预测方法及其模型的训练方法、装置、设备及存储介质与流程

1.本技术涉及人工智能技术领域，特别是涉及一种预测方法及其模型的训练方法、装置、设备及存储介质。


背景技术：

2.近年来，随着神经网络、深度学习等人工智能技术的发展，人工智能技术相较于传统人工具有高效、稳定等优异性能，开始广泛应用于诸如医疗、安防、家电、物流等行业。
3.在社会生活中，往往存在着各种目标事件需要对其进行预测。以流行病为例，流行病预测是一项重要的课题，例如在北半球温带地区，每年冬天爆发的流感都会给人类社会带来了沉重的健康负担和经济负担，由于流感病毒的变异，造成每年的疫苗都会产生变化，从而导致了疫苗生产厂商必须在很短的时间内生产出足够的疫苗，来应对每年的流感爆发。此外，由于流感治疗的特殊性、流感病床的动态分配也是一个艰难的课题。有鉴于此，如何准确地对目标事件进行预测成为亟待解决的问题。


技术实现要素：

4.本技术提供一种预测方法及其模型的训练方法、装置、设备及存储介质。
5.本技术第一方面提供了一种预测方法，所述方法包括：获取目标时间节点关于所述目标事件的特征数据；获取所述目标时间节点与至少一个参考时间节点之间的特征相关度；基于所述特征相关度、所述目标时间节点关于所述目标事件的特征数据和所述参考时间节点关于所述目标事件的特征数据，得到所述目标时间节点关于所述目标事件的预测结果。
6.因此，通过获取目标时间节点与至少一个参考时间节点之间的特征相关度，可以基于特征相关度、目标时间节点关于目标事件的特征数据和参考时间节点关于目标事件的特征数据，得到与目标时间节点相似的参考时间节点，从而可以参考历史上相似的参考时间节点的流行病人数变化，来得到目标时间节点关于目标事件的预测结果，从而提高了对目标事件的预测的准确度和可解释性。
7.其中，所述获取所述目标时间节点与至少一个参考时间节点之间的特征相关度，包括：基于所述目标时间节点和每个参考时间节点之间的所述特征数据的相似度，确定所述目标时间节点与每个参考时间节点之间的特征相关度。
8.因此，通过获取目标时间节点和每个参考时间节点之间的特征数据的相似度，可以确定目标时间节点与每个参考时间节点之间的特征相关度，于是可以得到与目标时间节点相似的参考时间节点，从而可以参考历史上相似的参考时间节点的流行病人数变化，来得到目标时间节点关于目标事件的预测结果。
9.其中，所述基于所述特征相关度、所述目标时间节点关于所述目标事件的特征数据和所述参考时间节点关于所述目标事件的特征数据，得到所述目标时间节点关于所述目标事件的预测结果，包括：利用所述特征相关度，得到每个参考时间节点的权重；基于所述
权重对所述目标时间节点的所述特征数据和所述参考时间节点的所述特征数据进行融合，得到融合特征数据；基于所述融合特征数据，得到所述目标时间节点关于所述目标事件的预测结果。
10.因此，通过目标时间节点与参考时间节点之间的特征相关度，可以得到每个参考时间节点的权重，基于权重可以对目标时间节点的特征数据和参考时间节点的特征数据进行融合，得到融合特征数据，进而可以得到目标时间节点关于目标事件的预测结果，使得在预测目标时间节点关于目标事件的结果时，参考了历史上相似的时间节点，从而得到更准确的预测结果。
11.其中，在所述获取所述目标时间节点与所述参考时间节点之间的特征相关度之后，所述方法还包括：利用预测模型基于所述特征相关度构建所述目标时间节点与参考时间节点之间的邻接矩阵，其中，所述邻接矩阵中所述目标时间节点与所述参考时间节点之间的相邻关系是基于所述特征相关度确定的；所述利用所述特征相关度，得到每个参考时间节点的权重，包括：利用所述预测模型的图神经网络对所述邻接矩阵进行分析，得到每个参考时间节点的权重。
12.因此，通过目标时间节点与参考时间节点之间的特征相关度，可以构建目标时间节点与参考时间节点之间的邻接矩阵，于是根据目标时间节点与参考时间节点之间的邻接矩阵，可以得到每个参考时间节点的权重，从而实现基于权重对目标时间节点的特征数据和参考时间节点的特征数据进行融合，得到融合特征数据，进而可以得到目标时间节点关于目标事件的预测结果。
13.其中，在所述基于所述特征相关度、所述目标时间节点关于所述目标事件的特征数据和所述参考时间节点关于所述目标事件的特征数据，得到所述目标时间节点关于所述目标事件的预测结果之后，所述方法还包括：利用所述预测模型基于所述目标时间节点的特征数据对所述预测结果进行优化。
14.因此，在得到目标时间节点关于目标事件的预测结果之后，再利用预测模型基于目标时间节点的特征数据对预测结果进行优化，从而进一步提高了对目标事件的预测的准确度。
15.其中，所述基于所述目标时间节点的特征数据对所述预测结果进行优化是由所述预测模型的残差网络执行的；和/或，在所述基于所述目标时间节点的特征数据对所述预测结果进行优化之前，所述方法还包括：将所述目标时间节点的特征数据转换至第二预设维度，以用于后续对所述预测结果进行优化。
16.因此，利用残差网络对输出的预测结果和输入的目标时间节点的特征数据进行学习，可以提升预测模型的准确率，使得到的优化后的预测结果的准确度更高。
17.其中，在所述获取所述目标时间节点与所述参考时间节点之间的特征相关度之前，所述方法包括：利用预测模型分别将所述目标时间节点的所述特征数据和参考时间节点的所述特征数据转换至第一预设维度，其中，所述预设维度高于所述特征数据的原始维度。
18.因此，通过将目标时间节点的特征数据和参考时间节点的特征数据转换至高维度，所得到的的高维度向量可以用于表示目标时间节点的特征数据和参考时间节点的特征数据之间的相似程度，便于目标时间节点与对应参考时间节点之间的特征相关度的获取。
19.其中，所述获取目标时间节点关于所述目标事件的特征数据，包括：对目标时间节点关于所述目标事件的原始数据进行预处理，得到所述目标时间节点关于所述目标事件的特征数据；其中，所述预处理包括以下至少一个：在所述原始数据为非数值型数据的情况下，将所述原始数据转换为数值型数据；将所述原始数据的值域转换为预设范围。
20.因此，将非数值型数据转换为数值型数据，将原始数据的值域转换为预设范围，能够有利于使预测模型更加深入地理解数据，从而能够有利于提高预测结果的准确性。
21.其中，所述目标事件为发生预设疾病。
22.因此，通过对发生预设疾病的结果进行预测，有利于医院、疫苗生产厂商等做好对疾病的治疗和预防工作，可以提高医疗资源的使用效率。
23.为了解决上述问题，本技术第二方面提供了一种预测模型的训练方法，所述训练方法包括：获取样本时间节点关于所述目标事件的特征数据以及所述实际结果；利用预测模型获得所述样本时间节点与至少一个参考时间节点之间的特征相关度；利用所述预测模型基于所述特征相关度、所述样本时间节点关于所述目标事件的特征数据和所述参考时间节点关于所述目标事件的特征数据，得到事件预测结果，其中，所述事件预测结果包括所述样本时间节点关于所述目标事件的预测结果；基于所述样本时间节点关于所述目标事件的预测结果和实际结果，调整所述预测模型的网络参数。
24.其中，在所述利用预测模型获得所述样本时间节点与至少一个参考时间节点之间的特征相关度之前，所述方法还包括：将所述样本时间节点和至少一个参考时间节点关于所述目标事件的特征数据输入至所述预测模型；和/或，所述事件预测结果还包括所述参考时间节点关于所述目标事件的预测结果。
25.为了解决上述问题，本技术第三方面提供了一种预测装置，包括：数据获取模块，用于获取目标时间节点关于所述目标事件的特征数据；相关度获取模块，用于获取所述目标时间节点与至少一个参考时间节点之间的特征相关度；结果预测模块，用于基于所述特征相关度、所述目标时间节点关于所述目标事件的特征数据和所述参考时间节点关于所述目标事件的特征数据，得到所述目标时间节点关于所述目标事件的预测结果。
26.为了解决上述问题，本技术第四方面提供了一种预测模型的训练装置，包括：数据获取模块，用于获取样本时间节点关于所述目标事件的特征数据以及所述实际结果；相关度获取模块，用于利用预测模型获得所述样本时间节点与至少一个参考时间节点之间的特征相关度；结果预测模块，用于利用所述预测模型基于所述特征相关度、所述样本时间节点关于所述目标事件的特征数据和所述参考时间节点关于所述目标事件的特征数据，得到事件预测结果，其中，所述事件预测结果包括所述样本时间节点关于所述目标事件的预测结果；参数调整模块，用于基于所述样本时间节点关于所述目标事件的预测结果和实际结果，调整所述预测模型的网络参数。
27.为了解决上述问题，本技术第五方面提供了一种电子设备，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现上述第一方面中的预测方法，或上述第二方面中的预测模型的训练方法。
28.为了解决上述问题，本技术第六方面提供了一种计算机可读存储介质，其上存储有程序指令，所述程序指令被处理器执行时实现上述第一方面中的预测方法，或上述第二方面中的预测模型的训练方法。
29.上述方案，通过获取目标时间节点与至少一个参考时间节点之间的特征相关度，可以基于特征相关度、目标时间节点关于目标事件的特征数据和参考时间节点关于目标事件的特征数据，得到与目标时间节点相似的参考时间节点，从而可以参考历史上相似的参考时间节点的流行病人数变化，来得到目标时间节点关于目标事件的预测结果，从而提高了对目标事件的预测的准确度和可解释性。
附图说明
30.图1是本技术预测方法一实施例的流程示意图；
31.图2是图1中步骤s13一实施例的流程示意图；
32.图3是本技术预测方法另一实施例的流程示意图；
33.图4是本技术预测模型一实施例的结构示意图；
34.图5是本技术预测模型的训练方法一实施例的流程示意图；
35.图6是本技术预测装置一实施例的框架示意图；
36.图7是本技术预测模型的训练装置一实施例的框架示意图；
37.图8是本技术电子设备一实施例的框架示意图；
38.图9是本技术计算机可读存储介质一实施例的框架示意图。
具体实施方式
39.下面结合说明书附图，对本技术实施例的方案进行详细说明。
40.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本技术。
41.本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
42.可以理解的是，目标事件的结果与整个过程中的各类特征是相关的，即各类特征的具体情况会影响目标事件的最终走向。本技术中，目标事件可以为发生预设疾病，该预设疾病可以是只在某地区发生的流行病，也可以是全球性的流行病，还可以是不具有传染性的疾病。以目标事件为发生流行病为例，基于与流行病的发生相关的特征数据，利用预测模型可以得到待预测时间节点关于流行病的感染人数的预测结果。
43.请参阅图1，图1是本技术预测方法一实施例的流程示意图。具体而言，可以包括如下步骤：
44.步骤s11：获取目标时间节点关于所述目标事件的特征数据。
45.以对流行病的感染人数进行预测为例，目标时间节点为待预测的时间点或者时间段，可以是某一天、某一周或者某一个月等等。预测模型可以参考流行病的传染率、死亡率、人口基数、卫生条件、气候等因素来进行构建，即这些自然因素、社会因素是与流行病的发生相关的特征数据。
46.在一个实施场景中，上述步骤s11包括：对目标时间节点关于所述目标事件的原始数据进行预处理，得到所述目标时间节点关于所述目标事件的特征数据；其中，所述预处理
包括以下至少一个：在所述原始数据为非数值型数据的情况下，将所述原始数据转换为数值型数据；将所述原始数据的值域转换为预设范围。可以理解的是，若原始数据为非数值型数据，例如为春夏秋冬等季节特征数据，其不便于预测模型的学习和预测，因此，可以将非数值型数据通过编码转换为0、1等数值型数据；又例如，原始数据的值域较宽泛，则可以将原始数据的值域转换为预设范围，预设范围为模型易训练的范围；通过对原始数据进行预处理，能够有利于使预测模型更加深入地理解数据，从而能够有利于提高预测结果的准确性。
47.步骤s12：获取所述目标时间节点与至少一个参考时间节点之间的特征相关度。
48.步骤s13：基于所述特征相关度、所述目标时间节点关于所述目标事件的特征数据和所述参考时间节点关于所述目标事件的特征数据，得到所述目标时间节点关于所述目标事件的预测结果。
49.可以理解的是，在预测目标时间节点的流行病的走势时，除了需要考虑与目标时间节点相关的特征数据以外，还可以参考与目标时间节点的特征相关度较高的参考时间节点的特征数据，例如去年同一时间节点该流行病的发展情况，过去一段时间该流行病的走势等等；利用这些参考时间节点的特征数据进行预测，不仅能够得到预测结果，并且还可以获得判断依据，是预测结果具有较好的可解释性。
50.在一实施例中，上述步骤s12具体包括：基于所述目标时间节点和每个参考时间节点之间的所述特征数据的相似度，确定所述目标时间节点与每个参考时间节点之间的特征相关度。可以理解的是，通过获取目标时间节点和每个参考时间节点之间的特征数据的相似度，可以确定目标时间节点与每个参考时间节点之间的特征相关度，于是可以得到与目标时间节点相似的参考时间节点，从而可以参考历史上相似的参考时间节点的流行病人数变化，来得到目标时间节点关于目标事件的预测结果。
51.上述方案，通过获取目标时间节点与至少一个参考时间节点之间的特征相关度，可以基于特征相关度、目标时间节点关于目标事件的特征数据和参考时间节点关于目标事件的特征数据，得到与目标时间节点相似的参考时间节点，从而可以参考历史上相似的参考时间节点的流行病人数变化，来得到目标时间节点关于目标事件的预测结果，从而提高了对目标事件的预测的准确度和可解释性。
52.请参阅图2，图2是图1中步骤s13一实施例的流程示意图。本实施例中，上述步骤s13具体可以包括如下步骤：
53.步骤s131：利用所述特征相关度，得到每个参考时间节点的权重。
54.步骤s132：基于所述权重对所述目标时间节点的所述特征数据和所述参考时间节点的所述特征数据进行融合，得到融合特征数据。
55.步骤s133：基于所述融合特征数据，得到所述目标时间节点关于所述目标事件的预测结果。
56.可以理解的是，通过目标时间节点与参考时间节点之间的特征相关度，可以得到每个参考时间节点的权重，基于权重可以对目标时间节点的特征数据和参考时间节点的特征数据进行融合，得到融合特征数据，进而可以得到目标时间节点关于目标事件的预测结果，使得在预测目标时间节点关于目标事件的结果时，参考了历史上相似的时间节点，从而得到更准确的预测结果。
57.请参阅图3，图3是本技术预测方法另一实施例的流程示意图。具体而言，可以包括如下步骤：
58.步骤s31：获取目标时间节点关于所述目标事件的特征数据。
59.本实施例中，步骤s31与本技术上述实施例的步骤s11基本类似，此处不再赘述。
60.步骤s32：利用预测模型分别将所述目标时间节点的所述特征数据和参考时间节点的所述特征数据转换至第一预设维度。其中，所述预设维度高于所述特征数据的原始维度。
61.可以理解的是，将目标时间节点的特征数据和参考时间节点的特征数据转换至高维度，所得到的的高维度向量可以用于表示目标时间节点的特征数据和参考时间节点的特征数据之间的相似程度，便于目标时间节点与对应参考时间节点之间的特征相关度的获取。
62.步骤s33：获取所述目标时间节点与至少一个参考时间节点之间的特征相关度。
63.通过计算高维度向量之间的相似度，可以得到目标时间节点与对应参考时间节点之间的特征相关度，于是可以得到与目标时间节点相似的参考时间节点，从而可以参考历史上相似的参考时间节点的流行病人数变化，来得到目标时间节点关于目标事件的预测结果。
64.步骤s34：利用预测模型基于所述特征相关度构建所述目标时间节点与参考时间节点之间的邻接矩阵。其中，所述邻接矩阵中目标时间节点与参考时间节点之间的相邻关系是基于所述特征相关度确定的。
65.根据目标时间节点与每个参考时间节点之间的特征相关度，可以构建目标时间节点与参考时间节点之间的邻接矩阵，邻接矩阵包括顶点数据和边数据，顶点数据代表各时间节点，而顶点间的关系则由边数据表示，即由特征相关度来表示各时间节点之间的关系。
66.步骤s35：利用所述预测模型的图神经网络对所述邻接矩阵进行分析，得到每个参考时间节点的权重。
67.步骤s36：基于所述权重对所述目标时间节点的所述特征数据和所述参考时间节点的所述特征数据进行融合，得到融合特征数据。
68.步骤s37：基于所述融合特征数据，得到所述目标时间节点关于所述目标事件的预测结果。
69.于是根据目标时间节点与参考时间节点之间的邻接矩阵，可以得到每个参考时间节点的权重，基于权重可以对目标时间节点的特征数据和参考时间节点的特征数据进行融合，得到融合特征数据，进而可以得到目标时间节点关于目标事件的预测结果，使得在预测目标时间节点关于目标事件的结果时，参考了历史上相似的时间节点，从而得到更准确的预测结果。
70.步骤s38：利用所述预测模型基于所述目标时间节点的特征数据对所述预测结果进行优化。
71.在得到目标时间节点关于目标事件的预测结果之后，再利用预测模型基于目标时间节点的特征数据对预测结果进行优化，从而进一步提高了对目标事件的预测的准确度。
72.在一实施例中，上述基于所述目标时间节点的特征数据对所述预测结果进行优化是由所述预测模型的残差网络执行的。可以理解的是，残差网络可以解决随着网络的加深
而导致的分类的准确率不升反降的问题，通过残差网络，使预测模型可以只通过简单的网络深度堆叠便可达到提升准确率的效果。
73.在一实施例中，上述步骤s38之前，所述方法还包括：将所述目标时间节点的特征数据转换至第二预设维度，以用于后续对所述预测结果进行优化。具体地，上述基于融合特征数据而得到的目标时间节点关于目标事件的预测结果，为预测模型的网络中负责学习特征的部分，而将目标时间节点的特征数据转换至第二预设维度，实际相当于预测模型的输入部分，因此，残差网络负责学习的部分其实是输出的预测结果与输入的特征数据之间的差值，于是，将前面输出的预测结果通过残差网络进行优化，相较于直接学习输入可以达到更好的效果。因此，利用残差网络对输出的预测结果和输入的目标时间节点的特征数据进行学习，可以提升预测模型的准确率，使得到的优化后的预测结果的准确度更高。
74.请结合图4，图4是本技术预测模型一实施例的结构示意图。预测模型40可以包括：线性神经网络400、动态神经网络402、图神经网络404及残差网络406。
75.其中，线性神经网络400用于将目标时间节点和参考时间节点的特征数据转换至第一预设维度，其中，预设维度高于特征数据的原始维度。动态神经网络402用于获得目标时间节点与至少一个参考时间节点之间的特征相关度，并基于特征相关度构建目标时间节点与参考时间节点之间的邻接矩阵，形成虚拟图；其中，邻接矩阵中不同时间节点之间的相邻关系是基于特征相关度确定的。图神经网络404用于利用预测模型的图神经网络对邻接矩阵进行分析，得到每个时间节点的权重，并基于权重对目标时间节点和参考时间节点的特征数据进行融合，得到融合特征数据，以及基于融合特征数据，得到目标时间节点关于目标事件的预测结果。残差网络406连接线性神经网络400及图神经网络404，用于基于目标时间节点的特征数据对预测结果进行优化。
76.其中，线性神经网络400包括若干个线性单元，相邻两个线性单元之间采用非线性激活函数进行连接，将目标时间节点和参考时间节点的特征数据(t1至tn)输入线性神经网络后，利用若干个线性单元可以将原始的特征数据转换为高维空间中的向量。将线性神经网络400得到的高维向量输入动态神经网络402中，通过计算高维向量的相似度，可以得到每个时间节点的特征数据和其他时间节点的特征数据在高维空间中的相似度，于是，根据可以构建目标时间节点与参考时间节点之间的虚拟图，虚拟图具体为邻接矩阵。将线性神经网络400得到的高维向量以及动态神经网络402得到的虚拟图输入图神经网络404中，其中，图神经网络404具有若干层，图神经网络404可以根据虚拟图得到每个时间节点对应的权重，然后根据权重聚合信息，每层图神经网络404可以聚合一阶邻接矩阵的信息，于是最后一层图神经网络404输出的结果可以为一维数据，则可以表达预测的结果，例如流行病感染的预测人数。另外，通过残差网络406连接线性神经网络400及图神经网络404，将线性神经网络400得到的高维向量通过单层线性变换，映射为一维数据，可以理解的是，单层线性变换能够消除高维向量的各分量之间的相关性,从而对高维向量进行降维，然后将图神经网络404的输出结果与单层线性变换的结果相加，从而得到每个时间节点关于目标事件的最终的预测结果(y1至yn)。
77.请参阅图5，图5是本技术预测模型的训练方法一实施例的流程示意图。具体而言，可以包括如下步骤：
78.步骤s51：获取样本时间节点关于所述目标事件的特征数据以及所述实际结果。
79.步骤s52：利用预测模型获得所述样本时间节点与至少一个参考时间节点之间的特征相关度。
80.步骤s53：利用所述预测模型基于所述特征相关度、所述样本时间节点关于所述目标事件的特征数据和所述参考时间节点关于所述目标事件的特征数据，得到事件预测结果，其中，所述事件预测结果包括所述样本时间节点关于所述目标事件的预测结果。
81.步骤s54：基于所述样本时间节点关于所述目标事件的预测结果和实际结果，调整所述预测模型的网络参数。
82.本实施例中，步骤s51至步骤s53与本技术上述实施例的步骤s11至步骤s13基本类似，区别在于，为了对预测模型进行训练，除了获取样本时间节点关于目标事件的特征数据，以利用预测模型得到预测结果以外，还需要获取样本时间节点关于目标时间的实际结果，从而可以基于样本时间节点关于目标事件的预测结果和实际结果，调整预测模型的网络参数，使预测模型不断进行训练。
83.在一实施例中，在步骤s52之前，所述方法还包括：将所述样本时间节点和至少一个参考时间节点关于所述目标事件的特征数据输入至所述预测模型；和/或，所述事件预测结果还包括所述参考时间节点关于所述目标事件的预测结果。
84.可以理解的是，在对预测模型进行训练时，需要将样本时间节点和至少一个参考时间节点关于目标事件的特征数据输入至预测模型，而在得到训练后的预测模型之后，直接输入目标时间节点关于目标事件的特征数据，就能够得到目标时间节点关于目标事件的预测结果。另外，在对预测模型进行训练的过程中，同样可以得到参考时间节点关于目标事件的预测结果，于是，同样可以基于参考时间节点关于目标事件的预测结果和实际结果，来调整预测模型的网络参数，使预测模型不断进行训练。
85.请参阅图6，图6是本技术预测装置一实施例的框架示意图。预测装置60包括：数据获取模块600，用于获取目标时间节点关于所述目标事件的特征数据；相关度获取模块602，用于获取所述目标时间节点与至少一个参考时间节点之间的特征相关度；结果预测模块604，用于基于所述特征相关度、所述目标时间节点关于所述目标事件的特征数据和所述参考时间节点关于所述目标事件的特征数据，得到所述目标时间节点关于所述目标事件的预测结果。
86.上述方案，通过相关度获取模块602获取目标时间节点与至少一个参考时间节点之间的特征相关度，于是结果预测模块604可以基于特征相关度、目标时间节点关于目标事件的特征数据和参考时间节点关于目标事件的特征数据，得到与目标时间节点相似的参考时间节点，从而可以参考历史上相似的参考时间节点的流行病人数变化，来得到目标时间节点关于目标事件的预测结果，从而提高了对目标事件的预测的准确度和可解释性。
87.在一些实施例中，相关度获取模块602具体可以用于基于所述目标时间节点和每个参考时间节点之间的所述特征数据的相似度，确定所述目标时间节点与每个参考时间节点之间的特征相关度。
88.在一些实施例中，结果预测模块604具体可以用于利用所述特征相关度，得到每个参考时间节点的权重；基于所述权重对所述目标时间节点的所述特征数据和所述参考时间节点的所述特征数据进行融合，得到融合特征数据；基于所述融合特征数据，得到所述目标时间节点关于所述目标事件的预测结果。
processor,dsp)、专用集成电路(application specific integrated circuit,asic)、现场可编程门阵列(field
‑
programmable gate array,fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器82可以由集成电路芯片共同实现。
98.上述方案，处理器通过获得目标时间节点与至少一个参考时间节点之间的特征相关度，于是可以基于特征相关度、目标时间节点关于目标事件的特征数据和参考时间节点关于目标事件的特征数据，得到与目标时间节点相似的参考时间节点，从而可以参考历史上相似的参考时间节点的流行病人数变化，来得到目标时间节点关于目标事件的预测结果，从而提高了对目标事件的预测的准确度和可解释性。
99.请参阅图9，图9是本技术计算机可读存储介质一实施例的框架示意图。计算机可读存储介质90存储有能够被处理器运行的程序指令900，程序指令900用于实现上述任一预测方法实施例的步骤，或上述任一预测模型的训练方法实施例中的步骤。
100.在本技术所提供的几个实施例中，应该理解到，所揭露的方法、装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
101.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
102.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
103.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本技术各个实施方式方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。