基于融合计算的传染病监控方法、装置、设备及可读介质与流程

1.本技术涉及数据处理技术领域，尤其涉及一种基于融合计算的传染病监控方法、装置、设备及可读介质。


背景技术：

2.传染病是危害人类健康的重要疾病。传染病在发病时，通常会表现出症候群的特点，症候群又称综合征，用于指代在种种病理过程中，当出现一个症候时，同时会伴有另外几个症候。这一群症候是很定型的，可以将其统一起来进行观察，即症候群的各种症状可看作是由一个基本原因，即传染病所引起的。
3.通过对症候群监测作为传统疾病监测的补充，持续收集分析临床数据所隐藏的流行病和症候群的相关流行资料与信号，了解传染病的症候群病原谱流行特征及变异变迁规律，可以根据特定症候群的监控可以用于对传染病的爆发进行预警检测，能够有效提升对新发突发的传染病的发现和诊断能力。
4.通常，在未爆发传染病的时候，症候群的流行水平一般在一定的范围内波动，当某个时期波动超出了期望水平和状态时，则预示可能传染病的爆发。然而，症候群数据波动影响因素很多，以致对症候群的监测算法的预警准确度较低。


技术实现要素：

5.本技术实施例为了解决背景技术中存在的上述问题，创造性地提供一种基于融合计算的传染病监控方法、装置、设备及可读介质。
6.根据本技术实施例第一方面，提供了基于融合计算的传染病预警方法，所述方法包括：获取指定范围内针对指定传染病的就诊时序数据；根据所述指定传染病对应的症候群信息对所述就诊时序数据进行数据提取，确定对应的症候群时序数据；通过时间序列模型对所述症候群时序数据进行预测，确定传染病预测结果；根据控制图算法对所述症候群时序数据进行分析，确定传染病分析结果；整合所述传染病预测结果和所述传染病分析结果，确定与所述指定传染病对应的传染病预警结果。
7.根据本技术一实施方式，所述根据与所述指定传染病对应的症候群信息对所述就诊时序数据进行数据提取，确定对应的症候群时序数据，包括：根据指定传染病的症候群信息对所述就诊时序数据进行数据抽取，获得与所述指定传染病对应的症候群原始数据；根据与所述症候群原始数据对应的时间信息对所述症候群数据进行加权平滑处理，获得症候群时序数据。
8.根据本技术一实施方式，所述通过时间序列模型对所述症候群时序数据进行预测，确定传染病预测结果，包括：通过时间序列模型对所述症候群时序数据预测，获得模型预测数据；根据实际观测数据与所述模型预测数据进行残差累计，获得残差累计数据；根据所述残差累计数据和指定残差阈值进行比较，确定传染病预测结果；其中，所述传染病预测结果为与所述指定传染病对应的预警阴性或预警阳性。
9.根据本技术一实施方式，所述根据所述残差累计数据和指定残差阈值进行比较，以确定传染病预测结果，包括：若所述残差累计数据超过所述指定残差阈值，确定所述传染病预测结果为预警阳性；若所述残差累计数据未超过所述指定残差阈值，确定所述传染病预测结果为预警阴性。
10.根据本技术一实施方式，所述方法还包括：基于与所述症候群时序数据对应的残差数据确定预设残差阈值；根据所述传染病预测结果和传染病实际结果对所述预设残差阈值进行调整，获得所述指定残差阈值。
11.根据本技术一实施方式，根据所述传染病预测结果和传染病实际结果对所述预设残差阈值进行调整，获得所述指定残差阈值，包括：基于传染病实际结果对所述传染病预测结果进行判断，获得第一判断结果；若所述第一判断结果为当前轮次的所述传染病预测结果为预警假阳性，对当前轮次的指定残差阈值和当前轮次的残差累计数据进行整合，以确定下一轮次的指定残差阈值；若所述第一判断结果为当前轮次的所述传染病预测结果为预警假阴性，将当前轮次的残差累计数据确定为下一轮次的指定残差阈值。
12.根据本技术一实施方式，所述根据控制图算法对所述症候群时序数据进行分析，确定传染病分析结果，包括：根据控制图算法对所述症候群时序数据进行分析，确定传染病分析数据；若所述传染病分析数据超过指定分析阈值，确定所述传染病分析结果为预警阳性；若所述传染病分析数据未超过指定分析阈值，确定所述传染病分析结果为预警阴性。
13.根据本技术一实施方式，所述方法还包括：基于与所述症候群时序数据对应的历史分析数据确定预设分析阈值；所述预设分析阈值为第一轮指定分析阈值；基于传染病实际结果对所述传染病分析结果进行判断，获得第二判断结果；若所述第二判断结果为当前轮次的所述传染病分析结果为预警假阳性，对当前轮次的传染病分析数据和当前轮次的指定分析阈值进行整合，以确定下一轮次的指定分析阈值；若所述第二判断结果为当前轮次的所述传染病分析结果为预警假阴性，将当前轮次的传染病分析数据确定为下一轮次的指定分析阈值。
14.根据本技术一实施方式，所述根据控制图算法对所述症候群时序数据进行分析，确定传染病分析结果，包括：确定与所述症候群时序数据的特征控制图，对所述特征控制图进行分析，确定第一分析结果；确定与所述症候群时序数据对应的历史特征数据，根据所述症候群时序数据和所述历史特征数据确定第二分析结果；根据所述传染病预测结果、第一分析结果和第二分析结果以确定所述传染病预警结果。
15.根据本技术一实施方式，所述根据所述症候群时序数据和所述历史特征数据确定第二分析结果，包括：根据所述症候群时序数据和所述历史特征数据确定移动百分位数法预警模型；根据所述移动百分位数法预警模型确定第二分析结果。
16.根据本技术一实施方式，所述整合所述传染病预测结果和所述传染病分析结果，确定与所述指定传染病对应的传染病预警结果，包括：根据传染病预测结果和传染病分析结果对所述传染病预警结果进行投票，确定传染病预警结果，所述传染病预警结果为预警阳性或预警阴性的其中一种。
17.根据本技术实施例第二方面，还提供了一种基于融合计算的传染病预警装置，所述装置包括：获取模块，用于获取指定范围内针对指定传染病的就诊时序数据；提取模块，用于根据所述指定传染病对应的症候群信息对所述就诊时序数据进行数据提取，确定对应
的症候群时序数据；预测模块，用于通过时间序列模型对所述症候群时序数据进行预测，确定传染病预测结果；分析模块，用于根据控制图算法对所述症候群时序数据进行分析，确定传染病分析结果；整合模块，用于整合所述传染病预测结果和所述传染病分析结果，确定与所述指定传染病对应的传染病预警结果。
18.根据本技术一实施方式，所述提取模块，包括：抽取子模块，用于根据指定传染病的症候群信息对所述就诊时序数据进行数据抽取，获得与所述指定传染病对应的症候群原始数据；平滑子模块，用于根据与所述症候群原始数据对应的时间信息对所述症候群数据进行加权平滑处理，获得症候群时序数据。
19.根据本技术一实施方式，所述预测模块，包括：预测子模块，用于通过时间序列模型对所述症候群时序数据预测，获得模型预测数据；残差累计子模块，用于根据实际观测数据与所述模型预测数据进行残差累计，获得残差累计数据；比较子模块，用于根据所述残差累计数据和指定残差阈值进行比较，确定传染病预测结果；其中，所述传染病预测结果为与所述指定传染病对应的预警阴性或预警阳性。
20.根据本技术一实施方式，所述比较子模块，包括：若所述残差累计数据超过所述指定残差阈值，确定所述传染病预测结果为预警阳性；若所述残差累计数据未超过所述指定残差阈值，确定所述传染病预测结果为预警阴性。
21.根据本技术一实施方式，所述确定模块，还用于基于与所述症候群时序数据对应的残差数据确定预设残差阈值；所述装置还包括：调整模块，用于根据所述传染病预测结果和传染病实际结果对所述预设残差阈值进行调整，获得所述指定残差阈值。
22.根据本技术一实施方式，所述调整模块，包括：基于传染病实际结果对所述传染病预测结果进行判断，获得第一判断结果；若所述第一判断结果为当前轮次的所述传染病预测结果为预警假阳性，对当前轮次的指定残差阈值和当前轮次的残差累计数据进行整合，以确定下一轮次的指定残差阈值；若所述第一判断结果为当前轮次的所述传染病预测结果为预警假阴性，将当前轮次的残差累计数据确定为下一轮次的指定残差阈值。
23.根据本技术一实施方式，所述分析模块，包括：用于根据控制图算法对所述症候群时序数据进行分析，确定传染病分析数据；所述传染病分析数据超过指定分析阈值，确定所述传染病分析结果为预警阳性；若所述传染病分析数据未超过指定分析阈值，确定所述传染病分析结果为预警阴性。
24.根据本技术一实施方式，所述确定模块，还用于基于与所述症候群时序数据对应的历史分析数据确定预设分析阈值；所述预设分析阈值为第一轮指定分析阈值；所述调整模块，还包括：基于传染病实际结果对所述传染病分析结果进行判断，获得第二判断结果；若所述第二判断结果为当前轮次的所述传染病分析结果为预警假阳性，对当前轮次的传染病分析数据和当前轮次的指定分析阈值进行整合，以确定下一轮次的指定分析阈值；若所述第二判断结果为当前轮次的所述传染病分析结果为预警假阴性，将当前轮次的传染病分析数据确定为下一轮次的指定分析阈值。
25.根据本技术一实施方式，所述分析模块，包括：确定与所述症候群时序数据的特征控制图，对所述特征控制图进行分析，确定第一分析结果；确定与所述症候群时序数据对应的历史特征数据，根据所述症候群时序数据和所述历史特征数据确定第二分析结果；所述整合模块，用于根据所述传染病预测结果、第一分析结果和第二分析结果以确定所述传染
病预警结果。
26.根据本技术一实施方式，所述分析模块，包括：根据所述症候群时序数据和所述历史特征数据确定移动百分位数法预警模型；根据所述移动百分位数法预警模型确定第二分析结果。
27.根据本技术一实施方式，所述整合模块，包括：根据传染病预测结果和传染病分析结果对所述传染病预警结果进行投票，确定传染病预警结果，所述传染病预警结果为预警阳性或预警阴性的其中一种。
28.根据本技术实施例第三方面，又提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述可实施方式中任一项所述的方法。
29.根据本技术实施例第四方面，又提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述可实施方式中任一项所述的方法。
30.本技术实施例提供的基于融合计算的传染病预警方法、装置、设备及存储介质，通过就诊时序数据确定症候群时序数据，通过时间序列模型对症候群时序数据进行预测，以确定传染病预测结果，同时通过控制图算法对症候群时序数据进行分析，以确定传染病分析结果，本方法通过多种算法相结合，通过整合传染病预测结果和传染病分析结果，确定与指定传染病对应的传染病预警结果，实现对传染病的融合预警，提升传染病监测预警的准确性。
31.需要理解的是，本技术的教导并不需要实现上面所述的全部有益效果，而是特定的技术方案可以实现特定的技术效果，并且本技术的其他实施方式还能够实现上面未提到的有益效果。
附图说明
32.通过参考附图阅读下文的详细描述，本技术示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本技术的若干实施方式，其中：
33.在附图中，相同或对应的标号表示相同或对应的部分。
34.图1示出了本技术实施例一种基于融合计算的传染病预警方法的实现流程示意图；
35.图2示出了本技术实施例一种基于融合计算的传染病预警方法的实现场景示意图；
36.图3示出了本技术实施例本技术实施例一种基于融合计算的传染病预警方法的时间序列示意图；
37.图4示出了本技术实施例本技术实施例一种基于融合计算的传染病预警方法的差分序列示意图；
38.图5示出了本技术实施例一种基于融合计算的传染病预警装置的实现模块示意图；
39.图6示出了本技术实施例一种电子设备的实现结构示意图。
autoregression，var)、结构自回归模型(structural var，svar)等时间序列模型。在一种具体实施场景中，本方法采用arima模型对症候群时序数据进行预测，以确定传染病预测结果。传染病预测结果为与指定传染病对应的预警阴性或预警阳性。预警阴性用于表征指定传染病在特定区域内、指定时间区间内不会爆发。预警阳性用于表征指定传染病在特定区域内、指定时间区间内会爆发。其中，预警的特定区域与症候群时序数据所对应的特定区域相同。指定时间区间可以为症候群时序数据所在的特定时间区间之后的一周、一个月或一个季度。具体的指定时间区间可以根据实际情况进行设定。
47.需要补充的是，本方法的传染病预测结果可以包括一种或多种时序模型预测获得的预测结果。即，若本方法存在多种时序模型分别对症候群时序数据进行预测，本方法的传染病预测结果可以为多个；若本方法采用一种时序模型对症候群时序数据进行预测，本方法的传染病预测结果可以为一个。
48.在本方法操作104中，控制图算法包括但不限于cusum控制图算法和移动百分位数法等中的一项或多项。同样的，本方法可以采用不同的控制图算法分别对症候群时序数据进行分析，以确定多种传染病分析结果；本方法也可以只采用一种控制图算法对症候群时序数据进行分析，以确定一种传染病分析结果。同样的，传染病分析结果为与指定传染病对应的预警阴性或预警阳性。
49.在本方法操作105中，通过对传染病预测结果和传染病分析结果进行整合，以确定与指定传染病对应的传染病预警结果。
50.具体的，操作105，整合传染病预测结果和传染病分析结果，确定与指定传染病对应的传染病预警结果，包括：根据传染病预测结果和传染病分析结果对传染病预警结果进行投票，确定传染病预警结果，传染病预警结果为预警阳性或预警阴性的其中一种。
51.传染病预警结果为与指定传染病对应的预警阴性或预警阳性。本方法的整合操作可以是采用投票法对传染病预测结果和传染病分析结果进行整合，以确定传染病预警结果。例如，若本方法采用两种时序模型对症候群时序数据进行预测，两种模型的预测结果均为预警阴性；本方法通过三种控制图算法对症候群时序数据进行分析，得到三种传染病分析结果，分别为预警阴性、预警阳性和预警阴性，根据五种结果进行投票可知，预警阴性为4票，预警阳性为1票，对应的传染病预警结果为预警阴性。
52.除投票法外，本方法还可以通过加和、加权、相乘、相减等整合方法中的一项或多项对传染病预测结果和传染病分析结果进行处理，以确定对应的传染病预警结果。例如，在进行整合时，可以根据不同算法的先验知识进行判断，以设置针对不同算法的可信度，通过可信度对不同算法对应的结果进行加权后，通过投票法确定对应的传染病预警结果，以避免出现平票的情况。
53.根据本技术一实施方式，操作102，根据与指定传染病对应的症候群信息对就诊时序数据进行数据提取，确定对应的症候群时序数据，包括：首先，根据指定传染病的症候群信息对就诊时序数据进行数据抽取，获得与指定传染病对应的症候群原始数据；然后，根据与症候群原始数据对应的时间信息对症候群数据进行加权平滑处理，获得症候群时序数据。
54.本方法在进行确定症候群时序数据的过程中，需要先进行数据提取，再进行数据的加权平滑处理，以在一定程度上消除数据的波动噪音，进一步提升传染病预测结果和传
染病分析结果的准确性，进而保证最终传染病预警结果的准确性。
55.具体的，本方法先通过电子病历统计具有指定传染病症候群的病历，确定每日就诊的存在传染病症候群对应的症候群数据，例如通过电子病历统计每日发热的人数。
56.以每日就诊的发热人数为例，通过与当日就诊的发热人数对应的前后各n天的数据加权平均的方式，对每日就诊的发热人数进行数据的加权平滑，以确定症候群时序数据。
57.当n为3的情况下，具体计算公式如下：
[0058][0059]
其中，x
′i指代第i天的症候群时序数据；xi指代第i天就诊的发热人数；x
i-1
、x
i-2
、x
i-3
，分别为指代第i-1天、第i-2天、第i-3天就诊的发热人数；x
i 1
、x
i 2
、x
i 3
，分别为指代第i 1天、第i 2天、第i 3天就诊的发热人数；0.25、0.15、0.1分别为对应的权值，分母2为权值的总和，需要补充的是，若权值整合后不为2，则分母同样不为2。权值的分配根据时间信息进行确定，与第i天越靠近的日期，对应的权值越大，即在上述公式中，第i天对应的权值最大，第i-1天和i1天对应的权值次之，以此类推。
[0060]
根据本技术一实施方式，操作103，通过时间序列模型对症候群时序数据进行预测，确定传染病预测结果，包括：首先，通过时间序列模型对症候群时序数据预测，获得模型预测数据；然后，根据实际观测数据与模型预测数据进行残差累计，获得残差累计数据；再后，根据残差累计数据和指定残差阈值进行比较，确定传染病预测结果；
[0061]
以arima模型为例，本方法通过arima模型对症候群时序数据预测。具体的，本方法先构建arima(p,d,q)模型。设置p为时序数据自回归的滞后数、d为差分的阶数、q为误差加权平均的滞后数。
[0062]
具体的，本方法首先通过每天的症候群时序数据确定对应的时间序列。通过adf检验与时间序列的平稳性。如果时间序列是平稳的，那么确定d＝0，如果时间序列不是平稳的，通过对时间序列进行至少一次的差分处理，直至差分后的序列通过adf检验为平稳序列。进一步的，限制时间序列的差分次数为不超过两次。差分的次数即为d的值，即，若差分2次后时间序列为平稳序列，则d为2。
[0063]
为方便上述实施方式的理解，以下提供一种平滑处理的操作场景。
[0064]
如图3和图4所示，图3示出了根据每天的症候群时序数据确定的时间序列，其中，横坐标为时间，纵坐标为症候群时序数据。图4示出了对图3的时间序列经过差分后的差分序列，其中，横坐标为时间，纵坐标为差分后的数据，可以显而易见的是，图4的差分序列相较于图3的时间序列更为平滑。
[0065]
在获得图4之后，本方法采用自相关函数(acf)确定p的参数值，通过偏自相关函数(pacf)确定q的参数值。
[0066]
其中，自相关函数(acf)用于描述时间序列观测值与其过去的观测值之间的线性相关性，即，用于描述与第i天对应指定时间窗的当前时间序列和位于第i天之前的指定时间窗内的历史时间序列之间的线性相关性。根据自相关函数(acf)确定对应的acf图，以通过acf图确定p的参数值。
[0067]
偏自相关函数(pacf)用于描述在给定中间观测值的条件下时间序列观测值与其过去的观测值之间的线性相关性，中间观测值根据实际情况进行确定，根据偏自相关函数
(pacf)确定对应的pacf图，以通过pacf图确定q的参数值。
[0068]
在确定arima模型的参数p,d,q之后，基于与症候群时序数据对应的症候群特征样本对模型进行拟合，通过拟合好的arima模型对每天的症候群时序数据进行预测，以得到预测的结果序列数据x
pt
，可以理解的是，结果序列中包含对每天的症候群时序数据对应的每天的预测结果。相较于与症候群特征样本对应的样本序列数据x
t
，通过计算获得序列的残差数据u
t
。
[0069]
具体计算公式如下：
[0070]ut
＝x
pt-x
t
[0071]
以u
t
数据为基础，累计第i天的前7天的残差总和，计算公式如下：
[0072][0073]
其中，si为基于时间窗计算的第i天的残差累计数据。xj为第i天的前7天到前1天时间窗内的u
t
值，为时间窗内的残差均值。上述时间窗的长度相同，且根据实际情况进行设置。
[0074]
将根据上述计算获得的残差累计数据和指定残差阈值进行比较，以确定传染病预测结果。其中，指定残差阈值为可变阈值，通过可变阈值，能够根据监测预警的效果反馈，动态调整指定残差阈值的大小，提高模型预测的准确性，从而进一步提升性能。
[0075]
具体的，根据残差累计数据和指定残差阈值进行比较，以确定传染病预测结果，包括：若残差累计数据超过指定残差阈值，确定传染病预测结果为预警阳性；若残差累计数据未超过指定残差阈值，确定传染病预测结果为预警阴性。
[0076]
根据本技术一实施方式，方法还包括：首先，基于与症候群时序数据对应的残差数据确定预设残差阈值；然后，根据传染病预测结果和传染病实际结果对预设残差阈值进行调整，获得指定残差阈值。
[0077]
本方法的预设残差数据为3倍的时间窗内的残差数据的标准差，即该模型第一轮的指定残差数据为预设残差数据。需要补充的是，预设残差数据为基于一定的先验知识设定的，本方法根据先验知识还可以设置预设残差数据为其他数据。在每一轮获得对应的传染病实际结果之后，根据传染病预测结果和传染病实际结果是否一致，确定是否需要对指定残差阈值进行调整，若传染病预测结果和传染病实际结果一致，则不需要对指定残差阈值进行调整。若传染病预测结果和传染病实际结果不一致，则需要对指定残差阈值进行调整。需要补充的是，传染病预测结果和传染病实际结果不一致的情况包括预测假阳性和预测假阴性，其中，预测假阳性指代预测结果为预警阳性，实际结果为在预测结果对应的时间区间内并未发生传染病爆发，预测假阴性指代预测结果为预警阴性，实际结果为在预测结果对应的时间区间内发生了传染病爆发。根据实际需要，预测假阳性和预测假阴性对指定残差阈值的调整方式可以不同或相同。
[0078]
根据本技术一实施方式，根据传染病预测结果和传染病实际结果对预设残差阈值进行调整，获得指定残差阈值，包括：首先，基于传染病实际结果对传染病预测结果进行判断，获得第一判断结果；然后，若第一判断结果为当前轮次的传染病预测结果为预警假阳性，对当前轮次的指定残差阈值和当前轮次的残差累计数据进行整合，以确定下一轮次的指定残差阈值；若第一判断结果为当前轮次的传染病预测结果为预警假阴性，将当前轮次
的残差累计数据确定为下一轮次的指定残差阈值。
[0079]
以下提供一种指定残差阈值的具体调整方法，具体调整公式如下：
[0080][0081]
其中，thr
new
用于指代下一轮次的指定残差阈值，yhr
old
用于指代当前轮次的指定残差阈值，si用于指代当前轮次的残差累计数据。在当前轮次出现预警假阳性时，下一轮次的指定残差阈值取当前轮次残差累计数据与当前轮次指定残差阈值的均值。在预警假阴性时，直接将当前轮次残差累计数据作为新的阈值。基于这种方法，这样可以逐步降低预警假阳性信号的概率，同时在有预警假阴性出现时有一个很大的惩罚，逐步、快速地调整到一个更优的状态。
[0082]
根据本技术一实施方式，操作104，根据控制图算法对症候群时序数据进行分析，确定传染病分析结果，包括：首先，根据控制图算法对症候群时序数据进行分析，确定传染病分析数据；然后，若传染病分析数据超过指定分析阈值，确定传染病分析结果为预警阳性；再后，若传染病分析数据未超过指定分析阈值，确定传染病分析结果为预警阴性。
[0083]
根据本技术一实施方式，根据症候群时序数据和历史特征数据确定第二分析结果，包括：首先，根据症候群时序数据和历史特征数据确定移动百分位数法预警模型；然后，根据移动百分位数法预警模型确定第二分析结果。
[0084]
具体的，本方法的控制图算法可以选为cusum控制图和mpm移动百分位数法预警模型，本方法分别通过cusum控制图和mpm移动百分位数法预警模型对症候群时序数据进行分析，以分别确定第一分析结果和第二分析结果。
[0085]
同样的，本方法需要设置与cusum控制图和mpm移动百分位数法预警模型对应的指定分析阈值，以用于进行分析数据的比较，确定最终的分析结果为预警阳性或预警阴性。
[0086]
根据本技术一实施方式，方法还包括：首先，基于与症候群时序数据对应的历史分析数据确定预设分析阈值；预设分析阈值为第一轮指定分析阈值；然后，基于传染病实际结果对传染病分析结果进行判断，获得第二判断结果；若第二判断结果为当前轮次的传染病分析数据为预警假阳性，对当前轮次的传染病分析数据和当前轮次的指定分析阈值进行整合，以确定下一轮次的指定分析阈值；若第二判断结果为当前轮次的传染病分析数据为预警假阴性，将当前轮次的传染病分析数据确定为下一轮次的指定分析阈值。
[0087]
与指定残差阈值相似，指定分析阈值也可以为可变阈值。本方法可以先通过先验信息设置一个预设分析阈值作为第一轮次使用的指定分析阈值。其中，针对cusum控制图的预设分析阈值可以为3倍的时间窗内的分析数据的标准差；针对mpm移动百分位数法预警模型的预设分析阈值可以为图中与p90对应的参数值。然后根据传染病实际结果与传染病分析结果进行比较，确定是否需要对指定分析阈值进行调整。对传染病指定分析阈值的调整同样可以应用对指定残差阈值进行调整的公式。唯一的区别在于，当应用上述公式对指定分析阈值进行调整的情况下，公式中的si替换为当前轮次的传染病分析数据。
[0088]
根据本技术一实施方式，根据控制图算法对症候群时序数据进行分析，确定传染病分析结果，包括：首先，确定与症候群时序数据的特征控制图，对特征控制图进行分析，确定第一分析结果；然后，确定与症候群时序数据对应的历史特征数据，根据症候群时序数据
和历史特征数据确定第二分析结果；根据传染病预测结果、第一分析结果和第二分析结果以确定传染病预警结果。
[0089]
具体的，通过cusum控制图可以累计第i天的前1天至前7天的偏差值，并设定时间窗内3倍的偏差值标准差作为预设分析阈值。通过偏差值与预设分析阈值进行比较，以确定第一分析结果。若需要对当前轮次的指定分析阈值进行调整，则根据偏差值与当前轮次的指定分析阈值进行调整。
[0090]
具体的，通过移动百分位数预警模型，可以首先通过与症候群时序数据对应的历史特征数据和症候群时序数据建立百分位数图，然后同样第i天的前1天至前7天为时间窗，计算均值。并通过与症候群时序数据对应的历史同期3年的均值的90％分位数，即p90作为预设分析阈值。在第一轮中，通过与第i天的前1天至前7天对应的均值和预设分析阈值进行比较，以确定第二分析结果。同理，若需要对当前轮次的指定分析阈值进行调整，则根据均值与当前轮次的指定分析阈值进行调整。需要补充的是，在三种算法中设置的时间窗可以是一致的，也可以是不一致。
[0091]
图5示出了本技术实施例一种基于融合计算的传染病预警装置的实现模块示意图。
[0092]
参见图5，根据本技术实施例第二方面，还提供了一种基于融合计算的传染病预警装置，获取模块501，用于获取指定范围内针对指定传染病的就诊时序数据；提取模块502，用于根据指定传染病对应的症候群信息对就诊时序数据进行数据提取，确定对应的症候群时序数据；预测模块503，用于通过时间序列模型对症候群时序数据进行预测，确定传染病预测结果；分析模块504，用于根据控制图算法对症候群时序数据进行分析，确定传染病分析结果；整合模块505，用于整合传染病预测结果和传染病分析结果，确定与指定传染病对应的传染病预警结果。
[0093]
根据本技术一实施方式，提取模块502，包括：抽取子模块5021，用于根据指定传染病的症候群信息对就诊时序数据进行数据抽取，获得与指定传染病对应的症候群原始数据；平滑子模块5022，用于根据与症候群原始数据对应的时间信息对症候群数据进行加权平滑处理，获得症候群时序数据。
[0094]
根据本技术一实施方式，预测模块503，包括：预测子模块5031，用于通过时间序列模型对症候群时序数据预测，获得模型预测数据；残差累计子模块5032，用于根据实际观测数据与模型预测数据进行残差累计，获得残差累计数据；比较子模块5033，用于根据残差累计数据和指定残差阈值进行比较，确定传染病预测结果；其中，传染病预测结果为与指定传染病对应的预警阴性或预警阳性。
[0095]
根据本技术一实施方式，比较子模块5033，包括：若残差累计数据超过指定残差阈值，确定传染病预测结果为预警阳性；若残差累计数据未超过指定残差阈值，确定传染病预测结果为预警阴性。
[0096]
根据本技术一实施方式，装置还包括：确定模块506，还用于基于与症候群时序数据对应的残差数据确定预设残差阈值；调整模块507，用于根据传染病预测结果和传染病实际结果对预设残差阈值进行调整，获得指定残差阈值。
[0097]
根据本技术一实施方式，调整模块507，包括：基于传染病实际结果对传染病预测结果进行判断，获得第一判断结果；若第一判断结果为当前轮次的传染病预测结果为预警
假阳性，对当前轮次的指定残差阈值和当前轮次的残差累计数据进行整合，以确定下一轮次的指定残差阈值；若第一判断结果为当前轮次的传染病预测结果为预警假阴性，将当前轮次的残差累计数据确定为下一轮次的指定残差阈值。
[0098]
根据本技术一实施方式，分析模块504，包括：用于根据控制图算法对症候群时序数据进行分析，确定传染病分析数据；传染病分析数据超过指定分析阈值，确定传染病分析结果为预警阳性；若传染病分析数据未超过指定分析阈值，确定传染病分析结果为预警阴性。
[0099]
根据本技术一实施方式，所述确定模块506，用于基于与症候群时序数据对应的历史分析数据确定预设分析阈值；预设分析阈值为第一轮指定分析阈值；调整模块507，还包括：基于传染病实际结果对传染病分析结果进行判断，获得第二判断结果；若第二判断结果为当前轮次的传染病分析数据为预警假阳性，对当前轮次的传染病分析数据和当前轮次的指定分析阈值进行整合，以确定下一轮次的指定分析阈值；若第二判断结果为当前轮次的传染病分析数据为预警假阴性，将当前轮次的传染病分析数据确定为下一轮次的指定分析阈值。
[0100]
根据本技术一实施方式，分析模块504，包括：确定与症候群时序数据的特征控制图，对特征控制图进行分析，确定第一分析结果；确定与症候群时序数据对应的历史特征数据，根据症候群时序数据和历史特征数据确定第二分析结果；整合模块505，用于根据传染病预测结果、第一分析结果和第二分析结果以确定传染病预警结果。
[0101]
根据本技术一实施方式，分析模块504，包括：根据症候群时序数据和历史特征数据确定移动百分位数法预警模型；根据移动百分位数法预警模型确定第二分析结果。
[0102]
根据本技术一实施方式，整合模块505，包括：根据传染病预测结果和传染病分析结果对传染病预警结果进行投票，确定传染病预警结果，传染病预警结果为预警阳性或预警阴性的其中一种。
[0103]
这里需要指出的是：以上对针对一种基于融合计算的传染病预警装置实施例的描述，与前述图1至3所示的方法实施例的描述是类似的，具有同前述图1至3所示的方法实施例相似的有益效果，因此不做赘述。对于本技术一种基于融合计算的传染病预警装置实施例中未披露的技术细节，请参照本技术前述图1至3所示的方法实施例的描述而理解，为节约篇幅，因此不再赘述。
[0104]
根据本技术实施例第三方面，又提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上述可实施方式中任一项的方法。
[0105]
根据本技术实施例第四方面，又提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述可实施方式中任一项的方法。
[0106]
根据本技术的实施例，本技术还提供了一种电子设备和一种可读存储介质。
[0107]
图6示出了可以用来实施本技术的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限
制本文中描述的和/或者要求的本技术的实现。
[0108]
如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(rom)602中的计算机程序或者从存储单元608加载到随机访问存储器(ram)603中的计算机程序，来执行各种适当的动作和处理。在ram 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0109]
设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0110]
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如一种基于融合计算的传染病预警方法。例如，在一些实施例中，一种基于融合计算的传染病预警方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram 603并由计算单元601执行时，可以执行上文描述的一种基于融合计算的传染病预警方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行一种基于融合计算的传染病预警方法。
[0111]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0112]
用于实施本技术的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0113]
在本技术的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计
算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0114]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0115]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0116]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0117]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本技术公开的技术方案所期望的结果，本文在此不进行限制。
[0118]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0119]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。