[发明专利]利用细粒度数据的手足口病预测方法、电子设备及介质

权利要求书

1.一种利用细粒度数据的手足口病预测方法，其特征在于，包括：

S1、获取手足口病的历史病例数据；

S2、对所述历史病例数据进行预处理，并统计为两种不同时间间隔的时序数据；

S3、根据时间将所述两种不同时间间隔的时序数据进行数据聚合，得到多元时序数据，并将所述多元时序数据转化为有监督数据；

S4、根据所述有监督数据，训练手足口病预测模型；

S5、将实时采集的手足口病的病例数据输入训练好的所述手足口病预测模型，得到实时预测的手足口病的发病人数；

所述步骤S2中的两种不同时间间隔中，第一种时间间隔与目标时间间隔相同，把根据第一种时间间隔统计的时序数据称为等粒度时序数据；第二种时间间隔小于目标时间间隔，把根据第二种时间间隔统计的时序数据称为细粒度时序数据；

设置第一种时间间隔个数为M个，用[y₁,y₂,…,y_M]表示等粒度时序数据；

设置第一种时间间隔包含N个第二种时间间隔，用[x₁,x₂,…,x_M]表示输入的M等粒度时间间隔内对应的细粒度数据，则任意满足其中x_t,i表示等粒度时刻t内的第i个细粒度数据；

所述步骤S2中的预处理步骤包括：

对所述历史病例数据进行数据清洗，对清洗后的数据进行归一化处理；

所述步骤S3包括：

设置常数变量T为影响下一个时间间隔发病人数的时间间隔个数，将所述等粒度时序数据转化后，表示为：

设定第i个细粒度时刻的时序数据[x_1,i,x_2,i,…,x_M,i]，将该时序数据转化后，表示为：

其中，i∈{1,…,N}；

根据时间将两种不同时间间隔的时序数据进行数据聚合，得到多元时序数据，并将所述多元时序数据转化为有监督数据，表示为：

具体的处理过程如下：

Ⅰ)等粒度序列处理单元的表示部件包括：第一GRU层和第一线程层；第一GRU层用于处理输入等粒度时序数据并输出其隐藏状态；第一线程层合并隐藏状态并输出等粒度序列处理单元的预测值；

GRU的转化用f₁表示，其公式如下：

h_t＝f₁(h_t-1,[y₁,y₂,…,y_T])，

其中，是隐藏状态，n表示隐藏状态的个数；h_t-1表示上一个时刻隐藏状态；利用等粒度时序数据产生预测值，可通过线程层进行转化，公式如下：

c_y＝w_yh_t+b_y，

其中是等粒度数据侧的预测值，为权重参数，为偏置项；

Ⅱ)等粒度序列处理单元的表示部件包括：第二线程层、softmax层、第二GRU和第三线程层；第二线程层对输入的细粒度数据进行线性转化，softmax层用于强化重要时刻的细粒度数据输入、第二GRU层用于描述时序特性，利用第三线程层合并隐藏状态并输出细粒度部件的预测值；

通过线性加权突出周期性事件是增强输入信息提取的关键方法；输入要素的线性权重可以总结如下：

u＝∑w_u*[x₁,x₂,…,x_T]+b_u，

其中,表示输入的T等粒度时间间隔内对应的细粒度数据,是权重，b_u是偏差项，为线性化输出；

线性加权后，利用softmax层来弱化弱相关或不相关数据的影响，提高相关数据的权重，其公式为：

p＝softmax(e)，

其中，表示softmax层输出；对于p中的任一元素有：

其中，exp(·)表示指数函数；

第二GRU层被用来动态提取p中的时序特性，其公式如下：

h'_t＝f₂(h'_t-1,p)

其中，是隐藏状态；h'_t-1表示上一个时刻隐藏状态；利用细粒度时序数据产生预测值，可通过线程层进行转化，公式如下：

c_e＝w_eh'_t+b_e，

其中是细粒度数据侧的预测值，为权重，b_e是偏置项；

Ⅲ)在合并层中等粒度序列处理单元和细粒度序列处理单元的输出表示数据合并，然后通过一个全连接层将等粒度时序数据和细粒度时序数据结合起来以关联两个处理单元的输出，通过输出层输出结合了细粒度和等粒度的预测结果；这一步可以总结如下：

其中是双侧输出的合并向量，是这些输出的权重，是预测的下一个时间间隔的门诊病人数，是偏置项；

针对输出的预测结果进行反归一化操作，其计算公式如下：

d＝d'*(max(d)-min(d))+min(d)，

反归一化公式在方法中被应用对预测模型产生的最终预测结果进行修正。