CN110993119B - 基于人口迁移的疫情预测方法、装置、电子设备及介质 - Google Patents
基于人口迁移的疫情预测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN110993119B CN110993119B CN202010142547.0A CN202010142547A CN110993119B CN 110993119 B CN110993119 B CN 110993119B CN 202010142547 A CN202010142547 A CN 202010142547A CN 110993119 B CN110993119 B CN 110993119B
- Authority
- CN
- China
- Prior art keywords
- city
- data
- population
- epidemic situation
- nth
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005012 migration Effects 0.000 title claims abstract description 99
- 238000013508 migration Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000002131 composite material Substances 0.000 claims abstract description 30
- 238000006243 chemical reaction Methods 0.000 claims description 45
- 230000008859 change Effects 0.000 claims description 29
- 238000010586 diagram Methods 0.000 claims description 25
- 238000011084 recovery Methods 0.000 claims description 15
- 208000015181 infectious disease Diseases 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000003203 everyday effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 14
- 230000002265 prevention Effects 0.000 abstract description 8
- 208000035473 Communicable disease Diseases 0.000 description 5
- 241000700605 Viruses Species 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 241000711573 Coronaviridae Species 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人口迁移的疫情预测方法，涉及疫情预测技术领域，包括以下步骤：获取疫情数据和人口迁移数据；根据疫情数据和人口迁移数据，构建待预测区域的复合城市网络模型；疫情数据通过复合城市网络模型计算，得到待预测城市未来K天的感染人群数据；基于预设疫情区间和待预测城市未来K天的感染人群数据，得到K张疫情热力图。该方法获得的层级化复杂动力学模型考虑了如春运等大规模人流活动时人口迁移情况对疫情发展影响，实现在大规模人流活动的情况下对未来疫情数据的准确预测，可以直观查看疫情发展情况，用作采取疫情防控手段的参考。本发明还公开了一种基于人口迁移的疫情预测装置、电子设备和计算机存储介质。
Description
技术领域
本发明涉及疫情预测技术领域，尤其涉及一种基于人口迁移的疫情预测方法、装置、电子设备及介质。
背景技术
2019年12月中国武汉出现一种新型的冠状病毒，在极短的时间爆发出很强的传染性，虽然目前的致死率并不高，但是如果不对其进行抑制，会给整个社会造成很大的影响。本次病毒传染速度快，又正逢是中国传统春节、春运等增加人流量的时间点，没有过去的防控经验可以作为参考。
现有的疫情预测方法通常只根据单独一个城市的疫情数据，仅考虑城市内部的易感者、潜伏者、感染者、康复者之间的转换关系，建立单个城市的动力学模型，进而对单个城市的未来疫情发展作出预测。现有疫情预测方法没有考虑因城市之间的人员流动对病毒传播带来的影响，不符合在春运等大规模人流活动发生的情况下，疫情发展的实际情况。因此亟需一种疫情预测方法能预测大规模人流活动发生时的疫情发展，用作采取疫情防控手段的参考。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种基于人口迁移的疫情预测方法，其根据疫情数据和待预测城市之间的人口迁移数据，构建待预测区域的复合城市网络模型，进而实现在大规模人流活动的情况下，对待预测城市未来K天疫情数据的准确预测，并通过热力图直观显示。
本发明的目的之一采用以下技术方案实现：
获取疫情数据和人口迁移数据；
根据所述疫情数据和所述人口迁移数据，构建待预测区域的复合城市网络模型；
所述疫情数据通过所述复合城市网络模型计算，得到待预测城市未来K天的感染人群数据；
基于预设疫情区间和所述待预测城市未来K天的感染人群数据，得到K张疫情热力图。
进一步地，所述疫情数据包括所述待预测城市每天的四类人群数据，所述四类人群数据包括易感人群数据、潜伏人群数据、感染人群数据和康复人群数据。
进一步地，当待预测城市为N个时，所述复合城市网络模型包括N个子网络，根据N个城市的疫情数据和所述人口迁移数据，构建N个子网络，包括：
分别根据第n（n=1,...,N）个城市的四类人群数据、第n（n=1,...,N）个城市与第m（m≠n）个城市之间的人口迁移数据，构建第n（n=1,...,N）个子网络。
进一步地，所述N个子网络包括改进SEIR模型，根据第n个城市的四类人群数据、第n个城市与第m（m≠n）个城市之间的人口迁移数据，构建第n个子网络，包括：
获取所述待预测城市的人口总数；
所述第n个城市的四类人群数据、所述第n个城市与第m（m≠n）个城市之间的人口迁移数据、所述每个待预测城市的人口总数通过所述改进SEIR模型计算，得到第n个子网络的疫情动态变化速率；
所述第n个子网络的疫情动态变化速率和所述第n个城市的四类人群数据，通过最小二乘法计算，得到所述第n个子网络的四类人群转换率。
进一步地，所述改进SEIR模型包括城市内部转换和城市外部转换，所述第n个城市的四类人群数据、所述第n个城市与第m（m≠n）个城市之间的人口迁移数据、所述每个待预测城市的人口总数通过所述改进SEIR模型计算，得到第n个子网络的疫情动态变化速率，包括：
所述第n个城市的四类人群数据通过所述城市内部转换计算，得到第n个城市的内部转换疫情数据；
根据所述第n个城市与第m（m≠n）个城市之间的人口迁移数据，得到第n个子网络与第m（m≠n）个子网络的连接强度；
所述第m（m≠n）个城市的人口总数、所述第n个子网络与第m（m≠n）个子网络的连接强度通过所述城市外部转换计算，得到第n个城市的外部转换疫情数据；
根据所述每个待预测城市的人口总数、所述第n个子网络与第m（m≠n）个子网络的连接强度，得到第n个城市的疫情迁移数据；
所述第n个城市的内部转换疫情数据、所述第n个城市的外部转换疫情数据、所述第n个城市的疫情迁移数据通过计算，得到第n个子网络的疫情动态变化速率。
进一步地，所述疫情数据通过所述复合城市网络模型计算，得到待预测城市未来K天的感染人群数据，包括：
第n（n=1,...,N）个城市的疫情数据通过所述第n（n=1,...,N）个子网络计算，得到第n（n=1,...,N）个城市未来K天的感染人群数据。
进一步地，基于预设疫情区间和所述待预测城市未来K天的感染人群数据，得到K张疫情热力图，包括：
基于预设疫情区间，将待预测城市第k（k=1,...,K）天的感染人群数据映射至所属区间；
根据预设疫情区间对应的颜色，所述待预测城市显示所述所属区间相应的颜色，得到第k（k=1,...,K）张疫情热力图。
本发明的目的之二在于提供一种基于人口迁移的疫情预测装置，其根据疫情数据和待预测城市之间的人口迁移数据，构建待预测区域的复合城市网络模型，进而实现在大规模人流活动的情况下，对待预测城市未来K天疫情数据的准确预测，并通过热力图直观显示。
本发明的目的之二采用以下技术方案实现：
一种基于人口迁移的疫情预测装置，其包括：
数据获取模块，用于获取疫情数据和人口迁移数据；
模型构建模块，用于根据所述疫情数据和所述人口迁移数据，构建待预测区域的复合城市网络模型；
疫情预测模块，用于所述疫情数据通过所述复合城市网络模型计算，得到待预测城市未来K天的感染人群数据；
疫情显示模块，用于基于预设疫情区间和所述待预测城市未来K天的感染人群数据，得到K张疫情热力图。
本发明的目的之三在于提供执行发明目的之一的电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，所述计算机程序被处理器执行时本发明目的之一的基于人口迁移的疫情预测方法。
本发明的目的之四在于提供存储发明目的之一的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明目的之一的基于人口迁移的疫情预测方法。
相比现有技术，本发明的有益效果在于：
根据疫情数据和待预测城市之间的人口迁移数据，构建待预测区域的复合城市网络模型，通过待预测区域中所有的待预测城市，得到一个层级化的复杂动力学模型，不仅包含待预测城市内部的疫情转换情况，还考虑了如春运等大规模人流活动时，城市之间的人口迁移情况对疫情发展影响，进而实现在大规模人流活动的情况下，对待预测城市未来K天疫情数据的准确预测，并通过热力图显示，能够直观查看疫情发展情况，用作采取疫情防控手段的参考。
附图说明
图1为本发明实施例一的基于人口迁移的疫情预测方法流程图；
图2为标准SEIR模型结构示意图；
图3为本发明实施例二的改进SEIR模型的城市内部转换示意图；
图4为本发明实施例三的基于人口迁移的疫情预测装置的结构框图；
图5为本发明实施例四的电子设备的结构框图；
S、易感人群；E、潜伏人群；I、感染人群；R、康复人群；α、潜伏人群被感染后转换为感染人群的速率；γ1、潜伏人群转换为康复人群的康复率；γ2、感染人群转换为康复人群的康复率；β、感染人群和易感人群的有效接触率；α+γ1、易感人群被感染后转换为潜伏人群的速率。
具体实施方式
以下将结合附图，对本发明进行更为详细的描述，需要说明的是，以下参照附图对本发明进行的描述仅是示意性的，而非限制性的。各个不同实施例之间可以进行相互组合，以构成未在以下描述中示出的其他实施例。
实施例一
实施例一提供了一种基于人口迁移的疫情预测方法，旨在根据疫情数据和待预测城市之间的人口迁移数据，构建待预测区域的复合城市网络模型，进而实现在大规模人流活动的情况下，对待预测城市未来K天疫情数据的准确预测，并通过热力图直观显示。该方法通过待预测区域中所有的待预测城市，得到一个层级化的复杂动力学模型，不仅包含待预测城市内部的疫情转换情况，还考虑了如春运等大规模人流活动时，城市之间的人口迁移情况对疫情发展影响，进而实现在大规模人流活动的情况下，对待预测城市未来K天疫情数据的准确预测，并通过热力图显示，能够直观查看疫情发展情况，用作采取疫情防控手段的参考。
请参照图1所示，一种基于人口迁移的疫情预测方法，包括以下步骤：
S110、获取疫情数据和人口迁移数据。
根据疫情预测需求，选定需要进行疫情预测的区域作为待预测区域。在待预测区域范围内，选定需要进行疫情预测的目标城市作为待预测城市。比如，待预测区域为中国，待预测城市为中国所有省级行政区；或者待预测区域为湖北，待预测城市为湖北省内的所有市级行政区。在本实施例中，待预测区域为中国，待预测城市为中国所有省级行政区。
传染病流行范围内的人群通常分为易感人群 (Susceptible，简称S)、潜伏人群(Exposed，简称E)、感染人群(Infectious，简称I)、康复人群(Recovered，简称R)四类人群（病死者可归入R类）。疫情数据包括待预测区域内所有待预测城市每天的四类人群数据，这四类人群数据包括易感人群数据、潜伏人群数据、感染人群数据和康复人群数据。
疫情数据包括但不限于疫情发生的天数T以及每个待预测城市每天根据实际情况统计获得的四类人群数据。在本实施例中，疫情数据包括疫情发生的天数T以及中国每个省级行政区每天统计获得的易感人群数据、潜伏人群数据、感染人群数据和康复人群数据。
人口迁移数据包括待预测区域内各个待预测城市之间人口迁移的数量和和迁移方向，用以考虑口迁移对病毒传播带来的影响。在春节春运时，有大规模的人口流动活动发生，通过各种交通信息系统、各个待预测城市政府的综合统计可以获得各个待预测城市之间的人口迁移数据。
S120、根据疫情数据和人口迁移数据，构建待预测区域的复合城市网络模型。
动力学模型是传染病模型应用最为广泛的模型，对待预测区域中的所有待预测城市，复合城市网络模型是一个大的动力模型，将待预测区域中的每个待预测城市作为节点，每个待预测城市作为一个子网络。
该复合城市网络模型不仅考虑了各个待预测城市内部的疫情转换情况，还考虑人口迁移对病毒传播带来的影响，即不同的城市间人口迁入、迁出的耦合情况，由此组成了一个层级化的复杂模型，更加复合实际情况中小的网络对大的网络的影响。
当待预测城市为N个时，则复合城市网络模型包括N个子网络。分别根据第n（n=1,...,N）个城市的四类人群数据、第n（n=1,...,N）个城市与第m（m≠n）个城市之间的人口迁移数据，构建第n（n=1,...,N）个子网络。由此根据N个城市的疫情数据和人口迁移数据，构建得到N个子网络。N个子网络的构建包括以下步骤：
获取N个待预测城市的人口总数，第n（n=1,...,N）个城市的人口总数为Pn。
对N个待预测城市中的第n（n=1,...,N）个城市来说，将第n个城市的四类人群数据、第n个城市与第m（m≠n）个城市之间的人口迁移数据、每个待预测城市的人口总数输入改进SEIR模型计算，得到第n个子网络四类人群的疫情动态变化速率。该疫情动态变化速率体现了易感人群、潜伏人群、感染人群和康复人群的动态变化情况，为包含了各个环节转换率等参数的一组公式，此时转换率参数未知，需要通过计算得到。
将第n个城市的四类人群的真实疫情数据输入疫情动态变化速率这组公式，通过最小二乘法，就可以计算得到第n个子网络的四类人群间的转换率参数，从而获得包含该子网络各类人群转换特征的子网络模型。该子网络中，疫情动态变化速率包含已解出的四类人群转换率，进而用以预测该子网络未来四类人群的疫情数据。
S130、疫情数据通过复合城市网络模型计算，得到待预测城市未来K天的感染人群数据。
复合城市网络模型包含了所有待预测城市的子网络。每个待预测城市的疫情数据通过自己的子网络计算，可以准确地获得未来K天的易感人群（S）、潜伏人群（E）、感染人群（I）和康复人群（R）四类人群数据，预测天数K根据疫情预测需求确定。
感染人群数据通常作为后续疫情防控的参考，因此获取所有待预测城市未来K天的感染人群数据。第n（n=1,...,N）个城市的疫情数据通过第n（n=1,...,N）个子网络计算，得到第n（n=1,...,N）个城市未来第k（k=1,...,K）天的感染人群数据，即未来K天的感染人群数据。
S140、基于预设疫情区间和待预测城市未来K天的感染人群数据，得到K张疫情热力图。
预设疫情区间是根据待预测区域现有的疫情和预测需求设置的，比如，在疫情发展初期，根据国内的感染人群数据，设置4个疫情区间，分别为0、1-9、10-100、＞100；在疫情爆发期，根据国内的感染人群数据，设置7个疫情区间，分别为0、1-9、10-99、100-499、500-999、1000-10000、>10000。
每个区间对应不同的颜色。为了表示疫情的轻重程度，预示疫情区域可以对应从白色到非白颜色中的若干种渐变色来表示。渐变色的划分可以根据RGB三个通道分别依次增加相应步长来实现，也可以通过对HSL色彩模式中的色调(H)、饱和度(S)、亮度(L)三个颜色通道的变化来得到，预设疫情区间渐变色的划分不限于上述方式。
基于预设疫情区间，将待预测城市未来第k（k=1,...,K）天的感染人群数据映射至所属区间，并根据预设疫情区间对应的颜色，在待预测区域地图上显示所属区间对应的颜色，得到第k（k=1,...,K）张疫情热力图。随着时间推移，各城市疫情预测的结果映射至不同的预设疫情区间，在待预测区域地图上分别显示与各自所属疫情区域对应的颜色，实现直观查看疫情发展情况，进而用作采取疫情防控手段的参考。
本实施例中，将感染人群数量按照0、1-9、10-99、100-499、500-999、1000-10000、>10000进行区间划分，对应白色与红色之间的基于RGB通道的7种渐变色，0对应白色，>10000对应红色，进而形成K张疫情热力图。每个区间对应一种颜色，颜色越深，代表疫情越严重。
该方法奖每个待预测城市作为一个节点，获得待预测区域的层级化复杂动力学模型，不仅包含待预测城市内部的疫情转换情况，还考虑了如春运等大规模人流活动时，城市之间的人口迁移情况对疫情发展影响，将人口迁入、迁出作为城市间的耦合度，从而实现在大规模人流活动的情况下，通过复合城市网络模型准确预测未来疫情数据，疫情发展情况可以直观查看，用作采取疫情防控手段的参考。
实施例二
实施例二是在实施例一基础上进行的改进，基于N个待预测城市的四类人群数据、城市之间的人口迁移数据和待预测城市的人口总数，通过改进SEIR模型计算，得到N个子网络四类人群的疫情动态变化速率，体现易感人群、潜伏人群、感染人群和康复人群的动态变化情况，进而获得N个子网络。
每个待预测城市的子网络包括改进SEIR模型。标准SEIR模型研究的传染病有一定的潜伏期，与病人接触过的健康人并不马上患病，而是成为病原体的携带者，是传染病预测最为常用的模型之一。如图2所示，在SEIR模型中，考虑从易感者到潜伏者到感染者再到康复者这4类人群的总数，通过各环节的转化率、治愈率等对传染病的传播规模及时间进行预测。
不同于标准SEIR模型，改进SEIR模型考虑潜伏人群（E）有康复率，还考虑了内部感染人群和外部感染人群对城市内易感人群的病毒传播，符合在大规模人流活动情况下的病毒传播规律，通过该改进SEIR模型可以获得更准确的疫情预测结果。
该改进SEIR模型包括城市内部转换和城市外部转换。城市内部转换包括内部易感人群转换为内部潜伏人群、内部潜伏人群转换为内部感染人群、内部感染人群转换为内部康复人群、内部潜伏人群转换为内部康复人群、内部感染人群传染内部易感人群；城市外部转换包括外部感染人群传染内部易感人群。
改进SEIR模型的城市内部转换请参照图3所示。潜伏人群（E）发展为感染人群（I）的速率记为α，潜伏人群（E）具有康复率γ1，感染人群（I）具有康复率γ2，两者的康复率一般不同，并且潜伏人群（E）康复后不再传播疾病。
构建每个待预测城市对应的子网络，就要得到每个子网络的疫情动态变化速率。对于第n（n=1,...,N）个城市，将第t（t=1,...,T,T为疫情发生的天数）天的易感人群（S）、潜伏人群（E）、感染人群（I）和康复人群（R）四类人群数量分别记为sn(t)、en(t)、in(t)和rn(t)。
根据第n个城市与第m（m≠n）个城市之间的人口迁移数据，得到第n个子网络与第m（m≠n）个子网络的连接强度。假设t时刻有hnm人从城市n迁移到城市m，则从第n个子网络到第m个子网络的连接强度为hnm。
第n个城市的四类人群数据通过城市内部转换计算，得到第n个城市的内部转换疫情数据。第m（m≠n）个城市的人口总数、第n个子网络与第m（m≠n）个子网络的连接强度通过城市外部转换计算，得到第n个城市的外部转换疫情数据。根据每个待预测城市的人口总数、第n个子网络与第m（m≠n）个子网络的连接强度，得到第n个城市的疫情迁移数据。第n个城市的内部转换疫情数据、第n个城市的外部转换疫情数据和第n个城市的疫情迁移数据通过计算，就得到第n个子网络四类人群的疫情动态变化速率。
以获得第n个城市的易感人群动态变化速率为例，计算第n个城市的易感人群内部
转换数据为：
，其中，β为感染人群和易感人群的有效接触率，代表了易感人群
和感染人群相互接触、并且在接触后被感染的概率，in(t)、sn(t)分别为第t天第n个城市的
感染人群数据、易感人群数据。
计算第n个城市的易感人群外部转换数据为：
，其中，β为
感染人群和易感人群的有效接触率，代表了易感人群和感染人群相互接触、并且在接触后
被感染的概率，in(t)、sn(t)分别为第t天第n个城市的感染人群数据、易感人群数据，hmn为
从第m个子网络到第n个子网络的连接强度，Pm为第m个城市的人口总数。
计算第n个城市的易感人群迁移数据包括迁入数据
和迁出数据
，其中，sm(t)、sn(t)分别为第t天第m个城市、第n个城市的易感人群数据，
Pm、Pn为第m个城市、第n个城市的人口总数，hmn、hmn为从第m个子网络到第n个子网络、从第n
个子网络到第m个子网络的连接强度。
第n个城市的易感人群内部转换数据、易感人群外部转换数据和易感人群迁移数据通过计算，就可以得到第n个城市t时刻的易感人群动态变化速率dsn(t)/dt。同样地，也可以得到第n个城市t时刻的潜伏人群动态变化速率den(t)/dt、感染人群动态变化速率din(t)/dt和康复人群动态变化速率drn(t)/dt，如公式（1）所示：
其中，sn(t)、en(t)、in(t)和rn(t)分别为t时刻第n个城市的易感人群数据、潜伏人群数据、感染人群数据和康复人群数据，sm(t)、em(t)、im(t)和rm(t)分别为t时刻第m个城市的易感人群数据、潜伏人群数据、感染人群数据和康复人群数据，hmn、hmn为从第m个子网络到第n个子网络、从第n个子网络到第m个子网络的连接强度，α为潜伏人群被感染后转换为感染人群的速率，γ1为潜伏人群转换为康复人群的康复率，γ2为感染人群转换为康复人群的康复率，β为感染人群和易感人群的有效接触率，代表了易感人群和感染人群相互接触、并且在接触后被感染的概率，α+γ1为易感人群被感染后转换为潜伏人群的速率。
同样根据N个待预测城市的四类人群数据、城市之间的人口迁移数据和待预测城市的人口总数，通过改进SEIR模型计算，可以获得N个子网络中每个子网络四类人群的疫情动态变化速率，体现N个子网络的易感人群、潜伏人群、感染人群和康复人群的动态变化情况，用以后续获得N个子网络，准确预测未来疫情发展。
实施例三
实施例三公开了一种对应上述实施例的一种基于人口迁移的疫情预测装置，为上述实施例的虚拟装置结构，请参照图4所示，包括：
数据获取模块210，用于获取疫情数据和人口迁移数据；
模型构建模块220，用于根据所述疫情数据和所述人口迁移数据，构建待预测区域的复合城市网络模型；
疫情预测模块230，用于所述疫情数据通过所述复合城市网络模型计算，得到待预测城市未来K天的感染人群数据；
疫情显示模块240，用于基于预设疫情区间和所述待预测城市未来K天的感染人群数据，得到K张疫情热力图。
实施例四
图5为本发明实施例四提供的一种电子设备的结构示意图，如图5所示，该电子设备包括处理器310、存储器320、输入装置330和输出装置340；计算机设备中处理器310的数量可以是一个或多个，图5中以一个处理器310为例；电子设备中的处理器310、存储器320、输入装置330和输出装置340可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器320作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的基于人口迁移的疫情预测方法对应的程序指令/模块（例如，基于人口迁移的疫情预测装置中的数据获取模块210、模型构建模块220、疫情预测模块230和疫情显示模块240）。处理器310通过运行存储在存储器320中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述实施例一至实施例二的基于人口迁移的疫情预测方法。
存储器320可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器320可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器320可进一步包括相对于处理器310远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置330可用于接收疫情数据、人口迁移数据等。输出装置340可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行基于人口迁移的疫情预测方法，该方法包括：
获取疫情数据和人口迁移数据；
根据所述疫情数据和所述人口迁移数据，构建待预测区域的复合城市网络模型；
所述疫情数据通过所述复合城市网络模型计算，得到待预测城市未来K天的感染人群数据；
基于预设疫情区间和所述待预测城市未来K天的感染人群数据，得到K张疫情热力图。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的基于人口迁移的疫情预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（Read-Only Memory， ROM）、随机存取存储器（Random AccessMemory， RAM）、闪存（FLASH）、硬盘或光盘等，包括若干指令用以使得一台电子设备（可以是手机，个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
值得注意的是，上述基于人口迁移的疫情预测装置实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (10)
1.一种基于人口迁移的疫情预测方法，其特征在于：包括以下步骤：
获取疫情数据和人口迁移数据；所述人口迁移数据包括待预测区域内各个待预测城市之间人口迁移的数量和和迁移方向；
根据所述疫情数据和所述人口迁移数据，将待预测区域中的每个待预测城市作为节点，构建待预测区域的复合城市网络模型，包括：根据第n个城市的四类人群数据、第n个城市与第m个城市之间的人口迁移数据，构建第n个子网络，m≠n；
其中，根据第n个城市的四类人群数据、第n个城市与第m个城市之间的人口迁移数据，构建第n个子网络，包括：第n个城市的四类人群数据、所述第n个城市与第m个城市之间的人口迁移数据、每个待预测城市的人口总数通过改进SEIR模型计算，得到第n个子网络的疫情动态变化速率：
其中，dsn(t)/dt、den(t)/dt、din(t)/dt、drn(t)/dt分别为第n个子网络t时刻的易感人群动态变化速率、潜伏人群动态变化速率、感染人群动态变化速率和康复人群动态变化速率，sn(t)、en(t)、in(t)和rn(t)分别为t时刻第n个城市的易感人群数据、潜伏人群数据、感染人群数据和康复人群数据，sm(t)、em(t)、im(t)和rm(t)分别为t时刻第m个城市的易感人群数据、潜伏人群数据、感染人群数据和康复人群数据，hmn、hnm为从第m个子网络到第n个子网络、从第n个子网络到第m个子网络的连接强度，α为潜伏人群被感染后转换为感染人群的速率，γ1为潜伏人群转换为康复人群的康复率，γ2为感染人群转换为康复人群的康复率，β为感染人群和易感人群的有效接触率，代表了易感人群和感染人群相互接触、并且在接触后被感染的概率，α+γ1为易感人群被感染后转换为潜伏人群的速率，Pm、Pn分别为第m个城市、第n个城市的人口总数；
所述疫情数据通过所述复合城市网络模型计算，得到待预测城市未来K天的感染人群数据；
基于预设疫情区间和所述待预测城市未来K天的感染人群数据，得到K张疫情热力图。
2.如权利要求1所述的一种基于人口迁移的疫情预测方法，其特征在于：所述疫情数据包括所述待预测城市每天的四类人群数据，所述四类人群数据包括易感人群数据、潜伏人群数据、感染人群数据和康复人群数据。
3.如权利要求2所述的一种基于人口迁移的疫情预测方法，其特征在于：当待预测城市为N个时，所述复合城市网络模型包括N个子网络，根据N个城市的疫情数据和所述人口迁移数据，构建N个子网络。
4.如权利要求3所述的一种基于人口迁移的疫情预测方法，其特征在于：所述N个子网络包括改进SEIR模型，根据第n个城市的四类人群数据、第n个城市与第m个城市之间的人口迁移数据，构建第n个子网络，还包括：
获取所述待预测城市的人口总数；
所述第n个子网络的疫情动态变化速率和所述第n个城市的四类人群数据，通过最小二乘法计算，得到所述第n个子网络的四类人群转换率。
5.如权利要求4所述的一种基于人口迁移的疫情预测方法，其特征在于：所述改进SEIR模型包括城市内部转换和城市外部转换，所述第n个城市的四类人群数据、所述第n个城市与第m个城市之间的人口迁移数据、所述每个待预测城市的人口总数通过所述改进SEIR模型计算，得到第n个子网络的疫情动态变化速率，包括：
所述第n个城市的四类人群数据通过所述城市内部转换计算，得到第n个城市的内部转换疫情数据；
根据所述第n个城市与第m个城市之间的人口迁移数据，得到第n个子网络与第m个子网络的连接强度；
所述第m个城市的人口总数、所述第n个子网络与第m个子网络的连接强度通过所述城市外部转换计算，得到第n个城市的外部转换疫情数据；
根据所述每个待预测城市的人口总数、所述第n个子网络与第m个子网络的连接强度，得到第n个城市的疫情迁移数据；
所述第n个城市的内部转换疫情数据、所述第n个城市的外部转换疫情数据、所述第n个城市的疫情迁移数据通过计算，得到第n个子网络的疫情动态变化速率。
6.如权利要求4所述的一种基于人口迁移的疫情预测方法，其特征在于：所述疫情数据通过所述复合城市网络模型计算，得到待预测城市未来K天的感染人群数据，包括：
第n个城市的疫情数据通过所述第n个子网络计算，得到第n个城市未来K天的感染人群数据，n=1,...,N。
7.如权利要求1至6任一项所述的一种基于人口迁移的疫情预测方法，其特征在于：基于预设疫情区间和所述待预测城市未来K天的感染人群数据，得到K张疫情热力图，包括：
基于预设疫情区间，将待预测城市第k天的感染人群数据映射至所属区间，k=1,...,K；
根据预设疫情区间对应的颜色，所述待预测城市显示所述所属区间相应的颜色，得到第k张疫情热力图。
8.一种基于人口迁移的疫情预测装置，其特征在于，其包括：
数据获取模块，用于获取疫情数据和人口迁移数据；所述人口迁移数据包括待预测区域内各个待预测城市之间人口迁移的数量和和迁移方向；
模型构建模块，用于根据所述疫情数据和所述人口迁移数据，将待预测区域中的每个待预测城市作为节点，构建待预测区域的复合城市网络模型，包括：根据第n个城市的四类人群数据、第n个城市与第m个城市之间的人口迁移数据，构建第n个子网络，m≠n；其中，根据第n个城市的四类人群数据、第n个城市与第m个城市之间的人口迁移数据，构建第n个子网络，包括：第n个城市的四类人群数据、所述第n个城市与第m个城市之间的人口迁移数据、每个待预测城市的人口总数通过改进SEIR模型计算，得到第n个子网络的疫情动态变化速率：
其中，dsn(t)/dt、den(t)/dt、din(t)/dt、drn(t)/dt分别为第n个子网络t时刻的易感人群动态变化速率、潜伏人群动态变化速率、感染人群动态变化速率和康复人群动态变化速率，sn(t)、en(t)、in(t)和rn(t)分别为t时刻第n个城市的易感人群数据、潜伏人群数据、感染人群数据和康复人群数据，sm(t)、em(t)、im(t)和rm(t)分别为t时刻第m个城市的易感人群数据、潜伏人群数据、感染人群数据和康复人群数据，hmn、hnm为从第m个子网络到第n个子网络、从第n个子网络到第m个子网络的连接强度，α为潜伏人群被感染后转换为感染人群的速率，γ1为潜伏人群转换为康复人群的康复率，γ2为感染人群转换为康复人群的康复率，β为感染人群和易感人群的有效接触率，代表了易感人群和感染人群相互接触、并且在接触后被感染的概率，α+γ1为易感人群被感染后转换为潜伏人群的速率，Pm、Pn分别为第m个城市、第n个城市的人口总数；
疫情预测模块，用于所述疫情数据通过所述复合城市网络模型计算，得到待预测城市未来K天的感染人群数据；
疫情显示模块，用于基于预设疫情区间和所述待预测城市未来K天的感染人群数据，得到K张疫情热力图。
9.一种电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，其特征在于，所述计算机程序被处理器执行时执行权利要求1至7任一项所述的基于人口迁移的疫情预测方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至7任一项所述的基于人口迁移的疫情预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010142547.0A CN110993119B (zh) | 2020-03-04 | 2020-03-04 | 基于人口迁移的疫情预测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010142547.0A CN110993119B (zh) | 2020-03-04 | 2020-03-04 | 基于人口迁移的疫情预测方法、装置、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110993119A CN110993119A (zh) | 2020-04-10 |
| CN110993119B true CN110993119B (zh) | 2020-07-07 |
Family
ID=70081501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010142547.0A Active CN110993119B (zh) | 2020-03-04 | 2020-03-04 | 基于人口迁移的疫情预测方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110993119B (zh) |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111540478B (zh) * | 2020-04-22 | 2023-10-10 | 第四范式（北京）技术有限公司 | 疫情推演仿真系统和仿真方法 |
| CN111597579B (zh) * | 2020-04-26 | 2023-06-20 | 北京百度网讯科技有限公司 | 卫生安全检测方法、装置、电子设备及存储介质 |
| CN111554408B (zh) * | 2020-04-27 | 2024-04-19 | 中国科学院深圳先进技术研究院 | 城市内部登革热时空预测方法、系统及电子设备 |
| CN111627563B (zh) * | 2020-05-22 | 2023-04-11 | 种鹏云 | 一种交通运输对covid-19传播影响的评估方法 |
| CN111652969A (zh) * | 2020-05-28 | 2020-09-11 | 京东数字科技控股有限公司 | 数据3d可视化展示方法、装置、电子设备及存储介质 |
| CN113764102B (zh) * | 2020-06-03 | 2024-03-29 | 阿里巴巴集团控股有限公司 | 疾病预测方法、装置、电子设备及计算机存储介质 |
| CN111477342B (zh) * | 2020-06-25 | 2020-09-18 | 中航信移动科技有限公司 | 一种隔离区域航空输入感染预警系统 |
| CN111508617B (zh) * | 2020-07-01 | 2020-09-25 | 智博云信息科技(广州)有限公司 | 疫情数据维护方法、装置、计算机设备和可读存储介质 |
| CN113161004B (zh) * | 2020-07-15 | 2023-11-10 | 泰康保险集团股份有限公司 | 一种疫情预测系统及方法 |
| CN111858825A (zh) * | 2020-07-30 | 2020-10-30 | 平安国际智慧城市科技股份有限公司 | 疫情防控出行管理方法、装置、终端设备及存储介质 |
| CN112086203A (zh) * | 2020-09-11 | 2020-12-15 | 河北工程大学 | 一种疫情预测方法、装置及终端设备 |
| CN112071437B (zh) * | 2020-09-25 | 2023-08-29 | 北京百度网讯科技有限公司 | 一种传染病趋势预测方法、装置、电子设备及存储介质 |
| CN112382403A (zh) * | 2020-09-30 | 2021-02-19 | 哈尔滨工业大学 | 一种基于人员聚集度的seiqr传染病模型的构建方法 |
| CN114496265A (zh) * | 2020-10-23 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 城市内部传染病时空扩散建模方法及系统 |
| CN112002434B (zh) * | 2020-10-30 | 2021-02-19 | 平安科技（深圳）有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
| CN112037930B (zh) * | 2020-11-02 | 2021-02-05 | 平安科技（深圳）有限公司 | 一种传染病预测设备、方法、装置及存储介质 |
| CN112309584A (zh) * | 2020-11-19 | 2021-02-02 | 天津大学 | 基于疫情因素预测疫情期间城市迁徙规模的模型构建方法 |
| CN112435759A (zh) * | 2020-11-24 | 2021-03-02 | 医渡云（北京）技术有限公司 | 疫情数据预测方法及装置、电子设备和存储介质 |
| CN112508300B (zh) * | 2020-12-21 | 2023-04-18 | 北京百度网讯科技有限公司 | 建立风险预测模型的方法、区域风险预测方法及对应装置 |
| CN113793690B (zh) * | 2021-08-31 | 2024-03-12 | 医渡云（北京）技术有限公司 | 传染病的区域风险评估方法、装置、存储介质及设备 |
| CN114188035B (zh) * | 2021-12-15 | 2024-04-09 | 中国海洋大学 | 一种基于改进seir模型的传染病预测方法及系统 |
| CN115238589A (zh) * | 2022-08-09 | 2022-10-25 | 浙江大学 | 一种基于生成对抗网络的人群移动预测方法 |
| CN116013541A (zh) * | 2023-01-03 | 2023-04-25 | 武汉博科国泰信息技术有限公司 | 一种用于结核病检测的资源配置方法和系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101794342A (zh) * | 2009-09-30 | 2010-08-04 | 中国人民解放军防化指挥工程学院 | 基于非线性、变系数预测模型的传染病疫情预测分析方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102222163B (zh) * | 2011-05-25 | 2016-11-09 | 中国人民解放军防化指挥工程学院 | 一种具有免疫期且受季节影响的传染病疫情预测方法 |
| CN103390091B (zh) * | 2012-05-08 | 2016-04-06 | 中国人民解放军防化学院 | 一种传染病疫情优化控制方法 |
| CN106205126B (zh) * | 2016-08-12 | 2019-01-15 | 北京航空航天大学 | 基于卷积神经网络的大规模交通网络拥堵预测方法及装置 |
| US20190252078A1 (en) * | 2018-02-15 | 2019-08-15 | X Development Llc | Predicting the spread of contagions |
-
2020
- 2020-03-04 CN CN202010142547.0A patent/CN110993119B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101794342A (zh) * | 2009-09-30 | 2010-08-04 | 中国人民解放军防化指挥工程学院 | 基于非线性、变系数预测模型的传染病疫情预测分析方法 |
Non-Patent Citations (6)
| Title |
|---|
| Characterizing the dynamics underlying global spread of epidemics;Wang, L 等;《NATURE COMMUNICATIONS》;20180115;第1-11页 * |
| Forecast and control of epidemics in a globalized world;Hufnagel 等;《PROCEEDINGS OF THE NATIONAL ACADEMY OF SCIENCES OF THE UNITED STATES OF AMERICA》;20041019;第15124页第1栏第1段-15129页第2栏倒数第3段 * |
| Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan, China: a modelling study;Prof Joseph T Wu 等;《Lancet》;20200131;第689页第1段-697页倒数第2段 * |
| Prof Joseph T Wu 等.Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan, China: a modelling study.《Lancet》.2020, * |
| 传染病传播模型综述;张发 等;《系统工程理论与实践》;20110915;第1736-1744页 * |
| 几类总人口变动的传染病模型的研究;兰晓晶;《中国优秀硕士学位论文全文数据库基础科学辑》;20090415;正文第1-35页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110993119A (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110993119B (zh) | 基于人口迁移的疫情预测方法、装置、电子设备及介质 | |
| Wang et al. | Causalgnn: Causal-based graph neural networks for spatio-temporal epidemic forecasting | |
| Wan et al. | Designing spatially heterogeneous strategies for control of virus spread | |
| Duan et al. | An ACP approach to public health emergency management: using a campus outbreak of H1N1 influenza as a case study | |
| CN106780116A (zh) | 电力应急演练方法、装置及其情景模型的构建方法、装置 | |
| Wang et al. | Machine learning spatio-temporal epidemiological model to evaluate Germany-county-level COVID-19 risk | |
| Bagloee et al. | A hybrid machine-learning and optimization method for contraflow design in post-disaster cases and traffic management scenarios | |
| CN115170575B (zh) | 遥感影像变化检测及模型训练的方法及设备 | |
| Zhigljavsky et al. | Generic probabilistic modelling and non-homogeneity issues for the UK epidemic of COVID-19 | |
| CN114373073A (zh) | 一种用于道路场景语义分割的方法及系统 | |
| Niu et al. | Causal effects of mobility intervention policies on intracity flows during the COVID-19 pandemic: The moderating role of zonal locations in the transportation networks | |
| Xu et al. | Effectiveness of non-pharmaceutical interventions against local transmission of Covid-19: An individual-based modelling study | |
| Dekker et al. | Reducing societal impacts of SARS-CoV-2 interventions through subnational implementation | |
| Patwardhan et al. | Epidemic spreading in group-structured populations | |
| CN107995278A (zh) | 一种基于城域级物联网感知数据的场景智能分析系统与方法 | |
| CN115272667B (zh) | 农田图像分割模型训练方法、装置、电子设备和介质 | |
| Cancino et al. | Report# 4:: Estimation of maximal ICU beds demand for COVID-19 outbreak in some Chilean regions and the effects of different mitigation strategies | |
| Wang et al. | C3Meta: a context-aware cloud-edge-end collaboration framework toward green metaverse | |
| CN104812099B (zh) | 一种无线传感器网络中分辨率可调的数据可视化方法 | |
| CN114068033A (zh) | 数据的预测方法、装置、电子设备及计算机可读介质 | |
| CN113592296A (zh) | 公共策略决策方法、装置、电子设备和存储介质 | |
| Arenas et al. | Epidemic spreading: Tailored models for COVID-19 | |
| Hatch et al. | Efforts Towards a Digital Twin-based Testbed for Public Safety | |
| Nazia et al. | Modelling the spatiotemporal spread of COVID-19 outbreaks and prioritization of the risk areas in Toronto, Canada | |
| CN114390550A (zh) | 一种网络类型识别的方法、相关装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210922 Address after: 311121 room 210, building 18, No. 998, Wenyi West Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province Patentee after: Hangzhou Bodun Xiyan Technology Co.,Ltd. Address before: Room 704, building 18, No. 998, Wenyi West Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province Patentee before: TONGDUN HOLDINGS Co.,Ltd. |