买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南昌理工学院;山东女子学院申请的专利一种基于深度嵌入聚类元学习的流行病预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115240871B 。

龙图腾网通过国家知识产权局官网在2025-06-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210887157.5，技术领域涉及：G16H50/80；该发明授权一种基于深度嵌入聚类元学习的流行病预测方法是由赵学臣;张中;苗金凤;杨福强设计研发完成，并于2022-07-26向国家知识产权局提交的专利申请。

本一种基于深度嵌入聚类元学习的流行病预测方法在说明书摘要公布了：本发明公开了一种基于深度嵌入聚类元学习的流行病预测方法，包括以下步骤：S1、获取历史数据，将历史数据切分为与目标地区数据长度相匹配的多个时间序列片段，每个时间序列片段均包括历史片段部分和未来片段部分；S2、针对每个时间序列片段，分别对其历史片段部分和未来片段部分进行标准化，并获取时间序列片段的特征集合；S3、基于无监督聚类模型对时间序列片段进行聚类，获得多个类，采样p个类构造元训练集，并获取元知识，基于元知识对新任务模型参数初始化，并通过元训练集对初始化后的新任务模型进行训练；S4、获取预测模型，初始化参数，通过多步梯度下降进行适应优化，进而针对元测试集中的新任务，对流行病发展进行预测。

本发明授权一种基于深度嵌入聚类元学习的流行病预测方法在权利要求书中公布了：1.一种基于深度嵌入聚类元学习的流行病预测方法，其特征在于，包括以下步骤：S1、获取真实流行病确诊病例数的历史数据，将历史数据切分为与目标地区数据长度相匹配的多个时间序列片段，每个时间序列片段均包括历史片段部分和未来片段部分；S2具体包括：S21、分别对历史片段部分和未来片段部分进行标准化；S22、对于时间序列片段基于CNN和RNN提取其序列局部特征和时序特征，时间序列片段中的历史片段部分对应已知数据的特征，将时间序列片段集合投影到嵌入空间Z中，生成时间序列片段的特征集合 其中，ξ·为特征编码器，其由CNN和RNN两部分组成，为CNN特征提取操作，用于提取时间序列片段的局部特征，为RNN特征提取操作，用于提取时间序列片段的时序特征，θc，θr分别为CNN模型参数和RNN模型参数；步骤S3具体包括：S31、对时间序列片段进行聚类，并学习他们的嵌入，基于深度聚类模型IDEC，采用聚类损失来实现对给定输入进行聚类： 其中，qij表示由学生t分布测量的时间序列片段zi与聚类中心μj的相似度，pij是聚类的目标分布；按时间序列片段特征集合进行聚类，得到时间序列片段数据集合的一个划分每个聚类都是多个时间序列片段特征的集合，聚类操作定义为： 其中，l为所有类别的总数，Pi为第i个聚类簇，|Pi|表示第i个聚类簇中元素的个数，z为Pi中的元素，为l个类别的中心点，||·||为二范数；S32、采样p个聚类构建元训练任务集Mtrain＝{D1,D2,…,Dp}表示为p种传播模式，每个聚类Di分为Queryi和Supporti两部分，并对应一个预测任务其中，Supporti用于任务的学习适应，即用于基础学习器更新，Queryi用于更新元学习器参数；采用最小均方误差作为预测损失： 其中，y为真实流行病确诊病例数，为模型预测结果；基学习器学习阶段，每个任务对应一个基学习器，基于Supporti数据，基学习器计算损失利用梯度下降最小化损失，找到使损失最小化的最优参数集： 其中，θ'i为任务i的最优参数，θ为模型初始参数，α为超参数，为任务i的梯度；元学习阶段，使用Queryi数据，基于基学习器学到的最优参数θ'i，元学习器计算相对于这些最优参数θ'i的梯度，更新随机初始化的参数θ，即元知识，使得θ调整到最佳数值，在该最佳数值状态下，应用到某地区未来疫情发展情况预测时，只需少量梯度更新，即可获得较好的预测效果： 其中，θ是模型初始参数，β是超参数，是任务在Queryi上获得的相对于参数θ'i的梯度；S4、获取预测模型，初始化参数，通过多步梯度下降进行适应优化，进而针对元测试集中的新任务，对流行病发展进行预测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南昌理工学院;山东女子学院，其通讯地址为：330000 江西省南昌市经济技术开发区英雄大道901号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。