[发明专利]一种融合时空信息的传染病传播预测系统和装置

说明书

本发明通过人工智能领域的方法，实现了一种融合时空信息的传染病传播预测系统及应用其的装置。通过设计数据收集单元，收集不同地区的与时间相关的序列数据、疫情数据和空间关系组成的邻接矩阵，利用相关性分析单元分析时间序列数据与疫情数据之间的关联；进而将上述数据均输入一个应用复杂网络方法的传染病传播预测模型，形成预测结果；根据预测结果给不同地区的疫情风险作评级后，将预测结果和评级结果作为系统输出结果。这一系统能够在得到与疫情数据强相关的数据、不同地区的动态的空间联系基础上，得到不同地区的更为准确的疫情预测结果。

技术领域

本发明涉及多变量时空序列预测领域，尤其涉及一种融合时空信息的传染病传播预测系统和装置。

背景技术

对于应对传染病的防控问题，准确预测疫情的走向，对于如何调配医疗资源、如何调整疫情防控政策，有着指导性的意义。

目前，对于某地传染病疫情走向的预测，有两类常见的方法。第一类是数学模型方法，例如SI、SIR、SIRS、SEIR等。这类方法建立了不同种类的人群(例如易感者、暴露者、感染者、康复者等)之间的微分方程关系，并通过疫情前期数据来确定微分方程中各个参数的最优解，从而得到疫情的发展趋势。它们适合于疫情防控措施变化微小时的情况，预测精度受人群行为方式改变以及政策改变的影响较大。第二类是单变量时间序列预测方法，例如ARIMA，SARIMA等。对于要预测的时间序列，这类方法只参考这一个时间序列的历史，并且建立历史与预测数据之间的关系。它们能够捕捉历史中疫情防控措施变化带来的影响，相对于第一类方法更加准确。

即便如此，以上方法仍存在不足之处。一方面，以上方法仅仅利用疫情数据本身进行预测，而没有考虑可能会影响疫情的其他因素；另一方面，以上方法忽视了其他地区的疫情情况对本地疫情的影响。这些都有可能成为降低预测准确度的原因。因此，我们的预测方法和装置将在这两点上做出改进。

如上所述，目前常见的疫情走向的预测方法仍有优化的空间。为了解决这个问题，本方案利用分析疫情期间不同空间区域中的各种时间序列数据与疫情数据之间的关联的方法，提取出对于预测疫情走向可能有利的数据，并将其与疫情数据一并加入到时空序列预测模型当中。

发明内容

为此，本发明首先提出一种融合时空信息的传染病传播预测系统，系统分为数据收集单元，用于对收集不同地区的时间序列数据、疫情数据和空间关系组成的邻接矩阵；相关性分析单元，用于分析所述收集数据中不同地区中的各种时间序列数据与疫情数据之间的关联，得到相关性较高的时间序列数据；线性自注意力机制单元，将所述疫情数据、所述相关性较高的时间序列数据、所述邻接矩阵作为输入数据，经过第一个线性自注意力模块及前馈神经网络进行模型训练，学习数据在时序上的内在联系，再进入第二个线性自注意力模块和前馈神经网络，生成动态的空间特征；时空图卷积单元，将基于原有的空间结构和生成的动态空间特征，进行时空信息提取，得到疫情的时空序列预测结果；预测结果提取与分析单元，将得到的时空序列预测结果提取并分析，通过对外输出接口推送疫情的预警结果。

所述数据收集单元收集所述输入数据的方法为：从发布相关数据的网站下载格式化的数据，或利用爬虫技术爬取数据后，对数据进行清洗、整理，而后得到输入数据。

所述相关性分析单元分析所述输入数据中不同地区中的各种时间序列数据与疫情数据之间的关联的方法为：首先确立反映疫情严重程度的指标，将新增感染人数、新增住院人数、新增死亡人数作逐日差分的结果；而后，将收集好的各地区各种时间序列数据偏移一定天数，与这些指标作Pearson相关性分析和Spearman相关性分析，得到与这些指标相关性高的时间序列数据和相关性出现最大值时的偏移天数。

所述线性自注意力机制单元的结构为：输入的各地区的各时间序列数据和疫情数据将经过第一个线性自注意力(Linear Self-Attention)模块，该模块将对这些数据的不同时间点给予不同的attention，即后续计算时的权重，其计算方式如下：