[发明专利]流感预测模型的生成方法、装置及计算机可读存储介质

权利要求书

1.一种流感预测模型的生成方法，其特征在于，所述方法包括：

获取连续多个时间单元内的流感样病例百分比数据，建立自回归积分滑动平均ARIMA模型；

获取舆情关键词，根据所述舆情关键词获取所述多个时间单元内的舆情数据序列，将所述舆情数据序列中的舆情数据作为预测特征，训练基于xgboost算法构建的xgboost预测模型，以确定模型参数；

根据所述ARIMA模型和所述xgboost预测模型，构建基于卡尔曼滤波算法的流感预测模型；

将所述ARIMA模型对目标时间单元的第一预测值作为状态变量的测量值，将所述xgboost预测模型对目标时间单元的第二预测值作为状态变量的先验估计值，计算当前的所述流感预测模型的卡尔曼增益；

根据计算得到的卡尔曼增益更新更新所述流感预测模型中所述ARIMA模型和所述xgboost预测模型的权重，经更新权重后的所述流感预测模型用于预测所述目标时间单元的下一个时间单元的流感样病例百分比。

2.如权利要求1所述的流感预测模型的生成方法，其特征在于，所述确定舆情关键词，根据所述舆情关键词获取所述多个时间单元内的舆情数据序列，将所述舆情数据序列中的舆情数据作为预测特征，训练基于xgboost算法构建的xgboost预测模型，以确定模型参数的步骤包括：

确定舆情关键词，根据所述舆情关键词获取连续多个时间单元内的舆情数据序列，并将所述舆情数据序列中的舆情数据作为候选特征，构建候选特征集合；

对所述候选特征集合中的候选特征进行小波去噪处理和去趋势处理；

确定特征的预设数量，并从经过小波去噪处理和去趋势处理后的候选特征集合中筛选出所述预设数量的候选特征，构成预测特征集合；

使用所述预测特征集合以及所述多个连续时间单元内的流感样病例百分比的实际观测值，训练基于xgboost算法构建的xgboost预测模型，以确定模型参数。

3.如权利要求2所述的流感预测模型的生成方法，其特征在于，所述对所述候选特征集合中的候选特征进行小波去噪处理和去趋势处理的步骤包括：

确定小波基函数，按照所述小波基函数对所述候选特征集合中的每个特征形成的序列进行小波分解，并确定分解层数；

确定小波去噪的阈值，按照确定的阈值对小波分解后的预测特征的各层次的系数进行调整；

对调整过的小波系数做逆变换重构，得到去噪之后的候选特征；

针对小波去噪处理后的候选特征集合中每个时间单元对应的候选特征，获取该时间单元之前的连续多个时间单元的数据进行线性回归，以构建趋势预测模型，根据所述趋势预测模型获取该时间单元对应的基线预测值；

使用该时间单元的候选特征的实际值减去所述基线预测值，得到去趋势之后的候选特征。

4.如权利要求2或3所述的流感预测模型的生成方法，其特征在于，所述确定特征的预设数量的步骤包括：

基于xgboost算法构建模型作为学习器，将所述候选特征集合中的候选特征输入所述学习器，使用特征递归消除交叉验证算法选择模型性能达到预设条件时的特征数量作为所述预设数量。

5.如权利要求2或3所述的流感预测模型的生成方法，其特征在于，所述从经过小波去噪处理和去趋势处理后的候选特征集合中筛选出所述预设数量的候选特征，构成预测特征集合的步骤包括：

基于xgboost算法构建模型作为学习器，将所述候选特征集合中的候选特征输入所述学习器，并按照特征递归消除算法进行迭代运算；

获取所述学习器经过运算返回的模型系数，根据所述模型系数确定每个候选特征集合中各候选特征的重要程度；

根据各候选特征的重要程度从当前的候选特征集合中移除重要程度最小的K个候选特征；

重复执行上述步骤，直至筛选得到的候选特征的数量达到所述预设数量；

所述预设数量的候选特征构成预测特征集合。