CN113223705B - 适用于隐私计算平台的离线预测方法 - Google Patents

适用于隐私计算平台的离线预测方法 Download PDF

Info

Publication number
CN113223705B
CN113223705B CN202110561364.7A CN202110561364A CN113223705B CN 113223705 B CN113223705 B CN 113223705B CN 202110561364 A CN202110561364 A CN 202110561364A CN 113223705 B CN113223705 B CN 113223705B
Authority
CN
China
Prior art keywords
data
offline
prediction
computing platform
prediction mode
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.)
Active
Application number
CN202110561364.7A
Other languages
English (en)
Other versions
CN113223705A (zh
Inventor
林博
董科雄
王德健
王涛
张豫元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Yikang Huilian Technology Co ltd
Original Assignee
Hangzhou Yikang Huilian Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Yikang Huilian Technology Co ltd filed Critical Hangzhou Yikang Huilian Technology Co ltd
Priority to CN202110561364.7A priority Critical patent/CN113223705B/zh
Publication of CN113223705A publication Critical patent/CN113223705A/zh
Application granted granted Critical
Publication of CN113223705B publication Critical patent/CN113223705B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种适用于隐私计算平台的离线预测方法，包括如下步骤：在采用一个人工神经网络模型进行数据预测之前，提供一个操作界面以供用户选择数据预测模式，数据预测模式包括：在线预测模式和离线预测模式；在用户选择离线预测模式后，通过操作界面提供上传离线预测模式所需的离线数据的操作窗口；在用户通过操作窗口上传离线数据后，判断离线数据是否符合预设的数据核验标准；如果符合预设的数据核验标准，则将上传的离线数据输入至人工神经网络模型进行数据预测；使人工神经网络模型输出数据预测的结果数据并显示或/和存储结果数据。本申请的有益之处在于提供一种能有效解决网络或数据库异常导致数据预测失败以及数据不同步的适用于隐私计算平台的离线预测方法。

Description

适用于隐私计算平台的离线预测方法
技术领域
本申请涉一种适用于隐私计算平台的离线预测方法。
背景技术
在不久的将来医疗行业将融入更多人工智能、传感技术等高科技，使医疗服务走向真正意义的智能化，推动医疗事业的繁荣发展。在中国新医改的大背景下，智慧医疗正在走进寻常百姓的生活。
医疗行业数据存在隐私保护的需要，因此将人工智能应用于医疗领域进行研究、模型训练和数据预测时，往往需要多个医疗机构通过联网和数据协同的方式进行。
而在现有的隐私计算平台在使用人工神经网络模型进行数据预测时，往往会因为网络或数据库异常导致数据预测失败。
发明内容
为了解决现有技术的不足之处，本申请提供了一种适用于隐私计算平台的离线预测方法，包括如下步骤：在采用一个人工神经网络模型进行数据预测之前，提供一个操作界面以供用户选择数据预测模式，所述数据预测模式包括：在线预测模式和离线预测模式；在用户选择所述离线预测模式后，通过所述操作界面提供上传所述离线预测模式所需的离线数据的操作窗口；在用户通过所述操作窗口上传所述离线数据后，判断所述离线数据是否符合预设的数据核验标准；如果符合预设的数据核验标准，则将上传的所述离线数据输入至所述人工神经网络模型进行数据预测；使所述人工神经网络模型输出数据预测的结果数据并显示或/和存储所述结果数据。
进一步地，所述适用于隐私计算平台的离线预测方法还包括如下步骤：在采用一个人工神经网络模型进行数据预测之前，检测网络连接是否存在异常，如果网络连接存在异常，则提示用户仅能采用所述离线预测模式。
进一步地，所述适用于隐私计算平台的离线预测方法还包括如下步骤：在采用一个人工神经网络模型进行数据预测之前，检测数据库连接是否存在异常，如果数据库连接存在异常，则提示用户仅能采用所述离线预测模式。
进一步地，所述适用于隐私计算平台的离线预测方法还包括如下步骤：如果不符合预设的数据核验标准，则显示不符合数据核验标准的具体数据。
进一步地，所述离线数据为表格数据。
进一步地，如果不符合预设的数据核验标准，则显示不符合数据核验标准的具体的行、列或单元格。
进一步地，所述适用于隐私计算平台的离线预测方法还包括如下步骤：在用户通过所述操作窗口上传所述离线数据后，检测网络连接是否恢复，如果网络连接恢复，则根据已上传的离线数据在线查询训练所需的数据。
进一步地，所述适用于隐私计算平台的离线预测方法还包括如下步骤：比对用户在离线预测模式上传的离线数据和在网络连接回复后通过在线查询所获取的在线数据，判断所述离线数据和在线数据是否存在差异，如果不存在差异，则以所述离线数据作为所述人工神经网络模型训练的输入数据。
进一步地，所述适用于隐私计算平台的离线预测方法还包括如下步骤：如果所述离线数据和所述在线数据存在差异，则判断所述离线数据和在线数据哪一个数据完整度较高，以数据完整度较高的一个作为所述人工神经网络模型训练的输入数据。
进一步地，所述适用于隐私计算平台的离线预测方法还包括如下步骤：如果所述离线数据和所述在线数据存在差异时，判断所述离线数据是否存在在线数据不具备的数据，如果是则将在线数据不具备的数据在线上传至数据库。
本申请的有益之处在于：提供一种能有效解决网络或数据库异常导致数据预测失败以及数据不同步的适用于隐私计算平台的离线预测方法。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请一种实施例的适用于隐私计算平台的离线预测方法的步骤示意框图；
图2是根据本申请一种实施例的适用于隐私计算平台的离线预测方法的操作界面的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请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，以便这里描述的本申请的实施例。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。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示，本申请的适用于隐私计算平台的离线预测方法，包括如下步骤：在采用一个人工神经网络模型进行数据预测之前，提供一个操作界面以供用户选择数据预测模式，数据预测模式包括：在线预测模式和离线预测模式；在用户选择离线预测模式后，通过操作界面提供上传离线预测模式所需的离线数据的操作窗口；在用户通过操作窗口上传离线数据后，判断离线数据是否符合预设的数据核验标准；如果符合预设的数据核验标准，则将上传的离线数据输入至人工神经网络模型进行数据预测；使人工神经网络模型输出数据预测的结果数据并显示或/和存储结果数据。
具体而言，适用于隐私计算平台的离线预测方法还包括如下步骤：在采用一个人工神经网络模型进行数据预测之前，检测网络连接是否存在异常，如果网络连接存在异常，则提示用户仅能采用离线预测模式。
具体而言，适用于隐私计算平台的离线预测方法还包括如下步骤：在采用一个人工神经网络模型进行数据预测之前，检测数据库连接是否存在异常，如果数据库连接存在异常，则提示用户仅能采用离线预测模式。
具体而言，适用于隐私计算平台的离线预测方法还包括如下步骤：如果不符合预设的数据核验标准，则显示不符合数据核验标准的具体数据。
具体而言，离线数据为表格数据。
具体而言，如果不符合预设的数据核验标准，则显示不符合数据核验标准的具体的行、列或单元格。
具体而言，适用于隐私计算平台的离线预测方法还包括如下步骤：在用户通过操作窗口上传离线数据后，检测网络连接是否恢复，如果网络连接恢复，则根据已上传的离线数据在线查询训练所需的数据。
具体而言，适用于隐私计算平台的离线预测方法还包括如下步骤：比对用户在离线预测模式上传的离线数据和在网络连接回复后通过在线查询所获取的在线数据，判断离线数据和在线数据是否存在差异，如果不存在差异，则以离线数据作为人工神经网络模型训练的输入数据。
具体而言，适用于隐私计算平台的离线预测方法还包括如下步骤：如果离线数据和在线数据存在差异，则判断离线数据和在线数据哪一个数据完整度较高，以数据完整度较高的一个作为人工神经网络模型训练的输入数据。
具体而言，适用于隐私计算平台的离线预测方法还包括如下步骤：如果离线数据和在线数据存在差异时，判断离线数据是否存在在线数据不具备的数据，如果是则将在线数据不具备的数据在线上传至数据库。
采用这样的方法不仅在数据预测时提供离线预测的方式，同时也能有效的同步数据库数据和本地数据，使模型预测结果更加精准。
参照图2所示，在进行模型训练和预测时可以通过查询的方式在线从服务器数据库获取对应的数据，也可以在没有网络的情况上传对应的数据文档。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (1)

1.一种适用于隐私计算平台的离线预测方法，其特征在于：
所述适用于隐私计算平台的离线预测方法包括如下步骤：
在采用一个人工神经网络模型进行数据预测之前，提供一个操作界面以供用户选择数据预测模式，所述数据预测模式包括：在线预测模式和离线预测模式；
在用户选择所述离线预测模式后，通过所述操作界面提供上传所述离线预测模式所需的离线数据的操作窗口；
在用户通过所述操作窗口上传所述离线数据后，判断所述离线数据是否符合预设的数据核验标准；
如果符合预设的数据核验标准，则将上传的所述离线数据输入至所述人工神经网络模型进行数据预测；
使所述人工神经网络模型输出数据预测的结果数据并显示或/和存储所述结果数据；
所述适用于隐私计算平台的离线预测方法还包括如下步骤：
在采用一个人工神经网络模型进行数据预测之前，检测网络连接是否存在异常，如果网络连接存在异常，则提示用户仅能采用所述离线预测模式；
所述适用于隐私计算平台的离线预测方法还包括如下步骤：
在采用一个人工神经网络模型进行数据预测之前，检测数据库连接是否存在异常，如果数据库连接存在异常，则提示用户仅能采用所述离线预测模式；
所述适用于隐私计算平台的离线预测方法还包括如下步骤：
如果不符合预设的数据核验标准，则显示不符合数据核验标准的具体数据；
所述离线数据为表格数据；
如果不符合预设的数据核验标准，则显示不符合数据核验标准的具体的行、列或单元格；
所述适用于隐私计算平台的离线预测方法还包括如下步骤：
在用户通过所述操作窗口上传所述离线数据后，检测网络连接是否恢复，如果网络连接恢复，则根据已上传的离线数据在线查询训练所需的数据；
所述适用于隐私计算平台的离线预测方法还包括如下步骤：
比对用户在离线预测模式上传的离线数据和在网络连接回复后通过在线查询所获取的在线数据，判断所述离线数据和在线数据是否存在差异，如果不存在差异，则以所述离线数据作为所述人工神经网络模型训练的输入数据；
所述适用于隐私计算平台的离线预测方法还包括如下步骤：
如果所述离线数据和所述在线数据存在差异，则判断所述离线数据和在线数据哪一个数据完整度较高，以数据完整度较高的一个作为所述人工神经网络模型训练的输入数据；
所述适用于隐私计算平台的离线预测方法还包括如下步骤：
如果所述离线数据和所述在线数据存在差异时，判断所述离线数据是否存在在线数据不具备的数据，如果是则将在线数据不具备的数据在线上传至数据库。
CN202110561364.7A 2021-05-22 2021-05-22 适用于隐私计算平台的离线预测方法 Active CN113223705B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110561364.7A CN113223705B (zh) 2021-05-22 2021-05-22 适用于隐私计算平台的离线预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110561364.7A CN113223705B (zh) 2021-05-22 2021-05-22 适用于隐私计算平台的离线预测方法

Publications (2)

Publication Number Publication Date
CN113223705A CN113223705A (zh) 2021-08-06
CN113223705B true CN113223705B (zh) 2023-08-29

Family

ID=77099343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110561364.7A Active CN113223705B (zh) 2021-05-22 2021-05-22 适用于隐私计算平台的离线预测方法

Country Status (1)

Country Link
CN (1) CN113223705B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5659667A (en) * 1995-01-17 1997-08-19 The Regents Of The University Of California Office Of Technology Transfer Adaptive model predictive process control using neural networks
WO2016191313A1 (en) * 2015-05-27 2016-12-01 Google Inc. Dynamically updatable offline grammar model for resource-constrained offline device
CN112070226A (zh) * 2020-09-02 2020-12-11 北京百度网讯科技有限公司 在线预测模型的训练方法、装置、设备及存储介质
KR102239163B1 (ko) * 2020-11-13 2021-04-12 황덕현 인공 신경망을 이용하여 질병 유무를 예측하는 방법 및 장치
CN112786188A (zh) * 2021-02-05 2021-05-11 北京致医健康信息技术有限公司 辅助诊断***的离线工作方法、装置、终端设备及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102468989B (zh) * 2010-11-11 2016-04-13 腾讯科技（深圳）有限公司 处理网络数据的方法和***
US10762444B2 (en) * 2018-09-06 2020-09-01 Quickpath, Inc. Real-time drift detection in machine learning systems and applications
US10558823B2 (en) * 2018-06-11 2020-02-11 Grey Market Labs, PBC Systems and methods for controlling data exposure using artificial-intelligence-based modeling
CN111047085B (zh) * 2019-12-06 2022-09-06 北京理工大学 一种基于元学习的混合动力车辆工况预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5659667A (en) * 1995-01-17 1997-08-19 The Regents Of The University Of California Office Of Technology Transfer Adaptive model predictive process control using neural networks
WO2016191313A1 (en) * 2015-05-27 2016-12-01 Google Inc. Dynamically updatable offline grammar model for resource-constrained offline device
CN112070226A (zh) * 2020-09-02 2020-12-11 北京百度网讯科技有限公司 在线预测模型的训练方法、装置、设备及存储介质
KR102239163B1 (ko) * 2020-11-13 2021-04-12 황덕현 인공 신경망을 이용하여 질병 유무를 예측하는 방법 및 장치
CN112786188A (zh) * 2021-02-05 2021-05-11 北京致医健康信息技术有限公司 辅助诊断***的离线工作方法、装置、终端设备及介质

Also Published As

Publication number Publication date
CN113223705A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
Ellahi et al. Redesigning Curriculum in line with Industry 4.0
AU2020201883B2 (en) Call center system having reduced communication latency
US20190034937A1 (en) Problem Prediction Method and System
US20200042947A1 (en) Intelligent sending of an automatic event invite based on identified candidate content
WO2015013436A2 (en) Methods of identifying relevant content and subject matter expertise for online communities
US9893905B2 (en) Collaborative platform for teams with messaging and learning across groups
US10992486B2 (en) Collaboration synchronization
WO2015131125A1 (en) Tag-based performance framework for contact center
CN107291840B (zh) 一种用户属性预测模型构建方法和装置
Vallikavungal Devassia et al. Flexible job-shop scheduling problem with resource recovery constraints
US11010689B2 (en) Machine learning for time series using semantic and time series data
US20160154900A1 (en) 3d model component comparing system and method thereof
US20200201293A1 (en) Industrial data service, data modeling, and data application platform
WO2019080420A1 (zh) 人机协作的客服方法、电子装置及存储介质
US20210250443A1 (en) Systems for detecting harassing communication
CN110574056A (zh) 参会者专有会议属性
CN113840040A (zh) 一种人机协作的外呼方法、装置、设备及存储介质
EP3674988A1 (en) Method and system for prediction of correct discrete sensor data based on temporal uncertainty
CN113223705B (zh) 适用于隐私计算平台的离线预测方法
CN107944999A (zh) 一种审核费用项目的自动执行方法及装置
US11074515B2 (en) Query and ranking prediction using network action
US11816167B1 (en) Knowledge base platform
Schlenkrich et al. The contextualized index of statehood (CIS): assessing the interaction between contextual challenges and the organizational capacities of states
CN106294058A (zh) 处理运营问题单据的目标策略确定方法及装置
CN114881613A (zh) 一种数据处理方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant