二预设数量个第二相关程度的均值对应的相反数，确定出差异性程度。这样，可以满足差异性程度与第二相关程度的均值呈负相关的同时，可以保证二者之间的负相关关系是线性的，便于和第一虚拟分值和/或第二虚拟分值进行加权融合。当然，也可以根据其它的使得第二相关程度的均值和差异性程度呈负相关的关系，确定出差异性程度，如差异性程度为第二预设数量个第二相关程度的倒数，本示例性实施方式对此不做特殊限定。
[0146]
在第二预设数量为大于1的正整数时，可以通过多个周期内的特征序列进行对比，以确定出候选特征的周期性差异，从而提高差异性程度确定的准确性，进而提高确定的第三虚拟分值的准确性。
[0147]
示例性的，步骤s440的具体实施方式可以是，根据差异性程度与第三虚拟分值之间的正比例关系，确定出第三虚拟分值，即差异性程度越大，第三虚拟分值越大。如，可以直接将差异性程度确定为第三虚拟分值。
[0148]
在基于皮尔森相关系数确定第二相关程度时，由于皮尔森相关系数确定出的相关性系数可以是正值，也可以是负值，但无论是正值、还是负值，都是相关性系数的绝对值越大，表明相关程度越高。所以，在基于皮尔森系数表征第二相关程度时，可以先对每个第二相关程度取绝对值，然后求取各绝对值的均值，进而根据各绝对值的均值对应的相反数，确定出待比对特征序列和目标特征序列之间的差异性程度，这样，可以满足差异性程度与第二预设数量个第二相关程度的均值呈负相关的关系。
[0149]
举例而言，周期性变化的特征也无法通过历史传播持续时段内的特征序列和历史传播持续时段内的新增人数序列之间的相关性确定，如传染病传播的时段内周期性特征自身和过往周期产生较大差异，但是和新增传染人数未发生直接相关，这类周期内时序的变化也不足以呈现累计值的明显差异，那么就需要考虑到周期内序列的差异，周期内序列的差异性越大，其对传染病的传播的影响也就越大。
[0150]
具体实现来说，即便不知道候选特征i的特征序列fi的周期，也可以按照固定时间差，即以预设时间间隔为目标周期，对该候选特征i的特征值进行多次截取，以得到多个目标周期内对应的多个特征序列，对于周期性特征而言，只要截取的时段固定，那么截取获得的特征序列也应该呈现周期性，从而可以基于每个目标周期内的特征序列，确定不同周期内候选特征的特征序列的差异性。
[0151]
以预设时间间隔为第一传染病的历史传播持续时段对应的时长t、第二预设数量是3、预设采样频率是每天、第二相关程度基于皮尔森系数确定为例，在历史传播持续时段内就只包括一个目标周期，即整个历史传播持续时段，然后，在历史传播持续时段内采集候选特征每天的特征值，这样，可以得到历史传播持续时段内该候选特征对应的目标特征序列f
it
。然后，按照历史传播持续时段的开始日期a为起始时间点，以时长t为间隔截取出3个目标周期，在每个目标周期中采样得到该候选特征每天的特征值，对应的得到3个待比对特征序列f
i-1t
、f
i-2t
、f
i-3t
，可以基于如下的公式(2)得到每个候选特征i的第三虚拟分值：
[0152][0153]
在公式(2)中，zfi表示最终获得的第三虚拟分值，pearson表示皮尔森相关系数，abs表示取绝对值。皮尔森相关系数越高，表明待比对特征序列和目标序列之间的相关程度越高，那么差异性程度就越低，差异性程度越低，第三虚拟分值就越小。
[0154]
在一种可选的实施方式中，如前所述，确定出第三虚拟分值后，可以基于所述候选特征对应的多个第一相关程度和所述第三虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
[0155]
示例性的，基于所述多个第一相关程度和所述第三虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，可以包括：从所述多个第一相关程度中，确定出最大第一相关程度；根据所述最大第一相关程度，确定出所述候选特征的第一虚拟分值；分别确定所述第一虚拟分值和所述第一虚拟分值对应的第一权重的第一乘积、所述第三虚拟分值和所述第二虚拟分值对应的第三权重的第三乘积；根据所述第一乘积和所述第三乘积之和，确定出所述候选特征的第二目标虚拟分值；基于所述第二目标虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
[0156]
其中，基于第二目标虚拟分值选择目标特征的具体实施方式，也可以参考上述的基于第一虚拟分值，选择目标特征的具体实施方式，将其中的技术术语“第一虚拟分值”替换为“第二目标虚拟分值”即可，此处不再进行赘述。
[0157]
同样的，在某个第一传染病的历史传播持续时段包括多个时，可以分别根据每个历史传播持续时段执行上述的步骤，以分别得到每个特征在每个历史传播持续时段的第二目标虚拟分值，然后对每个历史传播持续时段对应的第二目标虚拟分值进行加权平均，根据加权平均后的第二目标虚拟分值，确定出每个候选特征在该第一传染病中最终的第二目标虚拟分值，以基于最终的第二目标虚拟分值进行目标特征的选择。
[0158]
在一种可选的实施方式中，如前所述，确定出第三虚拟分值后，还可以基于多个第一相关程度、所述第二虚拟分值和所述第三虚拟分值，确定出用于对第二传染病进行预警的目标特征。
[0159]
示例性的，基于每个候选特征对应的多个第一相关程度、第二虚拟分值和第三虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征的具体实施方式可以包括：从所述多个第一相关程度中，确定出最大第一相关程度；根据所述最大第一相关程度，确定出所述候选特征的第一虚拟分值；分别确定所述第一虚拟分值和所述第一虚拟分值对应的第一权重的第一乘积、所述第二虚拟分值和所述第二虚拟发分值对应的第二权重的第二乘积、所述第三虚拟分值和所述第三虚拟分值对应的第三权重的第三乘积；计算所述第一乘积、所述第二乘积和所述第三乘积之和，以确定出所述候选特征在所述第一传染病中对应的第三目标虚拟分值；基于所述第三目标虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
[0160]
举例而言，在确定出每个候选特征的第三虚拟分值后，可以根据第一权重、第二权重、第三权重，对每个候选特征的第一虚拟分值、第二虚拟分值、第三虚拟分值进行加权求和，以确定出每个候选特征的第三目标虚拟分值，然后根据确定出的每个候选特征的第三目标虚拟分值，从候选特征中选择出目标特征。
[0161]
示例性的，在第一传染病和所述第二传染病相同时，可以基于所述候选特征对应的第三目标虚拟分值对所述候选特征进行降序排序；根据排序结果中的前m个候选特征，确定出用于对所述第一传染病进行预警的目标特征，其中，m为正整数。
[0162]
示例性的，在第一传染病和所述第二传染病不同时，可以针对多个不同的第一传染病分别执行上述的步骤，以得到候选特征在多个不同的第一传染病中的第三目标虚拟分值，然后确定出用于对第二传染病进行预警的目标特征。其中，第一传染病为发生过的已知传染病、第二传染病为未发生过的未知传染病，即新发传染病。
[0163]
示例性的，图5示出本公开一示例性实施例中的对新发传染病进行预警的方法的流程示意图。参考图5，该方法可以包括步骤s510至步骤s530。其中：在步骤s510中，获取候选特征在多个不同的第一传染病中对应的所述第三目标虚拟分值的均值；在步骤s520中，根据所述第三目标虚拟分值的均值对所述候选特征进行降序排序；在步骤s530中，根据排序结果中的前m个候选特征，确定出用于对所述第二传染病进行预警的目标特征，其中，m为正整数。
[0164]
举例而言，可以获取多个不同的第一传染病的相关数据，然后针对每个第一传染病，都可以执行上述的步骤以得到每个候选特征在该第一传染病中的第三目标虚拟分值。然后，计算每个候选特征在多个第一传染病中的第三目标虚拟分值的均值，根据该均值的降序顺序对各候选特征进行排序，选择出排序结果为前m个候选特征，将其作为对第二传染病进行预警的目标特征。
[0165]
同样的，在某个第一传染病的历史传播持续时段包括多个时，可以分别根据每个历史传播持续时段执行上述的步骤，以分别得到每个特征在每个历史传播持续时段对应的第三目标虚拟分值，然后对每个历史传播持续时段对应的第三目标虚拟分值进行加权平均，根据加权平均后的第三目标虚拟分值，确定出每个候选特征在该第一传染病中最终的第三目标虚拟分值，以基于最终的第三目标虚拟分值进行目标特征的选择。
[0166]
在一种可选的实施方式中，上述的第一权重、第二权重、第三权重可以进行自定义设置，其中，第一权重可以大于第一权重与第二权重。即第一权重可以是3个权重中的最大值，这是因为直接基于特征序列与新增人数序列之间的相关性确定出的第一虚拟分值具有较高的置信度，所以其对应的第一权重最大。如，可以将第一权重设置为1，第二权重和第三权重均设置为0.5。实际中，可以根据实际的场景，自定义的调整第一虚拟分值、第二虚拟分值和第三虚拟分值的权重。
[0167]
在一种可选的实施方式中，由于第一虚拟分值具有较高的置信度，所以可以分别根据第二虚拟分值和第一虚拟分值之间的误差，以及第三虚拟分值和第一虚拟分值之间的误差，确定出第二权重和第三权重。
[0168]
示例性的，图6示出本公开一示例性实施例中确定第二权重和第三权重的方法的流程示意图。参考图6，该方法可以包括步骤s610至步骤s630。其中：
[0169]
在步骤s610中，根据所述候选特征对应的最大第一相关程度的降序顺序对所述候选特征进行排序，确定出前n个参考候选特征。
[0170]
其中，n为正整数，其可以根据需求进行自定义设置。例如，可以选取最大第一相关程度排序在前20的候选特征，将其作为参考候选特征。由于最大第一相关程度和第一虚拟分值成正比，所以也可以根据第一虚拟分值进行降序排序，以确定出前n个候选特征为参考
候选特征。
[0171]
在步骤s620中，针对每个参考候选特征，分别计算所述参考候选特征的最大第一相关程度和所述参考候选特征的第二虚拟分值之间的第一误差、所述参考候选特征的最大第一相关程度和所述参考候选特征的第三虚拟分值之间的第二误差。
[0172]
在一种可选的实施方式中，第一误差也可以是参考候选特征对应的第一虚拟分值和第二虚拟分值之间的误差，第二误差也可以是参考候选特征对应的第一虚拟分值和第三虚拟分值之间的误差。
[0173]
其中，第一误差和第二误差可以用均方根误差(root mean square error，rmse)进行表征，也可以用其它的误差进行表征，如平均绝对误差(mean absolute error，mae)、交叉熵损失函数等，本示例性实施方式对此不做特殊限定。
[0174]
接下来，在步骤s630中，根据每个所述参考候选特征对应的所述第一误差和所述第二误差，确定出所述第二权重和所述第三权重。
[0175]
示例性的，步骤s630的具体实施方式可以包括：分别计算所述n个参考候选特征对应的所述第一误差的第一误差均值、所述n个参考候选特征对应的所述第二误差的第二误差均值；根据所述第一误差均值的相反数和所述第二误差均值的相反数生成输入向量，将所述输入向量输入到概率映射函数中，以得到与所述第二虚拟分值对应的第一概率和与所述三虚拟分值对应的第二概率；根据所述第一概率确定出所述第二虚拟分值对应的第二权重，以及根据所述第二概率确定出所述第三虚拟分值对应的第三权重。
[0176]
在一种可选的实施方式中，概率映射函数可以包括任意的能够将输入向量映射为概率分布的函数，如softmax函数、sigmoid函数等，本示例性实施方式对此不做特殊限定。
[0177]
下面，以选取的参考候选特征为20个、概率映射函数是softmax函数、第一误差和第二误差使用均方根误差进行表征为例，对基于第一误差和第二误差确定出第一权重和第二权重的具体实施方式进行进一步说明。
[0178]
针对选取的n个参考候选特征，可以计算其对应的第二虚拟分值和第三虚拟分值。然后，计算每个参考候选特征的第二虚拟分值与第一虚拟分值之间的第一误差，第三虚拟分值与第一虚拟分值之间的第二误差，然后分别通过如下公式(3)和公式(4)，求取第一误差的均值和第二误差的均值：
[0179][0180][0181]
在公式(3)和(4)中，表示参考候选特征i的第一虚拟分值或最大第一相关程度，为特征i的第二虚拟分值，为特征i的第三虚拟分值，ε(c(fs))为第一误差的均值，ε(z(fs))为第二误差的均值。
[0182]
将基于公式(3)和公式(4)得到的第一误差的均值的相反数和第二误差的均值的相反数作为输入向量，输入到softmax函数中，softmax函数可以通过如下的公式(5)和公式(6)分别得到第二权重和第三权重：
[0183][0184][0185]
在公式(5)和公式(6)中，wc为第二权重，wz为第三权重。由公式(5)和公式(6)可以看出，通过softmax函数映射得到的两个概率值的和为1，映射得到的概率值对应的作为相应的权重，即根据第一误差的均值的相反数映射的概率值为第二权重，根据第二误差的均值的相反数映射的概率值为第三权重，也就是说，第二权重和第三权重之和为1。其中，误差越大，经softmax变换后得到的概率值(即权重)就越小。
[0186]
在本公开中，第一虚拟分值是基于扫描相位差的思想确定的，通过扫描相位差得到多个候选时段对应的多个特征序列，从而可以基于多个特征序列与每日新增人数序列之间的相关程度，筛选出与对传染病的传播存在滞后影响的特征，以提高传染病的预警特征确定的准确性。
[0187]
进一步的，本公开中的第二虚拟分值可以理解为候选特征的累计性分数，其可以衡量候选特征的累积效果对传染病传播的影响，第三虚拟分值可以理解为周期性分数，其可以衡量特征的周期性差异对传染病传播的影响。通过第二虚拟分值和第三虚拟分值进行目标特征的选择，可以进一步筛选出累积效果与传染病的每日新增人数相关程度大的特征，以及周期性差异与传染病的每日新增人数的相关程度大的特征，进而进一步提高传染病的预警特征确定的准确性，从而可以基于更准确的预警特征对传染病进行更及时准确的预警。
[0188]
本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由cpu执行的计算机程序。在该计算机程序被cpu执行时，执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
[0189]
此外，需要注意的是，上述附图仅是根据本发明示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
[0190]
图7示出本公开示例性实施例中传染病预警装置的结构示意图。参考图7，该装置700可以包括新增人数序列确定模块710、多个特征序列获取模块720、第一相关程度计算模块730以及传染病预警模块740。其中：新增人数序列确定模块710，被配置为获取在第一传染病的历史传播持续时段内，基于预设采样频率确定的所述第一传染病对应的新增人数序列；多个特征序列获取模块720，被配置为获取候选特征在多个候选时段对应的多个特征序列，每个候选时段的时长与所述历史传播持续时段对应的时长相同，且每个候选时段的开始日期与所述历史传播持续时段的开始日期的时间差在第一预设值内，每个候选时段对应的特征序列根据在所述候选时段内基于所述预设采样频率采集到的特征值确定；第一相关程度计算模块730，被配置为分别计算所述候选特征在各候选时段对应的特征序列与所述新增人数序列之间的第一相关程度，以得到多个特征序列对应的多个第一相关程度；传染
病预警模块740，被配置为根据所述多个第一相关程度，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，以根据所述目标特征对所述第二传染病进行预警。
[0191]
在本公开的一些示例性实施例中，基于前述实施例，所述传染病预警模块740可以被具体配置为：从所述候选特征的多个特征序列对应的多个第一相关程度中，确定出最大第一相关程度；根据所述候选特征对应的最大第一相关程度，确定出所述候选特征的第一虚拟分值；根据所述第一虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
[0192]
在本公开的一些示例性实施例中，基于前述实施例，所述传染病预警模块740还可以被具体配置为：获取在第一目标时间段内，基于所述预设采样频率采集到的所述候选特征的特征值的第一累计值，所述第一目标时间段的结束日期为所述历史传播持续时段的开始日期或所述历史传播持续时段的开始日期之前的日期，所述第一目标时间段的时长为第二预设值；确定所述第一目标时间段对应的第一预设数量个历史同期时间段，分别在每个历史同期时间段内基于所述预设采样频率采集所述候选特征的特征值；分别确定出每个历史同期时间段内采集到的所述候选特征的特征值的第二累计值，得到所述第一预设数量个第二累计值；根据所述第一累计值和所述第一预设数量个第二累计值，确定出所述候选特征的第二虚拟分值；基于所述多个第一相关程度和所述第二虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
[0193]
在本公开的一些示例性实施例中，基于前述实施例，所述根据所述第一累计值和所述第一预设数量个第二累计值，确定出所述候选特征的第二虚拟分值，包括：确定所述第一预设数量个第二累计值的平均值；确定所述第一累计值和所述平均值之间的差值的绝对值；计算所述绝对值与所述平均值之间的比值，以确定出所述候选特征的第二虚拟分值。
[0194]
在本公开的一些示例性实施例中，基于前述实施例，所述基于所述多个第一相关程度和所述第二虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，包括：从所述候选特征的多个特征序列对应的多个第一相关程度中，确定出所述候选特征对应的最大第一相关程度；根据所述候选特征对应的最大第一相关程度，确定出所述候选特征的第一虚拟分值；分别确定所述第一虚拟分值和所述第一虚拟分值对应的第一权重的第一乘积、所述第二虚拟分值和所述第二虚拟分值对应的第二权重的第二乘积；根据所述第一乘积和所述第二乘积之和，确定出所述候选特征的第一目标虚拟分值；基于所述第一目标虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
[0195]
在本公开的一些示例性实施例中，基于前述实施例，所述基于所述多个第一相关程度和所述第二虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，包括：以预设时间间隔为目标周期，在所述历史传播持续时段之前，确定出第二预设数量个目标周期；根据所述预设采样频率分别在每个所述目标周期内对所述候选特征进行采样，以分别确定出所述候选特征在每个所述目标周期内对应的待比对特征序列；基于所述预设采样频率，在所述历史传播持续时段内的任一所述目标周期内对所述候选特征进行采样，以得到所述候选特征的目标特征序列；根据所述待比对特征序列和所述目标特征序列之间的差异性程度，确定出所述候选特征的第三虚拟分值；基于所述多个第一相关程、所述第二虚拟分值和所述第三虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
[0196]
在本公开的一些示例性实施例中，基于前述实施例，所述传染病预警模块740还可以被配置为：以预设时间间隔为目标周期，在所述历史传播持续时段之前确定出第二预设数量个目标周期；根据所述预设采样频率分别在每个所述目标周期内对所述候选特征进行采样，以分别确定出所述候选特征在每个所述目标周期内对应的待比对特征序列；基于所述预设采样频率，在所述历史传播持续时段内的任一所述目标周期内对所述候选特征进行采样，以得到所述候选特征的目标特征序列；根据所述待比对特征序列和所述目标特征序列之间的差异性程度，确定出所述候选特征的第三虚拟分值；基于所述多个第一相关程度和所述第三虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
[0197]
在本公开的一些示例性实施例中，基于前述实施例，所述基于所述多个第一相关程度和所述第三虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，包括：从所述候选特征的多个特征序列对应的多个第一相关程度中，确定出所述候选特征对应的最大第一相关程度；根据所述候选特征对应的最大第一相关程度，确定出所述候选特征的第一虚拟分值；分别确定所述第一虚拟分值和所述第一虚拟分值对应的第一权重的第一乘积、所述第三虚拟分值和所述第二虚拟分值对应的第三权重的第三乘积；根据所述第一乘积和所述第三乘积之和，确定出所述候选特征的第二目标虚拟分值；基于所述第二目标虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
[0198]
在本公开的一些示例性实施例中，基于前述实施例，所述差异性程度通过以下方式确定：分别计算每个所述待比对特征序列与所述目标特征序列之间的第二相关程度，以得到所述第二预设数量个第二相关程度；根据所述第二预设数量个第二相关程度的均值，确定出所述待比对特征序列和所述目标特征序列之间的差异性程度，所述差异性程度与所述第二相关程度的均值呈负相关关系。
[0199]
在本公开的一些示例性实施例中，基于前述实施例，所述基于所述多个第一相关程度、所述第二虚拟分值和所述第三虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，包括：从所述候选特征的多个特征序列对应的多个第一相关程度中，确定出所述候选特征对应的最大第一相关程度；根据所述候选特征对应的最大第一相关程度，确定出所述候选特征的第一虚拟分值；分别确定所述第一虚拟分值和所述第一虚拟分值对应的的第一权重的第一乘积、所述第二虚拟分值和所述第二虚拟分值对应的第二权重的第二乘积、所述第三虚拟分值和所述第三虚拟分值对应的第三权重的第三乘积；计算所述第一乘积、所述第二乘积和所述第三乘积之和，以确定出所述候选特征在所述第一传染病中对应的第三目标虚拟分值；基于第三目标虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征。
[0200]
在本公开的一些示例性实施例中，基于前述实施例，所述第二权重和所述第三权重通过以下方式确定：根据所述候选特征对应的最大第一相关程度的降序顺序对所述候选特征进行排序，确定出前n个参考候选特征，n为正整数；针对每个参考候选特征，分别计算所述参考候选特征的最大第一相关程度和所述参考候选特征的第二虚拟分值之间的第一误差、所述参考候选特征的最大第一相关程度和所述参考候选特征的第三虚拟分值之间的第二误差；根据每个所述参考候选特征对应的所述第一误差和所述第二误差，确定出所述第二权重和所述第三权重。
[0201]
在本公开的一些示例性实施例中，基于前述实施例，所述根据每个所述参考候选
特征对应的所述第一误差和所述第二误差，确定出所述第二权重和所述第三权重，包括：分别计算所述n个参考候选特征对应的所述第一误差的第一误差均值、所述n个参考候选特征对应的所述第二误差的第二误差均值；根据所述第一差值均值的相反数和所述第二误差均值的相反数生成输入向量，将所述输入向量输入到概率映射函数中，以得到与所述第二虚拟分值对应的第一概率和与所述三虚拟分值对应的第二概率；根据所述第一概率确定出所述第二虚拟分值对应的第二权重，以及根据所述第二概率确定出所述第三虚拟分值对应的第三权重。
[0202]
在本公开的一些示例性实施例中，基于前述实施例，所述第一传染病和所述第二传染病相同；所述基于所述第三目标虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，包括：基于所述第三目标虚拟分值对所述候选特征进行降序排序；根据排序结果中的前m个候选特征，确定出用于对所述第一传染病进行预警的目标特征，其中，m为正整数。
[0203]
在本公开的一些示例性实施例中，基于前述实施例，所述第一传染病和所述第二传染病不同；所述基于所述第三目标虚拟分值，从所述候选特征中选择出用于对第二传染病进行预警的目标特征，包括：获取候选特征在多个不同的第一传染病中对应的所述第三目标虚拟分值的均值；根据所述第三目标虚拟分值的均值对所述候选特征进行降序排序；根据排序结果中的前m个候选特征，确定出用于对所述第二传染病进行预警的目标特征，其中，m为正整数。
[0204]
在本公开的一些示例性实施例中，基于前述实施例，所述第一相关程度基于皮尔森相关系数、t检验、秩和检验中的任一种方式确定。
[0205]
上述传染病预警装置中各单元的具体细节已经在对应的传染病预警方法中进行了详细的描述，因此此处不再赘述。
[0206]
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
[0207]
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
[0208]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
[0209]
在本公开示例性实施方式中，还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设
备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
[0210]
根据本公开的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0211]
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0212]
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0213]
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0214]
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0215]
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
[0216]
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0217]
下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0218]
如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830以及显示单元840。
[0219]
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种
示例性实施方式的步骤。例如，所述处理单元810可以执行如图1至图6中所示的各个步骤。
[0220]
存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(rom)8203。
[0221]
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0222]
总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0223]
电子设备800也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0224]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
[0225]
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
[0226]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。