CN109360660A - 一种疾控与出行信息互联的防控方法及防控系统 - Google Patents

Abstract

本申请涉及公共卫生技术领域，公开了一种疾控与出行信息互联的防控方法，包括步骤：调取本地染病病例历史数据和影响疾病传染源生存的环境因素组成，拟合网格风险图；确定新发感染者为传染源，并获得所述新发感染者发病前一段时间内的出行信息；对所述出行信息进行分类筛选，并挖掘可能驻留点，并和空间路网数据结合，对可能驻留点进行语义化；将步骤3中的可能驻留点和步骤1生成的风险图进行对比，从而得出主要的可疑点，作为高概率发生点；采用关联规则挖掘算法或者字串模式挖掘算法对运动模式进行挖掘，从而预测可能的传播趋势；根据上述结果对高风险区域进行干预；本发明将对传染病的流行趋势进行重点预判，降低防控成本。

Description

一种疾控与出行信息互联的防控方法及防控系统

技术领域

本申请涉及公共卫生技术领域，特别涉及一种疾控与出行信息互联的防控方法及防控系统。

背景技术

目前，对于传染病主要的应急措施着眼于对患病者的控制和高危人群的隔离等，但有些疾病因为潜伏特点和传染方式等，对于传染病的提前控制,也都是采用全面撒网,严控防御,没有重点,且过程复杂、用时较长。

现在技术中专利文献CN201610060508X提供了一种利用手机轨迹追踪传染源和预测传染病流行趋势的方法。其通过提取感染者的手机话务数据以及相关基站位置区域识别码和基站扇区位置标示号码，进行轨迹化分析，然后通过不同感染者的手机轨迹相似点得知可能的传染源。然而，采用基站信息进行轨迹化分析时，由于基站范围大，无法精确定位，且基站连接存在震荡问题，无法准确对于基站标识，此外基站之间存在重叠，无法连续记录用户的位置数据。从而使得在以后分析过程中造成偏差，预测结果准确度有待优化。

目前,火车、飞机是主要的出行方式，我国高铁里程2.5万公里,位居全球第一，铁路作为最大众化的交通工具,每年将有20多亿旅客乘铁路跨地方长途旅行；得益于共享经济的兴起，对于短途旅行，共享单车、电车、汽车等也是目前流行的一种出行方式,得益于实名乘车和现代定位技术的发达，为我们将出行轨迹可视化提供了可能，同时其提供的GPS轨迹信息清晰，可以提供准确的分析基础。

基于上述认识，尝试结合手机基站信息和出行信息，同时与健康信息联系起来，为传染病预防和控制提供了一种新的方法。

发明内容

针对以上问题，本发明提供了一种全新的疾控与出行信息互联的防控方法及防控系统。本发明结合出行信息和健康信息对传染病的传播和流行趋势提供了一种可行的方法，将对传染病的流行趋势进行重点预判，降低防控成本。

本发明提出一种疾控与出行信息互联的防控方法，包括步骤：

步骤1：调取本地染病病例历史数据和影响疾病传染源生存的环境因素组成，拟合网格风险图；

步骤2：确定新发感染者为传染源，并获得所述新发感染者发病前一段时间内的出行信息；

步骤3：对所述出行信息进行分类筛选，并挖掘可能驻留点，并和空间路网数据结合，对可能驻留点进行语义化；

步骤4：将步骤3中的可能驻留点和步骤1生成的风险图进行对比，从而得出主要的可疑点，作为高概率发生点。

步骤5：采用关联规则挖掘算法或者字串模式挖掘算法对运动模式进行挖掘，从而预测可能的传播趋势；

步骤6：根据上述结果对高风险区域进行干预。

进一步地，步骤1中本地染病风险数据是通过随机森林模型得出。

进一步地，步骤2一段时间根据传染病的传播方式确定。

进一步地，步骤2出行信息包括公共交通GPS信息以及基于无线网络或者基站定位的数据信息。进一步包括和铁路公司、民航局、出行共享公司（例如滴滴、神州专车、OFO等）、汽车出租公司等沟通，获取感染的出行信息；以及和三大运营商移动、联通、电信沟通获取感染者的相关基站数据，例如基站位置区域识别号码和基站扇区位置识别号码等。

进一步地，步骤3中所述出行信息筛选包括对其中的GPS数据信息和基于手机基站的GSM数据进行归类。

进一步地，步骤3进一步包括

步骤3.1 ：针对GPS数据，通过将轨迹数据分割，提取主要兴趣点，经过聚类分析得到主要的特征点A；

步骤3.2：针对GSM数据，使用空间和时间聚类算法对相关GSM数据进行预处理，从而得出主要的特征点B；

步骤3.3：特征点A、B进行对比拟合，得出主要驻留点；

步骤3.4：结合感染者主要的语义表述以及空间路网数据对主要驻留点进行语义化。

进一步地，步骤3.1包括数据预处理；然后基于扰动夹角对路径进行切割，得出兴趣点集合C；基于时间扰动进行切割，得出兴趣点集合C’；将集合C和C’进行拟合，得到主要的兴趣点集Cf，基于点与点之间的欧式距离，采用聚类分析，得出主要的特征点A。

进一步地，步骤3.2对GSM基站轨迹数据进行窗口化和分组，然后采用公知聚类技术将其轨迹数据抽象为聚类时间序列，得出主要的特征点B。

进一步地，将主要的驻留点和风险图进行对比，得出主要可疑点，作为疫情高风险点。

进一步地，根据不同感染者的聚类数据，可以采用公知的挖掘模式，对感染者的运动模式进行挖掘，例如可以采用子串模式或者关联规则算法进行运算，得到主要的运动模式，结合地理信息系统平台，判断可能的扩散轨迹。

进一步地，在上述分析结果的基础上，进行人工的提早干预，例如可以对相关基站内用户提供提示信息，提前规划行程等，从而减低传染风险。

本申请还提供一种利用出行信息预测传染病传染源及流行趋势的公卫系统，其特征在于，包括步骤：

历史信息采集模块，采集本地染病病例历史数据和影响疾病传染源生存的环境因素组成，拟合成网格风险图；

信息提取模块，根据新发感染者，提取所述新发感染者发病前后一段时间内的出行信息；

数据处理模块，对所述出行信息进行分类筛选，并挖掘可能驻留点，结合空间路网数据，对可能驻留点进行语义化；

风险等级计算模块，将数据处理模块中计算的可能驻留点和历史信息采集模块中生成的风险图进行对比，从而得出主要的可疑点，作为高概率发生点。

预测模块，基于风险等级计算模块得到可疑点数据，采用关联规则挖掘算法或者字串模式挖掘算法对运动模式进行挖掘，从而预测可能的传播趋势；

干预模块，根据预测模块的结果，对高风险区域进行干预。

本发明的有益效果，通过对出行信息中包括的不同数据类型进行单独分析，交叉拟合，得出更准确的驻留点，且可以通过对历史风险数据比对，提高预测精度；且通过基于角度扰动的分割算法，可以准确提取感染者兴趣点，避免因为单独采用基站数据的震荡和误差，可快速、准确地判断传染源经过的地区和环境状况，有利于确定高危区域和人群，及时采取防控措施。

附图说明

图1是本发明的方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

提供一种疾控与出行信息互联的防控方法，

步骤1：调取本地染病病例历史数据和影响疾病传染源生存的环境因素组成，通过随机森林模型得出拟合网格风险图；

步骤2：通过疾控中心或者定点院区确定新发感染者为传染源，获取新感染者感染前后两周的出行信息，和铁路公司、民航局、出行共享公司（例如滴滴、神州专车、OFO等）、汽车出租公司等沟通，获取新感染的出行信息，以及主要的GPS数据信息；以及和三大运营商移动、联通、电信沟通获取感染者的相关基站数据，例如基站位置区域识别号码和基站扇区位置识别号码等。

步骤3：对所述感染者出行信息进行分类筛选，对其中的GPS数据信息和基于手机基站的GSM数据进行归类。

针对GPS数据，通过将轨迹数据分割，提取主要兴趣点，经过聚类分析得到主要的特征点A；

轨迹数据分割包括数据预处理，除去明显不合适的异常数据点，对于一个GPS轨迹序列G{ p1…pi…pn }，每个点p是一个GPS记录点，包括经度、维度、时间信息；其中序列G中相邻点的移动距离应小于最大行进距离，其中检测标准为0<d(pi+1,pi)<Vmax，其中的d(pi+1,pi)为相邻两点的欧式距离，该距离小于两点间的路网距离；其中Vmax设置为60km/h。

其次，一条轨迹G表示为包含多个定点pi的时序，即G={p1…pi…pn}，其中划分的任一条子轨迹可以表示为ZG={ps……pt}，其中ps、pt分别表示子轨迹的开始和结束点，定义pi的移动行为pipi+1，其中i=s,……,t-1，其中psps+1是起始移动方向。假设其中任一点pi+1，其在psps+1的方向上的夹角定义为θpi，则θpi为扰动夹角，如果扰动夹角在一定范围内，则认定为一个准子轨迹，具体可以根据分析的精度设置扰动夹角的值。可以通过迭代算法对轨迹进行递增分割，具体可以通过如下算法进行：

1:INPut:轨迹G={p1…pi…pn}，夹角扰动阈值设定为θf;

2: Output:轨迹的兴趣点集合C；

3:p1→C；

4:i=1;

5:repeat

6: action= pipi+1

7: for j=i+2 to n do

8: if θpj≥θf then

9: pj-1→C;

10: i=j-1

11: Break;

12: else

13: if j=n then

14: pj→C;

15: end if

16: end if

17: end for

18:until pn→C.

19:return C.

设置夹角扰动阈值为θf，对于第一条子轨迹，起始移动方向为p1p2，后续轨迹点pi满足θpi≤θf，则属于该条子轨迹，否则属于后续轨迹，且作为后续轨迹的起始点，直至全部轨迹划分完成，从而输出所有的兴趣点集合C。

此外，对于一个数据轨迹，当相邻的GPS点大于某一时间间隙时，认定为一个新的起始点，例如对于轨迹序列G{ p1…pi…pn }，满足pi+1.t-pi.t<δ，其中1≤i≤n-1，δ为时间阈值，从而得到主要的起始点，作为兴趣点集合C’；

将集合C和C’进行拟合，得到主要的兴趣点集Cf，然后将兴趣点集合Cf中的数据，采用聚类分析，得出主要的特征点A。具体算法如下：

1：INPut: 轨迹的兴趣点集合Cf;

2:Output:特征点A；

3：Append FC to forward clusters set Fs；

4：Append BC to backward clusters set Bs；;

5:for each Ci in Fs do

6: for each Cj in Bs do

7: if distance(Ci,Cj)<ddistance then

8: C=merge(Ci,Cj)

9: if duration(C)>Tinterval;

10: Apped C to final places set PS

11:return A.

通过兴趣点集Cf中的点向前和向后比较，若足够近，小于一点距离，则合并，若时间大于阈值，则认定为一个特征点。

进一步针对GSM数据，使用空间和时间聚类算法对相关GSM数据进行预处理，从而得出主要的特征点B，可采用本领域公知的技术，在此不再赘述。

将两种数据得到的主要特征点A、B进行对比拟合，重叠的特征点作为主要驻留点保存，结合感染者主要的语义表述以及从地图数据生产商，如高德地图等，直接通过购买获POI取关键字以及新感染者的口述也可以通过使用定制的GIS数据库。对主要的轨迹点进行语义化，挑选区域内所有与传染病传染源及传播模型有关的地理位置，如禽类交易市场、屠宰场、动物园等，与具有现实意义的应用领域数据以及环境地理背景数据通过空间联合显示，实现地理位置语义化使得标签内容与传染病密切相关。

步骤4，将主要的驻留点和步骤1得到的风险图进行对比，得出主要可疑点，作为疫情高风险点。

步骤5，根据不同感染者的聚类数据，可以采用公知的挖掘模式，对感染者的运动模式进行挖掘，例如可以采用子串模式或者关联规则算法进行运算，得到主要的运动模式，结合地理信息系统平台，判断可能的扩散轨迹。

步骤6，在上述分析结果的基础上，进行人工的提早干预，例如可以对相关基站内用户提供提示信息，提前规划行程等，从而减低传染风险。可以对传染源做到早发现、早隔离、早治疗，切断传播途径，保护易感人群，控制传染病的暴发。控制传染病的爆发可以采取的方法包括对高概率发生点进行消杀，扑杀消灭存在传播疾病风险的动物；确定易感人群，进行早期干预(接种疫苗、健康监测、宣传教育等方式)；分析新发传染病的传染源和传播途径，为疫情防控提供指导意见。

传染病流行是在人群中发生的一个复杂扩散的过程，从发现疾病、确定病原体、确定传播途径与传染方式，到对疾病进行控制，目前来说是一个漫长的过程，传统方法在发现传染源后，通常进行问卷调查，来分析患者去过的地方，这样耗费大量人力、用时长、结果不准确，这一阶段往往错失了许多控制疾病的良机。而本发明的是通过出行信息的数据，可以快速有效地了解到初次感染者的出行特点与路线，及时有效地对其所接触的人和地进行疾病干预，不仅准确方便，也节省了大量的大量人力物力财力。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种疾控与出行信息互联的防控方法，其特征在于，包括步骤：

步骤1：调取本地染病病例历史数据和影响疾病传染源生存的环境因素组成，拟合网格风险图；

步骤2：确定新发感染者，并获得所述新发感染者发病前后一段时间内的出行信息；

步骤3：对所述出行信息进行分类筛选，并挖掘可能驻留点，结合空间路网数据，对可能驻留点进行语义化；

步骤4：将步骤3中的可能驻留点和步骤1生成的风险图进行对比，从而得出主要的可疑点，作为高概率发生点；

步骤5：在步骤4的基础上，采用关联规则挖掘算法或者字串模式挖掘算法对运动模式进行挖掘，从而预测可能的传播趋势；

步骤6：根据步骤5的运算结果对高风险区域进行干预。

2.如权利要求1所述的疾控与出行信息互联的防控方法，其特征在于，步骤1的网格风险图是通过随机森林模型得出。

3.如权利要求1所述的疾控与出行信息互联的防控方法，其特征在于，步骤2中一段时间根据传染病的传播方式确定；所述出行信息包括公共交通GPS信息以及基于智能手机的基站信息，其中的基站信息包括基站位置区域识别号码和基站扇区位置识别号码。

4.如权利要求1所述的疾控与出行信息互联的防控方法，其特征在于，步骤3中所述出行信息筛选包括对GPS数据信息和基于手机基站的GSM数据进行归类；且进一步包括：

步骤3.1 ：针对GPS数据，通过将轨迹数据分割，提取主要兴趣点，经过聚类分析得到主要的特征点A；

步骤3.2：针对GSM数据，使用空间和时间聚类算法对相关GSM数据进行预处理，从而得出主要的特征点B；

步骤3.3：特征点A、B进行对比拟合，得出主要驻留点；

步骤3.4：结合感染者主要的语义表述以及空间路网数据对主要驻留点进行语义化。

5.如权利要求4所述的疾控与出行信息互联的防控方法，其特征在于，其中步骤3.1进一步包括：

步骤3.1.1：数据预处理；

步骤3.1.2：基于扰动夹角对路径进行切割，得出兴趣点集合C；

步骤3.1.3：基于时间扰动进行切割，得出兴趣点集合C’；

步骤3.1.4：将集合C和C’进行拟合，得到主要的兴趣点集Cf，基于点与点之间的欧式距离，采用聚类分析，得出主要的特征点A。

6.如权利要求5所述的疾控与出行信息互联的防控方法，其特征在于，其中步骤3.1.1数据预处理具体为：对数据中异常点的剔除，对于一个GPS轨迹序列G{ p1…pi…pn }，每个点p是一个GPS记录点，包括经度、维度、时间信息；其中序列G中相邻点的移动距离应小于最大行进距离，其中检测标准为0<d(pi+1,pi)<Vmax，其中的d(pi+1,pi)为相邻两点的欧式距离，该距离小于两点间的路网距离；其中Vmax设置为60km/h。

7.如权利要求5所述的疾控与出行信息互联的防控方法，其特征在于，其中步骤3.1.2具体为：一条轨迹G表示为包含多个定点pi的时序，即G={p1…pi…pn}，其中划分的任一条子轨迹可以表示为ZG={ps……pt}，其中ps、pt分别表示子轨迹的开始和结束点，定义pi的移动行为pipi+1，其中i=s,……,t-1，其中psps+1是起始移动方向，假设其中任一点pi+1，其在psps+1的方向上的夹角定义为θpi，则θpi为扰动夹角，如果扰动夹角在一定范围内，则认定为一个准子轨迹，具体可以根据分析的精度设置扰动夹角的值，可以通过迭代算法对轨迹进行递增分割，具体可以通过如下算法进行：

1:INPut:轨迹G={p1…pi…pn}，夹角扰动阈值设定为θf;

2: Output:轨迹的兴趣点集合C；

3:p1→C；

4:i=1;

5:repeat

6: action= pipi+1

7: for j=i+2 to n do

8: if θpj≥θf then

9: pj-1→C;

10: i=j-1

11: Break;

12: else

13: if j=n then

14: pj→C;

15: end if

16: end if

17: end for

18:until pn→C.

19:return C.

设置夹角扰动阈值为θf，对于第一条子轨迹，起始移动方向为p1p2，后续轨迹点pi满足θpi≤θf，则属于该条子轨迹，否则属于后续轨迹，且作为后续轨迹的起始点，直至全部轨迹划分完成，从而输出所有的兴趣点集合C。

8.如权利要求5所述的疾控与出行信息互联的防控方法，其特征在于，其中步骤3.1.3具体为：对于一个数据轨迹，当相邻的GPS点大于某一时间间隙时，认定为一个新的起始点，例如对于轨迹序列G{ p1…pi…pn }，满足pi+1.t-pi.t<δ，其中1≤i≤n-1，δ为时间阈值，从而得到主要的起始点，作为兴趣点集合C’。

9.如权利要求5所述的疾控与出行信息互联的防控方法，其特征在于，其中步骤3.1.4具体为：将集合C和C’进行拟合，得到主要的兴趣点集Cf，基于点与点之间的欧式距离，采用聚类分析，得出主要的特征点A；其基于以下算法：

1：INPut: 轨迹的兴趣点集合Cf;

2:Output:特征点A；

3：Append FC to forward clusters set Fs；

4：Append BC to backward clusters set Bs；;

5:for each Ci in Fs do

6: for each Cj in Bs do

7: if distance(Ci,Cj)<ddistance then

8: C=merge(Ci,Cj)

9: if duration(C)>Tinterval;

10: Apped C to final places set PS

11:return A.

通过兴趣点集Cf中的点向前和向后比较，若足够近，小于一点距离，则合并，若时间大于阈值，则认定为一个特征点。

10.一种疾控与出行信息互联的防控系统，其特征在于，包括以下步骤：

历史信息采集模块，采集本地染病病例历史数据和影响疾病传染源生存的环境因素组成，拟合成网格风险图；

信息提取模块，根据新发感染者，提取所述新发感染者发病前后一段时间内的出行信息；

数据处理模块，对所述出行信息进行分类筛选，并挖掘可能驻留点，结合空间路网数据，对可能驻留点进行语义化；

风险等级计算模块，将数据处理模块中计算的可能驻留点和历史信息采集模块中生成的风险图进行对比，从而得出主要的可疑点，作为高概率发生点；

预测模块，基于风险等级计算模块得到可疑点数据，采用关联规则挖掘算法或者字串模式挖掘算法对运动模式进行挖掘，从而预测可能的传播趋势；

干预模块，根据预测模块的结果，对高风险区域进行干预。