CN111128399A - 一种基于人流密度的流行病疫情风险等级评估方法 - Google Patents

一种基于人流密度的流行病疫情风险等级评估方法 Download PDF

Info

Publication number
CN111128399A
CN111128399A CN202010236407.XA CN202010236407A CN111128399A CN 111128399 A CN111128399 A CN 111128399A CN 202010236407 A CN202010236407 A CN 202010236407A CN 111128399 A CN111128399 A CN 111128399A
Authority
CN
China
Prior art keywords
county
data
epidemic situation
population
target area
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.)
Granted
Application number
CN202010236407.XA
Other languages
English (en)
Other versions
CN111128399B (zh
Inventor
周霞
许剑辉
邓应彬
黄吴蒙
张晨
杨骥
张虹鸥
李勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Institute of Geography of GDAS
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Original Assignee
Guangzhou Institute of Geography of GDAS
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Institute of Geography of GDAS, Southern Marine Science and Engineering Guangdong Laboratory Guangzhou filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN202010236407.XA priority Critical patent/CN111128399B/zh
Publication of CN111128399A publication Critical patent/CN111128399A/zh
Application granted granted Critical
Publication of CN111128399B publication Critical patent/CN111128399B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Abstract

本发明提供一种基于人流密度的流行病疫情风险等级评估方法，包括：获取目标区/县的总新增确诊病例的数量和目标区/县的本地新增确诊病例的数量；根据腾讯位置大数据获取目标区/县的人口流动数据；获取目标区/县的人口密度；根据高德地图POI数据，获取目标区/县的企业数据；将总新增确诊病例的数量、本地新增确诊病例的数量、人口流动数据、人口密度和企业数据输入疫情风险评估模型中，获取目标区县的疫情风险评估等级；目标区县的疫情风险评估等级输入至地理信息系统，得到目标省份的疫情风险评估地图，并向用户呈现疫情风险评估地图。相对于现有技术，本发明能更准确的实现对区/县尺度疫情风险等级的评估。

Description

一种基于人流密度的流行病疫情风险等级评估方法
技术领域
本发明涉及数据分析领域，特别是涉及一种基于人流密度的流行病疫情风险等级评估方法。
背景技术
近期，受新型冠状病毒感染肺炎（Corona Virus Disease 2019，COVID-19）疫情影响，劳动关系领域面临新情况新问题，部分行业企业面临较大的生产经营压力，劳动者面临待岗、失业、收入减少等风险，同时直接影响群众生活。在这种情况下，亟需对各区/县进行疫情风险进行综合评估，以实现区/县的防控等级科学精准划分，实现相应的差异化防控管理。
目前进行的疫情风险等级评估主要是利用已经确诊的病例进行城市、区/县尺度的评价，由于疫情风险并不仅仅与确诊病例相关，使得该风险等级的评价不够准确。
发明内容
为克服相关技术中存在的问题，本发明实施例提供了一种基于人流密度的流行病疫情风险等级评估方法、装置及设备。
根据本发明实施例的第一方面，提供了一种基于人流密度的流行病疫情风险等级评估方法，包括如下步骤：
获取目标区/县i的总新增确诊病例的数量
Figure 316385DEST_PATH_IMAGE001
和所述目标区/县i的本地新增确诊病例的数量B i ；
根据腾讯位置大数据，获取所述目标区/县i的人口流动数据
Figure 142258DEST_PATH_IMAGE002
；
获取所述目标区/县i的常住人口
Figure 117167DEST_PATH_IMAGE003
，并根据常住人口
Figure 677593DEST_PATH_IMAGE003
和所述目标区/县i的地理面积
Figure 887994DEST_PATH_IMAGE004
，得到所述目标区/县i的人口密度
Figure 709320DEST_PATH_IMAGE005
；
根据高德地图POI数据，获取所述目标区/县i的企业数据
Figure 730497DEST_PATH_IMAGE006
；
将所述总新增确诊病例的数量
Figure 637273DEST_PATH_IMAGE001
、所述本地新增确诊病例的数量B i 、所述人口流动数据
Figure 385786DEST_PATH_IMAGE002
、人口密度
Figure 936984DEST_PATH_IMAGE005
和所述企业数据
Figure 112750DEST_PATH_IMAGE006
输入疫情风险评估模型中，获取所述目标区/县i的疫情风险评估等级
Figure 506823DEST_PATH_IMAGE007
；
将各个所述目标区/县i的疫情风险评估等级
Figure 809759DEST_PATH_IMAGE007
输入至地理信息系统中，得到所述目标省份的疫情风险评估地图，并向用户呈现所述疫情风险评估地图。
可选的，根据腾讯位置大数据，获取网格单元
Figure 464731DEST_PATH_IMAGE008
以及每个所述网格单元对应的人口流动数据；
获取所述目标区/县i的地理行政边界；
根据所述目标区/县i的地理行政边界对所述网格单元
Figure 217924DEST_PATH_IMAGE008
进行裁剪，得到所述地理行政边界内的网格单元
Figure 709079DEST_PATH_IMAGE009
以及对应的人口流动数据
Figure 940340DEST_PATH_IMAGE010
；
对所述人口流动数据
Figure 449819DEST_PATH_IMAGE010
进行累加，得到所述目标区/县i的人口流动数据
Figure 983700DEST_PATH_IMAGE011
。
可选的，根据腾讯位置大数据，获取所述目标省份的人口流动数据
Figure 352364DEST_PATH_IMAGE012
；
根据所述目标区/县i的常住人口
Figure 246371DEST_PATH_IMAGE013
与所述目标省份的常住人口
Figure 626668DEST_PATH_IMAGE014
的比值、以及所述人口流动数据
Figure 456083DEST_PATH_IMAGE012
，得到所述目标区/县i的人口流动数据
Figure 171099DEST_PATH_IMAGE011
。
可选的，根据所述高德地区POI数据，获取所述目标区/县i中POI类型为公司企业的企业数量，将所述企业数量作为所述企业数据
Figure 619529DEST_PATH_IMAGE006
；
可选的，根据所述高德地图POI数据，获取所述目标区/县i中POI类型为公司企业的企业数量和企业名称；
获取所述企业名称对应的员工数量，根据所述员工数量，得到所述目标区/县i内所有企业的员工总数量
Figure 978966DEST_PATH_IMAGE015
；
根据所述员工总数量
Figure 103917DEST_PATH_IMAGE015
和企业数量，得到所述企业数据
Figure 56960DEST_PATH_IMAGE006
。
可选的，将各个所述目标区/县i的疫情风险评估等级
Figure 433715DEST_PATH_IMAGE016
输入虚拟地理信息系统中，得到各个所述目标区/县i在所述虚拟地理环境系统中的位置，在各个所述目标区/县i在所述虚拟地理环境系统中的位置上构建三维立体结构，将各个所述目标区/县i的疫情风险评估等级
Figure 37872DEST_PATH_IMAGE016
作为所述三维立体结构的显示属性，得到所述目标省份的疫情风险评估地图，并向用户呈现所述疫情风险评估地图。
根据本发明实施例的第二方面，提供一种基于人流密度的流行病疫情风险等级评估装置，包括：
病例获取单元，用于获取目标区/县i的总新增确诊病例的数量
Figure 84456DEST_PATH_IMAGE001
和所述目标区/县i的本地新增确诊病例的数量B i ；
人口流动数据获取单元，用于根据腾讯位置大数据，获取所述目标区/县i的人口流动数据
Figure 649430DEST_PATH_IMAGE002
；
人口密度获取单元，用于获取所述目标区/县i的常住人口
Figure 423351DEST_PATH_IMAGE003
，并根据常住人口
Figure 22959DEST_PATH_IMAGE003
和所述目标区/县i的地理面积
Figure 64664DEST_PATH_IMAGE004
，得到所述目标区/县i的人口密度
Figure 975988DEST_PATH_IMAGE005
；
企业数据获取单元，用于根据高德地图POI数据，获取所述目标区/县i的企业数据
Figure 694545DEST_PATH_IMAGE006
；
评估单元，用于将所述总新增确诊病例的数量
Figure 758447DEST_PATH_IMAGE001
、所述本地新增确诊病例的数量B i 、所述人口流动数据
Figure 396102DEST_PATH_IMAGE011
、人口密度
Figure 545455DEST_PATH_IMAGE005
和所述企业数据
Figure 802124DEST_PATH_IMAGE006
输入疫情风险评估模型中，获取所述目标区/县i的疫情风险评估等级
Figure 969800DEST_PATH_IMAGE016
；
可视化单元，将各个所述目标区/县i的疫情风险评估等级
Figure 794668DEST_PATH_IMAGE016
输入至地理信息系统中，得到目标省份的疫情风险评估地图，并向用户呈现所述疫情风险评估地图。
根据本发明实施例的第三方面，提供一种基于人流密度的流行病疫情风险等级评估设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述第一方面所述的基于人流密度的流行病疫情风险等级评估方法的步骤。
根据本发明实施例的第四方面，提供一种计算机可读存储介质，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的基于人流密度的流行病疫情风险等级评估方法的步骤。
相对于现有技术，本申请实施例获取目标区/县i的总新增确诊病例的数量
Figure 290371DEST_PATH_IMAGE001
和所述目标区/县i的本地新增确诊病例的数量B i ；根据腾讯位置大数据，获取所述目标区/县i的人口流动数据
Figure 740944DEST_PATH_IMAGE002
；根据目标省份统计年鉴，获取所述目标区/县i的常住人口
Figure 513859DEST_PATH_IMAGE003
，并根据常住人口
Figure 368683DEST_PATH_IMAGE003
和所述目标区/县i的地理面积
Figure 741895DEST_PATH_IMAGE004
，得到所述目标区/县i的人口密度
Figure 481312DEST_PATH_IMAGE005
；根据高德地图POI数据，获取所述目标区/县i的企业数据
Figure 233367DEST_PATH_IMAGE006
；将所述总新增确诊病例的数量
Figure 649305DEST_PATH_IMAGE001
、所述本地新增确诊病例的数量B i 、所述人口流动数据
Figure 260546DEST_PATH_IMAGE002
、所述人口密度
Figure 397130DEST_PATH_IMAGE005
以及所述企业数据
Figure 659484DEST_PATH_IMAGE006
输入疫情风险评估分类模型中，获取所述目标区/县i的疫情风险评估等级
Figure 997055DEST_PATH_IMAGE007
。之后再将各个所述目标区/县i的疫情风险评估等级
Figure 954647DEST_PATH_IMAGE007
输入至地理信息系统中，得到目标省份的疫情风险评估地图，并向用户呈现所述疫情风险评估地图。本申请实施例综合考虑了确诊病例、人口流动数据、人口密度以及企业数据等人流相关数据对疫情风险等级评估的影响，构建了流行病疫情风险评估分类模型，实现对区/县尺度的疫情风险等级的准确评估和疫情风险等级的直观化展示。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明一个示例性实施例提供的基于人流密度的流行病疫情风险等级评估方法的流程示意图；
图2为本发明一个示例性实施例提供的基于人流密度的流行病疫情风险等级评估方法S102的流程示意图；
图3为本发明另一个示例性实施例提供的基于人流密度的流行病疫情风险等级评估方法S102的流程示意图；
图4为本发明一个示例性实施例提供的基于人流密度的流行病疫情风险等级评估方法S104的流程示意图；
图5为本发明一个示例性实施例提供的基于人流密度的流行病疫情风险等级评估装置的结构示意图；
图6为本发明一个示例性实施例提供的基于人流密度的流行病疫情风险等级评估装置中可视化单元56的结构示意图；
图7为本发明一个示例性实施例提供的基于人流密度的流行病疫情风险等级评估装置中人口流动数据获取单元52的结构示意图；
图8为本发明另一个示例性实施例提供的基于人流密度的流行病疫情风险等级评估装置中人口流动数据获取单元52的结构示意图；
图9为本发明一个示例性实施例提供的基于人流密度的流行病疫情风险等级评估装置中企业数据获取单元54的结构示意图；
图10为本发明另一个示例性实施例提供的基于人流密度的流行病疫情风险等级评估装置中企业数据获取单元54的结构示意图；
图11为本发明一个示例性实施例提供的基于人流密度的流行病疫情风险等级评估设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本发明一个示例性实施例提供的基于人流密度的流行病疫情风险等级评估方法的流程示意图，所述方法由基于人流密度的流行病疫情风险等级评估设备执行（以下简称评估设备），包括如下步骤：
S101：获取目标区/县i的总新增确诊病例的数量
Figure 550713DEST_PATH_IMAGE001
和所述目标区/县i的本地新增确诊病例的数量B i 。
评估设备获取目标区/县i的总新增确诊病例的数量
Figure 277361DEST_PATH_IMAGE001
和所述目标区/县i的本地新增确诊病例的数量B i 。
其中，所述目标区/县i为目标省份内的所有区/县，在本申请实施例中，选取广东省为目标省份，广东省内所有的区/县作为目标区/县i。
所述总新增确诊病例的数量为预设时间段内目标区/县i内的总新增确证病例的数量
Figure 520254DEST_PATH_IMAGE001
，具体地，所述总新增确诊病例包括输入性新增确诊病例和本地新增确证病例。其中，该输入性新增确诊病例指从外地输入至目标区/县i内的病例，本地新增确诊病例是指由于输入性病例自体病毒的传播造成目标区/县i内本地居民的感染，而产生的本地病例。
对于所述预设时间段可以结合具体流行病疫情进行设置，在本申请实施例中，选取COVID-19疫情期间的近14天为预设时间段。
S102：根据腾讯位置大数据，获取所述目标区/县i的人口流动数据
Figure 355355DEST_PATH_IMAGE002
。
所述腾讯位置大数据为腾讯公司研发的位置服务大数据软件，腾讯位置大数据的网址为：https://heat.qq.com。
具体地，评估设备可通过获取腾讯位置大数据的统一资源定位符（UniformResourse Locator,URL），根据所述统一资源定位符，爬取人口流动数据
Figure 99320DEST_PATH_IMAGE002
，进而获取所述目标区/县i的人口流动数据
Figure 821420DEST_PATH_IMAGE002
。
在一个可选的实施例中，为提高获取所述目标区/县i的人口流动数据
Figure 750062DEST_PATH_IMAGE002
的准确性，请参阅图2，步骤S102包括步骤S1021～S1024，步骤S1021～S1024如下所示：
S1021：根据腾讯位置大数据，获取网格单元
Figure 682246DEST_PATH_IMAGE008
以及每个所述网格单元对应的人口流动数据。
所述腾讯位置大数据提供间隔为0.01度的网格单元以及每个网格单元对应的人口流动数据。其中，所述网格单元为地图上规则化的网格点，用于将地图数据以统一的尺度进行划分。
具体地，评估设备可通过爬取所述腾讯位置大数据提供的资源，获取网格单元
Figure 105268DEST_PATH_IMAGE008
以及每个所述网格单元对应的人口流动数据。
S1022:获取所述目标区/县i的地理行政边界。
评估设备获取所述目标区/县i的地理行政边界。
具体地，评估设备从地理国情监测云平台中获取行政划分图，根据所述行政划分图获取所述目标区/县i的地理行政边界。
S1023:根据所述目标区/县i的地理行政边界对所述网格单元
Figure 931141DEST_PATH_IMAGE008
进行裁剪，得到所述地理行政边界内的网格单元
Figure 640471DEST_PATH_IMAGE009
以及对应的人口流动数据
Figure 200897DEST_PATH_IMAGE010
。
在本申请实施例中，评估设备根据所述目标区/县i的地理行政边界对所述网格单元
Figure 411298DEST_PATH_IMAGE008
进行裁剪，得到所述地理行政边界内的网格单元
Figure 967045DEST_PATH_IMAGE009
，同时获取网格单元
Figure 722642DEST_PATH_IMAGE009
对应的人口流动数据
Figure 754052DEST_PATH_IMAGE010
。
S1024:对所述人口流动数据
Figure 909090DEST_PATH_IMAGE010
进行累加，得到所述目标区/县i的人口流动数据
Figure 929130DEST_PATH_IMAGE002
。
在本申请实施例中，评估设备对每个网格单元
Figure 370475DEST_PATH_IMAGE009
对应的所述人口流动数据
Figure 764547DEST_PATH_IMAGE010
进行累加，得到所述目标区/县i的人口流动数据
Figure 67484DEST_PATH_IMAGE002
。
在另一个可选的实施例，为准确获取所述目标区/县i的人口流动数据
Figure 988035DEST_PATH_IMAGE002
，请参阅图3，步骤S102包括步骤S1025～S1026，步骤S1025～S1026如下所示：
S1025：根据腾讯位置大数据，获取所述目标省份的人口流动数据
Figure 475649DEST_PATH_IMAGE012
。
在本申请实施例中，评估设备根据腾讯位置大数据的统一资源定位符，爬取所述目标省份的人口流动数据
Figure 701225DEST_PATH_IMAGE012
。
S1026：根据所述目标区/县i的常住人口
Figure 322699DEST_PATH_IMAGE013
与所述目标省份的常住人口
Figure 707544DEST_PATH_IMAGE014
的比值、以及所述人口流动数据
Figure 229706DEST_PATH_IMAGE012
，得到所述目标区/县i的人口流动数据
Figure 723004DEST_PATH_IMAGE002
。
评估设备根据所述目标区/县i的常住人口
Figure 492377DEST_PATH_IMAGE013
与所述目标省份的常住人口
Figure 607094DEST_PATH_IMAGE014
的比值、以及所述人口流动数据
Figure 826723DEST_PATH_IMAGE012
，得到所述目标区/县i的人口流动数据
Figure 151525DEST_PATH_IMAGE002
。
所述常住人口为国际上进行人口普查时常用的统计口径之一，常住人口为现有常住人口和暂时外出人口之和。
在本申请实施例中，评估设备从目标省的统计年鉴中获取所述目标省份的常住人口
Figure 599955DEST_PATH_IMAGE014
和所述目标区/县i的常住人口
Figure 349606DEST_PATH_IMAGE013
，进而获取所述比值，之后，评估设备根据所述比值和所述人口流动数据
Figure 349923DEST_PATH_IMAGE012
，得到所述目标区/县i的人口流动数据
Figure 302966DEST_PATH_IMAGE002
。
上述方式是通过述目标区/县i的常住人口
Figure 538775DEST_PATH_IMAGE013
与所述目标省份的常住人口
Figure 752719DEST_PATH_IMAGE014
的比值，预估所述目标区/县i内的人口流动，得到所述目标区/县i的人口流动数据
Figure 64883DEST_PATH_IMAGE002
。
S103：获取所述目标区/县i的常住人口
Figure 488911DEST_PATH_IMAGE013
，并根据常住人口
Figure 669357DEST_PATH_IMAGE013
和所述目标区/县i的地理面积
Figure 878752DEST_PATH_IMAGE004
，得到所述目标区/县i的人口密度
Figure 486451DEST_PATH_IMAGE005
。
在本申请实施例中，评估设备从目标省的统计年鉴中获取所述目标区/县i的常住人口
Figure 132196DEST_PATH_IMAGE003
，从行政划分数据中获取所述目标区/县i的地理面积
Figure 726120DEST_PATH_IMAGE004
，计算所述常住人口
Figure 180235DEST_PATH_IMAGE013
与所述目标区/县i的地理面积
Figure 817889DEST_PATH_IMAGE004
的比值，得到所述目标区/县i的人口密度
Figure 967242DEST_PATH_IMAGE005
。
S104：根据高德地图POI数据，获取所述目标区/县i的企业数据
Figure 489490DEST_PATH_IMAGE006
。
评估设备爬取高德地图的POI数据，得到所述目标区/县i的企业数据
Figure 657166DEST_PATH_IMAGE006
。在一个可选的实施例中，评估设备可根据所述高德地区POI数据，得到所述目标区/县i中POI类型为公司企业的企业数量，将所述企业数量作为所述企业数据
Figure 606668DEST_PATH_IMAGE006
。
在另一个可选的实施例中，请参阅图4，为使企业数据
Figure 243317DEST_PATH_IMAGE006
能够反映目标区/县内的企业规模，步骤S104包括步骤S1041～S1043，S1041～S1043如下所示：
S1041：根据所述高德地图POI数据，获取所述目标区/县i中POI类型为公司企业的企业数量和企业名称。
评估设备根据所述高德地图POI数据，获取所述目标区/县i中POI类型为公司企业的企业数量和企业名称。
S1042：获取所述企业名称对应的员工数量，根据所述员工数量，得到所述目标区/县i内所有企业的员工总数量
Figure 162731DEST_PATH_IMAGE015
。
评估设备获取所述企业名称对应的员工数量，将所述员工数量进行累加运算，得到所述目标区/县i内所有企业的员工总数量
Figure 591438DEST_PATH_IMAGE015
。
S1043：根据所述员工总数量
Figure 321628DEST_PATH_IMAGE015
和企业数量，得到所述企业数据
Figure 694841DEST_PATH_IMAGE006
。
评估设备根据所述员工总数量
Figure 558892DEST_PATH_IMAGE015
和企业数量，计算所述员工总数量
Figure 451892DEST_PATH_IMAGE015
和企业数量之间的比值，得到所述企业数据
Figure 602251DEST_PATH_IMAGE006
。
上述方式，通过利用员工总数量
Figure 338126DEST_PATH_IMAGE015
与企业数量之间的比值反映所述目标区/县i内企业的平均规模，将该平均规模作为所述企业数据
Figure 615654DEST_PATH_IMAGE006
，使得企业数据
Figure 753375DEST_PATH_IMAGE006
能够体现出所述目标区/县企业内员工的平均聚集程度。
S105：将所述总新增确诊病例的数量
Figure 74635DEST_PATH_IMAGE001
、所述本地新增确诊病例的数量B i 、所述人口流动数据
Figure 907593DEST_PATH_IMAGE002
、人口密度
Figure 379025DEST_PATH_IMAGE005
和所述企业数据
Figure 230307DEST_PATH_IMAGE006
输入疫情风险评估模型中，获取所述目标区/县i的疫情风险评估等级
Figure 738779DEST_PATH_IMAGE016
。
所述疫情风险评估模型为预先构建好的评估模型。在一个可选的实施例中，所述疫情风险评估模型可存储在评估设备中，评估设备直接将将所述总新增确诊病例的数量
Figure 183667DEST_PATH_IMAGE001
、所述本地新增确诊病例的数量B i 、所述人口流动数据
Figure 317845DEST_PATH_IMAGE002
、人口密度
Figure 774366DEST_PATH_IMAGE005
和所述企业数据
Figure 843953DEST_PATH_IMAGE006
输入所述疫情风险评估模型，获取所述目标区/县i的疫情风险评估等级
Figure 635191DEST_PATH_IMAGE016
。
在其他可选的实施例中，所述疫情风险评估模型可存储在其他设备中，评估设备将所述总新增确诊病例的数量
Figure 58213DEST_PATH_IMAGE001
、所述本地新增确诊病例的数量B i 、所述人口流动数据
Figure 759453DEST_PATH_IMAGE002
、人口密度
Figure 858996DEST_PATH_IMAGE005
和所述企业数据
Figure 899982DEST_PATH_IMAGE006
传输至其他设备，并从其他设备中获取所述目标区/县i的疫情风险评估等级
Figure 251329DEST_PATH_IMAGE007
。对于该其他设备的类型在此不做限制。
下面对所述疫情风险评估模型的内部评估流程进行说明：
在本申请实施例中，所述疫情风险评估模型共设置有5种数据的输入接口，所述5种数据分别为总新增确诊病例的数量
Figure 931709DEST_PATH_IMAGE001
、本地新增确诊病例的数量B i 、人口流动数据
Figure 343099DEST_PATH_IMAGE002
、人口密度
Figure 859662DEST_PATH_IMAGE005
和企业数据
Figure 873754DEST_PATH_IMAGE006
，之后分别对每种数据进行等级评价，获取相应的的指标值。
（1）根据总新增确诊病例的数量
Figure 549586DEST_PATH_IMAGE001
获得第一指标值。
在一个可选的实施例中，将总新增确诊病例的数量
Figure 7244DEST_PATH_IMAGE001
的等级评价设置为I级、II级、III级和IV级，结合COVID-19流行病疫情发展的情况，设置I级为大于300例，II级为大于20例，III级为大于5例，IV级不大于5例。所述疫情风险评估模型在接收到所述总新增确诊病例的数量
Figure 260370DEST_PATH_IMAGE001
时，根据总新增确诊病例的数量
Figure 953520DEST_PATH_IMAGE001
得到其对应的等级评价，例如总新增确诊病例的数量
Figure 359224DEST_PATH_IMAGE001
为22例，其对应的等级评价即为II级，则第一指标值为2。
在其他可选的实施例中，可以将总新增确诊病例的数量
Figure 705892DEST_PATH_IMAGE001
的等级进行更细致的划分，结合流行病疫情的实际状况，重新设置等级评价标准。
（2）根据所述本地新增确诊病例的数量B i 获得第二指标值。
在一个可选的实施例中，将本地新增确诊病例的数量B i 的等级评价设置为I级、II级、III级和IV级，结合COVID-19流行病疫情发展的情况，设置I级为大于200例，II级为大于10例，III级为大于1例，IV级为0例。所述疫情风险评估模型在接收到所述本地新增确诊病例的数量B i 时，根据本地新增确诊病例的数量B i 得到其对应的等级评价，例如本地新增确诊病例的数量B i 为50例，其对应的等级评价即为II级，则第二指标值为2。
在其他可选的实施例中，可以将本地新增确诊病例的数量B i 的等级进行更细致的划分，结合流行病疫情的实际状况，重新设置等级评价标准。
（3）根据所述人口流动数据
Figure 587261DEST_PATH_IMAGE002
获得第三指标值。
在一个可选的实施例中，将人口流动数据
Figure 693888DEST_PATH_IMAGE002
的等级评价设置为I级、II级、III级和IV级，结合COVID-19流行病疫情发展的情况，设置I级为大于5000人，II级为大于3000人，III级为大于1000人，IV级为1人。所述疫情风险评估模型在接收到所述人口流动数据
Figure 203367DEST_PATH_IMAGE002
时，根据人口流动数据
Figure 127460DEST_PATH_IMAGE002
得到其对应的等级评价，例如人口流动数据
Figure 840333DEST_PATH_IMAGE002
为2500例，其对应的等级评价即为III级，则第三指标值为3。
在其他可选的实施例中，可以将人口流动数据
Figure 875285DEST_PATH_IMAGE002
的等级进行更细致的划分，结合流行病疫情的实际状况，重新设置等级评价标准。
（4）并根据所述人口密度
Figure 504849DEST_PATH_IMAGE005
获得第四指标值。
在一个可选的实施例中，将人口密度
Figure 209631DEST_PATH_IMAGE005
的等级评价设置为I级、II级、III级和IV级，结合COVID-19流行病疫情发展的情况，设置I级为大于1000人/km2，II级为大于500人/km2，III级为大于100人/km2，IV级为1人/km2。所述疫情风险评估模型在接收到所述人口密度
Figure 800012DEST_PATH_IMAGE005
时，根据人口密度
Figure 497710DEST_PATH_IMAGE005
得到其对应的等级评价，例如人口密度
Figure 732513DEST_PATH_IMAGE005
为550人/km2例，其对应的等级评价即为II级，则第四指标值为2。
在其他可选的实施例中，可以将人口密度
Figure 998410DEST_PATH_IMAGE005
的等级进行更细致的划分，结合流行病疫情的实际状况，重新设置等级评价标准。
（5）并根据所述企业数据
Figure 200721DEST_PATH_IMAGE006
获得第五指标值。
在一个可选的实施例中，在所述企业数据
Figure 187263DEST_PATH_IMAGE006
表示企业数量时，企业数据
Figure 666785DEST_PATH_IMAGE006
的等级评价设置为I级、II级、III级和IV级，结合COVID-19流行病疫情发展的情况，设置I级为大于10000家，II级为大于5000家，III级为大于1000家，IV级为1家。所述疫情风险评估模型在接收到所述企业数据
Figure 962638DEST_PATH_IMAGE006
时，根据企业数据
Figure 527611DEST_PATH_IMAGE006
得到其对应的等级评价，例如企业数据
Figure 317844DEST_PATH_IMAGE006
为2000家，其对应的等级评价即为II级，则第五指标值为2。
在另一个可选的实施例中，在所述企业数据
Figure 510928DEST_PATH_IMAGE006
表示员工总数量
Figure 118626DEST_PATH_IMAGE015
与企业数量之间的比值时，企业数据
Figure 780683DEST_PATH_IMAGE006
的等级评价设置为I级、II级、III级和IV级，结合COVID-19流行病疫情发展的情况，设置I级为大于500人/家，II级为大于200人/家，III级为大于50人/家，IV级为1人/家。所述疫情风险评估模型在接收到所述企业数据
Figure 889453DEST_PATH_IMAGE006
时，根据企业数据
Figure 812410DEST_PATH_IMAGE006
得到其对应的等级评价，例如企业数据
Figure 200797DEST_PATH_IMAGE006
为100人/家，其对应的等级评价即为III级，则第五指标值为3。
在其他可选的实施例中，可以将企业数据
Figure 864997DEST_PATH_IMAGE006
的等级进行更细致的划分，结合流行病疫情的实际状况，重新设置等级评价标准。
在获取到总新增确诊病例的数量
Figure 121666DEST_PATH_IMAGE001
、本地新增确诊病例的数量B i 、人口流动数据
Figure 40074DEST_PATH_IMAGE002
、人口密度
Figure 114210DEST_PATH_IMAGE005
和企业数据
Figure 875492DEST_PATH_IMAGE006
分别对应的第一指标值、第二指标值、第三指标值、第四指标值和第五指标之后，对上述指标值进行加权平均得到所述目标区/县i的疫情风险评估等级
Figure 811218DEST_PATH_IMAGE007
。在某些实施例中，所述加权系数可以设置为1。
S106：将各个所述目标区/县i的疫情风险评估等级
Figure 833401DEST_PATH_IMAGE007
输入至地理信息系统中，得到所述目标省份的疫情风险评估地图，并向用户呈现所述疫情风险评估地图。
在一个可选的实施例中，所述地理信息系统为GIS系统，该GIS系统为地理信息共享服务平台，提供空间数据管理、矢量地图发布和GIS应用开发等，评估设备通过将各个所述目标区/县i的疫情风险评估等级
Figure 219383DEST_PATH_IMAGE007
输入至GIS系统中，得到所述目标省份的疫情风险评估地图，并在用户交互界面向用户呈现所述疫情风险评估地图，使疫情风险评估等级
Figure 77749DEST_PATH_IMAGE007
能够更为直观化的向用户展示，同时能够将各个所述目标区/县i的疫情风险评估等级
Figure 941799DEST_PATH_IMAGE007
在地图上进行视觉化比较。
在另一个可选的实施例中，将各个所述目标区/县i的疫情风险评估等级
Figure 84068DEST_PATH_IMAGE007
输入所述虚拟地理信息系统中，得到各个所述目标区/县i在虚拟地理环境系统中的位置，在各个所述目标区/县i在所述虚拟地理环境系统中的位置上构建三维立体结构，将各个所述目标区/县i的疫情风险评估等级
Figure 985159DEST_PATH_IMAGE007
作为所述三维立体结构的显示属性，得到所述目标省份的疫情风险评估地图，并向用户呈现所述疫情风险评估地图。其中，所述虚拟地理信息系统是根据真实地理环境而建立的三维地理信息系统，所述显示属性可以为三维立体结构的高度或颜色，从而更进一步地提高可视化展示效果。
请参见图5，图5为本发明一个示例性实施例示出的基于人流密度的流行病疫情风险等级评估装置的结构示意图。包括的各单元用于执行图1和图4对应的实施例中的各步骤，具体请参阅图1和图4各自对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图5，基于人流密度的流行病疫情风险等级评估装置5包括：
病例获取单元51，用于获取目标区/县i的总新增确诊病例的数量
Figure 721034DEST_PATH_IMAGE001
和所述目标区/县i的本地新增确诊病例的数量B i ；
人口流动数据获取单元52，用于根据腾讯位置大数据，获取所述目标区/县i的人口流动数据
Figure 513409DEST_PATH_IMAGE002
；
人口密度获取单元53，用于获取所述目标区/县i的常住人口
Figure 249198DEST_PATH_IMAGE003
，并根据常住人口
Figure 445824DEST_PATH_IMAGE003
和所述目标区/县i的地理面积
Figure 793629DEST_PATH_IMAGE004
，得到所述目标区/县i的人口密度
Figure 999482DEST_PATH_IMAGE005
；
企业数据获取单元54，用于根据高德地图POI数据，获取所述目标区/县i的企业数据
Figure 601496DEST_PATH_IMAGE006
；
评估单元55，用于将所述总新增确诊病例的数量
Figure 359236DEST_PATH_IMAGE001
、所述本地新增确诊病例的数量B i 、所述人口流动数据
Figure 69703DEST_PATH_IMAGE002
、人口密度
Figure 423455DEST_PATH_IMAGE005
和所述企业数据
Figure 660402DEST_PATH_IMAGE006
输入疫情风险评估模型中，获取所述目标区/县i的疫情风险评估等级
Figure 198830DEST_PATH_IMAGE007
；
可视化单元56，将各个所述目标区/县i的疫情风险评估等级
Figure 271960DEST_PATH_IMAGE007
输入至地理信息系统中，得到目标省份的疫情风险评估地图，并向用户呈现所述疫情风险评估地图。
可选的，请参阅图6，所述可视化单元56包括：
三维可视化单元561，用于将各个所述目标区/县i的疫情风险评估等级
Figure 678670DEST_PATH_IMAGE007
输入虚拟地理信息系统中，得到各个所述目标区/县i在所述虚拟地理环境系统中的位置，在各个所述目标区/县i在所述虚拟地理环境系统中的位置上构建三维立体结构，将各个所述目标区/县i的疫情风险评估等级
Figure 379910DEST_PATH_IMAGE007
作为所述三维立体结构的显示属性，得到所述目标省份的疫情风险评估地图，并向用户呈现所述疫情风险评估地图。
可选的，请参阅图7，人口流动数据获取单元52，包括：
网格数据获取单元521，用于根据腾讯位置大数据，获取网格单元
Figure 230185DEST_PATH_IMAGE008
以及每个所述网格单元对应的人口流动数据；
行政边界获取单元522，用于获取所述目标区/县i的地理行政边界；
裁剪单元523，用于根据所述目标区/县i的地理行政边界对所述网格单元
Figure 774299DEST_PATH_IMAGE008
进行裁剪，得到所述地理行政边界内的网格单元
Figure 125646DEST_PATH_IMAGE009
以及对应的人口流动数据
Figure 556759DEST_PATH_IMAGE010
；
第一运算单元524，用于对所述人口流动数据
Figure 968148DEST_PATH_IMAGE010
进行累加，得到所述目标区/县i的人口流动数据
Figure 733979DEST_PATH_IMAGE011
。
可选的，请参阅图8，人口流动数据获取单元52，包括：
采集单元525，用于根据腾讯位置大数据，获取所述目标省份的人口流动数据
Figure 233225DEST_PATH_IMAGE012
；
第二运算单元526，用于根据所述目标区/县i的常住人口
Figure 174636DEST_PATH_IMAGE013
与所述目标省份的常住人口
Figure 615981DEST_PATH_IMAGE014
的比值、以及所述人口流动数据
Figure 885420DEST_PATH_IMAGE012
，得到所述目标区/县i的人口流动数据
Figure 578569DEST_PATH_IMAGE011
。
可选的，请参阅图9，企业数据获取单元54，包括：
第一POI数据获取单元541，用于根据所述高德地区POI数据，获取所述目标区/县i中POI类型为公司企业的企业数量，将所述企业数量作为所述企业数据
Figure 967962DEST_PATH_IMAGE006
；
可选的，请参阅图10，企业数据获取单元54，包括：
第二POI数据获取单元542，用于根据所述高德地图POI数据，获取所述目标区/县i中POI类型为公司企业的企业数量和企业名称；
第三运算单元543，用于获取所述企业名称对应的员工数量，根据所述员工数量，得到所述目标区/县i内所有企业的员工总数量
Figure 330942DEST_PATH_IMAGE015
；
第四运算单元544，用于根据所述员工总数量
Figure 212310DEST_PATH_IMAGE015
和企业数量，得到所述企业数据
Figure 833784DEST_PATH_IMAGE006
。
请参见图11，图11是本发明一个示例性实施例提供的基于人流密度的流行病疫情风险等级评估设备的示意图。如图11所示，该实施例的基于人流密度的流行病疫情风险等级评估设备11包括：处理器110、存储器111以及存储在所述存储器111中并可在所述处理器110上运行的计算机程序112，例如基于人流密度的流行病疫情风险等级评估程序。所述处理器110执行所述计算机程序112时实现上述各个基于人流密度的流行病疫情风险等级评估方法实施例中的步骤，例如图1所示的步骤S101至S106。或者，所述处理器110执行所述计算机程序112时实现上述各装置实施例中各模块/单元的功能，例如图5所示单元51至56的功能。
示例性的，所述计算机程序112可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器111中，并由所述处理器110执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序112在所述基于人流密度的流行病疫情风险等级评估设备11中的执行过程。例如，所述计算机程序112可以被分割成病例获取单元、人口流动数据获取单元、人口密度获取单元、企业数据获取单元、评估单元和可视化单元，各单元功能如下：
病例获取单元，用于获取目标区/县i的总新增确诊病例的数量
Figure 218629DEST_PATH_IMAGE001
和所述目标区/县i的本地新增确诊病例的数量B i ；
人口流动数据获取单元，用于根据腾讯位置大数据，获取所述目标区/县i的人口流动数据
Figure 752510DEST_PATH_IMAGE002
；
人口密度获取单元，用于获取所述目标区/县i的常住人口
Figure 980229DEST_PATH_IMAGE003
，并根据常住人口
Figure 749602DEST_PATH_IMAGE003
和所述目标区/县i的地理面积
Figure 129899DEST_PATH_IMAGE004
，得到所述目标区/县i的人口密度
Figure 83948DEST_PATH_IMAGE005
；
企业数据获取单元，用于根据高德地图POI数据，获取所述目标区/县i的企业数据
Figure 674330DEST_PATH_IMAGE006
；
评估单元，用于将所述总新增确诊病例的数量
Figure 388339DEST_PATH_IMAGE001
、所述本地新增确诊病例的数量B i 、所述人口流动数据
Figure 747776DEST_PATH_IMAGE002
、人口密度
Figure 872727DEST_PATH_IMAGE005
和所述企业数据
Figure 560191DEST_PATH_IMAGE006
输入疫情风险评估模型中，获取所述目标区/县i的疫情风险评估等级
Figure 61580DEST_PATH_IMAGE007
；
可视化单元，将各个所述目标区/县i的疫情风险评估等级
Figure 541103DEST_PATH_IMAGE007
输入至地理信息系统中，得到目标省份的疫情风险评估地图，并向用户呈现所述疫情风险评估地图。
可选的，所述可视化单元包括：
三维可视化单元，用于将各个所述目标区/县i的疫情风险评估等级
Figure 587687DEST_PATH_IMAGE007
输入虚拟地理信息系统中，得到各个所述目标区/县i在所述虚拟地理环境系统中的位置，在各个所述目标区/县i在所述虚拟地理环境系统中的位置上构建三维立体结构，将各个所述目标区/县i的疫情风险评估等级
Figure 152661DEST_PATH_IMAGE007
作为所述三维立体结构的显示属性，得到所述目标省份的疫情风险评估地图，并向用户呈现所述疫情风险评估地图。
可选的，人口流动数据获取单元，包括：
网格数据获取单元，用于根据腾讯位置大数据，获取网格单元
Figure 192161DEST_PATH_IMAGE008
以及每个所述网格单元对应的人口流动数据；
行政边界获取单元，用于获取所述目标区/县i的地理行政边界；
裁剪单元，用于根据所述目标区/县i的地理行政边界对所述网格单元
Figure 463873DEST_PATH_IMAGE008
进行裁剪，得到所述地理行政边界内的网格单元
Figure 805993DEST_PATH_IMAGE009
以及对应的人口流动数据
Figure 468050DEST_PATH_IMAGE010
；
第一运算单元，用于对所述人口流动数据
Figure 311241DEST_PATH_IMAGE010
进行累加，得到所述目标区/县i的人口流动数据
Figure 499777DEST_PATH_IMAGE011
。
可选的，人口流动数据获取单元，包括：
采集单元，用于根据腾讯位置大数据，获取所述目标省份的人口流动数据
Figure 899882DEST_PATH_IMAGE012
；
第二运算单元，用于根据所述目标区/县i的常住人口
Figure 564082DEST_PATH_IMAGE013
与所述目标省份的常住人口
Figure 86330DEST_PATH_IMAGE014
的比值、以及所述人口流动数据
Figure 4739DEST_PATH_IMAGE012
，得到所述目标区/县i的人口流动数据
Figure 813295DEST_PATH_IMAGE011
。
可选的，企业数据获取单元，包括：
第一POI数据获取单元，用于根据所述高德地区POI数据，获取所述目标区/县i中POI类型为公司企业的企业数量，将所述企业数量作为所述企业数据
Figure 574577DEST_PATH_IMAGE006
；
可选的，企业数据获取单元，包括：
第二POI数据获取单元，用于根据所述高德地图POI数据，获取所述目标区/县i中POI类型为公司企业的企业数量和企业名称；
第三运算单元，用于获取所述企业名称对应的员工数量，根据所述员工数量，得到所述目标区/县i内所有企业的员工总数量
Figure 510303DEST_PATH_IMAGE015
；
第四运算单元，用于根据所述员工总数量
Figure 532486DEST_PATH_IMAGE015
和企业数量，得到所述企业数据
Figure 652889DEST_PATH_IMAGE006
。
所述基于人流密度的流行病疫情风险等级评估设备11可包括，但不仅限于，处理器110、存储器111。本领域技术人员可以理解，图11仅仅是基于人流密度的流行病疫情风险等级评估设备11的示例，并不构成对基于人流密度的流行病疫情风险等级评估设备11的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于人流密度的流行病疫情风险等级评估设备11还可以包括输入输出设备、网络接入设备、总线等。
所称处理器110可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器111可以是所述基于人流密度的流行病疫情风险等级评估设备11的内部存储单元，例如基于人流密度的流行病疫情风险等级评估设备11的硬盘或内存。所述存储器111也可以是所述基于人流密度的流行病疫情风险等级评估设备11的外部存储设备，例如所述基于人流密度的流行病疫情风险等级评估设备11上配备的插接式硬盘，智能存储卡（Smart Media Card， SMC），安全数字（Secure Digital， SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器111还可以既包括所基于人流密度的流行病疫情风险等级评估设备11的内部存储单元也包括外部存储设备。所述存储器111用于存储所述计算机程序以及所述基于人流密度的流行病疫情风险等级评估设备所需的其他程序和数据。所述存储器111还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (10)

1.一种基于人流密度的流行病疫情风险等级评估方法，其特征在于，包括步骤：
获取目标区/县i的总新增确诊病例的数量
Figure 665234DEST_PATH_IMAGE001
和所述目标区/县i的本地新增确诊病例的数量B i ；
根据腾讯位置大数据，获取所述目标区/县i的人口流动数据
Figure 51216DEST_PATH_IMAGE002
；
获取所述目标区/县i的常住人口
Figure 424428DEST_PATH_IMAGE003
，并根据常住人口
Figure 85217DEST_PATH_IMAGE003
和所述目标区/县i的地理面积
Figure 102851DEST_PATH_IMAGE004
，得到所述目标区/县i的人口密度
Figure 518789DEST_PATH_IMAGE005
；
根据高德地图POI数据，获取所述目标区/县i的企业数据
Figure 51402DEST_PATH_IMAGE006
；
将所述总新增确诊病例的数量
Figure 719143DEST_PATH_IMAGE001
、所述本地新增确诊病例的数量B i 、所述人口流动数据
Figure 214453DEST_PATH_IMAGE007
、人口密度
Figure 473396DEST_PATH_IMAGE005
和所述企业数据
Figure 696567DEST_PATH_IMAGE006
输入疫情风险评估模型中，获取所述目标区/县i的疫情风险评估等级
Figure 761475DEST_PATH_IMAGE008
；
将各个所述目标区/县i的疫情风险评估等级
Figure 753702DEST_PATH_IMAGE008
输入至地理信息系统中，得到目标省份的疫情风险评估地图，并向用户呈现所述疫情风险评估地图。
2.根据权利要求1所述的基于人流密度的流行病疫情风险等级评估方法，其特征在于，所述根据腾讯位置大数据，获取所述目标区/县i的人口流动数据
Figure 449126DEST_PATH_IMAGE007
，包括步骤：
根据腾讯位置大数据，获取网格单元
Figure 18647DEST_PATH_IMAGE009
以及每个所述网格单元对应的人口流动数据；
获取所述目标区/县i的地理行政边界；
根据所述目标区/县i的地理行政边界对所述网格单元
Figure 762612DEST_PATH_IMAGE009
进行裁剪，得到所述地理行政边界内的网格单元
Figure 671663DEST_PATH_IMAGE010
以及对应的人口流动数据
Figure 600304DEST_PATH_IMAGE011
；
对所述人口流动数据
Figure 532488DEST_PATH_IMAGE011
进行累加，得到所述目标区/县i的人口流动数据
Figure 876882DEST_PATH_IMAGE007
。
3.根据权利要求1所述的基于人流密度的流行病疫情风险等级评估方法，其特征在于，所述根据腾讯位置大数据，获取所述目标区/县i的人口流动数据
Figure 469799DEST_PATH_IMAGE007
，包括步骤：
根据腾讯位置大数据，获取所述目标省份的人口流动数据
Figure 444709DEST_PATH_IMAGE012
；
根据所述目标区/县i的常住人口
Figure 988823DEST_PATH_IMAGE013
与所述目标省份的常住人口
Figure 136907DEST_PATH_IMAGE014
的比值、以及所述人口流动数据
Figure 958233DEST_PATH_IMAGE012
，得到所述目标区/县i的人口流动数据
Figure 228677DEST_PATH_IMAGE007
。
4.根据权利要求1所述的基于人流密度的流行病疫情风险等级评估方法，其特征在于，根据高德地图POI数据，获取所述目标区/县i的企业数据
Figure 932191DEST_PATH_IMAGE006
，包括步骤：
根据所述高德地区POI数据，获取所述目标区/县i中POI类型为公司企业的企业数量，将所述企业数量作为所述企业数据
Figure 821649DEST_PATH_IMAGE006
。
5.根据权利要求1所述的基于人流密度的流行病疫情风险等级评估方法，其特征在于，根据高德地图POI数据，获取所述目标区/县i的企业数据
Figure 622115DEST_PATH_IMAGE006
，包括步骤：
根据所述高德地图POI数据，获取所述目标区/县i中POI类型为公司企业的企业数量和企业名称；
获取所述企业名称对应的员工数量，根据所述员工数量，得到所述目标区/县i内所有企业的员工总数量
Figure 204406DEST_PATH_IMAGE015
；
根据所述员工总数量
Figure 233366DEST_PATH_IMAGE015
和企业数量，得到所述企业数据
Figure 723253DEST_PATH_IMAGE006
。
6.根据权利要求1至5任一项所述的基于人流密度的流行病疫情风险等级评估方法，其特征在于，所述地理信息系统为虚拟地理信息系统，所述将各个所述目标区/县i的疫情风险评估等级
Figure 253592DEST_PATH_IMAGE016
输入至地理信息系统中，得到目标省份的疫情风险评估地图，并向用户呈现所述疫情风险评估地图，包括步骤：
将各个所述目标区/县i的疫情风险评估等级
Figure 865839DEST_PATH_IMAGE016
输入虚拟地理信息系统中，得到各个所述目标区/县i在所述虚拟地理环境系统中的位置，在各个所述目标区/县i在所述虚拟地理环境系统中的位置上构建三维立体结构，将各个所述目标区/县i的疫情风险评估等级
Figure 747207DEST_PATH_IMAGE016
作为所述三维立体结构的显示属性，得到所述目标省份的疫情风险评估地图，并向用户呈现所述疫情风险评估地图。
7.一种基于人流密度的流行病疫情风险等级评估装置，其特征在于，包括：
病例获取单元，用于获取目标区/县i的总新增确诊病例的数量
Figure 40785DEST_PATH_IMAGE001
和所述目标区/县i的本地新增确诊病例的数量B i ；
人口流动数据获取单元，用于根据腾讯位置大数据，获取所述目标区/县i的人口流动数据
Figure 550264DEST_PATH_IMAGE007
；
人口密度获取单元，用于获取所述目标区/县i的常住人口
Figure 208778DEST_PATH_IMAGE013
，并根据常住人口
Figure 702076DEST_PATH_IMAGE013
和所述目标区/县i的地理面积
Figure 533766DEST_PATH_IMAGE004
，得到所述目标区/县i的人口密度
Figure 304276DEST_PATH_IMAGE005
；
企业数据获取单元，用于根据高德地图POI数据，获取所述目标区/县i的企业数据
Figure 494211DEST_PATH_IMAGE006
；
评估单元，用于将所述总新增确诊病例的数量
Figure 350172DEST_PATH_IMAGE001
、所述本地新增确诊病例的数量B i 、所述人口流动数据
Figure 985553DEST_PATH_IMAGE007
、人口密度
Figure 531940DEST_PATH_IMAGE005
和所述企业数据
Figure 532257DEST_PATH_IMAGE006
输入疫情风险评估模型中，获取所述目标区/县i的疫情风险评估等级
Figure 734569DEST_PATH_IMAGE016
；
可视化单元，将各个所述目标区/县i的疫情风险评估等级
Figure 376903DEST_PATH_IMAGE016
输入至地理信息系统中，得到目标省份的疫情风险评估地图，并向用户呈现所述疫情风险评估地图。
8.根据权利要求7所述的基于人流密度的流行病疫情风险等级评估装置，其特征在于，所述可视化单元包括：
三维可视化单元，用于将各个所述目标区/县i的疫情风险评估等级
Figure 653163DEST_PATH_IMAGE016
输入虚拟地理信息系统中，得到各个所述目标区/县i在所述虚拟地理环境系统中的位置，在各个所述目标区/县i在所述虚拟地理环境系统中的位置上构建三维立体结构，将各个所述目标区/县i的疫情风险评估等级
Figure 713130DEST_PATH_IMAGE016
作为所述三维立体结构的显示属性，得到所述目标省份的疫情风险评估地图，并向用户呈现所述疫情风险评估地图。
9.一种基于人流密度的流行病疫情风险等级评估设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
CN202010236407.XA 2020-03-30 2020-03-30 一种基于人流密度的流行病疫情风险等级评估方法 Active CN111128399B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010236407.XA CN111128399B (zh) 2020-03-30 2020-03-30 一种基于人流密度的流行病疫情风险等级评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010236407.XA CN111128399B (zh) 2020-03-30 2020-03-30 一种基于人流密度的流行病疫情风险等级评估方法

Publications (2)

Publication Number Publication Date
CN111128399A true CN111128399A (zh) 2020-05-08
CN111128399B CN111128399B (zh) 2020-07-14

Family

ID=70493886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010236407.XA Active CN111128399B (zh) 2020-03-30 2020-03-30 一种基于人流密度的流行病疫情风险等级评估方法

Country Status (1)

Country Link
CN (1) CN111128399B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111343209A (zh) * 2020-05-21 2020-06-26 浙江双视红外科技股份有限公司 一种具有温度信息的图片处理方法
CN111640515A (zh) * 2020-05-26 2020-09-08 深圳市通用互联科技有限责任公司 区域的疫情风险确定方法、装置、计算机设备和存储介质
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
CN111768873A (zh) * 2020-06-03 2020-10-13 中国地质大学（武汉） 一种covid-19实时风险预测方法
CN111798988A (zh) * 2020-07-07 2020-10-20 医渡云（北京）技术有限公司 风险区域预测方法、装置、电子设备及计算机可读介质
CN111798990A (zh) * 2020-07-07 2020-10-20 医渡云（北京）技术有限公司 疫情新增人数预测方法、装置、电子设备和可读存储介质
CN111885498A (zh) * 2020-07-13 2020-11-03 中国联合网络通信集团有限公司 一种应急响应等级的预测方法及预测装置
CN111916218A (zh) * 2020-08-10 2020-11-10 重庆邮电大学 一种新型冠状病毒肺炎疫情多级预警方法及系统
CN112652401A (zh) * 2020-08-20 2021-04-13 同济大学 一种基于区县疫情大数据的疫情预防系统
CN112750536A (zh) * 2020-12-25 2021-05-04 南京医科大学 世界各国新发呼吸道传染病的风险评估系统
CN112992372A (zh) * 2021-03-09 2021-06-18 深圳前海微众银行股份有限公司 疫情风险监测方法、装置、设备、存储介质及程序产品
CN113011746A (zh) * 2021-03-22 2021-06-22 东南大学 一种基于数字画像的空气传播类疾病高风险场所预警系统
CN113744882A (zh) * 2021-09-17 2021-12-03 腾讯科技（深圳）有限公司 目标区域的确定方法、装置、设备以及存储介质
CN114334172A (zh) * 2021-12-13 2022-04-12 北京融信数联科技有限公司 一种疫情风险评估方法、系统及可读存储介质
CN114528502A (zh) * 2022-02-18 2022-05-24 深圳市理想视界电子有限公司 订票风险提示方法及相关产品
WO2022134480A1 (zh) * 2020-12-21 2022-06-30 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
WO2022217829A1 (zh) * 2021-04-16 2022-10-20 南方科技大学 一种传染病防控方法、装置、计算机设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050032066A1 (en) * 2003-08-04 2005-02-10 Heng Chew Kiat Method for assessing risk of diseases with multiple contributing factors
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
CN102682188A (zh) * 2011-03-15 2012-09-19 中国科学院遥感应用研究所 一种城市级传染病模拟的方法及装置
CN102945310A (zh) * 2012-09-27 2013-02-27 吉林大学 基于自治计算的流行病传播网络建模与推断
CN102982392A (zh) * 2012-11-07 2013-03-20 中国科学院亚热带农业生态研究所 一种基于地理信息系统的农业鼠害暴发风险指数评价方法
CN108198629A (zh) * 2018-03-06 2018-06-22 云南省疾病预防控制中心 一种传染病跨境输入传播风险自动评估系统及方法
CN110459329A (zh) * 2019-07-11 2019-11-15 广东省公共卫生研究院 一种登革热风险综合评估方法
WO2019244646A1 (ja) * 2018-06-18 2019-12-26 日本電気株式会社 疾病リスク予測装置、疾病リスク予測方法および疾病リスク予測プログラム
WO2020046398A1 (en) * 2018-08-31 2020-03-05 Google Llc Privacy-first on-device federated health modeling and intervention

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050032066A1 (en) * 2003-08-04 2005-02-10 Heng Chew Kiat Method for assessing risk of diseases with multiple contributing factors
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
CN102682188A (zh) * 2011-03-15 2012-09-19 中国科学院遥感应用研究所 一种城市级传染病模拟的方法及装置
CN102945310A (zh) * 2012-09-27 2013-02-27 吉林大学 基于自治计算的流行病传播网络建模与推断
CN102982392A (zh) * 2012-11-07 2013-03-20 中国科学院亚热带农业生态研究所 一种基于地理信息系统的农业鼠害暴发风险指数评价方法
CN108198629A (zh) * 2018-03-06 2018-06-22 云南省疾病预防控制中心 一种传染病跨境输入传播风险自动评估系统及方法
WO2019244646A1 (ja) * 2018-06-18 2019-12-26 日本電気株式会社 疾病リスク予測装置、疾病リスク予測方法および疾病リスク予測プログラム
WO2020046398A1 (en) * 2018-08-31 2020-03-05 Google Llc Privacy-first on-device federated health modeling and intervention
CN110459329A (zh) * 2019-07-11 2019-11-15 广东省公共卫生研究院 一种登革热风险综合评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
涂文校 等: "2016年我国内地寨卡病毒的输入和传播风险评估", 《科学通报》 *
雷蕾 等: "江西省输入性疟疾引起继发传播的风险评估", 《中国血吸虫病防治杂志》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111343209A (zh) * 2020-05-21 2020-06-26 浙江双视红外科技股份有限公司 一种具有温度信息的图片处理方法
CN111640515A (zh) * 2020-05-26 2020-09-08 深圳市通用互联科技有限责任公司 区域的疫情风险确定方法、装置、计算机设备和存储介质
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
CN111768873A (zh) * 2020-06-03 2020-10-13 中国地质大学（武汉） 一种covid-19实时风险预测方法
CN111798988A (zh) * 2020-07-07 2020-10-20 医渡云（北京）技术有限公司 风险区域预测方法、装置、电子设备及计算机可读介质
CN111798990A (zh) * 2020-07-07 2020-10-20 医渡云（北京）技术有限公司 疫情新增人数预测方法、装置、电子设备和可读存储介质
CN111798988B (zh) * 2020-07-07 2022-11-01 医渡云（北京）技术有限公司 风险区域预测方法、装置、电子设备及计算机可读介质
CN111885498A (zh) * 2020-07-13 2020-11-03 中国联合网络通信集团有限公司 一种应急响应等级的预测方法及预测装置
CN111916218A (zh) * 2020-08-10 2020-11-10 重庆邮电大学 一种新型冠状病毒肺炎疫情多级预警方法及系统
CN111916218B (zh) * 2020-08-10 2022-07-22 重庆邮电大学 一种新型冠状病毒肺炎疫情多级预警方法及系统
CN112652401A (zh) * 2020-08-20 2021-04-13 同济大学 一种基于区县疫情大数据的疫情预防系统
WO2022134480A1 (zh) * 2020-12-21 2022-06-30 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
CN112750536A (zh) * 2020-12-25 2021-05-04 南京医科大学 世界各国新发呼吸道传染病的风险评估系统
CN112750536B (zh) * 2020-12-25 2024-03-29 南京医科大学 世界各国新发呼吸道传染病的风险评估系统
CN112992372A (zh) * 2021-03-09 2021-06-18 深圳前海微众银行股份有限公司 疫情风险监测方法、装置、设备、存储介质及程序产品
CN113011746A (zh) * 2021-03-22 2021-06-22 东南大学 一种基于数字画像的空气传播类疾病高风险场所预警系统
WO2022217829A1 (zh) * 2021-04-16 2022-10-20 南方科技大学 一种传染病防控方法、装置、计算机设备及存储介质
CN113744882A (zh) * 2021-09-17 2021-12-03 腾讯科技（深圳）有限公司 目标区域的确定方法、装置、设备以及存储介质
CN113744882B (zh) * 2021-09-17 2023-09-19 腾讯科技（深圳）有限公司 目标区域的确定方法、装置、设备以及存储介质
CN114334172A (zh) * 2021-12-13 2022-04-12 北京融信数联科技有限公司 一种疫情风险评估方法、系统及可读存储介质
CN114528502A (zh) * 2022-02-18 2022-05-24 深圳市理想视界电子有限公司 订票风险提示方法及相关产品

Also Published As

Publication number Publication date
CN111128399B (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111128399B (zh) 一种基于人流密度的流行病疫情风险等级评估方法
US8560339B2 (en) System and method to predict the global spread of infectious agents via commercial air travel
CN109784636A (zh) 欺诈用户识别方法、装置、计算机设备及存储介质
Wu et al. Incorporating GIS building data and census housing statistics for sub-block-level population estimation
US20120220274A1 (en) Position information analysis device and position information analysis method
CN109493119B (zh) 一种基于poi数据的城市商业中心识别方法及系统
Tang et al. A network Kernel Density Estimation for linear features in space–time analysis of big trace data
CN109859054A (zh) 网络社团挖掘方法、装置、计算机设备及存储介质
US20150379344A1 (en) Geographical area condition determination
WO2022142042A1 (zh) 异常数据的检测方法、装置、计算机设备和存储介质
CN111210201B (zh) 职业标签建立方法、装置、电子设备及存储介质
CN111128398A (zh) 一种基于人口迁徙大数据的流行病感染人数估算方法
JP6933112B2 (ja) サイバー攻撃情報処理プログラム、サイバー攻撃情報処理方法および情報処理装置
CN109949063A (zh) 一种地址确定方法、装置、电子设备及可读存储介质
CN110765220A (zh) 一种基于热力图的地理位置确定方法和电子设备
CN110895543A (zh) 人口迁徙跟踪展示方法、装置及存储介质
Walter et al. Measuring the wisdom of the crowd: How many is enough?
CN112541047A (zh) 一种适用于多级网格化管理系统的海量数据聚合方法
Yap et al. A Global Feature-Rich Network Dataset of Cities and Dashboard for Comprehensive Urban Analyses
Ramachandra et al. Understanding urban sprawl dynamics of Gulbarga-Tier II city in Karnataka through spatio-temporal data and spatial metrics
CN110853412A (zh) 异常航迹点的识别方法和设备
US9262294B2 (en) System and method for event detection and correlation from moving object sensor data
CN111242723B (zh) 用户子女情况判断方法、服务器及计算机可读存储介质
CN112561121B (zh) 基于手机信令数据的复工趋势预测方法及系统
US20210134147A1 (en) System and method for processing vehicle event data for low latency speed analysis of road segments

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
CP01 Change in the name or title of a patent holder

Address after: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province

Patentee after: Guangzhou Institute of geography, Guangdong Academy of Sciences

Patentee after: Guangdong Provincial Laboratory of marine science and engineering of South China (Guangzhou)

Address before: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province

Patentee before: GUANGZHOU INSTITUTE OF GEOGRAPHY

Patentee before: Guangdong Provincial Laboratory of marine science and engineering of South China (Guangzhou)

CP01 Change in the name or title of a patent holder