基于多级时空大数据深度学习的动态级联时空预测方法

摘要

基于多级时空大数据深度学习的动态级联时空预测方法，包括：获取单时单空变量集合步骤；初始化单时单空模型步骤；单时单空模型训练步骤；同变量单时单空模型迁移步骤；单时单空模型使用步骤。上述方法、系统和机器人，通过获取相同输入变量和相同输出变量的已经训练完成的时空预测深度学习模型来作为尚未训练的时空预测深度学习模型的初始模型，是一种创新的迁移学习，能够充分已有时空深度学习模型的训练成果，充分利用了时空之间的相似性来提升时空深度学习模型训练的效率和效果。

说明书

技术领域

本发明涉及人工智能技术领域，特别是涉及一种基于多级时空大数据深度学习的动态级联时空预测方法。

背景技术

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：不同级别的疫情时空预测模型会随着级别的增多而指数型增长，当然，没有必要分的太细，但即使分为国家、省、市，三个级别，也会产生不少模型，例如中国共计34个省级行政区，那么就会产生34个二级时空预测模型，而每个省级时空预测模型又会几十个市，例如广东省下辖21个地级市，那就又会产生几个百个三级时空预测模型，如果这些各级模型都单独各自为政地训练的话，对于新发传染病而言由于数据量不是非常充裕，也会使得每个模型的效果很差。

因此，现有技术还有待于改进和发展。

发明内容

基于此，有必要针对现有技术的缺陷或不足，提供基于多级时空大数据深度学习的动态级联时空预测方法，以解决现有技术中不同级别时空预测模型各自为政训练、模型效果差的问题。

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：

获取单时单空变量集合步骤：获取每一时间每一空间的输入变量集合和输出变量集合；

初始化单时单空模型步骤：根据每一时间每一空间的输入变量集合和输出变量集合，初始化深度学习神经网络模型作为所述每一时间所述每一空间的单时单空预测深度学习模型；

单时单空模型训练步骤：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，对所述每一时间所述每一空间的单时单空预测深度学习模型进行训练；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；

同变量单时单空模型迁移步骤：获取已经训练完成的所述每一时间所述每一空间的单时单空预测深度学习模型，作为具有与已经训练完成的所述每一时间所述每一空间的单时单空预测深度学习模型相同的输入变量集合和输出变量集合的尚未进行训练的所述每一时间所述每一空间的单时单空预测深度学习模型，然后对尚未进行训练的所述每一时间所述每一空间的单时单空预测深度学习模型执行所述单时单空预测深度学习模型训练步骤；

单时单空模型使用步骤：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，通过所述每一时间所述每一空间的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。

优选地，所述方法还包括：

获取多时多空变量集合步骤：获取每M个时间每N个空间的输入变量集合和输出变量集合；

初始化多时多空模型步骤：根据每M个时间每N个空间的输入变量集合和输出变量集合，初始化深度学习神经网络模型作为所述每M个时间所述每N个空间的多时多空预测深度学习模型；

多时多空模型独立训练步骤：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，对所述每M个时间所述每N个空间的多时多空预测深度学习模型进行训练；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；

多时多空模型联合训练步骤：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一预设隐层的输入，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，对所述每M个时间所述每N个空间的多时多空预测深度学习模型进行训练，得到所述每M个时间所述每N个空间的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；

同变量多时多空模型迁移步骤：获取已经训练完成的所述每M个时间所述每N个空间的多时多空预测深度学习模型，作为具有与已经训练完成的所述每M个时间所述每N个空间的多时多空预测深度学习模型相同的输入变量集合和输出变量集合的尚未进行训练的所述每M个时间所述每N个空间的多时多空预测深度学习模型，然后对尚未进行训练的所述每M个时间所述每N个空间的多时多空预测深度学习模型执行所述多时多空预测深度学习模型训练步骤；

多时多空模型使用步骤：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，通过所述每M个时间所述每N个空间的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。

优选地，所述方法还包括：

获取超时超空变量集合步骤：获取每S*M个时间每T*N个空间的输入变量集合和输出变量集合；

初始化超时超空模型步骤：根据每S*M个时间每T*N个空间的输入变量集合和输出变量集合，初始化深度学习神经网络模型作为所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型；

超时超空模型独立训练步骤：初始化多个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，对所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型进行训练；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；

超时超空模型第一联合训练步骤：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二预设隐层的输入，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，对所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型进行训练，得到所述每S*M个时间所述每T*N个空间的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；

超时超空模型第二联合训练步骤：针对每S*M个时间每T*N个空间，将其中每个所述每M个时间所述每N个空间的多时多空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，对所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型进行训练，得到所述每S*M个时间所述每T*N个空间的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；

同变量超时超空模型迁移步骤：获取已经训练完成的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型，作为具有与已经训练完成的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型相同的输入变量集合和输出变量集合的尚未进行训练的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型，然后对尚未进行训练的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型执行所述超时超空预测深度学习模型训练步骤；

超时超空模型使用步骤：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，通过所述每S*M个时间所述每T*N个空间的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。

优选地，所述方法还包括：

共变量单时单空模型迁移步骤：获取已经训练完成的所述每一时间所述每一空间的单时单空预测深度学习模型，获取已经训练完成的所述每一时间所述每一空间的输入变量集合与尚未进行训练的所述每一时间所述每一空间的输入变量集合的交集，作为输入变量集合的交集，获取已经训练完成的所述每一时间所述每一空间的输出变量集合与尚未进行训练的所述每一时间所述每一空间的输出变量集合的交集，作为输出变量集合的交集，从已经训练完成的所述每一时间所述每一空间的单时单空预测深度学习模型中提取输入变量交集对应的输入节点与输出变量交集对应的输出节点之间的所有神经网络来替换尚未进行训练的所述每一时间所述每一空间的输入变量交集对应的输入节点与输出变量交集对应的输出节点之间的所有神经网络得到尚未进行训练的所述每一时间所述每一空间的单时单空预测深度学习模型，然后对尚未进行训练的所述每一时间所述每一空间的单时单空预测深度学习模型执行所述单时单空预测深度学习模型训练步骤。

优选地，所述方法还包括：

共变量多时多空模型迁移步骤：获取已经训练完成的所述每M个时间所述每N个空间的多时多空预测深度学习模型，获取已经训练完成的所述每M个时间所述每N个空间的输入变量集合与尚未进行训练的所述每M个时间所述每N个空间的输入变量集合的交集，作为输入变量集合的交集，获取已经训练完成的所述每M个时间所述每N个空间的输出变量集合与尚未进行训练的所述每M个时间所述每N个空间的输出变量集合的交集，作为输出变量集合的交集，从已经训练完成的所述每M个时间所述每N个空间的多时多空预测深度学习模型中提取输入变量交集对应的输入节点与输出变量交集对应的输出节点之间的所有神经网络来替换尚未进行训练的所述每M个时间所述每N个空间的输入变量交集对应的输入节点与输出变量交集对应的输出节点之间的所有神经网络得到尚未进行训练的所述每M个时间所述每N个空间的多时多空预测深度学习模型，然后对尚未进行训练的所述每M个时间所述每N个空间的多时多空预测深度学习模型执行所述多时多空预测深度学习模型训练步骤。

优选地，所述方法还包括：

共变量超时超空模型迁移步骤：获取已经训练完成的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型，获取已经训练完成的所述每S*M个时间所述每T*N个空间的输入变量集合与尚未进行训练的所述每S*M个时间所述每T*N个空间的输入变量集合的交集，作为输入变量集合的交集，获取已经训练完成的所述每S*M个时间所述每T*N个空间的输出变量集合与尚未进行训练的所述每S*M个时间所述每T*N个空间的输出变量集合的交集，作为输出变量集合的交集，从已经训练完成的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型中提取输入变量交集对应的输入节点与输出变量交集对应的输出节点之间的所有神经网络来替换尚未进行训练的所述每S*M个时间所述每T*N个空间的输入变量交集对应的输入节点与输出变量交集对应的输出节点之间的所有神经网络得到尚未进行训练的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型，然后对尚未进行训练的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型执行所述超时超空预测深度学习模型训练步骤。

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：

获取单时单空变量集合模块：获取每一时间每一空间的输入变量集合和输出变量集合；

初始化单时单空模型模块：根据每一时间每一空间的输入变量集合和输出变量集合，初始化深度学习神经网络模型作为所述每一时间所述每一空间的单时单空预测深度学习模型；

单时单空模型训练模块：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，对所述每一时间所述每一空间的单时单空预测深度学习模型进行训练；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；

同变量单时单空模型迁移模块：获取已经训练完成的所述每一时间所述每一空间的单时单空预测深度学习模型，作为具有与已经训练完成的所述每一时间所述每一空间的单时单空预测深度学习模型相同的输入变量集合和输出变量集合的尚未进行训练的所述每一时间所述每一空间的单时单空预测深度学习模型，然后对尚未进行训练的所述每一时间所述每一空间的单时单空预测深度学习模型执行所述单时单空预测深度学习模型训练模块；

单时单空模型使用模块：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，通过所述每一时间所述每一空间的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。

优选地，所述系统还包括：

获取多时多空变量集合模块：获取每M个时间每N个空间的输入变量集合和输出变量集合；

初始化多时多空模型模块：根据每M个时间每N个空间的输入变量集合和输出变量集合，初始化深度学习神经网络模型作为所述每M个时间所述每N个空间的多时多空预测深度学习模型；

多时多空模型独立训练模块：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，对所述每M个时间所述每N个空间的多时多空预测深度学习模型进行训练；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；

多时多空模型联合训练模块：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一预设隐层的输入，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，对所述每M个时间所述每N个空间的多时多空预测深度学习模型进行训练，得到所述每M个时间所述每N个空间的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；

同变量多时多空模型迁移模块：获取已经训练完成的所述每M个时间所述每N个空间的多时多空预测深度学习模型，作为具有与已经训练完成的所述每M个时间所述每N个空间的多时多空预测深度学习模型相同的输入变量集合和输出变量集合的尚未进行训练的所述每M个时间所述每N个空间的多时多空预测深度学习模型，然后对尚未进行训练的所述每M个时间所述每N个空间的多时多空预测深度学习模型执行所述多时多空预测深度学习模型训练模块；

多时多空模型使用模块：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，通过所述每M个时间所述每N个空间的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。

优选地，所述系统还包括：

获取超时超空变量集合模块：获取每S*M个时间每T*N个空间的输入变量集合和输出变量集合；

初始化超时超空模型模块：根据每S*M个时间每T*N个空间的输入变量集合和输出变量集合，初始化深度学习神经网络模型作为所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型；

超时超空模型独立训练模块：初始化多个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，对所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型进行训练；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；

超时超空模型第一联合训练模块：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二预设隐层的输入，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，对所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型进行训练，得到所述每S*M个时间所述每T*N个空间的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；

超时超空模型第二联合训练模块：针对每S*M个时间每T*N个空间，将其中每个所述每M个时间所述每N个空间的多时多空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，对所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型进行训练，得到所述每S*M个时间所述每T*N个空间的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；

同变量超时超空模型迁移模块：获取已经训练完成的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型，作为具有与已经训练完成的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型相同的输入变量集合和输出变量集合的尚未进行训练的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型，然后对尚未进行训练的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型执行所述超时超空预测深度学习模型训练模块；

超时超空模型使用模块：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，通过所述每S*M个时间所述每T*N个空间的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。

优选地，所述系统还包括：

共变量单时单空模型迁移模块：获取已经训练完成的所述每一时间所述每一空间的单时单空预测深度学习模型，获取已经训练完成的所述每一时间所述每一空间的输入变量集合与尚未进行训练的所述每一时间所述每一空间的输入变量集合的交集，作为输入变量集合的交集，获取已经训练完成的所述每一时间所述每一空间的输出变量集合与尚未进行训练的所述每一时间所述每一空间的输出变量集合的交集，作为输出变量集合的交集，从已经训练完成的所述每一时间所述每一空间的单时单空预测深度学习模型中提取输入变量交集对应的输入节点与输出变量交集对应的输出节点之间的所有神经网络来替换尚未进行训练的所述每一时间所述每一空间的输入变量交集对应的输入节点与输出变量交集对应的输出节点之间的所有神经网络得到尚未进行训练的所述每一时间所述每一空间的单时单空预测深度学习模型，然后对尚未进行训练的所述每一时间所述每一空间的单时单空预测深度学习模型执行所述单时单空预测深度学习模型训练模块。

优选地，所述系统还包括：

共变量多时多空模型迁移模块：获取已经训练完成的所述每M个时间所述每N个空间的多时多空预测深度学习模型，获取已经训练完成的所述每M个时间所述每N个空间的输入变量集合与尚未进行训练的所述每M个时间所述每N个空间的输入变量集合的交集，作为输入变量集合的交集，获取已经训练完成的所述每M个时间所述每N个空间的输出变量集合与尚未进行训练的所述每M个时间所述每N个空间的输出变量集合的交集，作为输出变量集合的交集，从已经训练完成的所述每M个时间所述每N个空间的多时多空预测深度学习模型中提取输入变量交集对应的输入节点与输出变量交集对应的输出节点之间的所有神经网络来替换尚未进行训练的所述每M个时间所述每N个空间的输入变量交集对应的输入节点与输出变量交集对应的输出节点之间的所有神经网络得到尚未进行训练的所述每M个时间所述每N个空间的多时多空预测深度学习模型，然后对尚未进行训练的所述每M个时间所述每N个空间的多时多空预测深度学习模型执行所述多时多空预测深度学习模型训练模块。

优选地，所述系统还包括：

共变量超时超空模型迁移模块：获取已经训练完成的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型，获取已经训练完成的所述每S*M个时间所述每T*N个空间的输入变量集合与尚未进行训练的所述每S*M个时间所述每T*N个空间的输入变量集合的交集，作为输入变量集合的交集，获取已经训练完成的所述每S*M个时间所述每T*N个空间的输出变量集合与尚未进行训练的所述每S*M个时间所述每T*N个空间的输出变量集合的交集，作为输出变量集合的交集，从已经训练完成的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型中提取输入变量交集对应的输入节点与输出变量交集对应的输出节点之间的所有神经网络来替换尚未进行训练的所述每S*M个时间所述每T*N个空间的输入变量交集对应的输入节点与输出变量交集对应的输出节点之间的所有神经网络得到尚未进行训练的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型，然后对尚未进行训练的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型执行所述超时超空预测深度学习模型训练模块。

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。

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。

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。

本实施例提供的基于多级时空大数据深度学习的动态级联时空预测方法，包括：获取单时单空变量集合步骤；初始化单时单空模型步骤；单时单空模型训练步骤；同变量单时单空模型迁移步骤；单时单空模型使用步骤。上述方法、系统和机器人，通过获取相同输入变量和相同输出变量的已经训练完成的时空预测深度学习模型来作为尚未训练的时空预测深度学习模型的初始模型，是一种创新的迁移学习，能够充分已有时空深度学习模型的训练成果，充分利用了时空之间的相似性来提升时空深度学习模型训练的效率和效果。

附图说明

图1为本发明的实施例提供的人工智能方法的流程图；

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；

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；

图4为本发明的实施例提供的基于多级时空大数据深度学习的动态级联时空预测方法模型路线示意图；

图5为本发明的实施例提供的基于多级时空大数据深度学习的动态级联时空预测方法模型参数共享示意图。

具体实施方式

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。

本发明的基本实施例

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：获取单时单空变量集合步骤；初始化单时单空模型步骤；单时单空模型训练步骤；同变量单时单空模型迁移步骤；单时单空模型使用步骤。技术效果：所述方法通过获取相同输入变量和相同输出变量的已经训练完成的时空预测深度学习模型来作为尚未训练的时空预测深度学习模型的初始模型，是一种创新的迁移学习，能够充分已有时空深度学习模型的训练成果，充分利用了时空之间的相似性来提升时空深度学习模型训练的效率和效果。

在一个优选的实施例中，如图2所示，所述方法还包括：获取多时多空变量集合步骤；初始化多时多空模型步骤；多时多空模型独立训练步骤；多时多空模型联合训练步骤；同变量多时多空模型迁移步骤；多时多空模型使用步骤。技术效果：所述方法不仅可以应用于单时单空，还可以用于多时多空。通过获取相同输入变量和相同输出变量的已经训练完成的多时多空预测深度学习模型来作为尚未训练的多时多空预测深度学习模型的初始模型，是一种创新的迁移学习，能够充分已有多时多空深度学习模型的训练成果，充分利用了多时多空之间的相似性来提升多时多空深度学习模型训练的效率和效果。

在一个优选的实施例中，如图3所示，所述方法还包括：获取超时超空变量集合步骤；初始化超时超空模型步骤；超时超空模型独立训练步骤；超时超空模型第一联合训练步骤；超时超空模型第二联合训练步骤；同变量超时超空模型迁移步骤；超时超空模型使用步骤。技术效果：所述方法不仅可以应用于单时单空、多时多空，还可以用于超时超空。通过获取相同输入变量和相同输出变量的已经训练完成的超时超空预测深度学习模型来作为尚未训练的超时超空预测深度学习模型的初始模型，是一种创新的迁移学习，能够充分已有超时超空深度学习模型的训练成果，充分利用了超时超空之间的相似性来提升超时超空深度学习模型训练的效率和效果。

在一个优选的实施例中，所述方法还包括：共变量单时单空模型迁移步骤。技术效果：所述方法通过求同存异，通过获取具有部分共同输入变量和部分共同输出变量的已经训练完成的时空预测深度学习模型来作为尚未训练的时空预测深度学习模型的初始模型，然后再加入不同的输入变量和输出变量，是一种创新的迁移学习，能够充分已有具有相似输入输出变量的时空深度学习模型的训练成果，充分利用了时空之间的相似性来提升时空深度学习模型训练的效率和效果。

在一个优选的实施例中，所述方法还包括：共变量多时多空模型迁移步骤。技术效果：所述方法通过求同存异，通过获取具有部分共同输入变量和部分共同输出变量的已经训练完成的多时多空预测深度学习模型来作为尚未训练的多时多空预测深度学习模型的初始模型，然后再加入不同的输入变量和输出变量，是一种创新的迁移学习，能够充分已有具有相似输入输出变量的多时多空深度学习模型的训练成果，充分利用了多时多空之间的相似性来提升多时多空深度学习模型训练的效率和效果。

在一个优选的实施例中，所述方法还包括：共变量超时超空模型迁移步骤。技术效果：所述方法通过求同存异，通过获取具有部分共同输入变量和部分共同输出变量的已经训练完成的超时超空预测深度学习模型来作为尚未训练的超时超空预测深度学习模型的初始模型，然后再加入不同的输入变量和输出变量，是一种创新的迁移学习，能够充分已有具有相似输入输出变量的超时超空深度学习模型的训练成果，充分利用了超时超空之间的相似性来提升超时超空深度学习模型训练的效率和效果。

本发明的优选实施例

获取单时单空变量集合步骤：获取每一时间每一空间的输入变量集合和输出变量集合；

初始化单时单空模型步骤：根据每一时间每一空间的输入变量集合和输出变量集合，初始化深度学习神经网络模型作为所述每一时间所述每一空间的单时单空预测深度学习模型；

单时单空模型训练步骤：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，对所述每一时间所述每一空间的单时单空预测深度学习模型进行训练(所述单时单空预测深度学习模型都会经过所述每一时间所述每一空间内的多个样本的训练，单时单空预测深度学习模型能对某个时间某个空间中的样本进行预测)；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；

同变量单时单空模型迁移步骤：获取已经训练完成的所述每一时间所述每一空间的单时单空预测深度学习模型，作为具有与已经训练完成的所述每一时间所述每一空间的单时单空预测深度学习模型相同的输入变量集合和输出变量集合的尚未进行训练的所述每一时间所述每一空间的单时单空预测深度学习模型，然后对尚未进行训练的所述每一时间所述每一空间的单时单空预测深度学习模型执行所述单时单空预测深度学习模型训练步骤；

单时单空模型使用步骤：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，通过所述每一时间所述每一空间的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。

获取多时多空变量集合步骤：获取每M个时间每N个空间的输入变量集合和输出变量集合；

初始化多时多空模型步骤：根据每M个时间每N个空间的输入变量集合和输出变量集合，初始化深度学习神经网络模型作为所述每M个时间所述每N个空间的多时多空预测深度学习模型；

多时多空模型独立训练步骤：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，对所述每M个时间所述每N个空间的多时多空预测深度学习模型进行训练(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；

多时多空模型联合训练步骤：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)联合后作为第一预设隐层的输入(每次输入为每M个时间N个空间里的所有人的特征数据)(例如有的样本在M个时间N个空间中会从A1时间B1空间经过A2时间B2空间到A3时间B3空间，那么这个样本在这3个单时单空都存在，因为在3个单时单空中该样本都作为输入数据，从而会在3个单时单空对应的模型中产生相应的特征数据，并产生该样本在M个时间N个空间对应的模型的输出。样本例如为个人，输出例如为该个人感染传染病的风险。)，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，对所述每M个时间所述每N个空间的多时多空预测深度学习模型进行训练，得到所述每M个时间所述每N个空间的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；

同变量多时多空模型迁移步骤：获取已经训练完成的所述每M个时间所述每N个空间的多时多空预测深度学习模型，作为具有与已经训练完成的所述每M个时间所述每N个空间的多时多空预测深度学习模型相同的输入变量集合和输出变量集合的尚未进行训练的所述每M个时间所述每N个空间的多时多空预测深度学习模型，然后对尚未进行训练的所述每M个时间所述每N个空间的多时多空预测深度学习模型执行所述多时多空预测深度学习模型训练步骤；

多时多空模型使用步骤：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，通过所述每M个时间所述每N个空间的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。

获取超时超空变量集合步骤：获取每S*M个时间每T*N个空间的输入变量集合和输出变量集合；

初始化超时超空模型步骤：根据每S*M个时间每T*N个空间的输入变量集合和输出变量集合，初始化深度学习神经网络模型作为所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型；

超时超空模型独立训练步骤：初始化多个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，对所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型进行训练(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；

超时超空模型第一联合训练步骤：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)联合后作为第二预设隐层的输入(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，对所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型进行训练，得到所述每S*M个时间所述每T*N个空间的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；

超时超空模型第二联合训练步骤：针对每S*M个时间每T*N个空间，将其中每个所述每M个时间所述每N个空间的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)联合后作为第三预设隐层的输入(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，对所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型进行训练，得到所述每S*M个时间所述每T*N个空间的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；

同变量超时超空模型迁移步骤：获取已经训练完成的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型，作为具有与已经训练完成的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型相同的输入变量集合和输出变量集合的尚未进行训练的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型，然后对尚未进行训练的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型执行所述超时超空预测深度学习模型训练步骤；

超时超空模型使用步骤：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，通过所述每S*M个时间所述每T*N个空间的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。

共变量单时单空模型迁移步骤：获取已经训练完成的所述每一时间所述每一空间的单时单空预测深度学习模型，获取已经训练完成的所述每一时间所述每一空间的输入变量集合与尚未进行训练的所述每一时间所述每一空间的输入变量集合的交集，作为输入变量集合的交集，获取已经训练完成的所述每一时间所述每一空间的输出变量集合与尚未进行训练的所述每一时间所述每一空间的输出变量集合的交集，作为输出变量集合的交集，从已经训练完成的所述每一时间所述每一空间的单时单空预测深度学习模型中提取输入变量交集对应的输入节点与输出变量交集对应的输出节点之间的所有神经网络(包括连接和权值)来替换尚未进行训练的所述每一时间所述每一空间的输入变量交集对应的输入节点与输出变量交集对应的输出节点之间的所有神经网络(包括连接和权值)得到尚未进行训练的所述每一时间所述每一空间的单时单空预测深度学习模型，然后对尚未进行训练的所述每一时间所述每一空间的单时单空预测深度学习模型执行所述单时单空预测深度学习模型训练步骤。

共变量多时多空模型迁移步骤：获取已经训练完成的所述每M个时间所述每N个空间的多时多空预测深度学习模型，获取已经训练完成的所述每M个时间所述每N个空间的输入变量集合与尚未进行训练的所述每M个时间所述每N个空间的输入变量集合的交集，作为输入变量集合的交集，获取已经训练完成的所述每M个时间所述每N个空间的输出变量集合与尚未进行训练的所述每M个时间所述每N个空间的输出变量集合的交集，作为输出变量集合的交集，从已经训练完成的所述每M个时间所述每N个空间的多时多空预测深度学习模型中提取输入变量交集对应的输入节点与输出变量交集对应的输出节点之间的所有神经网络(包括连接和权值)来替换尚未进行训练的所述每M个时间所述每N个空间的输入变量交集对应的输入节点与输出变量交集对应的输出节点之间的所有神经网络(包括连接和权值)得到尚未进行训练的所述每M个时间所述每N个空间的多时多空预测深度学习模型，然后对尚未进行训练的所述每M个时间所述每N个空间的多时多空预测深度学习模型执行所述多时多空预测深度学习模型训练步骤。

共变量超时超空模型迁移步骤：获取已经训练完成的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型，获取已经训练完成的所述每S*M个时间所述每T*N个空间的输入变量集合与尚未进行训练的所述每S*M个时间所述每T*N个空间的输入变量集合的交集，作为输入变量集合的交集，获取已经训练完成的所述每S*M个时间所述每T*N个空间的输出变量集合与尚未进行训练的所述每S*M个时间所述每T*N个空间的输出变量集合的交集，作为输出变量集合的交集，从已经训练完成的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型中提取输入变量交集对应的输入节点与输出变量交集对应的输出节点之间的所有神经网络(包括连接和权值)来替换尚未进行训练的所述每S*M个时间所述每T*N个空间的输入变量交集对应的输入节点与输出变量交集对应的输出节点之间的所有神经网络(包括连接和权值)得到尚未进行训练的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型，然后对尚未进行训练的所述每S*M个时间所述每T*N个空间的超时超空预测深度学习模型执行所述超时超空预测深度学习模型训练步骤。

本发明的其他实施例

不同级别的疫情时空预测模型会随着级别的增多而指数型增长，当然，没有必要分的太细，但即使分为国家、省、市，三个级别，也会产生不少模型，例如中国共计34个省级行政区，那么就会产生34个二级时空预测模型，而每个省级时空预测模型又会几十个市，例如广东省下辖21个地级市，那就又会产生几个百个三级时空预测模型，如果这些各级模型都单独各自为政地训练的话，虽然可以在云中通过并行的方式由各地并发地进行，但对于新发传染病而言由于数据量不是非常充裕，也会使得每个模型的效果不会太好。那如何既能节省训练时间又能提高训练效果？解决方法是当输入指标变量和输出指标变量一致，且所在时空级别一致时，可以进行模型参数的共享，这样一来同一个模型就可以通过多个时空数据进行训练，自然能够提高训练的效果，起到一举多得的效果，同时，通过模型参数的共享，在本质上就减少了不同模型的数量，自然也就降低了整体时空预测模型的复杂度。关键难点在于，既然共享模型，那么在使用不同时空数据对同一个共享模型进行多次训练时如何进行参数的调节。

基于多级时空大数据深度学习的动态级联时空预测方法模型是在每一级进行输入指标变量的动态设置的基础上，进行各级时空模型的级联，就能够输出各个级别的时空预测结果，而且能够使得各个级别的时空预测结果相互一致，从而使得各级时空预测结果的准确率都能协同地提高。已有的大数据深度学习模型无法同时处理多级时空粒度的数据(例如分别预测街道级、市级、省级、国家级，不是简单地累加，而是分级预测)，只能对每一种级别或不同区域进行分开预测，那么就会进行很多重复的计算，一方面浪费计算资源，更为重要的缺陷是无法考虑到不同级别和区域之间的相关性，进而会影响预测的准确率。但实际上不同时空数据是相互影响的，但分辨率又不一样，而且不同时空的输入指标也不同(即起主要作用的影响因素也会有差异)，所以只有将各级时空深度学习模型进行级联才能实现各级时空协同地深度学习。

基于大数据深度学习的新发重大传染病的底层时空预测模型接受各部分时空范围内的新发重大传染病数据，然后将多个基于大数据深度学习的新发重大传染病的底层时空预测模型的输出作为基于大数据深度学习的新发重大传染病的高层时空预测模型的输入，进而能够得到基于大数据深度学习的新发重大传染病的高层时空预测模型的输出。这是基于大数据深度学习的新发重大传染病的时空预测模型级联的方式。在训练阶段，每层模型的输入、输出都是已知的，所以可以对基于大数据深度学习的新发重大传染病的时空预测级联模型的各层时空预测模型进行分别训练。在使用阶段，只要输入最底层的各时空的数据，就能得到基于大数据深度学习的新发重大传染病的级联时空预测模型的各级模型的输出，进而能够一次性实现新发重大传染病的各级时空的疫情预测。图4展示的是基于多级时空大数据深度学习的动态级联时空预测方法模型路线示意图。

从图4可以看出，只是将基于多级时空大数据深度学习的动态级联时空预测方法模型分成了低级、中级、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新发重大传染病疫情的动态时空预测模型(例如每个低级模型或每个中级模型或每个高级模型)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。

基于多级时空大数据深度学习的动态级联时空预测方法模型路线图的方案主要步骤(下面为了方便介绍，也只介绍3级的情况，更多级的情况也是同理)：

1)将多个时空输入数据集输入到多个基于大数据深度学习的新发重大传染病疫情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疫情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疫情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。

2)将多个的基于大数据深度学习的新发重大传染病疫情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疫情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疫情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疫情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。

3)将多个的基于大数据深度学习的新发重大传染病疫情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疫情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疫情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疫情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。

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新发重大传染病疫情的动态低级时空预测模型、基于大数据深度学习的新发重大传染病疫情的动态中级时空预测模型、基于大数据深度学习的新发重大传染病疫情的动态高级时空预测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。

在无监督训练阶段，基于大数据深度学习的新发重大传染病疫情的动态中级时空预测模型使用时空输入数据集的数据进行无监督训练。基于大数据深度学习的新发重大传染病疫情的动态中级时空预测模型使用多个基于大数据深度学习的新发重大传染病疫情的动态低级时空预测模型的顶层特征数据进行无监督训练。基于大数据深度学习的新发重大传染病疫情的动态高级时空预测模型使用多个基于大数据深度学习的新发重大传染病疫情的动态中级时空预测模型的顶层特征数据进行无监督训练。

在有监督训练阶段，各基于大数据深度学习的新发重大传染病疫情的动态低级时空预测模型、基于大数据深度学习的新发重大传染病疫情的动态中级时空预测模型、基于大数据深度学习的新发重大传染病疫情的动态高级时空预测模型的预期输出是共享的，每个基于大数据深度学习的新发重大传染病疫情的动态中级时空预测模型的预期输出是多个基于大数据深度学习的新发重大传染病疫情的动态低级时空预测模型的预期输出在时空维中的组合，每个基于大数据深度学习的新发重大传染病疫情的动态高级时空预测模型的预期输出是多个基于大数据深度学习的新发重大传染病疫情的动态中级时空预测模型的预期输出在时空维中的组合，每个基于大数据深度学习的新发重大传染病疫情的动态高级时空预测模型的预期输出是更多个基于大数据深度学习的新发重大传染病疫情的动态低级时空预测模型的预期输出在时空维中的组合。

在训练阶段，基于大数据深度学习的新发重大传染病疫情的动态高级时空预测模型对模型参数的反馈调节会涉及到基于大数据深度学习的新发重大传染病疫情的动态中级时空预测模型、基于大数据深度学习的新发重大传染病疫情的动态低级时空预测模型；基于大数据深度学习的新发重大传染病疫情的动态中级时空预测模型对模型参数的反馈调节会涉及到基于大数据深度学习的新发重大传染病疫情的动态低级时空预测模型的参数；基于大数据深度学习的新发重大传染病疫情的动态低级时空预测模型的参数调节也会引起基于大数据深度学习的新发重大传染病疫情的动态中级时空预测模型和基于大数据深度学习的新发重大传染病疫情的动态高级时空预测模型的参数的变化，基于大数据深度学习的新发重大传染病疫情的动态中级时空预测模型的参数调节也会引起基于大数据深度学习的新发重大传染病疫情的动态高级时空预测模型的参数的变化，因为本质上来说基于大数据深度学习的新发重大传染病疫情的动态低级时空预测模型属于基于大数据深度学习的新发重大传染病疫情的动态中级时空预测模型的一部分，而基于大数据深度学习的新发重大传染病疫情的动态中级时空预测模型又是基于大数据深度学习的新发重大传染病疫情的动态高级时空预测模型的一部分，图中只是为了方便展示才将几者分开进行标识。

在使用阶段，只要输入各地时空数据，既能得到各级时空预测结果。

不同级别的疫情时空预测模型会随着级别的增多而指数型增长，当然，没有必要分的太细，但即使分为国家、省、市，三个级别，也会产生不少模型，例如中国共计34个省级行政区，那么就会产生34个二级时空预测模型，而每个省级时空预测模型又会几十个市，例如广东省下辖21个地级市，那就又会产生几个百个三级时空预测模型，如果这些各级模型都单独各自为政地训练的话，虽然可以在云(指的是云计算服务)中通过并行的方式由各地并发地进行，但对于新发传染病而言由于数据量不是非常充裕，也会使得每个模型的效果不会太好。那如何既能节省训练时间又能提高训练效果？本实施例采用的解决方案是当输入指标变量和输出指标变量一致，且所在时空级别一致时，可以进行模型参数的共享，在使用不同时空数据对同一个共享模型进行多次训练时进行参数的加权调节(调节时考虑到各模型的可信度)。这样使得同一个模型就可以通过多个时空数据进行训练，自然能够提高训练的效果，起到一举多得的效果，同时，通过模型参数的共享，在本质上就减少了不同模型的数量，自然也就降低了整体时空预测模型的复杂度。图5展示的是基于多级时空大数据深度学习的动态级联时空预测方法模型参数共享示意图。

从图5可以看出，同一级模型之间(例如第i级模型之间)可以进行模型参数的共享，也可以不进行模型参数的共享。是否能够进行模型参数共享的判断依据在于模型的输入项的变量是否一致，因为如果输入项的变量不一致，那么就会导致模型的结构不一致，从而导致无法进行模型参数的共享，如果属于同一级模型且输入项的变量相同，那么就可以进行参数的共享。不同级模型之间的时空分辨率不同，导致其模型结构有差异，所以即使输入项的变量相同，也不宜进行模型参数的共享。

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。