新增病例数量生成方法、装置、服务器及存储介质与流程

1.本技术涉及医疗人工智能技术领域，尤其涉及一种新增病例数量生成方法、装置、服务器及存储介质。


背景技术：

2.近年来，通过传染病仿真模型可以在疾病预测、预防和控制方面提供重要的支持作用，帮助决策者更好地应对传染病的威胁。而现有的传染病的仿真方法，往往采用单一的基于时间序列的仿真，比如seir模型，但传染病的扩散和发展往往是动态变化的，采用时间作为单一维度的仿真在疾病预测、预防和控制方面的准确性与真实情况仍有一定的偏差。


技术实现要素：

3.本技术公开的一种新增病例数量生成方法、装置、服务器及存储介质，解决现有的基于时间作为单一维度的传染病模型的仿真存在真实性较差的问题。
4.第一方面，本技术提供了一种新增病例数量生成方法，包括：
5.从传染病病例库中获取第一预设时间范围的病例信息，所述病例信息包括病例特征以及所述第二预设时间范围的预设新增病例数量，将所述病例特征作为训练样本；其中，所述第二预设时间范围在所述第一预设时间范围之后；
6.将所述训练样本输入待训练的数量生成模型，所述数量生成模型根据所述病例特征生成所述第二预设时间范围的预测新增病例数量，计算所述预测新增病例数量与所述预设新增病例数量的损失函数；
7.若所述损失函数满足预设收敛条件，停止训练，得到数量生成模型，所述数量生成模型用于生成所述新增病例数量。
8.第二方面，本技术提供了一种新增病例数量生成装置，包括：
9.病例获取模块，用于从传染病病例库中获取第一预设时间范围的病例信息，所述病例信息包括病例特征以及所述第二预设时间范围的预设新增病例数量，将所述病例特征作为训练样本；其中，所述第二预设时间范围在所述第一预设时间范围之后；
10.损失计算模块，用于将所述训练样本输入待训练的数量生成模型，所述数量生成模型根据所述病例特征生成所述第二预设时间范围的预测新增病例数量，计算所述预测新增病例数量与所述预设新增病例数量的损失函数；
11.模型获得模块，用于若所述损失函数满足预设收敛条件，停止训练，得到数量生成模型，所述数量生成模型用于生成所述新增病例数量。
12.第三方面，本技术提供了一种服务器，所述服务器包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，所述存储器存储有策略模型，其中所述计算机程序被所述处理器执行时，实现如本技术任一项实施例所提供的新增病例数量生成方法。
13.第四方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质上
存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如本技术任一项实施例所提供的新增病例数量生成方法。
14.本技术实施例提供了一种新增病例数量生成方法、装置、服务器及存储介质，通过从传染病病例库中获取第一预设时间范围的病例信息，病例信息包括病例特征以及在第一预设时间范围之后的第二预设时间范围的预设新增病例数量，将病例特征作为训练样本输入待训练的数量生成模型，数量生成模型根据病例特征生成第二预设时间范围的预测新增病例数量，计算预测新增病例数量与预设新增病例数量的损失函数直至损失函数满足预设收敛条件，停止训练，得到用于生成新增病例数量的数量生成模型。采用所提供的新增病例数量生成方法，通过由第一预设时间范围的病例特征对之后第二预设时间范围的新增病例数量进行预测，进而实现基于传染病的历史时空聚集性数据生成未来传染病的时空发展趋势，且所训练得到的数量生成模型对输入特征无要求，大幅提升了模型的灵活性。
15.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
16.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1是本技术一实施例提供的一种新增病例数量生成方法的步骤示意流程图；
18.图2是本技术实施例提供的另一种新增病例数量生成方法的步骤示意流程图；
19.图3是本技术实施例提供的一种预测新增病例数量的获取方法的步骤示意流程图；
20.图4是本技术实施例提供的一种数量生成模型的结构示意框图；
21.图5是本技术实施例提供的一种新增病例数量生成装置的结构示意图；
22.图6是本技术的实施例提供的一种计算机设备的结构示意性框图。
23.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
具体实施方式
24.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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他实施例，都属于本技术保护的范围。
25.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
26.应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下
文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
27.应当理解，为了便于清楚描述本技术实施例的技术方案，在本技术的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如，第一预设时间范围和第二预设时间范围仅仅是为了区分不同的预设时间范围，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
28.还应当进理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
29.为便于理解本技术实施例，下面对本技术实施例中涉及到的一些词汇作简单说明。
30.1.扩散模型(difussion model)：扩散模型的灵感来自于非平衡热力学。定义了一个扩散步骤的马尔可夫链(当前状态只与上一时刻的状态有关)，慢慢地向真实数据中添加随机噪声(前向过程)，然后学习反向扩散过程(逆扩散过程)，从噪声中构建所需的数据样本。
31.2.循环神经网络(recurrent neural network,rnn)：rnn是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。
32.循环神经网络具有记忆性、参数共享并且图灵完备(turing completeness)，因此在对序列的非线性特征进行学习时具有一定优势。循环神经网络在自然语言处理(natural language processing,nlp)，例如语音识别、语言建模、机器翻译等领域有应用，也被用于各类时间序列预报。引入了卷积神经网络(convolutional neural network,cnn)构筑的循环神经网络可以处理包含序列输入的计算机视觉问题。
33.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
34.对传染病的预测能够针对性对病毒的传播进行抑制，降低病毒造成的损害。现有的传染病的仿真方法，往往采用单一的基于时间序列的仿真，比如seir模型，但传染病的扩散和发展往往是动态变化的，采用时间作为单一维度的仿真在疾病预测、预防和控制方面的准确性与真实情况仍有一定的偏差。
35.为解决上述问题，本技术实施例提出了一种新增病例数量生成方法。请参阅图1，图1是本技术一实施例提供的一种新增病例数量生成方法的步骤示意流程图。
36.如图1所示，所提的新增病例数量生成方法包括步骤s101至s103。
37.s101.从传染病病例库中获取第一预设时间范围的病例信息，病例信息包括病例特征以及第二预设时间范围的预设新增病例数量，将病例特征作为训练样本；其中，第二预设时间范围在第一预设时间范围之后。
38.具体地，通过在传染病病例库中获取第一预设时间范围的病例信息，例如获取a地区在2023年4月份的病例信息，其中病例信息包括病例特征以及第二预设时间范围的新增病例数量，例如包括a地区2023年4月份的每日新增病例人数以及2023年5月1日至5月7日的新增病例数量。通过将第一预设时间范围的病例信息作为训练样本，能够将传染病的时间信息与空间信息建立联系，进而提取出病例特征中的抽象信息提高待训练的数量生成模型
对未来时空趋势推演的能力。
39.在一些实施例中，病例特征包括在传染病的历史流行信息、气象信息、人口信息以及区域的防控信息；从传染病病例库中获取第一预设时间范围的病例信息，包括：从传染病病例库中获取预设区域在第一预设时间范围的传染病的历史流行信息、气象信息、人口信息、防控信息以及所述第二预设时间范围的预设新增病例数量。通过获取传染病的历史流行信息、气象信息、人口信息以及区域的防控信息使得后续待训练的数量生成模型能在病例特征中学习到对应的抽象特征。
40.在一些实施例中，第一预设时间范围的时长为30天，第二时间范围的时长为7天；从传染病病例库中获取第一预设时间范围的病例信息，包括：通过30天作为时长，在传染病病例库中获取第一预设时间范围的病例信息，病例信息包括病例特征以及所述第二预设时间范围的预设新增病例数量；其中，第二预设时间范围为所述第一预设时间范围之后的7天。
41.通过将第一预设时间范围设置为30天，而第二预设时间范围为第一预设范围之后的七天，进而确定待训练的数量生成模型用于根据过去30天的病例特征对未来7天的新增病例数量进行精确预测。
42.s102.将训练样本输入待训练的数量生成模型，数量生成模型根据病例特征生成第二预设时间范围的预测新增病例数量，计算预测新增病例数量与预设新增病例数量的损失函数。
43.通过将病例特征输入待训练的数量生成模型，数量生成模型能够根据病例特征生成第二预设时间范围的预测新增病例数量，例如生成第一预设时间范围之后7天的预测新增病例数量，根据待训练的数量生成模型生成的预测新增病例数量与传染病病例库中获取的病例特征对应的预设新增病例数量计算损失函数，以确认所生成的预测新增病例数量的准确性。
44.在一些实施例中，损失函数为交叉熵损失函数。如图2所示，图2是本技术实施例提供的另一种新增病例数量生成方法的步骤示意流程图。与图1所提供的步骤不同的是，图2所提供的步骤包括步骤s102a。
45.s102a.将训练样本输入待训练的数量生成模型，数量生成模型根据病例特征生成第二预设时间范围的预测新增病例数量，计算预测新增病例数量与所述预设新增病例数量的交叉熵损失函数，用于在所述交叉熵损失函数值收敛时得到所述数量生成模型。
46.通过计算数量生成模型生成的预测新增病例数量与在传染病病例库中获取的病例特征对应的预设新增病例数量的交叉熵损失函数，例如tanh、sigmoid、softmax或relu等类型的交叉熵损失函数，能够对数量生成模型的训练效果进行准确衡量。
47.s103.若损失函数满足预设收敛条件，停止训练，得到数量生成模型，数量生成模型用于生成新增病例数量。
48.具体地，当损失函数满足预设收敛条件，例如损失函数值小于预设值时，完成对数量生成模型的训练。所得到的数量生成模型能基于传染病的历史时空聚集性数据生成未来传染病的时空发展趋势。提出的架构可以应用于传染病的时空趋势预测，且所训练得到的数量生成模型对输入特征无要求，大幅提升了模型的灵活性。
49.在一些实施例中，数量生成模型包括编码器、预设卷积神经网络和解码器。如图3
所示，图3是本技术实施例提供的一种预测新增病例数量的获取方法的步骤示意流程图。
50.如图3所示，所提供预测新增病例数量的获取方法包括步骤s201至s203。
51.s201.将所述训练样本输入至所述编码器中，获取第一编码信息以及参数信息。
52.s202.将第一编码信息输入至预设卷积神经网络，获取第二编码信息。
53.s203.将第二编码信息和参数信息输入至解码器，获取第二预设时间范围的预测新增病例数量。
54.通过将训练样本输入至编码器，对病例特征进行编码，获取预设卷积神经网络可识别的第一编码信息和病例特征在隐变量空间的高斯分布，对该高斯分布进行采样获取病例特征在隐变量空间的参数信息。第一编码信息输入至预设卷积神经网络，获取第二编码信息与隐变量空间的参数信息共同输入至解码器中，解码获取第二预设时间范围的预测新增病例数量，进而实现基于传染病的历史时空聚集性数据生成未来传染病的时空发展趋势。
55.示例性的，预设卷积神经网络包括扩散模型。请参照图4，图4是本技术实施例提供的一种数量生成模型的结构示意框图。如图4所示，将第一编码信息输入至预设卷积神经网络，第二编码信息，包括：将第一编码信息输入至扩散模型，扩散模型按照预设次数在第一编码信息中加入高斯噪声获取第三编码信息，扩散模型再对第三编码信息进行去噪，获取第二编码信息。
56.如图4所示，通过采用预设次数为10的10步u-net网络作为扩散模型，扩散模型对输入的第一编码信息逐次添加高斯噪声至成为随机噪声之后，再进行去噪能够获取对应的第二编码信息。进而通过将病例特征对应的第一编码信息作为原始信息映射到高维向量以提取特征，并在这些向量上执行机器学习任务，采用该方法在信息生成的任务中表现优异。应用扩散模型进行信息生成可以仿真模拟传染病未来的时空发展趋势。
57.示例性的，编码器的包括多层循环神经网络；将训练样本输入至编码器中，获取第一编码信息以及参数信息，包括：将所述训练样本输入至所述多层循环神经网络，所述循环神经网络对所述训练样本进行非线性变换处理，获取所述第一编码信息以及参数信息。
58.通过采用多层循环神经网络作为编码器的结构，例如5层的循环神经网络，循环神经网络内部对输入的病例特征进行非线性变换处理后可以得到预设卷积神经网络可识别的编码信息和在隐变量空间的高斯分布，通过对此分布进行采样得到参数信息。进而实现基于传染病的历史时空聚集性数据的解析。
59.需要说明的是，在一些实施例中，解码器与编码器结构相同，也采用多层循环神经网络作为解码器的结构，完成对未来传染病趋势的预测。
60.本技术提供了一种新增病例数量生成方法，采用所提供的新增病例数量生成方法，通过由第一预设时间范围的病例特征对之后第二预设时间范围的新增病例数量进行预测，进而实现基于传染病的历史时空聚集性数据生成未来传染病的时空发展趋势，且所训练得到的数量生成模型对输入特征无要求，大幅提升了模型的灵活性。
61.如图5所示，图5是本技术实施例提供的一种新增病例数量生成装置的结构示意图，该新增病例数量生成装置用于执行前述的新增病例数量生成方法。其中，该新增病例数量生成装置可以配置于终端或服务器。
62.如图5所示，该新增病例数量生成装置100，包括病例获取模块101、损失计算模块
102以及模型获得模块103。
63.病例获取模块101，用于从传染病病例库中获取第一预设时间范围的病例信息，所述病例信息包括病例特征以及所述第二预设时间范围的预设新增病例数量，将所述病例特征作为训练样本；其中，所述第二预设时间范围在所述第一预设时间范围之后。
64.损失计算模块102，用于将所述训练样本输入待训练的数量生成模型，所述数量生成模型根据所述病例特征生成所述第二预设时间范围的预测新增病例数量，计算所述预测新增病例数量与所述预设新增病例数量的损失函数。
65.模型获得模块103，用于若所述损失函数满足预设收敛条件，停止训练，得到数量生成模型，所述数量生成模型用于生成所述新增病例数量。
66.在一些实施例中，该新增病例数量生成装置100还可以包括：病例预测模块104、编码获取模块105、参数获取模块106、收敛计算模块107、信息获取模块108以及时长确定模块109。
67.病例预测模块104，用于将所述训练样本输入至所述编码器中，获取第一编码信息以及参数信息；将所述第一编码信息输入至所述预设卷积神经网络，获取第二编码信息；将所述第二编码信息和参数信息输入至所述解码器，获取所述第二预设时间范围的预测新增病例数量。
68.编码获取模块105，用于将所述第一编码信息输入至所述扩散模型，所述扩散模型按照预设次数在所述第一编码信息中加入高斯噪声获取第三编码信息，所述扩散模型再对所述第三编码信息进行去噪，获取所述第二编码信息。
69.参数获取模块106，用于将所述训练样本输入至所述多层循环神经网络，所述循环神经网络对所述训练样本进行非线性变换处理，获取所述第一编码信息以及参数信息。
70.收敛计算模块107，用于计算所述预测新增病例数量与所述预设新增病例数量的交叉熵损失函数，用于在所述交叉熵损失函数值收敛时得到所述数量生成模型。
71.信息获取模块108，用于从所述传染病病例库中获取预设区域在所述第一预设时间范围的传染病的历史流行信息、气象信息、人口信息、防控信息以及所述第二预设时间范围的预设新增病例数量。
72.时长确定模块109，用于通过30天作为时长，在所述传染病病例库中获取第一预设时间范围的病例信息，所述病例信息包括病例特征以及所述第二预设时间范围的预设新增病例数量；其中，所述第二预设时间范围为所述第一预设时间范围之后的7天。
73.需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
74.上述的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图6所示的计算机设备上运行。
75.请参阅图6，图6是本技术的实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器。参阅图6，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。
76.非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种新增病例数量生成方法。
77.处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
78.内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种新增病例数量生成方法。
79.该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
80.应当理解的是，处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal 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、分立硬件组件等。其中，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。
81.其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
82.从传染病病例库中获取第一预设时间范围的病例信息，所述病例信息包括病例特征以及所述第二预设时间范围的预设新增病例数量，将所述病例特征作为训练样本；其中，所述第二预设时间范围在所述第一预设时间范围之后。
83.将所述训练样本输入待训练的数量生成模型，所述数量生成模型根据所述病例特征生成所述第二预设时间范围的预测新增病例数量，计算所述预测新增病例数量与所述预设新增病例数量的损失函数。
84.若所述损失函数满足预设收敛条件，停止训练，得到数量生成模型，所述数量生成模型用于生成所述新增病例数量。
85.在一些实施例中，所述数量生成模型包括编码器、预设卷积神经网络和解码器；所述将所述训练样本输入待训练的数量生成模型，所述数量生成模型根据所述病例特征生成所述第二预设时间范围的预测新增病例数量，处理器还用于实现：将所述训练样本输入至所述编码器中，获取第一编码信息以及参数信息；将所述第一编码信息输入至所述预设卷积神经网络，获取第二编码信息；将所述第二编码信息和参数信息输入至所述解码器，获取所述第二预设时间范围的预测新增病例数量。
86.在一些实施例中，所述预设卷积神经网络包括扩散模型；所述将所述第一编码信息输入至所述预设卷积神经网络，获取第二编码信息，处理器还用于实现：将所述第一编码信息输入至所述扩散模型，所述扩散模型按照预设次数在所述第一编码信息中加入高斯噪声获取第三编码信息，所述扩散模型再对所述第三编码信息进行去噪，获取所述第二编码信息。
87.在一些实施例中，所述编码器的包括多层循环神经网络；所述将所述训练样本输入至所述编码器中，获取第一编码信息以及参数信息，处理器还用于实现：将所述训练样本输入至所述多层循环神经网络，所述循环神经网络对所述训练样本进行非线性变换处理，获取所述第一编码信息以及参数信息。
88.在一些实施例中，所述损失函数为交叉熵损失函数；所述计算所述预测新增病例
数量与所述预设新增病例数量的损失函数，处理器还用于实现：计算所述预测新增病例数量与所述预设新增病例数量的交叉熵损失函数，用于在所述交叉熵损失函数值收敛时得到所述数量生成模型。
89.在一些实施例中，所述病例特征包括在传染病的历史流行信息、气象信息、人口信息以及区域的防控信息；所述从传染病病例库中获取第一预设时间范围的病例信息，处理器还用于实现：从所述传染病病例库中获取预设区域在所述第一预设时间范围的传染病的历史流行信息、气象信息、人口信息、防控信息以及所述第二预设时间范围的预设新增病例数量。
90.在一些实施例中，所述第一预设时间范围的时长为30天，所述第二时间范围的时长为7天；所述从传染病病例库中获取第一预设时间范围的病例信息，处理器还用于实现：通过30天作为时长，在所述传染病病例库中获取第一预设时间范围的病例信息，所述病例信息包括病例特征以及所述第二预设时间范围的预设新增病例数量；其中，所述第二预设时间范围为所述第一预设时间范围之后的7天。
91.本技术的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本技术实施例提供的任一项新增病例数量生成方法。
92.其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
93.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种新增病例数量生成方法，其特征在于，包括：从传染病病例库中获取第一预设时间范围的病例信息，所述病例信息包括病例特征以及所述第二预设时间范围的预设新增病例数量，将所述病例特征作为训练样本；其中，所述第二预设时间范围在所述第一预设时间范围之后；将所述训练样本输入待训练的数量生成模型，所述数量生成模型根据所述病例特征生成所述第二预设时间范围的预测新增病例数量，计算所述预测新增病例数量与所述预设新增病例数量的损失函数；若所述损失函数满足预设收敛条件，停止训练，得到数量生成模型，所述数量生成模型用于生成所述新增病例数量。2.根据权利要求1所述的方法，其特征在于，所述数量生成模型包括编码器、预设卷积神经网络和解码器；所述将所述训练样本输入待训练的数量生成模型，所述数量生成模型根据所述病例特征生成所述第二预设时间范围的预测新增病例数量，包括：将所述训练样本输入至所述编码器中，获取第一编码信息以及参数信息；将所述第一编码信息输入至所述预设卷积神经网络，获取第二编码信息；将所述第二编码信息和参数信息输入至所述解码器，获取所述第二预设时间范围的预测新增病例数量。3.根据权利要求2所述的方法，其特征在于，所述预设卷积神经网络包括扩散模型；所述将所述第一编码信息输入至所述预设卷积神经网络，获取第二编码信息，包括：将所述第一编码信息输入至所述扩散模型，所述扩散模型按照预设次数在所述第一编码信息中加入高斯噪声获取第三编码信息，所述扩散模型再对所述第三编码信息进行去噪，获取所述第二编码信息。4.根据权利要求2所述的方法，其特征在于，所述编码器的包括多层循环神经网络；所述将所述训练样本输入至所述编码器中，获取第一编码信息以及参数信息，包括：将所述训练样本输入至所述多层循环神经网络，所述循环神经网络对所述训练样本进行非线性变换处理，获取所述第一编码信息以及参数信息。5.根据权利要求1所述的方法，其特征在于，所述损失函数为交叉熵损失函数；所述计算所述预测新增病例数量与所述预设新增病例数量的损失函数，包括：计算所述预测新增病例数量与所述预设新增病例数量的交叉熵损失函数，用于在所述交叉熵损失函数值收敛时得到所述数量生成模型。6.根据权利要求1所述的方法，其特征在于，所述病例特征包括在传染病的历史流行信息、气象信息、人口信息以及区域的防控信息；所述从传染病病例库中获取第一预设时间范围的病例信息，包括：从所述传染病病例库中获取预设区域在所述第一预设时间范围的传染病的历史流行信息、气象信息、人口信息、防控信息以及所述第二预设时间范围的预设新增病例数量。7.根据权利要求1所述的方法，其特征在于，所述第一预设时间范围的时长为30天，所述第二时间范围的时长为7天；所述从传染病病例库中获取第一预设时间范围的病例信息，包括：通过30天作为时长，在所述传染病病例库中获取第一预设时间范围的病例信息，所述病例信息包括病例特征以及所述第二预设时间范围的预设新增病例数量；其中，所述第二
预设时间范围为所述第一预设时间范围之后的7天。8.一种新增病例数量生成装置，其特征在于，包括：病例获取模块，用于从传染病病例库中获取第一预设时间范围的病例信息，所述病例信息包括病例特征以及所述第二预设时间范围的预设新增病例数量，将所述病例特征作为训练样本；其中，所述第二预设时间范围在所述第一预设时间范围之后；损失计算模块，用于将所述训练样本输入待训练的数量生成模型，所述数量生成模型根据所述病例特征生成所述第二预设时间范围的预测新增病例数量，计算所述预测新增病例数量与所述预设新增病例数量的损失函数；模型获得模块，用于若所述损失函数满足预设收敛条件，停止训练，得到数量生成模型，所述数量生成模型用于生成所述新增病例数量。9.一种服务器，其特征在于，所述服务器包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，所述存储器存储有策略模型，其中所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一项所述的新增病例数量生成方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的新增病例数量生成方法。

技术总结
本申请实施例提供了一种新增病例数量生成方法、装置、服务器及存储介质，解决现有的基于时间的传染病模型的仿真真实性较差的问题。通过获取第一预设时间范围的病例信息，病例信息包括病例特征以及在第一预设时间范围之后的第二预设时间范围的预设新增病例数量，将病例特征作为训练样本输入待训练的数量生成模型，以根据病例特征生成第二预设时间范围的预测新增病例数量，计算预测新增病例数量与预设新增病例数量的损失函数直至损失函数满足预设收敛条件，停止训练，得到用于生成新增病例数量的数量生成模型。实现基于传染病的历史时空聚集性数据生成未来传染病的时空发展趋势。空聚集性数据生成未来传染病的时空发展趋势。空聚集性数据生成未来传染病的时空发展趋势。


技术研发人员：张渊
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.06.30
技术公布日：2023/9/23