基于大数据深度学习的个人区域双向联动时空预测方法

1.本发明涉及人工智能技术领域，特别是涉及一种基于大数据深度学习的个人区域双向联动时空预测方法。


背景技术：

2.在实现本发明过程中，发明人发现现有技术中至少存在如下问题：个人的感染风险不但与个人有关，还有传染病流行情况的整体时空预测情况有关，例如，如果将来周围被感染的人很多，那么个人将来的感染风险也就提高了，但现有技术没有将区域传染病流行情况与个人风险时空预测结合起来，个人风险和区域风险时空预测的准确率低。
3.因此，现有技术还有待于改进和发展。


技术实现要素：

4.基于此，有必要针对现有技术的缺陷或不足，提供基于大数据深度学习的个人区域双向联动时空预测方法，以解决现有技术中没有将区域传染病流行情况与个人风险时空预测结合起来的问题，进而提高个人风险和区域风险时空预测的准确率。
5.第一方面，本发明实施例提供一种人工智能方法，所述方法包括：
6.每一时空中个人预测深度学习模型构建步骤：初始化多个深度学习神经网络模型作为多个个人预测深度学习模型，将每一时间每一空间的每一个人的个人数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为输出，对所述每一时间所述每一空间的个人预测深度学习模型进行第一训练，不同的个人预测深度学习模型的参数根据预设进行共享或部分共享或不共享；
7.每一时空中个人预测深度学习模型使用步骤：在使用时，将每一时间每一空间的每一个人的数据作为输入，通过所述每一时间所述每一空间的个人预测深度学习模型的计算，得到的输出作为所述每一时间所述每一空间的所述每一个人预测结果；
8.每一个人的个人预测深度学习模型构建步骤：初始化多个深度学习神经网络模型作为多个个人预测深度学习模型，将每一时间每一空间的每一个人的个人数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为输出，对所述每一个人的个人预测深度学习模型进行第二训练，不同的个人预测深度学习模型的参数根据预设进行共享或部分共享或不共享；
9.每一个人的个人预测深度学习模型使用步骤：在使用时，将每一时间每一空间的每一个人的数据作为输入，通过所述每一个人的个人预测深度学习模型的计算，得到的输出作为所述每一个人的在每一时间每一空间的预测结果；
10.单时单空预测深度学习模型第一构建步骤：初始化深度学习神经网络模型作为单时单空预测深度学习模型，将每一时间每一空间的时间信息和空间信息和所有个人数据作为输入，将所述每一时间所述每一空间的所有个人预期结果的统计结果作为预期输出，或将所述每一时间所述每一空间的预期结果作为预期输出，对所述单时单空预测深度学习模
型进行第三训练；不同的单时单空预测深度学习模型的参数根据预设进行共享或部分共享或不共享；
11.单时单空预测深度学习模型第二构建步骤：针对每一时间每一空间，将其中每一个人的个人数据作为输入，经过所述每一时间所述每一空间的个人预测深度学习模型的计算，得到的所述每一时间所述每一空间的个人预测深度学习模型的特征数据联合后作为第一预设隐层的输入，将所述每一时间所述每一空间的所有个人的预期结果的统计结果作为预期输出，或将所述每一时间所述每一空间的预期结果作为预期输出，对所述单时单空预测深度学习模型进行第四训练；
12.单时单空预测深度学习模型第三构建步骤：针对每一时间每一空间，将其中每一个人的个人数据作为输入，经过所述每一个人的个人预测深度学习模型的计算，得到的所述每一个人的个人预测深度学习模型的特征数据联合后作为第二预设隐层的输入，将所述每一时间所述每一空间的所有个人的预期结果的统计结果作为预期输出，或将所述每一时间所述每一空间的预期结果作为预期输出，对所述单时单空预测深度学习模型进行第五训练；
13.单时单空预测深度学习模型使用步骤：在使用时，每一时间每一空间的时间信息、空间信息、所有个人数据作为输入，通过所述单时单空预测深度学习模型的计算，得到的输出作为所述每一时间所述每一空间的所有个人的预期结果的统计结果，或作为所述每一时间所述每一空间的预测结果；
14.训练方式第一设置步骤：第三训练和第四训练、第五训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第三训练和第四训练、第五训练得到所述单时单空预测深度学习模型；第一训练、第三训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第一训练、第三训练得到所述每一时间所述每一空间的个人预测深度学习模型；第二训练、第五训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第二训练、第五训练得到所述每一个人的个人预测深度学习模型。
15.优选地，所述方法还包括：
16.多时多空预测深度学习模型第一构建步骤：初始化深度学习神经网络模型作为多时多空预测深度学习模型，将每m个时间每n个空间的时间信息和空间信息和所有个人数据作为输入，将所述每m个时间所述每n个空间的所有个人预期结果的统计结果作为预期输出，或将所述每m个时间所述每n个空间的预期结果作为预期输出，对所述多时多空预测深度学习模型进行第六训练；不同的多时多空预测深度学习模型的参数根据预设进行共享或部分共享或不共享；所述每m个时间为相邻的每m个时间；所述每n个空间为相邻的每n个空间；
17.多时多空预测深度学习模型第二构建步骤：针对每m个时间每n个空间，将所述每m个时间所述每n个空间中每一个时间每一个空间的每一个人的个人数据作为输入，通过所述每一时间所述每一空间的个人预测深度学习模型的计算，得到所述每m个时间所述每n个空间中每一个时间每一个空间的个人预测深度学习模型的特征数据联合后作为第三预设隐层的输入，将所述每m个时间所述每n个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每m个时间所述每n个空间的预期结果作为预期输出，对所述多时多空预测深度学习模型进行第七训练，得到所述多时多空预测深度学习模型；所述每m个时间为相邻
的每m个时间；所述每n个空间为相邻的每n个空间；
18.多时多空预测深度学习模型第三构建步骤：针对每m个时间每n个空间，将所述每m个时间所述每n个空间的每一个人的个人数据作为输入，通过所述每一个人的个人预测深度学习模型的计算，得到所述每m个时间所述每n个空间的所有人中每一个人的个人预测深度学习模型的特征数据联合后作为第四预设隐层的输入，将所述每m个时间所述每n个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每m个时间所述每n个空间的预期结果作为预期输出，对所述多时多空预测深度学习模型进行第八训练，得到所述多时多空预测深度学习模型；所述每m个时间为相邻的每m个时间；所述每n个空间为相邻的每n个空间；
19.多时多空预测深度学习模型第四构建步骤：针对每m个时间每n个空间，将所述每m个时间所述每n个空间的单时单空预测深度学习模型的特征数据联合后作为第五预设隐层的输入，将所述每m个时间所述每n个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每m个时间所述每n个空间的预期结果作为预期输出，对所述多时多空预测深度学习模型进行第九训练，得到所述多时多空预测深度学习模型；所述每m个时间为相邻的每m个时间；所述每n个空间为相邻的每n个空间；
20.多时多空预测深度学习模型使用步骤：在使用时，每m个时间每n个空间的时间信息、空间信息、所有个人数据作为输入，通过所述多时多空预测深度学习模型的计算，得到的输出作为所述每m个时间所述每n个空间的所有个人的预期结果的统计结果，或作为所述每m 个时间所述每n个空间的预测结果；
21.训练方式第二设置步骤：第六训练和第七训练、第八训练、第九训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第七训练、第八训练、第九训练得到所述每一时间所述每一空间的多时多空预测深度学习模型。
22.优选地，所述方法还包括：
23.超时超空预测深度学习模型第一构建步骤：初始化深度学习神经网络模型作为超时超空预测深度学习模型，将每s*m个时间每t*n个空间的时间信息和空间信息和所有个人数据作为输入，将所述每s*m个时间所述每t*n个空间的所有个人预期结果的统计结果作为预期输出，或将所述每s*m个时间所述每t*n个空间的预期结果作为预期输出，对所述超时超空预测深度学习模型进行第十训练；不同的超时超空预测深度学习模型的参数根据预设进行共享或部分共享或不共享；所述每s*m个时间为相邻的每s*m个时间；所述每t*n个空间为相邻的每t*n个空间；
24.超时超空预测深度学习模型第二构建步骤：针对每s*m个时间每t*n个空间，将所述每 s*m个时间所述每t*n个空间中每一个时间每一个空间的每一个人的个人数据作为输入，通过所述每一时间所述每一空间的个人预测深度学习模型的计算，得到所述每s*m个时间所述每t*n个空间中每一个时间每一个空间的个人预测深度学习模型的特征数据联合后作为第六预设隐层的输入，将所述每s*m个时间所述每t*n个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每s*m个时间所述每t*n个空间的预期结果作为预期输出，对所述超时超空预测深度学习模型进行第十一训练，得到所述超时超空预测深度学习模型；所述每 s*m个时间为相邻的每s*m个时间；所述每t*n个空间为相邻的每t*n个空间；
25.超时超空预测深度学习模型第三构建步骤：针对每s*m个时间每t*n个空间，将所
述每 s*m个时间所述每t*n个空间的每一个人的个人数据作为输入，通过所述每一个人的个人预测深度学习模型的计算，得到所述每s*m个时间所述每t*n个空间的所有人中每一个人的个人预测深度学习模型的特征数据联合后作为第七预设隐层的输入，将所述每s*m个时间所述每t*n个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每s*m个时间所述每t*n个空间的预期结果作为预期输出，对所述超时超空预测深度学习模型进行第十二训练，得到所述超时超空预测深度学习模型；所述每s*m个时间为相邻的每s*m个时间；所述每t*n 个空间为相邻的每t*n个空间；
26.超时超空预测深度学习模型第四构建步骤：针对每s*m个时间每t*n个空间，将所述每 s*m个时间所述每t*n个空间的单时单空预测深度学习模型的特征数据联合后作为第八预设隐层的输入，将所述每s*m个时间所述每t*n个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每s*m个时间所述每t*n个空间的预期结果作为预期输出，对所述超时超空预测深度学习模型进行第十三训练，得到所述超时超空预测深度学习模型；所述每s*m 个时间为相邻的每s*m个时间；所述每t*n个空间为相邻的每t*n个空间；
27.超时超空预测深度学习模型第五构建步骤：针对每s*m个时间每t*n个空间，将其中每个所述多时多空预测深度学习模型的特征数据联合后作为第九预设隐层的输入，将其中所有所述每m个时间所述每n个空间的预期结果的统计结果作为预期输出，或将所述每s*m个时间所述每t*n个空间的预期结果作为预期输出，对所述超时超空预测深度学习模型进行第十四训练，得到所述超时超空预测深度学习模型；所述每s*m个时间为相邻的每s*m个时间；所述每t*n个空间为相邻的每t*n个空间；
28.超时超空预测深度学习模型使用步骤：在使用时，每s*m个时间每t*n个空间的时间信息、空间信息、所有个人数据作为输入，通过所述超时超空预测深度学习模型的计算，得到的输出作为所述每s*m个时间所述每t*n个空间的所有个人的预期结果的统计结果，或作为所述每s*m个时间所述每t*n个空间的预测结果；
29.训练方式第三设置步骤：第十训练和第十一训练、第十二训练、第十三训练、第十四训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第十训练和第十一训练、第十二训练、第十三训练、第十四训练得到所述每一时间所述每一空间的超时超空预测深度学习模型。
30.优选地，所述方法还包括：
31.超时超空迭代步骤：将s*m作为m，将t*n作为n，将e作为s，将f作为t，执行权利要求3所述的人工智能方法中的步骤。
32.第二方面，本发明实施例提供一种人工智能系统，所述系统包括：
33.每一时空中个人预测深度学习模型构建模块：初始化多个深度学习神经网络模型作为多个个人预测深度学习模型，将每一时间每一空间的每一个人的个人数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为输出，对所述每一时间所述每一空间的个人预测深度学习模型进行第一训练，不同的个人预测深度学习模型的参数根据预设进行共享或部分共享或不共享；
34.每一时空中个人预测深度学习模型使用模块：在使用时，将每一时间每一空间的每一个人的数据作为输入，通过所述每一时间所述每一空间的个人预测深度学习模型的计算，得到的输出作为所述每一时间所述每一空间的所述每一个人预测结果；
35.每一个人的个人预测深度学习模型构建模块：初始化多个深度学习神经网络模型作为多个个人预测深度学习模型，将每一时间每一空间的每一个人的个人数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为输出，对所述每一个人的个人预测深度学习模型进行第二训练，不同的个人预测深度学习模型的参数根据预设进行共享或部分共享或不共享；
36.每一个人的个人预测深度学习模型使用模块：在使用时，将每一时间每一空间的每一个人的数据作为输入，通过所述每一个人的个人预测深度学习模型的计算，得到的输出作为所述每一个人的在每一时间每一空间的预测结果；
37.单时单空预测深度学习模型第一构建模块：初始化深度学习神经网络模型作为单时单空预测深度学习模型，将每一时间每一空间的时间信息和空间信息和所有个人数据作为输入，将所述每一时间所述每一空间的所有个人预期结果的统计结果作为预期输出，或将所述每一时间所述每一空间的预期结果作为预期输出，对所述单时单空预测深度学习模型进行第三训练；不同的单时单空预测深度学习模型的参数根据预设进行共享或部分共享或不共享；
38.单时单空预测深度学习模型第二构建模块：针对每一时间每一空间，将其中每一个人的个人数据作为输入，经过所述每一时间所述每一空间的个人预测深度学习模型的计算，得到的所述每一时间所述每一空间的个人预测深度学习模型的特征数据联合后作为第一预设隐层的输入，将所述每一时间所述每一空间的所有个人的预期结果的统计结果作为预期输出，或将所述每一时间所述每一空间的预期结果作为预期输出，对所述单时单空预测深度学习模型进行第四训练；
39.单时单空预测深度学习模型第三构建模块：针对每一时间每一空间，将其中每一个人的个人数据作为输入，经过所述每一个人的个人预测深度学习模型的计算，得到的所述每一个人的个人预测深度学习模型的特征数据联合后作为第二预设隐层的输入，将所述每一时间所述每一空间的所有个人的预期结果的统计结果作为预期输出，或将所述每一时间所述每一空间的预期结果作为预期输出，对所述单时单空预测深度学习模型进行第五训练；
40.单时单空预测深度学习模型使用模块：在使用时，每一时间每一空间的时间信息、空间信息、所有个人数据作为输入，通过所述单时单空预测深度学习模型的计算，得到的输出作为所述每一时间所述每一空间的所有个人的预期结果的统计结果，或作为所述每一时间所述每一空间的预测结果；
41.训练方式第一设置模块：第三训练和第四训练、第五训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第三训练和第四训练、第五训练得到所述单时单空预测深度学习模型；第一训练、第三训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第一训练、第三训练得到所述每一时间所述每一空间的个人预测深度学习模型；第二训练、第五训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第二训练、第五训练得到所述每一个人的个人预测深度学习模型。
42.优选地，所述系统还包括：
43.多时多空预测深度学习模型第一构建模块：初始化深度学习神经网络模型作为多时多空预测深度学习模型，将每m个时间每n个空间的时间信息和空间信息和所有个人数据
作为输入，将所述每m个时间所述每n个空间的所有个人预期结果的统计结果作为预期输出，或将所述每m个时间所述每n个空间的预期结果作为预期输出，对所述多时多空预测深度学习模型进行第六训练；不同的多时多空预测深度学习模型的参数根据预设进行共享或部分共享或不共享；所述每m个时间为相邻的每m个时间；所述每n个空间为相邻的每n个空间；
44.多时多空预测深度学习模型第二构建模块：针对每m个时间每n个空间，将所述每m个时间所述每n个空间中每一个时间每一个空间的每一个人的个人数据作为输入，通过所述每一时间所述每一空间的个人预测深度学习模型的计算，得到所述每m个时间所述每n个空间中每一个时间每一个空间的个人预测深度学习模型的特征数据联合后作为第三预设隐层的输入，将所述每m个时间所述每n个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每m个时间所述每n个空间的预期结果作为预期输出，对所述多时多空预测深度学习模型进行第七训练，得到所述多时多空预测深度学习模型；所述每m个时间为相邻的每m个时间；所述每n个空间为相邻的每n个空间；
45.多时多空预测深度学习模型第三构建模块：针对每m个时间每n个空间，将所述每m个时间所述每n个空间的每一个人的个人数据作为输入，通过所述每一个人的个人预测深度学习模型的计算，得到所述每m个时间所述每n个空间的所有人中每一个人的个人预测深度学习模型的特征数据联合后作为第四预设隐层的输入，将所述每m个时间所述每n个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每m个时间所述每n个空间的预期结果作为预期输出，对所述多时多空预测深度学习模型进行第八训练，得到所述多时多空预测深度学习模型；所述每m个时间为相邻的每m个时间；所述每n个空间为相邻的每n个空间；
46.多时多空预测深度学习模型第四构建模块：针对每m个时间每n个空间，将所述每m个时间所述每n个空间的单时单空预测深度学习模型的特征数据联合后作为第五预设隐层的输入，将所述每m个时间所述每n个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每m个时间所述每n个空间的预期结果作为预期输出，对所述多时多空预测深度学习模型进行第九训练，得到所述多时多空预测深度学习模型；所述每m个时间为相邻的每m个时间；所述每n个空间为相邻的每n个空间；
47.多时多空预测深度学习模型使用模块：在使用时，每m个时间每n个空间的时间信息、空间信息、所有个人数据作为输入，通过所述多时多空预测深度学习模型的计算，得到的输出作为所述每m个时间所述每n个空间的所有个人的预期结果的统计结果，或作为所述每m 个时间所述每n个空间的预测结果；
48.训练方式第二设置模块：第六训练和第七训练、第八训练、第九训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第七训练、第八训练、第九训练得到所述每一时间所述每一空间的多时多空预测深度学习模型。
49.优选地，所述系统还包括：
50.超时超空预测深度学习模型第一构建模块：初始化深度学习神经网络模型作为超时超空预测深度学习模型，将每s*m个时间每t*n个空间的时间信息和空间信息和所有个人数据作为输入，将所述每s*m个时间所述每t*n个空间的所有个人预期结果的统计结果作为预期输出，或将所述每s*m个时间所述每t*n个空间的预期结果作为预期输出，对所述超时
超空预测深度学习模型进行第十训练；不同的超时超空预测深度学习模型的参数根据预设进行共享或部分共享或不共享；所述每s*m个时间为相邻的每s*m个时间；所述每t*n个空间为相邻的每t*n个空间；
51.超时超空预测深度学习模型第二构建模块：针对每s*m个时间每t*n个空间，将所述每 s*m个时间所述每t*n个空间中每一个时间每一个空间的每一个人的个人数据作为输入，通过所述每一时间所述每一空间的个人预测深度学习模型的计算，得到所述每s*m个时间所述每t*n个空间中每一个时间每一个空间的个人预测深度学习模型的特征数据联合后作为第六预设隐层的输入，将所述每s*m个时间所述每t*n个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每s*m个时间所述每t*n个空间的预期结果作为预期输出，对所述超时超空预测深度学习模型进行第十一训练，得到所述超时超空预测深度学习模型；所述每 s*m个时间为相邻的每s*m个时间；所述每t*n个空间为相邻的每t*n个空间；
52.超时超空预测深度学习模型第三构建模块：针对每s*m个时间每t*n个空间，将所述每 s*m个时间所述每t*n个空间的每一个人的个人数据作为输入，通过所述每一个人的个人预测深度学习模型的计算，得到所述每s*m个时间所述每t*n个空间的所有人中每一个人的个人预测深度学习模型的特征数据联合后作为第七预设隐层的输入，将所述每s*m个时间所述每t*n个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每s*m个时间所述每t*n个空间的预期结果作为预期输出，对所述超时超空预测深度学习模型进行第十二训练，得到所述超时超空预测深度学习模型；所述每s*m个时间为相邻的每s*m个时间；所述每t*n 个空间为相邻的每t*n个空间；
53.超时超空预测深度学习模型第四构建模块：针对每s*m个时间每t*n个空间，将所述每 s*m个时间所述每t*n个空间的单时单空预测深度学习模型的特征数据联合后作为第八预设隐层的输入，将所述每s*m个时间所述每t*n个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每s*m个时间所述每t*n个空间的预期结果作为预期输出，对所述超时超空预测深度学习模型进行第十三训练，得到所述超时超空预测深度学习模型；所述每s*m 个时间为相邻的每s*m个时间；所述每t*n个空间为相邻的每t*n个空间；
54.超时超空预测深度学习模型第五构建模块：针对每s*m个时间每t*n个空间，将其中每个所述多时多空预测深度学习模型的特征数据联合后作为第九预设隐层的输入，将其中所有所述每m个时间所述每n个空间的预期结果的统计结果作为预期输出，或将所述每s*m个时间所述每t*n个空间的预期结果作为预期输出，对所述超时超空预测深度学习模型进行第十四训练，得到所述超时超空预测深度学习模型；所述每s*m个时间为相邻的每s*m个时间；所述每t*n个空间为相邻的每t*n个空间；
55.超时超空预测深度学习模型使用模块：在使用时，每s*m个时间每t*n个空间的时间信息、空间信息、所有个人数据作为输入，通过所述超时超空预测深度学习模型的计算，得到的输出作为所述每s*m个时间所述每t*n个空间的所有个人的预期结果的统计结果，或作为所述每s*m个时间所述每t*n个空间的预测结果；
56.训练方式第三设置模块：第十训练和第十一训练、第十二训练、第十三训练、第十四训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第十训练和第十一训练、第十二训练、第十三训练、第十四训练得到所述每一时间所述每一空间的超时超空预测深度学习模型。
57.优选地，所述系统还包括：
58.超时超空迭代模块：将s*m作为m，将t*n作为n，将e作为s，将f作为t，执行权利要求3所述的人工智能方法中的模块。
59.第三方面，本发明实施例提供一种人工智能装置，所述装置包括第二方面实施例任意一项所述系统的模块。
60.第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面实施例任意一项所述方法的步骤。
61.第五方面，本发明实施例提供一种机器人，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人工智能机器人程序，所述处理器执行所述程序时实现第一方面实施例任意一项所述方法的步骤。
62.本实施例提供的基于大数据深度学习的个人区域双向联动时空预测方法，包括：每一时空中个人预测深度学习模型构建步骤；每一时空中个人预测深度学习模型使用步骤；每一个人的个人预测深度学习模型构建步骤；每一个人的个人预测深度学习模型使用步骤；单时单空预测深度学习模型第一构建步骤；单时单空预测深度学习模型第二构建步骤；单时单空预测深度学习模型第三构建步骤；单时单空预测深度学习模型使用步骤；训练方式第一设置步骤。上述方法、系统和机器人，分别从个人的角度和时空的角度来构建个人预测深度学习模型，并且通过从个人的角度和时空的角度构建的个人预测深度学习模型来进一步构建时空预测深度学习模型，同时也通过时空数据来直接构建时空预测深度学习模型，从而可以通过不同的路径得到时空预测深度学习模型，这些不同的时空预测深度学习模型相互之间通过协同训练可以提升时空模型的预测效果。
附图说明
63.图1为本发明的实施例提供的人工智能方法的流程图；
64.图2为本发明的实施例提供的人工智能方法包括的流程图；
65.图3为本发明的实施例提供的人工智能方法包括的流程图；
66.图4为本发明的实施例提供的基于大数据深度学习的个人区域双向联动时空预测方法模型示意图。
具体实施方式
67.下面结合本发明实施方式，对本发明实施例中的技术方案进行详细地描述。
68.本发明的基本实施例
69.本发明的一个实施例提供一种人工智能方法，如图1所示，所述方法包括：每一时空中个人预测深度学习模型构建步骤；每一时空中个人预测深度学习模型使用步骤；每一个人的个人预测深度学习模型构建步骤；每一个人的个人预测深度学习模型使用步骤；单时单空预测深度学习模型第一构建步骤；单时单空预测深度学习模型第二构建步骤；单时单空预测深度学习模型第三构建步骤；单时单空预测深度学习模型使用步骤；训练方式第一设置步骤。技术效果：所述方法分别从个人的角度和时空的角度来构建个人预测深度学习模型，并且通过从个人的角度和时空的角度构建的个人预测深度学习模型来进一步构建时空预测深度学习模型，同时也通过时空数据来直接构建时空预测深度学习模型，从而可
以通过不同的路径得到时空预测深度学习模型，这些不同的时空预测深度学习模型相互之间通过协同训练可以提升时空模型的预测效果，能同时提升个人和区域的预测效果。
70.在一个优选的实施例中，如图2所示，所述方法还包括：多时多空预测深度学习模型第一构建步骤；多时多空预测深度学习模型第二构建步骤；多时多空预测深度学习模型第三构建步骤；多时多空预测深度学习模型第四构建步骤；多时多空预测深度学习模型使用步骤；训练方式第二设置步骤。技术效果：所述方法通过从个人的角度和时空的角度构建的个人预测深度学习模型以及单时单空预测深度学习模型来进一步构建多时多空预测深度学习模型，同时也通过时空数据来直接构建多时多空预测深度学习模型，从而可以通过不同的路径得到多时多空预测深度学习模型，这些不同的时空预测深度学习模型相互之间通过协同训练可以提升各个模型的预测效果，能同时提升个人和区域的预测效果。
71.在一个优选的实施例中，如图3所示，所述方法还包括：超时超空预测深度学习模型第一构建步骤；超时超空预测深度学习模型第二构建步骤；超时超空预测深度学习模型第三构建步骤；超时超空预测深度学习模型第四构建步骤；超时超空预测深度学习模型第五构建步骤；超时超空预测深度学习模型使用步骤；训练方式第三设置步骤。技术效果：所述方法通过从个人的角度和时空的角度构建的个人预测深度学习模型以及单时单空预测深度学习模型、多时多空预测深度学习模型来进一步构建超时超空预测深度学习模型，同时也通过时空数据来直接构建多时超时超空预测深度学习模型，从而可以通过不同的路径得到超时超空预测深度学习模型，这些不同的时空预测深度学习模型相互之间通过协同训练可以提升各个模型的预测效果，能同时提升个人和区域的预测效果。
72.在一个优选的实施例中，所述方法还包括：超时超空迭代步骤。技术效果：所述方法可以通过迭代的方法产生更超级时空预测的深度学习模型，从而提高模型的适应范围和时空层级。
73.本发明的优选实施例
74.每一时空中个人预测深度学习模型构建步骤：初始化多个深度学习神经网络模型作为多个个人预测深度学习模型，将每一时间每一空间的每一个人的个人数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为输出，对所述每一时间所述每一空间的个人预测深度学习模型进行第一训练(所述每一时间所述每一空间的个人预测深度学习模型都会经过所述每一时间所述每一空间中多个个人样本的训练，个人预测深度学习模型能对在一个特定的空间和时间内对某个个人进行预测，此时模型用于所述每一时间所述每一空间，但模型中没有蕴含或学习时间或空间信息)，不同的个人预测深度学习模型的参数根据预设进行共享或部分共享或不共享；
75.每一时空中个人预测深度学习模型使用步骤：在使用时，将每一时间每一空间的每一个人的数据作为输入，通过所述每一时间所述每一空间的个人预测深度学习模型的计算，得到的输出作为所述每一时间所述每一空间的所述每一个人预测结果；
76.每一个人的个人预测深度学习模型构建步骤：初始化多个深度学习神经网络模型作为多个个人预测深度学习模型，将每一时间每一空间的每一个人的个人数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为输出，对所述每一个人的个人预测深度学习模型进行第二训练(所述每一个人的个人预测深度学习模型都会经过所述每一个人中多个时间空间样本的训练，所述每一个人的个人预测深度学习模型能对在一个特
定的个人内对某个时空进行预测，此时模型用于所述每一个人的，但模型中没有蕴含或学习时间或空间信息)，不同的个人预测深度学习模型的参数根据预设进行共享或部分共享或不共享；
77.每一个人的个人预测深度学习模型使用步骤：在使用时，将每一时间每一空间的每一个人的数据作为输入，通过所述每一个人的个人预测深度学习模型的计算，得到的输出作为所述每一个人的在每一时间每一空间的预测结果；
78.单时单空预测深度学习模型第一构建步骤：初始化深度学习神经网络模型作为单时单空预测深度学习模型，将每一时间每一空间的时间信息和空间信息和所有个人数据作为输入(每次输入为单个时间单个空间里的所有个人的数据、时间信息、空间信息)，将所述每一时间所述每一空间的所有个人预期结果的统计结果作为预期输出，或将所述每一时间所述每一空间的预期结果作为预期输出，对所述单时单空预测深度学习模型进行第三训练(所述单时单空预测深度学习模型都会经过多个时间多个空间样本的训练，单时单空预测深度学习模型能对某个时间某个空间进行预测)；不同的单时单空预测深度学习模型的参数根据预设进行共享或部分共享或不共享；
79.单时单空预测深度学习模型第二构建步骤：针对每一时间每一空间，将其中每一个人的个人数据作为输入(若其中有x个人，则输入x次，调用的都是同一个所述每一时间所述每一空间的个人预测深度学习模型，计算出x个特征数据)，经过所述每一时间所述每一空间的个人预测深度学习模型的计算，得到的所述每一时间所述每一空间的个人预测深度学习模型的特征数据(取最靠近输出层的隐层的输出数据作为特征数据，或取预设层数的隐层的输出数据作为特征数据)联合后作为第一预设隐层的输入(每次输入为单个时间单个空间里的所有人的特征数据)，将所述每一时间所述每一空间的所有个人的预期结果的统计结果作为预期输出，或将所述每一时间所述每一空间的预期结果作为预期输出，对所述单时单空预测深度学习模型进行第四训练；
80.单时单空预测深度学习模型第三构建步骤：针对每一时间每一空间，将其中每一个人的个人数据作为输入(若其中有x个人，则输入x次，会分别调用这x个人的个人预测深度学习模型，计算出x个特征数据)，经过所述每一个人的个人预测深度学习模型的计算，得到的所述每一个人的个人预测深度学习模型的特征数据(取最靠近输出层的隐层的输出数据作为特征数据，或取预设层数的隐层的输出数据作为特征数据)联合后作为第二预设隐层的输入 (每次输入为单个时间单个空间里的所有人的特征数据)，将所述每一时间所述每一空间的所有个人的预期结果的统计结果作为预期输出，或将所述每一时间所述每一空间的预期结果作为预期输出，对所述单时单空预测深度学习模型进行第五训练；
81.单时单空预测深度学习模型使用步骤：在使用时，每一时间每一空间的时间信息、空间信息、所有个人数据作为输入，通过所述单时单空预测深度学习模型的计算，得到的输出作为所述每一时间所述每一空间的所有个人的预期结果的统计结果，或作为所述每一时间所述每一空间的预测结果；
82.(第一训练得到的是每一时间每一空间的个人预测深度学习模型；第二次训练得到的是每一个人的个人预测深度学习模型；第三次训练得到的是每一时间所述每一空间的个人预测深度学习模型；第四训练是基于每一时间每一空间的个人预测深度学习模型进行训练得到单时单空预测深度学习模型；第五训练是基于每一个人的个人预测深度学习模型
训练得到单时单空预测深度学习模型；)
83.(每一时间每一空间的个人预测深度学习模型与每一时间每一空间的单时单空预测深度学习模型的区别在于，每一时间每一空间的个人预测深度学习模型中每次输入的样本中只有一个个人，每一时间每一空间的单时单空预测深度学习模型每次输入的样本中有该时空的所有个人)
84.训练方式第一设置步骤：第三训练和第四训练、第五训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第三训练和第四训练、第五训练得到所述单时单空预测深度学习模型；第一训练、第三训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第一训练、第三训练得到所述每一时间所述每一空间的个人预测深度学习模型；第二训练、第五训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第二训练、第五训练得到所述每一个人的个人预测深度学习模型。
85.多时多空预测深度学习模型第一构建步骤：初始化深度学习神经网络模型作为多时多空预测深度学习模型，将每m个时间每n个空间的时间信息和空间信息和所有个人数据作为输入(每次输入为每m个时间n个空间里的所有个人的数据、时间信息、空间信息)，将所述每 m个时间所述每n个空间的所有个人预期结果的统计结果作为预期输出，或将所述每m个时间所述每n个空间的预期结果作为预期输出，对所述多时多空预测深度学习模型进行第六训练(所述多时多空预测深度学习模型都会经过多次每m个时间每n个空间样本的训练，多时多空预测深度学习模型能对每m个时间每n个空间进行预测)；不同的多时多空预测深度学习模型的参数根据预设进行共享或部分共享或不共享；所述每m个时间为相邻的每m个时间；所述每n个空间为相邻的每n个空间；
86.多时多空预测深度学习模型第二构建步骤：针对每m个时间每n个空间，将所述每m个时间所述每n个空间中每一个时间每一个空间的每一个人的个人数据作为输入，通过所述每一时间所述每一空间的个人预测深度学习模型的计算，得到所述每m个时间所述每n个空间中每一个时间每一个空间的个人预测深度学习模型的特征数据(取最靠近输出层的隐层的输出数据作为特征数据，或取预设层数的隐层的输出数据作为特征数据)联合后作为第三预设隐层的输入(每次输入为每m个时间n个空间里的所有人的特征数据)，将所述每m个时间所述每n个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每m个时间所述每 n个空间的预期结果作为预期输出，对所述多时多空预测深度学习模型进行第七训练，得到所述多时多空预测深度学习模型；所述每m个时间为相邻的每m个时间；所述每n个空间为相邻的每n个空间；
87.多时多空预测深度学习模型第三构建步骤：针对每m个时间每n个空间，将所述每m个时间所述每n个空间的每一个人的个人数据作为输入，通过所述每一个人的个人预测深度学习模型的计算，得到所述每m个时间所述每n个空间的所有人中每一个人的个人预测深度学习模型的特征数据(取最靠近输出层的隐层的输出数据作为特征数据，或取预设层数的隐层的输出数据作为特征数据)联合后作为第四预设隐层的输入(每次输入为每m个时间n个空间里的所有人的特征数据)，将所述每m个时间所述每n个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每m个时间所述每n个空间的预期结果作为预期输出，对所述多时多空预测深度学习模型进行第八训练，得到所述多时多空预测深度学习模型；所述每m 个时间为相邻的每m个时间；所述每n个空间为相邻的每n个空间；
88.多时多空预测深度学习模型第四构建步骤：针对每m个时间每n个空间，将所述每m个时间所述每n个空间的单时单空预测深度学习模型的特征数据(取最靠近输出层的隐层的输出数据作为特征数据，或取预设层数的隐层的输出数据作为特征数据)联合后作为第五预设隐层的输入(每次输入为每m个时间n个空间里的所有人的特征数据)，将所述每m个时间所述每n个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每m个时间所述每 n个空间的预期结果作为预期输出，对所述多时多空预测深度学习模型进行第九训练，得到所述多时多空预测深度学习模型；所述每m个时间为相邻的每m个时间；所述每n个空间为相邻的每n个空间；
89.多时多空预测深度学习模型使用步骤：在使用时，每m个时间每n个空间的时间信息、空间信息、所有个人数据作为输入，通过所述多时多空预测深度学习模型的计算，得到的输出作为所述每m个时间所述每n个空间的所有个人的预期结果的统计结果，或作为所述每m 个时间所述每n个空间的预测结果；
90.(第六训练得到的是所述多时多空预测深度学习模型；第七训练是基于所述每一个人的个人预测深度学习模型训练得到的所述多时多空预测深度学习模型；第八训练是基于所述每一时间所述每一空间的个人预测深度学习模型训练得到的所述多时多空预测深度学习模型；第九训练是基于所述单时单空预测深度学习模型训练得到的所述多时多空预测深度学习模型；)
91.训练方式第二设置步骤：第六训练和第七训练、第八训练、第九训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第七训练、第八训练、第九训练得到所述每一时间所述每一空间的多时多空预测深度学习模型；
92.超时超空预测深度学习模型第一构建步骤：初始化深度学习神经网络模型作为超时超空预测深度学习模型，将每s*m个时间每t*n个空间的时间信息和空间信息和所有个人数据作为输入(每次输入为每s*m个时间t*n个空间里的所有个人的数据、时间信息、空间信息)，将所述每s*m个时间所述每t*n个空间的所有个人预期结果的统计结果作为预期输出，或将所述每s*m个时间所述每t*n个空间的预期结果作为预期输出，对所述超时超空预测深度学习模型进行第十训练(所述超时超空预测深度学习模型都会经过多次每s*m个时间每t*n个空间样本的训练，超时超空预测深度学习模型能对每s*m个时间每t*n个空间进行预测)；不同的超时超空预测深度学习模型的参数根据预设进行共享或部分共享或不共享；所述每s*m 个时间为相邻的每s*m个时间；所述每t*n个空间为相邻的每t*n个空间；
93.超时超空预测深度学习模型第二构建步骤：针对每s*m个时间每t*n个空间，将所述每 s*m个时间所述每t*n个空间中每一个时间每一个空间的每一个人的个人数据作为输入，通过所述每一时间所述每一空间的个人预测深度学习模型的计算，得到所述每s*m个时间所述每t*n个空间中每一个时间每一个空间的个人预测深度学习模型的特征数据(取最靠近输出层的隐层的输出数据作为特征数据，或取预设层数的隐层的输出数据作为特征数据)联合后作为第六预设隐层的输入(每次输入为每s*m个时间t*n个空间里的所有人的特征数据)，将所述每s*m个时间所述每t*n个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每s*m个时间所述每t*n个空间的预期结果作为预期输出，对所述超时超空预测深度学习模型进行第十一训练，得到所述超时超空预测深度学习模型；所述每s*m个时间为相邻的每s*m个时间；所述每t*n个空间为相邻的每t*n个空间；
94.超时超空预测深度学习模型第三构建步骤：针对每s*m个时间每t*n个空间，将所述每 s*m个时间所述每t*n个空间的每一个人的个人数据作为输入，通过所述每一个人的个人预测深度学习模型的计算，得到所述每s*m个时间所述每t*n个空间的所有人中每一个人的个人预测深度学习模型的特征数据(取最靠近输出层的隐层的输出数据作为特征数据，或取预设层数的隐层的输出数据作为特征数据)联合后作为第七预设隐层的输入(每次输入为每s*m 个时间t*n个空间里的所有人的特征数据)，将所述每s*m个时间所述每t*n个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每s*m个时间所述每t*n个空间的预期结果作为预期输出，对所述超时超空预测深度学习模型进行第十二训练，得到所述超时超空预测深度学习模型；所述每s*m个时间为相邻的每s*m个时间；所述每t*n个空间为相邻的每 t*n个空间；
95.超时超空预测深度学习模型第四构建步骤：针对每s*m个时间每t*n个空间，将所述每 s*m个时间所述每t*n个空间的单时单空预测深度学习模型的特征数据(取最靠近输出层的隐层的输出数据作为特征数据，或取预设层数的隐层的输出数据作为特征数据)联合后作为第八预设隐层的输入(每次输入为每s*m个时间t*n个空间里的所有人的特征数据)，将所述每s*m个时间所述每t*n个空间的所有个人的预期结果的统计结果作为预期输出，或将所述每s*m个时间所述每t*n个空间的预期结果作为预期输出，对所述超时超空预测深度学习模型进行第十三训练，得到所述超时超空预测深度学习模型；所述每s*m个时间为相邻的每s*m 个时间；所述每t*n个空间为相邻的每t*n个空间；
96.超时超空预测深度学习模型第五构建步骤：针对每s*m个时间每t*n个空间，将其中每个所述多时多空预测深度学习模型的特征数据(取最靠近输出层的隐层的输出数据作为特征数据，或取预设层数的隐层的输出数据作为特征数据)联合后作为第九预设隐层的输入(每次输入为每s*m个时间t*n个空间里的所有人的特征数据)，将其中所有所述每m个时间所述每n个空间的预期结果的统计结果作为预期输出，或将所述每s*m个时间所述每t*n个空间的预期结果作为预期输出，对所述超时超空预测深度学习模型进行第十四训练，得到所述超时超空预测深度学习模型；所述每s*m个时间为相邻的每s*m个时间；所述每t*n个空间为相邻的每t*n个空间；
97.超时超空预测深度学习模型使用步骤：在使用时，每s*m个时间每t*n个空间的时间信息、空间信息、所有个人数据作为输入，通过所述超时超空预测深度学习模型的计算，得到的输出作为所述每s*m个时间所述每t*n个空间的所有个人的预期结果的统计结果，或作为所述每s*m个时间所述每t*n个空间的预测结果；
98.(第十训练得到的是所述超时超空预测深度学习模型；第十一训练是基于所述每一个人的个人预测深度学习模型训练得到的所述超时超空预测深度学习模型；第十二训练是基于所述每一时间所述每一空间的个人预测深度学习模型训练得到的所述超时超空预测深度学习模型；第十三训练是基于所述单时单空预测深度学习模型训练得到的所述超时超空预测深度学习模型；第十四训练是基于所述每m时间所述每n空间的多时多空预测深度学习模型训练得到的所述超时超空预测深度学习模型；)
99.训练方式第三设置步骤：第十训练和第十一训练、第十二训练、第十三训练、第十四训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第十训练和第十一训练、第十二训练、第十三训练、第十四训练得到所述每一时间所述每一空间的超时超空
预测深度学习模型；
100.超时超空迭代步骤：将s*m作为m，将t*n作为n，将e作为s，将f作为t，执行权利要求3所述的人工智能方法中的步骤。
101.个人预测深度学习模型的输入还包括所述每一时间所述每一空间的时间信息和空间信息；个人预测深度学习模型、单时单空预测深度学习模型、多时多空预测深度学习模型相互共享输入层；(增加的这些输入信息虽然在个人预测深度学习模型的训练和使用中不起作用，但是可以实现个人预测深度学习模型、单时单空预测深度学习模型、多时多空预测深度学习模型共享输入层，但不共享输出层，但是不同输出层的输出之间可能存在着统计关系，实现了殊途同归、相互印证的奇特效果)
102.预期结果设置步骤：个人数据包括个人感染传染病的相关数据，包括个人上传的数据、个人自我检测的数据、个人在医院检测的数据；预期结果包括传染病感染风险。
103.本发明的其他实施例
104.在个人联动区域的基础上，同时考虑区域对个人的影响。仅仅从个人到区域的联动还不够，因为从区域到个人的联动也非常重要。个人的感染风险不但与个人有关，还有传染病流行情况的整体时空预测情况有关，例如，如果将来周围被感染的人很多，那么个人将来的感染风险也就提高了，所以只有将区域传染病流行情况与个人风险时空预测结合起来，才能提高个人风险时空预测的准确率，而个人风险时空预测的准确性又反过来使得区域传染病流行情况的时空预测准确率有所提高，所以两者是相互依赖和促进的关系。将个人风险时空预测与区域传染病流行情况时空预测的相互影响纳入到同一个模型中，使得两者能够相互促进，相互提高时空预测准确率。
105.个人风险时空预测模型的顶层特征数据作为区域传染病流行情况时空预测模型的输入同时也照常得到个人风险时空预测模型的输出，也就是说此时个人风险时空预测模型身兼两职，一方面作为独立的模型，一方面作为区域传染病流行情况时空预测模型的有机组成部分。此时，个人风险时空预测模型的顶层特征数据显然对区域传染病流行情况时空预测模型的预测结果有所帮助，反过来，区域传染病流行情况时空预测模型在监督训练阶段也能通过反馈来实现对个人风险时空预测模型的影响，这种影响本质上就是区域对于个人的影响。图4展示的是基于大数据深度学习的个人区域双向联动时空预测方法模型示意图。
106.基于大数据深度学习的个人区域双向联动时空预测方法模型方案的主要步骤包括：
107.从图4可以看出，只是将基于大数据深度学习的个人区域双向联动时空预测方法模型分成了低级、高级，实际上可以分为更多级，图中只是为了展示的方便，所以只画出了2级进行示意。同时只是将基于大数据深度学习的新发重大传染病流行情况的动态时空预测模型分成了低级、中级、高级，实际上也可以分为更多级，图中只是为了展示的方便，所以只画出了3 级进行示意。同时为了展示方便，图中每一级只画出了几个模型，实际上每一级的模型数可以更多(例如几十、几百、甚至几千)。图4中，每一个基于大数据深度学习的个人区域双向联动时空预测方法模型或基于大数据深度学习的新发重大传染病流行情况的动态时空预测模型或基于大数据深度学习的个人风险自助时空预测模型既可以直接通过cnn模型(直接嵌入时空) 来实现，也可以通过cnn
‑
lstm(先进行空间嵌入，再进行时间嵌入)进行
拼接来实现。
108.从图4可以看出，基于大数据深度学习的个人区域双向联动时空预测方法模型在基于大数据深度学习的个人风险自助时空预测模型和基于大数据深度学习的新发重大传染病流行情况的动态时空预测模型之间起到了承上启下、双向联动的作用和效果。
109.基于大数据深度学习的个人区域双向联动时空预测方法模型的方案主要步骤(下面为了方便介绍，只介绍代表性级别，其他级别也是同理)：
110.个人风险时空预测阶段：
111.1)将多个个人的多个空间的多个时间数据集输入到多个基于大数据深度学习的个人自助预测模型进行训练和测试。图中不同的基于大数据深度学习的个人自助预测模型的参数可以进行共享，从而提高训练的速度和效率。
112.2)将多个空间(可以为不同的空间点或区域)的多个时间(可以为不同的时点或时段) 数据集的基于大数据深度学习的个人自助预测模型的顶层特征数据输入到基于大数据深度学习的个人自助时空预测模型进行训练和测试。
113.个人区域双向联动阶段：
114.3)将多个基于大数据深度学习的个人自助时空预测模型的顶层特征数据输入到多个基于大数据深度学习的新发重大传染病的个人区域双向联动低级时空预测模型进行训练和测试。图中不同的基于大数据深度学习的新发重大传染病的个人区域双向联动低级时空预测模型的参数可以进行共享，从而提高训练的速度和效率。
115.4)将多个基于大数据深度学习的新发重大传染病的个人区域双向联动低级时空预测模型的顶层特征数据输入到多个基于大数据深度学习的新发重大传染病的个人区域双向联动高级时空预测模型进行训练和测试。
116.5)一方面，将多个基于大数据深度学习的新发重大传染病的个人区域双向联动高级时空预测模型的顶层特征数据输入到多个基于大数据深度学习的新发重大传染病流行情况的动态中级时空预测模型进行训练和测试。图中不同的基于大数据深度学习的新发重大传染病流行情况的中级动态时空预测模型的输入指标变量可以不同，而具有相同输入指标变量的基于大数据深度学习的新发重大传染病流行情况的中级动态时空预测模型的参数可以进行共享，从而提高训练的速度和效率。
117.区域传染病流行情况时空预测阶段：
118.6)另一方面，将多个时空输入数据集(这些数据集是区域传染病流行情况输入数据，不同于个人风险预测数据)输入到多个基于大数据深度学习的新发重大传染病流行情况的动态低级时空预测模型进行训练和测试。图中不同的基于大数据深度学习的新发重大传染病流行情况的低级动态时空预测模型的输入指标变量可以不同，而具有相同输入指标变量的基于大数据深度学习的新发重大传染病流行情况的低级动态时空预测模型的参数可以进行共享，从而提高训练的速度和效率。
119.然后，将多个的基于大数据深度学习的新发重大传染病流行情况的动态低级时空预测模型的顶层特征数据输入到基于大数据深度学习的新发重大传染病流行情况的动态中级时空预测模型进行训练和测试。图中不同的基于大数据深度学习的新发重大传染病流行情况的中级动态时空预测模型的输入指标变量可以不同，而具有相同输入指标变量的基于大数据深度学习的新发重大传染病流行情况的中级动态时空预测模型的参数可以进行
共享，从而提高训练的速度和效率。
120.7)将经由5和6得到的多个的基于大数据深度学习的新发重大传染病流行情况的动态中级时空预测模型的顶层特征数据输入到基于大数据深度学习的新发重大传染病流行情况的动态高级时空预测模型进行训练和测试。图中不同的基于大数据深度学习的新发重大传染病流行情况的高级动态时空预测模型的输入指标变量可以不同，而具有相同输入指标变量的基于大数据深度学习的新发重大传染病流行情况的高级动态时空预测模型的参数可以进行共享，从而提高训练的速度和效率。
121.在模型使用阶段有如下步骤：
122.8)通过基于大数据深度学习的个人区域双向联动时空预测方法模型既可以得到个人风险时空预测的结果，又可以得到各级区域的传染病流行情况时空预测结果。
123.上面各个步骤中的训练，既包括无监督训练，又包括有监督训练，在训练过程中既存在前馈又存在反馈，各基于大数据深度学习的个人区域双向联动时空预测方法模型、基于大数据深度学习的个人风险自助时空预测模型、基于大数据深度学习的新发重大传染病流行情况的动态时空预测模型及其子模型之间有着共同的部分，这些共同的部分受相互训练的共同影响，从而能相互提高、相得益彰。
124.在训练阶段，基于大数据深度学习的个人区域双向联动时空预测方法模型一方面接受基于大数据深度学习的个人风险自助时空预测模型的顶层特征数据的输入，一方面又将自身的顶层特征数据输出到基于大数据深度学习的新发重大传染病流行情况的动态时空预测模型，使得三种模型及其子模型之间可以相互连通，通过前馈和反馈训练得到双向联动的效果。
125.在训练阶段，基于大数据深度学习的个人风险自助时空预测模型、基于大数据深度学习的新发重大传染病流行情况的动态时空预测模型可以分别基于个人数据和区域数据进行训练，同时，基于大数据深度学习的个人风险自助时空预测模型、基于大数据深度学习的新发重大传染病流行情况的动态时空预测模型又可以通过基于大数据深度学习的个人区域双向联动时空预测方法模型的桥接来进行联动训练，进而通过分别训练可以加快收敛速度，通过集成训练可以相互促进和提高个人风险与区域传染病流行情况时空预测的准确率。
126.以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，则对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。