6.如權利要求4所述的預測監控方法，其特征在于，所述機器學習預測模塊訓練階段包括以下步驟：

步驟1，在所述搜索關鍵詞篩選模塊中，選取與傳染病發作癥狀相關聯的關鍵詞作為相關關鍵詞，組成關鍵詞表；

步驟2，在搜索熱度指數網絡請求模塊中，輸入步驟1中的所述相關關鍵詞，通過搜索引擎接口獲取所述相關關鍵詞在實驗時間段內對應的搜索熱度指數；

步驟3，數據預處理：把搜索熱度指數均值低于熱度閾值的相關關鍵詞過濾掉，計算所述關鍵詞與其搜索熱度指數之間的相關系數，并將相關系數低于相關系數閾值的相關關鍵詞過濾掉；

步驟4，獲取實驗時間段內，每日新增病例數量；

步驟5，建立訓練樣本：假設第T日的新增傳染病確診人數與前m日的相關關鍵詞的搜索量存在關聯關系，即每個樣本的特征包含T-m日到T-1日預處理后的每個相關關鍵詞的檢索量，設每日有n個相關關鍵詞，另外增加T-m日到T-1日每日新增病例為特征，每個樣本包含m(n+1)個特征，每個樣本的目標值為第T日的新增病例數量，通過滑動時間窗的方法在目標時間段獲得多組樣本，所述時間窗的窗長為m天，樣本數量＝總時間長度-時間窗長+1，每個樣本的目標值為第T日的真實新增病例數量，如果使用模型預測未來第N天的新增病例數量，則每個樣本的目標值為第T+N日的真實新增病例數量；

基于訓練樣本數據建立回歸模型，模型采用lasso回歸模型，求解回歸系數的目標函數中使用的懲罰函數是L1范數：

y＝θX+e

y為預測第N天的新增病例數量，X為輸入的特征向量，e為預測誤差，通過訓練樣本數據訓練θ向量，使lasso損失函數最??；Lasso回歸損失函數表達式：

L1＝argmin||y-θX||+λ||θ||。