一种温区急进寒区与气象相关疾病预测系统的制作方法

1.本发明属于气象相关疾病预测的技术领域，具体是指一种温区急进寒区与气象相关疾病预测系统。


背景技术：

2.寒区往往地理环境特殊，山系通道地形险峻，水流急且量大。年平均气温为2~6℃，极端最低气温在-23~
ꢀ‑
34℃，最高气温在34 ~38℃。气象特点表现为冬季寒冷多雪，夏季潮湿多雨，严重威胁部队官兵身体健康，容易产生疾病减员。当地主要传染病有鼠疫、森林脑炎、流行性出血热、斑疹伤寒、霍乱、莱姆病、恙虫病、婢传斑点热、钩端螺旋体病等。这些传染病有些通过动物传染，有些通过呼吸道传染，须严密防范。
3.许多执行应急任务单位驻地处于内陆温带气候地区，而任务区域却可能在高寒地区，并根据任务调整前出伴随机动，驻地与任务部署地气象条件差异明显。因此，需充分利用现代信息技术、计算机技术、人工智能技术，结合气象学、地理学和特种医学、流行病学、现代生物技术，紧盯任务形态，着眼任务需求，针对高寒地区特殊复杂战场环境集智攻关，研发温区单位急进寒区执行应急任务相关疾病预测与防治卫勤保障智能决策系统，并以点带面，尽快完善，形成高寒地区主要区域全覆盖的智能系统平台，促进卫勤保障能力的提高。
4.有对在华北地区8种自然疫源性疾病高发区进行热点区域探测的研究，分析影响不同自然疫源性疾病发病率的气象因素。该研究应用空间聚类分析方法对华北地区1994 ~2000年8种自然疫源性疾病高发区进行空间聚类分析，应用面板数据分析定量评价气象条件对肾综合征出血热等4种疾病发病率的影响。结果显示，华北地区自然疫源性疾病以肾综合征出血热、斑疹伤寒和乙脑为主，年均发病率分别为4.17/10万、2.13/10万和0.23/10万。各省市8种传染病发病率存在差异。气象因素分析显示，肾综合征出血热、斑疹伤寒发病率与平均气温呈正相关，布病的发病率与平均最高气温呈负相关，斑疹伤寒、乙脑发病率与平均相对湿度呈正相关；肾综合征出血热发病率与日照呈负相关。由此可知，华北地区8种自然疫源性疾病的分布具有显著的空间聚集性，其流行与气象条件关系密切。气温（包括气温的极值)、湿度和日照对自然疫源性疾病发病率有较大影响。
5.近年来，不少学者试图在各种气象影响因素与疾病发病率或发病人数之间建立数学模型，预测在不同的气象因素作用下疾病发病的变化规律，但这些模型存在着或是建模程序复杂，或是对数据条件限制多，或是预测准确度不够理想，或是试验环境各不相同等问题。


技术实现要素：

6.为了解决上述难题，本发明提供了一种温区急进寒区与气象相关疾病预测系统，实现的目的为根据任务部署区域要求，主要针对温区和寒区代表地市所覆盖行政地域进行研究，以温区城市为研究起点，以寒区城市研究重点，地市间连线可涵盖温区急进至寒区执
行应急任务的路线图，从而探讨气象条件对疾病发生发展的影响规律和预测防治方法，为卫勤保障提供帮助，研发智能决策系统，实现研究的产品化。
7.为实现上述目的，本发明采取的技术方案如下：一种温区急进寒区与气象相关疾病预测系统，包括气象资料收集模块、疾病类别模块、卫勤保障模块、综合数据监测模块、疾病预测模块和智能决策可视化模块，所述气象资料收集模块包括平均气温、最高气温、最低气温、相对湿度、气压、风速和降水量，所述疾病类别模块包括气象直接致病类、传染性疾病类和常见多发疾病类，所述卫勤保障模块包括人员编组、组织指挥、药品准备、设备器材、救治技术、感染控制、卫生防疫和信息管理，所述数据监测模块包括多源数据融合技术和数据清洗技术。
8.进一步地，所述气象直接致病类包括冻伤和皮炎，所述传染性疾病类包括肾综合征出血热、布鲁氏菌病、斑疹伤寒和流行性乙型脑炎，所述常见多发疾病类包括心脑血管病、消化系统病和呼吸系统病。疾病资料来源于各地市三级甲等医院、卫生健康委、疾病控制中心，数据信息包括患者性别、年龄、就诊时间、人院与出院诊断、诊疗措施等。
9.进一步地，所述多源数据融合技术指利用计算机技术对按时序获得的若干观测信息，在一定准则下加以自动分析、融合，以完成所需的决策和评估任务而进行的信息处理技术，所述多源数据融合技术包括数据层融合、特征层融合和决策层融合，所述数据层融合属于低层次的融合，它是直接在采集到的原始数据层上进行的融合，在各种数据源的原始测报未经预处理之前就进行数据的综合与分析，所述特征层融合属于中间层次的融合，它先对来自不同数据源的原始信息进行特征提取，然后对特征信息进行综合分析和处理，所述决策层融合通过不同类型的传感器观测同一个目标，每个数据源在本地完成基本的处理，其中包括预处理、特征抽取、识别或判决，以建立对所观察目标的初步结论，然后通过关联处理进行决策层融合判决，最终获得联合推断结果。分别对气象资料收集模块、疾病类别模块和卫勤保障模块的数据进行融合，即通过不同层面的融合，建立数据之间的关系，便于数据的分析与模型构建，为智能决策提供数据支撑。
10.进一步地，所述数据清洗技术指发现并纠正数据文件中可识别错误的最后一道程序，包括检查数据一致性、处理无效值和缺失值。因为数据仓库中的数据是面向某一主题的数据的集合，如气象领域数据、医学领域数据等。这些数据从多个业务系统中抽取而来，而且包含历史数据，这样就避免不了有的数据是错误数据，有的数据相互之间有冲突，这些错误的或有冲突的数据显然是我们不想要的，称为“脏数据”。按照一定的规则把“脏数据”“洗掉”，这就是数据清洗。而数据清洗的任务是过滤那些不符合要求的数据，将过滤的结果交给业务主管部门，确认是否过滤掉还是由业务单位修正之后再进行抽取。不符合要求的数据主要是有不完整的数据、错误的数据、重复的数据三大类。数据清洗是与问卷审核不同，录入后的数据清理一般是由计算机而不是人工完成。主要类型包括:残缺数据，这类数据主要是一些应该有的信息缺失，如缺失某几天的气象数据等对于这一类数据过滤出来，按缺失的内容分别写人不同excel文件向客户提交，要求在规定的时间内补全。补全后才写人数据仓库;错误数据，这一类错误产生的原因是业务系统不够健全，在接收输人后没有进行判断直接写入后台数据库造成的，比如数值数据输成全角数字字符、字符串数据后面有一个回车操作、日期格式不正确、日期越界等;重复数据，对于这一类数据——特别是二维表中会出现这种情况——将重复数据记录的所有字段导出来，让客户确认并整理。数据清洗是
一个反复的过程，不可能在几天内完成，只有不断地发现问题、解决问题。对于是否过滤，是否修正一般要求客户确认，对于过滤掉的数据，写入excel文件或将过滤数据写入数据表，在etl.开发的初期可以每天向业务单位发送过滤数据的邮件，促使他们尽快地修正错误，同时也可以作为将来验证数据的依据。数据清洗需要注意的是不要将有用的数据过滤掉，对于每个过滤规则认真进行验证，并要用户确认。在研究将气象数据和病例数据以及卫勤保障数据等进行融合，并在融合之间对数据分别通过数据清洗技术进行预处理。建立于融合和数据清洗后的数据库基础之上的预测功能在预测速度和准确度方面均可得到提升，从而提高智能决策的准确度。
11.进一步地，所述疾病预测模块由大量简单计算单元（神经元）构成的非线性系统，它在一定程度和层次上模仿了人脑神经系统的信息处理、存储及检索功能，因而具有学习、记忆和计算等智能处理功能。人工神经网络一般分为数层（输入层、输出层和隐含层)，层数越多，计算结果越精确，但所需的时间也就越长，所以实际应用将根据需求设计网络层数。
12.进一步地，所述智能决策可视化模块的可视化采用vue. js 、echarts 与gis相结合的方式。vue. js 是一个轻巧、高性能、可组件化的mvvm库，同时拥有非常容易上手的api；是一个构建数据驱动的web界面的库。vue. js是一套构建用户界面的渐进式框架。与其他重量级框架不同的是，vue采用自底向上增量开发的设计。vue 的核心库只关注视图层，并且非常容易学习，非常容易与其它库或已有项目整合。另一方面，vue 完全有能力驱动采用单文件组件和vue生态系统支持的库开发的复杂单页应用。数据驱动＋组件化的前端开发。vue. js的优势在于:一是低耦合。视图（view）可以独立于model变化和修改，一个viewmodel可以绑定到不同的“view”上，当view变化的时候model可以不变，当model变化的时候view 也可以不变。二是可重用性。可以把一些视图逻辑放在一个viewmodel里面，让很多view重用这段视图逻辑。三是独立开发。开发人员可以专注于业务逻辑和数据的开发（ view-model)，设计人员可以专注于页面设计。四是可测试。界面素来是比较难于测试的，而现在测试可以针对viewmodel来写。echarts 作为一个纯javascript 的图表库，可以流畅的运行在pc和移动设备上，兼容当前绝大部分浏览器，底层依赖轻量级的canvas类库，在进行多角度对疾病历史数据进行统计分析的基础上对统计分析结果进行了图表展示，为用户提供高质量、准确而又及时的统计数据和高层次、有一定深度、广度的统计分析报告。
13.本发明采取上述结构取得有益效果如下：本发明一种温区急进寒区与气象相关疾病预测系统，可涵盖温区、寒区不同地市气象监测和疾病监测数据，同时对两个领域的数据进行分类、抽象，从语义层对其进行融合，形成各领域数据图网络结构。该结构不只是可以使不同领域数据有机融合，还有利于提高数据的查询效率。提出基于神经网络的疾病预测模型并建立预测模型库，主要用于存储本课题中所构建的各种模型，为温区急进寒区执行应急任务时提供疾病防控的参考依据。利用智能决策机制并建成计算机决策系统，实现研究的产品化，把人们对于疾病领域相关的知识，卫勤保障相关知识进行分类、概念抽取、关系建立等，并基于知识图谱本身的推理机制，结合数据预测的结果，生成智能决策方案，提升卫勤保障能力水平。
附图说明
14.图1为一种温区急进寒区与气象相关疾病预测系统的系统框图；
图2为一种温区急进寒区与气象相关疾病预测系统的综合数据监测模块的系统框图。
15.其中，1、气象资料收集模块，2、疾病类别模块，3、卫勤保障模块，4、综合数据监测模块，5、疾病预测模块，6、智能决策可视化模块，7、多源数据融合技术，8、数据清洗技术。
具体实施方式
16.下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
17.如图1-2所述，一种温区急进寒区与气象相关疾病预测系统，包括气象资料收集模块1、疾病类别模块2、卫勤保障模块3、综合数据监测模块4、疾病预测模块5和智能决策可视化模块6，所述气象资料收集模块1包括平均气温、最高气温、最低气温、相对湿度、气压、风速和降水量，所述疾病类别模块2包括气象直接致病类、传染性疾病类和常见多发疾病类，所述卫勤保障模块3包括人员编组、组织指挥、药品准备、设备器材、救治技术、感染控制、卫生防疫和信息管理，所述数据监测模块包括多源数据融合技术7和数据清洗技术8。
18.所述气象直接致病类包括冻伤和皮炎，传染性疾病类包括肾综合征出血热、布鲁氏菌病、斑疹伤寒和流行性乙型脑炎，常见多发疾病类包括心脑血管病、消化系统病和呼吸系统病。
19.所述多源数据融合技术7包括数据层融合、特征层融合和决策层融合，所述数据层融合属于低层次的融合，所述特征层融合属于中间层次的融合，所述决策层融合包括预处理、特征抽取、识别和判决。
20.所述数据清洗技术8包括检查数据一致性、处理无效值和缺失值。
21.所述智能决策可视化模块6的可视化采用vue. js 和echarts结合的方式。
22.具体使用时，首先通过气象资料收集模块1、疾病类别模块2和卫勤保障模块3收集一定的数据，经过数据清洗技术8发现并纠正数据文件数据一致性并处理无效值和缺失值，之后经过多源数据融合技术7对按时序获得的若干观测信息，在一定准则下加以自动分析、融合，以完成所需的决策和评估任务，采集到综合数据监测模块4内，之后再利用疾病预测模块5中大量简单计算单元（神经元）构成的非线性系统，它在一定程度和层次上模仿了人脑神经系统的信息处理、存储及检索功能，因而具有学习、记忆和计算等智能处理功能，最后采用vue. js 和echarts相结合的方式将智能决策可视化处理。
23.以上对本发明及其实施方式进行了描述，这种描述没有限制性，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。