基于大数据深度学习的个人时空协同预测方法和机器人

摘要

基于大数据深度学习的个人时空协同预测方法和机器人，包括：个人预测深度学习模型构建步骤；多人空间预测深度学习模型构建步骤；多人时间预测深度学习模型构建步骤；多人时空预测深度学习模型构建步骤。上述方法、系统和机器人，基于个人预测深度学习模型构建多人空间预测深度学习模型、多人时间预测深度学习模型、多人时空预测深度学习模型，进而将个人的统计信息分别与时间、空间、时空协同起来，进行多个模型的协同预测，进而使得个人的统计信息与时间、空间、时空不再被割裂开来，而是能够融为一体来提高时空的预测效果。

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大数据深度学习的个人时空协同预测方法和机器人。

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：传统的个人感染风险预测都是进行各自为政地预测，也就是说张三预测张三的，李四预测李四的，假如张三和李四距离很近，甚至是相距咫尺，其实张三和李四之间会有相互影响，对于传染病而言更是如此，人与人之间的影响是很大的。

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，提供基于大数据深度学习的个人时空协同预测方法和机器人，以解决现有技术中不同个体各自为政地进行预测的问题。

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：

个人预测深度学习模型构建步骤：初始化多个深度学习神经网络模型作为多个个人预测深度学习模型，将每一时间每一空间的每一个人的个人数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为输出，对所述每一时间所述每一空间的个人预测深度学习模型进行第一训练，不同的个人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；在使用时，将每一时间每一空间的每一个人的数据作为输入，通过所述每一时间所述每一空间的个人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述每一个人预测结果；

多人空间预测深度学习模型构建步骤：针对每一时间，将所述每一时间的每一空间的所有个人预测深度学习模型的特征数据集合、空间信息作为输入，将所述每一时间所述每一空间的预期结果作为输出，对所述每一时间的多人空间预测深度学习模型进行训练，得到所述每一时间的多人空间预测深度学习模型；在使用时，每一时间每一空间的所有人的空间信息、个人数据作为输入，通过多人空间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预测结果；

多人时间预测深度学习模型构建步骤：针对每一空间，将所述每一空间的每一时间的个人预测深度学习模型的特征数据集合、时间信息作为输入，将所述每一时间所述每一空间的预期结果作为输出，对所述每一空间的多人时间预测深度学习模型进行训练，得到所述每一空间的多人时间预测深度学习模型；在使用时，每一时间每一空间的时间信息、所有人个人数据作为输入，通过多人时间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预测结果；

多人时空预测深度学习模型构建步骤：将每一时间每一空间的所有人个人预测深度学习模型的特征数据集合、时间信息、空间信息作为输入，将所述每一时间所述每一空间的预期结果作为输出，对所述多人时空预测深度学习模型进行训练，得到多人时空预测深度学习模型；在使用时，每一时间每一空间的时间信息、所有个人数据作为输入，通过多人时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预测结果。

优选地，所述方法还包括：

个人空间预测深度学习模型第一构建步骤：初始化多个深度学习神经网络模型作为个人空间深度学习预测模型，将每一时间的每一空间每个个人的空间信息和个人数据作为输入，将所述每一时间的所述每一空间的所述每一个人预期结果作为输出，对所述每一时间的个人空间预测深度学习模型进行第二训练，不同的个人空间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；

个人空间预测深度学习模型第二构建步骤：将每一时间每一空间的个人预测深度学习模型的预设隐层的特征数据输入到所述每一时间的个人空间深度学习预测模型进行第三训练；不同的个人空间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；

训练方式第一设置步骤：第二训练和第三训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第二训练和第三训练得到所述每一时间的个人空间预测深度学习模型；

个人空间预测深度学习模型使用步骤：在使用时，将每一时间的每一空间每个个人的空间信息和个人数据作为输入，通过所述每一时间的个人空间预测深度学习模型的计算，得到的输出作为所述每一时间的所述每一空间的所述每一个人预测结果；

个人时空预测深度学习模型第一构建步骤：初始化多个深度学习神经网络模型作为个人时空预测深度学习模型，将每一时间每一空间每个个人的时间信息和空间信息和个人数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，对个人时空预测深度学习模型进行第四训练；不同的个人时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；

个人时空预测深度学习模型第二构建步骤：将每一时间的个人空间预测深度学习模型的预设隐层作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，对个人时空预测深度学习模型进行第五训练；不同的个人时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；

训练方式第二设置步骤：第四训练和第五训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第四训练和第五训练得到个人时空预测深度学习模型；

个人时空预测深度学习模型第一使用步骤：在使用时，将每一时间每一空间每个个人的时间信息和空间信息和个人数据作为输入，通过所述个人时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述每一个人预测结果；

训练方式第三设置步骤：第一训练、第三训练和第五训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第一训练、第三训练和第五训练得到所述每一时间所述每一空间的个人预测深度学习模型。

优选地，所述方法还包括：

个人时空预测深度学习模型第三构建步骤：初始化多个深度学习神经网络模型作为个人时空预测深度学习模型，将每一时间每一空间每个个人的时间信息和空间信息和个人数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，对个人时空预测深度学习模型进行第六训练；不同的个人时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；

个人时空预测深度学习模型第四构建步骤：将每一时间每一空间的个人预测深度学习模型的预设隐层的特征数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，到个人时空预测深度学习模型进行第七训练；不同的个人时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；

训练方式第四设置步骤：第六训练和第七训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第六训练和第七训练得到个人时空预测深度学习模型；

个人时空预测深度学习模型第二使用步骤：在使用时，将每一时间每一空间每个个人的时间信息和空间信息和个人数据作为输入，通过所述个人时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述每一个人预测结果；

训练方式第五设置步骤：第一训练、第七训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第一训练、第七训练得到所述每一时间所述每一空间的个人预测深度学习模型。

优选地，所述方法还包括：

个人时间深度学习预测模型第一构建步骤：初始化多个深度学习神经网络模型作为个人时间深度学习预测模型，将每一时间的每一空间每个个人的空间信息和个人数据作为输入，将所述每一时间的所述每一空间的所述每一个人预期结果作为预期输出，对所述每一空间的个人时间预测深度学习模型进行第八训练，不同的个人时间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；

个人时间深度学习预测模型第二构建步骤：将每一时间每一空间的个人预测深度学习模型的预设隐层的特征数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，到所述每一空间的个人时间深度学习预测模型进行第九训练；不同的个人时间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；

训练方式第六设置步骤：第八训练和第九训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第八训练和第九训练得到所述每一时间的个人时间预测深度学习模型；

个人时间深度学习预测模型使用步骤：在使用时，将每一时间的每一空间每个个人的空间信息和个人数据作为输入，通过所述每一空间的个人时间预测深度学习模型的计算，得到的输出作为所述每一空间的所述每一时间的所述每一个人预测结果；

个人时空预测深度学习模型第五构建步骤：初始化多个深度学习神经网络模型作为个人时空预测深度学习模型，将每一空间每一时间每个个人的时间信息和空间信息和个人数据作为输入，将所述每一空间所述每一时间的所述每一个人预期结果作为预期输出，对个人时空预测深度学习模型进行第十训练；不同的个人时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；

个人时空预测深度学习模型第六构建步骤：将每一空间的个人时间预测深度学习模型的预设隐层的特征数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，对个人时空预测深度学习模型进行第十一训练；不同的个人时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；

训练方式第七设置步骤：第十训练和第十一训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第十训练和第十一训练得到个人时空预测深度学习模型；

个人时空预测深度学习模型第三使用步骤：在使用时，将每一时间每一空间每个个人的时间信息和空间信息和个人数据作为输入，通过所述个人时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述每一个人预测结果。

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：

个人预测深度学习模型构建模块：初始化多个深度学习神经网络模型作为多个个人预测深度学习模型，将每一时间每一空间的每一个人的个人数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为输出，对所述每一时间所述每一空间的个人预测深度学习模型进行第一训练，不同的个人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；在使用时，将每一时间每一空间的每一个人的数据作为输入，通过所述每一时间所述每一空间的个人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述每一个人预测结果；

多人空间预测深度学习模型构建模块：针对每一时间，将所述每一时间的每一空间的所有个人预测深度学习模型的特征数据集合、空间信息作为输入，将所述每一时间所述每一空间的预期结果作为输出，对所述每一时间的多人空间预测深度学习模型进行训练，得到所述每一时间的多人空间预测深度学习模型；在使用时，每一时间每一空间的所有人的空间信息、个人数据作为输入，通过多人空间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预测结果；

多人时间预测深度学习模型构建模块：针对每一空间，将所述每一空间的每一时间的个人预测深度学习模型的特征数据集合、时间信息作为输入，将所述每一时间所述每一空间的预期结果作为输出，对所述每一空间的多人时间预测深度学习模型进行训练，得到所述每一空间的多人时间预测深度学习模型；在使用时，每一时间每一空间的时间信息、所有人个人数据作为输入，通过多人时间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预测结果；

多人时空预测深度学习模型构建模块：将每一时间每一空间的所有人个人预测深度学习模型的特征数据集合、时间信息、空间信息作为输入，将所述每一时间所述每一空间的预期结果作为输出，对所述多人时空预测深度学习模型进行训练，得到多人时空预测深度学习模型；在使用时，每一时间每一空间的时间信息、所有个人数据作为输入，通过多人时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预测结果。

优选地，所述系统还包括：

个人空间预测深度学习模型第一构建模块：初始化多个深度学习神经网络模型作为个人空间深度学习预测模型，将每一时间的每一空间每个个人的空间信息和个人数据作为输入，将所述每一时间的所述每一空间的所述每一个人预期结果作为输出，对所述每一时间的个人空间预测深度学习模型进行第二训练，不同的个人空间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；

个人空间预测深度学习模型第二构建模块：将每一时间每一空间的个人预测深度学习模型的预设隐层的特征数据输入到所述每一时间的个人空间深度学习预测模型进行第三训练；不同的个人空间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；

训练方式第一设置模块：第二训练和第三训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第二训练和第三训练得到所述每一时间的个人空间预测深度学习模型；

个人空间预测深度学习模型使用模块：在使用时，将每一时间的每一空间每个个人的空间信息和个人数据作为输入，通过所述每一时间的个人空间预测深度学习模型的计算，得到的输出作为所述每一时间的所述每一空间的所述每一个人预测结果；

个人时空预测深度学习模型第一构建模块：初始化多个深度学习神经网络模型作为个人时空预测深度学习模型，将每一时间每一空间每个个人的时间信息和空间信息和个人数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，对个人时空预测深度学习模型进行第四训练；不同的个人时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；

个人时空预测深度学习模型第二构建模块：将每一时间的个人空间预测深度学习模型的预设隐层作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，对个人时空预测深度学习模型进行第五训练；不同的个人时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；

训练方式第二设置模块：第四训练和第五训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第四训练和第五训练得到个人时空预测深度学习模型；

个人时空预测深度学习模型第一使用模块：在使用时，将每一时间每一空间每个个人的时间信息和空间信息和个人数据作为输入，通过所述个人时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述每一个人预测结果；

训练方式第三设置模块：第一训练、第三训练和第五训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第一训练、第三训练和第五训练得到所述每一时间所述每一空间的个人预测深度学习模型。

优选地，所述系统还包括：

个人时空预测深度学习模型第三构建模块：初始化多个深度学习神经网络模型作为个人时空预测深度学习模型，将每一时间每一空间每个个人的时间信息和空间信息和个人数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，对个人时空预测深度学习模型进行第六训练；不同的个人时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；

个人时空预测深度学习模型第四构建模块：将每一时间每一空间的个人预测深度学习模型的预设隐层的特征数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，到个人时空预测深度学习模型进行第七训练；不同的个人时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；

训练方式第四设置模块：第六训练和第七训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第六训练和第七训练得到个人时空预测深度学习模型；

个人时空预测深度学习模型第二使用模块：在使用时，将每一时间每一空间每个个人的时间信息和空间信息和个人数据作为输入，通过所述个人时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述每一个人预测结果；

训练方式第五设置模块：第一训练、第七训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第一训练、第七训练得到所述每一时间所述每一空间的个人预测深度学习模型。

优选地，所述系统还包括：

个人时间深度学习预测模型第一构建模块：初始化多个深度学习神经网络模型作为个人时间深度学习预测模型，将每一时间的每一空间每个个人的空间信息和个人数据作为输入，将所述每一时间的所述每一空间的所述每一个人预期结果作为预期输出，对所述每一空间的个人时间预测深度学习模型进行第八训练，不同的个人时间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；

个人时间深度学习预测模型第二构建模块：将每一时间每一空间的个人预测深度学习模型的预设隐层的特征数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，到所述每一空间的个人时间深度学习预测模型进行第九训练；不同的个人时间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；

训练方式第六设置模块：第八训练和第九训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第八训练和第九训练得到所述每一时间的个人时间预测深度学习模型；

个人时间深度学习预测模型使用模块：在使用时，将每一时间的每一空间每个个人的空间信息和个人数据作为输入，通过所述每一空间的个人时间预测深度学习模型的计算，得到的输出作为所述每一空间的所述每一时间的所述每一个人预测结果；

个人时空预测深度学习模型第五构建模块：初始化多个深度学习神经网络模型作为个人时空预测深度学习模型，将每一空间每一时间每个个人的时间信息和空间信息和个人数据作为输入，将所述每一空间所述每一时间的所述每一个人预期结果作为预期输出，对个人时空预测深度学习模型进行第十训练；不同的个人时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；

个人时空预测深度学习模型第六构建模块：将每一空间的个人时间预测深度学习模型的预设隐层的特征数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，对个人时空预测深度学习模型进行第十一训练；不同的个人时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；

训练方式第七设置模块：第十训练和第十一训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第十训练和第十一训练得到个人时空预测深度学习模型；

个人时空预测深度学习模型第三使用模块：在使用时，将每一时间每一空间每个个人的时间信息和空间信息和个人数据作为输入，通过所述个人时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述每一个人预测结果。

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大数据深度学习的个人时空协同预测方法和机器人，包括：个人预测深度学习模型构建步骤；多人空间预测深度学习模型构建步骤；多人时间预测深度学习模型构建步骤；多人时空预测深度学习模型构建步骤。上述方法、系统和机器人，基于个人预测深度学习模型构建多人空间预测深度学习模型、多人时间预测深度学习模型、多人时空预测深度学习模型，进而将个人的统计信息分别与时间、空间、时空协同起来，进行多个模型的协同预测，进而使得个人的统计信息与时间、空间、时空不再被割裂开来，而是能够融为一体来提高时空的预测效果。

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人工智能方法包括的流程图；

图5为本发明的实施例提供的通过时空先后嵌入的基于大数据深度学习的传染病的个人风险自助时空预测模型路线示意图；

图6为本发明的实施例提供的通过时空同时嵌入的基于大数据深度学习的传染病的个人风险自助时空预测模型路线示意图。

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：个人预测深度学习模型构建步骤；多人空间预测深度学习模型构建步骤；多人时间预测深度学习模型构建步骤；多人时空预测深度学习模型构建步骤。技术效果：所述方法基于个人预测深度学习模型构建多人空间预测深度学习模型、多人时间预测深度学习模型、多人时空预测深度学习模型，进而将个人的统计信息分别与时间、空间、时空协同起来，进行多个模型的协同预测，进而使得个人的统计信息与时间、空间、时空不再被割裂开来，而是能够融为一体来提高时空的预测效果。

优选地，如图2所示，所述方法还包括：个人空间预测深度学习模型第一构建步骤；个人空间预测深度学习模型第二构建步骤；训练方式第一设置步骤；个人空间预测深度学习模型使用步骤；个人时空预测深度学习模型第一构建步骤；个人时空预测深度学习模型第二构建步骤；训练方式第二设置步骤；个人时空预测深度学习模型第一使用步骤；训练方式第三设置步骤。技术效果：所述方法基于个人预测深度学习模型构建个人空间预测深度学习模型，并通过个人空间预测深度学习模构建个人时空预测深度学习模型，进而将个人与空间、空间与时空协同起来，进行多个模型的协同预测，进而使得个人与空间、空间与时空不再被割裂开来，而是能够融为一体来提高个人与时空的预测效果。

优选地，如图3所示，所述方法还包括：个人时空预测深度学习模型第三构建步骤；个人时空预测深度学习模型第四构建步骤；训练方式第四设置步骤；个人时空预测深度学习模型第二使用步骤；训练方式第五设置步骤。技术效果：所述方法基于个人预测深度学习模型构建个人时空预测深度学习模型，进而将个人与时空协同起来，进行多个模型的协同预测，进而使得个人与时空不再被割裂开来，而是能够融为一体来提高个人与时空的预测效果。

优选地，如图4所示，所述方法还包括：个人时间深度学习预测模型第一构建步骤；个人时间深度学习预测模型第二构建步骤；训练方式第六设置步骤；个人时间深度学习预测模型使用步骤；个人时空预测深度学习模型第五构建步骤；个人时空预测深度学习模型第六构建步骤；训练方式第七设置步骤；个人时空预测深度学习模型第三使用步骤。技术效果：所述方法基于个人预测深度学习模型构建个人时间预测深度学习模型，并通过个人时间预测深度学习模构建个人时空预测深度学习模型，进而将个人与时间、时间与时空协同起来，进行多个模型的协同预测，进而使得个人与时间、时间与时空不再被割裂开来，而是能够融为一体来提高个人与时空的预测效果。

本发明的优选实施例

个人预测深度学习模型构建步骤：初始化多个深度学习神经网络模型作为多个个人预测深度学习模型，将每一时间每一空间的每一个人的个人数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为输出，对所述每一时间所述每一空间的个人预测深度学习模型进行第一训练(所述每一时间所述每一空间的个人预测深度学习模型都会经过所述每一时间所述每一空间中多个个人样本的训练，个人预测深度学习模型能对在一个特定的空间和时间内对某个个人进行预测，此时模型用于所述每一时间所述每一空间，但模型中没有蕴含或学习时间或空间信息)，不同的个人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；在使用时，将每一时间每一空间的每一个人的数据作为输入，通过所述每一时间所述每一空间的个人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述每一个人预测结果；(所述时间既可以是时间点，也可以是时段)

多人空间预测深度学习模型构建步骤：针对每一时间，将所述每一时间的每一空间的所有个人预测深度学习模型的特征数据集合、空间信息作为输入(也可以还输入时间信息，但输入的时间信息没有发挥作用)(每次输入为单个时间单个空间里的所有人的特征数据、空间信息)，将所述每一时间所述每一空间的预期结果(包括所述每一时间所述每一空间的的统计结果)作为输出，对所述每一时间的个人空间预测深度学习模型(与个人预测深度学习模型的不同之处在于，个人空间预测深度学习模型需要输入空间信息，能够使得模型得知输入的个人特征数据是属于哪个空间的，即空间信息能够对结果产生影响，空间信息可以是经纬度范围，也可以是地图中标志处输入的空间信息的位置)进行训练，得到所述每一时间的多人空间预测深度学习模型；在使用时，每一时间每一空间的所有人的空间信息、个人数据作为输入(也可以还输入时间信息，但输入的时间信息没有发挥作用)，通过多人空间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预测结果；

多人时间预测深度学习模型构建步骤：针对每一空间，将所述每一空间的每一时间的个人预测深度学习模型的特征数据集合、时间信息作为输入(也可以还输入空间信息，但输入的空间信息没有发挥作用)(每次输入为单个时间单个空间里的所有人的特征数据、时间信息)，将所述每一时间所述每一空间的预期结果作为输出，对所述每一空间的多人时间预测深度学习模型(与个人预测深度学习模型的不同之处在于，多人时间预测深度学习模型需要输入时间信息，能够使得模型得知输入的个人特征数据是属于哪个时间的，即时间信息能够对结果产生影响，时间信息可以是时间范围，也可以是时间表中标志处输入的时间信息的位置)进行训练，得到所述每一空间的多人时间预测深度学习模型；在使用时，每一时间每一空间的时间信息、所有人个人数据作为输入(也可以还输入空间信息，但输入的空间信息没有发挥作用)，通过多人时间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预测结果；

多人时空预测深度学习模型构建步骤：将每一时间每一空间的所有人个人预测深度学习模型的特征数据集合、时间信息、空间信息作为输入(每次输入为单个时间单个空间里的所有人的特征数据、时间信息)，将所述每一时间所述每一空间的预期结果作为输出，对所述多人时空预测深度学习模型(与个人预测深度学习模型的不同之处在于，多人时空预测深度学习模型需要输入时间信息、空间信息，能够使得模型得知输入的个人特征数据是属于哪个时间、空间的，即时间、空间信息能够对结果产生影响，时间、空间信息可以是时间范围、空间范围，也可以是时间表或地图中标志处输入的时间、空间信息的位置)进行训练，得到多人时空预测深度学习模型；在使用时，每一时间每一空间的时间信息、所有个人数据作为输入(也可以还输入空间信息，但输入的空间信息没有发挥作用)，通过多人时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预测结果。

(上面的阶段主要是以个人预测深度学习模型为基础来构建多人时间预测深度学习模型、多人空间预测深度学习模型、多人时空预测深度学习模型)

个人空间预测深度学习模型第一构建步骤：初始化多个深度学习神经网络模型作为个人空间深度学习预测模型，将每一时间的每一空间每个个人的空间信息和个人数据作为输入(每次输入仍然为单个时间单个空间里的单个人的数据及其空间信息)，将所述每一时间的所述每一空间的所述每一个人预期结果作为输出，对所述每一时间的个人空间预测深度学习模型进行第二训练(所述每一时间的个人空间预测深度学习模型都会经过所述每一时间中多个空间多个个人样本的训练，个人空间预测深度学习模型能对在一个特定的时间内对某个空间某个个人进行预测)，不同的个人空间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；

个人空间预测深度学习模型第二构建步骤：将每一时间每一空间的个人预测深度学习模型的预设隐层(预设隐层可以预设为最接近输出层的隐层，或其他隐层)的特征数据(每次输入仍然为单个时间单个空间里的单个人的特征数据)输入到所述每一时间的个人空间深度学习预测模型进行第三训练(所述每一时间的个人空间预测深度学习模型都会经过所述每一时间中多个空间多个个人的个人样本的训练，个人空间预测深度学习模型能对在一个特定的时间内对某个空间某个个人进行预测)；不同的个人空间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；

训练方式第一设置步骤：第二训练和第三训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第二训练和第三训练得到所述每一时间的个人空间预测深度学习模型；

个人空间预测深度学习模型使用步骤：在使用时，将每一时间的每一空间每个个人的空间信息和个人数据作为输入(每次输入仍然为单个时间单个空间里的单个人的数据和空间信息)，通过所述每一时间的个人空间预测深度学习模型的计算，得到的输出作为所述每一时间的所述每一空间的所述每一个人预测结果；

个人时空预测深度学习模型第一构建步骤：初始化多个深度学习神经网络模型作为个人时空预测深度学习模型，将每一时间每一空间每个个人的时间信息和空间信息和个人数据作为输入(每次输入仍然为单个时间单个空间里的单个人的数据、时间信息、空间信息)，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，对个人时空预测深度学习模型进行第四训练(所述个人时空预测深度学习模型都会经过多个时间多个空间多个个人样本的训练，个人时空预测深度学习模型能对某个时间某个空间某个个人进行预测)；不同的个人时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；

个人时空预测深度学习模型第二构建步骤：将每一时间的个人空间预测深度学习模型的预设隐层(预设隐层可以预设为最接近输出层的隐层，或其他隐层)的特征数据(每次输入仍然为单个时间单个空间里的单个人的特征数据)作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，对个人时空预测深度学习模型进行第五训练(所述个人时空预测深度学习模型都会经过多个时间多个空间多个个人样本的训练，个人时空预测深度学习模型能对某个时间某个空间某个个人进行预测)；不同的个人时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；

训练方式第二设置步骤：第四训练和第五训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第四训练和第五训练得到个人时空预测深度学习模型；

个人时空预测深度学习模型第一使用步骤：在使用时，将每一时间每一空间每个个人的时间信息和空间信息和个人数据作为输入(每次输入仍然为单个时间单个空间里的单个人的数据、时间信息、空间信息)，通过所述个人时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述每一个人预测结果；

训练方式第三设置步骤：第一训练、第三训练和第五训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第一训练、第三训练和第五训练得到所述每一时间所述每一空间的个人预测深度学习模型；

(上面的阶段主要是以个人空间预测深度学习模型为基础来构建个人时空预测深度学习模型)

个人时空预测深度学习模型第三构建步骤：初始化多个深度学习神经网络模型作为个人时空预测深度学习模型，将每一时间每一空间每个个人的时间信息和空间信息和个人数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，对个人时空预测深度学习模型进行第六训练(所述个人时空预测深度学习模型都会经过多个时间多个空间多个个人样本的训练，个人时空预测深度学习模型能对某个时间某个空间某个个人进行预测)；不同的个人时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；

个人时空预测深度学习模型第四构建步骤：将每一时间每一空间的个人预测深度学习模型的预设隐层(预设隐层可以预设为最接近输出层的隐层，或其他隐层)的特征数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，到个人时空预测深度学习模型进行第七训练(所述个人时空预测深度学习模型都会经过多个时间多个空间多个个人的个人样本的训练，个人时空预测深度学习模型能对对某个时间某个空间某个个人进行预测)；不同的个人时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；

训练方式第四设置步骤：第六训练和第七训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第六训练和第七训练得到个人时空预测深度学习模型；

个人时空预测深度学习模型第二使用步骤：在使用时，将每一时间每一空间每个个人的时间信息和空间信息和个人数据作为输入，通过所述个人时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述每一个人预测结果；

训练方式第五设置步骤：第一训练、第七训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第一训练、第七训练得到所述每一时间所述每一空间的个人预测深度学习模型；

(上面的阶段主要是以个人预测深度学习模型为基础来构建个人时空预测深度学习模型)

个人时间深度学习预测模型第一构建步骤：初始化多个深度学习神经网络模型作为个人时间深度学习预测模型，将每一时间的每一空间每个个人的空间信息和个人数据作为输入，将所述每一时间的所述每一空间的所述每一个人预期结果作为预期输出，对所述每一空间的个人时间预测深度学习模型进行第八训练(所述每一时间的个人时间预测深度学习模型都会经过所述每一空间中多个时间多个个人样本的训练，个人时间预测深度学习模型能对在一个特定的空间内对某个时间某个个人进行预测)，不同的个人时间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；

个人时间深度学习预测模型第二构建步骤：将每一时间每一空间的个人预测深度学习模型的预设隐层(预设隐层可以预设为最接近输出层的隐层，或其他隐层)的特征数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，到所述每一空间的个人时间深度学习预测模型进行第九训练(所述每一空间的个人时间预测深度学习模型都会经过所述每一空间中多个时间多个个人的个人样本的训练，个人时间预测深度学习模型能对在一个特定的空间内对某个时间某个个人进行预测)；不同的个人时间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；

训练方式第六设置步骤：第八训练和第九训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第八训练和第九训练得到所述每一时间的个人时间预测深度学习模型；

个人时间深度学习预测模型使用步骤：在使用时，将每一时间的每一空间每个个人的空间信息和个人数据作为输入，通过所述每一空间的个人时间预测深度学习模型的计算，得到的输出作为所述每一空间的所述每一时间的所述每一个人预测结果；

个人时空预测深度学习模型第五构建步骤：初始化多个深度学习神经网络模型作为个人时空预测深度学习模型，将每一空间每一时间每个个人的时间信息和空间信息和个人数据作为输入，将所述每一空间所述每一时间的所述每一个人预期结果作为预期输出，对个人时空预测深度学习模型进行第十训练(所述个人时空预测深度学习模型都会经过多个时间多个空间多个个人样本的训练，个人时空预测深度学习模型能对某个时间某个空间某个个人进行预测)；不同的个人时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；

个人时空预测深度学习模型第六构建步骤：将每一空间的个人时间预测深度学习模型的预设隐层(预设隐层可以预设为最接近输出层的隐层，或其他隐层)的特征数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，对个人时空预测深度学习模型进行第十一训练(所述个人时空预测深度学习模型都会经过多个时间多个空间多个个人样本的训练，个人时空预测深度学习模型能对某个时间某个空间某个个人进行预测)；不同的个人时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；

训练方式第七设置步骤：第十训练和第十一训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第十训练和第十一训练得到个人时空预测深度学习模型；

个人时空预测深度学习模型第三使用步骤：在使用时，将每一时间每一空间每个个人的时间信息和空间信息和个人数据作为输入，通过所述个人时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述每一个人预测结果；

(上面的阶段主要是以个人时间预测深度学习模型为基础来构建个人时空预测深度学习模型)

模型联合设置步骤：个人预测深度学习模型的输入还包括所述每一时间所述每一空间的时间信息和空间信息；个人空间深度学习预测模型的输入还包括所述每一时间的时间信息；个人预测深度学习模型、个人空间预测深度学习模型、个人时空预测深度学习模型相互共享输入层和输出层；(增加的这些输入信息虽然在个人预测深度学习模型和个人空间深度学习预测模型的训练和使用中不起作用，但是可以实现个人预测深度学习模型、个人空间预测深度学习模型、个人时空预测深度学习模型相互共享输入层。个人预测深度学习模型、个人空间预测深度学习模型、个人时空预测深度学习模型共享输入层，同时也共享输出层，但是从不同的隐层连接到输出层的，实现了殊途同归、相互印证的奇特效果，用到了量子计算的多态模式)

预期结果设置步骤：个人数据包括个人感染传染病的相关数据，包括个人上传的数据、个人自我检测的数据、个人在医院检测的数据；预期结果包括传染病感染风险。

本发明的其他实施例

传统的个人感染风险预测都是进行各自为政地预测，也就是说张三预测张三的，李四预测李四的，假如张三和李四距离很近，甚至是相距咫尺，其实张三和李四之间会有相互影响，对于传染病而言更是如此，人与人之间的影响是很大的，而这种影响只有放到时空中才能考量出来，可以根据张三和李四的手机定位信息来采集到张三和李四在什么时间段是近距离接触的，这在传染病防治中也是一种常用的病例追踪手段，这种手段如何在基于大数据深度学习的时空预测模型里运用？如何在基于大数据深度学习的时空预测模型里体现出个人的时空位置？如果将时空位置作为一个变量输入，时空位置只是作为个人的时空预测模型的输入，那其实很难在不同的个人之间建立时空相关性，也就很难接近真实的人与人之间相互影响的情况。本实施例采用的解决方法是将个人的综合模型的顶层特征数据(距离输出层最近的隐层的输出)嵌入到时空中作为基于大数据深度学习的个人风险时空预测模型的输入。一种解决方案是首先将基于大数据深度学习的个人风险预测模型的顶层特征数据嵌入到空间中作为基于大数据深度学习的个人风险空间预测模型的输入，然后再将基于大数据深度学习的个人风险空间预测模型的顶层特征数据嵌入到时间序列中作为基于大数据深度学习的个人风险时间预测模型的输入，这样就实现了时空性三个维度的时空模型的相互关联，进而达到了兼顾时空性三维来进行更为全面准确的时空预测的目的。另一种解决方案是直接将基于大数据深度学习的个人风险预测模型的顶层特征数据嵌入到空间和时间序列中，也就是说把时间和空间揉合到一起，然后直接作为基于大数据深度学习的个人风险时空预测模型的输入，并进行卷积，使得时、空、性三者进行相关，进而使得时空预测能够全面考虑时间、空间、本性三个要素，实现更为准确的个人风险时空预测。这里的关键难点就是如何进行时空嵌入。

在基于大数据深度学习的个人风险自助预测模型的基础上，把各个个人的感染风险放到时空中去进行时空预测，使得分布在全国各地的大量用户可以自己通过本实施例的新发重大传染病个人风险时空预测系统进行自助的时空预测(包括对个人现在感染风险的预测和将来感染风险的预测)，同时可以实现用户的自助的新发重大传染病个人风险时空预测结果的大数据采集，为后续区域疫情的时空预测打下基础。

第一种解决方案是通过时空先后嵌入的基于大数据深度学习的新发重大传染病的个人风险自助时空预测模型。首先将基于大数据深度学习的个人风险预测模型的顶层特征数据嵌入到空间中作为基于大数据深度学习的个人风险空间预测模型(用CNN的方式嵌入)的输入，然后再将基于大数据深度学习的个人风险空间预测模型的顶层特征数据嵌入到时间序列中作为基于大数据深度学习的个人风险时间预测模型(用LSTM的方式嵌入)的输入，这样就实现了时空性三个维度的时空模型的相互关联，进而达到了兼顾时空性三维来进行更为全面准确的时空预测的目的。图5展示的是通过时空先后嵌入的基于大数据深度学习的新发重大传染病的个人风险自助时空预测模型路线示意图。

通过时空先后嵌入的基于大数据深度学习的新发重大传染病的个人风险自助时空预测模型的方案主要步骤：

在模型训练阶段有如下步骤：

1)将多个个人的多个空间的多个时间数据集输入到多个基于大数据深度学习的个人自助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个人自助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)将多个空间(可以为不同的空间点或区域)相同时间(可以为相同的时点或时段)的基于大数据深度学习的个人自助预测模型的顶层特征数据输入到基于大数据深度学习的个人自助空间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个人自助空间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)将多个时间(可以为不同的时点或时段)的基于大数据深度学习的个人自助空间预测模型的顶层特征数据输入到基于大数据深度学习的个人自助时空预测模型进行训练和测试。

在模型使用阶段有如下步骤：

4)将多个个人的多个空间的多个时间数据集输入到多个基于大数据深度学习的个人自助预测模型就能得到个人风险预测的结果，而且，多个基于大数据深度学习的个人自助预测模型的顶层特征又会输入到基于大数据深度学习的个人自助空间预测模型，进而能得到空间中的个人风险预测的结果，进一步地，多个基于大数据深度学习的个人自助预测空间模型的顶层特征又会输入到基于大数据深度学习的个人自助时空预测模型，进而能得到时空中的个人风险预测的结果。

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个人自助预测模型、基于大数据深度学习的个人自助空间预测模型、基于大数据深度学习的个人自助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个人自助预测模型使用个人任一时空点(对应一个时间点、一个空间点)的数据进行无监督训练。基于大数据深度学习的个人自助空间预测模型使用基于大数据深度学习的个人自助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个人自助时空预测模型使用基于大数据深度学习的个人自助空间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个人自助预测模型、基于大数据深度学习的个人自助空间预测模型、基于大数据深度学习的个人自助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个人自助空间预测模型的预期输出是多个基于大数据深度学习的个人自助预测模型的预期输出在空间维中的组合，每个基于大数据深度学习的个人自助时空预测模型的预期输出是多个基于大数据深度学习的个人自助空间预测模型的预期输出在时间维中的组合，每个基于大数据深度学习的个人自助时空预测模型的预期输出是多个基于大数据深度学习的个人自助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个人自助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个人自助空间预测模型、基于大数据深度学习的个人自助预测模型的参数；基于大数据深度学习的个人自助空间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个人自助预测模型的参数；基于大数据深度学习的个人自助预测模型的参数调节也会引起基于大数据深度学习的个人自助空间预测模型和基于大数据深度学习的个人自助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个人自助预测模型属于基于大数据深度学习的个人自助空间预测模型的一部分，而基于大数据深度学习的个人自助空间预测模型又是基于大数据深度学习的个人自助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。

第二种解决方案是通过时空同时嵌入的基于大数据深度学习的新发重大传染病的个人风险自助时空预测模型。直接将基于大数据深度学习的个人风险预测模型的顶层特征数据嵌入到空间和时间序列中，也就是说把时间和空间揉合到一起，然后直接作为基于大数据深度学习的个人风险时空预测模型的输入，并进行卷积，使得时、空、性三者进行相关，进而使得时空预测能够全面考虑时间、空间、本性三个要素，实现更为准确的个人风险时空预测。图6展示的是通过时空先后嵌入的基于大数据深度学习的新发重大传染病的个人风险自助时空预测模型路线示意图。

通过时空同时嵌入的基于大数据深度学习的新发重大传染病的个人风险自助时空预测模型的方案主要步骤：

在模型训练阶段有如下步骤：

1)将多个个人的多个空间的多个时间数据集输入到多个基于大数据深度学习的个人自助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个人自助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)将多个空间(可以为不同的空间点或区域)的多个时间(可以为不同的时点或时段)数据集对应的基于大数据深度学习的个人自助预测模型的顶层特征数据输入到基于大数据深度学习的个人自助时空预测模型进行训练和测试。

在模型使用阶段有如下步骤：

3)将多个个人的多个空间的多个时间数据集输入到多个基于大数据深度学习的个人自助预测模型就能得到个人风险预测的结果，而且，多个基于大数据深度学习的个人自助预测模型的顶层特征又会输入到基于大数据深度学习的个人自助时空预测模型，进而能得到时空中的个人风险预测的结果。

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个人自助预测模型、基于大数据深度学习的个人自助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个人自助预测模型使用个人任一时空点(对应一个时间点、一个空间点)的数据进行无监督训练。基于大数据深度学习的个人自助时空预测模型使用多个基于大数据深度学习的个人自助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个人自助预测模型、基于大数据深度学习的个人自助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个人自助时空预测模型的预期输出是多个基于大数据深度学习的个人自助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个人自助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个人自助预测模型的参数；基于大数据深度学习的个人自助预测模型的参数调节也会引起基于大数据深度学习的个人自助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个人自助预测模型属于基于大数据深度学习的个人自助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。

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。