CN111312406A - 一种疫情标签数据处理方法及系统 - Google Patents
一种疫情标签数据处理方法及系统 Download PDFInfo
- Publication number
- CN111312406A CN111312406A CN202010178817.3A CN202010178817A CN111312406A CN 111312406 A CN111312406 A CN 111312406A CN 202010178817 A CN202010178817 A CN 202010178817A CN 111312406 A CN111312406 A CN 111312406A
- Authority
- CN
- China
- Prior art keywords
- behavior
- tracking
- epidemic situation
- user
- information
- 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
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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,涉及一种疫情标签数据处理方法及系统。本发明通过提取每个用户终端所记录的跟踪信息序列的跟踪行为特征,并从中筛选出疫情相关用户的第一跟踪行为特征和待测用户的第二跟踪行为特征,之后将待测用户的第二跟踪行为特征分别与每个疫情相关用户的第一跟踪行为特征进行特征比对,确定待测用户在不同疫情影响类型标签下的特征属性,从而根据待测用户在不同疫情影响类型标签下的特征属性向待测用户的用户终端发送对应的疫情标签信息进行提示。本发明能够针对人群中的每个个体实现差异化的疫情标签分析,从而实现传染病疫情可能受影响的快速精准提示,相较于传统方案而言能够有效提供疫情影响提示的精准化程度。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种疫情标签数据处理方法及系统。
背景技术
在针对各种传染疾病的防控过程中,如何针对人群中的个体实现传染病疫情可能受影响的快速精准提示,是本领域亟待解决的技术问题,通在传统疫情防控方案中主要是通过人群宣导和电视报道来进行提示,精准化程度极低,难以针对人群中的每个个体实现差异化的疫情标签分析。
发明内容
有鉴于此,本申请的目的在于提供一种疫情标签数据处理方法及系统,能够针对人群中的每个个体实现差异化的疫情标签分析,从而实现传染病疫情可能受影响的快速精准提示,相较于传统方案而言能够有效提供疫情影响提示的精准化程度。
第一方面,本申请提供一种疫情标签数据处理方法,应用于疫情服务平台,所述疫情服务平台与多个不同用户的用户终端通信连接,所述方法包括:
从各个用户的用户终端中获取所述用户终端上安装的授权应用程序所记录的跟踪信息序列,所述跟踪信息序列包括以每个跟踪时间段为一记录单位的跟踪信息,所述跟踪信息包括该跟踪时间段的起始时间、结束时间以及该跟踪时间内的行为信息;
分别提取每个所述用户终端所记录的跟踪信息序列的跟踪行为特征,并从各个用户的跟踪行为特征中筛选出疫情相关用户的第一跟踪行为特征和待测用户的第二跟踪行为特征;
将所述待测用户的第二跟踪行为特征分别与每个疫情相关用户的第一跟踪行为特征进行特征比对,确定所述待测用户在不同疫情影响类型标签下的特征属性,所述特征属性用于表征所述疫情相关用户在该疫情影响类型标签下的标签置信度;
根据所述待测用户在不同疫情影响类型标签下的特征属性向所述待测用户的用户终端发送对应的疫情标签信息进行提示。
在第一方面的一种可能的设计中,所述从各个用户的用户终端中获取所述用户终端上安装的授权应用程序所记录的跟踪信息序列的步骤,包括:
针对每个用户终端,在检测到该用户终端安装用于记录所述跟踪信息序列的应用程序,且所述应用程序被添加为允许记录所述跟踪信息序列的授权应用程序时,通过所述授权应用程序记录对应的用户在每个跟踪时间段的起始时间和结束时间;
在该跟踪时间范围内,从所述用户终端的各个不同类型的检测进程中获得所述用户的跟踪数据信息;
根据各个不同类型的检测进程所对应的跟踪数据信息确定所述用户在该跟踪时间内的行为信息。
在第一方面的一种可能的设计中,所述根据各个不同类型的检测进程所对应的跟踪数据信息确定所述用户在该跟踪时间内的行为信息的步骤,包括:
根据每个类型的检测进程所对应的预训练行为提取模型,提取该类型的检测进程所对应的跟踪数据信息在所述跟踪时间段内的每个产生行为的置信度;
根据所述跟踪数据信息在所述跟踪时间段内的每个产生行为的置信度,将置信度大于设定置信度的产生行为确定为目标产生行为,并确定所述目标产生行为在所述跟踪时间段的行为持续时间和行为时间区间;
根据确定的每个目标产生行为以及所述每个目标产生行为在所述跟踪时间段的行为持续时间和行为时间区间确定所述用户在该跟踪时间内的行为信息。
在第一方面的一种可能的设计中,所述分别提取每个所述用户终端所记录的跟踪信息序列的跟踪行为特征的步骤,包括:
对于所述跟踪信息序列中的各个不同跟踪时间段的行为信息中的每个行为信息,获取预设跟踪策略匹配该行为信息的行为轨迹信息,所述行为轨迹信息包括行为时间轨迹信息和行为空间轨迹信息,所述预设跟踪策略包括不同行为轨迹类型所对应的匹配方式;
根据所述跟踪信息序列中的各个不同跟踪时间段的所述每个行为信息的行为轨迹信息确定所述跟踪行为特征,其中,所述跟踪行为特征包括不同行为特征节点所对应的特征信息,所述行为特征节点包括行为时间特征节点和行为空间特征节点。
在第一方面的一种可能的设计中,所述将所述待测用户的第二跟踪行为特征分别与每个疫情相关用户的第一跟踪行为特征进行特征比对, 确定所述待测用户在不同疫情影响类型标签下的特征属性的步骤,包括:
将所述待测用户的第二跟踪行为特征分别与每个疫情相关用户的第一跟踪行为特征进行特征比对,获取比对成功的目标行为特征节点,并根据所述行为轨迹信息,确定每个目标行为特征节点的第一节点行为轨迹和第二节点行为轨迹,所述第一节点行为轨迹对应于所述待测用户,所述第二节点行为轨迹对应于各个疫情相关用户;
分别生成所述第一节点行为轨迹对应的第一行为接触流向图以及所述第二节点行为轨迹对应的第二行为接触流向图;
将所述第一节点行为轨迹对应的第一行为接触流向图以及所述第二节点行为轨迹对应的第二行为接触流向图中的每个单位区域的接触流向节点进行匹配,并根据每个单位区域的匹配度生成对应的接触概率分布图,所述匹配度用于表示所述单位区域中匹配成功的接触流向节点的个数,所述接触流向节点用于表示接触行为产生时间范围的行为流向,所述接触概率分布图用于表示不同持续时间的接触行为在对应的行为时间轨迹或者行为空间轨迹的概率分布;
根据所述接触概率分布图确定所述待测用户在不同疫情影响类型标签下的特征属性。
在第一方面的一种可能的设计中,所述根据所述接触概率分布图确定所述待测用户在不同疫情影响类型标签下的特征属性的步骤,包括:
获取每个接触行为在对应的所述接触概率分布图下的各个接触概率值大于预设概率的单位区域数量;
获取每个疫情影响类型标签所对应的接触行为匹配信息,以根据每个接触行为所对应的单位区域数量,确定所述待测用户在每个疫情影响类型标签下的标签置信度,所述接触行为匹配信息包括预设的不同持续时间范围的匹配接触行为。
在第一方面的一种可能的设计中,所述根据所述待测用户在不同疫情影响类型标签下的特征属性向所述待测用户的用户终端发送对应的疫情标签信息进行提示的步骤,包括:
根据所述待测用户在不同疫情影响类型标签下的特征属性,按照每个类型的疫情影响类型标签所对应的权重,确定所述待测用户在每个疫情影响类型标签的权重标签值;
根据所述待测用户在每个疫情影响类型标签的权重标签值向所述待测用户的用户终端发送对应的疫情标签信息进行提示。
第二方面,本申请实施例还提供一种疫情标签数据处理系统,应用于疫情服务平台,所述疫情服务平台与多个不同用户的用户终端通信连接,所述系统包括:
获取模块,用于从各个用户的用户终端中获取所述用户终端上安装的授权应用程序所记录的跟踪信息序列,所述跟踪信息序列包括以每个跟踪时间段为一记录单位的跟踪信息,所述跟踪信息包括该跟踪时间段的起始时间、结束时间以及该跟踪时间内的行为信息;
提取筛选模块,用于分别提取每个所述用户终端所记录的跟踪信息序列的跟踪行为特征,并从各个用户的跟踪行为特征中筛选出疫情相关用户的第一跟踪行为特征和待测用户的第二跟踪行为特征;
特征比对模块,用于将所述待测用户的第二跟踪行为特征分别与每个疫情相关用户的第一跟踪行为特征进行特征比对,确定所述待测用户在不同疫情影响类型标签下的特征属性,所述特征属性用于表征所述疫情相关用户在该疫情影响类型标签下的标签置信度;
提示模块,用于根据所述待测用户在不同疫情影响类型标签下的特征属性向所述待测用户的用户终端发送对应的疫情标签信息进行提示。
第三方面,本申请实施例还提供一种疫情服务平台,所述疫情服务平台包括处理器、机器可读存储介质和网络接口,所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连,所述网络接口用于与至少一个用户终端通信连接,所述机器可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述机器可读存储介质中的程序、指令或代码,以执行第一方面或者第一方面中任意一个可能的设计中的疫情标签数据处理方法。
第四方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其执行时,实现上述第一方面或者第一方面中任意一个可能的设计中的疫情标签数据处理方法。
根据上述任意一个方面,本申请通过提取每个用户终端所记录的跟踪信息序列的跟踪行为特征,并从中筛选出疫情相关用户的第一跟踪行为特征和待测用户的第二跟踪行为特征,之后将待测用户的第二跟踪行为特征分别与每个疫情相关用户的第一跟踪行为特征进行特征比对,确定待测用户在不同疫情影响类型标签下的特征属性,从而根据待测用户在不同疫情影响类型标签下的特征属性向待测用户的用户终端发送对应的疫情标签信息进行提示。如此,能够针对人群中的每个个体实现差异化的疫情标签分析,从而实现传染病疫情可能受影响的快速精准提示,相较于传统方案而言能够有效提供疫情影响提示的精准化程度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的疫情服务系统的应用场景示意图;
图2为本申请实施例提供的疫情标签数据处理方法的流程示意图;
图3为本申请实施例提供的疫情标签数据处理系统的功能模块示意图;
图4为本申请实施例提供的用于实现上述的疫情标签数据处理方法的疫情服务平台的结构示意框图。
具体实施方式
下面结合说明书附图对本申请进行具体说明,方法实施例中的具体操作方法也可以应用于系统实施例或系统实施例中。
图1是本申请一种实施例提供的疫情服务系统10的交互示意图。疫情服务系统10可以包括疫情服务平台100以及与所述疫情服务平台100通信连接的用户终端200,疫情服务平台100中可以包括执行指令操作的处理器。图1所示的疫情服务系统10仅为一种可行的示例,在其它可行的实施例中,该疫情服务系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
在一些实施例中,疫情服务平台100可以是单个服务器,也可以是一个服务器组。服务器组可以是集中式的,也可以是分布式的(例如,疫情服务平台100可以是分布式系统)。在一些实施例中,疫情服务平台100相对于用户终端200,可以是本地的、也可以是远程的。例如,疫情服务平台100可以经由网络访问存储在用户终端200以及数据库、或其任意组合中的信息。作为另一示例,疫情服务平台100可以直接连接到用户终端200和数据库中的至少一个,以访问其中存储的信息和/或数据。在一些实施例中,疫情服务平台100可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(communitycloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等,或者它们的任意组合。
在一些实施例中,疫情服务平台100可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据,以执行本申请中描述的一个或多个功能。处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,处理器可以包括中央处理单元(Central Processing Unit, CPU)、专用集成电路(Application SpecificIntegrated Circuit, ASIC)、专用指令集处理器(Application Specific Instruction-set Processor, ASIP)、图形处理单元(Graphics Processing Unit, GPU)、物理处理单元(Physics Processing Unit, PPU)、数字信号处理器 (Digital Signal Processor,DSP)、现场可编程门阵列( Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device, PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing, RISC)、或微处理器等,或其任意组合。
网络可以用于信息和/或数据的交换。在一些实施例中,疫情服务系统10中的一个或多个组件(例如,疫情服务平台100,用户终端200和数据库)可以向其他组件发送信息和/或数据。在一些实施例中,网络可以是任何类型的有线或者无线网络,或者是他们的结合。仅作为示例,网络130可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网(Wireless Local Area Networks,WLAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、公共电话交换网(Public Switched Telephone Network,PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication, NFC)网络等,或其任意组合。在一些实施例中,网络可以包括一个或多个网络接入点。例如,网络可以包括有线或无线网络接入点,例如基站和/或网络交换节点,疫情服务系统10的一个或多个组件可以通过该接入点连接到网络以交换数据和/或信息。
前述的数据库可以存储数据和/或指令。在一些实施例中,数据库可以存储向用户终端200分配的数据。在一些实施例中,数据库可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中,数据库可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory, ROM)等,或其任意组合。作为举例,大容量存储器可以包括磁盘、光盘、固态驱动器等;可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等;易失性读写存储器可以包括随机存取存储器(Random AccessMemory, RAM);RAM可以包括动态RAM(Dynamic Random Access Memory, DRAM),双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM, DDR SDRAM);静态RAM(StaticRandom-Access Memory, SRAM),晶闸管RAM(Thyristor-Based Random Access Memory,T-RAM)和零电容器RAM(Zero-RAM)等。作为举例,ROM可以包括掩模ROM(Mask Read-OnlyMemory, MROM)、可编程ROM( Programmable Read-Only Memory, PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory , PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory, EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。在一些实施例中,数据库可以在云平台上实现。仅作为示例,云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等,或其任意组合。
在一些实施例中,数据库可以连接到网络以与疫情服务系统10(例如,疫情服务平台100,用户终端200等)中的一个或多个组件通信。疫情服务系统10中的一个或多个组件可以经由网络访问存储在数据库中的数据或指令。在一些实施例中,数据库可以直接连接到疫情服务系统10中的一个或多个组件(例如,疫情服务平台100,用户终端200等;或者,在一些实施例中,数据库也可以是疫情服务平台100的一部分。
本实施例中,所述用户终端200可以包括但不限于移动设备、平板计算机、膝上型计算机,或其任意两种以上组合。在一些实施例中,移动设备可以包括但不限于智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等,或其任意组合。在一些实施例中,智能家居设备可以包括但不限于智能照明设备、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等,或其任意组合。在一些实施例中,可穿戴设备可包括但不限于智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施例中,智能移动设备可以包括但不限于智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏设备、导航设备、或销售点(point of sale,POS)设备等,或其任意组合。在一些实施例中,虚拟现实设备和/或增强现实设备可以包括但不限于虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等,或其任意组合。例如,虚拟现实设备和/或增强现实设备可以包括但不限于各种虚拟现实产品等。
为了解决前述背景技术中的技术问题,图2为本申请实施例提供的疫情标签数据处理方法的流程示意图,本实施例提供的疫情标签数据处理方法可以由图1中所示的疫情服务平台100执行,下面对该疫情标签数据处理方法进行详细介绍。
步骤S110,从各个用户的用户终端200中获取用户终端200上安装的授权应用程序所记录的跟踪信息序列。
步骤S120,分别提取每个用户终端200所记录的跟踪信息序列的跟踪行为特征,并从各个用户的跟踪行为特征中筛选出疫情相关用户的第一跟踪行为特征和待测用户的第二跟踪行为特征。
步骤S130,将待测用户的第二跟踪行为特征分别与每个疫情相关用户的第一跟踪行为特征进行特征比对,确定待测用户在不同疫情影响类型标签下的特征属性。
步骤S140,根据待测用户在不同疫情影响类型标签下的特征属性向待测用户的用户终端200发送对应的疫情标签信息进行提示。
本实施例中,针对步骤S110,跟踪信息序列可以包括以每个跟踪时间段为一记录单位的跟踪信息,跟踪信息包括该跟踪时间段的起始时间、结束时间以及该跟踪时间内的行为信息。其中,跟踪时间段可以通过用户的行为起始特点来确定,例如用户在某一天可能经过了五个主要停留地方,在每个停留地方的进入时间点则为一跟踪时间段的起始时间,当离开该停留地方时所对应的离开时间点则为该跟踪时间段的结束时间。可以理解,对于不同的用户而言,其跟踪时间段可能并不固定,具体可以根据实际检测情况进行确定。当然,在其它可能的示例中,也可以利用该用户的历史大数据预先设置活动频繁度较高的时间段确定为跟踪时间段。
本实施例中,特征属性可以用于表征疫情相关用户在该疫情影响类型标签下的标签置信度。可选地,疫情影响类型标签可以按照疫情影响的严重程度来确定,例如可以包括接触影响、交谈影响、共处影响。又例如,在其它可能的示例中,疫情影响类型标签也可以选用其中任意可以评价疫情影响程度的标签,在此不作具体限定。
基于上述步骤,本实施例通过提取每个用户终端所记录的跟踪信息序列的跟踪行为特征,并从中筛选出疫情相关用户的第一跟踪行为特征和待测用户的第二跟踪行为特征,之后将待测用户的第二跟踪行为特征分别与每个疫情相关用户的第一跟踪行为特征进行特征比对,确定待测用户在不同疫情影响类型标签下的特征属性,从而根据待测用户在不同疫情影响类型标签下的特征属性向待测用户的用户终端发送对应的疫情标签信息进行提示。如此,能够针对人群中的每个个体实现差异化的疫情标签分析,从而实现传染病疫情可能受影响的快速精准提示,相较于传统方案而言能够有效提供疫情影响提示的精准化程度。
在一种可能的设计中,针对步骤S110,可以针对每个用户终端200,在检测到该用户终端200安装用于记录跟踪信息序列的应用程序,且应用程序被添加为允许记录跟踪信息序列的授权应用程序时,通过授权应用程序记录对应的用户在每个跟踪时间段的起始时间和结束时间。
也即,用户终端200实际上会安装各种各样的应用程序,为了便于用户隐私保护,只有当用户针对某个应用程序开启授权状态时,该应用程序才有权限记录前述的跟踪信息系列。
接下来,可以在该跟踪时间范围内,从用户终端200的各个不同类型的检测进程中获得用户的跟踪数据信息。
其中,检测进程可以是用户终端200前台或者后台开启的应用进程,例如用于检测用户输出的音频信息的检测进程、用于检测用户的姿态变化的检测进程、用于检测用户的位置变化的检测进程、用于检测用户的停留时间的检测进程等等,这些检测进程可以由上述授权应用程序运营,也可以由其他应用程序运行,并提供相关的数据接口给授权应用程序进行调取。
在此基础上,考虑到不同类型的检测进程,其具体的数据类型和相关的行为预测可能不相同,由此可以根据各个不同类型的检测进程所对应的跟踪数据信息确定用户在该跟踪时间内的行为信息。
例如,在本实施例的一种可能的设计中,可以根据每个类型的检测进程所对应的预训练行为提取模型,提取该类型的检测进程所对应的跟踪数据信息在跟踪时间段内的每个产生行为的置信度,然后根据跟踪数据信息在跟踪时间段内的每个产生行为的置信度,将置信度大于设定置信度的产生行为确定为目标产生行为,并确定目标产生行为在跟踪时间段的行为持续时间和行为时间区间。由此,可以根据确定的每个目标产生行为以及每个目标产生行为在跟踪时间段的行为持续时间和行为时间区间确定用户在该跟踪时间内的行为信息。
示例性地,以前述用于检测用户输出的音频信息的检测进程为例,可以相关的音频跟踪数据信息在某个超市A中12:00-12-35内的每个产生行为(例如电话交谈行为、面对面交谈行为、面对多人交谈行为等)的置信度,假设预设置信度为60,那么则将置信度大于60的产生行为确定为目标产生行为,例如如果面对面交谈行为的置信度大于60,那么该面对面交谈行为则可以确定为目标产生行为,同时可以确定该面对面交谈行为在12:00-12-35内的行为持续时间为35分钟,行为时间区间为12:00-12-35,由此可以确定在相关的跟踪时间段内的行为信息。
作为一种可能的示例,上述的预训练行为提取模型可以通过以下方式训练得到,具体描述如下。
首先,可以提取每个类型的检测进程所对应的行为检测数据样本的数据样本特征和对应的行为检测标签,然后以数据样本特征作为待训练行为提取模型的输入特征,将数据样本特征输入到待训练行为提取模型中,通过待训练行为提取模型解析数据样本特征在行为检测标签所对应的行为标签数据段内的待学习特征,待学习特征可以包括待学习特征区间段集合。然后,按照预设标识符对待学习特征区间段集合进行分割,得到多个分割特征片段,接着可以根据待学习特征所对应的特征向量确定多个第一行为向量学习参数,多个第一行为向量学习参数分别为多个分割特征片段在待训练行为提取模型中训练的行为向量学习参数,待训练行为提取模型用于学习多个待学习特征区间段集合进行分割处理之后的分割特征片段,以及分割处理后的各个分割特征片段在待训练行为提取模型中映射的行为向量学习参数,多个待学习特征区间段集合为在行为标签数据段内获取到的多个待学习特征所包括的待学习特征区间段集合,其中,第一行为向量学习参数根据特征向量所表征的特征参数类型以及不同特征参数类型所对应的预设行为向量学习参数得到。
接着,可以按照多个第一行为向量学习参数中的每个第一行为向量学习参数从高收敛度到低收敛度的顺序,对多个第一行为向量学习参数进行排序,得到行为向量学习参数序列,然后,基于预设相似比例阈值和行为向量学习参数序列,确定多个分割特征片段中的分割特征片段在待训练行为提取模型中映射的行为向量学习参数,预设相似比例阈值用于指示待学习特征区间段集合与行为标签数据段内获取的待学习特征区间段集合相似部分在待学习特征区间段集合中所占的比例。
当分割特征片段在待训练行为提取模型中映射的行为向量学习参数匹配预设行为向量学习参数时,确定待学习特征为目标待学习特征,当确定该待学习特征为目标待学习特征时,对于多个第一行为向量学习参数中的每个第一行为向量学习参数,根据第一行为向量学习参数控制待训练行为提取模型学习在行为标签数据段内获得的多个待学习特征区间段集合进行分割处理之后的分割特征片段,以及分割处理后的各个分割特征片段在待训练行为提取模型中映射的行为向量学习参数,并在训练之后生成对应的预测标签,根据每个行为检测数据样本的预测标签和每个行为检测数据样本所对应的行为检测标签更新待训练行为提取模型的行为向量学习参数,并迭代上述过程,当迭代次数达到设定次数时,获得预训练训练行为提取模型。
进一步地,在一种可能的设计中,针对步骤S120,对于跟踪信息序列中的各个不同跟踪时间段的行为信息中的每个行为信息,可以获取预设跟踪策略匹配该行为信息的行为轨迹信息。行为轨迹信息可以包括行为时间轨迹信息和行为空间轨迹信息。
其中,预设跟踪策略可以包括不同行为轨迹类型(例如行为时间轨迹类型和行为空间轨迹类型)所对应的匹配方式。由此,可以根据跟踪信息序列中的各个不同跟踪时间段的每个行为信息的行为轨迹信息确定跟踪行为特征。
行为时间轨迹信息也即相关的跟踪行为的时间轨迹,例如在某个时间段持续,在某个时间点停止。行为空间轨迹信息也即相关的跟踪行为的空间轨迹,例如在某个区域范围内持续,在某个区域范围离开。
相对应地,上述的跟踪行为特征可以包括不同行为特征节点所对应的特征信息,行为特征节点则可以包括行为时间特征节点和行为空间特征节点。
在此基础上,可以从各个用户的跟踪行为特征中筛选出疫情相关用户的第一跟踪行为特征和待测用户的第二跟踪行为特征。其中,疫情相关用户可以通过当前上传的疫情相关用户的用户终端200的标识信息来进行确定。疫情相关用户可以理解为已确诊用户、疑似用户、密切疫情接触用户等,具体可以根据实际需求进行确定,在此不作详细限制。
进一步地,在以上描述的基础上,针对步骤S130,本实施例可以将待测用户的第二跟踪行为特征分别与每个疫情相关用户的第一跟踪行为特征进行特征比对,获取比对成功的目标行为特征节点,并根据行为轨迹信息,确定每个目标行为特征节点的第一节点行为轨迹和第二节点行为轨迹。
其中,可以理解的是,第一节点行为轨迹对应于待测用户,第二节点行为轨迹对应于各个疫情相关用户。并且,目标行为特征节点可以理解为待测用户和疫情相关用户在某个时间点和/或某个空间点产生关联的行为特征节点。
在此基础上,为了便于后续分析,本实施例可以分别生成第一节点行为轨迹对应的第一行为接触流向图以及第二节点行为轨迹对应的第二行为接触流向图,然后将第一节点行为轨迹对应的第一行为接触流向图以及第二节点行为轨迹对应的第二行为接触流向图中的每个单位区域的接触流向节点进行匹配,并根据每个单位区域的匹配度生成对应的接触概率分布图。
在此值得后面的是,匹配度可以用于表示单位区域中匹配成功的接触流向节点的个数,接触流向节点可以用于表示接触行为产生时间范围的行为流向,接触概率分布图可以用于表示不同持续时间的接触行为在对应的行为时间轨迹或者行为空间轨迹的概率分布。
由此,可以根据接触概率分布图确定待测用户在不同疫情影响类型标签下的特征属性。例如,在一种可能的示例中,本实施例可以获取每个接触行为在对应的接触概率分布图下的各个接触概率值大于预设概率的单位区域数量,接下来可以获取每个疫情影响类型标签所对应的接触行为匹配信息,以根据每个接触行为所对应的单位区域数量,确定待测用户在每个疫情影响类型标签下的标签置信度。
其中,接触行为匹配信息可以包括预设的不同持续时间范围的匹配接触行为。例如,接触影响可以包括持续时间范围为A的匹配接触行为,交谈影响可以包括持续时间范围为B的匹配接触行为,共处影响可以包括持续时间范围为C的匹配接触行为。
呈上所述,针对步骤S140,本实施例可以根据待测用户在不同疫情影响类型标签下的特征属性,按照每个类型的疫情影响类型标签所对应的权重,确定待测用户在每个疫情影响类型标签的权重标签值。
例如,假设接触影响标签、交谈影响标签、共处影响标签各自对应的权重为Z1、Z2以及Z3,待测用户在接触影响标签、交谈影响标签、共处影响标签下的特征属性为Q1、Q2以及Q3,那么待测用户在接触影响标签、交谈影响标签、共处影响标签下的权重标签值则为Z1*Q1、Z2*Q2、Z3*Q3。
接下来,可以根据待测用户在每个疫情影响类型标签的权重标签值向待测用户的用户终端200发送对应的疫情标签信息进行提示。
例如,可以向用户终端200提示待测用户在接触影响标签、交谈影响标签、共处影响标签下的权重标签值为Z1*Q1、Z2*Q2、Z3*Q3,并提供接触影响标签、交谈影响标签、共处影响标签下的临界标签值,当权重标签值超过临界标签值,则表示为疫情影响异常。由此,能够针对人群中的每个个体实现差异化的疫情标签分析,从而实现传染病疫情可能受影响的快速精准提示,相较于传统方案而言能够有效提供疫情影响提示的精准化程度。
图3为本申请实施例提供的疫情标签数据处理系统300的功能模块示意图,本实施例可以根据上述方法实施例对该疫情标签数据处理系统300进行功能模块的划分。例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请中对模块的划分是示意性的,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。比如,在采用对应各个功能划分各个功能模块的情况下,图3示出的疫情标签数据处理系统300只是一种系统示意图。其中,疫情标签数据处理系统300可以包括获取模块310、提取筛选模块320、特征比对模块330以及提示模块340,下面分别对该疫情标签数据处理系统300的各个功能模块的功能进行详细阐述。
获取模块310,用于从各个用户的用户终端200中获取用户终端200上安装的授权应用程序所记录的跟踪信息序列,跟踪信息序列包括以每个跟踪时间段为一记录单位的跟踪信息,跟踪信息包括该跟踪时间段的起始时间、结束时间以及该跟踪时间内的行为信息。
提取筛选模块320,用于分别提取每个用户终端200所记录的跟踪信息序列的跟踪行为特征,并从各个用户的跟踪行为特征中筛选出疫情相关用户的第一跟踪行为特征和待测用户的第二跟踪行为特征。
特征比对模块330,用于将待测用户的第二跟踪行为特征分别与每个疫情相关用户的第一跟踪行为特征进行特征比对,确定待测用户在不同疫情影响类型标签下的特征属性,特征属性用于表征疫情相关用户在该疫情影响类型标签下的标签置信度。
提示模块340,用于根据待测用户在不同疫情影响类型标签下的特征属性向待测用户的用户终端200发送对应的疫情标签信息进行提示。
进一步地,图4为本申请实施例提供的用于执行上述疫情标签数据处理方法的疫情服务平台100的结构示意图。如图4所示,该疫情服务平台100可包括网络接口110、机器可读存储介质120、处理器130以及总线140。处理器130可以是一个或多个,图4中以一个处理器130为例。网络接口110、机器可读存储介质120以及处理器130可以通过总线140或其他方式连接,图4中以通过总线140连接为例。
机器可读存储介质120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,如本申请实施例中的疫情标签数据处理方法对应的程序指令/模块(例如图3中所示的疫情标签数据处理系统300的获取模块310、提取筛选模块320、特征比对模块330以及提示模块340)。处理器130通过检测存储在机器可读存储介质120中的软件程序、指令以及模块,从而执行终端设备的各种功能应用以及数据处理,即实现上述的疫情标签数据处理方法,在此不再赘述。
机器可读存储介质120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,机器可读存储介质120可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-OnlyMemory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DR RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合发布节点的存储器。在一些实例中,机器可读存储介质120可进一步包括相对于处理器130远程设置的存储器,这些远程存储器可以通过网络连接至疫情服务平台100。上述网络的实例包括但不限于互联网、待编译项目内部网、局域网、移动通信网及其组合。
处理器130可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器、数字信号处理器(Digital SignalProcessor,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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。
疫情服务平台100可以通过网络接口110和其它设备(例如用户终端200)进行信息交互。网络接口110可以是电路、总线、收发器或者其它任意可以用于进行信息交互的系统。处理器130可以利用网络接口110收发信息。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本申请实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然,本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请实施例的这些表达和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种疫情标签数据处理方法,其特征在于,应用于疫情服务平台,所述疫情服务平台与多个不同用户的用户终端通信连接,所述方法包括:
从各个用户的用户终端中获取所述用户终端上安装的授权应用程序所记录的跟踪信息序列,所述跟踪信息序列包括以每个跟踪时间段为一记录单位的跟踪信息,所述跟踪信息包括该跟踪时间段的起始时间、结束时间以及该跟踪时间内的行为信息;
分别提取每个所述用户终端所记录的跟踪信息序列的跟踪行为特征,并从各个用户的跟踪行为特征中筛选出疫情相关用户的第一跟踪行为特征和待测用户的第二跟踪行为特征;
将所述待测用户的第二跟踪行为特征分别与每个疫情相关用户的第一跟踪行为特征进行特征比对,确定所述待测用户在不同疫情影响类型标签下的特征属性,所述特征属性用于表征所述疫情相关用户在该疫情影响类型标签下的标签置信度;
根据所述待测用户在不同疫情影响类型标签下的特征属性向所述待测用户的用户终端发送对应的疫情标签信息进行提示。
2.根据权利要求1所述的疫情标签数据处理方法,其特征在于,所述从各个用户的用户终端中获取所述用户终端上安装的授权应用程序所记录的跟踪信息序列的步骤,包括:
针对每个用户终端,在检测到该用户终端安装用于记录所述跟踪信息序列的应用程序,且所述应用程序被添加为允许记录所述跟踪信息序列的授权应用程序时,通过所述授权应用程序记录对应的用户在每个跟踪时间段的起始时间和结束时间;
在该跟踪时间范围内,从所述用户终端的各个不同类型的检测进程中获得所述用户的跟踪数据信息;
根据各个不同类型的检测进程所对应的跟踪数据信息确定所述用户在该跟踪时间内的行为信息。
3.根据权利要求2所述的疫情标签数据处理方法,其特征在于,所述根据各个不同类型的检测进程所对应的跟踪数据信息确定所述用户在该跟踪时间内的行为信息的步骤,包括:
根据每个类型的检测进程所对应的预训练行为提取模型,提取该类型的检测进程所对应的跟踪数据信息在所述跟踪时间段内的每个产生行为的置信度;
根据所述跟踪数据信息在所述跟踪时间段内的每个产生行为的置信度,将置信度大于设定置信度的产生行为确定为目标产生行为,并确定所述目标产生行为在所述跟踪时间段的行为持续时间和行为时间区间;
根据确定的每个目标产生行为以及所述每个目标产生行为在所述跟踪时间段的行为持续时间和行为时间区间确定所述用户在该跟踪时间内的行为信息。
4.根据权利要求1所述的疫情标签数据处理方法,其特征在于,所述分别提取每个所述用户终端所记录的跟踪信息序列的跟踪行为特征的步骤,包括:
对于所述跟踪信息序列中的各个不同跟踪时间段的行为信息中的每个行为信息,获取预设跟踪策略匹配该行为信息的行为轨迹信息,所述行为轨迹信息包括行为时间轨迹信息和行为空间轨迹信息,所述预设跟踪策略包括不同行为轨迹类型所对应的匹配方式;
根据所述跟踪信息序列中的各个不同跟踪时间段的所述每个行为信息的行为轨迹信息确定所述跟踪行为特征,其中,所述跟踪行为特征包括不同行为特征节点所对应的特征信息,所述行为特征节点包括行为时间特征节点和行为空间特征节点。
5.根据权利要求4所述的疫情标签数据处理方法,其特征在于,所述将所述待测用户的第二跟踪行为特征分别与每个疫情相关用户的第一跟踪行为特征进行特征比对, 确定所述待测用户在不同疫情影响类型标签下的特征属性的步骤,包括:
将所述待测用户的第二跟踪行为特征分别与每个疫情相关用户的第一跟踪行为特征进行特征比对,获取比对成功的目标行为特征节点,并根据所述行为轨迹信息,确定每个目标行为特征节点的第一节点行为轨迹和第二节点行为轨迹,所述第一节点行为轨迹对应于所述待测用户,所述第二节点行为轨迹对应于各个疫情相关用户;
分别生成所述第一节点行为轨迹对应的第一行为接触流向图以及所述第二节点行为轨迹对应的第二行为接触流向图;
将所述第一节点行为轨迹对应的第一行为接触流向图以及所述第二节点行为轨迹对应的第二行为接触流向图中的每个单位区域的接触流向节点进行匹配,并根据每个单位区域的匹配度生成对应的接触概率分布图,所述匹配度用于表示所述单位区域中匹配成功的接触流向节点的个数,所述接触流向节点用于表示接触行为产生时间范围的行为流向,所述接触概率分布图用于表示不同持续时间的接触行为在对应的行为时间轨迹或者行为空间轨迹的概率分布;
根据所述接触概率分布图确定所述待测用户在不同疫情影响类型标签下的特征属性。
6.根据权利要求5所述的疫情标签数据处理方法,其特征在于,所述根据所述接触概率分布图确定所述待测用户在不同疫情影响类型标签下的特征属性的步骤,包括:
获取每个接触行为在对应的所述接触概率分布图下的各个接触概率值大于预设概率的单位区域数量;
获取每个疫情影响类型标签所对应的接触行为匹配信息,以根据每个接触行为所对应的单位区域数量,确定所述待测用户在每个疫情影响类型标签下的标签置信度,所述接触行为匹配信息包括预设的不同持续时间范围的匹配接触行为。
7.根据权利要求1所述的疫情标签数据处理方法,其特征在于,所述根据所述待测用户在不同疫情影响类型标签下的特征属性向所述待测用户的用户终端发送对应的疫情标签信息进行提示的步骤,包括:
根据所述待测用户在不同疫情影响类型标签下的特征属性,按照每个类型的疫情影响类型标签所对应的权重,确定所述待测用户在每个疫情影响类型标签的权重标签值;
根据所述待测用户在每个疫情影响类型标签的权重标签值向所述待测用户的用户终端发送对应的疫情标签信息进行提示。
8.一种疫情标签数据处理系统,其特征在于,应用于疫情服务平台,所述疫情服务平台与多个不同用户的用户终端通信连接,所述系统包括:
获取模块,用于从各个用户的用户终端中获取所述用户终端上安装的授权应用程序所记录的跟踪信息序列,所述跟踪信息序列包括以每个跟踪时间段为一记录单位的跟踪信息,所述跟踪信息包括该跟踪时间段的起始时间、结束时间以及该跟踪时间内的行为信息;
提取筛选模块,用于分别提取每个所述用户终端所记录的跟踪信息序列的跟踪行为特征,并从各个用户的跟踪行为特征中筛选出疫情相关用户的第一跟踪行为特征和待测用户的第二跟踪行为特征;
特征比对模块,用于将所述待测用户的第二跟踪行为特征分别与每个疫情相关用户的第一跟踪行为特征进行特征比对,确定所述待测用户在不同疫情影响类型标签下的特征属性,所述特征属性用于表征所述疫情相关用户在该疫情影响类型标签下的标签置信度;
提示模块,用于根据所述待测用户在不同疫情影响类型标签下的特征属性向所述待测用户的用户终端发送对应的疫情标签信息进行提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010178817.3A CN111312406B (zh) | 2020-03-15 | 2020-03-15 | 一种疫情标签数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010178817.3A CN111312406B (zh) | 2020-03-15 | 2020-03-15 | 一种疫情标签数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111312406A true CN111312406A (zh) | 2020-06-19 |
CN111312406B CN111312406B (zh) | 2020-11-13 |
Family
ID=71145666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010178817.3A Active CN111312406B (zh) | 2020-03-15 | 2020-03-15 | 一种疫情标签数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111312406B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768171A (zh) * | 2020-06-24 | 2020-10-13 | 重庆汇博利农科技有限公司 | 一种基层社区治理及信息公开的系统 |
CN111885484A (zh) * | 2020-07-22 | 2020-11-03 | 中国联合网络通信集团有限公司 | 疫情疑似人员追踪方法、系统、计算机设备及存储介质 |
US10991190B1 (en) | 2020-07-20 | 2021-04-27 | Abbott Laboratories | Digital pass verification systems and methods |
CN113241191A (zh) * | 2021-06-07 | 2021-08-10 | 上海璟勰信息技术有限公司 | 一种人口流动监测方法 |
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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205155A (zh) * | 2015-09-25 | 2015-12-30 | 珠海世纪鼎利科技股份有限公司 | 一种大数据犯罪同伙的筛查系统和方法 |
CN106951903A (zh) * | 2016-10-31 | 2017-07-14 | 浙江大学 | 一种人群移动规律的可视化方法 |
CN107633067A (zh) * | 2017-09-21 | 2018-01-26 | 北京工业大学 | 一种基于人员行为规律和数据挖掘方法的群体识别方法 |
CN108984561A (zh) * | 2017-06-01 | 2018-12-11 | 华为技术有限公司 | 选址方法及设备 |
CN109102341A (zh) * | 2018-08-27 | 2018-12-28 | 寿带鸟信息科技(苏州)有限公司 | 一种用于养老服务的老人画像方法 |
CN109769213A (zh) * | 2019-01-25 | 2019-05-17 | 努比亚技术有限公司 | 用户行为轨迹记录的方法、移动终端及计算机存储介质 |
CN110321424A (zh) * | 2019-06-14 | 2019-10-11 | 电子科技大学 | 一种基于深度学习的艾滋病人员行为分析方法 |
US10462602B2 (en) * | 2013-04-15 | 2019-10-29 | Paypal, Inc. | Passive check-in |
CN110572813A (zh) * | 2018-05-19 | 2019-12-13 | 北京融信数联科技有限公司 | 一种基于移动大数据的手机用户行为相似度分析方法 |
-
2020
- 2020-03-15 CN CN202010178817.3A patent/CN111312406B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10462602B2 (en) * | 2013-04-15 | 2019-10-29 | Paypal, Inc. | Passive check-in |
CN105205155A (zh) * | 2015-09-25 | 2015-12-30 | 珠海世纪鼎利科技股份有限公司 | 一种大数据犯罪同伙的筛查系统和方法 |
CN106951903A (zh) * | 2016-10-31 | 2017-07-14 | 浙江大学 | 一种人群移动规律的可视化方法 |
CN108984561A (zh) * | 2017-06-01 | 2018-12-11 | 华为技术有限公司 | 选址方法及设备 |
CN107633067A (zh) * | 2017-09-21 | 2018-01-26 | 北京工业大学 | 一种基于人员行为规律和数据挖掘方法的群体识别方法 |
CN110572813A (zh) * | 2018-05-19 | 2019-12-13 | 北京融信数联科技有限公司 | 一种基于移动大数据的手机用户行为相似度分析方法 |
CN109102341A (zh) * | 2018-08-27 | 2018-12-28 | 寿带鸟信息科技(苏州)有限公司 | 一种用于养老服务的老人画像方法 |
CN109769213A (zh) * | 2019-01-25 | 2019-05-17 | 努比亚技术有限公司 | 用户行为轨迹记录的方法、移动终端及计算机存储介质 |
CN110321424A (zh) * | 2019-06-14 | 2019-10-11 | 电子科技大学 | 一种基于深度学习的艾滋病人员行为分析方法 |
Non-Patent Citations (1)
Title |
---|
沐风: ""密切接触者测量仪(入口查询+使用说明)"", 《HTTP://WH.BENDIBAO.COM/NEWS/202029/107300.SHTM》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768171A (zh) * | 2020-06-24 | 2020-10-13 | 重庆汇博利农科技有限公司 | 一种基层社区治理及信息公开的系统 |
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 |
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 |
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 |
US11514737B2 (en) | 2020-07-20 | 2022-11-29 | Abbott Laboratories | Digital pass verification systems and methods |
US11514738B2 (en) | 2020-07-20 | 2022-11-29 | Abbott Laboratories | Digital pass verification systems and methods |
US11574514B2 (en) | 2020-07-20 | 2023-02-07 | Abbott Laboratories | Digital pass verification systems and methods |
CN111885484A (zh) * | 2020-07-22 | 2020-11-03 | 中国联合网络通信集团有限公司 | 疫情疑似人员追踪方法、系统、计算机设备及存储介质 |
CN113241191A (zh) * | 2021-06-07 | 2021-08-10 | 上海璟勰信息技术有限公司 | 一种人口流动监测方法 |
CN113241191B (zh) * | 2021-06-07 | 2023-01-24 | 上海璟勰信息技术有限公司 | 一种人口流动监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111312406B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111028955B (zh) | 一种疫情区域的展示方法及系统 | |
CN111312406B (zh) | 一种疫情标签数据处理方法及系统 | |
CN108563548B (zh) | 异常检测方法及装置 | |
EP3654610B1 (en) | Graphical structure model-based method for prevention and control of abnormal accounts, and device | |
US10389739B2 (en) | System, method, and computer program for detecting regular and irregular events associated with various entities | |
CN110688974B (zh) | 一种身份识别方法及装置 | |
CN108932582B (zh) | 风险信息确定方法、装置、计算机设备和存储介质 | |
CN104885099A (zh) | 使用推升式决策树桩和联合特征选择及剔选算法来对移动设备行为进行高效分类的方法和系统 | |
CN110414376B (zh) | 更新人脸识别模型的方法、人脸识别相机及服务器 | |
CN111818093B (zh) | 用于进行风险评估的神经网络系统、方法及装置 | |
CN111325444B (zh) | 一种风险防控决策方法、装置、系统及设备 | |
CN111132145A (zh) | 网络通信安全监测方法、装置、服务器及网络通信系统 | |
CN110166344B (zh) | 一种身份标识识别方法、装置以及相关设备 | |
CN110717509B (zh) | 基于树分裂算法的数据样本分析方法及装置 | |
CN111553488A (zh) | 一种针对用户行为的风险识别模型训练方法及系统 | |
CN112487495B (zh) | 基于大数据和云计算的数据处理方法及大数据服务器 | |
CN113746696A (zh) | 网络流量预测方法、设备、存储介质及装置 | |
CN113641994B (zh) | 基于图数据的数据处理方法及系统 | |
CN111352670A (zh) | 虚拟现实场景加载方法、装置、虚拟现实系统及设备 | |
CN114357319A (zh) | 网络请求处理方法、装置、设备、存储介质及程序产品 | |
CN111210198B (zh) | 信息投递方法、装置及服务器 | |
CN111371803B (zh) | 智能家居权限控制方法、装置、智能家居系统及服务器 | |
CN111931707A (zh) | 基于对抗补丁的人脸图像预测方法、装置、设备和介质 | |
CN114565955A (zh) | 人脸属性识别模型训练、社区人员监控方法、装置、设备 | |
CN113793174A (zh) | 数据关联方法、装置、计算机设备和存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201023 Address after: No.11, Dongyao street, Zhudao, Huancui District, Weihai City, Shandong Province Applicant after: Salary pay information technology (Shandong) Co., Ltd Address before: 510700 Room 601, No.16, Kehui 1st Street, Huangpu District, Guangzhou City, Guangdong Province Applicant before: Zhiboyun information technology (Guangzhou) Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |