大数据深度学习动态变量多级时空预测的人工智能方法

摘要

大数据深度学习动态变量多级时空预测的人工智能方法，包括：获取单时单空变量集合步骤；获取待选输入变量集合步骤；初始化待选单时单空模型步骤；单时单空模型训练步骤；单时单空模型测试步骤；最优单时预测深度学习模型步骤；最优单时预测深度学习模型测试步骤。上述方法、系统和机器人，将每一时空的输入变量项进行不同的组合，通过深度学习神经网络模型对时空每一组合的变量集进行训练和测试，从而找到最优的时空变量组合，无需所有的输入变量数据都参与训练和预测，从而可以节省成本，提高时空训练和时空预测的效率，同时通过时空预测效果遴选出的时空预测深度学习模型能够获得最好的时空预测效果。

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多级时空大数据深度学习的动态变量时空预测方法。

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：不同时空数据是相互影响的，但分辨率又不一样，而且起主要作用的影响因素也会有差异。不同时空分辨率下(例如，一个村、一个街道、一个市、一个省、一个国)对疫情影响的因素是不同的，不同的时间(例如，疫情初发期、高峰期、低谷期、消亡期)、不同的空间(例如南方、北方、农村、城市)对疫情影响的因素也是不同的，但现有技术中不同疫情时空预测模型的输入指标变量雷同，

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变量时空预测方法，以解决现有技术中不同疫情时空预测模型的输入指标变量雷同的问题。

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；

获取待选输入变量集合步骤：获取所述每一时间所述每一空间的输入变量集合的每一输入变量子集，作为所述每一时间所述每一空间的每一待选输入变量集合；

初始化待选单时单空模型步骤：根据所述每一时间所述每一空间的所述每一待选输入变量集合和所述输出变量集合，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所述每一待选输入变量集合对应的单时单空预测深度学习模型；

单时单空模型训练步骤：将所述每一时间所述每一空间的每一待选输入变量集合对应的数据作为输入，将所述每一时间所述每一空间的所述输出变量集合对应的数据作为预期输出，对所述每一时间所述每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型进行第一训练；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；

单时单空模型测试步骤：在测试时，将所述每一时间所述每一空间的每一待选输入变量集合对应的数据作为输入，通过所述每一时间所述每一空间的所述每一待选输入变量集合对应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述输出变量集合对应的预测结果；

最优单时预测深度学习模型步骤：通过测试获取所述每一时间所述每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型的预测效果，获取预测效果最好的所述每一时间所述每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型，作为所述每一时间所述每一空间的最优单时单空预测深度学习模型；

最优单时预测深度学习模型步骤：在使用时，将所述每一时间所述每一空间的输入变量集合对应的数据作为输入，通过所述每一时间所述每一空间的最优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输出变量集合对应的预测结果。

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个空间中每一时间每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型的第一预设隐层的输出的特征数据的集合的联合，作为所述每M个时间所述每N个空间的每一待选输入变量集合；获取每M个时间每N个空间的输出变量集合；

初始化待选多时多空模型步骤：根据所述每M个时间所述每N个空间的所述每一待选输入变量集合和所述输出变量集合，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个空间的所述每一待选输入变量集合对应的待选多时多空预测深度学习模型；

多时多空模型训练步骤：将所述每M个时间所述每N个空间的每一待选输入变量集合对应的数据作为输入，将所述每M个时间所述每N个空间的所述输出变量集合对应的数据作为预期输出，对所述每M个时间所述每N个空间的所述每一待选输入变量集合对应的多时多空预测深度学习模型进行第一训练；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；

多时多空模型测试步骤：在测试时，通过所述每M个时间所述每N个空间的每一待选输入变量集合对应的所有单时单空预测深度学习模型的计算得到所述每M个时间所述每N个空间的每一待选输入变量集合对应的数据，将所述每M个时间所述每N个空间的每一待选输入变量集合对应的数据作为输入，通过所述每M个时间所述每N个空间的所述每一待选输入变量集合对应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 个空间的所述输出变量集合对应的预测结果；

最优多时多空预测深度学习模型步骤：通过测试获取所述每M个时间所述每N个空间的所述每一待选输入变量集合对应的多时多空预测深度学习模型的预测效果，获取预测效果最好的所述每M个时间所述每N个空间的所述每一待选输入变量集合对应的多时多空预测深度学习模型，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；获取预测效果最好的所述每M个时间所述每N个空间的所述每一待选输入变量集合对应的所述每M个时间所述每N个空间中每一时间每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型作为所述每M个时间所述每N个空间中每一时间每一空间的最优单时单空预测深度学习模型；

最优多时多空预测深度学习模型测试步骤：在使用时，通过所述每M个时间所述每N个空间中每一时间每一空间的最优单时单空预测深度学习模型的计算得到所述每M个时间所述每N个空间的输入变量集合对应的数据，将所述每M个时间所述每N个空间的输入变量集合对应的数据作为输入，通过所述每M个时间所述每N个空间的输入变量集合对应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个空间的输出变量集合对应的预测结果。

优选地，所述方法还包括：

第一获取超时超空变量集合步骤：获取每M*S个时间每N*T个空间中每一时间每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型的第一预设隐层的输出的特征数据的集合的联合，作为所述每M*S个时间所述每N*T个空间的每一待选输入变量集合；获取每M*S个时间每N*T个空间的输出变量集合；

第一初始化待选超时超空模型步骤：根据所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合和所述输出变量集合，初始化深度学习神经网络模型作为所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的待选超时超空预测深度学习模型；

第一超时超空模型训练步骤：将所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的数据作为输入，将所述每M*S个时间所述每N*T个空间的所述输出变量集合对应的数据作为预期输出，对所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的超时超空预测深度学习模型进行第一训练；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；

第一超时超空模型测试步骤：在测试时，通过所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的所有单时单空预测深度学习模型的计算得到所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的数据，将所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的数据作为输入，通过所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应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M*S个时间所述每N*T个空间的所述输出变量集合对应的预测结果；

第一最优超时超空预测深度学习模型步骤：第一通过测试获取所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的超时超空预测深度学习模型的预测效果，获取预测效果最好的所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的超时超空预测深度学习模型，作为所述每M*S个时间所述每N*T个空间的超时超空预测深度学习模型；获取预测效果最好的所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的所述每M*S个时间所述每N*T个空间中每一时间每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型作为所述每M*S个时间所述每N*T个空间中每一时间每一空间的最优单时单空预测深度学习模型；

第一超时超空模型使用步骤：在使用时，通过所述每M*S个时间所述每N*T个空间中每一时间每一空间的最优单时单空预测深度学习模型的计算得到所述每M*S个时间所述每N*T 个空间的输入变量集合对应的数据，将所述每M*S个时间所述每N*T个空间的输入变量集合对应的数据作为输入，通过所述每M*S个时间所述每N*T个空间的输入变量集合对应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M*S个时间所述每N*T个空间的输出变量集合对应的预测结果。

优选地，所述方法还包括：

第二获取超时超空变量集合步骤：获取每M*S个时间每N*T个空间中每M时间每N空间的所述每一待选输入变量集合对应的多时多空预测深度学习模型的第一预设隐层的输出的特征数据的集合的联合，作为所述每M*S个时间所述每N*T个空间的每一待选输入变量集合；获取每M*S个时间每N*T个空间的输出变量集合；

第二初始化待选超时超空模型步骤：根据所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合和所述输出变量集合，初始化深度学习神经网络模型作为所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的待选超时超空预测深度学习模型；

第二超时超空模型训练步骤：将所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的数据作为输入，将所述每M*S个时间所述每N*T个空间的所述输出变量集合对应的数据作为预期输出，对所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的超时超空预测深度学习模型进行第一训练；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；

第二超时超空模型测试步骤：在测试时，通过所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的所有多时多空预测深度学习模型的计算得到所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的数据，将所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的数据作为输入，通过所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应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M*S个时间所述每N*T个空间的所述输出变量集合对应的预测结果；

第二最优超时超空预测深度学习模型步骤：第二通过测试获取所述每M*S个时间所述每 N*T个空间的所述每一待选输入变量集合对应的超时超空预测深度学习模型的预测效果，获取预测效果最好的所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的超时超空预测深度学习模型，作为所述每M*S个时间所述每N*T个空间的超时超空预测深度学习模型；获取预测效果最好的所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的所述每M*S个时间所述每N*T个空间中每M个时间每N个空间的所述每一待选输入变量集合对应的多时多空预测深度学习模型作为所述每M*S个时间所述每N*T个空间中每M个时间每N个空间的最优多时多空预测深度学习模型；

第二超时超空模型使用步骤：在使用时，通过所述每M*S个时间所述每N*T个空间中每 M个时间每N个空间的最优多时多空预测深度学习模型的计算得到所述每M*S个时间所述每 N*T个空间的输入变量集合对应的数据，将所述每M*S个时间所述每N*T个空间的输入变量集合对应的数据作为输入，通过所述每M*S个时间所述每N*T个空间的输入变量集合对应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M*S个时间所述每N*T个空间的输出变量集合对应的预测结果。

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：

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；

获取待选输入变量集合模块：获取所述每一时间所述每一空间的输入变量集合的每一输入变量子集，作为所述每一时间所述每一空间的每一待选输入变量集合；

初始化待选单时单空模型模块：根据所述每一时间所述每一空间的所述每一待选输入变量集合和所述输出变量集合，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所述每一待选输入变量集合对应的单时单空预测深度学习模型；

单时单空模型训练模块：将所述每一时间所述每一空间的每一待选输入变量集合对应的数据作为输入，将所述每一时间所述每一空间的所述输出变量集合对应的数据作为预期输出，对所述每一时间所述每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型进行第一训练；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；

单时单空模型测试模块：在测试时，将所述每一时间所述每一空间的每一待选输入变量集合对应的数据作为输入，通过所述每一时间所述每一空间的所述每一待选输入变量集合对应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述输出变量集合对应的预测结果；

最优单时预测深度学习模型模块：通过测试获取所述每一时间所述每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型的预测效果，获取预测效果最好的所述每一时间所述每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型，作为所述每一时间所述每一空间的最优单时单空预测深度学习模型；

最优单时预测深度学习模型模块：在使用时，将所述每一时间所述每一空间的输入变量集合对应的数据作为输入，通过所述每一时间所述每一空间的最优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输出变量集合对应的预测结果。

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个空间中每一时间每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型的第一预设隐层的输出的特征数据的集合的联合，作为所述每M个时间所述每N个空间的每一待选输入变量集合；获取每M个时间每N个空间的输出变量集合；

初始化待选多时多空模型模块：根据所述每M个时间所述每N个空间的所述每一待选输入变量集合和所述输出变量集合，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个空间的所述每一待选输入变量集合对应的待选多时多空预测深度学习模型；

多时多空模型训练模块：将所述每M个时间所述每N个空间的每一待选输入变量集合对应的数据作为输入，将所述每M个时间所述每N个空间的所述输出变量集合对应的数据作为预期输出，对所述每M个时间所述每N个空间的所述每一待选输入变量集合对应的多时多空预测深度学习模型进行第一训练；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；

多时多空模型测试模块：在测试时，通过所述每M个时间所述每N个空间的每一待选输入变量集合对应的所有单时单空预测深度学习模型的计算得到所述每M个时间所述每N个空间的每一待选输入变量集合对应的数据，将所述每M个时间所述每N个空间的每一待选输入变量集合对应的数据作为输入，通过所述每M个时间所述每N个空间的所述每一待选输入变量集合对应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 个空间的所述输出变量集合对应的预测结果；

最优多时多空预测深度学习模型模块：通过测试获取所述每M个时间所述每N个空间的所述每一待选输入变量集合对应的多时多空预测深度学习模型的预测效果，获取预测效果最好的所述每M个时间所述每N个空间的所述每一待选输入变量集合对应的多时多空预测深度学习模型，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；获取预测效果最好的所述每M个时间所述每N个空间的所述每一待选输入变量集合对应的所述每M个时间所述每N个空间中每一时间每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型作为所述每M个时间所述每N个空间中每一时间每一空间的最优单时单空预测深度学习模型；

最优多时多空预测深度学习模型测试模块：在使用时，通过所述每M个时间所述每N个空间中每一时间每一空间的最优单时单空预测深度学习模型的计算得到所述每M个时间所述每N个空间的输入变量集合对应的数据，将所述每M个时间所述每N个空间的输入变量集合对应的数据作为输入，通过所述每M个时间所述每N个空间的输入变量集合对应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个空间的输出变量集合对应的预测结果。

优选地，所述系统还包括：

第一获取超时超空变量集合模块：获取每M*S个时间每N*T个空间中每一时间每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型的第一预设隐层的输出的特征数据的集合的联合，作为所述每M*S个时间所述每N*T个空间的每一待选输入变量集合；获取每M*S个时间每N*T个空间的输出变量集合；

第一初始化待选超时超空模型模块：根据所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合和所述输出变量集合，初始化深度学习神经网络模型作为所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的待选超时超空预测深度学习模型；

第一超时超空模型训练模块：将所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的数据作为输入，将所述每M*S个时间所述每N*T个空间的所述输出变量集合对应的数据作为预期输出，对所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的超时超空预测深度学习模型进行第一训练；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；

第一超时超空模型测试模块：在测试时，通过所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的所有单时单空预测深度学习模型的计算得到所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的数据，将所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的数据作为输入，通过所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应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M*S个时间所述每N*T个空间的所述输出变量集合对应的预测结果；

第一最优超时超空预测深度学习模型模块：第一通过测试获取所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的超时超空预测深度学习模型的预测效果，获取预测效果最好的所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的超时超空预测深度学习模型，作为所述每M*S个时间所述每N*T个空间的超时超空预测深度学习模型；获取预测效果最好的所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的所述每M*S个时间所述每N*T个空间中每一时间每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型作为所述每M*S个时间所述每N*T个空间中每一时间每一空间的最优单时单空预测深度学习模型；

第一超时超空模型使用模块：在使用时，通过所述每M*S个时间所述每N*T个空间中每一时间每一空间的最优单时单空预测深度学习模型的计算得到所述每M*S个时间所述每N*T 个空间的输入变量集合对应的数据，将所述每M*S个时间所述每N*T个空间的输入变量集合对应的数据作为输入，通过所述每M*S个时间所述每N*T个空间的输入变量集合对应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M*S个时间所述每N*T个空间的输出变量集合对应的预测结果。

优选地，所述系统还包括：

第二获取超时超空变量集合模块：获取每M*S个时间每N*T个空间中每M时间每N空间的所述每一待选输入变量集合对应的多时多空预测深度学习模型的第一预设隐层的输出的特征数据的集合的联合，作为所述每M*S个时间所述每N*T个空间的每一待选输入变量集合；获取每M*S个时间每N*T个空间的输出变量集合；

第二初始化待选超时超空模型模块：根据所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合和所述输出变量集合，初始化深度学习神经网络模型作为所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的待选超时超空预测深度学习模型；

第二超时超空模型训练模块：将所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的数据作为输入，将所述每M*S个时间所述每N*T个空间的所述输出变量集合对应的数据作为预期输出，对所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的超时超空预测深度学习模型进行第一训练；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；

第二超时超空模型测试模块：在测试时，通过所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的所有多时多空预测深度学习模型的计算得到所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的数据，将所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的数据作为输入，通过所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应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M*S个时间所述每N*T个空间的所述输出变量集合对应的预测结果；

第二最优超时超空预测深度学习模型模块：第二通过测试获取所述每M*S个时间所述每 N*T个空间的所述每一待选输入变量集合对应的超时超空预测深度学习模型的预测效果，获取预测效果最好的所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的超时超空预测深度学习模型，作为所述每M*S个时间所述每N*T个空间的超时超空预测深度学习模型；获取预测效果最好的所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的所述每M*S个时间所述每N*T个空间中每M个时间每N个空间的所述每一待选输入变量集合对应的多时多空预测深度学习模型作为所述每M*S个时间所述每N*T个空间中每M个时间每N个空间的最优多时多空预测深度学习模型；

第二超时超空模型使用模块：在使用时，通过所述每M*S个时间所述每N*T个空间中每 M个时间每N个空间的最优多时多空预测深度学习模型的计算得到所述每M*S个时间所述每 N*T个空间的输入变量集合对应的数据，将所述每M*S个时间所述每N*T个空间的输入变量集合对应的数据作为输入，通过所述每M*S个时间所述每N*T个空间的输入变量集合对应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M*S个时间所述每N*T个空间的输出变量集合对应的预测结果。

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多级时空大数据深度学习的动态变量时空预测方法，包括：获取单时单空变量集合步骤；获取待选输入变量集合步骤；初始化待选单时单空模型步骤；单时单空模型训练步骤；单时单空模型测试步骤；最优单时预测深度学习模型步骤；最优单时预测深度学习模型测试步骤。上述方法、系统和机器人，将每一时空的输入变量项进行不同的组合，通过深度学习神经网络模型对时空每一组合的变量集进行训练和测试，从而找到最优的时空变量组合，无需所有的输入变量数据都参与训练和预测，从而可以节省成本，提高时空训练和时空预测的效率，同时通过时空预测效果遴选出的时空预测深度学习模型能够获得最好的时空预测效果。

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3为本发明的实施例提供的人工智能方法包括的流程；

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传染病的动态指标时空预测模型指标筛选路线示意图。

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：获取单时单空变量集合步骤；获取待选输入变量集合步骤；初始化待选单时单空模型步骤；单时单空模型训练步骤；单时单空模型测试步骤；最优单时预测深度学习模型步骤；最优单时预测深度学习模型测试步骤。技术效果：所述方法将每一时空的输入变量项进行不同的组合，通过深度学习神经网络模型对时空每一组合的变量集进行训练和测试，从而找到最优的时空变量组合，无需所有的输入变量数据都参与训练和预测，从而可以节省成本，提高时空训练和时空预测的效率，同时通过时空预测效果遴选出的时空预测深度学习模型能够获得最好的时空预测效果。

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；初始化待选多时多空模型步骤；多时多空模型训练步骤；多时多空模型测试步骤；最优多时多空预测深度学习模型步骤；最优多时多空预测深度学习模型测试步骤。技术效果：所述方法将单时单空预测深度学习模型的特征数据的不同组合作为多时多空预测深度学习模型的特征输入来构建多时多空预测深度学习模型，通过深度学习神经网络模型对多时多空每一组合的变量集进行训练和测试，从而找到最优的时空变量组合，无需所有的输入变量数据都参与训练和预测，从而可以节省成本，提高多时多空训练和时空预测的效率，同时通过多时多空预测效果遴选出的多时多空预测深度学习模型能够获得最好的时空预测效果。

在一个优选的实施例中，如图3所示，所述方法还包括：第一获取超时超空变量集合步骤；第一初始化待选超时超空模型步骤；第一超时超空模型训练步骤；第一超时超空模型测试步骤；第一最优超时超空预测深度学习模型步骤；第一超时超空模型使用步骤。技术效果：所述方法将单时单空预测深度学习模型的特征数据的不同组合作为超时超空预测深度学习模型的特征输入来构建超时超空预测深度学习模型，通过深度学习神经网络模型对超时超空每一组合的变量集进行训练和测试，从而找到最优的时空变量组合，无需所有的输入变量数据都参与训练和预测，从而可以节省成本，提高超时超空训练和时空预测的效率，同时通过超时超空预测效果遴选出的超时超空预测深度学习模型能够获得最好的时空预测效果。

在一个优选的实施例中，如图4所示，所述方法还包括：第二获取超时超空变量集合步骤；第二初始化待选超时超空模型步骤；第二超时超空模型训练步骤；第二超时超空模型测试步骤；第二最优超时超空预测深度学习模型步骤；第二超时超空模型使用步骤。技术效果：所述方法将多时多空预测深度学习模型的特征数据的不同组合作为超时超空预测深度学习模型的特征输入来构建超时超空预测深度学习模型，通过深度学习神经网络模型对超时超空每一组合的变量集进行训练和测试，从而找到最优的时空变量组合，无需所有的输入变量数据都参与训练和预测，从而可以节省成本，提高超时超空训练和时空预测的效率，同时通过超时超空预测效果遴选出的超时超空预测深度学习模型能够获得最好的时空预测效果。

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；

获取待选输入变量集合步骤：获取所述每一时间所述每一空间的输入变量集合的每一输入变量子集，作为所述每一时间所述每一空间的每一待选输入变量集合；

初始化待选单时单空模型步骤：根据所述每一时间所述每一空间的所述每一待选输入变量集合和所述输出变量集合，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所述每一待选输入变量集合对应的单时单空预测深度学习模型；

单时单空模型训练步骤：将所述每一时间所述每一空间的每一待选输入变量集合对应的数据作为输入，将所述每一时间所述每一空间的所述输出变量集合对应的数据作为预期输出，对所述每一时间所述每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型进行第一训练(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；

单时单空模型测试步骤：在测试时，将所述每一时间所述每一空间的每一待选输入变量集合对应的数据作为输入，通过所述每一时间所述每一空间的所述每一待选输入变量集合对应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述输出变量集合对应的预测结果；

最优单时预测深度学习模型步骤：通过测试获取所述每一时间所述每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型的预测效果(预测效果包括预测准确率)，获取预测效果最好的所述每一时间所述每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型，作为所述每一时间所述每一空间的最优单时单空预测深度学习模型；

最优单时预测深度学习模型测试步骤：在使用时，将所述每一时间所述每一空间的输入变量集合对应的数据作为输入，通过所述每一时间所述每一空间的最优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输出变量集合对应的预测结果。

获取多时多空变量集合步骤：获取每M个时间每N个空间中每一时间每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型的第一预设隐层的输出的特征数据的集合的联合(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。)，作为所述每M个时间所述每N个空间的每一待选输入变量集合；获取每M个时间每N个空间的输出变量集合；(例如，每一时间每一空间的有4个待选输入变量集合，那么2个时间3个空间就是2*3个每一时间每一空间的联合，那么组合得到的每M个时间每N个空间的待选输入变量集合的数量就是4的6次方)

初始化待选多时多空模型步骤：根据所述每M个时间所述每N个空间的所述每一待选输入变量集合和所述输出变量集合，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个空间的所述每一待选输入变量集合对应的待选多时多空预测深度学习模型；

多时多空模型训练步骤：将所述每M个时间所述每N个空间的每一待选输入变量集合对应的数据作为输入，将所述每M个时间所述每N个空间的所述输出变量集合对应的数据作为预期输出，对所述每M个时间所述每N个空间的所述每一待选输入变量集合对应的多时多空预测深度学习模型进行第一训练(所述多时多空预测深度学习模型都会经过多个时间多个空间样本的训练，多时多空预测深度学习模型能对某M个时间某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；

多时多空模型测试步骤：在测试时，通过所述每M个时间所述每N个空间的每一待选输入变量集合对应的所有单时单空预测深度学习模型的计算得到所述每M个时间所述每N个空间的每一待选输入变量集合对应的数据，将所述每M个时间所述每N个空间的每一待选输入变量集合对应的数据作为输入，通过所述每M个时间所述每N个空间的所述每一待选输入变量集合对应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 个空间的所述输出变量集合对应的预测结果；

最优多时多空预测深度学习模型步骤：通过测试获取所述每M个时间所述每N个空间的所述每一待选输入变量集合对应的多时多空预测深度学习模型的预测效果(预测效果包括预测准确率)，获取预测效果最好的所述每M个时间所述每N个空间的所述每一待选输入变量集合对应的多时多空预测深度学习模型，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；获取预测效果最好的所述每M个时间所述每N个空间的所述每一待选输入变量集合对应的所述每M个时间所述每N个空间中每一时间每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型作为所述每M个时间所述每N个空间中每一时间每一空间的最优单时单空预测深度学习模型；

最优多时多空预测深度学习模型测试步骤：在使用时，通过所述每M个时间所述每N个空间中每一时间每一空间的最优单时单空预测深度学习模型的计算得到所述每M个时间所述每N个空间的输入变量集合对应的数据，将所述每M个时间所述每N个空间的输入变量集合对应的数据作为输入，通过所述每M个时间所述每N个空间的输入变量集合对应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个空间的输出变量集合对应的预测结果。

第一获取超时超空变量集合步骤：获取每M*S个时间每N*T个空间中每一时间每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型的第一预设隐层的输出的特征数据的集合的联合，作为所述每M*S个时间所述每N*T个空间的每一待选输入变量集合；获取每M*S个时间每N*T个空间的输出变量集合；(例如，每一时间每一空间的有4个待选输入变量集合，那么2个时间3个空间就是2*3个每一时间每一空间的联合，那么组合得到的每M*S个时间每N*T个空间的待选输入变量集合的数量就是4的6次方)

第一初始化待选超时超空模型步骤：根据所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合和所述输出变量集合，初始化深度学习神经网络模型作为所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的待选超时超空预测深度学习模型；

第一超时超空模型训练步骤：将所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的数据作为输入，将所述每M*S个时间所述每N*T个空间的所述输出变量集合对应的数据作为预期输出，对所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的超时超空预测深度学习模型进行第一训练(所述超时超空预测深度学习模型都会经过多个时间多个空间样本的训练，超时超空预测深度学习模型能对某M*S个时间某N*T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；

第一超时超空模型测试步骤：在测试时，通过所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的所有单时单空预测深度学习模型的计算得到所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的数据，将所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的数据作为输入，通过所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应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M*S个时间所述每N*T个空间的所述输出变量集合对应的预测结果；

第一最优超时超空预测深度学习模型步骤：第一通过测试获取所述每M*S个时间所述每 N*T个空间的所述每一待选输入变量集合对应的超时超空预测深度学习模型的预测效果(预测效果包括预测准确率)，获取预测效果最好的所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的超时超空预测深度学习模型，作为所述每M*S个时间所述每N*T 个空间的超时超空预测深度学习模型；获取预测效果最好的所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的所述每M*S个时间所述每N*T个空间中每一时间每一空间的所述每一待选输入变量集合对应的单时单空预测深度学习模型作为所述每M*S个时间所述每N*T个空间中每一时间每一空间的最优单时单空预测深度学习模型；

第一超时超空模型使用步骤：在使用时，通过所述每M*S个时间所述每N*T个空间中每一时间每一空间的最优单时单空预测深度学习模型的计算得到所述每M*S个时间所述每N*T 个空间的输入变量集合对应的数据，将所述每M*S个时间所述每N*T个空间的输入变量集合对应的数据作为输入，通过所述每M*S个时间所述每N*T个空间的输入变量集合对应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M*S个时间所述每N*T个空间的输出变量集合对应的预测结果。

第二获取超时超空变量集合步骤：获取每M*S个时间每N*T个空间中每M时间每N空间的所述每一待选输入变量集合对应的多时多空预测深度学习模型的第一预设隐层的输出的特征数据的集合的联合，作为所述每M*S个时间所述每N*T个空间的每一待选输入变量集合；获取每M*S个时间每N*T个空间的输出变量集合；(例如，每M个时间每N个空间的有4个待选输入变量集合，那么2个时间3个空间就是2*3个每M个时间每N个空间的联合，那么组合得到的每M*S个时间每N*T个空间的待选输入变量集合的数量就是4的6次方)

第二初始化待选超时超空模型步骤：根据所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合和所述输出变量集合，初始化深度学习神经网络模型作为所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的待选超时超空预测深度学习模型；

第二超时超空模型训练步骤：将所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的数据作为输入，将所述每M*S个时间所述每N*T个空间的所述输出变量集合对应的数据作为预期输出，对所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的超时超空预测深度学习模型进行第一训练(所述超时超空预测深度学习模型都会经过多个时间多个空间样本的训练，超时超空预测深度学习模型能对某M*S个时间某N*T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；

第二超时超空模型测试步骤：在测试时，通过所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的所有多时多空预测深度学习模型的计算得到所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的数据，将所述每M*S个时间所述每N*T个空间的每一待选输入变量集合对应的数据作为输入，通过所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应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M*S个时间所述每N*T个空间的所述输出变量集合对应的预测结果；

第二最优超时超空预测深度学习模型步骤：第二通过测试获取所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的超时超空预测深度学习模型的预测效果(预测效果包括预测准确率)，获取预测效果最好的所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的超时超空预测深度学习模型，作为所述每M*S个时间所述每N*T 个空间的超时超空预测深度学习模型；获取预测效果最好的所述每M*S个时间所述每N*T个空间的所述每一待选输入变量集合对应的所述每M*S个时间所述每N*T个空间中每M个时间每N个空间的所述每一待选输入变量集合对应的多时多空预测深度学习模型作为所述每M*S 个时间所述每N*T个空间中每M个时间每N个空间的最优多时多空预测深度学习模型；

第二超时超空模型使用步骤：在使用时，通过所述每M*S个时间所述每N*T个空间中每 M个时间每N个空间的最优多时多空预测深度学习模型的计算得到所述每M*S个时间所述每 N*T个空间的输入变量集合对应的数据，将所述每M*S个时间所述每N*T个空间的输入变量集合对应的数据作为输入，通过所述每M*S个时间所述每N*T个空间的输入变量集合对应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M*S个时间所述每N*T个空间的输出变量集合对应的预测结果。

本发明的其他实施例

不同时空数据是相互影响的，但分辨率又不一样，而且起主要作用的影响因素也会有差 异，不同时空分辨率下(例如，一个村、一个街道、一个市、一个省、一个国)对疫情影响 的因素是不同的，不同的时间(例如，疫情初发期、高峰期、低谷期、消亡期)、不同的空间(例如南方、北方、农村、城市)对疫情影响的因素也是不同的，所以不同级别的疫情时空 预测模型的输入指标变量也不应完全雷同，而需要根据实际进行选择。传统的方法都是根据经验进行选择或根据传统机器学习的方法进行筛选，但不论哪种方式选出来的输入变量指标 都不一定是最切合数据的，也就是说不一定能使得基于大数据深度学习的时空预测模型准确 率最优，那如何才能选出能让基于大数据深度学习的时空预测模型准确率最优的输入变量指 标？根据不同的时空范围和时空特性进行输入指标的个性化设定，使得时空预测模型能支持 在不同时空分辨率和范围内接受不同输入指标。通过基于大数据深度学习的时空预测模型本 身进行输入变量指标的筛选，正所谓“解铃还需系铃人”，只有这样才能真正地解决问题，找 到各级时空预测模型的最优输入变量。关键难点在于，如何基于大数据深度学习的时空预测 模型本身实现输入变量指标的筛选。

首先获取各级模型的尽可能齐全的输入数据指标集合，然后从中筛选出必需的输入数据指标集合，从而得到基于多级时空大数据深度学习的新发重大传染病的各级时空预测模型的动态指标。关键在于如何从尽可能齐全的输入数据指标集合中筛选出必需的输入数据指标集合。而这种筛选是非常必要的，因为在基于多级时空大数据深度学习的新发重大传染病时空预测模型中，各级模型的输入数据指标中只有部分指标是必需的，必需性指标对新发重大传染病时空预测有着决定性的作用，而其他的指标是非必需的，非必需性指标在新发重大传染病时空预测时不发挥决定性的作用，也就是说将非必需性指标排去掉不影响新发重大传染病时空预测的正确性。非必需指标数据有时甚至对必需指标数据形成噪声，从而干扰新发重大传染病时空预测的正确判断。因此只需对必需性指标进行采集，能大大地降低新发重大传染病时空预测的成本、减少预测所需的数据、缩短预测的时间、提高预测的速度和效率、甚至能提高预测的正确率。但现有技术只能通过已有指标数据来进行新发重大传染病时空预测，而无法将输入指标中非必需的指标找出来。图5展示的是基于多级时空大数据深度学习的新发重大传染病的动态指标时空预测模型指标筛选路线示意图。

本实施例采用的方案为：

1)获取通过样本训练得到的基于多级时空大数据深度学习的新发重大传染病时空预测模型的当前子模型，作为改进前基于多级时空大数据深度学习的新发重大传染病时空预测模型的当前子模型。

2)获取带有预期标签的多个输入数据输入及其对应的预期标签。在每次测试中，将每个输入数据输入所述改进前基于多级时空大数据深度学习的新发重大传染病时空预测模型的当前子模型，得到输出标签，并比较该输出标签与该个输入数据对应的预期标签是否一致。将输出标签与预期标签一致的测试次数除以总测试次数，得到改进前基于多级时空大数据深度学习的新发重大传染病时空预测模型的当前子模型的输出正确率。

3)将所述改进前基于多级时空大数据深度学习的新发重大传染病时空预测模型的当前子模型的输入层的每个输入项作为一个输入项组合加入待测试删除输入项组合的集合。

4)从待测试删除输入项组合的集合中选取一个输入项组合P，将该输入项组合P对应的所述改进前基于多级时空大数据深度学习的新发重大传染病时空预测模型的当前子模型的输入层的输入结点删除，同时删除该输入结点与其他结点的所有连接，得到当前改进后基于多级时空大数据深度学习的新发重大传染病时空预测模型的当前子模型。

5)将第2步中带有预期标签的多个输入数据输入及其对应的预期标签作为当前改进后基于多级时空大数据深度学习的新发重大传染病时空预测模型的当前子模型的测试数据。在每次测试中，将每个输入数据中对应未删除输入项的数据输入当前改进后基于多级时空大数据深度学习的新发重大传染病时空预测模型的当前子模型，得到输出标签，并比较该输出标签与该个输入数据对应的预期标签是否一致。将输出标签与预期标签一致的测试次数除以总测试次数，得到当前改进后基于多级时空大数据深度学习的新发重大传染病时空预测模型的当前子模型的输出正确率。

6)如果改进前基于多级时空大数据深度学习的新发重大传染病时空预测模型的当前子模型的输出正确率减去当前改进后基于多级时空大数据深度学习的新发重大传染病时空预测模型的当前子模型的输出正确率的差大于预设阈值，则将所述输入项组合P从待测试删除输入项组合的集合中删除。

7)如果改进前基于多级时空大数据深度学习的新发重大传染病时空预测模型的当前子模型的输出正确率减去当前改进后基于多级时空大数据深度学习的新发重大传染病时空预测模型的当前子模型的输出正确率的差小于或等于预设阈值，则将所述输入项组合P从待测试删除输入项组合的集合中删除，并加入测试删除成功输入项组合的集合。

8)判断待测试删除输入项组合的集合是否为空，1)如果待测试删除输入项组合的集合不为空，则重复4～7，2)如果待测试删除输入项组合的集合为空，则判断测试删除成功输入项组合的集合是否为空，2.1)如果测试删除成功输入项组合的集合不为空，则将测试删除成功输入项组合的集合中的所有输入项组合移入候选删除输入项组合的集合(就是将测试删除成功输入项组合的集合中的所有输入项组合加入候选删除输入项组合的集合后将测试删除成功输入项组合的集合清空)，进入第9步骤；2.2)如果测试删除成功输入项组合的集合为空，进入第10步骤；说明：待测试删除输入项组合的集合不为空，说明待测试删除输入项组合的集合中还有输入项组合没有进行删除测试，所以需要继续重复4～7进行删除测试，直到待测试删除输入项组合的集合为空。如果待测试删除输入项组合的集合为空，测试删除成功输入项组合的集合不为空，说明在测试中又获得了新的删除测试成功了的输入项组合，所以需要把这些新的删除测试成功了的输入项组合加入到候选删除输入项组合的集合，同时要将测试删除成功输入项组合的集合清空以供将来使用。这些新的删除测试成功了的输入项组合移到候选删除输入项组合的集合后，由于新的删除测试成功的输入项组合的加入，那么候选删除输入项组合的集合中的各输入项组合进行组合而形成新的待测试输入项组合，因此要转到 9。如果待测试删除输入项组合的集合为空，测试删除成功输入项组合的集合为空，说明没有获得新的删除测试成功了的输入项组合，那么也就没有新的输入项组合能够与候选删除输入项组合的集合中的各输入项组合进行组合而形成新的待测试输入项组合，也就是没有其他可测试的输入项组合了，所以测试结束，因此要转到10。

9)将候选删除输入项组合的集合中的每两个输入项进行组合生成一个新的输入项组合，若该新的输入项组合在候选删除输入项组合的集合中不存在，则将所述生成的新的输入项组合加入待测试删除输入项组合的集合，转到第4步执行。说明：将候选删除输入项组合的集合中的每两个输入项进行组合生成一个新的输入项组合，若该新的输入项组合在候选删除输入项组合的集合中存在，那么必然在以前就加入过待测试删除输入项组合的集合并被测试过，所以无需重复测试，也就无需加入待测试删除输入项组合的集合；若该新的输入项组合在候选删除输入项组合的集合中不存在，才需要将所述生成的新的输入项组合加入待测试删除输入项组合的集合，但此时还不要将所述生成的新的输入项组合加入候选删除输入项组合的集合中，因为还没有进行测试，所述生成的新的输入项组合进行删除测试不一定会成功，所以要转到第4步执行。

10)如果候选删除输入项组合的集合为空，则输出“没有可删除的输入项组合”；如果候选删除输入项组合的集合不为空，获取候选删除输入项组合的集合中每一输入项组合的成本，并获取成本最高的输入项组合；说明：输入项组合的成本包括输入项组合对应的数据获取成本、数据管理成本。如果输入项组合中包含多个输入项，那么输入项组合的成本等于其中包含的所有输入项的成本之和。

11)成本最高的输入项组合删除后，得到的基于多级时空大数据深度学习的新发重大传染病时空预测模型的当前子模型的输入数据的成本就能降低得最多，所以自然是最佳选择。

12)从改进前基于多级时空大数据深度学习的新发重大传染病时空预测模型的当前子模型中删除最值得删除的输入项组合对应的输入节点，得到改进后基于多级时空大数据深度学习的新发重大传染病时空预测模型的当前子模型并输出。

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。