CN113744882B - 目标区域的确定方法、装置、设备以及存储介质 - Google Patents
目标区域的确定方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN113744882B CN113744882B CN202111092153.XA CN202111092153A CN113744882B CN 113744882 B CN113744882 B CN 113744882B CN 202111092153 A CN202111092153 A CN 202111092153A CN 113744882 B CN113744882 B CN 113744882B
- Authority
- CN
- China
- Prior art keywords
- node
- regional
- area
- target
- population
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 116
- 230000008859 change Effects 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 10
- 230000010485 coping Effects 0.000 abstract description 5
- 239000013598 vector Substances 0.000 description 43
- 230000006870 function Effects 0.000 description 22
- 238000005516 engineering process Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 206010022000 influenza Diseases 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 208000005252 hepatitis A Diseases 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000007480 spreading Effects 0.000 description 3
- 238000003892 spreading Methods 0.000 description 3
- 206010035664 Pneumonia Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000006454 hepatitis Diseases 0.000 description 1
- 231100000283 hepatitis Toxicity 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种目标区域的确定方法、装置、设备以及存储介质,属计算机技术领域。通过本申请实施例提供的技术方案,在对不同区域进行风险预测时,结合了各个区域的区域人口信息以及人口流动信息来确定风险值,这样确定出的风险值更加准确,这个风险值也就能够表示处于目标身体状态的人数在该区域增多的风险大小。当风险值符合目标条件时,也就表示处于该目标状态的人数在该区域内增加的风险较高,将该区域标记为目标区域以便及时开展应对工作,防止处于目标身体状态的人数在对应区域内大幅度增加。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种目标区域的确定方法、装置、设备以及存储介质。
背景技术
人们有时会处于身体状态不佳的情况,这种身体状态会对人们的正常生活造成影响。在一些状态下,这种身体状态还会发生传播,也即是当一个人出现身体不舒服时,与这个人接触过的人也可能出现同样的身体状态。如果能***这种身体状态的传播情况,那么就能够将危害降到最低。
相关技术中,往往会通过线性回归的方法对某个区域中处于这种身体状态的历史人数和天数进行拟合,以实现对该区域未来出现处于这种身体状态的人数的预测。但是,由于不同区域具有不同的人口特点,同时区域间人口也会发生流动,仅仅基于处于这种身体状态的历史人数和天数进行预测的准确性较低。
发明内容
本申请实施例提供了一种目标区域的确定方法、装置、设备以及存储介质,可以提升预测处于某种身体状态的人数的准确性。所述技术方案如下:
一方面,提供了一种目标区域的确定方法,所述方法包括:
获取多个区域的区域人口信息以及所述多个区域之间的人口流动信息,所述区域人口信息包括处于目标身体状态的人数、人口总数以及人口密度;
基于所述多个区域的区域人口信息以及所述多个区域之间的人口流动信息,确定各个所述区域的风险值,所述风险值用于指示对应区域内处于所述目标身体状态的人数增多的风险大小;
响应于所述多个区域中第一区域的风险值符合目标条件,将所述第一区域确定为目标区域。
在一种可能的实施方式中,所述第一节点特征还包括POI数量和天气信息中的任一项。
在一种可能的实施方式中,所述区域人口信息还包括人口画像。
一方面,提供了一种目标区域的确定装置,所述装置包括:
信息获取模块,用于获取多个区域的区域人口信息以及所述多个区域之间的人口流动信息,所述区域人口信息包括处于目标身体状态的人数、人口总数以及人口密度;
风险值确定模块,用于基于所述多个区域的区域人口信息以及所述多个区域之间的人口流动信息,确定各个所述区域的风险值,所述风险值用于指示对应区域内处于所述目标身体状态的人数增多的风险大小;
目标区域确定模块,用于响应于所述多个区域中第一区域的风险值符合目标条件,将所述第一区域确定为目标区域。
在一种可能的实施方式中,所述风险值确定模块,用于基于所述多个区域的区域人口信息以及所述多个区域之间的人口流动信息,生成目标图网络,所述目标图网络包括各个所述区域对应的区域节点以及有向边,所述多个区域节点的第一节点特征包括所述区域人口信息,所述有向边的方向用于表示所连接的区域节点之间的人口流动方向;对所述目标图网络进行图卷积,得到各个所述区域节点的第二节点特征;基于各个所述区域节点的第二节点特征,确定各个所述区域的风险值。
在一种可能的实施方式中,所述风险值确定模块,用于基于所述目标图网络中的有向边,获取所述目标图网络的邻接矩阵,所述邻接矩阵用于表示所述多个区域节点之间的人口流动方向;对所述多个区域节点的第一节点特征进行全连接,得到各个所述区域节点的参考节点特征;基于所述邻接矩阵,对各个所述区域节点的参考节点特征进行调整,得到各个所述区域节点的所述第二节点特征。
在一种可能的实施方式中,所述风险值确定模块,用于将各个所述区域节点的第二节点特征输入风险值确定模型,通过所述风险值确定模型将各个所述区域节点的第二节点特征与各个所述区域节点的至少一个历史第二节点特征进行融合,得到各个所述区域节点的融合特征;通过所述风险值确定模型,对各个所述区域节点的第二节点特征进行全连接,得到各个所述区域节点的第三节点特征;对各个所述区域节点的融合特征与各个所述区域节点的第三节点特征进行全连接,得到各个所述区域节点的第四节点特征;对各个所述区域节点的第四节点特征进行归一化,得到各个所述区域节点的风险值。
在一种可能的实施方式中,所述装置还包括:
参数调整模块,用于获取各个所述区域的样本节点特征以及目标风险值,所述目标风险值是基于各个所述区域内处于所述目标身体状态的人数的历史变化情况确定的;将各个所述区域的样本节点特征输入所述风险值确定模型,由所述风险值确定模型输出各个所述区域的预测风险值;基于所述预测风险值以及所述目标风险值之间的差异信息,对所述风险值确定模型的模型参数进行调整。
在一种可能的实施方式中,所述第一节点特征还包括POI数量和天气信息中的任一项。
在一种可能的实施方式中,所述风险值确定模块,用于基于所述多个区域的区域人口信息以及多个区域之间的人口流动信息,确定各个所述区域在目标时间段内的多个风险值;
所述装置还包括:
生成模块,用于基于各个所述区域在目标时间段内的多个风险值,生成目标时间段内的风险值变化表。
在一种可能的实施方式中,所述区域人口信息还包括人口画像。
一方面,提供了一种计算机设备,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条计算机程序,所述计算机程序由所述一个或多个处理器加载并执行以实现所述目标区域的确定方法。
一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条计算机程序,所述计算机程序由处理器加载并执行以实现所述目标区域的确定方法。
一方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括程序代码,该程序代码存储在计算机可读存储介质中,计算机设备的处理器从计算机可读存储介质读取该程序代码,处理器执行该程序代码,使得该计算机设备执行上述目标区域的确定方法。
通过本申请实施例提供的技术方案,在对不同区域进行风险预测时,结合了各个区域的区域人口信息以及人口流动信息来确定风险值,这样确定出的风险值更加准确,这个风险值能够表示处于目标身体状态的人数在该区域增多的风险大小。当风险值符合目标条件时,也就表示处于该目标状态的人数在该区域内增加的风险较高,将该区域标记为目标区域以便及时开展应对工作,防止处于目标身体状态的人数在对应区域内大幅度增加。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种目标区域的确定方法的实施环境的示意图;
图2是本申请实施例提供的一种目标区域的确定方法的流程图;
图3是本申请实施例提供的一种目标区域的确定方法的流程图;
图4是本申请实施例提供的一种目标图网络的示意图;
图5是本申请实施例提供的一种界面示意图;
图6是本申请实施例提供的另一种界面示意图;
图7是本申请实施例提供的一种目标区域的确定方法的框架图;
图8是本申请实施例提供的一种目标区域的确定装置结构示意图;
图9是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式做进一步的详细描述。
本申请中术语“第一”“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分,应理解,“第一”、“第二”、“第n”之间不具有逻辑或时序上的依赖关系,也不对数量和执行顺序进行限定。
本申请中术语“至少一个”是指一个或多个,“多个”的含义是指两个或两个以上,例如,多个人脸图像是指两个或两个以上的人脸图像。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识子模型使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
归一化:将取值范围不同的数列映射到(0,1)区间上,便于数据的处理。在一些情况下,归一化后的数值可以直接被实现为概率。
高斯分布(Gaussian Distribution):也被称为正态分布(NormalDistribution),高斯分布的曲线呈钟型,中间高,两头低。高斯分布的期望值μ决定了高斯分布曲线的位置,标准差σ决定了曲线的范围。当μ=0,σ=1时的高斯分布是标准高斯分布。
图卷积神经网络(Graph Convolutional Network,GCN):图卷积神经网络是一种深度学习网络,与传统的卷积神经网络(Convolutional Neural Network,CNN)不同的是,图卷积神经网络可适用于非欧氏空间的对象中。
本申请实施例中用户信息的获取,比如用户位置的获取必须得到用户的充分授权后才能使用。
图1是本申请实施例提供的一种目标区域的确定方法的实施环境示意图,参见图1,该实施环境中可以包括终端110和服务器140。
终端110通过无线网络或有线网络与服务器140相连。可选地,终端110是相关单位使用的终端,终端110是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此。终端110安装和运行有支持区域显示的应用程序。
服务器140是独立的物理服务器,或者是多个物理服务器构成的服务器集群或者分布式***,或者是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。服务器140为支持区域显示的应用程序提供后台服务。
本领域技术人员可以知晓,上述终端的数量可以更多或更少。比如上述终端仅为一个,或者上述终端为几十个或几百个,或者更多数量,此时上述实施环境中还包括其他终端。本申请实施例对终端的数量和设备类型不加以限定。
在介绍完本申请实施例的实施环境之后,下面对本申请实施例的应用场景进行介绍,在下述说明过程中,终端也即是上述实施环境中的终端110,服务器也即是上述实施环境中的服务器140。本申请实施例提供的目标区域的确定方法能够应用在预测各类身体状态发生传播风险的场景下,比如应用在预测患有新冠肺炎的人数变化情况的场景下,或者应用在预测患有流感的人数变化情况的场景下,或者应用在预测患有甲肝的人数变化情况的场景下。
在预测患有新冠肺炎的人数变化情况的场景下,服务器获取多个区域的区域人口信息以及多个区域之间的人口流动信息,其中,服务器获取多个区域的区域人口信息也即是获取各个区域的患有新冠肺炎的人数、各个区域的人口总数以及人口密度,服务器获取多个区域之间的人口流动信息也即是获取各个区域的人口流入方向和人口流出方向。服务器能够根据各个区域的区域人口信息以及人口流动信息,确定风格区域的风险值,该风险值也就能够表示在各个区域内患有新冠肺炎的人数增多的风险大小。在多个区域中第一区域的风险值符合目标条件,服务器将该第一区域确定为目标区域,目标区域也即是新冠肺炎的传播风险较高的区域。在一些实施例中,终端上运行有支持区域显示的应用程序,该应用程序中显示有多个区域。当服务器将第一区域确定为目标区域之后,能够向终端发送告警信息,告警信息携带第一区域的标识。终端接收到告警信息之后,从该告警信息中获取第一区域的标识。终端基于第一区域的标识,在显示的多个区域中确定第一区域,对第一区域进行突出显示,以表示第一区域被确定为目标区域,也即是第一区域被确定为新冠肺炎的传播风险较高的区域。工作人员通过查看终端突出显示的区域,就能够确定多个区域中的目标区域,从而提前对新冠肺炎的传播做出准备,避免新冠肺炎扩散传播。
在预测患有流感的人数变化情况的场景下,服务器获取多个区域的区域人口信息以及多个区域之间的人口流动信息,其中,服务器获取多个区域的区域人口信息也即是获取各个区域的患有流感的人数、各个区域的人口总数以及人口密度,服务器获取多个区域之间的人口流动信息也即是获取各个区域的人口流入方向和人口流出方向。服务器能够根据各个区域的区域人口信息以及人口流动信息,确定风格区域的风险值,该风险值也就能够表示在各个区域内患有流感的人数增多的风险大小。在多个区域中第一区域的风险值符合目标条件,服务器将该第一区域确定为目标区域,目标区域也即是流感的传播风险较高的区域。在一些实施例中,终端上运行有支持区域显示的应用程序,该应用程序中显示有多个区域。当服务器将第一区域确定为目标区域之后,能够向终端发送告警信息,告警信息携带第一区域的标识。终端接收到告警信息之后,从该告警信息中获取第一区域的标识。终端基于第一区域的标识,在显示的多个区域中确定第一区域,对第一区域进行突出显示,以表示第一区域被确定为目标区域,也即是第一区域被确定为流感的传播风险较高的区域。工作人员通过查看终端突出显示的区域,就能够确定多个区域中的目标区域,从而提前对流感的传播做出准备,避免流感扩散传播。
在预测患有甲肝的人数变化情况的场景下,服务器获取多个区域的区域人口信息以及多个区域之间的人口流动信息,其中,服务器获取多个区域的区域人口信息也即是获取各个区域的患有甲肝的人数、各个区域的人口总数以及人口密度,服务器获取多个区域之间的人口流动信息也即是获取各个区域的人口流入方向和人口流出方向。服务器能够根据各个区域的区域人口信息以及人口流动信息,确定风格区域的风险值,该风险值也就能够表示在各个区域内患有甲肝的人数增多的风险大小。在多个区域中第一区域的风险值符合目标条件,服务器将该第一区域确定为目标区域,目标区域也即是甲肝的传播风险较高的区域。在一些实施例中,终端上运行有支持区域显示的应用程序,该应用程序中显示有多个区域。当服务器将第一区域确定为目标区域之后,能够向终端发送告警信息,告警信息携带第一区域的标识。终端接收到告警信息之后,从该告警信息中获取第一区域的标识。终端基于第一区域的标识,在显示的多个区域中确定第一区域,对第一区域进行突出显示,以表示第一区域被确定为目标区域,也即是第一区域被确定为甲肝的传播风险较高的区域。工作人员通过查看终端突出显示的区域,就能够确定多个区域中的目标区域,从而提前对甲肝的传播做出准备,避免甲肝扩散传播。
需要说明的是,上述是分别以目标身体状态为患有新冠肺炎、患有流感和患有甲肝为例进行说明的,在其他可能的实施方式中,目标身体状态还可以为其他类型的身体状态,本申请实施例对此不做限定。
在介绍完本申请实施例的实施环境和应用场景之后,下面对本申请实施例提供的目标区域的确定方法进行说明。
图2是本申请实施例提供的一种目标区域的确定方法的流程图,参见图2,以执行主体为服务器为例,方法包括:
201、服务器获取多个区域的区域人口信息以及该多个区域之间的人口流动信息,该区域人口信息包括处于目标身体状态的人数、人口总数以及人口密度。
其中,身体状态为用于描述人的身体情况,目标身体状态是指人的身体情况不佳,且这种身体不佳的情况可能会出现人与人之间传播;人口流动信息用于描述多个区域之间人口流动的方向的数量,区域人口信息用于描述区域内人口的情况。
202、服务器基于该多个区域的区域人口信息以及该多个区域之间的人口流动信息,确定各个该区域的风险值,该风险值用于指示对应区域内处于该目标身体状态的人数增多的风险大小。
其中,由于处于目标身体状态的人数与区域内人口情况和区域间的人口流动情况息息相关,基于区域人口信息以及多个区域之间的人口流动信息确定的风险值就能够较为准确地反映对应区域内处于目标身体状态的人数增加的风险大小。
203、响应于该多个区域中第一区域的风险值符合目标条件,服务器将该第一区域确定为目标区域。
其中,若第一区域的风险值符合目标条件,也就表示目标身体状态在第一区域内发生传播的风险较高,服务器将第一区域确定为目标区域能够提醒工作人员在目标区域中部署应对工作。
通过本申请实施例提供的技术方案,在对不同区域进行风险预测时,结合了各个区域的区域人口信息以及人口流动信息来确定风险值,这样确定出的风险值更加准确,这个风险值能够表示处于目标身体状态的人数在该区域增多的风险大小。当风险值符合目标条件时,也就表示处于该目标状态的人数在该区域内增加的风险较高,将该区域标记为目标区域以便及时开展应对工作,防止处于目标身体状态的人数在对应区域内大幅度增加。
上述步骤201-203是对本申请实施例提供的技术方案的简单说明,下面将结合一些例子,对本申请实施例提供的目标区域的确定方法进行更加详细说明,参见图3,方法包括:
301、服务器获取多个区域的区域人口信息以及该多个区域之间的人口流动信息,该区域人口信息包括处于目标身体状态的人数、人口总数以及人口密度。
其中,区域可以为省、市、城市中的行政区、行政区中的不同街道等,在一些实施例中,区域也可以为其他人为划分的区域,本申请实施例对此不做限定。目标身体状态为某种身体状态,比如为人体健康受损的状态,目标身体状态的类型由技术人员根据实际情况进行选择。在一些实施例中,人口流动信息的形式为一个三元组(人口流出区域,人口流动数量,人口流入区域),人口流动信息反映不同区域之间的人口流动情况。
在一种可能的实施方式中,服务器从人口信息数据库中获取各个区域的区域人口信息以及该多个区域之间的人口流动信息,其中,人口信息数据库存储有多个区域的区域人口信息和多个区域之间的人口流动信息。
其中,人口信息数据库存储中存储的区域人口信息和多个区域之间的人口流动信息是实时更新的,以保证人口信息数据库中存储有最新的区域人口信息和多个区域之间的人口流动信息,便于后续进行目标身体状态的风险值预测。比如,区域人口信息中处于目标身体状态的人数是由区域所在地的相关单位实时上传至人口信息数据库中的;人口总数和人口密度是由人口统计机构定时上传至人口信息数据库的;多个区域之间的人口流动信息也是有人口统计机构定时上传至人口信息数据库的,在一些实施例中,人口统计机构在确定人口总数和人口密度时,能够结合历史人口总数以及人口流动信息,这样能够快速确定不同时间的人口总数和人口密度。
在这种实施方式下,服务器能够从人口信息数据库中快速获取到多个区域的区域人口信息以及该多个区域之间的人口流动信息,效率较高。
举例来说,服务器向人口信息数据库发送信息查询请求,信息查询请求中携带有多个区域的区域标识。人口信息数据库获取该信息查询请求,从该信息查询请求中获取多个区域的区域标识。人口信息数据库基于多个区域的区域标识进行查询,获取多个区域的区域人口信息以及多个区域之间的人口流动信息,将多个区域的区域人口信息以及多个区域之间的人口流动信息发送给服务器,服务器获取多个区域的区域人口信息以及多个区域之间的人口流动信息。
在一种可能的实施方式中,服务器获取多个区域内用户设备的位置信息和用户信息。基于多个区域内用户设备的位置信息和用户信息,获取各个区域的区域人口信息以及多个区域之间的人口流动信息,其中,服务器获取用户设备的位置信息和用户信息之前,经过了用户的充分授权。
在这种实施方式下,服务器能够通过多个区域内用户设备的位置信息和用户信息来确定各个区域的区域人口信息以及多个区域之间的人口流动信息,信息的实时性较高,后续预测出现处于目标身体状态人数增加的风险值的准确性也就越高。
举例来说,用户设备上运行有与目标身体状态关联的应用程序,用户能够通过该应用程序来获取与目标身体状态相关的信息,比如通过该应用程序来获取目标身体状态相关的知识或者目标身体状态的表现等信息。服务器能够通过该应用程序来获取用户设备的位置信息和用户信息。服务器基于用户设备的位置信息,确定各个区域的人口总数,将各个区域的人口总数与各个区域的面积相除,得到各个区域的人口密度。服务器基于用户设备的位置信息,确定多个区域之间的人口流动信息。服务器通过用户设备的用户信息,确定对应用户是否处于目标身体状态,服务器统计各个区域内处于目标身体状态的人数。在一些实施例中,由于处于目标身体状态的人会被各个区域的相关单位统计,服务器直接将相关单位公布的人数确定为处于目标身体状态的人数。
在一些实施例中,获取用户设备的位置信息是用于确定用户设备所在的区域,服务器除了通过与目标身体状态关联的应用程序来获取用户设备的位置信息之外,还能够通过通信基站来获取用户设备的位置信息,若一个用户设备与区域A内的通信基站相连,那么服务器能够确定该用户设备位于区域A内,当然,服务器通过通信基站来获取用户设备的位置信息也经过了用户的充分授权。
在一种可能的实施方式中,终端获取多个区域的区域人口信息以及该多个区域之间的人口流动信息,将多个区域的区域人口信息以及该多个区域之间的人口流动信息上传给服务器,服务器获取多个区域的区域人口信息以及该多个区域之间的人口流动信息。
其中,终端为各个区域的相关单位使用的终端。
在这种实施方式中,工作人员能够在终端上输入多个区域的区域人口信息和多个区域之间的人口流动信息,由终端将多个区域的区域人口信息和多个区域之间的人口流动信息上传至服务器,服务器获取到的区域人口信息和人口流动信息的实时性较高。
举例来说,各个区域均对应于一个终端,各个区域对应的终端用于获取各个区域的区域人口信息以及各个区域向其他区域的人口流动信息。各个区域对应的终端将各个区域的区域人口信息以及各个区域向其他区域的人口流动信息上传至服务器,服务器获取各个区域的区域人口信息以及多个区域之间的人口流动信息。这种通过多个终端来收集区域人口信息和人口流动信息的方式,能够将信息收集的任务进行拆分给各个终端,从而提高信息收集的效率和准确性。
比如,相关单位的工作人员能够收集各个区域的区域人口信息和人口流动信息,定时通过终端向服务器上传各个区域的区域人口信息和人口流动信息。
302、服务器基于该多个区域的区域人口信息以及该多个区域之间的人口流动信息,生成目标图网络,该目标图网络包括各个该区域对应的区域节点以及有向边,该多个区域节点的第一节点特征包括该区域人口信息,该有向边的方向用于表示所连接的区域节点之间的人口流动方向。
图4为目标图网络的一个示意图,目标图网络包括多个区域节点以及区域节点之间的有向边。在图4中,区域A、区域B、区域C以及区域D为四个区域节点,区域A指向区域B的有向边表示区域A的人口向区域B流动。
在一种可能的实施方式中,服务器生成各个区域对应的区域节点,基于各个区域的区域人口信息,生成对应区域节点的第一节点特征,也就是说,第一节点特征用于描述对应区域的人口特性。服务器基于多个区域之间的人口流动信息,在多个区域节点之间添加有向边,有向边的方向为人口流出的区域节点指向人口流入的区域节点。在一些实施例中,第一节点特征也被称为对应区域节点的节点属性V,有向边也被称为节点关系E,E(Population)为从人口流出节点(起点,Start Node)到人口流入节点(终点,End Node)的三元组(Start Node,End Node,Population),形成目标图网络G=(V,E)。在一些实施例中,服务器采用向量的形式表示节点属性V,V为v维实数向量,v为正整数。
在这种实施方式下,服务器能够该多个区域的区域人口信息以及该多个区域之间的人口流动信息来生成目标图网络,生成的目标图网络就能够直观地反映各个区域的人口特性以及多个区域之间的人口流动情况,有助于后续对状态传播风险的预测。
举例来说,服务器对多个区域进行编号,得到各个区域的区域标识。服务器基于各个区域的区域标识,生成各个区域对应的区域节点,区域节点也就能够代表对应的区域。服务器将各个区域的区域人口信息确定为对应区域节点的第一节点特征,比如将对应区域内处于目标身体状态的人数、人口总数以及人口密度拼接为第一节点特征向量,第一节点特征向量也即是用于表示第一节点特征的向量。服务器基于多个区域之间的人口流动信息,确定各个区域节点的人口流动情况,在人口流出的区域节点和人口流入的区域节点之间的添加有向边,表示人口的流动方向,有向边的方向为人口流出的区域节点指向人口流入的区域节点。
在一种可能的实施方式中,该区域人口信息除了包括处于目标身体状态的人数、人口总数以及人口密度之外,还包括人口画像,结合人口画像能够完善的表示对应区域的人口特性。人口画像用于描述对应区域的人口特征,比如包括人口的年龄、性别、学历、爱好等特征,人口画像能够为预测对应区域内处于目标身体状态的人数变化情况提供辅助,比如,若一个区域的人口平均年龄偏大,那么该区域夜间的人***动可能较少,那么夜间发生目标身体状态传播的风险也就较低;若一个区域的人口爱好为打麻将,那么该区域人口聚集的概率较大,出现处于目标身体状态的人数增加的风险可能也较高。服务器生成各个区域对应的区域节点,基于各个区域的区域人口信息,生成对应区域节点的第一节点特征,其中,区域人口信息包括处于目标身体状态的人数、人口总数、人口密度以及人口画像,结合人口画像之后,第一节点特征能够更加准确的描述对应区域的人口特性。服务器基于多个区域之间的人口流动信息,在多个区域节点之间添加有向边,有向边的方向为人口流出的区域节点指向人口流入的区域节点。
其中,人口画像由服务器通过人口信息数据库获取,或者通过与目标身体状态关联的应用程序上的调查问卷获取,或者由终端进行上传,本申请实施例对此不做限定。
在这种实施方式下,服务器结合了人口画像来确定各个区域节点的第一节点特征,第一节点特征对于各个区域的人口特性具有更强的表达能力,有助于后续风险预测的准确性。
举例来说,服务器对多个区域进行编号,得到各个区域的区域标识。服务器基于各个区域的区域标识,生成各个区域对应的区域节点,区域节点也就能够代表对应的区域。服务器将各个区域的区域人口信息确定为对应区域节点的第一节点特征,比如将对应区域内处于目标身体状态的人数、人口总数、人口密度以及人口画像拼接为第一节点特征向量,第一节点特征向量也即是用于表示第一节点特征的向量。服务器基于多个区域之间的人口流动信息,确定各个区域节点的人口流动情况,在人口流出的区域节点和人口流入的区域节点之间的添加有向边,表示人口的流动方向,有向边的方向为人口流出的区域节点指向人口流入的区域节点。
在一种可能的实施方式中,在步骤302之前,服务器还能够获取多个区域的POI(Point of Interest)数量以及天气信息中的至少一项。在服务器生成各个区域对应的区域节点之后,基于各个区域的区域人口信息,各个区域的POI数量以及天气信息中的至少一项,生成各个区域节点的第一节点特征,第一节点特征除了能够反映各个区域的人口特性之外,还能够反映各个区域的POI数量和天气信息,在一些实施例中,各个区域的人口特性、POI数量以及天气信息统称为各个区域的区域特性或者区域属性。
其中,POI数量由服务器从多个区域的地图数据库获取,天气信息由服务器从多个区域的天气数据库获取。POI为地图上非地理意义的点,比如为商店、酒吧、加油站、医院以及车站等人为设立的设施或者建筑物,作为对比,有地理意义的点为河流、湖泊、山峰等自然景物。一个区域的POI数量越多,表示该区域的人***动可能较为频繁,出现处于目标身体状态人数增加的风险较高;一个区域的POI数量越少,表示该区域的人***动可能较少,出现处于目标身体状态人数增加的风险较低。天气信息用于指示对应区域的天气情况,比如为晴天、阴天还是雨天等,对应区域的天气情况对人口流动也有影响,比如在晴天人口的流动可能较为频繁,出现处于目标身体状态人数增加的风险较高;雨天的人口流动较少,出现处于目标身体状态人数增加的风险较低。基于上述描述可以看出,各个区域的POI数量和天气情况能够辅助确定各个区域出现处于目标身体状态人数增加的风险。
在这种实施方式下,服务器确定出的第一节点特征能够在多个维度上反映各个区域的区域特性,从而对各个区域的区域特性进行更加全面的表达,有助有后续基于第一节点特征来确定各个区域出现处于目标身体状态人数增加的风险。
举例来说,服务器对多个区域进行编号,得到各个区域的区域标识。服务器基于各个区域的区域标识,生成各个区域对应的区域节点,区域节点也就能够代表对应的区域。服务器将各个区域的区域人口信息确定为对应区域节点的第一节点特征,比如将对应区域内处于目标身体状态的人数、人口总数、人口密度、POI数量以及天气信息拼接为第一节点特征向量,第一节点特征向量也即是用于表示第一节点特征的向量。服务器基于多个区域之间的人口流动信息,确定各个区域节点的人口流动情况,在人口流出的区域节点和人口流入的区域节点之间的添加有向边,表示人口的流动方向,有向边的方向为人口流出的区域节点指向人口流入的区域节点。当然,在这种方式下,服务器在确定各个区域节点的第一节点特征时,也能够结合上一种实施方式中的用户画像,从而增加第一节点特征的表达维度。
303、服务器对该目标图网络进行图卷积,得到各个区域节点的第二节点特征。
在一种可能的实施方式中,服务器基于该目标图网络中的有向边,获取该目标图网络的邻接矩阵,该邻接矩阵用于表示该多个区域节点之间的人口流动方向。服务器对该多个区域节点的第一节点特征进行全连接,得到各个区域节点的参考节点特征。服务器基于该邻接矩阵,对各个区域节点的参考节点特征进行调整,得到各个区域节点的该第二节点特征。
为了对上述实施方式进行更加清楚的说明,下面将分为三个部分对上述实施方式进行说明。
第一部分、服务器基于该目标图网络中的有向边,获取该目标图网络的邻接矩阵,该邻接矩阵用于表示该多个区域节点之间的人口流动方向。
在本申请实施例中,邻接矩阵可以有两种形式,下面将分别对这两种形式进行说明。
形式1、邻接矩阵为由数字0和数字1构成的矩阵,邻接矩阵为一个方阵,邻接矩阵的行数和列数均与区域节点的数量相同,邻接矩阵的每一行对应于一个区域节点,每一列也对应于一个区域节点。在一些实施例中,由于目标图网络为有向图,可以将邻接矩阵的行对应的区域节点确定为人口流出的节点,将邻接矩阵的列对应的区域节点确定为人口流入的节点。在这种情况下,邻接矩阵中的数字0表示所在行对应的区域节点没有向所在列对应区域节点流入人口,相应地,接矩阵中的数字1表示所在行对应的区域节点向所在列对应区域节点流入了人口。比如,若邻接矩阵中第二行第三列的数字为1,也就表示目标图网络中第二个区域节点向第三个区域节点流入了人口;若邻接矩阵中第二行第三列的数字为0,也就表示目标图网络中第二个区域节点没有向第三个区域节点流入人口。在这种形式下,邻接矩阵能够表示不同区域节点之间的人口流动情况,由于邻接矩阵中的数字为0或者1,后续的运算量也就较小。
形式2、邻接矩阵为由数字0和数字N构成的矩阵,N为人口流动的数量,N的单位由技术人员根据实际情况进行设置,比如设置为百人或者千人等,本申请实施例对此不做限定。在这种情况下,多个区域之间的人口流动信息除了携带有多个区域之间的人口流动方向之外,还携带有多个区域之间的人口流动数量。邻接矩阵为一个方阵,邻接矩阵的行数和列数均与区域节点的数量相同,邻接矩阵的每一行对应于一个区域节点,每一列也对应于一个区域节点。在一些实施例中,由于目标图网络为有向图,可以将邻接矩阵的行对应的区域节点确定为人口流出的节点,将邻接矩阵的列对应的区域节点确定为人口流入的节点。在这种情况下,邻接矩阵中的数字0表示所在行对应的区域节点没有向所在列对应区域节点流入人口,相应地,接矩阵中的数字N表示所在行对应的区域节点向所在列对应区域节点流入了数量为N的人口。比如,若邻接矩阵中第二行第三列的数字为4,也就表示目标图网络中第二个区域节点向第三个区域节点流入了数量为4的人口;若邻接矩阵中第二行第三列的数字为0,也就表示目标图网络中第二个区域节点没有向第三个区域节点流入人口。在这种形式下,邻接矩阵不仅能够表示不同区域节点之间的人口流动情况,还能够表示人口流动的数量。
在一种可能的实施方式中,服务器基于该目标图网络中的有向边所连接的区域节点以及有向边的方向,生成该目标图网络的邻接矩阵,该邻接矩阵能够表示各个区域节点之间的人口流动情况。
下面通过两个例子对上述实施方式进行说明。
例1、若采用上述第一种形式的邻接矩阵,那么服务器生成初始邻接矩阵,该初始邻接矩阵的行数和列数均与目标图网络中区域节点的数量相同。服务器将邻接矩阵的行标记为人口流出的区域节点,将邻接矩阵的列标记为人口流入的区域节点。服务器根据有向边所连接的两个区域节点,确定这两个区域节点在邻接矩阵中对应的位置。服务器根据该有向边的方向,在该位置上填充数字0或者数字1。在一些实施例中,服务器在填充初始邻接矩阵时,是按照先行后列的方式来进行。比如,对于目标图网络中的区域节点A和区域节点B来说,区域节点A和区域节点B之间存在一个有向边,该有向边的方向是由区域节点A指向区域节点B。若该区域节点A在该邻接矩阵中对应于第5行,该区域节点B在该邻接矩阵中对应于第8列,由于该有向边是由该区域节点A指向该区域节点B,那么服务器在初始邻接矩阵的第5行第8列填充数字1。相应地,若该区域节点A和该区域节点B之间有且仅有上述一条有向边,那么服务器能够在初始邻接矩阵的第8行第5列填充数字0,表示不存在该区域节点B指向该区域节点A的有向边,也即是区域节点B对应的区域没有向区域节点A对应的区域流入人口。以此类推,得到该目标图网络的邻接矩阵。
例2、若采用上述第二种形式的邻接矩阵,那么服务器生成初始邻接矩阵,该初始邻接矩阵的行数和列数均与目标图网络中区域节点的数量相同。服务器将邻接矩阵的行标记为人口流出的区域节点,将邻接矩阵的列标记为人口流入的区域节点。服务器根据有向边所连接的两个区域节点,确定这两个区域节点在邻接矩阵中对应的位置。服务器根据该有向边的方向,在该位置上填充数字0或者数字N,N也即是人口流动的数量。在一些实施例中,服务器在填充初始邻接矩阵时,是按照先行后列的方式来进行。比如,对于目标图网络中的区域节点A和区域节点B来说,区域节点A和区域节点B之间存在一个有向边,该有向边的方向是由区域节点A指向区域节点B,该有向边指示的人口流动数量为9。若该区域节点A在该邻接矩阵中对应于第5行,该区域节点B在该邻接矩阵中对应于第8列,由于该有向边是由该区域节点A指向该区域节点B,那么服务器在初始邻接矩阵的第5行第8列填充数字9,也即是区域节点A对应的区域向区域节点B对应的区域流入了数量为9的人口。相应地,若该区域节点A和该区域节点B之间有且仅有上述一条有向边,那么服务器能够在初始邻接矩阵的第8行第5列填充数字0,表示不存在该区域节点B指向该区域节点A的有向边,也即是区域节点B对应的区域没有向区域节点A对应的区域流入人口。以此类推,得到该目标图网络的邻接矩阵。
第二部分、服务器对该多个区域节点的第一节点特征进行全连接,得到各个区域节点的参考节点特征。其中,采用这种处理方式是为了保留目标图网络中的高度非线性结构(Semantic Proximity Loss)。
在一种可能的实施方式中,服务器采用第一权重矩阵与各个第一节点特征相乘,得到各个区域节点的第一全连接特征。服务器在各个第一全连接特征上叠加第一偏置,得到各个区域节点的第一全连接特征。服务器对各个第一全连接特征进行非线性处理,得到各个区域节点的参考节点特征。
举例来说,服务器能够采用下述公式(1)来对多个区域节点的第一节点特征进行全连接,得到各个区域节点的参考节点特征。
其中,xi为第一节点特征,W1为第一权重矩阵,b为第一偏置,σ( )为Sigmoid(S型生长)函数,服务器能够通过Sigmoid函数来进行非线性处理,为参考节点特征,第一权重矩阵W和第一偏置b均是可学习的参数。
需要说明的是,在上述说明过程中,是以服务器对第一节点特征进行一次全连接为例进行说明的,在其他可能的实施方式中,服务器能够对第一节点特征进行多次全连接,得到各个区域节点的参考节点特征。通过执行多次全连接,服务器能够更好地捕捉各个区域节点的高度非线性结构,得到的参考节点特征的表达能力也就越强。
第三部分、服务器基于该邻接矩阵,对各个区域节点的参考节点特征进行调整,得到各个区域节点的该第二节点特征。
在一种可能的实施方式中,服务器从该邻接矩阵中获取各个区域节点对应的邻接向量。服务器基于各个区域节点对应的邻接向量,对各个区域节点的参考节点特征进行调整,得到各个区域节点的第二节点特征。
在这种实施方式下,服务器能够采用各个区域节点的邻接向量对各个区域节点的参考节点特征进行调整,得到的第二节点特征也就具有更强的表达能力。
举例来说,服务器从该邻接矩阵中获取各个区域节点对应的邻接向量,在一些实施例中,邻接向量为该邻接矩阵中每一行的向量,用于表示每一行对应的区域节点与其他区域节点之间的人口流动情况。对于每两个区域节点,服务器基于这两个区域节点的邻接向量之间的相似度,对这两个区域节点的参考节点特征进行调整,得到这两个节点分别对应的第二节点特征。其中,若两个区域节点的邻接向量之间的相似度较高,那么也就表示这两个区域节点对应的两个区域的区域特性和人口流动特征较为相似,那么服务器能够调整这两个区域节点的参考节点特征,以使得这两个区域节点的参考节点特征之间的相似度越高,得到的第二节点特征也就具有更强的表达能力。
比如,服务器能够通过下述公式(2)来构建损失函数,以得到第二节点特征。
其中,Lh为损失函数,也被称为重建损失,Qi为编号为i的区域节点的邻接向量,Qj为编号为j的区域节点的邻接向量,n为区域节点的数量,为二范数的平方,保证非负。
损失函数Lh也就能够表示两个区域节点的邻接向量之间的相似度,服务器能够基于损失函数Lh对两个区域节点的参考节点特征进行调整,得到两个区域节点的第二节点特征。若两个区域节点具有相似的邻接向量,那么两个区域节点的损失函数Lh也就越小。
基于上述思想,服务器能够构建如下损失函数(3)来对各个区域节点的参考节点特征进行调整,得到两个区域节点的第二节点特征。
其中,Lf为整体损失函数,M为邻接矩阵,Eij为邻接矩阵中的数值,Hi为编号为i的区域节点的第二节点特征,Z为参考节点特征,Hj为编号为j的区域节点的第二节点特征,Zi为编号为i的区域节点的参考节点特征,Zj为编号为j的区域节点的参考节点特征。
在一种可能的实施方式中,服务器基于该邻接矩阵,确定与各个区域节点相连的至少一个区域节点。服务器基于注意力机制对各个区域节点的参考节点特征以及相连的至少一个区域节点的参考节点特征进行编码,得到各个区域节点的该第二节点特征。
在这种实施方式下,服务器能够基于邻接矩阵确定与各个区域节点相连的区域节点,通过注意力机制对各个区域节点的参考节点特征进行调整,得到的第二节点特征也就具有更强的表达能力。
以服务器对一个区域节点进行处理为例进行说明,服务器基于该邻接矩阵,获取与该区域节点相连的至少一个区域节点,该至少一个区域节点可以为人口流出的区域节点也可以为人口流入该区域节点的区域节点,本申请实施例对此不做限定。为了便于区分,在下述说明过程中,采用参考区域节点来代指该区域节点相连的区域节点。服务器采用三个线性变换矩阵,对该区域节点进行线性变换,得到该区域节点的第一查询矩阵、第一键矩阵以及第一值矩阵,其中,该三个线性变换矩阵为模型训练过程中得到的矩阵。服务器采用该三个线性变换矩阵,对参考区域节点进行线性变换,得到参考区域节点的第二查询矩阵、第二键矩阵以及第二值矩阵。服务器基于该区域节点的查询矩阵以及参考区域节点的键矩阵,获取参考区域节点对该区域节点的注意力权重。服务器基于参考区域节点对该区域节点的注意力权重以及该区域节点的值矩阵,获取该区域节点的第二节点特征。
比如,服务器基于该区域节点的查询矩阵以及参考区域节点的键矩阵,获取参考区域节点对该区域节点的注意力权重时,能够采用将该区域节点的查询矩阵与参考区域节点的键矩阵相乘的方式来实现。服务器基于参考区域节点对该区域节点的注意力权重以及该区域节点的值矩阵,获取该区域节点的第二节点特征时,能够采用参考区域节点对该区域节点的注意力权重对该区域节点的值矩阵进行加权求和的方式来实现。
在一种可能的实施方式中,服务器基于该邻接矩阵,确定与各个区域节点相连的至少一个区域节点。服务器将各个区域节点的参考节点特征与相连的至少一个区域节点的参考节点特征进行加权求和,得到该区域节点的第二节点特征,其中,加权求和时的权重与人口流动的数量正相关。
在这种实施方式下,服务器能够基于人口流动数量来将各个区域节点的参考节点特征与相连的至少一个区域节点的参考节点特征融合,得到的第二节点特征也就参考了人口流动的数量,从而具有更加丰富的信息。
以服务器对一个区域节点进行处理为例进行说明,服务器基于该邻接矩阵,获取与该区域节点相连的至少一个区域节点,该至少一个区域节点可以为人口流出的区域节点也可以为人口流入该区域节点的区域节点,本申请实施例对此不做限定。为了便于区分,在下述说明过程中,采用参考区域节点来代指该区域节点相连的区域节点。服务器获取该区域节点与参考区域节点之间的人口流动数量,比如,若该区域节点的人口向参考区域节点流入了100,那么服务器能够采用-100来表示人口流动数量。若该参考区域节点的人口向区域节点流入了100,那么服务器能够采用+100来表示人口流动数量。服务器基于该区域节点与参考区域节点之间的人口流动数量,确定该区域节点与参考区域节点之间的权重。服务器基于该权重,对该区域节点的参考节点特征与参考区域节点的参考节点特征进行加权求和,得到该区域节点的第二节点特征。
需要说明的是,在上述步骤303中通过图卷积来对目标图网络进行处理,得到各个区域节点的第二节点特征的过程是无监督的过程,在下述步骤304中,还能够结合有监督的方式来进行风险值预测。
304、服务器基于各个区域节点的第二节点特征,确定各个该区域的风险值。
在一种可能的实施方式中,服务器将各个区域节点的第二节点特征输入风险值确定模型,通过该风险值确定模型将各个区域节点的第二节点特征与各个区域的至少一个历史第二节点特征进行融合,得到各个区域节点的融合特征。服务器通过该风险值确定模型,对各个区域节点的第二节点特征进行全连接,得到各个区域节点的第三节点特征。服务器对各个区域节点的融合特征与各个区域节点的第三节点特征进行全连接,得到各个区域节点的第四节点特征。服务器对各个区域节点的第四节点特征进行归一化,得到各个区域节点的风险值。
其中,该风险值确定模型是基于有监督的方式训练得到的模型。风险值用于预测各个区域在未来出现处于目标身体状态人数增加的风险大小,这里的未来可以是指当前天的后一天。历史第二节点特征是服务器基于多个区域的历史区域人口信息以及该多个区域之间的历史人口流动信息确定的,确定方法参见上述步骤301-303的描述在此不再赘述。也即是说,服务器在确定各个区域节点的融合特征时,融合了各个区域节点当前时刻的第二节点特征和历史时刻的第二节点特征,融合特征也就能够反映各个区域节点在一段时间内的区域特性和人口特性,相较于仅采用当前时刻的第二节点特征来说,采用融合特征能够更加完整地表达各个区域节点的区域特性和人口特性。历史第二节点特征的数量由技术人员根据实际情况进行设置,比如设置为3、5或者7等,本申请实施例对此不做限定。
在这种实施方式下,服务器能够通过风险值确定模型来基于图卷积获取到的各个区域节点的第二节点特征以及历史第二节点特征进行预测,也即是,对于一个区域来说,预测过程参考了历史确定出的第二节点特征,得到各个区域的风险值。由于第二节点特征能够表示各个区域的区域特性和人口流动特性,采用第二节点特征预测得到的风险值就能够较为准确地表示对应区域出现处于目标身体状态人数增加的风险大小。
在一些实施例中,服务器融合第二节点特征和至少一个历史第二节点特征时能够采用拼接、求和(Sum)以及求平均(Avg)中的任一项,下面将基于不同融合方式对上述实施方式进行说明。
例1、服务器将各个区域节点的第二节点特征输入风险值确定模型,通过该风险值确定模型将各个区域节点的第二节点特征与至少一个历史第二节点特征进行拼接,得到各个区域节点的融合特征,这里的拼接也就是指,将各个区域节点的第二节点特征与至少一个历史第二节点特征拼接为一个融合矩阵,该融合矩阵也即是上述融合特征。服务器通过该风险值确定模型,采用第二权重矩阵与各个第二节点特征相乘,得到各个区域节点的第三节点特征。服务器将融合特征与第三节点特征进行拼接,得到拼接特征。服务器采用第三权重与该拼接特征相乘,得到各个区域节点的第四节点特征。服务器对各个区域节点的第四节点特征进行归一化,也即是将各个区域节点的第四节点特征映射为各个区域节点的风险值。
例2、服务器将各个区域节点的第二节点特征输入风险值确定模型,通过该风险值确定模型将各个区域节点的第二节点特征与至少一个历史第二节点特征进行求和,得到各个区域节点的融合特征,这里的求和也就是指,将各个区域节点的第二节点特征与至少一个历史第二节点特征相加,得到融合特征。服务器通过该风险值确定模型,采用第二权重矩阵与各个第二节点特征相乘,得到各个区域节点的第三节点特征。服务器将融合特征与第三节点特征进行拼接,得到拼接特征。服务器采用第三权重与该拼接特征相乘,得到各个区域节点的第四节点特征。服务器对各个区域节点的第四节点特征进行归一化,得到各个区域节点的风险值。
例3、服务器将各个区域节点的第二节点特征输入风险值确定模型,通过该风险值确定模型将各个区域节点的第二节点特征与至少一个历史第二节点特征进行求平均,得到各个区域节点的融合特征,这里的求平均也就是指,将各个区域节点的第二节点特征与至少一个历史第二节点特征相加后与相加的特征数量相除,得到融合特征。服务器通过该风险值确定模型,采用第二权重矩阵与各个第二节点特征相乘,得到各个区域节点的第三节点特征。服务器将融合特征与第三节点特征进行拼接,得到拼接特征。服务器采用第三权重与该拼接特征相乘,得到各个区域节点的第四节点特征。服务器对各个区域节点的第四节点特征进行归一化,得到各个区域节点的风险值。
需要说明的是,在上述说明过程中,服务器采用第三权重与该拼接特征相乘,得到各个区域节点的第四节点特征。服务器对各个区域节点的第四节点特征进行归一化,也即是将各个区域节点的第四节点特征映射为各个区域节点的风险值的过程,也即是采用多层感知机(Multilayer Perceptron,MLP)来对拼接特征进行处理,得到各个区域节点的风险值。
服务器能够采用上一种方式来获取各个区域节点的融合特征,本申请实施例对此不做限定。在一些实施例中,服务器能够通过下述公式(4)来获取各个区域节点的风险值。
y=MLP(concat(Hlt,...,Hl(t-7)),W2·Hlt) (4)
其中,y为风险值,MLP()为多层感知机,concat()为融合函数,包括上述拼接、求和以及求平均,W2为第二权重矩阵,可以通过训练得到,Hlt为某个区域在第t天的第二节点特征,Hl(t-7)为该区域在7天前的历史第二节点特征。
在一种可能的实施方式中,服务器将各个区域节点的第二节点特征输入风险值确定模型,通过该风险值确定模型将各个区域节点的第二节点特征进行拼接,得到各个区域节点的拼接特征。服务器通过该风险值确定模型,对各个区域节点的拼接特征进行卷积处理,得到各个区域节点的特征图。服务器对各个区域节点的特征图进行全连接,得到各个区域节点的目标特征。服务器对各个区域节点的目标特征进行归一化,得到各个区域节点的风险值。
在这种实施方式下,增加了一个卷积处理对各个区域节点的拼接特征进行了又一次特征提取,获得的特征图能够在更高的维度上表达该拼接特征,基于该特征图来获取各个区域节点的风险值也就能够更加准确度反映各个区域节点的情况。
举例来说,服务器将各个区域节点的第二节点向量输入风险值确定模型,通过该风险值确定模型将各个区域节点的第二节点向量进行拼接,得到各个区域节点的拼接矩阵,其中,第二节点向量用于表示第二节点特征,拼接矩阵用于表示拼接特征。服务器采用卷积核对该拼接矩阵进行处理,得到各个区域节点的初始特征图。服务器将初始特征图与拼接矩阵相加,得到各个区域节点的特征图。服务器对各个区域节点的特征图进行全连接,将该特征图映射为目标向量。服务器对目标向量进行归一化,得到各个区域节点的风险值。
在一种可能的实施方式中,服务器将各个区域节点的第二节点特征输入风险值确定模型,通过该风险值确定模型基于注意力机制对各个区域节点的第二节点特征进行编码,得到各个区域节点的注意力特征。服务器将各个区域节点的注意力特征进行拼接,得到注意力拼接特征。服务器对该注意力拼接特征进行全连接,得到各个区域节点的目标特征。服务器对各个区域节点的目标特征进行归一化,得到各个区域节点的风险值。
在这种实施方式下,增加了一个注意力编码的过程对各个区域节点的第二特征进行了又一次特征提取,获得的注意力特征能够更加完整地表达该拼接特征,基于该注意力特征来获取各个区域节点的风险值也就能够更加准确度反映各个区域节点的情况。
举例来说,服务器将各个区域节点的第二节点向量输入风险值确定模型,其中,第二节点向量用于表示第二节点特征。以服务器对一个区域节点的第二节点向量进行注意力编码为例,服务器获取该区域节点的第二节点向量对其他区域节点的第二节点向量的注意力权重。服务器基于注意力权重,将其他区域节点的第二节点向量与该区域节点的第二节点向量进行加权求和,得到该区域节点的注意力特征。服务器获取各个区域节点的注意力特征之后,将各个区域节点的注意力特征拼接为注意力拼接矩阵。服务器对该注意力拼接矩阵进行全连接,得到各个区域节点的目标向量。服务器对各个区域节点的目标向量进行归一化,得到各个区域节点的风险值。
在一种可能的实施方式中,服务器基于该邻接矩阵,确定与各个区域节点相连的至少一个区域节点。服务器将各个区域节点的第二节点特征与相连的至少一个区域节点的第二节点特征进行加权求和,得到该区域节点的流动节点特征,其中,加权求和时的权重与人口流动的数量正相关。服务器将各个区域节点的流动节点特征进行拼接,得到流动拼接特征。服务器对该流动拼接特征进行全连接,得到各个区域节点的目标特征。服务器对各个区域节点的目标特征进行归一化,得到各个区域节点的风险值。
在这种实施方式下,服务器能够基于人口流动数量来将各个区域节点的第二节点特征与相连的至少一个区域节点的第二节点特征融合,得到的流动节点特征也就参考了人口流动的数量,从而具有更加丰富的信息。
以服务器对一个区域节点进行处理为例进行说明,服务器基于该邻接矩阵,获取与该区域节点相连的至少一个区域节点,该至少一个区域节点可以为人口流出的区域节点也可以为人口流入该区域节点的区域节点,本申请实施例对此不做限定。为了便于区分,在下述说明过程中,采用参考区域节点来代指该区域节点相连的区域节点。服务器获取该区域节点与参考区域节点之间的人口流动数量,比如,若该区域节点的人口向参考区域节点流入了100,那么服务器能够采用-100来表示人口流动数量。若该参考区域节点的人口向区域节点流入了100,那么服务器能够采用+100来表示人口流动数量。服务器基于该区域节点与参考区域节点之间的人口流动数量,确定该区域节点与参考区域节点之间的权重。服务器基于该权重,对该区域节点的第二节点向量与参考区域节点的第二节点向量进行加权求和,得到该区域节点的流动节点向量。服务器将各个区域节点的流动节点向量进行拼接,得到流动拼接矩阵。服务器对该流动拼接矩阵进行全连接,得到各个区域节点的目标向量。服务器对各个区域节点的目标向量进行归一化,得到各个区域节点的风险值。
在一种可能的实施方式中,服务器基于该多个区域的区域人口信息以及多个区域之间的人口流动信息,确定各个该区域在目标时间段内的多个风险值。服务器基于各个该区域在目标时间段内的多个风险值,生成目标时间段内的风险值变化表。
在这种实施方式下,服务器能够基于该多个区域的区域人口信息以及多个区域之间的人口流动信息,确定各个该区域在目标时间段内的多个风险值,多个风险值对应目标时间段的不同时间点,这样能够提前获知多个时间点的风险值,便于降低处于目标身体状态人数增加的风险。在一些实施例中,时间点为天。
可选地,服务器能够将目标时间段内的风险值变化表发送给终端,由终端显示该风险值变化表。
在一些实施例中,终端在显示该风险值变化表时,能够将该风险值变化表转化为风险值柱状图或者风险值折线图,通过风险值柱状图或者风险值折线图能够更加直观地展现某个区域的风险值变化情况。另外,终端还能够基于多个区域的风险值变化表,对某天中多个区域的风险值进行排序,这样也能够直观地展示不同区域的风险值。
比如,参见图5,终端上显示有多个区域的地图500以及区域A的地图501,在地图501的旁边显示该区域A的风险值柱状图502。在一些实施例中,终端在地图501的旁边显示多个区域的风险值排序图503。
参见图6,终端上显示有多个区域的地图601,响应于多个区域中的区域B被选中,终端显示区域B的风险值折线图602。响应于多个区域中的区域C被选中,终端显示区域C的风险值折线图603。
为了对上述实施方式进行更加清楚的说明,下面对风险值确定模型的训练方法进行说明。
在一种可能的实施方式中,服务器获取各个该区域的样本节点特征以及目标风险值,该目标风险值是基于各个该区域内处于该目标身体状态的人数的历史变化情况确定的。服务器将各个该区域的样本节点特征输入该风险值确定模型,由该风险值确定模型输出各个该区域的预测风险值。服务器基于该预测风险值以及该目标风险值之间的差异信息,对该风险值确定模型的模型参数进行调整。
其中,该各个区域的样本节点特征是基于多个区域的历史区域人口信息以及多个区域之间的历史人口流动信息确定的,确定样本节点特征的方式参见上述步骤302和303,在此不再赘述。服务器获取多个区域的历史区域人口信息以及多个区域之间的历史人口流动信息的方式参见上述步骤301,在此不再赘述。服务器将各个该区域的样本节点特征输入该风险值确定模型,由该风险值确定模型输出各个该区域的预测风险值的实现方式参见步骤304的相关描述,在此不再赘述。目标风险值是由技术人员基于各个该区域内处于该目标身体状态的人数的历史变化情况确定,比如,若该历史传播情况指示该目标身体状态在某个区域内的传播情况较为严重,那么技术人员能够将该区域的风险值确定为1;若该历史传播情况指示该某个区域内不存在处于目标身体状态的人,那么技术人员能够将该区域的风险值确定为0。在这个过程中,目标风险值与各个区域的样本节点特征对应,也即是与各个区域的历史区域人口信息以及多个区域之间的历史人口流动信息对应。
下面对服务器基于该预测风险值以及该目标风险值之间的差异信息,对该风险值确定模型的模型参数进行调整的方法进行说明。
在一种可能的实施方式中,服务器基于该预测风险值和该目标风险值构建损失函数,通过该损失函数来对该风险值确定模型的模型参数进行调整,对该风险值确定模型的模型参数进行调整的目的,是使得风险值确定模型输出的预测风险值和目标风险值之间尽可能接近,也就是说,在训练风险值确定模型时,采用目标风险值为监督来进行的。其中,该损失函数为L1损失函数或者L2损失函数,本申请实施例对此不做限定。
下面将结合图7,对上述步骤302-304进行说明。
参见图7,服务器基于该多个区域的区域人口信息以及该多个区域之间的人口流动信息,生成目标图网络701,目标图网络701包括多个区域节点以及有向边。服务器对该目标图网络701进行图卷积,基于高度非线性结构损失和重建损失来构建整体损失函数,通过整体损失函数获取各个区域节点的第二节点特征。服务器将各个区域节点的第二节点特征与各个区域的至少一个历史第二节点特征进行融合,得到各个区域的第四节点特征。服务器对第四节点特征进行MLP,得到各个区域的风险值。
305、响应于该多个区域中第一区域的风险值符合目标条件,服务器将该第一区域确定为目标区域。
其中,目标区域也即是出现处于目标身体状态人数增加的风险较高的区域。
在一种可能的实施方式种,响应于该多个区域中第一区域的风险值大于或等于风险值阈值,服务器将该第一区域确定为目标区域。
其中,风险值阈值由技术人员根据实际情况进行设置,本申请实施例对此不做限定。
在这种实施方式下,当第一区域的风险值大于或等于风险值阈值时,也就表示在第一区域内出现处于目标身体状态人数增加的风险较高,服务器将第一区域确定为目标区域以示警戒。
在一种可能的实施方式种,响应于该多个区域中第一区域的风险值为多个风险值中最高的,服务器将该第一区域确定为目标区域,其中,多个风险值为多个区域的风险值。
在这种实施方式下,当第一区域的风险值为多个风险值中最高时,也就表示该在第一区域内出现处于目标身体状态人数增加的风险较高,服务器将第一区域确定为目标区域以示警戒。
306、服务器向终端发送告警信息,以使终端对目标区域进行突出显示,该告警信息携带目标区域的标识。
在一种可能的实施方式中,终端上显示有多个区域,服务器向终端发送告警信息,终端接收到告警信息之后,从告警信息中获取目标区域的标识,在多个区域中对该目标区域进行突出显示,表示该目标区域出现处于目标身体状态人数增加的传播风险较高,提醒工作人员在目标区域中部署应对工作。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
通过本申请实施例提供的技术方案,在对不同区域进行风险预测时,结合了各个区域的区域人口信息以及人口流动信息来确定风险值,这样确定出的风险值更加准确,这个风险值能够表示处于目标身体状态的人数在该区域增多的风险大小。当风险值符合目标条件时,也就表示处于该目标状态的人数在该区域内增加的风险较高,将该区域标记为目标区域以便及时开展应对工作,防止处于目标身体状态的人数在对应区域内大幅度增加。
图8是本申请实施例提供的一种目标区域的确定装置结构示意图,参见图8,装置包括:信息获取模块801、风险值确定模块802以及目标区域确定模块803。
信息获取模块801,用于获取多个区域的区域人口信息以及该多个区域之间的人口流动信息,该区域人口信息包括处于目标身体状态的人数、人口总数以及人口密度。
风险值确定模块802,用于基于该多个区域的区域人口信息以及该多个区域之间的人口流动信息,确定各个区域的风险值,该风险值用于指示对应区域内处于该目标身体状态的人数增多的风险大小。
目标区域确定模块803,用于响应于该多个区域中第一区域的风险值符合目标条件,将该第一区域确定为目标区域。
在一种可能的实施方式中,该风险值确定模块802,用于基于该多个区域的区域人口信息以及该多个区域之间的人口流动信息,生成目标图网络,该目标图网络包括各个区域对应的区域节点以及有向边,该多个区域节点的第一节点特征包括该区域人口信息,该有向边的方向用于表示所连接的区域节点之间的人口流动方向。对该目标图网络进行图卷积,得到各个区域节点的第二节点特征。基于各个区域节点的第二节点特征,确定各个区域的风险值。
在一种可能的实施方式中,该风险值确定模块802,用于基于该目标图网络中的有向边,获取该目标图网络的邻接矩阵,该邻接矩阵用于表示该多个区域节点之间的人口流动方向。对该多个区域节点的第一节点特征进行全连接,得到各个区域节点的参考节点特征。基于该邻接矩阵,对各个区域节点的参考节点特征进行调整,得到各个区域节点的该第二节点特征。
在一种可能的实施方式中,该风险值确定模块802,用于将各个区域节点的第二节点特征输入风险值确定模型,通过该风险值确定模型将各个区域节点的第二节点特征与各个区域节点的至少一个历史第二节点特征进行融合,得到各个区域节点的融合特征。通过该风险值确定模型,对各个区域节点的第二节点特征进行全连接,得到各个区域节点的第三节点特征。对各个区域节点的融合特征与各个区域节点的第三节点特征进行全连接,得到各个区域节点的第四节点特征。对各个区域节点的第四节点特征进行归一化,得到各个区域节点的风险值。
在一种可能的实施方式中,该装置还包括:
参数调整模块,用于获取各个区域的样本节点特征以及目标风险值,该目标风险值是基于各个该区域内处于该目标身体状态的人数的历史变化情况确定的。将各个区域的样本节点特征输入该风险值确定模型,由该风险值确定模型输出各个区域的预测风险值。基于该预测风险值以及该目标风险值之间的差异信息,对该风险值确定模型的模型参数进行调整。
在一种可能的实施方式中,该第一节点特征还包括POI数量和天气信息中的任一项。
在一种可能的实施方式中,该风险值确定模块802,用于基于该多个区域的区域人口信息以及多个区域之间的人口流动信息,确定各个区域在目标时间段内的多个风险值。
该装置还包括:
生成模块,用于基于各个区域在目标时间段内的多个风险值,生成目标时间段内的风险值变化表。
在一种可能的实施方式中,该区域人口信息还包括人口画像。
需要说明的是:上述实施例提供的目标区域的确定装置在确定目标区域时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将计算机设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的目标区域的确定装置与目标区域的确定方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
通过本申请实施例提供的技术方案,在对不同区域进行风险预测时,结合了各个区域的区域人口信息以及人口流动信息来确定风险值,这样确定出的风险值更加准确,这个风险值能够表示处于目标身体状态的人数在该区域增多的风险大小。当风险值符合目标条件时,也就表示处于该目标状态的人数在该区域内增加的风险较高,将该区域标记为目标区域以便及时开展应对工作,防止处于目标身体状态的人数在对应区域内大幅度增加。
上述计算机设备还可以实现为服务器,下面对服务器的结构进行介绍:
图9是本申请实施例提供的一种服务器的结构示意图,该服务器900可因配置或性能不同而产生比较大的差异,可以包括一个或多个处理器(Central Processing Units,CPU)901和一个或多个的存储器902,其中,所述一个或多个存储器902中存储有至少一条计算机程序,所述至少一条计算机程序由所述一个或多个处理器901加载并执行以实现上述各个方法实施例提供的方法。当然,该服务器900还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器900还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括计算机程序的存储器,上述计算机程序可由处理器执行以完成上述实施例中的目标区域的确定方法。例如,该计算机可读存储介质可以是只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括程序代码,该程序代码存储在计算机可读存储介质中,计算机设备的处理器从计算机可读存储介质读取该程序代码,处理器执行该程序代码,使得该计算机设备执行上述目标区域的确定方法。
在一些实施例中,本申请实施例所涉及的计算机程序可被部署在一个计算机设备上执行,或者在位于一个地点的多个计算机设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算机设备上执行,分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链***。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
上述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (15)
1.一种目标区域的确定方法,其特征在于,所述方法包括:
获取多个区域的区域人口信息以及所述多个区域之间的人口流动信息,所述区域人口信息包括处于目标身体状态的人数、人口总数以及人口密度;
基于所述多个区域的区域人口信息以及所述多个区域之间的人口流动信息,生成目标图网络,所述目标图网络包括各个所述区域对应的区域节点以及有向边,多个区域节点的第一节点特征包括所述区域人口信息,所述有向边的方向用于表示所连接的区域节点之间的人口流动方向;
对所述目标图网络进行图卷积,得到各个所述区域节点的第二节点特征;
基于各个所述区域节点的第二节点特征,确定各个所述区域的风险值,所述风险值用于指示对应区域内处于所述目标身体状态的人数增多的风险大小;
响应于所述多个区域中第一区域的风险值符合目标条件,将所述第一区域确定为目标区域。
2.根据权利要求1所述的方法,其特征在于,所述对所述目标图网络进行图卷积,得到各个所述区域节点的第二节点特征包括:
基于所述目标图网络中的有向边,获取所述目标图网络的邻接矩阵,所述邻接矩阵用于表示所述多个区域节点之间的人口流动方向;
对所述多个区域节点的第一节点特征进行全连接,得到各个所述区域节点的参考节点特征;
基于所述邻接矩阵,对各个所述区域节点的参考节点特征进行调整,得到各个所述区域节点的所述第二节点特征。
3.根据权利要求1所述的方法,其特征在于,所述基于各个所述区域节点的第二节点特征,确定各个所述区域的风险值包括:
将各个所述区域节点的第二节点特征输入风险值确定模型,通过所述风险值确定模型将各个所述区域节点的第二节点特征与各个所述区域节点的至少一个历史第二节点特征进行融合,得到各个所述区域节点的融合特征;
通过所述风险值确定模型,对各个所述区域节点的第二节点特征进行全连接,得到各个所述区域节点的第三节点特征;
对各个所述区域节点的融合特征与各个所述区域节点的第三节点特征进行全连接,得到各个所述区域节点的第四节点特征;
对各个所述区域节点的第四节点特征进行归一化,得到各个所述区域节点的风险值。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取各个所述区域的样本节点特征以及目标风险值,所述目标风险值是基于各个所述区域内处于所述目标身体状态的人数的历史变化情况确定的;
将各个所述区域的样本节点特征输入所述风险值确定模型,由所述风险值确定模型输出各个所述区域的预测风险值;
基于所述预测风险值以及所述目标风险值之间的差异信息,对所述风险值确定模型的模型参数进行调整。
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:基于所述多个区域的区域人口信息以及多个区域之间的人口流动信息,确定各个所述区域在目标时间段内的多个风险值;
所述方法还包括:
基于各个所述区域在目标时间段内的多个风险值,生成目标时间段内的风险值变化表。
6.一种目标区域的确定装置,其特征在于,所述装置包括:
信息获取模块,用于获取多个区域的区域人口信息以及所述多个区域之间的人口流动信息,所述区域人口信息包括处于目标身体状态的人数、人口总数以及人口密度;
风险值确定模块,用于基于所述多个区域的区域人口信息以及所述多个区域之间的人口流动信息,生成目标图网络,所述目标图网络包括各个所述区域对应的区域节点以及有向边,多个区域节点的第一节点特征包括所述区域人口信息,所述有向边的方向用于表示所连接的区域节点之间的人口流动方向;对所述目标图网络进行图卷积,得到各个所述区域节点的第二节点特征;基于各个所述区域节点的第二节点特征,确定各个所述区域的风险值,所述风险值用于指示对应区域内处于所述目标身体状态的人数增多的风险大小;
目标区域确定模块,用于响应于所述多个区域中第一区域的风险值符合目标条件,将所述第一区域确定为目标区域。
7.根据权利要求6所述的装置,其特征在于,所述风险值确定模块,用于基于所述目标图网络中的有向边,获取所述目标图网络的邻接矩阵,所述邻接矩阵用于表示所述多个区域节点之间的人口流动方向;
对所述多个区域节点的第一节点特征进行全连接,得到各个所述区域节点的参考节点特征;
基于所述邻接矩阵,对各个所述区域节点的参考节点特征进行调整,得到各个所述区域节点的所述第二节点特征。
8.根据权利要求6所述的装置,其特征在于,所述风险值确定模块,用于将各个所述区域节点的第二节点特征输入风险值确定模型,通过所述风险值确定模型将各个所述区域节点的第二节点特征与各个所述区域节点的至少一个历史第二节点特征进行融合,得到各个所述区域节点的融合特征;
通过所述风险值确定模型,对各个所述区域节点的第二节点特征进行全连接,得到各个所述区域节点的第三节点特征;
对各个所述区域节点的融合特征与各个所述区域节点的第三节点特征进行全连接,得到各个所述区域节点的第四节点特征;
对各个所述区域节点的第四节点特征进行归一化,得到各个所述区域节点的风险值。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
参数调整模块,用于获取各个所述区域的样本节点特征以及目标风险值,所述目标风险值是基于各个所述区域内处于所述目标身体状态的人数的历史变化情况确定的;
将各个所述区域的样本节点特征输入所述风险值确定模型,由所述风险值确定模型输出各个所述区域的预测风险值;
基于所述预测风险值以及所述目标风险值之间的差异信息,对所述风险值确定模型的模型参数进行调整。
10.根据权利要求6所述的装置,其特征在于,所述第一节点特征还包括POI数量和天气信息中的任一项。
11.根据权利要求6所述的装置,其特征在于,所述风险值确定模块,用于基于所述多个区域的区域人口信息以及多个区域之间的人口流动信息,确定各个所述区域在目标时间段内的多个风险值。
12.根据权利要求6所述的装置,其特征在于,所述装置还包括:
生成模块,用于基于各个所述区域在目标时间段内的多个风险值,生成目标时间段内的风险值变化表。
13.根据权利要求6所述的装置,其特征在于,所述区域人口信息还包括人口画像。
14.一种计算机设备,其特征在于,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条计算机程序,所述计算机程序由所述一个或多个处理器加载并执行以实现如权利要求1至权利要求5任一项所述的目标区域的确定方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1至权利要求5任一项所述的目标区域的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111092153.XA CN113744882B (zh) | 2021-09-17 | 2021-09-17 | 目标区域的确定方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111092153.XA CN113744882B (zh) | 2021-09-17 | 2021-09-17 | 目标区域的确定方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113744882A CN113744882A (zh) | 2021-12-03 |
CN113744882B true CN113744882B (zh) | 2023-09-19 |
Family
ID=78739568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111092153.XA Active CN113744882B (zh) | 2021-09-17 | 2021-09-17 | 目标区域的确定方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744882B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190030876A (ko) * | 2017-09-15 | 2019-03-25 | 주식회사 셀바스에이아이 | 건강 위험 예측 방법 |
CN110210227A (zh) * | 2019-06-11 | 2019-09-06 | 百度在线网络技术(北京)有限公司 | 风险检测方法、装置、设备和存储介质 |
CN111128399A (zh) * | 2020-03-30 | 2020-05-08 | 广州地理研究所 | 一种基于人流密度的流行病疫情风险等级评估方法 |
CN111504338A (zh) * | 2020-04-21 | 2020-08-07 | 中国人民解放军国防科技大学 | 一种基于小区疫情态势的步行路径规划方法及*** |
CN111968757A (zh) * | 2020-07-27 | 2020-11-20 | 华南理工大学 | 一种基于动态网络标志物的区域性传染病疫情预警方法 |
CN112116155A (zh) * | 2020-09-18 | 2020-12-22 | 平安科技(深圳)有限公司 | 基于智能决策的人口流动预测方法、装置及计算机设备 |
CN112652403A (zh) * | 2020-12-25 | 2021-04-13 | 中国科学技术大学 | 疫情预测方法及装置 |
CN112668808A (zh) * | 2021-01-26 | 2021-04-16 | 东南大学 | 基于图卷积的手足口病发病趋势预测*** |
CN113158084A (zh) * | 2021-03-25 | 2021-07-23 | 马琦伟 | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 |
CN113314231A (zh) * | 2021-05-28 | 2021-08-27 | 北京航空航天大学 | 一种融合时空信息的传染病传播预测***和装置 |
WO2021179838A1 (zh) * | 2020-03-10 | 2021-09-16 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170277841A1 (en) * | 2016-03-23 | 2017-09-28 | HealthPals, Inc. | Self-learning clinical intelligence system based on biological information and medical data metrics |
US11301774B2 (en) * | 2017-02-28 | 2022-04-12 | Nec Corporation | System and method for multi-modal graph-based personalization |
JP6627842B2 (ja) * | 2017-10-18 | 2020-01-08 | 日本電気株式会社 | 情報処理装置、リスク予測方法、およびプログラム |
US20190252078A1 (en) * | 2018-02-15 | 2019-08-15 | X Development Llc | Predicting the spread of contagions |
-
2021
- 2021-09-17 CN CN202111092153.XA patent/CN113744882B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190030876A (ko) * | 2017-09-15 | 2019-03-25 | 주식회사 셀바스에이아이 | 건강 위험 예측 방법 |
CN110210227A (zh) * | 2019-06-11 | 2019-09-06 | 百度在线网络技术(北京)有限公司 | 风险检测方法、装置、设备和存储介质 |
WO2021179838A1 (zh) * | 2020-03-10 | 2021-09-16 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和*** |
CN111128399A (zh) * | 2020-03-30 | 2020-05-08 | 广州地理研究所 | 一种基于人流密度的流行病疫情风险等级评估方法 |
CN111504338A (zh) * | 2020-04-21 | 2020-08-07 | 中国人民解放军国防科技大学 | 一种基于小区疫情态势的步行路径规划方法及*** |
CN111968757A (zh) * | 2020-07-27 | 2020-11-20 | 华南理工大学 | 一种基于动态网络标志物的区域性传染病疫情预警方法 |
CN112116155A (zh) * | 2020-09-18 | 2020-12-22 | 平安科技(深圳)有限公司 | 基于智能决策的人口流动预测方法、装置及计算机设备 |
CN112652403A (zh) * | 2020-12-25 | 2021-04-13 | 中国科学技术大学 | 疫情预测方法及装置 |
CN112668808A (zh) * | 2021-01-26 | 2021-04-16 | 东南大学 | 基于图卷积的手足口病发病趋势预测*** |
CN113158084A (zh) * | 2021-03-25 | 2021-07-23 | 马琦伟 | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 |
CN113314231A (zh) * | 2021-05-28 | 2021-08-27 | 北京航空航天大学 | 一种融合时空信息的传染病传播预测***和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113744882A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112116155B (zh) | 基于智能决策的人口流动预测方法、装置及计算机设备 | |
US20210125732A1 (en) | System and method with federated learning model for geotemporal data associated medical prediction applications | |
CN109919316A (zh) | 获取网络表示学习向量的方法、装置和设备及存储介质 | |
Wan et al. | A hybrid ensemble learning method for tourist route recommendations based on geo-tagged social networks | |
CN109062962B (zh) | 一种融合天气信息的门控循环神经网络兴趣点推荐方法 | |
Ren et al. | Deep spatio-temporal residual neural networks for road-network-based data modeling | |
Liu et al. | Keep your data locally: Federated-learning-based data privacy preservation in edge computing | |
Chen et al. | Calibrating a Land Parcel Cellular Automaton (LP-CA) for urban growth simulation based on ensemble learning | |
Marsal-Llacuna et al. | Smart urban planning: designing urban land use from urban time use | |
CN113139140B (zh) | 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法 | |
Bin et al. | A travel route recommendation system based on smart phones and IoT environment | |
Khalifa et al. | Identifying urban crowds using geo-located Social media data: a Twitter experiment in New York City | |
Cao et al. | A bat-inspired approach to define transition rules for a cellular automaton model used to simulate urban expansion | |
CN110147923B (zh) | 用于识别风险用户的方法及装置 | |
CN113762595A (zh) | 通行时间预测模型训练方法、通行时间预测方法及设备 | |
CN113822315A (zh) | 属性图的处理方法、装置、电子设备及可读存储介质 | |
CN110929806A (zh) | 基于人工智能的图片处理方法、装置及电子设备 | |
CN112561031A (zh) | 基于人工智能的模型搜索方法、装置及电子设备 | |
CN111695046A (zh) | 基于时空移动数据表征学习的用户画像推断方法及装置 | |
CN112580902A (zh) | 对象数据处理方法、装置、计算机设备和存储介质 | |
CN116884222B (zh) | 一种卡口节点的短时交通流预测方法 | |
Andersson et al. | Towards predicting dengue fever rates using convolutional neural networks and street-level images | |
Rahimipour et al. | A hybrid of neuro-fuzzy inference system and hidden Markov Model for activity-based mobility modeling of cellphone users | |
CN113744882B (zh) | 目标区域的确定方法、装置、设备以及存储介质 | |
Zhang et al. | A hybrid model for high spatial and temporal resolution population distribution prediction |
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 |