[发明专利]基于不完整数据深度学习的传染病协同预测方法和机器人

说明书

基于不完整数据深度学习的传染病协同预测方法和机器人，包括：目标传染病获取步骤；每一区域模型初始化步骤；每一区域模型训练步骤；每一区域模型使用步骤。上述方法、系统和机器人，对不同的数据源进行组合，并且构建相应的深度学习模型，数据源不同组合的数据训练出来的深度学习预测模型具有不同的预测准确率，不同预测准确率则代表其可信的程度，通过寻找可信度最高的模型，进而可以找到最佳的数据源组合和最佳的模型，从而使得多源数据能够在提高预测准确率上发挥重要作用。同时计算出每一深度学习预测模型的可信误差范围，进而根据模型预测的结果和可信误差范围就能得到可信的结果范围，能够极大提高预测结果的可用性。

技术领域

本发明涉及人工智能技术领域，特别是涉及一种基于不完整数据深度学习的传染病协同预测方法和机器人。

背景技术

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：多源大数据有一个很大的问题就是有些数据源不是非常稳定和可靠，所以经常存在数据缺失的情况。当新发重大传染病大数据有很多来源时，如何协同各种来源的数据，使之不冲突且能相互补益？而且有时多个数据发生冲突时并不知道哪个是对，那个是错，那又怎么办？传统的方式是将多源数据进行相互比对来进行校正，但现实中多源数据大多是异构的，例如望诊的数据和闻诊的数据是完全异构的，医院上报的数据指标与个人上报的数据指标与互联网上的数据指标也是完全异构的，所以根本无法通过简单比对的方式进行相互纠偏。

因此，现有技术还有待于改进和发展。

发明内容

基于此，有必要针对现有技术的缺陷或不足，提供基于不完整数据深度学习的传染病协同预测方法和机器人，以解决现有技术中传染病在开始阶段数据不足成为深度学习障碍的问题，提高传染病初期时空预测模型的效果。

第一方面，本发明实施例提供一种人工智能方法，所述方法包括：

目标传染病获取步骤：获取待预测的传染病作为目标传染病；

每一区域模型初始化步骤：为每一区域的所有数据源的每一组合初始化一个深度学习模型作为所述每一区域所述每一数据源组合的传染病预测模型；若每一区域包括K1种数据源，每一区域的所有数据源的每一组合包括所述每一区域的每一种数据源，所述每一区域的每二种数据源，…,所述每一区域的每K1种数据源；

每一区域模型训练步骤：将所述每一区域的每一时间段的所述每一数据源组合的数据作为输入，将所述每一区域的每一时间段的目标传染病疫情真实结果作为预期输出，对所述每一区域所述每一数据源组合的传染病预测模型进行训练，得到所述每一区域所述每一数据源组合的传染病预测模型；将所述每一区域的每一时间段的所述每一数据源组合的数据作为输入，将所述每一区域的每一时间段的目标传染病疫情真实结果作为预期输出，通过测试，获取所述每一区域所述每一数据源组合的传染病预测模型的预测准确率，作为所述每一区域所述每一数据源组合的传染病预测模型的可信度，获取所述每一区域所述每一数据源组合的传染病预测模型的预测输出与预期输出的差异值的最大范围；将所述最大范围作为所述每一区域所述每一数据源组合的传染病预测模型的可信误差范围；获取可信度最高的所述每一区域所述每一数据源组合的传染病预测模型作为所述每一区域的最佳传染病预测模型；将所述最高可信度作为所述每一区域的最佳传染病预测模型的可信度；将可信度最高的所述每一区域所述每一数据源组合作为所述每一区域的最佳数据源组合；将可信度最高的所述每一区域所述每一数据源组合的传染病预测模型的可信误差范围作为所述每一区域的最佳传染病预测模型的可信误差范围；