[发明专利]一种聚集群体流感预测系统、存储介质和装置

说明书

本发明公开了一种聚集群体流感预测系统，包括LSTM模块、LightGBM模块、预测模块：所述LSTM模块被配置为采用LSTM得到聚集群体流感感染人数的预测值n；所述LightGBM模块被配置为采用LightGBM算法预测聚集群体中第i个人感染流感的概率，由大到小排序获得感染概率序列；所述预测模块被配置为根据所述LightGBM模块得到的概率修正计算流感感染人数的预测值n，获得流感感染人数的预测修正值，确定感染流感概率最高的前预测修正值个人为高风险人群。本发明将聚集群体流感爆发趋势与群体中每名个体的流感感染概率结合，能够准确预测出聚集群体中的易感者，其中的修正计算步骤在提高预测结果准确性的同时保证了计算速度。

技术领域

本发明属于人工智能、数据统计学、医疗信息化等领域，涉及一种聚集群体流感预测方法、存储介质和系统。

背景技术

流行性感冒是由流感病毒引起的急性呼吸道感染疾病，其临床表现为急起高热、疼痛乏力和轻度呼吸道等症状，严重时会导致死亡，并其感染性强。但由于症状易与普通感冒和其他上呼吸道感染疾病相混淆，很多患者往往在患病初期忽略，不仅严重损害自身身体健康，而且容易传染给他人，造成流感的爆发，使社会和国家造成巨大的损失。

目前对于流感的趋势预测已有一些进展，例如对流感爆发趋势进行预测，主要采用线性回归模型、时间序列模型等进行预测，这些预测方式以历史流感人数数据对模型进行训练，虽然一定程度上考量了诸如环境因素、天气因素等对流感病例的百分比造成一定程度影响的外部特征，但也仅是对爆发趋势的预测，并不能准确找出一定范围人群中的易感者。

由于流感传染性较强，在幼儿园、学校、工厂等人员聚集性较强的区域范围内，会在短时间内迅速传播，产生更加严重的后果。因此，对聚集性较强的群体范围内，不仅需要提前预测流感的爆发趋势，更需要根据个体差异，准确找到易感者，以便提示他们提前做好防范，遏制流感的进一步爆发。

长短记忆网络LSTM(Long Short Term Memory networks, LSTM)是一种特殊的循环神经网络（Recurrent Neural Network,RNN），是为了解决长期依赖问题被设计出来的。LSTM与传统RNN网络不同的是，其重复的模块是由遗忘门、输入门和输出门构成的细胞。

GBDT算法是目前在工业界已广泛应用，但由于GBDT算法属于并行式集成算法，其效率较低，在面对特征维度很高或者数据量太大时效率太低。为了解决GBDT面对海量数据遇到的问题微软提出了LightGBM算法，以决策树为基学习器，通过使用直方图算法寻找决策树的最佳分裂结点，并使用带深度限制的叶子生长策略(leaf_wise)分裂结点。

发明内容

本发明的目的在于采用多变量LSTM算法，结合影响聚集群体感染流感的外部因素，预测未来一段时间内流感爆发趋势，同时根据聚集群体中每名个体的主观情况和所处的客观条件，采用LightGBM算法判断聚集群体中的每名个体感染流感的概率，准确预测出聚集群体中的易感者，提示其加强防范。同时，加入修正计算步骤，用LightGBM算法得到的结果修正LSTM模型得到的流感感染人数，使预测结果更加准确。

为实现上述目的，本发明提供如下技术方案：

一种聚集群体流感预测系统，包括LSTM模块、LightGBM模块、预测模块：

所述LSTM模块被配置为采用LSTM得到聚集群体流感感染人数的预测值n；

所述LightGBM模块被配置为采用LightGBM算法预测聚集群体中第i个人感染流感的概率，由大到小排序获得感染概率序列；

所述预测模块被配置为根据所述LightGBM模块得到的概率修正计算流感感染人数的预测值n，获得流感感染人数的预测修正值，确定感染流感概率最高的前预测修正值个人为高风险人群。

优选的，所述LightGBM模块包括：