CN112802603A - 预测流感程度的方法和装置 - Google Patents
预测流感程度的方法和装置 Download PDFInfo
- Publication number
- CN112802603A CN112802603A CN202110155014.0A CN202110155014A CN112802603A CN 112802603 A CN112802603 A CN 112802603A CN 202110155014 A CN202110155014 A CN 202110155014A CN 112802603 A CN112802603 A CN 112802603A
- Authority
- CN
- China
- Prior art keywords
- influenza
- candidate
- data
- sequences
- screening
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 206010022000 influenza Diseases 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 40
- 239000003814 drug Substances 0.000 claims description 11
- 229940079593 drug Drugs 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测流感程度的方法和装置。其中,该方法包括:获取至少两个候选序列,其中,至少两个候选序列为依据各类流感数据和时间序列组成的序列;依据至少两个候选序列与预设流感流行程度指标计算相关性,得到对应的候选序列值;筛选至少两个候选序列对应的候选序列值,得到筛选后的候选序列值;依据筛选后的候选序列值进行预测,得到目标序列,其中,目标序列用于表示流感流行情况。本发明解决了由于相关技术无法有效预测未来流感的流行情况的技术问题。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种预测流感程度的方法和装置。
背景技术
在城市预防流感流行程度的方法中,往往依靠传统的地方上报,根据已产生的病例确定流感的流行程度;
在相关技术中在使用模型计算过程中,通常会考虑使用高斯模型,神经网络,ARIMA和xgboost,自回归特征(AR模型)与LASSO模型,或时间序列方法与多项式回归方法。
上述相关技术均假设流感病例数据可获得,但是能获得的只有南北方各自整体的ILI%(为公认的流感流行程度指标),无法具体到城市。
针对上述由于相关技术无法有效预测未来流感的流行情况的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种预测流感程度的方法和装置,以至少解决由于相关技术无法有效预测未来流感的流行情况的技术问题。
根据本发明实施例的一个方面,提供了一种预测流感程度的方法,包括:获取至少两个候选序列,其中,至少两个候选序列为依据各类流感数据和时间序列组成的序列;依据至少两个候选序列与预设流感流行程度指标计算相关性,得到对应的候选序列值;筛选至少两个候选序列对应的候选序列值,得到筛选后的候选序列值;依据筛选后的候选序列值进行预测,得到目标序列,其中,目标序列用于表示流感流行情况。
可选的,在获取至少两个候选序列之前,该方法还包括:获取预设流感流行程度指标和各地流感数据,其中,各地流感数据包括:药品销售数据和搜索流感信息的数据。
可选的,获取至少两个候选序列包括:筛选各地流感数据中各类流感数据完整性大于或等于第一预设阈值的数据;依据时间序列和筛选后的各类流感数据生成至少两个候选序列。
进一步地,可选的,筛选至少两个候选序列对应的候选序列值,得到筛选后的候选序列值包括:依据各地流感数据计算在流感爆发期内,至少两个候选序列对应的候选序列值大于第二预设阈值的比例,依据比例筛选至少两个候选序列对应的候选序列值,得到筛选后的候选序列值。
可选的,该方法还包括:依据目标序列进行预测,得到预测结果;依据更新后的各类流感数据对预测结果进行校正,得到校正后的预测结果。
根据本发明实施例的另一方面,还提供了一种预测流感程度的装置,包括:获取模块,用于获取至少两个候选序列,其中,至少两个候选序列为依据各类流感数据和时间序列组成的序列;计算模块,用于依据至少两个候选序列与预设流感流行程度指标计算相关性,得到对应的候选序列值;筛选模块,用于筛选至少两个候选序列对应的候选序列值,得到筛选后的候选序列值;预测模块,用于依据筛选后的候选序列值进行预测,得到目标序列,其中,目标序列用于表示流感流行情况。
可选的,该装置还包括:在获取至少两个候选序列之前,获取预设流感流行程度指标和各地流感数据,其中,各地流感数据包括:药品销售数据和搜索流感信息的数据。
进一步地,可选的,获取模块包括:数据筛选单元,用于筛选各地流感数据中各类流感数据完整性大于或等于第一预设阈值的数据;获取单元,用于依据时间序列和筛选后的各类流感数据生成至少两个候选序列。
可选的,筛选模块包括:筛选单元,用于依据各地流感数据计算在流感爆发期内,至少两个候选序列对应的候选序列值大于第二预设阈值的比例,依据比例筛选至少两个候选序列对应的候选序列值,得到筛选后的候选序列值。
可选的,该装置还包括:序列预测模块,用于依据目标序列进行预测,得到预测结果;校正模块,用于依据更新后的各类流感数据对预测结果进行校正,得到校正后的预测结果。
在本发明实施例中,通过获取至少两个候选序列,其中,至少一个候选序列为依据各类流感数据和时间序列组成的序列;依据至少两个候选序列与预设流感流行程度指标计算相关性,得到对应的候选序列值;筛选至少两个候选序列对应的候选序列值,得到筛选后的候选序列值;依据筛选后的候选序列值进行预测,得到目标序列,其中,目标序列用于表示流感流行情况,达到了依据各类流感数据预测各地流感流行趋势的目的,从而实现了有效预测未来流感的流行情况的技术效果,进而解决了由于相关技术无法有效预测未来流感的流行情况的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的预测流感程度的方法的流程示意图;
图2是根据本发明实施例的预测流感程度的装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种预测流感程度的方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的预测流感程度的方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤S102,获取至少两个候选序列,其中,至少两个候选序列为依据各类流感数据和时间序列组成的序列;
其中,在步骤S102中获取至少两个候选序列之前,本申请实施例提供的预测流感程度的方法还包括:获取预设流感流行程度指标和各地流感数据,其中,各地流感数据包括:药品销售数据和搜索流感信息的数据。
本申请实施例中预设流感流行程度指标记作ILI%,其中,本申请实施例中的ILI%包括南方的ILI%和北方的ILI%。
搜索流感信息的数据可以为获得预授权的前提下,通过各城市各个IP在使用搜索引擎时,搜索的所有关于“流感”的操作数据。
药品销售数据可以包括:线上药品销售数据和/或各药店每日/月/季度/年的药品流水(获取药店药品流水为预授权的前提下得到)。
具体的,步骤S102中获取至少两个候选序列包括:筛选各地流感数据中各类流感数据完整性大于或等于第一预设阈值的数据;依据时间序列和筛选后的各类流感数据生成至少两个候选序列。
步骤S104,依据至少两个候选序列与预设流感流行程度指标计算相关性,得到对应的候选序列值;
步骤S106,筛选至少两个候选序列对应的候选序列值,得到筛选后的候选序列值;
进一步地,可选的,步骤S106中筛选至少两个候选序列对应的候选序列值,得到筛选后的候选序列值包括:依据各地流感数据计算在流感爆发期内,至少两个候选序列对应的候选序列值大于第二预设阈值的比例,依据比例筛选至少两个候选序列对应的候选序列值,得到筛选后的候选序列值。
步骤S108,依据筛选后的候选序列值进行预测,得到目标序列,其中,目标序列用于表示流感流行情况。
可选的,本申请实施例提供的预测流感程度的方法还包括:依据目标序列进行预测,得到预测结果;依据更新后的各类流感数据对预测结果进行校正,得到校正后的预测结果。
综上,结合步骤S102-步骤S108,本申请实施例提供的测流感程度的方法具体如下:
(1)接收南北方ILI%(本申请实施例中的预设流感流行程度指标)和各地流感爆发新闻,作为判断预测准确性的依据;
(2)接收各种流感相关数据,如天气数据、药品销售数据、搜索数据;
(3)筛选(2)中数据完整性高于阈值(即,本申请实施例中的第一预设阈值)的数据所成的时间序列,作为候选序列(即本申请实施例中的至少两个候选序列);
(4)对候选序列的缺失部分,进行填充;(填充方法可以是:取缺失区间两端的有值的数,线性填充);
(5)计算(4)中所述每个候选序列与ILI%的相关性(南方城市计算与南方ILI%的,北方城市计算与北方ILI%的),筛选相关性高于阈值的候选序列值(即,本申请实施例中依据至少两个候选序列与预设流感流行程度指标计算相关性,得到对应的候选序列值);
(6)在(5)筛选之后,针对(1)所述每条流感新闻,计算在这些新闻提及的流感爆发期内,候选序列值高于阈值(即,本申请实施例中的第二预设阈值)的比例(在新闻所指时间点上候选序列值高于阈值的次数除以新闻数),筛选这一比例高于阈值的候选序列值;
(7)在(6)筛选之后,以NNETAR预测模型对候选序列进行预测,取MAE最小的序列,作为表征流感流行情况的序列(即,本申请实施例中的目标序列),称为流感指数;
其中,在本申请实施例中NNETAR模型,是一个前馈神经网络模型,由三层构成:
第一层为输入层,接收流感指数序列的原始值;
第二层为中间层;
第三层为输出层,包含1个神经元,为预测的流感指数。
(8)建立流感指数并进行预测之后,持续跟踪流感爆发新闻,若在爆发时流感指数较低,则人工修正指数。
具体的,利用前述候选序列得到实际值(即,本申请实施例中实际的流感指数)之后,用户可以基于自身感受的实际流感状况,校正实际值,校正方法可以是直接调整数值(即,本申请实施例中流感指数),也可以是给出过高或过低的反馈;收到反馈后,可以用机器学习方法,以历史实际值,本期调整前的实际值,本期其他特征(日期,天气等)为输入,用户调整后的实际值为拟合对象进行回归,训练回归模型,以校正今后的实际值使得符合用户感知的真实流感状况。
需要说明的是,本申请实施例提供的预测流感程度的方法中仅以NNETAR模型为例为优选示例进行说明,以实现本申请实施例提供的预测流感程度的方法为准,具体不做限定。
在本发明实施例中,通过获取至少两个候选序列,其中,至少一个候选序列为依据各类流感数据和时间序列组成的序列;依据至少两个候选序列与预设流感流行程度指标计算相关性,得到对应的候选序列值;筛选至少两个候选序列对应的候选序列值,得到筛选后的候选序列值;依据筛选后的候选序列值进行预测,得到目标序列,其中,目标序列用于表示流感流行情况,达到了依据各类流感数据预测各地流感流行趋势的目的,从而实现了有效预测未来流感的流行情况的技术效果,进而解决了由于相关技术无法有效预测未来流感的流行情况的技术问题。
实施例2
根据本发明实施例的另一方面,还提供了一种预测流感程度的装置,图2是根据本发明实施例的预测流感程度的装置的示意图,如图2所示,包括:获取模块22,用于获取至少两个候选序列,其中,至少两个候选序列为依据各类流感数据和时间序列组成的序列;计算模块24,用于依据至少两个候选序列与预设流感流行程度指标计算相关性,得到对应的候选序列值;筛选模块26,用于筛选至少两个候选序列对应的候选序列值,得到筛选后的候选序列值;预测模块28,用于依据筛选后的候选序列值进行预测,得到目标序列,其中,目标序列用于表示流感流行情况。
可选的,本申请实施例提供的预测流感程度的装置还包括:在获取至少两个候选序列之前,获取预设流感流行程度指标和各地流感数据,其中,各地流感数据包括:药品销售数据和搜索流感信息的数据。
进一步地,可选的,获取模块22包括:数据筛选单元,用于筛选各地流感数据中各类流感数据完整性大于或等于第一预设阈值的数据;获取单元,用于依据时间序列和筛选后的各类流感数据生成至少两个候选序列。
可选的,筛选模块26包括:筛选单元,用于依据各地流感数据计算在流感爆发期内,至少两个候选序列对应的候选序列值大于第二预设阈值的比例,依据比例筛选至少两个候选序列对应的候选序列值,得到筛选后的候选序列值。
可选的,本申请实施例提供的预测流感程度的装置还包括:序列预测模块,用于依据目标序列进行预测,得到预测结果;校正模块,用于依据更新后的各类流感数据对预测结果进行校正,得到校正后的预测结果。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种预测流感程度的方法,其特征在于,包括:
获取至少两个候选序列,其中,所述至少两个候选序列为依据各类流感数据和时间序列组成的序列;
依据所述至少两个候选序列与预设流感流行程度指标计算相关性,得到对应的候选序列值;
筛选所述至少两个候选序列对应的候选序列值,得到筛选后的候选序列值;
依据所述筛选后的候选序列值进行预测,得到目标序列,其中,所述目标序列用于表示流感流行情况。
2.根据权利要求1所述的方法,其特征在于,在所述获取至少两个候选序列之前,所述方法还包括:
获取所述预设流感流行程度指标和各地流感数据,其中,所述各地流感数据包括:药品销售数据和搜索流感信息的数据。
3.根据权利要求1或2所述的方法,其特征在于,所述获取至少两个候选序列包括:
筛选各地流感数据中各类流感数据完整性大于或等于第一预设阈值的数据;
依据时间序列和所述筛选后的各类流感数据生成所述至少两个候选序列。
4.根据权利要求3所述的方法,其特征在于,所述筛选所述至少两个候选序列对应的候选序列值,得到筛选后的候选序列值包括:
依据所述各地流感数据计算在流感爆发期内,所述至少两个候选序列对应的候选序列值大于第二预设阈值的比例,依据所述比例筛选所述至少两个候选序列对应的候选序列值,得到所述筛选后的候选序列值。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
依据所述目标序列进行预测,得到预测结果;
依据更新后的所述各类流感数据对所述预测结果进行校正,得到校正后的预测结果。
6.一种预测流感程度的装置,其特征在于,包括:
获取模块,用于获取至少两个候选序列,其中,所述至少两个候选序列为依据各类流感数据和时间序列组成的序列;
计算模块,用于依据所述至少两个候选序列与预设流感流行程度指标计算相关性,得到对应的候选序列值;
筛选模块,用于筛选所述至少两个候选序列对应的候选序列值,得到筛选后的候选序列值;
预测模块,用于依据所述筛选后的候选序列值进行预测,得到目标序列,其中,所述目标序列用于表示流感流行情况。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
在所述获取至少两个候选序列之前,获取所述预设流感流行程度指标和各地流感数据,其中,所述各地流感数据包括:药品销售数据和搜索流感信息的数据。
8.根据权利要求6或7所述的装置,其特征在于,所述获取模块包括:
数据筛选单元,用于筛选各地流感数据中各类流感数据完整性大于或等于第一预设阈值的数据;
获取单元,用于依据时间序列和所述筛选后的各类流感数据生成所述至少两个候选序列。
9.根据权利要求8所述的装置,其特征在于,所述筛选模块包括:
筛选单元,用于依据所述各地流感数据计算在流感爆发期内,所述至少两个候选序列对应的候选序列值大于第二预设阈值的比例,依据所述比例筛选所述至少两个候选序列对应的候选序列值,得到所述筛选后的候选序列值。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
序列预测模块,用于依据所述目标序列进行预测,得到预测结果;
校正模块,用于依据更新后的所述各类流感数据对所述预测结果进行校正,得到校正后的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110155014.0A CN112802603A (zh) | 2021-02-04 | 2021-02-04 | 预测流感程度的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110155014.0A CN112802603A (zh) | 2021-02-04 | 2021-02-04 | 预测流感程度的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112802603A true CN112802603A (zh) | 2021-05-14 |
Family
ID=75814205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110155014.0A Pending CN112802603A (zh) | 2021-02-04 | 2021-02-04 | 预测流感程度的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112802603A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116584414A (zh) * | 2023-07-17 | 2023-08-15 | 北京市农林科学院信息技术研究中心 | 蛋鸡传染病发展阶段预测*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688872A (zh) * | 2017-08-20 | 2018-02-13 | 平安科技(深圳)有限公司 | 预测模型建立装置、方法及计算机可读存储介质 |
CN108831561A (zh) * | 2018-05-31 | 2018-11-16 | 平安科技(深圳)有限公司 | 流感预测模型的生成方法、装置及计算机可读存储介质 |
CN109801101A (zh) * | 2019-01-03 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 标签确定方法、装置、计算机设备和存储介质 |
CN110110886A (zh) * | 2019-03-21 | 2019-08-09 | 平安直通咨询有限公司上海分公司 | 信息预测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-02-04 CN CN202110155014.0A patent/CN112802603A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688872A (zh) * | 2017-08-20 | 2018-02-13 | 平安科技(深圳)有限公司 | 预测模型建立装置、方法及计算机可读存储介质 |
CN108831561A (zh) * | 2018-05-31 | 2018-11-16 | 平安科技(深圳)有限公司 | 流感预测模型的生成方法、装置及计算机可读存储介质 |
CN109801101A (zh) * | 2019-01-03 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 标签确定方法、装置、计算机设备和存储介质 |
CN110110886A (zh) * | 2019-03-21 | 2019-08-09 | 平安直通咨询有限公司上海分公司 | 信息预测方法、装置、计算机设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116584414A (zh) * | 2023-07-17 | 2023-08-15 | 北京市农林科学院信息技术研究中心 | 蛋鸡传染病发展阶段预测*** |
CN116584414B (zh) * | 2023-07-17 | 2024-03-01 | 北京市农林科学院信息技术研究中心 | 蛋鸡传染病发展阶段预测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9934515B1 (en) | Content recommendation system using a neural network language model | |
CN109345399B (zh) | 理赔风险评估方法、装置、计算机设备及存储介质 | |
CN105183781B (zh) | 信息推荐方法及装置 | |
US8160981B2 (en) | Event-based anticipation systems, methods and computer program products for associative memories wherein times of future events occurring are predicted | |
CN108108821A (zh) | 模型训练方法及装置 | |
CN109933721B (zh) | 一种融合用户隐式物品偏好与隐式信任的可解释推荐方法 | |
CN114095270B (zh) | 一种网络攻击预测方法及装置 | |
CN104781837A (zh) | 用于通过使用基于事件的情绪分析来形成预测的***和方法 | |
CN110413870A (zh) | 商品推荐方法、装置及服务器 | |
CN110134845A (zh) | 项目舆情监控方法、装置、计算机设备及存储介质 | |
CN108319585A (zh) | 数据处理方法及装置、电子设备、计算机可读介质 | |
CN111080417A (zh) | 用于提高预订顺畅率的处理方法、模型训练方法及*** | |
CN110191183A (zh) | 精准智能推送方法、***、装置及计算机可读存储介质 | |
CN112802603A (zh) | 预测流感程度的方法和装置 | |
CN114219540A (zh) | 用户行为周期的确定方法及其装置、电子设备及存储介质 | |
CN110163401B (zh) | 时间序列的预测方法、数据预测方法和装置 | |
CN117435999A (zh) | 一种风险评估方法、装置、设备以及介质 | |
CN110019763A (zh) | 文本过滤方法、***、设备及计算机可读存储介质 | |
CN117540336A (zh) | 时间序列预测方法、装置及电子设备 | |
CN117172825A (zh) | 基于大数据的电商数据分析方法、装置及计算设备 | |
JP6933623B2 (ja) | 特徴ベクトル生成装置、特徴ベクトル生成方法及び特徴ベクトル生成プログラム | |
JP2015187773A (ja) | データ解析装置、データ解析プログラム及びデータ解析方法 | |
CN113065329A (zh) | 数据的处理方法和装置 | |
CN110347916A (zh) | 跨场景的项目推荐方法、装置、电子设备及存储介质 | |
CN115687691A (zh) | 视频推荐方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |