申请/专利权人：兰州大学

申请日：2023-04-27

公开（公告）日：2024-03-19

公开（公告）号：CN116525135B

主分类号：G16H50/80

分类号：G16H50/80;G16H50/70;G06F18/27;G06N3/0442

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2023.08.18#实质审查的生效;2023.08.01#公开

摘要：本发明公开了一种基于气象因素的时空模型对疫情发展态势进行预测的方法，该方法将区域新增病例数的短期预测问题表述为输入、预测目标均为多维、网格化时空序列的预测技术问题，就此搭建预测COVID‑19病例数的ConvLSTM时空深度模型，并在此基础上进一步考虑气象要素对模型的修正作用，构建综合历史气象要素的Meteor‑ConvLSTM时空综合模型，并基于该时空综合模型得到及时、降尺度、高分辨率的预测结果。本发明具高预测精度和强实用性的特点，可用于指导有关部门把握疫情形势、调整决策走向。

主权项：1.一种基于气象因素的时空模型对疫情发展态势进行预测的方法，其特征在于，该方法包括以下步骤：S1、确定时间分辨率为日尺度、空间分辨率为0.01°×0.01°的时空分辨率，将病例数和气象要素按顺序排列成向量，后按空间位置将向量组合成矩阵，将每个网格单元的矩阵按照时间顺序堆叠起来，就此将收集到的病例数与气象资料整理成如样本量、时次、经度、纬度、特征量的五维张量的形式；S2、利用经过参数优化的ConvLSTM时空深度模型，基于历史病例数自回归进行未来病例数的短期预测；在步骤S2中，所述优化的ConvLSTM时空深度模型由一个输入层、三个由ConvLSTM2D构成的卷积层、卷积层后的BN层和一个输出层组合而成，输入的历史病例数为映射时间，再经由一层三维卷积层输出未来时刻的感染者分布信息；其中，该ConvLSTM时空深度模型每一层都使用ReLu作为激活函数以提高模型的非线性表达能力，每日新增病例数被作为输出层的变量；S3、以所述优化的ConvLSTM时空深度模型作为原始预测模型搭建学习气象要素对感染传播影响的时空综合模型，通过该时空综合模型获得疫情发展的预测结果。

全文数据：

权利要求：

百度查询： 兰州大学 基于气象因素的时空模型对疫情发展态势进行预测的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD