1.一种疾病发病预测方 法，应用于电子装置，其特征在于，提取以周为频次的疾病发病人数的数据和对应的天气数据，组成疾病数据；

利用特征工程进行特征提取，然后再通过奇异值分解的方法进行特征降维，获取设定维度的特征数据集，并以特征数据集中的部分数据作为训练数据，另一部分数据作为测试数据；

利用SARIMA模型对疾病数据进行平稳化处理分别得出d阶非季节性差分与D阶季节性差分；

将训练数据输入SARIMA模型，确定参数：非季节性分差次数d，非季节性自回归项数p，非季节性移动平均算子的最大滞后阶数q，季节性差分次数D、季节性自回归项数P，季节性移动平均算子的最大滞后阶数Q；

运用经过训练的SARIMA模型对疾病的周发病人数进行预测；其中，将经过训练的SARIMA模型作为一个参数K，结合温度T、降水W、气压PR来更进一步判断周发病人数，经过训练的SARIMA模型产生预测数据，将参数K、温度T、降水W、气压PR，输入到Lasso回归模型中，并通过训练数据，确定参数K、温度T、降水W、气压PR在预测上的权重分配，其中，参数K的训练数据即为经过训练的SARIMA模型的预测数据，即经过训练的SARIMA模型的输入即为参数K的输入，经过训练的SARIMA模型的输出即为Lasso回归模型的输入，Lasso回归模型公式如下，其中，前四项是分别对应参数K、温度T、降水W、气压PR四项在Lasso回归模型中的权重分配，λ||β||1是惩罚函数，通过训练数据输入Lasso回归模型，获取权重参数X1、X2、X3、X4的数值，从而确定Lasso回归模型，并以该Lasso回归模型来预测疾病的周发病人数，其中，y为预测的周发病人数；

λ为惩罚函数的系数；

X1、X2、X3、X4为权重参数；

β是估计参数。

2.根据权利要求1所述的疾病发病预测方 法，其特征在于：SARIMA模型为基于周期为s的时间序列模型，表达式如下：其中，L为非季节性疾病时间序列的滞后算子；

s

L为季节性疾病时间序列的滞后算子；

d

Δ为d次疾病的非季节性差分；

为D次疾病的非季节性差分；

代表了系数为p的自回归(MA(q))多项式；

代表了系数为q的移动平均多项式；

BQ代表系数为Q的季节移动平均多项式；

Δ与Δs分别表示非季节与s期季节性差分；

d，D分别表示的非季节与季节性差分数，用于把时间性季节序列yt转换为一个平稳的时间序列；

ut是白噪声；

s

与Ap(L)用来分别表示为非季节与季节性自回归算子；

s

与BQ(L)用来分别称为非季节与季节移动平均算子；

p表示为非季节性自回归项数；

q表示为非季节性移动平均算子的最大滞后阶数；

P表示为季节性自回归项数；

Q表示为季节性移动平均算子的最大滞后阶数。

3.根据权利要求1所述的疾病发病预测方 法，其特征在于：在利用特征工程扩充特征维度之前，先将所述疾病数据进行特征预处理，所述特征预处理包括填补缺失值、删除异常值。

4.根据权利要求1所述的疾病发病预测方 法，其特征在于：疾病发病人数的数据包括手足口病的数据。

5.根据权利要求1所述的疾病发病预测方 法，其特征在于：提取以周为频次的疾病发病人数的数据和对应的天气数据的方法是：将以天为频次的疾病发病人数转化为以周为频次的疾病发病人数，利用爬虫方法从网站上爬取对应周次的天气数据，所述天气数据包括气温、气压、降水、湿度、风力数据，并对各天气数据求取平均值，作为以周为频次的疾病发病人数对应的天气数据。

6.一种电子装置，其特征在于，该电子装置包括：存储器和处理器，所述存储器中存储有疾病发病预测程序，所述疾病发病预测程序被所述处理器执行时实现如下步骤：提取以周为频次的疾病发病人数的数据和对应的天气数据，组成疾病数据；

利用特征工程进行特征提取，然后再通过奇异值分解的方法进行特征降维，获取设定维度的特征数据集，并以特征数据集中的部分数据作为训练数据，另一部分数据作为测试数据；

利用SARIMA模型对疾病数据进行平稳化处理分别得出d阶非季节性差分与D阶季节性差分；

将训练数据输入SARIMA模型，确定参数：非季节性分差次数d，非季节性自回归项数p，非季节性移动平均算子的最大滞后阶数q，季节性差分次数D、季节性自回归项数P，季节性移动平均算子的最大滞后阶数Q；

运用经过训练的SARIMA模型对疾病的周发病人数进行预测；其中，将经过训练的SARIMA模型作为一个参数K，结合温度T、降水W、气压PR来更进一步判断周发病人数，经过训练的SARIMA模型产生预测数据，将参数K、温度T、降水W、气压PR，输入到Lasso回归模型中，并通过训练数据，确定参数K、温度T、降水W、气压PR在预测上的权重分配，其中，参数K的训练数据即为经过训练的SARIMA模型的预测数据，即经过训练的SARIMA模型的输入即为参数K的输入，经过训练的SARIMA模型的输出即为Lasso回归模型的输入，Lasso回归模型公式如下，其中，前四项是分别对应参数K、温度T、降水W、气压PR四项在Lasso回归模型中的权重分配，λ||β||1是惩罚函数，通过训练数据输入Lasso回归模型，获取权重参数X1、X2、X3、X4的数值，从而确定Lasso回归模型，并以该Lasso回归模型来预测疾病的周发病人数，其中，y为预测的周发病人数；

λ为惩罚函数的系数；

X1、X2、X3、X4为权重参数；

β是估计参数。

7.根据权利要求6所述的电子装置，其特征在于：SARIMA模型为基于周期为s的时间序列模型，表达式如下：其中，L为非季节性疾病时间序列的滞后算子；

s

L为季节性疾病时间序列的滞后算子；

d

Δ为d次疾病的非季节性差分；

为D次疾病的非季节性差分；

代表了系数为p的自回归(MA(q))多项式；

代表了系数为q的移动平均多项式；

BQ代表系数为Q的季节移动平均多项式；

Δ与Δs分别表示非季节与s期季节性差分；

d，D分别表示的非季节与季节性差分数，用于把时间性季节序列yt转换为一个平稳的时间序列；

ut是白噪声；

s

与Ap(L)用来分别表示为非季节与季节性自回归算子；

s

与BQ(L)用来分别称为非季节与季节移动平均算子；

p表示为非季节性自回归项数；

q表示为非季节性移动平均算子的最大滞后阶数；

P表示为季节性自回归项数；

Q表示为季节性移动平均算子的最大滞后阶数。

8.一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存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，实现权利要求1至5中任一项所述的疾病发病预测方法。