1.一种人工智能方法，其特征在于，所述方法包括：

目标疾病获取步骤：获取待监测的疾病作为目标疾病；

医院监测数据获取步骤：针对每一区域每一时段，通过互联网从医院获取目标传染病的医院监测数据；

个人监测数据获取步骤：针对每一区域每一时段，通过移动互联网从个人获取目标传染病的个人监测数据；

第一交集获取步骤：针对每一区域每一时段，获取在目标传染病的个人监测数据存在监测结果，又在目标传染病的医院监测数据中存在监测结果的个人的集合，作为第一交集；

相关个人数据获取步骤：针对每一区域每一时段，通过互联网获取目标传染病的相关个人数据；目标传染病相关个人数据包括购买与目标传染病相关的药品或咨询数据；

第二交集获取步骤：针对每一区域每一时段，获取在目标传染病的个人监测数据存在监测结果，又在目标传染病的医院监测数据中存在监测结果，又在目标传染病的相关个人数据中存在相关个人数据的个人的集合，作为所述每一区域所述每一时段的第二交集；

初始化深度学习模型作为第一监测结果预测模型；将每一区域每一时段的第二交集中的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据和相关个人数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第一监测结果预测模型；

第一监测结果预测模型构建步骤：初始化深度学习模型作为第一监测结果预测模型；

将每一区域每一时段的第一交集中存在的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据、相关个人数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第一监测结果预测模型；

第二监测结果预测模型构建步骤：初始化深度学习模型作为第二监测结果预测模型；

将每一区域每一时段的第一交集中存在第二交集中不存在的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第二监测结果预测模型；

监测结果预测模型使用步骤：在使用时，获取每一区域每一时段的目标传染病的医院监测数据、目标传染病的个人监测数据、目标传染病的相关个人数据中的每一个人；若所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中，则以所述每一区域所述每一时段的目标传染病的医院监测数据的监测结果作为所述每一个人在所述每一区域所述每一时段的监测结果；若所述每一个人不在所述每一区域所述每一时段的目标传染病的医院监测数据中，在所述每一区域所述每一时段的目标传染病的个人监测数据、在所述每一区域所述每一时段的目标传染病的相关个人数据中，则以所述每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据、在所述每一区域所述每一时段的目标传染病的相关个人数据作为输入，对第一监测结果预测模型计算得到的输出作为所述每一个人在所述每一区域所述每一时段的监测结果；若所述每一个人不在所述每一区域所述每一时段的目标传染病的医院监测数据中、不在所述每一区域所述每一时段的目标传染病的相关个人数据中，在所述每一区域所述每一时段的目标传染病的个人监测数据中，则以所述每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据作为输入，对第二监测结果预测模型计算得到的输出作为所述每一个人在所述每一区域所述每一时段的监测结果。

2.根据权利要求1所述的人工智能方法，其特征在于，所述方法还包括：

医院监测数据的可信度设置步骤：针对每一区域每一时段，设置目标传染病的医院监测数据的可信度为100%；

个人监测数据的可信度计算步骤：针对每一区域每一时段，统计第一交集中在目标传染病的个人监测数据存在的监测结果与在目标传染病的医院监测数据中存在的监测结果一致的个人数量，作为可信数量；将可信数量占第一交集的个人数量的比例作为目标传染病的个人监测数据的可信度；

个人监测数据的可信度预设步骤：针对每一区域当前时段，根据以往时段的所述每一区域的目标传染病的个人监测数据的可信度，预测所述每一区域当前时段的目标传染病的个人监测数据的可信度；

个人监测数据的可信度反馈步骤：将所述每一区域当前时段的目标传染病的个人监测数据的可信度实时反馈给所述每一区域的目标传染病的个人监测数据的采集部门；若所述每一区域当前时段的目标传染病的个人监测数据的可信度低于预设阈值，则向所述每一区域的目标传染病的个人监测数据的采集部门发出预警，通过预警提醒所述每一区域的目标传染病的个人监测数据的采集部门提高采集的准确率。

3.根据权利要求2所述的人工智能方法，其特征在于，所述方法还包括：

第一预测可信度步骤：初始化深度学习神经网络模型，作为可信度预测模型；将K个连续时段的所述每一区域的目标传染病的个人监测数据的可信度作为输入，将K个连续时段的后一时段的所述每一区域的目标传染病的个人监测数据的可信度作为预期输出，对所述可信度预测模型进行训练；在使用时，将当前时段之前的K个连续时段的所述每一区域的目标传染病的个人监测数据的可信度作为输入，通过所述可信度预测模型的计算得到的输出作为当前时段的所述每一区域的目标传染病的个人监测数据的可信度的预测值；或第二预测可信度步骤：将当前时段之前的K个连续时段的所述每一区域的目标传染病的个人监测数据的可信度作为当前时段的所述每一区域的目标传染病的个人监测数据的可信度的预测值；或第三预测可信度步骤：将当前时段前一时段的所述每一区域的目标传染病的个人监测数据的可信度作为当前时段的所述每一区域的目标传染病的个人监测数据的可信度的预测值。

4.根据权利要求1所述的人工智能方法，其特征在于，所述方法还包括：

确诊数计算步骤：针对每一区域每一时段，统计目标传染病的个人监测数据存在的确诊数作为第一确诊数，统计目标传染病的医院监测数据中存在的确诊数作为第二确诊数；

第一确诊数预测模型训练步骤：针对每一区域，将每一时段的第一确诊数作为输入，将所述每一时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为所述每一区域的第一确诊数预测模型；在使用时，将所述每一区域的当前时段的第一确诊数作为输入，经过所述每一区域的第一确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第一预测值；

第二确诊数预测模型训练步骤：将每一区域每一时段的第一确诊数作为输入，将所述每一区域所述每一时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为第二确诊数预测模型；在使用时，将每一区域的当前时段的第一确诊数作为输入，经过第二确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第二预测值；

第三确诊数预测模型训练步骤：针对每一区域，将每一时段的第一确诊数作为输入，将所述每一时段的后一时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为所述每一区域的第三确诊数预测模型；在使用时，将所述每一区域的当前时段的前一个时段的第一确诊数作为输入，经过所述每一区域的第三确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第一预测值；

第四确诊数预测模型训练步骤：将每一区域每一时段的第一确诊数作为输入，将所述每一区域所述每一时段的后一个时段的第二确诊数作为预期输出，对深度学习模型进行训练，训练得到的深度学习模型作为第四确诊数预测模型；在使用时，将每一区域的当前时段的前一个时段的第一确诊数作为输入，经过第四确诊数预测模型的计算得到所述每一区域的当前时段的确诊数的第二预测值。

5.根据权利要求1所述的人工智能方法，其特征在于，所述方法还包括：

舆情数据获取步骤：针对每一区域每一时段，通过互联网获取目标传染病的舆情数据；

目标传染病的舆情数据包括网民对目标传染病的言论；获取每一区域每一时段的目标传染病的严重程度，目标传染病的严重程度包括新增确诊病例数；

舆情预测模型构建步骤：针对每一区域，将每一时段的目标传染病的舆情数据作为输入，将所述每一时段的目标传染病的严重程度作为预期输出，对深度学习模型进行训练得到所述每一区域的疫情预测模型；在使用时，将所述每一区域的当前时段的目标传染病的舆情数据作为输入，通过所述每一区域的疫情预测模型的计算得到的输出作为所述每一区域的当前时段的目标传染病的严重程度的预测值；

舆情预测模型使用步骤：若所述每一区域的当前时段的目标传染病的严重程度的预测值超过了所述每一区域的当前时段的目标传染病的严重程度的监测值，则发信息通知舆情部门进行舆情的防控，包括通知舆情部门进行避谣；若所述每一区域的当前时段的目标传染病的严重程度的预测值低于所述每一区域的当前时段的目标传染病的严重程度的监测值，则发信息通知舆情部门加强疫情的宣传，包括通知大众提高对疫情的警惕。

6.一种人工智能系统，其特征在于，所述系统包括：

目标疾病获取模块：获取待监测的疾病作为目标疾病；

医院监测数据获取模块：针对每一区域每一时段，通过互联网从医院获取目标传染病的医院监测数据；

个人监测数据获取模块：针对每一区域每一时段，通过移动互联网从个人获取目标传染病的个人监测数据；

第一交集获取模块：针对每一区域每一时段，获取在目标传染病的个人监测数据存在监测结果，又在目标传染病的医院监测数据中存在监测结果的个人的集合，作为第一交集；

相关个人数据获取模块：针对每一区域每一时段，通过互联网获取目标传染病的相关个人数据；目标传染病相关个人数据包括购买与目标传染病相关的药品或咨询数据；

第二交集获取模块：针对每一区域每一时段，获取在目标传染病的个人监测数据存在监测结果，又在目标传染病的医院监测数据中存在监测结果，又在目标传染病的相关个人数据中存在相关个人数据的个人的集合，作为所述每一区域所述每一时段的第二交集；

初始化深度学习模型作为第一监测结果预测模型；将每一区域每一时段的第二交集中的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据和相关个人数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第一监测结果预测模型；

第一监测结果预测模型构建模块：初始化深度学习模型作为第一监测结果预测模型；

将每一区域每一时段的第一交集中存在的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据、相关个人数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第一监测结果预测模型；

第二监测结果预测模型构建模块：初始化深度学习模型作为第二监测结果预测模型；

将每一区域每一时段的第一交集中存在第二交集中不存在的每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据作为输入，所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中的监测结果作为预期输出，训练第二监测结果预测模型；

监测结果预测模型使用模块：在使用时，获取每一区域每一时段的目标传染病的医院监测数据、目标传染病的个人监测数据、目标传染病的相关个人数据中的每一个人；若所述每一个人在所述每一区域所述每一时段的目标传染病的医院监测数据中，则以所述每一区域所述每一时段的目标传染病的医院监测数据的监测结果作为所述每一个人在所述每一区域所述每一时段的监测结果；若所述每一个人不在所述每一区域所述每一时段的目标传染病的医院监测数据中，在所述每一区域所述每一时段的目标传染病的个人监测数据、在所述每一区域所述每一时段的目标传染病的相关个人数据中，则以所述每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据、在所述每一区域所述每一时段的目标传染病的相关个人数据作为输入，对第一监测结果预测模型计算得到的输出作为所述每一个人在所述每一区域所述每一时段的监测结果；若所述每一个人不在所述每一区域所述每一时段的目标传染病的医院监测数据中、不在所述每一区域所述每一时段的目标传染病的相关个人数据中，在所述每一区域所述每一时段的目标传染病的个人监测数据中，则以所述每一个人在所述每一区域所述每一时段的目标传染病的个人监测数据作为输入，对第二监测结果预测模型计算得到的输出作为所述每一个人在所述每一区域所述每一时段的监测结果。

7.根据权利要求6所述的人工智能系统，其特征在于，所述系统还包括：

医院监测数据的可信度设置模块：针对每一区域每一时段，设置目标传染病的医院监测数据的可信度为100%；

个人监测数据的可信度计算模块：针对每一区域每一时段，统计第一交集中在目标传染病的个人监测数据存在的监测结果与在目标传染病的医院监测数据中存在的监测结果一致的个人数量，作为可信数量；将可信数量占第一交集的个人数量的比例作为目标传染病的个人监测数据的可信度；

个人监测数据的可信度预设模块：针对每一区域当前时段，根据以往时段的所述每一区域的目标传染病的个人监测数据的可信度，预测所述每一区域当前时段的目标传染病的个人监测数据的可信度；

个人监测数据的可信度反馈模块：将所述每一区域当前时段的目标传染病的个人监测数据的可信度实时反馈给所述每一区域的目标传染病的个人监测数据的采集部门；若所述每一区域当前时段的目标传染病的个人监测数据的可信度低于预设阈值，则向所述每一区域的目标传染病的个人监测数据的采集部门发出预警，通过预警提醒所述每一区域的目标传染病的个人监测数据的采集部门提高采集的准确率。

8.一种人工智能装置，其特征在于，所述装置用于实现权利要求1‑5任意一项所述方法的步骤。

9.一种机器人，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，其特征在于，所述处理器执行所述程序时实现权利要求1‑5任意一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1‑5任意一项所述方法的步骤。