一种基于深度学习的流行病患者数量预测方法及系统

本发明涉及医工交叉领域，尤其涉及一种基于深度学习的流行病患者数量预测方法及系统。

背景技术：

1、在当前的医疗环境中，流行性疾病的爆发和传播速度使得公共卫生系统面临巨大的挑战，尤其是在资源有限的情况下。流行性疾病的预测和预防在很多国家中至关重要，因为这些疾病可以迅速蔓延，影响大范围的人口，并且对社会和经济产生重大影响。随着时间的推移，医疗信息的发展带来了流行病学研究的日益复杂和资源分配的不可预测性。在当前的医疗环境中，以大量电子病历和公共卫生数据为代表的多样化临床信息，迫使公共卫生专家和临床医生根据对大量数据的评估做出决定。事实证明，深度学习通过有效处理复杂的输入数据和智能学习不同的知识，成功地解决了复杂的智能任务。在实践中，深度学习是一种高效的特征提取方法，可以捕捉更抽象的特征，实现对大数据更本质的描述。在这种情况下，深度学习能够高效捕捉数据特征等特点，同时捕捉以往数据中的结构变化以及突变点的发生，有助于流行性疾病的预测、预防措施的制定和公共卫生资源的合理分配。公开号为cn117540336a的中国发明申请公开了一种时间序列预测方法，通过对历史时间序列数据进行多变量分解，提取时间序列数据中的异常变量数据以及季节性变量数据、趋势变量数据、残差变量数据，再将提取出的异常变量数据以及季节性变量数据、趋势变量数据、残差变量数据与历史时间序列数据一起输入到预先训练好的时间序列预测模型中，利用时间序列预测模型预测出目标预测时间的时间序列预测结果。然而该方法采用的乘法分解方法在应用于流行病患者数量预测时会面临复杂且巨大的计算量，且该方法采用的注意力机制主要用于处理异常时间步骤的数据，重点关注异常时间点的变化。这种局部化的处理方式应用于流行病患者数量预测时可能导致模型在捕捉全局趋势和长期依赖关系方面存在以下问题：模型过于关注异常时间点，可能忽略了正常时间步骤中的信息，导致整体预测的准确性下降；注意力机制未能专门处理季节性特征，无法充分利用数据中的周期性变化，这对于流行病预测中常见的季节性波动是一个重要缺陷；在数据存在长周期特征时，模型可能偏向于短期异常变化，忽视了长期稳定的趋势和模式。这种局限性影响了模型在捕捉全局趋势和长期依赖关系方面的能力，从而限制了其在流行病数据分析中的应用。

技术实现思路

1、本发明的目的在于解决现有技术中的问题。

2、本发明解决其技术问题所采用的技术方案是：提供一种基于深度学习的流行病患者数量预测方法，包括以下步骤：

3、构建包括长短期记忆网络和两个全连接层的基础模块；

4、基于基础模块构建流行病患者数量预测模型并进行训练；

5、使用训练好的流行病患者数量预测模型实现流行病患者数量的预测；

6、所述流行病患者数量预测模型包括依次连接的趋势模块、季节模块、残差模块和多头注意力层；趋势模块包括一个基础模块和一个多项式函数，用于捕捉输入数据的长期趋势，输出趋势部分，并且将趋势部分与输入数据的差异作为第一中间残差部分进行下一步的季节周期特征捕捉；季节模块包括一个基础模块和一个周期性函数，用于捕捉第一中间残差部分的季节规律，输出季节部分，并且将季节部分与第一中间残差部分的差异作为第二中间残差部分进行下一步的突变点特征捕捉；残差模块包括两个基础模块，接收季节模块输出的第二中间残差部分，捕捉突变点等不同层次的特征输出第一残差部分和第二残差部分；多头注意力层接收趋势部分、季节部分、第一残差部分和第二残差部分，强化对重要信息的处理，同时抑制不相关或次要信息的影响，输出结果经过一个全连接层后作为预测结果。

7、优选的，基础模块包含了一个单元数为256的长短期记忆网络，紧接两个神经元分别为128和64的全连接层。

8、优选的，基础模块还包括dropout层。

9、优选的，趋势模块的多项式函数表示为：

10、

11、其中，表示基础模块包含的网络层的正向预测系数，t＝[1,t,...,tp]是t的幂矩阵，t为时间向量，代表预测步长；p为预设值。

12、优选的，季节模块的周期性函数表示为：

13、

14、其中，表示基础模块包含的网络层的正向预测系数，s＝[1,cos(2πt),...,cos(2πit)),sin(2πt),...,sin(2πit))]。

15、优选的，所述使用训练好的流行病患者数量预测模型实现流行病患者数量的预测，包括以下步骤：

16、将观测数据作为输入数据，趋势模块捕捉输入数据的趋势结果作为趋势部分输出，输入数据与趋势结果的残差结果作为第一中间残差部分输出；

17、季节模块接收第一中间残差部分，捕捉到季节规律结果之后，输出季节部分和第二中间残差部分；

18、残差模块接收第二中间残差部分，输出第一残差部分和第二残差部分；

19、多头注意力层接收趋势部分、季节部分、第一残差部分和第二残差部分，多头自我注意机制以赋予不同权重，输出结果经过一个全连接层后输出预测结果。

20、优选的，所述观测数据包括观测时间段内不同变量的患病数量数据；所述变量包括患者性别、患者年龄以及流行病；

21、将观测时间段内不同变量的患病数量数据作为流行病患者数量预测模型的输入数据，获得的预测结果包括未来不同变量的患病数量预测数据。

22、本发明还提供一种基于深度学习的流行病患者数量预测系统方法，包括：

23、基础构建模块，构建包括长短期记忆网络和两个全连接层的基础模块；

24、模型构建模块，基于基础模块构建流行病患者数量预测模型并进行训练；

25、预测模块，使用训练好的流行病患者数量预测模型实现流行病患者数量的预测；

26、所述流行病患者数量预测模型包括依次连接的趋势模块、季节模块、残差模块和多头注意力层；趋势模块包括一个基础模块和一个多项式函数，用于捕捉输入数据的长期趋势，输出趋势部分和第一中间残差部分；季节模块包括一个基础模块和一个周期性函数，用于捕捉第一残差部分的季节规律，输出季节部分和第二中间残差部分；残差模块包括两个基础模块，接收第二中间残差部分，输出第一残差部分和第二残差部分；多头注意力层接收趋势部分、季节部分、第一残差部分和第二残差部分，强化对重要信息的处理，同时抑制不相关或次要信息的影响，输出结果经过一个全连接层后作为模型预测结果。本发明具有如下有益效果：

27、(1)本发明支持将患者的性别、不同年龄、不同患病系统等多个变量的观测数据输入预测模型，并通过拟合观测数据的潜在模式，同时预测未来时间多个不同变量的患者数量，能够同时考虑多个变量之间的相互关系和依赖性，可以探索不同年龄段、地区和人群的流感感染模式，为制定针对性的防控策略和医疗措施提供更全面的分析视角；

28、(2)本发明的预测模型包含趋势模块、季节模块和残差模块，考虑了趋势、季节性以及突变点等因素，增强了预测的准确性和可解释性，这意味着不仅可以预测流感病例的数量，还可以分析其中的变化趋势和影响因素，为医学临床和公共卫生领域提供更深入的理解；

29、(3)本发明的预测模型引入多头注意力机制强化对重要信息的处理，同时抑制不相关或次要信息的影响，支持查看三个模块的权重信息，从而分析三个模块对预测结果的影响程度，增强了模型的可解释性，对预测结果提供了更加清晰的分析方式。

30、(4)本发明的基础模块包含一个lstm以及两个全连接层，通过lstm捕捉上下文信息和长期依赖关系，缓解梯度消失的问题，全连接层能够学习到输入数据的复杂非线性关系，从而适应各种类型的数据。

31、以下结合附图及实施例对本发明作进一步详细说明，但本发明不局限于实施例。