1.一种传染病趋势预测装置，其特征在于，包括数据接收模块、数据存储模块、状态方程构造模块、测量方程构造模块和预测输出模块；其中，数据接收模块，用于从服务器接收传染病历史数据；

数据存储模块，用于存储接收的传染病历史数据和传染病趋势预测值；

状态方程构造模块，用于根据传染病历史数据构造状态方程，通过上一时刻的状态来推测此刻的状态；

测量方程构造模块，用于根据传染病历史数据构造测量方程，用于跟状态方程的值融合；

预测输出模块，用于结合状态方程和测量方程，输出传染病时间预测值；

使用时包括以下步骤：

S1：接收服务器发送的预测传染病趋势的指令，从服务器采集传染病历史数据并存储；

S2：根据传染病历史数据构造状态方程和测量方程；

S3：根据传染病历史数据构造时间序列矩阵，再将时间序列矩阵拆分成第一隐特征矩阵X和第二隐特征矩阵Z；

S4：结合状态方程、测量方程计算构造目标函数，对第一隐特征矩阵X和第二隐特征矩阵Z进行训练，输出第一更新隐特征X(t)和第二更新隐特征Z(t)；

S5：计算传染病趋势预测值；

其中，S4包括：

S4‑1：初始化传染病趋势预测过程中所涉及的过程参数；

S4‑2：构造目标损失函数ε，以训练获取隐特征矩阵X、Z的值，目标损失函数ε用以下公式表示：公式(5)中，ε(P)表示时间序列矩阵的目标损失函数；P拆分为X和Z两个隐特征矩阵；t表示o向i输送r个传染病患者的时刻；|T|表示时刻的总数；P(t)o,i表示t时刻第o个城市向第i个城市输入的传染病数值；Γ表示已知数据集即四元组Y；λ表示正则化系数,对优化过程进行约束，防止在优化过程中出现过拟合的问题； 表示预测值，x(t)o表示第一隐特征矩阵中X第o个隐特征向量，o∈I；z(t)i表示第二隐特征矩阵Z中第i个隐特征向量，i∈J；

‖·‖2表示L2范数；

S4‑3：训练第一隐特征矩阵X，输出第一更新隐特征X(t)；

X有T个时间片，X(0)、X(1)、X(2)、…、X(t)…X(T)，X(0)是迭代前的随机化的初始状态；固定Z对X进行更新，具体的方法为：将状态方程和测量方程根据泰勒公式展开：

公式(6)的意义是状态转移函数在k‑1时刻后验值 点进行泰勒展开，其中，f(Uk‑1)表示k‑1时刻疾病状态的非线性转移函数； 表示k‑1时刻的后验状态值的非线性转移函数； 表示k‑1时刻的后验状态值的非线性转移函数的求导； 表示k‑1时刻的后验值；Uk‑1表示k‑1时刻疾病状态；

公式(7)的意义是测量函数在k时刻通过状态转移函数的先验值未跟此刻测量值融合的数据) 点上进行泰勒展开，其中，h(Uk)表示k时刻疾病状态的非线性测量函数；

表示k时刻先验状态值的非线性测量函数； 表示什么k时刻先验状态值的非线性测量函数的求导；Uk表示k时刻疾病状态； 表示状态转移函数的先验值；

则得到的预测步为：

公式(8)中， 表示k时刻先验值，即还没使用观测值“融合”之前的状态值，通过上一时刻的后验值 经过状态转移函数得到k时刻先验值； 是k时刻的先验方差， 是k‑1时刻的后验方差，Sk表示状态噪声；

则得到的更新步为：

公式(9)中，K表示扩展卡尔曼增益，扩展卡尔曼增益相当于一个权重，判断是更相信状态值还是更相信测量值，让最后的预测值更倾向于状态值还是测量值； 表示K时刻的后验值，即通过“融合”状态值和观测值得到最终的预测值； 表示k时刻的状态值；yk是观测值，即传染病历史数据，h是测量函数； 是K时刻的后验方差即预测方差； 是k时刻的先验方差；

对X进行训练，得到一系列的 即X(t)，K∈T，t∈T，T表示数据集中最后的时刻；

S4‑4：训练第二隐特征矩阵Z，输出第二更新隐特征Z(T)；

Z有T个时间片，Z(0)、Z(1)、Z(2)、Z(3)…Z(T)，Z(0)是迭代前的随机化的初始状态；固定X通过交替二乘法对Z进行更新，构造其目标损失函数ε(Z)，公式如下：公式(10)中，ε(Z)表示第二隐特征矩阵Z的目标损失函数；

对Z更新:

公式(11)中，z(1)i表示第二隐特征矩阵第一个时间片中第i个隐特征向量； 表示t＝1时刻的测量值集合，维度为维度为1×|P(1)K(i)|； 表示t＝1时刻的第一隐特征矩阵，维度为|P(1)K(i)|×|f|；P(1)K(i)表示t＝1时刻四元组的数据集合；I为单位矩阵；

S4‑5：在已知数据集合Γ上重复上述训练过程，直至目标损失函数ε在已知数据集合Γ上收敛，判断损失函数ε在Γ上训练迭代过程是否达到终止条件，在达到终止条件后终止。

2.如权利要求1所述的一种传染病趋势预测装置，其特征在于，所述数据存储模块包括第一存储单元和第二存储单元；其中，第一存储单元，用于存储接收的传染病历史数据；

将接受的传染病历史数据以四元组的形式进行存储，四元组表示形式为Y＝(o,i,r,t)，其中，Y表示传染病历史数据，o表示向外输出传染病的城市，i表示接收传染病的城市，r表示o向i输送传染病的患者个数，t表示o向i输送r个传染病患者的时刻；传染病数据分为市外输入和本土化，若o≠i，表明该传染病由o城市向i城市市外输入；若o＝i，表明该传染病是本土化；

第二存储单元，用于存储预测输出模块的传染病趋势预测值。

3.如权利要求1所述的一种传染病趋势预测装置，其特征在于，所述状态方程为：Uk＝V(Uk‑1)+Sk  (1)

公式(1)的意义是从k‑1的状态值得出k时刻的状态值，用来更新第一隐特征矩阵X中的参数；其中，Uk表示k时刻的状态值；Uk‑1表示k‑1时刻的状态值；V表示状态转移函数；Sk表示+状态噪声； 其中Uk‑1 是k‑1时刻的后验值，即该时刻的状态值和观测值经过“融合”后的值； 是k‑1时刻的后验方差,即该时刻的预测噪声和测量噪声经过“融合”后的值。

4.如权利要求1所述的一种传染病趋势预测装置，其特征在于，所述测量方程为：Qk＝W(Uk)+Mk(2)

公式(2)中，Qk表示k时刻的测量值，Uk表示k时刻的状态值；W表示测量函数；Mk表示测量噪声。

5.如权利要求1所述的一种传染病趋势预测装置，其特征在于，所述预测输出模块包括初始化单元、训练单元和计算单元；其中，初始化单元，用于初始化传染病趋势预测过程中所涉及的过程参数，过程参数包括隐特征矩阵X、Z，隐特征维数f，最大训练迭代轮数max_count，迭代轮数控制变量count，收敛终止阈值χ，正则化系数λ；

训练单元，用于结合状态方程、测量方程和过程参数训练计算隐特征矩阵；

计算单元根据得到的隐特征矩阵，计算传染病预测值。

6.基于权利要求1‑5任一项所述一种传染病趋势预测装置的使用方法，其特征在于，具体包括以下步骤：S1：接收服务器发送的预测传染病趋势的指令，从服务器采集传染病历史数据并存储；

S2：根据传染病历史数据构造状态方程和测量方程；

S3：根据传染病历史数据构造时间序列矩阵，再将时间序列矩阵拆分成第一隐特征矩阵X和第二隐特征矩阵Z；

S4：结合状态方程、测量方程计算构造目标函数，对第一隐特征矩阵X和第二隐特征矩阵Z进行训练，输出第一更新隐特征X(t)和第二更新隐特征Z(t)；

S5：计算传染病趋势预测值；

所述S2中，

状态方程为：

Uk＝V(Uk‑1)+Sk  (3)

公式(3)的意义是从k‑1的状态值得出k时刻的状态值，用来更新第一隐特征矩阵X中的参数；其中，Uk表示k时刻的状态值；Uk‑1表示k‑1时刻的状态值；V表示状态转移函数；Sk表示+状态噪声； 其中Uk‑1是k‑1时刻的后验值，即该时刻的状态值和观测值经过“融合”后的值； 是k‑1时刻的后验方差,即该时刻的预测噪声和测量噪声经过“融合”后的值；

测量方程为：

Qk＝W(Uk)+Mk(4)

公式(4)中，Qk表示k时刻的测量值，Uk表示k时刻的状态值；W表示测量函数；Mk表示测量噪声。

7.如权利要求6所述的种传染病趋势预测装置的使用方法，其特征在于，所述S3中具体包括：根据传染病历史数据Y＝(o,i,r,t)中不同时刻构造时间序列矩阵，P(1)、P(2)、…、P(T)，t∈T,T是传染病数据中最后的时刻；时间序列矩阵中的元素P(t)o,i表示t时刻第o个城市向第i个城市输入的传染病数值；

将每个时间序列矩阵拆分成第一隐特征矩阵X和第二隐特征矩阵Z，X大小为|I|×|f|，Z大小为|J|×|f|，f表示隐特征维度。

8.如权利要求6所述的种传染病趋势预测装置的使用方法，其特征在于，所述S5中传染病趋势预测值的计算公式为：公式(12)中， 表示传染病预测值；X(t)表示第一更新隐特征；Z(t)表示第二更新隐特征；E表示转置矩阵。