[发明专利]基于多源大数据深度学习的传染病协同预测方法和机器人

权利要求书

1.一种基于大数据深度学习的传染病协同预测方法，其特征在于，所述方法包括：

目标传染病确定步骤：获取待预测的传染病作为目标传染病；

传染病预测模型初始化步骤：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；对于区域疫情时空预测而言，第一数据源为医院上报的监测数据，第二数据源为自助的新发重大传染病个人风险预测的新发重大传染病预测数据，第三数据源为各地政府、各部门通过APP或在线网站采集的用户填报的新发重大传染病监测数据，第四数据源为从互联网上获取的新发重大传染病监测数据；

对于个人风险预测而言，数据源包括望、闻、问、切以及其他数据；望诊的数据包括舌部特征、面部特征、手部特征；闻诊的数据包括用户说话声；问诊的数据包括通过聊天机器人向用户提问而获得的用户的回答；切诊的数据包括用户利用手机app自测并输入系统的心跳速度、血氧含量；其他数据包括检查数据、家族病史、个人病历、个人体征数据；

最佳传染病预测模型构建步骤：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；

最佳传染病预测模型使用步骤：在使用时，将所述每一区域的当前时间段的最佳数据源组合的数据作为输入，通过所述每一区域的最佳传染病预测模型的计算，得到的输出作为所述每一区域的当前时间段的目标传染病疫情预测结果；将所述每一区域的最佳传染病预测模型的可信度作为所述每一区域的当前时间段的目标传染病疫情预测结果的可信度；将所述每一区域的最佳传染病预测模型的可信误差范围作为所述每一区域的当前时间段的目标传染病疫情预测结果的可信误差范围；

所述方法还包括：

多区域传染病预测模型初始化步骤：为每M个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M个区域所述每一数据源组合的传染病预测模型；若每M个区域包括K1种数据源， 每M个区域的所有数据源的每一组合包括所述每M个区域的每一种数据源，所述每M个区域的每二种数据源，…, 所述每M个区域的每K1种数据源；

多区域最佳传染病预测模型构建步骤：将所述每M个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M个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M个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M个区域所述每一数据源组合的传染病预测模型；将所述每M个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M个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M个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M个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M个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M个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M个区域所述每一数据源组合的传染病预测模型作为所述每M个区域的最佳传染病预测模型； 将可信度最高的所述每M个区域所述每一数据源组合作为所述每M个区域的最佳数据源组合；

多区域最佳传染病预测模型使用步骤：在使用时，将所述每M个区域的当前时间段的最佳数据源组合的数据作为输入，通过所述每M个区域的最佳传染病预测模型的计算，得到的输出作为所述每M个区域的当前时间段的目标传染病疫情预测结果；将所述每M个区域的最佳传染病预测模型的可信度作为所述每M个区域的当前时间段的目标传染病疫情预测结果的可信度；将所述每M个区域的最佳传染病预测模型的可信误差范围作为所述每M个区域的当前时间段的目标传染病疫情预测结果的可信误差范围；

所述方法还包括：

联合传染病预测模型初始化步骤：为每M个区域初始化一个深度学习模型作为所述每M个区域的联合传染病预测模型；

联合传染病预测模型构建步骤：将所述每M个区域中每一区域在每一时间段的所述最佳数据源组合的数据作为输入，通过所述每一区域的最佳传染病预测模型的计算，得到所述每一区域的最佳传染病预测模型的预设隐层输出的特征数据，将所述特征数据联合后，作为所述每M个区域的联合传染病预测模型的输入，将所述每M个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M个区域的联合传染病预测模型进行训练，得到所述每M个区域的联合传染病预测模型；通过测试，获取所述每M个区域的联合传染病预测模型的预测准确率，作为所述每M个区域的联合传染病预测模型的可信度，获取所述每M个区域的联合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M个区域的联合传染病预测模型的可信误差范围；

联合传染病预测模型使用步骤：在使用时，将所述每M个区域中每一区域在当前时间段的所述最佳数据源组合的数据作为输入，通过所述每一区域的最佳传染病预测模型的计算，得到所述每一区域的最佳传染病预测模型的预设隐层输出的特征数据，将所述特征数据联合后，作为所述每M个区域的联合传染病预测模型的输入，通过所述每M个区域的联合传染病预测模型的计算，得到的输出作为所述每M个区域的当前时间段的目标传染病疫情预测结果；将所述每M个区域的联合传染病预测模型的可信度作为所述每M个区域的当前时间段的目标传染病疫情预测结果的可信度；将所述每M个区域的联合传染病预测模型的可信误差范围作为所述每M个区域的当前时间段的目标传染病疫情预测结果的可信误差范围；

所述方法还包括：

加权联合传染病预测模型初始化步骤：为每M个区域初始化一个深度学习模型作为所述每M个区域的加权联合传染病预测模型；

加权联合传染病预测模型构建步骤：将所述每M个区域中每一区域在每一时间段的所述最佳数据源组合的数据作为输入，通过所述每一区域的最佳传染病预测模型的计算，得到所述每M个区域中每一区域的最佳传染病预测模型的预设隐层输出的特征数据，根据所述每一区域的预设权重对所述每一区域的所述特征数据采用预设权值进行加权后联合，作为所述每M个区域的加权联合传染病预测模型的输入，将所述每M个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M个区域的加权联合传染病预测模型进行训练，得到所述每M个区域的加权联合传染病预测模型；通过测试，获取所述每M个区域的加权联合传染病预测模型的预测准确率，作为所述每M个区域的加权联合传染病预测模型的可信度，获取所述每M个区域的加权联合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M个区域的加权联合传染病预测模型的可信误差范围；

加权联合传染病预测模型使用步骤：在使用时，将所述每M个区域中每一区域在当前时间段的所述最佳数据源组合的数据作为输入，通过所述每一区域的最佳传染病预测模型的计算，得到所述每一区域的最佳传染病预测模型的预设隐层输出的特征数据，将所述特征数据联合后，作为所述每M个区域的加权联合传染病预测模型的输入，通过所述每M个区域的加权联合传染病预测模型的计算，得到的输出作为所述每M个区域的当前时间段的目标传染病疫情预测结果；将所述每M个区域的加权联合传染病预测模型的可信度作为所述每M个区域的当前时间段的目标传染病疫情预测结果的可信度；将所述每M个区域的加权联合传染病预测模型的可信误差范围作为所述每M个区域的当前时间段的目标传染病疫情预测结果的可信误差范围。