CN111261302A - 基于时空轨迹数据的流行传染病病毒场可视化方法及系统 - Google Patents
基于时空轨迹数据的流行传染病病毒场可视化方法及系统 Download PDFInfo
- Publication number
- CN111261302A CN111261302A CN202010118617.9A CN202010118617A CN111261302A CN 111261302 A CN111261302 A CN 111261302A CN 202010118617 A CN202010118617 A CN 202010118617A CN 111261302 A CN111261302 A CN 111261302A
- Authority
- CN
- China
- Prior art keywords
- virus
- time
- data
- space
- distribution density
- 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
Links
- 241000700605 Viruses Species 0.000 title claims abstract description 314
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 78
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 41
- 238000007794 visualization technique Methods 0.000 title claims description 5
- 230000002123 temporal effect Effects 0.000 claims abstract description 43
- 201000010099 disease Diseases 0.000 claims abstract description 28
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000004140 cleaning Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000009792 diffusion process Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 61
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 15
- 239000000969 carrier Substances 0.000 claims description 11
- 238000013506 data mapping Methods 0.000 claims description 11
- 230000006806 disease prevention Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000012731 temporal analysis Methods 0.000 claims description 5
- 238000002955 isolation Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims 2
- 230000003612 virological effect Effects 0.000 claims 1
- 238000012800 visualization Methods 0.000 abstract description 6
- 230000002265 prevention Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 6
- 241001678559 COVID-19 virus Species 0.000 description 4
- 241000711573 Coronaviridae Species 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 244000000010 microbial pathogen Species 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000005653 Brownian motion process Effects 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 101100012466 Drosophila melanogaster Sras gene Proteins 0.000 description 1
- 241001115402 Ebolavirus Species 0.000 description 1
- 208000002979 Influenza in Birds Diseases 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 206010064097 avian influenza Diseases 0.000 description 1
- 238000005537 brownian motion Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000009351 contact transmission Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 231100000676 disease causative agent Toxicity 0.000 description 1
- 230000005560 droplet transmission Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
一种基于时空轨迹数据的流行传染病病毒场可视化方法，包括以下步骤：S1：空气传播传染病城市扩散建模；S2：病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工；S3：病毒携带者位置语义信息获取；S4：病毒携带者为位置中心的病毒分布密度计算；S5：病毒携带人群的时间、空间和病毒分布密度数据映射；S6：基于时态GIS的流行传染病病毒场云平台构建。以及提供一种基于时空轨迹数据的流行传染病病毒场可视化系统。本发明通过病毒携带人群的时空轨迹数据和感染发病数据加工成病毒携带者为位置中心的病毒分布密度图，并加入空间位置语义信息映射到时态GIS上，将流行传染病病毒场可视化处理。
Description
技术领域
本发明涉及手机定位、时态GIS、大数据、云计算在流行传染病预防和控制领域的应用，尤其涉及一种基于时空轨迹数据的流行传染病病毒场可视化方法及系统。
背景技术
传染病爆发的核心就在于它的传染性，能够从一个人直接或者间接的传递给另一个人或者更多的人。应对这类突然爆发的传染病，人类掌握了一种非常古老但是异常有效的办法—那就是隔离。
隔离的核心有三条：
一是找到和管理传染源。科学家们已经明确新冠病毒就是这次传染病爆发的病原体，而且它能在人与人之间传播，那么将已经患病或者疑似患病者快速识别出来并隔离治疗，就起到了这个作用。
二是切断传播途径。作为一种呼吸道病毒，新冠病毒的主要传播途径是通过飞沫传播，但目前人们也无法完全排除其他的传播途径。因此切断传播途径最有效的方法就是避免人群的大规模的聚集和长距离的移动。
三是保护易感人群。面对这次新型冠状病毒2019-nCoV，可以说每个人都是易感人群。
比尔·盖茨在2015年埃博拉病毒爆发之后的一次演讲中表示，在未来几十年里，如果有什么东西可以杀掉上千万人，那更可能是个有高度传染性的病毒，而不是战争；不是导弹，而是微生物。同时盖茨还提到，目前的问题不在于我们没有一套可以使用的系统，而是我们根本没有任何系统。这里所讲的系统包括了用于流行传染病防控的信息系统。
中国发明专利申请号为201610060508.X公开了一种公开了利用手机轨迹追踪传染源和预测传染病流行趋势的方法，包括步骤：从疾控中心获得新发感染者数据，确定新发感染者；获得所述新发感染者发病前和发病后一段时间内的手机话务数据及其相关基站数据；对所述手机话务数据和相关基站数据在地理信息系统平台上进行新发感染者的轨迹可视化分析；和分析传染病流行的高危区域和人群，预测传染病流行趋势。
中国发明专利申请号为201710315295.5公开了及一种传染病防控方法及系统。根据本地染病风险数据识别传染病的高风险区域；根据规则手机数据识别访问所述高风险区域的用户；通过访问高风险区域的用户手机轨迹数据识别出行目的地为所述高风险区域的流入人群，并根据所述流入人群的出行特征将出行目的地进行分类；依据防控严格程度分别制定空间防控措施，并依据所述空间防控措施以及出行目的地的分类结果分别向对应的流入人群发送出行干预信息。
这次2019-nCoV传染病，具有很大的隐匿性；①冠状病毒是纳米级的，是肉眼不可见的，且有较长的潜伏期；②症状不明显，感染潜伏期也具有明显的传染性；③无症状感染者也存在一定传染性，这些都对疫情的防控带来新的挑战；
若将病毒携带者的病毒传播，通过其活动过程中所产生的病毒场进行表达，这样可以对病毒携带者的个人隐私进行保护；另外，若对病毒场的大小、分布情况以及影响进行计算，并动态地显示在时态GIS上，这样就为实现以下三个目标奠定了坚实基础：①向有关部门及人员提供反映病毒场分布的时态GIS信息，为精准施策、精准防控、公民出行等提供信息支持；②为进一步排查病毒感染源和感染途径提供数据支撑；③找出曾经在该病毒场停留过的个体，并计算出他们被感染的概率。
发明内容
为了克服已有的传染病防控方法的对已经患病或者疑似患病者识别排查难、对个人隐私保护缺失、对付病毒的隐匿性手段欠缺、难以计算与病毒携带者相遇后被感染的概率、对疫情的精准施策和精准防控缺少有力的技术支撑等不足，本发明提供一种通过病毒携带人群的时空轨迹数据和感染发病数据加工成病毒携带者为位置中心的病毒分布密度图，并加入空间位置语义信息映射到时态GIS上，将流行传染病病毒场可视化处理的方法。
本发明解决其技术问题所采用的技术方案是：
一种基于时空轨迹数据的流行传染病病毒场可视化方法，包括以下步骤：
S1：空气传播传染病城市扩散建模；
S2：病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工；
S3：病毒携带者位置语义信息获取；
S4：病毒携带者为位置中心的病毒分布密度计算；
S5：病毒携带人群的时间、空间和病毒分布密度数据映射；
S6：基于时态GIS的流行传染病病毒场云平台构建，各地基层疾病防控中心工作人员通过所述的基于时态GIS的流行传染病病毒场云平台输入病毒携带者感染发病数据；然后通过所述的病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元，所述的病毒携带者位置语义信息获取单元，所述的病毒携带者为位置中心的病毒分布密度计算单元，所述的病毒携带人群的时间、空间和病毒分布密度数据映射单元进行云计算，最后自动生成基于时态GIS的流行传染病病毒场。
进一步，在所述步骤S1中，对城市区域功能进行划分及空间位置映射，将城市中的每个空间位置功能语义化。
再进一步，在所述步骤S2中，将各病毒携带者的感染发病数据，包括手机号码及发病时间和被隔离时间，用所述的手机号码从通信运营商获得所属的病毒携带者从发病前1天和发病后直至被隔离前以时间间隔t的手机话务数据及其相关基站数据，所述的病毒携带者的手机话务数据包括用户触发话务的时间、用户通信业务类型和用户ID号；所述相关基站数据包括与所述手机话务数据相关的基站位置区域识别号码和基站扇区位置标识号码；然后将上述数据加工成用户ID、时刻、空间位置并按时间序列写入时空数据库集，即DATASET1。
更进一步，在所述步骤S3中，根据所述的病毒携带者的空间位置访问所述的城市区域功能划分及空间位置映射单元，得到所述的病毒携带者的空间位置的语义信息。
在所述步骤S4中，根据所述的DATASET1中所述的用户ID、时刻、空间位置信息，分别计算每个所述用户ID的为位置中心的病毒分布密度，计算公式如下；
式中，P(i)t为采样时刻t第i个病毒携带者所处的空间坐标，t(i)为采样时刻t第i个病毒携带者在所处的空间坐标所经历的时间，σ为常数，f(P(i)t,t(i))为采样时刻t第i个病毒携带者的病毒分布密度；
进一步，还要考虑到室内外病毒分布密度衰减情况不同，对于室外病毒分布密度不进行累加；对于室内，首先判断采样时刻t第i个病毒携带者所处的空间坐标P(i)t和采样时刻t+1第i个病毒携带者所处的空间坐标P(i)t+1之间的距离ΔD是否小于一个阈值TD，如果满足，就要考虑病毒密度的累加效应；即将采样时刻t+1第i个病毒携带者的残存病毒分布密度f(P(i)t+1,t(i)+Δt)与采样时刻t+1第i个病毒携带者的病毒分布密度f(P(i)t+1,t(i))进行累加；
对于所述的病毒携带者所处的环境是否在室内还是在室外，是根据所述的病毒携带者位置语义信息获取单元所得到的空间语义来实现的；
考虑到经历采样时间间隔Δt的病毒分布密度衰减，将经历采样时间间隔Δt所残存在区域中的病毒分布密度用公式(2)进行衰减计算，
式中，P(i)t+1为采样时刻t+1第i个病毒携带者所处的空间坐标，t(i)为采样时刻t第i个病毒携带者在所处的空间坐标所经历的时间，σ为常数，f(P(i)t+1,t(i)+Δt)为采样时刻t+1第i个病毒携带者的残存病毒分布密度；
然后将上述数据进一步加工成用户ID、时刻、空间位置、病毒分布密度并按时间序列写入病毒分布时空数据库集，即DATASET2。
在所述步骤S5中，用于将所述的DATASET2中的数据映射到时态GIS上；
所述的时态GIS在传统GIS基础上增加时间维，把GIS由传统的空间、属性两要素拓展为空间、时间、属性三要素；时态GIS既可以描述和表达病毒场在空间中的分布和形状，也可以描述和表达其随时间的变化，进行时态分析。
一种基于时空轨迹数据的流行传染病病毒场可视化系统，包括空气传播传染病城市扩散建模单元，病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元，病毒携带者位置语义信息获取单元，病毒携带者为位置中心的病毒分布密度计算单元，病毒携带人群的时间、空间和病毒分布密度数据映射单元，基于时态GIS的流行传染病病毒场云平台构建单元。
进一步，所述的空气传播传染病城市扩散建模单元，用于对城市区域功能进行划分及空间位置映射，将城市中的每个空间位置功能语义化；
这里首先将城市的主城区分解为区域和区域中的子空间，所述的子空间的功能信息是通过所述的数字地图内容、导航和位置服务解决方案提供商这里获得的；从通信运营商获取基站位置区域识别号码和基站扇区位置标识号码，将所述的区域和所述的区域中的子空间进行映射；
所述的区域，是服务于不同目的的城市地块，将城市划分为农业区、办公区、住宅区、医院、学校、大学、休闲娱乐区不同类型；不考虑对传染病扩散基本无影响的区域，如农业区，将所述的区域映射为七种类型：住宅区、办公区、学校、大学、医院、休闲区和交通区；所述的交通区是一种特别的区域，由可移动的独立空间组成，比如火车车厢、地铁车厢和公共汽车；
所述的子空间，是属于所述区域的一个更小的空间单位，对应到现实生活中的一个个非移动的独立空间，所述非移动的独立空间是一个家庭、或者一个医院病房、或者一个办公室、或者一个休闲娱乐场所、或者一个教室、或者一块绿地；所述的子空间区分室外和室内；所述的子空间的类型由其所在区域的功能类型决定；人们在所述的子空间中进行相应类型的活动，比如居家、住院、工作、休闲娱乐和学习；参考实际数据在每个所述的区域中生成不同类型的所述的子空间，比如一个大学区域可由办公子空间、居住空间、教室子空间、休闲子空间；由此，这里将所述的子空间划分为以下六种类型：居所、办公室、教室、病房、休闲场所、交通子空间；这样每个子空间都具备了相应的语义信息。
再进一步，所述的病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元；从疾控中心获得所述的病毒携带人群中每个个体的感染发病数据，即各病毒携带者的感染发病数据，包括手机号码及发病时间和被隔离时间，用该手机号码从通信运营商获得所属的病毒携带者从发病前1天和发病后直至被隔离前以时间间隔t的手机话务数据及其相关基站数据，所述的通信运营商如中国移动、中国联通和中国电信，所述的病毒携带者的手机话务数据包括用户触发话务的时间、用户通信业务类型和用户ID号；所述相关基站数据包括与所述手机话务数据相关的基站位置区域识别号码和基站扇区位置标识号码；然后将上述数据加工成用户ID、时刻、空间位置并按时间序列写入时空数据库集，即DATASET1。
所述的病毒携带者位置语义信息获取单元，根据所述的病毒携带者的空间位置访问所述的城市区域功能划分及空间位置映射单元，得到所述的病毒携带者的空间位置的语义信息。
所述病毒携带者为位置中心的病毒分布密度计算单元，根据所述的DATASET1中所述的用户ID、时刻、空间位置信息，分别计算每个所述用户ID的为位置中心的病毒分布密度，计算公式如下；
式中，P(i)t为采样时刻t第i个病毒携带者所处的空间坐标，t(i)为采样时刻t第i个病毒携带者在所处的空间坐标所经历的时间，σ为常数，f(P(i)t,t(i))为采样时刻t第i个病毒携带者的病毒分布密度；
进一步，还要考虑到室内外病毒分布密度衰减情况不同，对于室外病毒分布密度不进行累加；对于室内，首先判断采样时刻t第i个病毒携带者所处的空间坐标P(i)t和采样时刻t+1第i个病毒携带者所处的空间坐标P(i)t+1之间的距离ΔD是否小于一个阈值TD，如果满足，就要考虑病毒密度的累加效应；即将采样时刻t+1第i个病毒携带者的残存病毒分布密度f(P(i)t+1,t(i)+Δt)与采样时刻t+1第i个病毒携带者的病毒分布密度f(P(i)t+1,t(i))进行累加；
对于所述的病毒携带者所处的环境是否在室内还是在室外，是根据所述的病毒携带者位置语义信息获取单元所得到的空间语义来实现的；
考虑到经历采样时间间隔Δt的病毒分布密度衰减，将经历采样时间间隔Δt所残存在区域中的病毒分布密度用公式(2)进行衰减计算，
式中，P(i)t+1为采样时刻t+1第i个病毒携带者所处的空间坐标，t(i)为采样时刻t第i个病毒携带者在所处的空间坐标所经历的时间，σ为常数，f(P(i)t+1,t(i)+Δt)为采样时刻t+1第i个病毒携带者的残存病毒分布密度；
然后将上述数据进一步加工成用户ID、时刻、空间位置、病毒分布密度并按时间序列写入病毒分布时空数据库集，即DATASET2。
所述的病毒携带人群的时间、空间和病毒分布密度数据映射单元，用于将DATASET2中的数据映射到时态GIS上；
所述的时态GIS在传统GIS基础上增加时间维，把GIS由传统的空间、属性两要素拓展为空间、时间、属性三要素；时态GIS既可以描述和表达病毒场在空间中的分布和形状，也可以描述和表达其随时间的变化，进行时态分析。
所述的基于时态GIS的流行传染病病毒场云平台构建单元，面对数据的加工处理，就必须采用云计算的方式来实现；各地基层疾病防控中心工作人员通过所述的基于时态GIS的流行传染病病毒场云平台输入病毒携带者感染发病数据；然后通过所述的病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元，所述的病毒携带者位置语义信息获取单元，所述的病毒携带者为位置中心的病毒分布密度计算单元，所述的病毒携带人群的时间、空间和病毒分布密度数据映射单元进行云计算，最后自动生成基于时态GIS的流行传染病病毒场。
本发明的技术构思为：要实现本发明的发明任务，必须要解决几个核心问题：(1)两步可视化方法，即对病毒携带者可视化和对其向周围散发的病毒分布可视化；(2)在充分保护个人隐私的前提下对病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工；(3)计算病毒携带者为位置中心的病毒分布密度；(4)将病毒携带人群的时间、空间和病毒分布密度数据映射到时态GIS上；(5)排查出所有可疑重点的传染病病毒场，并根据空间位置语义信息标识出高风险的传染病病毒场。
本发明的有益效果主要表现在：
(1)通过对病毒携带者与病毒场的映射，可以做到对疫情进行坚决的、毫不松懈的动态监控，有利于彻底阻断疫情感染途径；能实现对人群隐私保护，包括了已感染的人群、实施人道主义关怀，有助于提高全民对传染病的群防群控自觉性；容易做到做到时间和空间维度上的精准防控。
(2)在法律方面，有助于解决疫情信息发布和预警之间责任不清问题；疫情发布，是对巳经明确的疫情进行公开，需要由国务院卫生行政部门负责向社会公布传染病疫情信息；预警是对还没有发生或者可能发生的疫情进行前置式的警示，发布预警主体是县级以上地方各级人民政府。疫情发布要求准确全面；预警采用的是“疑有从有”的原则。各地基层疾病防控中心可以在得到当地人民政府授权的情况下，实时在网络上发布当地流行传染病病毒场时空分布信息，将有关风险的信息及时转告给潜在的受影响者，使其采取必要的行动，减少事件的不利影响。
(3)对于那些担忧是否可能被病毒感染，且自己原来在外出时没有佩戴口罩的人群，可以提供这样一种信息服务，用户只要将其手机号发送给平台，平台就会根据用户的活动轨迹，再检查该用户是否在出行期间遇到的病毒场，根据其接触病毒场的强度和时间长短，最后计算某次出行被感染的概率，有助于消除居民的恐慌和焦虑心理。
(4)能快速有效地了解到初次感染者的出行特点与路线，能有效帮助传染病预防工作者并对感染源进行追溯调查，在特殊情况下还可以对传染源进行实时动态追踪，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，也节省了大量的人力物力财力。
(5)有了基于时空轨迹数据的流行传染病病毒场为基础的疫情防控云平台，极大地提升了疫情信息上报、排查摸底的效率，同时也为指挥协调、巡防管控、后勤保障奠定了坚实的基础，为群防群控、精准施策提供了坚实的信息支撑。
附图说明
图1为利用时态GIS技术构造层次化的城市模型说明图，1-城市交通网络映射层，2-城市区域划分映射层，3-城市地理信息网络映射层，4-分布在城市区域内的病毒场；
图2为病毒携带者在周围环境中所产生的病毒分布以及经历一段时间后的衰减后的病毒分布曲线；
图3为基于时空轨迹数据的流行传染病病毒场可视化方法处理流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图3，一种基于时空轨迹数据的流行传染病病毒场可视化系统，包括空气传播传染病城市扩散建模单元，病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元，病毒携带者位置语义信息获取单元，病毒携带者为位置中心的病毒分布密度计算单元，病毒携带人群的时间、空间和病毒分布密度数据映射单元，基于时态GIS的流行传染病病毒场云平台构建单元。
如图3所示，重要的处理步骤如下：
S1：空气传播传染病城市扩散建模；
S2：病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工；
S3：病毒携带者位置语义信息获取；
S4：病毒携带者为位置中心的病毒分布密度计算；
S5：病毒携带人群的时间、空间和病毒分布密度数据映射；
S6：基于时态GIS的流行传染病病毒场云平台构建。
所述的空气传播传染病城市扩散建模单元，用于对城市区域功能进行划分及空间位置映射，将城市中的每个空间位置功能语义化；图1所示的是利用时态GIS技术构造层次化的城市模型说明图，1-城市交通网络映射层，2-城市区域划分映射层，3-城市地理信息网络映射层，4-分布在城市区域内的病毒场；其中，城市区域划分最好依据国家最基层疾病防控中心所管辖的行政区域来确定，以避免在管理上出现漏洞；
这里首先将城市的主城区分解为区域和区域中的子空间，所述的子空间的功能信息是通过所述的数字地图内容、导航和位置服务解决方案提供商这里获得的；从通信运营商获取基站位置区域识别号码和基站扇区位置标识号码，将所述的区域和所述的区域中的子空间进行映射；
所述的区域，是服务于不同目的的城市地块，将城市划分为农业区、办公区、住宅区、医院、学校、休闲娱乐区不同类型；不考虑对传染病扩散基本无影响的区域，如农业区，将所述的区域映射为七种类型：住宅区、办公区、学校、医院、休闲区和交通区；所述的交通区是一种特别的区域，由可移动的独立空间组成，比如火车车厢、地铁车厢和公共汽车；
所述的子空间，是属于所述区域的一个更小的空间单位，对应到现实生活中的一个个非移动的独立空间，所述非移动的独立空间是一个家庭、或者一个医院病房、或者一个办公室、或者一个休闲娱乐场所、或者一个教室、或者一块绿地；所述的子空间区分室外和室内；所述的子空间的类型由其所在区域的功能类型决定；人们在所述的子空间中进行相应类型的活动，比如居家、住院、工作、休闲娱乐和学习；参考实际数据在每个所述的区域中生成不同类型的所述的子空间，比如一个大学区域可由办公子空间、居住空间、教室子空间、休闲子空间；由此，这里将所述的子空间划分为以下六种类型：居所、办公室、教室、病房、休闲场所、交通子空间；这样每个子空间都具备了相应的语义信息；
所述的病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元；从疾控中心获得所述的病毒携带人群中每个个体的感染发病数据，即各病毒携带者的感染发病数据，包括手机号码及发病时间和被隔离时间，用该手机号码从通信运营商获得所属的病毒携带者从发病前1天和发病后直至被隔离前以时间间隔t的手机话务数据及其相关基站数据，所述的通信运营商如中国移动、中国联通和中国电信，所述的病毒携带者的手机话务数据包括用户触发话务的时间、用户通信业务类型和用户ID号；所述相关基站数据包括与所述手机话务数据相关的基站位置区域识别号码和基站扇区位置标识号码；然后将上述数据加工成用户ID、时刻、空间位置并按时间序列写入时空数据库集，即DATASET1；
为了最大限度的保护个人隐私，平台只要求各地基层的疾控中心相关人员输入病毒携带者的手机号码及发病时间和被隔离时间的感染发病数据，不包含其他任何的个人信息；访问通信运营商得到话务数据及其相关基站数据时也只提供手机号码；在时态GIS上显示城市区域流行传染病病毒场时不包含任何个人信息。
所述的病毒携带者位置语义信息获取单元，根据所述的病毒携带者的空间位置访问所述的城市区域功能划分及空间位置映射单元，得到所述的病毒携带者的空间位置的语义信息；
飞沫传染和接触传播是新型冠状病毒2019-nCoV主要的传播渠道，也是很多流行传染病的主要的传播渠道；一般来说，室外空气流通性好不适宜微生物的存活，病毒携带者所产生的病毒场会比较快的衰减；而对于环境比较密闭的空间内，病毒携带者将病原微生物带入室内；咳嗽和喷嚏，甚至呼吸，都会将飞沫排入空气中，较大的飞沫在蒸发之前降落到地面，较小的飞沫可以在较短的时间内由于水分蒸发完毕而形成飞沫核，直径≤10μm的飞沫核在空中悬浮的时间长达数小时，若人们在这种病毒场室内滞留时间较长，与病原微生物接触的机会较多，从而形成较高的疾病传染风险。
含有新冠病毒的飞沫核尺寸在亚微米到微米的范围，与烟草燃烧后的颗粒尺度类似。这些飞沫核在没有任何外部干扰情况下，作布朗运动向外传播。用一个比较通俗的话来说，在一个封闭的房间内抽烟，开始在抽烟者周围产生烟雾，然后以抽烟者为中心慢慢地向四周蔓延开来，最后在整个房间内都有烟味。另一方面，随着时间推移，烟味的分布密度也逐渐下降。这就是2019-nCoV病毒分布密度计算的依据。
所述病毒携带者为位置中心的病毒分布密度计算单元，根据所述的DATASET1中所述的用户ID、时刻、空间位置信息，分别计算每个所述用户ID的为位置中心的病毒分布密度，计算公式如下；
式中，P(i)t为采样时刻t第i个病毒携带者所处的空间坐标，t(i)为采样时刻t第i个病毒携带者在所处的空间坐标所经历的时间，σ为常数，f(P(i)t,t(i))为采样时刻t第i个病毒携带者的病毒分布密度；
图2所示的是用公式(1)计算得到的病毒分布密度图，图中的虚线表示在采样时刻t时病毒分布密度图；随着时间推移，若病毒携带者不再向周围散发病毒，那么病毒分布密度就会出现衰减，如图2中的实线所示；若病毒携带者还是不断地向周围散发病毒，那么病毒分布密度就需要进行累加。
因此，在实际环境中，还要考虑到室内外病毒分布密度衰减情况不同，对于室外病毒分布密度不进行累加；对于室内，首先判断采样时刻t第i个病毒携带者所处的空间坐标P(i)t和采样时刻t+1第i个病毒携带者所处的空间坐标P(i)t+1之间的距离ΔD是否小于一个阈值TD，如果满足，就要考虑病毒密度的累加效应；即将采样时刻t+1第i个病毒携带者的残存病毒分布密度f(P(i)t+1,t(i)+Δt)与采样时刻t+1第i个病毒携带者的病毒分布密度f(P(i)t+1,t(i))进行累加；
对于所述的病毒携带者所处的环境是否在室内还是在室外，是根据所述的病毒携带者位置语义信息获取单元所得到的空间语义来实现的；
考虑到经历采样时间间隔Δt的病毒分布密度衰减，将经历采样时间间隔Δt所残存在区域中的病毒分布密度用公式(2)进行衰减计算，
式中，P(i)t+1为采样时刻t+1第i个病毒携带者所处的空间坐标，t(i)为采样时刻t第i个病毒携带者在所处的空间坐标所经历的时间，σ为常数，f(P(i)t+1,t(i)+Δt)为采样时刻t+1第i个病毒携带者的残存病毒分布密度；
然后将上述数据进一步加工成用户ID、时刻、空间位置、病毒分布密度并按时间序列写入病毒分布时空数据库集，即DATASET2；
所属的病毒携带人群的时间、空间和病毒分布密度数据映射单元，用于将DATASET2中的数据映射到时态GIS上；
所述的时态GIS在传统GIS基础上增加时间维，把GIS由传统的空间、属性两要素拓展为空间、时间、属性三要素；时态GIS既可以描述和表达病毒场在空间中的分布和形状，也可以描述和表达其随时间的变化，进行时态分析；
所述的基于时态GIS的流行传染病病毒场云平台构建单元，面对数据的加工处理，就必须采用云计算的方式来实现；各地基层疾病防控中心工作人员通过所述的基于时态GIS的流行传染病病毒场云平台输入病毒携带者感染发病数据；然后通过所述的病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元，所述的病毒携带者位置语义信息获取单元，所述的病毒携带者为位置中心的病毒分布密度计算单元，所述的病毒携带人群的时间、空间和病毒分布密度数据映射单元进行云计算，最后自动生成基于时态GIS的流行传染病病毒场。
本发明的实施方式同样适用于诸如禽流感、流感、SRAS等通过空气传播的流行病的防控。
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)
1.一种基于时空轨迹数据的流行传染病病毒场可视化方法，其特征在于，所述方法包括以下步骤：
S1：空气传播传染病城市扩散建模；
S2：病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工；
S3：病毒携带者位置语义信息获取；
S4：病毒携带者为位置中心的病毒分布密度计算；
S5：病毒携带人群的时间、空间和病毒分布密度数据映射；
S6：基于时态GIS的流行传染病病毒场云平台构建，各地基层疾病防控中心工作人员通过所述的基于时态GIS的流行传染病病毒场云平台输入病毒携带者感染发病数据；然后通过所述的病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元，所述的病毒携带者位置语义信息获取单元，所述的病毒携带者为位置中心的病毒分布密度计算单元，所述的病毒携带人群的时间、空间和病毒分布密度数据映射单元进行云计算，最后自动生成基于时态GIS的流行传染病病毒场。
2.如权利要求1所述的一种基于时空轨迹数据的流行传染病病毒场可视化方法，其特征在于，在所述步骤S1中，对城市区域功能进行划分及空间位置映射，将城市中的每个空间位置功能语义化。
3.如权利要求1或2所述的一种基于时空轨迹数据的流行传染病病毒场可视化方法，其特征在于，在所述步骤S2中，将各病毒携带者的感染发病数据，包括手机号码及发病时间和被隔离时间，用所述的手机号码从通信运营商获得所属的病毒携带者从发病前1天和发病后直至被隔离前以时间间隔t的手机话务数据及其相关基站数据，所述的病毒携带者的手机话务数据包括用户触发话务的时间、用户通信业务类型和用户ID号；所述相关基站数据包括与所述手机话务数据相关的基站位置区域识别号码和基站扇区位置标识号码；然后将上述数据加工成用户ID、时刻、空间位置并按时间序列写入时空数据库集，即DATASET1。
4.如权利要求1或2所述的一种基于时空轨迹数据的流行传染病病毒场可视化方法，其特征在于，在所述步骤S3中，根据所述的病毒携带者的空间位置访问所述的城市区域功能划分及空间位置映射单元，得到所述的病毒携带者的空间位置的语义信息。
5.如权利要求1或2所述的一种基于时空轨迹数据的流行传染病病毒场可视化方法，其特征在于，在所述步骤S4中，根据所述的DATASET1中所述的用户ID、时刻、空间位置信息，分别计算每个所述用户ID的为位置中心的病毒分布密度，计算公式如下；
式中，P(i)t为采样时刻t第i个病毒携带者所处的空间坐标，t(i)为采样时刻t第i个病毒携带者在所处的空间坐标所经历的时间，σ为常数，f(P(i)t,t(i))为采样时刻t第i个病毒携带者的病毒分布密度；
进一步，还要考虑到室内外病毒分布密度衰减情况不同，对于室外病毒分布密度不进行累加；对于室内，首先判断采样时刻t第i个病毒携带者所处的空间坐标P(i)t和采样时刻t+1第i个病毒携带者所处的空间坐标P(i)t+1之间的距离ΔD是否小于一个阈值TD，如果满足，就要考虑病毒密度的累加效应；即将采样时刻t+1第i个病毒携带者的残存病毒分布密度f(P(i)t+1,t(i)+Δt)与采样时刻t+1第i个病毒携带者的病毒分布密度f(P(i)t+1,t(i))进行累加；
对于所述的病毒携带者所处的环境是否在室内还是在室外，是根据所述的病毒携带者位置语义信息获取单元所得到的空间语义来实现的；
考虑到经历采样时间间隔Δt的病毒分布密度衰减，将经历采样时间间隔Δt所残存在区域中的病毒分布密度用公式(2)进行衰减计算，
式中，P(i)t+1为采样时刻t+1第i个病毒携带者所处的空间坐标，t(i)为采样时刻t第i个病毒携带者在所处的空间坐标所经历的时间，σ为常数，f(P(i)t+1,t(i)+Δt)为采样时刻t+1第i个病毒携带者的残存病毒分布密度；
然后将上述数据进一步加工成用户ID、时刻、空间位置、病毒分布密度并按时间序列写入病毒分布时空数据库集，即DATASET2。
6.如权利要求1或2所述的一种基于时空轨迹数据的流行传染病病毒场可视化方法，其特征在于，在所述步骤S5中，用于将所述的DATASET2中的数据映射到时态GIS上；
所述的时态GIS在传统GIS基础上增加时间维，把GIS由传统的空间、属性两要素拓展为空间、时间、属性三要素；时态GIS既可以描述和表达病毒场在空间中的分布和形状，也可以描述和表达其随时间的变化，进行时态分析。
7.一种如权利要求1所述的基于时空轨迹数据的流行传染病病毒场可视化方法实现的系统，其特征在于，所述系统包括空气传播传染病城市扩散建模单元，病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元，病毒携带者位置语义信息获取单元，病毒携带者为位置中心的病毒分布密度计算单元，病毒携带人群的时间、空间和病毒分布密度数据映射单元，基于时态GIS的流行传染病病毒场云平台构建单元。
8.如权利要求7所述的系统，其特征在于，所述的空气传播传染病城市扩散建模单元，用于对城市区域功能进行划分及空间位置映射，将城市中的每个空间位置功能语义化；
这里首先将城市的主城区分解为区域和区域中的子空间，所述的子空间的功能信息是通过所述的数字地图内容、导航和位置服务解决方案提供商这里获得的；从通信运营商获取基站位置区域识别号码和基站扇区位置标识号码，将所述的区域和所述的区域中的子空间进行映射；
所述的区域，是服务于不同目的的城市地块，将城市划分为农业区、办公区、住宅区、医院、学校、大学、休闲娱乐区不同类型；不考虑对传染病扩散基本无影响的区域，如农业区，将所述的区域映射为七种类型：住宅区、办公区、学校、大学、医院、休闲区和交通区；所述的交通区是一种特别的区域，由可移动的独立空间组成，比如火车车厢、地铁车厢和公共汽车；
所述的子空间，是属于所述区域的一个更小的空间单位，对应到现实生活中的一个个非移动的独立空间，所述非移动的独立空间是一个家庭、或者一个医院病房、或者一个办公室、或者一个休闲娱乐场所、或者一个教室、或者一块绿地；所述的子空间区分室外和室内；所述的子空间的类型由其所在区域的功能类型决定；人们在所述的子空间中进行相应类型的活动，比如居家、住院、工作、休闲娱乐和学习；参考实际数据在每个所述的区域中生成不同类型的所述的子空间，比如一个大学区域可由办公子空间、居住空间、教室子空间、休闲子空间；由此，这里将所述的子空间划分为以下六种类型：居所、办公室、教室、病房、休闲场所、交通子空间；这样每个子空间都具备了相应的语义信息。
9.如权利要求7或8所述的系统，其特征在于，所述的病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元；从疾控中心获得所述的病毒携带人群中每个个体的感染发病数据，即各病毒携带者的感染发病数据，包括手机号码及发病时间和被隔离时间，用该手机号码从通信运营商获得所属的病毒携带者从发病前1天和发病后直至被隔离前以时间间隔t的手机话务数据及其相关基站数据，所述的通信运营商如中国移动、中国联通和中国电信，所述的病毒携带者的手机话务数据包括用户触发话务的时间、用户通信业务类型和用户ID号；所述相关基站数据包括与所述手机话务数据相关的基站位置区域识别号码和基站扇区位置标识号码；然后将上述数据加工成用户ID、时刻、空间位置并按时间序列写入时空数据库集，即DATASET1；
所述的病毒携带者位置语义信息获取单元，根据所述的病毒携带者的空间位置访问所述的城市区域功能划分及空间位置映射单元，得到所述的病毒携带者的空间位置的语义信息。
10.如权利要求7或8所述的系统，其特征在于，所述病毒携带者为位置中心的病毒分布密度计算单元，根据所述的DATASET1中所述的用户ID、时刻、空间位置信息，分别计算每个所述用户ID的为位置中心的病毒分布密度，计算公式如下；
式中，P(i)t为采样时刻t第i个病毒携带者所处的空间坐标，t(i)为采样时刻t第i个病毒携带者在所处的空间坐标所经历的时间，σ为常数，f(P(i)t,t(i))为采样时刻t第i个病毒携带者的病毒分布密度；
进一步，还要考虑到室内外病毒分布密度衰减情况不同，对于室外病毒分布密度不进行累加；对于室内，首先判断采样时刻t第i个病毒携带者所处的空间坐标P(i)t和采样时刻t+1第i个病毒携带者所处的空间坐标P(i)t+1之间的距离ΔD是否小于一个阈值TD，如果满足，就要考虑病毒密度的累加效应；即将采样时刻t+1第i个病毒携带者的残存病毒分布密度f(P(i)t+1,t(i)+Δt)与采样时刻t+1第i个病毒携带者的病毒分布密度f(P(i)t+1,t(i))进行累加；
对于所述的病毒携带者所处的环境是否在室内还是在室外，是根据所述的病毒携带者位置语义信息获取单元所得到的空间语义来实现的；
考虑到经历采样时间间隔Δt的病毒分布密度衰减，将经历采样时间间隔Δt所残存在区域中的病毒分布密度用公式(2)进行衰减计算，
式中，P(i)t+1为采样时刻t+1第i个病毒携带者所处的空间坐标，t(i)为采样时刻t第i个病毒携带者在所处的空间坐标所经历的时间，σ为常数，f(P(i)t+1,t(i)+Δt)为采样时刻t+1第i个病毒携带者的残存病毒分布密度；
然后将上述数据进一步加工成用户ID、时刻、空间位置、病毒分布密度并按时间序列写入病毒分布时空数据库集，即DATASET2；
所述的病毒携带人群的时间、空间和病毒分布密度数据映射单元，用于将DATASET2中的数据映射到时态GIS上；
所述的时态GIS在传统GIS基础上增加时间维，把GIS由传统的空间、属性两要素拓展为空间、时间、属性三要素；时态GIS既可以描述和表达病毒场在空间中的分布和形状，也可以描述和表达其随时间的变化，进行时态分析；
所述的基于时态GIS的流行传染病病毒场云平台构建单元，面对数据的加工处理，就必须采用云计算的方式来实现；各地基层疾病防控中心工作人员通过所述的基于时态GIS的流行传染病病毒场云平台输入病毒携带者感染发病数据；然后通过所述的病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元，所述的病毒携带者位置语义信息获取单元，所述的病毒携带者为位置中心的病毒分布密度计算单元，所述的病毒携带人群的时间、空间和病毒分布密度数据映射单元进行云计算，最后自动生成基于时态GIS的流行传染病病毒场。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010118617.9A CN111261302B (zh) | 2020-02-26 | 2020-02-26 | 基于时空轨迹数据的流行传染病病毒场可视化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010118617.9A CN111261302B (zh) | 2020-02-26 | 2020-02-26 | 基于时空轨迹数据的流行传染病病毒场可视化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111261302A true CN111261302A (zh) | 2020-06-09 |
| CN111261302B CN111261302B (zh) | 2024-04-19 |
Family
ID=70951219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010118617.9A Active CN111261302B (zh) | 2020-02-26 | 2020-02-26 | 基于时空轨迹数据的流行传染病病毒场可视化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111261302B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111477342A (zh) * | 2020-06-25 | 2020-07-31 | 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 |
| CN111477341A (zh) * | 2020-06-18 | 2020-07-31 | 杭州数梦工场科技有限公司 | 一种疫情监测方法、装置、电子设备及存储介质 |
| CN111524614A (zh) * | 2020-07-03 | 2020-08-11 | 中航信移动科技有限公司 | 一种疫情信息通知系统 |
| CN111739653A (zh) * | 2020-06-19 | 2020-10-02 | 南方科技大学 | 传染病传播的评估方法、装置、计算机设备和存储介质 |
| CN111798353A (zh) * | 2020-06-17 | 2020-10-20 | 广州通达汽车电气股份有限公司 | 一种公共交通的信息通知方法及装置 |
| 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 |
| CN111885502A (zh) * | 2020-06-28 | 2020-11-03 | 华东师范大学 | 一种保护隐私的疫情防控预警与追溯系统及方法 |
| CN112102945A (zh) * | 2020-11-09 | 2020-12-18 | 电子科技大学 | 一种用于预测covid-19病患重症化的装置 |
| CN112270999A (zh) * | 2020-10-02 | 2021-01-26 | 孙炜 | 一种基于大数据和人工智能的流行病早期发现系统和方法 |
| CN112309582A (zh) * | 2020-11-03 | 2021-02-02 | 崔毅 | 一种基于居民活动出行数据的病毒传播预测方法 |
| CN112669981A (zh) * | 2020-12-30 | 2021-04-16 | 广东省科学院广州地理研究所 | 呼吸道传染病的三维时空溯源方法、装置及设备 |
| US10991185B1 (en) | 2020-07-20 | 2021-04-27 | Abbott Laboratories | Digital pass verification systems and methods |
| CN112735605A (zh) * | 2021-01-22 | 2021-04-30 | 中国银行股份有限公司 | 人员密切接触识别追踪分析方法及装置 |
| CN113327103A (zh) * | 2021-08-03 | 2021-08-31 | 深圳市知酷信息技术有限公司 | 智慧校园疫情在线监测预警方法、系统及存储介质 |
| CN113873441A (zh) * | 2020-06-30 | 2021-12-31 | 香港科技大学 | 接触者追踪的方法及相应的处理方法、系统、设备和介质 |
| CN115379002A (zh) * | 2022-08-03 | 2022-11-22 | 展讯通信(天津)有限公司 | 一种信息上报方法及其装置 |
| US11933619B2 (en) | 2020-12-07 | 2024-03-19 | International Business Machines Corporation | Safe zones and routes planning |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012081006A1 (en) * | 2010-12-15 | 2012-06-21 | Michal Lev | System and method for analyzing and controlling epidemics |
| CN105740615A (zh) * | 2016-01-28 | 2016-07-06 | 中山大学 | 利用手机轨迹追踪传染源和预测传染病流行趋势的方法 |
| CN107256327A (zh) * | 2017-05-05 | 2017-10-17 | 中国科学院深圳先进技术研究院 | 一种传染病防控方法及系统 |
| CN109360660A (zh) * | 2018-10-31 | 2019-02-19 | 河南省疾病预防控制中心 | 一种疾控与出行信息互联的防控方法及防控系统 |
-
2020
- 2020-02-26 CN CN202010118617.9A patent/CN111261302B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012081006A1 (en) * | 2010-12-15 | 2012-06-21 | Michal Lev | System and method for analyzing and controlling epidemics |
| CN105740615A (zh) * | 2016-01-28 | 2016-07-06 | 中山大学 | 利用手机轨迹追踪传染源和预测传染病流行趋势的方法 |
| CN107256327A (zh) * | 2017-05-05 | 2017-10-17 | 中国科学院深圳先进技术研究院 | 一种传染病防控方法及系统 |
| CN109360660A (zh) * | 2018-10-31 | 2019-02-19 | 河南省疾病预防控制中心 | 一种疾控与出行信息互联的防控方法及防控系统 |
Non-Patent Citations (1)
| Title |
|---|
| 梅珊 等: "空气传播传染病城市扩散建模" * |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798353A (zh) * | 2020-06-17 | 2020-10-20 | 广州通达汽车电气股份有限公司 | 一种公共交通的信息通知方法及装置 |
| CN111477341A (zh) * | 2020-06-18 | 2020-07-31 | 杭州数梦工场科技有限公司 | 一种疫情监测方法、装置、电子设备及存储介质 |
| CN111739653A (zh) * | 2020-06-19 | 2020-10-02 | 南方科技大学 | 传染病传播的评估方法、装置、计算机设备和存储介质 |
| CN111739653B (zh) * | 2020-06-19 | 2022-11-15 | 南方科技大学 | 传染病传播的评估方法、装置、计算机设备和存储介质 |
| CN111477342A (zh) * | 2020-06-25 | 2020-07-31 | 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 |
| CN111885502A (zh) * | 2020-06-28 | 2020-11-03 | 华东师范大学 | 一种保护隐私的疫情防控预警与追溯系统及方法 |
| CN113873441B (zh) * | 2020-06-30 | 2024-02-09 | 香港科技大学 | 接触者追踪的方法及相应的处理方法、系统、设备和介质 |
| CN113873441A (zh) * | 2020-06-30 | 2021-12-31 | 香港科技大学 | 接触者追踪的方法及相应的处理方法、系统、设备和介质 |
| CN111524614A (zh) * | 2020-07-03 | 2020-08-11 | 中航信移动科技有限公司 | 一种疫情信息通知系统 |
| CN111524614B (zh) * | 2020-07-03 | 2020-10-09 | 中航信移动科技有限公司 | 一种疫情信息通知系统 |
| 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 |
| 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 |
| US10991190B1 (en) | 2020-07-20 | 2021-04-27 | Abbott Laboratories | Digital pass verification systems and methods |
| US10991185B1 (en) | 2020-07-20 | 2021-04-27 | Abbott Laboratories | Digital pass verification systems and methods |
| US11574514B2 (en) | 2020-07-20 | 2023-02-07 | Abbott Laboratories | Digital pass verification systems and methods |
| US11514738B2 (en) | 2020-07-20 | 2022-11-29 | Abbott Laboratories | Digital pass verification systems and methods |
| US11514737B2 (en) | 2020-07-20 | 2022-11-29 | Abbott Laboratories | Digital pass verification systems and methods |
| CN112270999A (zh) * | 2020-10-02 | 2021-01-26 | 孙炜 | 一种基于大数据和人工智能的流行病早期发现系统和方法 |
| CN112270999B (zh) * | 2020-10-02 | 2022-10-11 | 孙炜 | 一种基于大数据和人工智能的流行病早期发现系统和方法 |
| CN112309582A (zh) * | 2020-11-03 | 2021-02-02 | 崔毅 | 一种基于居民活动出行数据的病毒传播预测方法 |
| CN112102945B (zh) * | 2020-11-09 | 2021-02-05 | 电子科技大学 | 一种用于预测covid-19病患重症化的装置 |
| CN112102945A (zh) * | 2020-11-09 | 2020-12-18 | 电子科技大学 | 一种用于预测covid-19病患重症化的装置 |
| US11933619B2 (en) | 2020-12-07 | 2024-03-19 | International Business Machines Corporation | Safe zones and routes planning |
| CN112669981A (zh) * | 2020-12-30 | 2021-04-16 | 广东省科学院广州地理研究所 | 呼吸道传染病的三维时空溯源方法、装置及设备 |
| CN112669981B (zh) * | 2020-12-30 | 2023-03-21 | 广东省科学院广州地理研究所 | 呼吸道传染病的三维时空溯源方法、装置及设备 |
| CN112735605A (zh) * | 2021-01-22 | 2021-04-30 | 中国银行股份有限公司 | 人员密切接触识别追踪分析方法及装置 |
| CN113327103A (zh) * | 2021-08-03 | 2021-08-31 | 深圳市知酷信息技术有限公司 | 智慧校园疫情在线监测预警方法、系统及存储介质 |
| CN115379002A (zh) * | 2022-08-03 | 2022-11-22 | 展讯通信(天津)有限公司 | 一种信息上报方法及其装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111261302B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111261302B (zh) | 基于时空轨迹数据的流行传染病病毒场可视化方法及系统 | |
| CN111383771B (zh) | 基于流行传染病病毒场的防控系统 | |
| CN107256327B (zh) | 一种传染病防控方法及系统 | |
| Pan et al. | Spatial distributive effects of public green space and COVID-19 infection in London | |
| CN111446000B (zh) | 基于流行传染病病毒场追溯传染源的系统 | |
| Olson et al. | Privacy protection versus cluster detection in spatial epidemiology | |
| Liu et al. | Numerical study on the effect of diner divider on the airborne transmission of diseases in canteens | |
| Ahir et al. | The impact of artificial intelligence, blockchain, big data and evolving technologies in coronavirus disease-2019 (COVID-19) curtailment | |
| Niu et al. | Epidemic analysis of COVID‐19 in Italy based on spatiotemporal geographic information and Google Trends | |
| Xylogiannopoulos et al. | COVID-19 pandemic spread against countries’ non-pharmaceutical interventions responses: a data-mining driven comparative study | |
| Löytönen | GIS, time geography and health | |
| Wang et al. | Evolution and control of the COVID-19 pandemic: A global perspective | |
| Tang et al. | Transmission in home environment associated with the second wave of COVID-19 pandemic in India | |
| Cui et al. | Virus transmission risk of college students in railway station during Post-COVID-19 era: Combining the social force model and the virus transmission model | |
| Li et al. | Temporal-spatial risk assessment of COVID-19 under the influence of urban spatial environmental parameters: The case of Shenyang city | |
| Jiang et al. | Green spaces, especially nearby forest, may reduce the SARS-CoV-2 infection rate: A nationwide study in the United States | |
| Li et al. | A pedestrian-based model for simulating COVID-19 transmission on college campus | |
| Kuo et al. | Regionalization for infection control: An algorithm for delineating containment zones considering the regularity of human mobility | |
| Callejas et al. | COVID-19 transmission during a tsunami evacuation in a lockdown city | |
| Tse et al. | Modelling and visualizing people flow in smart buildings: A case study in a university campus | |
| Elsheikh | Covid-19's Pandemic Relationship to Saudi Arabia's Weather Using Statistical Analysis and GIS. | |
| Nicogossian et al. | Modeling urban atmospheric anthrax spores dispersion: Assessment of health impacts and policy implications | |
| Damian et al. | Software Services to Support Faculty Management in Times of Pandemic | |
| Zuo et al. | Research on spatial-temporal spread and risk profile of the COVID-19 epidemic based on mobile phone trajectory data | |
| Dalip et al. | AI-enabled framework to prevent COVID-19 from further spreading |
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 |