龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：北京航空航天大学
摘要：本发明公开了基于深度学习显著性检验的城市传染病预测分析方法，包括：获取目标城市路网结构和历史时刻的传染病数据；使用图神经网络和序列学习技术进行特征提取和时空依赖性建模；采用编码器‑解码器架构生成预测结果的均值和方差；通过变分推断训练贝叶斯神经网络拟合真实数据关系；使用全贝叶斯显著性检验方法识别关键影响因素，增强模型解释性。该方法通过使用贝叶斯神经网络，能够以概率分布的形式表示模型参数，更灵活地适应传染病传播的不确定性。并可以捕捉传染病在城市空间中的传播模式，提高预测的空间分辨率。该方法能够识别对预测有显著影响的输入特征，能够识别关键的传染病影响因素，增强模型的可解释性。
主权项：1.基于深度学习显著性检验的城市传染病预测分析方法，其特征在于，包括以下步骤：S1、获取目标城市路网结构和历史时刻的传染病数据；S2、从贝叶斯视角建模城市传染病预测模型，将获取的数据传入基于图神经网络和序列学习技术的编码器，编码器采用扩散卷积递归层堆叠的神经网络进行特征提取；编码器的输出分别输入到两个解码器中，用于分别建模城市传染病预测的均值和方差，其中，建模城市传染病预测的方差表示了数据随机性；S3、通过变分推断优化贝叶斯神经网络的参数，使其逼近真实数据关系；训练完成贝叶斯神经网络后，基于参数的后验概率分布进行全贝叶斯显著性检验流程；S4、在进行显著性检验时，从贝叶斯神经网络中采样得到参数的样本，计算检验统计量的值；通过核密度估计方法得到检验统计量的概率密度函数；S5、根据全贝叶斯显著性检验的计算公式，判断各个输入特征对于预测结果的重要性，识别关键影响因素，从而增强模型的可解释性。
全文数据：
权利要求：
百度查询： 北京航空航天大学 基于深度学习显著性检验的城市传染病预测分析方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号