本申请提供一种传染病门诊病例人数预测方法、装置、设备及存储介质，涉及数据处理技术领域。其中方法包括：获取在历史时间段内的传染病门诊病例人数时序数据；对所述传染病门诊病例人数时序数据进行预处理后，输入预先训练的传染病预测模型，得到在未来设定时间段内的传染病门诊病例预测人数；所述传染病预测模型是通过历史传染病门诊病例人数时序数据样本对基于多向注意力机制的神经网络进行训练得到的。可见，本申请通过融合多个定向注意表征来预测未来设定时间段的传染病门诊病例数，与传统注意机制预测方法相比，本申请提出的方法融合了更深层次的时间维度特征，预测结果准确性更高。性更高。性更高。
【技术实现步骤摘要】
一种传染病门诊病例人数预测方法、装置、设备及介质
[0001]本申请涉及数据处理
，具体涉及一种传染病门诊病例人数预测方法、装置、电子设备及存储介质。
技术介绍
[0002]传染病一直是对人类健康的主要威胁，例如手足口病和乙型肝炎病毒预警系统有利于传染病风险的管理，预测技术是预警系统的基础，这有助于医疗保健和干预策略的决策。
[0003]由于注意机制在时间序列预测中的成功，为了提高预测技术，有部分预测模型将其引入传染病发病人数的预测上，这些注意力机制集中在输入数据的一些重要的时间步长上。
[0004]传染病门诊病例数预测常常被看成是时间序列预测问题，之前的注意力机制主要关注不同时刻的时间序列对预测的影响，然而受多种内在和外在因素的影响，传染病时间序列的时间动态通常是复杂多变的，这使得传染病门诊病例数预测结果的准确性和可靠性较差。
技术实现思路
[0005]本申请的目的是提供一种传染病门诊病例人数预测方法、装置、电子设备及存储介质，从而提高传染病发病人数预测结果的准确性和可靠性。
[0006]第一方面，本申请实施例提供了一种传染病门诊病例人数预测方法，包括：
[0007]获取在历史时间段内的传染病门诊病例人数时序数据；
[0008]对所述传染病门诊病例人数时序数据进行预处理后，输入预先训练的传染病预测模型，得到在未来设定时间段内的预测传染病门诊病例人数；所述传染病预测模型是通过历史传染病门诊病例人数时序数据样本对基于多向注意力机制的神经网络进行训练得到的。<br/>[0009]在本申请的一些实施方式中，按照以下方式预先训练所述传染病预测模型：
[0010]获取历史传染病病例数据，并统计为相同时间间隔内的时间序列，得到历史传染病门诊病例人数时序数据样本；
[0011]对所述历史传染病门诊病例人数时序数据样本进行所述预处理后，将所述历史传染病门诊病例人数时序数据样本转化为传染病门诊病例人数有监督数据；
[0012]将所述传染病门诊病例人数有监督数据输入所述基于多向注意力机制的神经网络进行训练，在达到预设训练截止条件后得到所述传染病预测模型。
[0013]在本申请的一些实施方式中，所述将所述历史传染病门诊病例人数时序数据样本转化为传染病门诊病例人数有监督数据，包括：
[0014]将所述历史传染病门诊病例人数时序数据样本采用单步切分的方法转换为有监督数据，得到传染病门诊病例人数有监督数据。
[0015]在本申请的一些实施方式中，所述预处理包括最大值处理、最小值处理、数据均值化以及归一化处理。
[0016]在本申请的一些实施方式中，所述基于多向注意力机制的神经网络包括顺序连接的线性层、归一化层、时间表征融合层以及输出层；
[0017]所述线性层，用于将所述传染病门诊病例人数有监督数据映射到多向注意力的重要程度得分表示中；
[0018]所述归一化层，用于对所述多向注意力的重要程度得分表示进行归一化处理，生成多向注意力表示；
[0019]时间表征融合层，用于对所述传染病门诊病例人数有监督数据和所述多向注意力表示进行聚合，得到融合多向注意力表征的级联表示；
[0020]所述输出层，用于将所述融合多向注意力表征的级联表示映射到预测值。
[0021]第二方面，本申请实施例提供了一种传染病门诊病例人数预测装置，包括：
[0022]获取模块，用于获取在历史时间段内的传染病门诊病例人数时序数据；
[0023]预测模块，用于对所述传染病门诊病例人数时序数据进行预处理后，输入预先训练的传染病预测模型，得到在未来设定时间段内的预测传染病门诊病例人数；
[0024]所述传染病预测模型是通过历史传染病门诊病例人数时序数据样本对基于多向注意力机制的神经网络进行训练得到的。
[0025]在本申请的一些实施方式中，所述装置还包括：训练模块，用于按照以下方式预先训练所述传染病预测模型：
[0026]获取历史传染病病例数据，并统计为相同时间间隔内的时间序列，得到历史传染病门诊病例人数时序数据样本；
[0027]对所述历史传染病门诊病例人数时序数据样本进行所述预处理后，将所述历史传染病门诊病例人数时序数据样本转化为传染病门诊病例人数有监督数据；
[0028]将所述传染病门诊病例人数有监督数据输入所述基于多向注意力机制的神经网络进行训练，在达到预设训练截止条件后得到所述传染病预测模型。
[0029]在本申请的一些实施方式中，所述训练模块，具体用于：
[0030]将所述历史传染病门诊病例人数时序数据样本采用单步切分的方法转换为有监督数据，得到传染病门诊病例人数有监督数据。
[0031]第三方面，本申请提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行以实现如第一方面所述的方法。
[0032]第四方面，本申请实提供了一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如第一方面所述的方法。
[0033]相较于现有技术，本申请提供的传染病门诊病例人数预测方法，通过获取在历史时间段内的传染病门诊病例人数时序数据；对所述传染病门诊病例人数时序数据进行预处理后，输入预先训练的传染病预测模型，得到在未来设定时间段内的预测传染病门诊病例人数；所述传染病预测模型是通过历史传染病门诊病例人数时序数据样本对基于多向注意力机制的神经网络进行训练得到的。可见，本申请通过融合多个定向注意表征来预测下一时间间隔的传染病门诊病例数，与传统注意机制预测方法相比，本申请提出的方法融合了
更深层次的时间维度特征，预测结果准确性更高。
附图说明
[0034]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0035]图1示出了本申请实施例所提供的一种传染病门诊病例人数预测方法的流程图；
[0036]图2示出了本申请实施例所提供的一种传染病预测模型训练方法的流程图；
[0037]图3示出了本申请实施例所提供的一种传染病预测模型的预测过程示意图；
[0038]图4示出了本申请实施例所提供的另一种传染病预测模型的预测过程示意图；
[0039]图5示出了本申请实施例所提供的一种传染病门诊病例人数预测装置的示意图；
[0040]图6示出了本申请实施例所提供的一种电子设备的示意图。
具体实施方式
[0041]下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种传染病门诊病例人数预测方法，其特征在于，包括：获取在历史时间段内的传染病门诊病例人数时序数据；对所述传染病门诊病例人数时序数据进行预处理后，输入预先训练的传染病预测模型，得到在未来设定时间段内的预测传染病门诊病例人数；所述传染病预测模型是通过历史传染病门诊病例人数时序数据样本对基于多向注意力机制的神经网络进行训练得到的。2.根据权利要求1所述的方法，其特征在于，按照以下方式预先训练所述传染病预测模型：获取历史传染病病例数据，并统计为相同时间间隔内的时间序列，得到历史传染病门诊病例人数时序数据样本；对所述历史传染病门诊病例人数时序数据样本进行所述预处理后，将所述历史传染病门诊病例人数时序数据样本转化为传染病门诊病例人数有监督数据；将所述传染病门诊病例人数有监督数据输入所述基于多向注意力机制的神经网络进行训练，在达到预设训练截止条件后得到所述传染病预测模型。3.根据权利要求2所述的方法，其特征在于，所述将所述历史传染病门诊病例人数时序数据样本转化为传染病门诊病例人数有监督数据，包括：将所述历史传染病门诊病例人数时序数据样本采用单步切分的方法转换为有监督数据，得到传染病门诊病例人数有监督数据。4.根据权利要求1所述的方法，其特征在于，所述预处理包括最大值处理、最小值处理、数据均值化以及归一化处理。5.根据权利要求2所述的方法，其特征在于，所述基于多向注意力机制的神经网络包括顺序连接的线性层、归一化层、时间表征融合层以及输出层；所述线性层，用于将所述传染病门诊病例人数有监督数据映射到多向注意力的重要程度得分表示中；所述归一化层，用于对所述多向注意力的重要程度得分表示进行归一化处理，生成多向注意力表示；时间表征融合层，用于对所述传染病门诊病例人数有监督...
【专利技术属性】
技术研发人员：王智谨，黄耀辉，张爽，刘含静，陈志荣，陈荣鑫，
申请(专利权)人：厦门盛世锦华智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。