CN111354472A - 一种传染病传播监测预警系统和方法 - Google Patents

一种传染病传播监测预警系统和方法 Download PDF

Info

Publication number
CN111354472A
CN111354472A CN202010103591.0A CN202010103591A CN111354472A CN 111354472 A CN111354472 A CN 111354472A CN 202010103591 A CN202010103591 A CN 202010103591A CN 111354472 A CN111354472 A CN 111354472A
Authority
CN
China
Prior art keywords
user
exposure
infection
infected
risk
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.)
Pending
Application number
CN202010103591.0A
Other languages
English (en)
Inventor
戴建荣
郑超
戴钟妍
任信信
王腾达
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.)
Hai Chuang Times Shenzhen Medical Technology Co ltd
Original Assignee
Hai Chuang Times Shenzhen Medical Technology Co ltd
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 Hai Chuang Times Shenzhen Medical Technology Co ltd filed Critical Hai Chuang Times Shenzhen Medical Technology Co ltd
Priority to CN202010103591.0A priority Critical patent/CN111354472A/zh
Publication of CN111354472A publication Critical patent/CN111354472A/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/52—Network services specially adapted for the location of the user terminal

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种传染病传播监测预警系统和方法，所述系统包括：用户终端，用于实时获取用户的位置信息，并将用户信息、移动的位置信息及对应的时间信息上传至云服务器；管理终端，用于在用户被确诊为染病用户时，将所述染病用户的用户信息上传至所述云服务器；云服务器，用于根据每个用户的用户信息、移动的位置信息及对应的时间信息，确定每个用户的移动轨迹，并根据每个用户的移动轨迹，生成包含所有用户的接触情况的接触网络图，当所述接触网络图中有用户被确诊为染病用户时，根据所述接触网络图，确定染病用户的用户群，并根据每个染病用户的用户群与其他染病用户的用户群的交集，筛选隐性暴露者和隐性传染源。

Description

一种传染病传播监测预警系统和方法
技术领域
本发明涉及医疗和移动互联网领域，特别涉及一种传染病传播监测预警系统和方法。
背景技术
传染病(Infectious Diseases)是由各种病原体引起的能在人与人、动物与动物或人与动物之间相互传播的一类疾病，传染病如不及时预防和治疗就能迅速传播，严重威胁人类的生命和健康，造成无法估计的经济损失。
按照传染病传播机制，传染病流行范围内的人群可划分为四类：
1)易感者，指未得病者，但缺乏免疫能力，与染病者接触后容易受到感染；
2)暴露者，指接触过染病者，但暂无能力传染给其他人的人；
3)染病者，指染上传染病的人；
4)康复者，指被隔离或因病愈而具有免疫力的人。
在历次抗击传染病的工作中，如何找到隐性暴露者和隐性染病者是棘手问题。具体地说，对于隐性暴露者，在接触到一位染病者的所有暴露者中，容易找到与染病者认识的暴露者，但很难找到并找全与染病者不认识的隐性暴露者；对于隐性染病者，当一位暴露者染病时，如果传染他(她)的上代染病者已有症状，则很容易找到该上代染病者，但如果上代染病者还没有症状，还是隐性染病者，则很难找到该上代染病者。另外，除了染病者可以传播疾病，染病的动物或者被病原体污染的场所都可能传播疾病，以下将传播疾病的人、动物和场所统称为传染源。
目前缺乏有效的技术手段来寻找隐性暴露者和隐性传染源，需要政府组织排查，广大民众的支持与配合，花费大量人力物力。即使这样，仍可能找不全，而留下隐患。
发明内容
本发明提供一种传染病传播监测预警系统和方法，至少解决传染病传播过程中难以排查隐性暴露者和隐性传染源的问题。
本发明提供一种传染病传播监测预警系统，所述系统包括：
用户终端，用于实时获取用户的位置信息，并将用户信息、移动的位置信息及对应的时间信息上传至云服务器；
管理终端，用于当用户被确诊为染病用户时，将所述染病用户的用户信息上传至所述云服务器；
云服务器，用于根据每个用户的用户信息、移动的位置信息及对应的时间信息，确定每个用户的移动轨迹，并根据每个用户的移动轨迹，生成包含所有用户的接触情况的接触网络图，当所述接触网络图中有用户被确诊为染病用户时，根据所述接触网络图，确定染病用户的包括该染病用户、传病给该染病用户的传染源以及该染病用户接触的暴露用户的用户群，并根据每个染病用户的用户群与其他染病用户的用户群的交集，筛选隐性暴露者和隐性传染源。
优选地，所述云服务器包括：
暴露用户确定模块，用于在收到所述染病用户的用户信息后，根据所述接触网络图和所述染病用户的移动轨迹，将与所述染病用户存在接触关系的其它用户确定为暴露用户；
染病风险值确定模块，用于根据所述暴露用户与所述染病用户的暴露次数、每次暴露的时长和暴露地点，确定所述染病用户在该暴露地点对所述暴露用户的染病风险值，并根据所有染病用户在所有暴露地点对该所述暴露用户的染病风险值，确定所述暴露用户的染病风险值。
优选地，所述染病风险值确定模块通过如下公式确定所述暴露用户的染病风险值P染病：
P染病＝a染病×m+b染病(t染病1+t染病2+…+t染病m)
其中，a染病和b染病是通过历史数据拟合得到的染病拟合系数；m是暴露用户与染病用户之间的暴露次数；t染病1为第1次暴露的时长；t染病2为第2次暴露的时长；t染病m为第m次暴露的时长。
优选地，所述云服务器还包括：
提醒信息生成模块，用于根据所述暴露用户的染病风险值P染病，生成提醒该暴露用户隔离或就医的提醒信息；
提醒信息发送模块，用于将所述染病风险值P染病和所述提醒信息中的至少一个发送至所述暴露用户的用户终端，以便所述暴露用户根据其用户终端显示的所述染病风险值P染病和所述提醒信息中的至少一个自动隔离或及时就医。
优选地，所述云服务器还包括：
疑似暴露用户确定模块，用于根据所述接触网络图和所述暴露用户的移动轨迹，将与所述暴露用户存在接触关系的其它用户确定为疑似暴露用户；
暴露风险值确定模块，用于确定所述暴露用户对所述疑似暴露用户的暴露风险值。
优选地，所述暴露风险值确定模块通过如下公式确定所述疑似暴露用户的暴露风险值P暴露：
P暴露＝a暴露×n+b暴露(t暴露1+t暴露2+…+t暴露n)
其中，a暴露和b暴露是通过历史数据拟合得到的暴露拟合系数；n是疑似暴露用户与暴露用户之间的接触次数；t暴露1为第1次接触的时长；t暴露2为第2次接触的时长；t暴露n为第n次接触的时长。
优选地，所述云服务器还包括：
接触地点影响值确定模块，用于根据每个染病用户在某一地点对每个暴露用户的染病风险值和每个暴露用户在该地点对每个疑似暴露用户的暴露风险值，确定用来显示该地点染病风险高低的影响值；
疫情风险聚集图生成模块，用于根据各个地点的影响值，生成表征各个地点染病风险高低的疫情风险聚集图，以便利用所述疫情风险聚集图进行预警。
优选地，所述接触地点影响值确定模块具体用于将所有染病用户在某一地点对所有暴露用户的染病风险值和所有暴露用户在该地点对所述疑似暴露用户的暴露风险值叠加，并将叠加结果作为该地点的影响值。
本发明还提供一种传染病传播监测预警方法，所述方法包括：
每个用户终端实时获取用户的位置信息，并将用户信息、移动的位置信息及对应的时间信息上传至云服务器；
管理终端在用户被确诊为染病用户时，将所述染病用户的用户信息上传至所述云服务器；
云服务器根据每个用户的用户信息、移动的位置信息及对应的时间信息，确定每个用户的移动轨迹，并根据每个用户的移动轨迹，生成包含所有用户的接触情况的接触网络图；
当所述接触网络图中有用户被确诊为染病用户时，所述云服务器根据所述接触网络图，确定染病用户的包括该染病用户、传病给该染病用户的传染源以及该染病用户接触的暴露用户的用户群；
所述云服务器根据每个染病用户的用户群与其他染病用户的用户群的交集，筛选隐性暴露者和隐性传染源。
优选地，所述方法还包括：
在收到所述染病用户的用户信息后，所述云服务器根据所述接触网络图和所述染病用户的移动轨迹，将与所述染病用户存在接触关系的其它用户确定为暴露用户；
根据所述暴露用户与所述染病用户的暴露次数、每次暴露的时长和暴露地点，确定所述染病用户在该暴露地点对所述暴露用户的染病风险值，并根据所有染病用户在所有暴露地点对该所述暴露用户的染病风险值，确定所述暴露用户的染病风险值；
优选地，所述染病风险值确定模块通过如下公式确定所述暴露用户的染病风险值P染病：
P染病＝a染病×m+b染病(t染病1+t染病2+…+t染病m)
其中，a染病和b染病是通过历史数据拟合得到的染病拟合系数；m是暴露用户与染病用户之间的暴露次数；t染病1为第1次暴露的时长；t染病2为第2次暴露的时长；t染病m为第m次暴露的时长。
优选地，所述方法还包括：
所述云服务器根据所述暴露用户的染病风险值P染病，生成提醒该暴露用户隔离或就医的提醒信息；
所述云服务器将所述染病风险值P染病和所述提醒信息中的至少一个发送至所述暴露用户的用户终端，以便所述暴露用户根据其用户终端显示的所述染病风险值P染病和所述提醒信息中的至少一个自动隔离或及时就医。
优选地，所述方法还包括：
所述云服务器根据所述接触网络图和所述暴露用户的移动轨迹，将与所述暴露用户存在接触关系的其它用户确定为疑似暴露用户；
所述云服务器确定所述暴露用户在接触地点对所述疑似暴露用户的暴露风险值。
优选地，所述暴露风险值确定模块通过如下公式确定所述疑似暴露用户的暴露风险值P暴露：
P暴露＝a暴露×n+b暴露(t暴露1+t暴露2+…+t暴露n)
其中，a暴露和b暴露是通过历史数据拟合得到的暴露拟合系数；n是疑似暴露用户与暴露用户之间的接触次数；t暴露1为第1次接触的时长；t暴露2为第2次接触的时长；t暴露n为第n次接触的时长。
优选地，所述方法还包括：
所述云服务器根据每个染病用户在某一地点对每个暴露用户的染病风险值和每个暴露用户在该地点对每个疑似暴露用户的暴露风险值，确定用来显示该地点染病风险高低的影响值；
所述云服务器根据各个地点的影响值，生成表征各个地点染病风险高低的疫情风险聚集图，以便利用所述疫情风险聚集图进行预警。
优选地，所述确定用来显示该地点染病风险高低的影响值包括：
将所有染病用户在某一地点对所有暴露用户的染病风险值和所有暴露用户在该地点对所述疑似暴露用户的暴露风险值叠加，并将叠加结果作为该地点的影响值。
本发明利用通过用户移动的位置信息及对应的时间信息生成的表征所有用户接触情况的接触网络图，在存在用户被确诊为染病用户时能够快速根据染病用户的用户群筛选出隐性暴露者和隐性传染源，为疾控工作节省大量的人力物力成本和时间成本。
附图说明
图1是本发明实施例提供的传染病传播监测预警系统的示意性结构框图；
图2是图1中云服务器的第一示意性结构框图；
图3是图1中云服务器的第二示意性结构框图；
图4是图1中云服务器的第三示意性结构框图；
图5是本发明实施例提供的传染病传播监测预警方法的流程示意图；
图6是本发明实施例提供的生成疫情风险聚集图的流程示意图；
图7是本发明实施例提供的传染病人群接触网络图；
图8是位置定位示意图；
图9是瓦片的定位计算示意图；
图10是瓦片的加载示意图；
图11是寻找高风险暴露者和隐性传染源；
图12是传染病传播监测预警系统的应用流程示意图；
图13是传染病传播监测预警系统寻找传染源的工作流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，应当理解，以下所说明的实施例仅用于说明和解释本发明，并不用于限定本发明。
图1是本发明实施例提供的传染病传播监测预警系统的示意性结构框图，如图1所示，所述系统包括：用户终端10、管理终端20和云服务器30。其中：
用户终端10，用于实时获取用户的位置信息，并将用户信息、移动的位置信息及对应的时间信息上传至云服务器；
管理终端20，用于在用户被确诊为染病用户时，将所述染病用户的用户信息上传至所述云服务器；
云服务器30，用于根据每个用户的用户信息、移动的位置信息及对应的时间信息，确定每个用户的移动轨迹，并根据每个用户的移动轨迹，生成包含所有用户的接触情况的接触网络图，当所述接触网络图中有用户被确诊为染病用户时，根据所述接触网络图，确定染病用户的包括该染病用户、传病给该染病用户的传染源以及该染病用户接触的暴露用户的用户群，并根据每个染病用户的用户群与其他染病用户的用户群的交集，筛选隐性暴露者和隐性传染源。
对于每个用户，云服务器30可以根据该用户上传的用户信息、移动的位置信息及对应的时间信息，生成该用户在预设时间段内的移动轨迹，例如30天内的移动轨迹，某一日某一时段的移动轨迹等，并显示在地图上。
所述地图上的每个像素点对应该用户在某一时间点所在的实际位置范围的中心点坐标，例如将地球划分为k*K(例如2米*2米)大小的网格，则用户在某一时间点对应的位置信息实际上是用户所在的网格对应的中心点坐标，其对应地图上的某一像素点。
以主要通过飞沫传播的呼吸道传染病为例，一个染病用户通常在预设距离范围(例如2米)内高概率地传染一个正常用户，基于此，根据该预设距离范围，调整地图的精度，即对应地调整地图上每个像素点对应的实际位置范围，能够提高某一传染病的每个染病用户的用户群与其他染病用户的用户群的交集的准确度，进一步为疾控工作节省大量的人力物力成本和时间成本。
需要说明的是，该系统的用户可以是可移动对象，例如人，此时需要用户通过用户携带的终端设备(例如手机、可穿戴设备等)上传用户信息、移动的位置信息及对应的时间信息，又例如动物，此时需要为动物佩戴终端设备，以便利用该终端设备将动物信息、该动物的饲养人信息、动物移动的位置信息及对应的时间信息上传到云端。另外，通过将不可移动对象，例如建筑物，作为始终处于静止状态的人来考量，本系统也可以将不可移动对象作为系统的用户进行相应处理，此时，可以在该建筑物的出入口设置终端设备，该终端设备可以将自身的标识信息和位置信息上传到云端。
图2是图1中云服务器的第一示意性结构框图，如图2所示，所述云服务器包括：暴露用户确定模块31和染病风险值确定模块。
暴露用户确定模块31，用于在收到所述染病用户的用户信息后，根据所述接触网络图和所述染病用户的移动轨迹，将与所述染病用户存在接触关系的其它用户确定为暴露用户；
染病风险值确定模块32，用于根据所述暴露用户与所述染病用户的暴露次数、每次暴露的时长和暴露地点，确定所述染病用户在该暴露地点对所述暴露用户的染病风险值，并根据所有染病用户在所有暴露地点对该所述暴露用户的染病风险值，确定所述暴露用户的染病风险值。
其中，暴露次数是一个暴露用户接触染病用户的次数；暴露的时长是一个暴露用户一次接触染病用户的时长，暴露地点是一个暴露用户与一个染病用户接触的地点。
在收到来自管理终端的所述染病用户的用户信息后，暴露用户确定模块31根据所述染病用户的用户信息查找对应的移动轨迹，并根据所述接触网络图和所述染病用户的移动轨迹，从所述接触网络图中找到在指定时间段内与所述染病用户接触过的用户，并将与所述染病用户接触过的用户确定为暴露用户，所述暴露用户可能与所述染病用户认识，也可能是陌生用户。然后染病风险值确定模块32根据所述暴露用户与所述染病用户的暴露次数、每次暴露的时长和暴露地点，确定所述染病用户在该暴露地点对所述暴露用户的染病风险值以及所有染病用户对该暴露用户的染病风险值。一般，对于一个染病用户，暴露用户与该染病用户的暴露时间越长，该染病用户作用在该暴露用户的染病风险值越高；对于一个暴露用户，该暴露用户与染病用户的暴露次数越多(可以是同一染病用户，也可以是多个染病用户)，暴露时间越长，该暴露用户的染病风险值越高。
具体地，染病风险值确定模块32可以通过以下公式确定每个暴露用户的染病风险值P染病：
P染病＝a染病×m+b染病(t染病1+t染病2+…+t染病m)
其中，a染病和b染病是通过历史数据拟合得到的染病拟合系数，范围均为[0.1,1]，例如取值均为1，该染病拟合系数可以随着历史数据的增加而不断调整，该历史数据可以是在前的染病用户和暴露用户之间以及暴露用户和疑似暴露用户之间的接触次数和染病比例；m是暴露用户与染病用户之间的暴露次数；t染病1为第1次暴露的时长；t染病2为第2次暴露的时长；t染病m为第m次暴露的时长。
进一步地，所述云服务器还包括提醒信息生成模块33和提醒信息发送模块，其中：
提醒信息生成模块33，用于根据所述暴露用户的染病风险值P染病，生成提醒该暴露用户隔离或就医的提醒信息；
提醒信息发送模块34，用于将所述染病风险值P染病和所述提醒信息中的至少一个发送至所述暴露用户的用户终端，以便所述暴露用户根据其用户终端显示的所述染病风险值P染病和所述提醒信息中的至少一个自动隔离或及时就医。
例如，提醒信息生成模块33可以将所述暴露用户的染病风险值P染病与预设染病风险阈值进行比较，如果高于该阈值则生成提醒该暴露用户隔离的提醒信息，否则生成提醒该暴露用户就医的提醒信息。其中，预设染病风险阈值可以根据经验数据(即本次传染病传播的历史数据)进行设置和调整。
综上，云服务器达到了对用户的传染病传播的监测和预警的目的。
图3是图1中云服务器的第二示意性结构框图，如图3所示，所述云服务器还可以包括：疑似暴露用户确定模块35和暴露风险值确定模块36。
疑似暴露用户确定模块35，用于根据所述接触网络图和所述暴露用户的移动轨迹，将与所述暴露用户存在接触关系的其它用户确定为疑似暴露用户；
暴露风险值确定模块36，用于确定所述暴露用户对所述疑似暴露用户的暴露风险值。
在云服务器确定暴露用户后，疑似暴露用户确定模块35根据所述接触网络图和所述暴露用户的移动轨迹，从所述接触网络图中找到在指定时间段内与所述暴露用户接触过的用户，并将与所述暴露用户接触过的用户确定为疑似暴露用户，所述疑似暴露用户可能与所述暴露用户认识，也可能是陌生用户。然后暴露风险值确定模块36根据所述疑似暴露用户与所述暴露用户的接触次数、每次接触的时长和接触地点，确定所述暴露用户在该接触地点对所述疑似暴露用户的暴露风险值。一般，对于一个暴露用户，疑似暴露用户与该暴露用户的接触时间越长，该暴露用户作用在该接触地点对该疑似暴露用户的暴露风险值越高；对于一个疑似暴露用户，该疑似暴露用户与暴露用户的接触次数越多(可以是同一暴露用户，也可以是多个暴露用户)，接触时间越长，该疑似暴露用户的暴露风险值越高。
具体地，暴露风险值确定模块36可以通过以下公式确定每个疑似暴露用户的暴露风险值P暴露：
P暴露＝a暴露×n+b暴露(t暴露1+t暴露2+…+t暴露n)
其中，a暴露和b暴露是通过历史数据拟合得到的暴露拟合系数，范围均为[0.1,1]，例如取值均为0.5，该暴露拟合系数可以随着历史数据的增加而不断调整，该历史数据可以是在前的染病用户和暴露用户之间以及暴露用户和疑似暴露用户之间的接触次数和染病比例；n是疑似暴露用户与暴露用户之间的接触次数；t暴露1为第1次接触的时长；t暴露2为第2次接触的时长；t暴露n为第n次接触的时长。
图4是图1中云服务器的第三示意性结构框图，如图4所示，所述云服务器还包括：接触地点影响值确定模块35和疫情风险聚集图生成模块36，其中：
接触地点影响值确定模块35，用于根据每个染病用户在某一地点对每个暴露用户的染病风险值和每个暴露用户在该地点对每个疑似暴露用户的暴露风险值，确定用来显示该地点染病风险高低的影响值；
疫情风险聚集图生成模块36，用于根据各个地点的影响值，生成表征各个地点染病风险高低的疫情风险聚集图，以便利用所述疫情风险聚集图进行预警。
接触地点影响值确定模块35将所有染病用户在某一地点对所有暴露用户的染病风险值和所有暴露用户在该地点对所述疑似暴露用户的暴露风险值叠加，并将叠加结果作为该地点的影响值。疫情风险聚集图生成模块36利用灰度值，区分每个接触地点的影响值，然后根据灰度值与彩色色带中的颜色的映射关系，对每个地点进行着色，得到通过颜色表征各个接触地点染病风险高低的疫情风险聚集图。
进一步地，所述云服务器可以将所述表征各个地点染病风险高低的疫情风险聚集图发送至用户终端，以便用户根据用户终端显示的疫情风险聚集图远离染病风险高的地点，也就是说，通过将上述疫情风险聚集图发送至用户终端，提醒普通大众，哪些地方是危险的，避免去染病者出现的区域活动。另外，所述云服务器还可以将所述表征各个地点染病风险高低的疫情风险聚集图发送至管理平台以及物业、政府等机构的平台，从而提醒这些平台对染病者活动过的区域进行消毒工作，达到监控和预警的目的。
图5是本发明实施例提供的传染病传播监测预警方法的流程示意图，如图5所示，所述方法可以包括：
步骤S101：每个用户终端实时获取用户的位置信息，并将用户信息、移动的位置信息及对应的时间信息上传至云服务器。
步骤S102：管理终端在用户被确诊为染病用户时，将所述染病用户的用户信息上传至所述云服务器。
步骤S103：云服务器根据每个用户的用户信息、移动的位置信息及对应的时间信息，确定每个用户的移动轨迹，并根据每个用户的移动轨迹，生成包含所有用户的接触情况的接触网络图。
步骤S104：当所述接触网络图中有用户被确诊为染病用户时，所述云服务器根据所述接触网络图，确定染病用户的包括该染病用户、传病给该染病用户的传染源以及该染病用户接触的暴露用户的用户群。
步骤S105：所述云服务器根据每个染病用户的用户群与其他染病用户的用户群的交集，筛选隐性暴露者和隐性传染源。
每个染病用户的用户群与其他染病用户的用户群的交集包括所有暴露者和传染源，在交集中去除与染病用户认识的用户和已发病用户，即可得到隐性暴露者和隐性传染源的集合，为疾控工作节省大量的人力物力成本和时间成本。
图6是本发明实施例提供的生成疫情风险聚集图的流程示意图，如图6所示，所述方法还包括：
步骤S201：在收到所述染病用户的用户信息后，所述云服务器根据所述接触网络图和所述染病用户的移动轨迹，将与所述染病用户存在接触关系的其它用户确定为暴露用户。
所述云服务器根据所述染病用户的用户信息查找对应的移动轨迹，并根据所述接触网络图和所述染病用户的移动轨迹，从所述接触网络图中找到在指定时间段内与所述染病用户接触过的用户，并将与所述染病用户接触过的用户确定为暴露用户，所述暴露用户可能与所述染病用户认识，也可能是陌生用户。
步骤S202：所述云服务器根据所述暴露用户与所述染病用户的暴露次数、每次暴露的时长和暴露地点，确定所述染病用户在该暴露地点对所述暴露用户的染病风险值。
每个暴露用户在暴露地点的染病风险值与在该暴露地点的暴露次数以及每次暴露的时长有关，具体地说，每个暴露用户在某一暴露地点的染病风险值等于在该暴露地点的暴露次数与染病拟合系数a染病的乘积加上在该暴露地点的暴露时长之和与染病拟合系数b染病的乘积。
需要说明的是，所述云服务器还可以确定该暴露用户的染病风险值，即该暴露用户的染病风险值等于该暴露用户在所有暴露地点的染病风险值之和，通过公式将该暴露用户的染病风险值P染病表示为：
P染病＝a染病×m+b染病(t染病1+t染病2+…+t染病m)
其中，a染病和b染病是通过历史数据拟合得到的染病拟合系数；m是暴露用户与染病用户之间的暴露次数；t染病1为第1次暴露的时长；t染病2为第2次暴露的时长；t染病m为第m次暴露的时长。
基于此，所述云服务器可以进一步根据所述暴露用户的染病风险值P染病，生成提醒该暴露用户隔离或就医的提醒信息，并将其所述染病风险值和所述提醒信息中的至少一个发送至所述暴露用户的用户终端，以便所述暴露用户根据其用户终端显示的所述染病风险值和所述提醒信息中的至少一个自动隔离或及时就医，从而达到对用户的传染病传播的预警目的，同时也可以将所述暴露用户的所述染病风险值和所述提醒信息中的至少一个发送至所述管理终端，以便及时为所述暴露用户提供相应的服务。
所述方法还可以包括：
步骤S203：所述云服务器根据所述接触网络图和所述暴露用户的移动轨迹，将与所述暴露用户存在接触关系的其它用户确定为疑似暴露用户。
在云服务器确定暴露用户后，所述云服务器根据所述接触网络图和所述暴露用户的移动轨迹，从所述接触网络图中找到在指定时间段内与所述暴露用户接触过的用户，并将与所述暴露用户接触过的用户确定为疑似暴露用户，所述疑似暴露用户可能与所述暴露用户认识，也可能是陌生用户
步骤S204：所述云服务器确定所述暴露用户在接触地点对所述疑似暴露用户的暴露风险值。
所述云服务器根据所述疑似暴露用户与所述暴露用户的接触次数、每次接触的时长和接触地点，确定所述暴露用户在该接触地点对所述疑似暴露用户的暴露风险值。
具体地说，每个疑似暴露用户在接触地点的暴露风险值与在该暴露地点的接触次数以及每次接触暴露用户的时长有关，具体地说，每个疑似暴露用户在某一接触地点的暴露风险值等于在该接触地点的接触次数与暴露拟合系数a暴露的乘积加上在该接触地点的接触时长之和与暴露拟合系数b暴露的乘积，通过公式将疑似暴露用户的暴露风险值P暴露表示为：
P暴露＝a暴露×n+b暴露(t暴露1+t暴露2+…+t暴露n)
其中，a暴露和b暴露是通过历史数据拟合得到的暴露拟合系数；n是疑似暴露用户与暴露用户之间的接触次数；t暴露1为第1次接触的时长；t暴露2为第2次接触的时长；t暴露n为第n次接触的时长。
所述方法还可以包括：
步骤S205：所述云服务器根据每个染病用户在某一地点对每个暴露用户的染病风险值和每个暴露用户在该地点对每个疑似暴露用户的暴露风险值，确定用来显示该地点染病风险高低的影响值。
所述云服务器将所有染病用户在某一地点对所有暴露用户的染病风险值和所有暴露用户在该地点对所述疑似暴露用户的暴露风险值叠加，并将叠加结果作为该地点的影响值。
步骤S206：所述云服务器根据各个地点的影响值，生成表征各个地点染病风险高低的疫情风险聚集图，以便利用所述疫情风险聚集图进行预警。
所述云服务器可以利用灰度值，区分每个接触地点的影响值，然后根据灰度值与彩色色带中的颜色的映射关系，对每个地点进行着色，得到通过颜色表征各个接触地点染病风险高低的疫情风险聚集图。
进一步地，所述方法还可以包括：
所述云服务器可以将所述表征各个地点染病风险高低的疫情风险聚集图发送至用户终端，以便用户根据用户终端显示的疫情风险聚集图远离染病风险高的地点，也就是说，通过将上述疫情风险聚集图发送至用户终端，提醒普通大众，哪些地方是危险的，避免去染病者出现的区域活动。另外，所述云服务器还可以将所述表征各个地点染病风险高低的疫情风险聚集图发送至公共平台，例如物业、政府等机构的平台，从而提醒这些机构对染病者活动过的区域进行消毒工作，达到监控和预警的目的。
本发明实施例可以解决背景技术提到的棘手问题，还可以全面揭示一个指定范围内易感者和染病者之间的接触关系。指定范围是指任意指定的地理范围，大至全球、小至一个国家的任意一级行政单位。本发明提供一套传染病传播监测预警系统和方法，为政府抗击传染病疫情提供有力武器，为民众保护自身健康提供实用工具。
下面结合图7至图13进行详细说明。
人类社会已进入万物互联的时代，连接网络的物联网终端(包括智能手机、智能手环、固定定位装置等)都具备实时定位的功能。利用这个功能，实时收集系统终端用户(即传染病易感者、暴露者和传染源)的位置信息；利用位置信息，计算他们相互之间的接触、暴露信息；利用接触、暴露信息，计算接触风险和暴露风险；根据风险值，绘制疫情风险聚集图，警示易感者不要进入高风险区，提醒暴露者隔离；利用接触信息，可以绘制接触网络图，找到所有暴露者；利用暴露网络图，可以筛查高风险的暴露者和隐性传染源。
传染病传播监测预警系统实时记录物联网终端的基本信息，主要包括终端用户信息(包括手机号、系统账户等)、出现的位置以及在公共场所的时间段。当用户使用安装该系统的物联网终端时，开启定位功能。系统将自动记录在它附近出现的每一台预装该系统的物联网终端的基本信息。这样一旦确定某终端的用户是染病者或感染区域，就可以通过该终端的记录找到所有的可能被传染的暴露者和隐性传染源人群。当有一位易感者确定为染病者以后，可以采用网络分析方法确定所有与他(她)的暴露者和判断传染给他的传染源，如图7所示，中间黑色的两个稍大圆点为染病者，与其有连接关系的浅灰圆点为暴露者，与暴露者有连接关系而与染病者无连接关系的深灰色圆点为易感者或疑似暴露者，为疾控工作节省大量的时间与人力。该系统还可以转载新型冠状病毒疫情动态和实时的公众预防指南，同时系统后台会根据收集到的数据分析计算出每一个用户附近区域危险度云图，方便公众及时得到及时的防护和预警信息。
一、系统硬件
传染病传播监测预警系统的系统硬件部分包括用户所使用的物联网终端(包括智能手机、智能手环、固定定位装置等)、室内辅助定位装置(辅助智能手机、智能手环等实现室内精确定位的信号装置)、云服务器(用于实时分析寻找所有暴露者和隐性传染源的在线计算资源)等，其中：
物联网终端是物联网中连接传感网络层和传输网络层，实现采集数据及向网络层发送数据的设备，它担负着数据采集、初步处理、加密、传输等多种功能。物联网各类终端设备总体上可以分为情景感知层、网络接入层、网络控制层以及应用/业务层。每一层都与网络侧的控制设备有着对应关系。物联网终端常常处于各种异构网络环境中，为了向用户提供最佳的使用体验，终端应当具有感知场景变化的能力，并以此为基础，通过优化判决，为用户选择最佳的服务通道。终端设备通过前端的RF模块或传感器模块等感知环境的变化，经过计算，决策需要采取的应对措施。像智能手机、智能手环等都是最常见的物联网终端。
在室外物联网终端的实时定位主要通过北斗或GPS卫星信号和基站网络信号来实现。而当在室内环境无法使用卫星定位时，室内辅助定位装置使用室内定位技术作为卫星定位的辅助定位，解决卫星信号到达地面时较弱、不能穿透建筑物的问题。最终定位物体当前所处的位置。室内定位是指在室内环境中实现位置定位，主要采用无线通讯、基站定位、惯导定位等多种技术集成形成一套室内位置定位体系，从而实现人员、物体等在室内空间中的位置监控。从目前主流的蓝牙5.0室内定位技术来看，实现方式是依托于蓝牙定位的，其定位原理就是熟知的蓝牙定位原理，蓝牙室内终端侧定位是由终端设备(如嵌入SDK软件包的智能手机、智能手环等)和蓝牙Beacon(定位信标)组成，在需要定位的区域内部署蓝牙Beacon来准确地计算室内定位。
云服务器是云计算服务的重要组成部分，是面向各类互联网用户提供综合业务能力的服务平台。平台整合了传统意义上的互联网应用三大核心要素：计算、存储、网络，面向用户提供公用化的互联网基础设施服务。
二、系统软件
传染病传播监测预警系统的系统软件部分主要实现如下软件功能：
1、实时位置定位。
为了能够在人员大量聚集和(或)人员快速流动的情况下实施实时定位，系统通过物联网终端来进行实时定位。
用户打开软件定位功能后，后台会自动记录附近出现的每一台物联网终端的基本信息，包括相互距离的位置，处于同一场所的时间段，定位数据采集的时间间隔为30s。实时定位分为室外定位和室内定位两种技术手段相结合的方式。
室外实时位置定位借助的“基于位置的服务”(Location Based Service，LBS)实现，它是经过电信移动运营商的无线电通讯网络(如GSM网、CDMA网、WIFI热点)或卫星信号(如北斗或GPS)获取到用户实时所在的地理位置(地理坐标)，在GIS(GeographicInformation System，地理音讯系统)平台的支持下，为用户提供相应服务的一种功能。对定位数据的格式整理。数据源中需要包含经纬度作为位置信息，以及count作为数据点的权重值。基于canvas绘制疫情风险聚集图，把数据点填充到地图上例如：[{latitude:'39.909',longitude:'116.39742',count:‘23’},{latitude:'29.986',longitude:'120.59839',count:‘23’},…]
室内实时定位目前可以通过蓝牙5.0技术实现，蓝牙终端侧定位由物联网终端(如嵌入SDK软件包的智能手机、智能手环等)和蓝牙Beacon(定位信标)组成，在需要定位的区域内部署蓝牙Beacon，一般至少需要铺设3个蓝牙Beacon信标，定位算法要求至少知道三个点的RSSI(Received Signal Strength Indicator，接收信号的强度指示)值才能准确地计算定位，如图8所示。
基于3个蓝牙Beacon可以获取物联网终端的平面二维坐标，但如果需要获取终端设备在室内的精准三维坐标，则需要4个蓝牙Beacon信标来进行辅助定位，并采用以下四点定位算法，通过使用矩阵求解方程的方式：
Figure BDA0002387709180000161
Figure BDA0002387709180000162
Figure BDA0002387709180000163
Figure BDA0002387709180000164
其中要求的点的坐标是(x,y,z)，已知的四个Beacon的位置为(x1,y1,z1)，(x2,y2,z2)，(x3,y3,z3)，(x4,y4,z4)，r1到r4为所求的点到四个Beacon的距离。现在的任务就是求解上述方程，首先分解：
Figure BDA0002387709180000165
Figure BDA0002387709180000166
Figure BDA0002387709180000167
Figure BDA0002387709180000168
然后相减：
2(x1-x2)x+2(y1-y2)y+2(z1-z2)z＝λ1
2(x1-x3)x+2(y1-y3)y+2(z1-z3)z＝λ2
2(x1-x4)x+2(y1-y4)y+2(z1-z4)z＝λ3
其中：
Figure BDA0002387709180000169
Figure BDA00023877091800001610
Figure BDA00023877091800001611
这时候就可以转换为矩阵相乘:
Figure BDA00023877091800001612
假设上面矩阵为A*B＝C，那么此时只需要求解A的逆矩阵，然后把逆矩阵同时乘以等式两边，就可以求得x，y，z了。具体求解逆矩阵的方法为高斯-约旦消元法。
2、位置实现路径展示。
1)第一重投影：椭球体的规则化。
准确地说，地球是个不规则的三轴椭球体。为了将地图展开到平面上，首先将真实地球投影成一个规则的椭球。
2)第二重投影：椭球面的墨卡托投影。
为了将地球平面化，历史上人们采用了多种投影方式，其中当今世界上各WEB地图所普遍采用的是墨卡托投影。
想象一个外切于椭球赤道的圆柱面，在球心处放置一个光源，放出的射线将球面各点在圆柱内壁投下影子。
3)坐标转换：从墨卡托投影到像素坐标。
上述已实现了经纬度坐标系与平面坐标系之间的换算。而在网页上加载地图时，可以发现每一个像素都对应着一个坐标。在到了web地图中，把比例尺转换成另一个概念——分辨率(Resolution，图上一像素代表实际多少米。平面地图上一个像素实际上代表的是一个坐标范围，我们取其范围的中心点坐标作为此像素所代表的坐标值。
4)第二重坐标转换：墨卡托投影到世界平面点。
接下来再引入另一个概念：世界平面点。世界平面点本意是指墨卡托投影展开后的平面地图上的一个点，显然这个点应该有自己的坐标。而在前已经求得投影坐标(x,y)，为了计算(x,y)实际所在的像素点，引入了世界平面点这个中间概念。
常见的设备或浏览器窗口中，像素坐标系是以左上角为原点，以向下向右为正方向的。而上章中的经纬度以及换算得到的平面坐标系坐标(x,y)，是以赤道和本初子午线的交点，即地图的中心点为原点的。为了方便计算和展示，世界平面地图同样以左上角为坐标原点，向下向右为正方向，那么就需要进一步换算。
5)第三重坐标转换：世界平面点到像素坐标。
接下来就应该很方便了：只要知道整张平面地图横纵两个方向各自的总像素值，就能很快知道某个点所在的像素点。
6)瓦片的定位计算。
地图上每张瓦片有其特定编码，主流厂商大都用x,y,z表示，其中x为其横轴方向编码，y为其纵轴方向编码，z为其地图缩放级别。原点为左上角。
7)瓦片的加载。
一般来说在实例化一个地图时，都会给Map构造函数传入一个zoom和一个center参数。以leaflet为例，已知中心点坐标，要加载一幅地图，只需要知道屏幕四个点的经纬度所在范围内的瓦片，再将这些瓦片按照一定的偏移坐标布置即可。
上面传入的center代表当前范围的中心点，同时也是屏幕的中心点，那么就可以求出该经纬度对应的像素坐标，这个像素坐标就是屏幕中心点对应的瓦片像素坐标。这里的像素与css像素一一对应，利用屏幕范围可得出屏幕四个角点的瓦片像素坐标。利用这四个点的瓦片坐标，可以求出当前屏幕的瓦片索引范围，加载这些瓦片。
8)通过一系列定位点依次连接并在地图上展示，生成某时间段内的运动路径。
3、疫情风险聚集图。
疫情风险聚集图用于显示一个地区各个位置染病风险的高低，热力高低用由热至冷的不同颜色表示，提醒系统用户远离高风险位置。系统实时探测一个地区各个位置的用户数，一个位置的热力与该位置所有用户的风险值总和成正比，即
F(A)＝(Ta1+Ta2+...Tan)
通过对一个地区长时间的监测，可以得到疫情风险聚集图随时间的变化，例如一个商业中心周末会比工作日热得多；相反，一个工作单位工作日会比周末热得多。
实现步骤如下：
1)用户指定绘制疫情风险聚集图的地点、范围和时刻。地点可以是当前位置、计划前往的位置或其它任意地点。范围可以是特定传染病的传染范围(如新型冠状病毒的传染范围大约是2米)，或其它更大的指定范围。时刻可以是当前时刻，或数小时以后，或某个日期的某个时刻。未来时刻的热力值需要用历史数据来估计。
2)计算各个区域染病者人群和不同用户接触时间叠加统计值，将结果作为影响值显示成分布图。
3)将不同区域影响值，通过0到255的灰度区分显示，影响值最小显示为灰度值0，影响值最大显示为灰度值255，其它数值进行归一化后四舍五入处理。
4)根据每个区域计算得到的灰度值，在一条彩色色带中进行颜色映射，最后对图像进行着色，得到疫情风险聚集图。
颜色映射：根据canvas画布上每个像素点的累计得到灰度值，从彩色映射带中得到对应位置的颜色。定义一条彩色带，最安全为透明无色，概率存在且最低为蓝色，最危险为红色，根据不用数据点的alpha值映射到彩色带上不同的RGB颜色。
由于疫情风险聚集图一次性加载过多的点，会出现卡顿性能问题。在渲染疫情风险聚集图时，可以进行疫情风险聚集图的点聚合优化。点聚合的思路是，将视窗划分成为网格进行，判断疫情风险聚集图数据点在网格中所处的位置，如果同时几个点处于一个网格，则合并这几个点，以此降低渲染成本。
利用该系统的软件功能实现疫情网络图时，针对系统的所有用户(需要监测的人、动物和场所)，根据系统收集到的用户相互接触的记录绘制接触网络图，以每位用户为节点，以节点颜色或大小的不同表示节点用户暴露风险的高低，用两个节点之间的连线代表两位用户之间的接触，如图7所示。接触网络图可分为积分接触网络图和微分接触网络图。前者展示自特定时间开始至今的总的接触情况；后者展示自特定时间开始至今，每个时间段的接触情况。以新型冠状病毒为例，它的潜伏期最长约14天，可以用积分图显示14天前至今的累积接触情况，用微分图显示14前至今每天的接触情况。如果顺序展示每天的微分图，就能看到接触情况的动态变化。接触网络图在系统服务器上显示所有用户的接触情况，在终端上仅显示该终端用户的接触情况。当系统用户中出现染病者，与染病者接触的用户就成为暴露者，接触关系就成为暴露关系。这时，从接触关系图中挑出染病者和暴露者，绘制单独的暴露网络图。显然，暴露网络图是接触网络图的一部分。对于疫情监测，暴露网络图比接触网络图更有价值。类似地，暴露网络图也可分为积分暴露网络图和微分暴露网络图。
三、监测预警
用户打开软件定位功能后，后台会自动记录附近出现的每一台物联网终端的基本信息，包括相互距离的位置，处于同一场所的时间段。
1、根据暴露网络图寻找传染病暴露者和隐性传染源，如图11所示。
当易感者成为染病者后，可以绘制暴露网络图，帮助寻找传染病的暴露者和隐性传染源，如图11所示。
1)通过绘制网络图寻找暴露者和隐性传染源的分析方法包括三个步骤：
当一位易感者确定为染病者以后，根据暴露网络图从相应发出的连接线，可以确定与这名染病者有接触的所有暴露者和隐性传染源。
当整张暴露网络图中只有一位染病者时，很难进一步区分暴露者和隐性传染源，需要采用医学检测技术或其它补充信息才能区分暴露者和隐性传染源。
当整张暴露网络图中有多位染病者时，将每位染病者接触的所有暴露者和隐性传染源定义为一个群体，求各个染病者群体的交集，该交集就是高概率的暴露者和潜在传染源。交集越小，概率越高。当交集足够小，并且不能再缩小时，就可以采用医学检测技术或其它补充信息来区分暴露者和潜在传染源。
2)计算暴露风险
通过一位易感者(或疑似暴露者)与所有暴露者的接触情况，可以得出其暴露风险。暴露风险与接触次数n、每次接触的时间长短ti等因素都有关系。
暴露风险值P可表示为：
P暴露＝f(n暴露,t1暴露,…,tn暴露)
根据暴露风险和接触次数、接触时间长短正相关的规律，可以选择一些正相关函数形式，再用系统收集到的暴露数据和风险数据，拟合得到函数的参数值。最简单的正相关函数就是线性上升函数，即
P暴露＝a暴露×n暴露+b暴露(t暴露1+t暴露2+…+t暴露n)
其中a暴露、b暴露为需要使用真实数据拟合得到的系数。
例如，假设a暴露、b暴露拟合值为0.5。n的单位是次，t的单位是分钟，最短接触时间(一次位置数据收集的间隔)是0.5分钟。
3)计算染病风险
通过一位暴露者与所有传染源的接触情况，可以得出其染病风险，用于预测并提醒其染病风险程度。染病风险与暴露次数m、每次暴露的暴露时间ti、暴露者的抵抗力DF以及传染源的传染力IF等因素都有关系。
染病风险值P可表示为：
P染病＝f(mn染病,t1染病,…,tm染病,DF染病,IF染病)
当不考虑暴露者抵抗力差别和传染源传染力差别的情况下，上述公式简化为
P染病＝f(mn染病,t1染病,…,tmn染病)
根据染病风险和暴露次数、暴露时间长短正相关的规律，我们可以选择一些正相关函数形式，再用系统收集到的暴露数据和风险数据，拟合得到函数的参数值。最简单的正相关函数就是线性上升函数，即
P＝a染病m染病+b染病(t1染病+t2染病+…+tm染病)
染病风险值越高，则暴露者被传染的风险更高。专业人员可参考风险值，决定如何对不同风险的暴露者采取不同级别的处理方式。例如，对于高风险者，直接送医院检查，确认其是否染病；对于中低风险者，可以居家观察。
例如，a染病、b染病拟合值为1。m的单位是次，t的单位是分钟，最短接触时间(一次位置数据收集的间隔)是0.5分钟。
2、个人传染预警
当个人用户处在同一公共场所，程序后台会根据疫情风险聚集图和接触网络图计算出当前位置的疫情危险度状况，当程序判断用户有感染风险时，软件会给用户发出感染预警信息；当网络中某个人用户突然确诊为染病者时，程序及时更新疫情风险聚集图和接触网络图中不同用户的染病风险值并发出通知，提高公众外出的防护意识。
3、群体聚集预警方法
此功能仅向政府工作人员开放。每个确诊染病病例增加，会在后台数据库更新。短时间内大量增加，或者检测到有染病者在公共场合活动时，程序会给政府工作人员发出群体聚集预警信息，便于及时控制疫情传播。
4、系统软件的应用。
图12是传染病传播监测预警系统的应用流程示意图，如图12所示，包括：用户初次使用软件，获取用户软件安装使用信息，根据用户使用软件获取用户位置信息，然后根据用户相互活动路径计算感染区域危险度热力图，以提高公众外出防护意识，同时，通过确定的染病者的数据计划分析寻找暴露者和潜在的传染源，协助疾控防治工作。
5、寻找传染源。
图13是传染病传播监测预警系统寻找传染源的工作流程图，如图13所示，当易感者确诊为染病者时，打开接触网络图，以寻找所有暴露者和隐性传染源，统计以上风险人群在不同传染源人际接触图中的出现次数和累计接触时间，并重新计算疫情风险聚集图。计算所有暴露者与隐性传染源的染病风险值，计算所有暴露者与隐性传染源的染病风险值，以供采用医学检测技术或其它补充信息区分暴露者和隐性传染源，并实行不同级别的应对处理方式。
应用实例1
有一个染病者(他自己不知道，正常活动)，怎么得到路径计算影响值，怎么寻找被感染人群。(这里假设该人是染病者，造成的染病风险，如果是暴露者(疑似患者)，计算方法相同，只是a，b的权重参数不同。
染病者A不知自己已经被感染正常生活外出，计算A一天活动与不同人群产生的接触值。
例如染病者A(假设为未上班人员)：
1、染病者A早上7点-8点在家，未与其他人接触，他人的染病风险为0。
2、染病者A在公园停留时间30min，期间在公园某一个点位置(最小GPS能区分距离的地图网格)，近距离接触了(和他人位置信息重合小于最小分辨距离)正常人B，C，期间B是一个路人，接触时间半分钟(0.5分钟)，一次，该位置F(A)＝1+0.5＝1.5。C是熟人，位置重叠时间3分钟，这半小时内，该公园的该位置的热力是F(A)＝1+3＝4。(一次，和三分钟)。
3、染病者A在公园回家路上，期间在三个不同点位置和不同人有过近距离接触，该三个位置的热力F(A)＝1+0.5＝1.5。
4、去包子铺排队1分钟买了包子，共有10个人排队，该包子铺位置的热力是F(A)＝10*(1+0.5)＝15
5、染病者A去朋友家中，家里有一个朋友，在室内接触时间3小时，若是使用半小时疫情风险聚集图，则该朋友家的点的热力是F(A)＝1+30＝31，若是一小时疫情风险聚集图，则该时间内朋友家的点的热力是F(A)＝1+60＝61。
6、晚上染病者A和朋友外出吃饭，停留一小时，期间有300人在该场所有过停留，大约100人近距离时间10分钟，100人30分钟，100人60分钟，则半小时疫情风险聚集图中的餐厅位置热力为F(A)＝100*(1+10)+100*(1+30)+100*(1+30)＝1100+3100+3100＝7300。一小时疫情风险聚集图餐厅位置热力为F(A)＝100*(1+10)+100*(1+30)+100*(1+60)＝10400。都超过了最大值255，热力疫情图上将以最大极限值显示。基本上染病者去大量人群聚集的公共场所，热力疫情图上的热力都将是最大值。
当易感人群或者暴露者发病被确诊为感染者时，其热力则会相应的变化，然后根据人际接触图从相应发出的连接线，可以确定与这名染病者有接触的所有暴露者和隐性传染源，也即是更新数据，重新绘制疫情风险聚集图，然后计算该城市用户的接触值。
应用实例2
有一个染病者，怎么追本溯源，找到感染他的人。例如，当染病者B被确诊，系统程序可以采用网络分析方法确定所有与其接触的之前确诊染病者或者暴露者；并且可以通过B的活动场所，接触的人员判断传染给他的传染源。有以下几种情况。
1、B在被感染前和感染者有过危险接触，则B很大可能是被这位感染者传染。当B与多位感染者有过危险接触时，系统可以通过多位感染者对B的接触值，判断谁是最有可能传染B的感染者。
当暴露者B被诊断为感染者时，系统分析B近期只和感染者B1有接触，接触指数100，远高于正常水平，则判定B1为B的上级感染者。
当如果暴露者B被诊断为感染者时，系统分析B近期和感染者B1、B2、B3有接触，暴露风险值分别为15、35、50，三人都有可能感染B，感染的概率分别为15％、35％、50％。
2、B居家不出，没有外出与任何人有过接触，被确诊感染。这种情况，B所有的接触值都为零，可以排除与人接触感染。程序判断感染源为住房内的某种物质(比如饮用水被污染，下水道污水，)或者家中宠物，及时发现疫情新的传播途径。
综上所述，本发明实施例依靠手机程序，安装使用方便快捷，通过移动互联网功能对疫情的防护控制可以做出及时准确的传播监测，数据准确度精度高，可以节省传染病防控工作的人力物力，通过危险度云图预减少公众感染新型冠状病毒的风险。
尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。

Claims (16)

1.一种传染病传播监测预警系统，其特征在于，所述系统包括：
用户终端，用于实时获取用户的位置信息，并将用户信息、移动的位置信息及对应的时间信息上传至云服务器；
管理终端，用于当用户被确诊为染病用户时，将所述染病用户的用户信息上传至所述云服务器；
云服务器，用于根据每个用户的用户信息、移动的位置信息及对应的时间信息，确定每个用户的移动轨迹，并根据每个用户的移动轨迹，生成包含所有用户的接触情况的接触网络图，当所述接触网络图中有用户被确诊为染病用户时，根据所述接触网络图，确定染病用户的包括该染病用户、传病给该染病用户的传染源以及该染病用户接触的暴露用户的用户群，并根据每个染病用户的用户群与其他染病用户的用户群的交集，筛选隐性暴露者和隐性传染源。
2.根据权利要求1所述的系统，其特征在于，所述云服务器包括：
暴露用户确定模块，用于在收到所述染病用户的用户信息后，根据所述接触网络图和所述染病用户的移动轨迹，将与所述染病用户存在接触关系的其它用户确定为暴露用户；
染病风险值确定模块，用于根据所述暴露用户与所述染病用户的暴露次数、每次暴露的时长和暴露地点，确定所述染病用户在该暴露地点对所述暴露用户的染病风险值，并根据所有染病用户在所有暴露地点对该所述暴露用户的染病风险值，确定所述暴露用户的染病风险值。
3.根据权利要求2所述的系统，其特征在于，所述染病风险值确定模块通过如下公式确定所述暴露用户的染病风险值P染病：
P染病＝a染病×m+b染病(t染病1+t染病2+…+t染病m)
其中，a染病和b染病是通过历史数据拟合得到的染病拟合系数；m是暴露用户与染病用户之间的暴露次数；t染病1为第1次暴露的时长；t染病2为第2次暴露的时长；t染病m为第m次暴露的时长。
4.根据权利要求2所述的系统，其特征在于，所述云服务器还包括：
提醒信息生成模块，用于根据所述暴露用户的染病风险值P染病，生成提醒该暴露用户隔离或就医的提醒信息；
提醒信息发送模块，用于将所述染病风险值P染病和所述提醒信息中的至少一个发送至所述暴露用户的用户终端，以便所述暴露用户根据其用户终端显示的所述染病风险值P染病和所述提醒信息中的至少一个自动隔离或及时就医。
5.根据权利要求1-4任意一项所述的系统，其特征在于，所述云服务器还包括：
疑似暴露用户确定模块，用于根据所述接触网络图和所述暴露用户的移动轨迹，将与所述暴露用户存在接触关系的其它用户确定为疑似暴露用户；
暴露风险值确定模块，用于确定所述暴露用户对所述疑似暴露用户的暴露风险值。
6.根据权利要求5所述的系统，其特征在于，所述暴露风险值确定模块通过如下公式确定所述疑似暴露用户的暴露风险值P暴露：
P暴露＝a暴露×n+b暴露(t暴露1+t暴露2+…+t暴露n)
其中，a暴露和b暴露是通过历史数据拟合得到的暴露拟合系数；n是疑似暴露用户与暴露用户之间的接触次数；t暴露1为第1次接触的时长；t暴露2为第2次接触的时长；t暴露n为第n次接触的时长。
7.根据权利要求5所述的系统，其特征在于，所述云服务器还包括：
接触地点影响值确定模块，用于根据每个染病用户在某一地点对每个暴露用户的染病风险值和每个暴露用户在该地点对每个疑似暴露用户的暴露风险值，确定用来显示该地点染病风险高低的影响值；
疫情风险聚集图生成模块，用于根据各个地点的影响值，生成表征各个地点染病风险高低的疫情风险聚集图，以便利用所述疫情风险聚集图进行预警。
8.根据权利要求7所述的系统，其特征在于，所述接触地点影响值确定模块具体用于将所有染病用户在某一地点对所有暴露用户的染病风险值和所有暴露用户在该地点对所述疑似暴露用户的暴露风险值叠加，并将叠加结果作为该地点的影响值。
9.一种传染病传播监测预警方法，其特征在于，所述方法包括：
每个用户终端实时获取用户的位置信息，并将用户信息、移动的位置信息及对应的时间信息上传至云服务器；
管理终端在用户被确诊为染病用户时，将所述染病用户的用户信息上传至所述云服务器；
云服务器根据每个用户的用户信息、移动的位置信息及对应的时间信息，确定每个用户的移动轨迹，并根据每个用户的移动轨迹，生成包含所有用户的接触情况的接触网络图；
当所述接触网络图中有用户被确诊为染病用户时，所述云服务器根据所述接触网络图，确定染病用户的包括该染病用户、传病给该染病用户的传染源以及该染病用户接触的暴露用户的用户群；
所述云服务器根据每个染病用户的用户群与其他染病用户的用户群的交集，筛选隐性暴露者和隐性传染源。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
在收到所述染病用户的用户信息后，所述云服务器根据所述接触网络图和所述染病用户的移动轨迹，将与所述染病用户存在接触关系的其它用户确定为暴露用户；
根据所述暴露用户与所述染病用户的暴露次数、每次暴露的时长和暴露地点，确定所述染病用户在该暴露地点对所述暴露用户的染病风险值，并根据所有染病用户在所有暴露地点对该所述暴露用户的染病风险值，确定所述暴露用户的染病风险值。
11.根据权利要求10所述的方法，其特征在于，所述染病风险值确定模块通过如下公式确定所述暴露用户的染病风险值P染病：
P染病＝a染病×m+b染病(t染病1+t染病2+…+t染病m)
其中，a染病和b染病是通过历史数据拟合得到的染病拟合系数；m是暴露用户与染病用户之间的暴露次数；t染病1为第1次暴露的时长；t染病2为第2次暴露的时长；t染病m为第m次暴露的时长。
12.根据权利要求10所述的方法，其特征在于，所述方法还包括：
所述云服务器根据所述暴露用户的染病风险值P染病，生成提醒该暴露用户隔离或就医的提醒信息；
所述云服务器将所述染病风险值P染病和所述提醒信息中的至少一个发送至所述暴露用户的用户终端，以便所述暴露用户根据其用户终端显示的所述染病风险值P染病和所述提醒信息中的至少一个自动隔离或及时就医。
13.根据权利要求9-12所述的方法，其特征在于，所述方法还包括：
所述云服务器根据所述接触网络图和所述暴露用户的移动轨迹，将与所述暴露用户存在接触关系的其它用户确定为疑似暴露用户；
所述云服务器确定所述暴露用户在接触地点对所述疑似暴露用户的暴露风险值。
14.根据权利要求13所述的方法，其特征在于，所述暴露风险值确定模块通过如下公式确定所述疑似暴露用户的暴露风险值P暴露：
P暴露＝a暴露×n+b暴露(t暴露1+t暴露2+…+t暴露n)
其中，a暴露和b暴露是通过历史数据拟合得到的暴露拟合系数；n是疑似暴露用户与暴露用户之间的接触次数；t暴露1为第1次接触的时长；t暴露2为第2次接触的时长；t暴露n为第n次接触的时长。
15.根据权利要求13所述的方法，其特征在于，所述方法还包括：
所述云服务器根据每个染病用户在某一地点对每个暴露用户的染病风险值和每个暴露用户在该地点对每个疑似暴露用户的暴露风险值，确定用来显示该地点染病风险高低的影响值；
所述云服务器根据各个地点的影响值，生成表征各个地点染病风险高低的疫情风险聚集图，以便利用所述疫情风险聚集图进行预警。
16.根据权利要求15所述的方法，其特征在于，所述确定用来显示该地点染病风险高低的影响值包括：
将所有染病用户在某一地点对所有暴露用户的染病风险值和所有暴露用户在该地点对所述疑似暴露用户的暴露风险值叠加，并将叠加结果作为该地点的影响值。
CN202010103591.0A 2020-02-20 2020-02-20 一种传染病传播监测预警系统和方法 Pending CN111354472A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010103591.0A CN111354472A (zh) 2020-02-20 2020-02-20 一种传染病传播监测预警系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010103591.0A CN111354472A (zh) 2020-02-20 2020-02-20 一种传染病传播监测预警系统和方法

Publications (1)

Publication Number Publication Date
CN111354472A true CN111354472A (zh) 2020-06-30

Family

ID=71197057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010103591.0A Pending CN111354472A (zh) 2020-02-20 2020-02-20 一种传染病传播监测预警系统和方法

Country Status (1)

Country Link
CN (1) CN111354472A (zh)

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111755124A (zh) * 2020-07-01 2020-10-09 电子科技大学 一种用于疫情时期的学生返校管理方法
CN111935632A (zh) * 2020-08-14 2020-11-13 英华达（南京）科技有限公司 位置追踪查询系统
CN112151189A (zh) * 2020-07-23 2020-12-29 深圳市三七智联科技有限公司 疫情监控方法、系统和计算机可读存储介质
CN112164452A (zh) * 2020-10-09 2021-01-01 万达信息股份有限公司 一种层级化的传染病管理方法和系统
CN112164472A (zh) * 2020-09-25 2021-01-01 江苏鑫合易家信息技术有限责任公司 一种传染病感染风险预测系统及方法
CN112185582A (zh) * 2020-09-14 2021-01-05 清华大学 一种基于主动报送数据的传染病防控方法和系统
CN112242201A (zh) * 2020-10-28 2021-01-19 中国人民解放军国防科技大学 一种基于图计算的病毒传播风险预警方法、装置及设备
CN112330742A (zh) * 2020-11-03 2021-02-05 盈合(深圳)机器人与自动化科技有限公司 公共区域重点人员活动路线记录方法及装置
CN112382407A (zh) * 2020-11-12 2021-02-19 平安科技（深圳）有限公司 一种风险管控方法、装置、电子设备和存储介质
CN112669980A (zh) * 2020-12-28 2021-04-16 山东大学 一种基于节点相似度的流行病传播网络重构方法和系统
CN112669979A (zh) * 2020-12-14 2021-04-16 中国科学院计算技术研究所 一种聚集人群追踪方法及系统
CN112687401A (zh) * 2020-12-31 2021-04-20 医渡云（北京）技术有限公司 聚集风险确定方法及装置、计算机可读介质及电子设备
CN113035365A (zh) * 2021-03-12 2021-06-25 武汉明德生物科技股份有限公司 一种流行病患者诊疗时间质控方法及装置
CN113113151A (zh) * 2021-03-17 2021-07-13 中国医科大学附属盛京医院 面向医疗机构工作人员的新冠肺炎暴露风险评估系统
CN113365211A (zh) * 2021-04-19 2021-09-07 中科劲点（北京）科技有限公司 基于活动轨迹的疫情预报方法及其装置、介质及电子设备
CN113539514A (zh) * 2021-08-31 2021-10-22 重庆工商大学 一种多维度精细粒度疫情数据自动采集方法及系统
CN113643824A (zh) * 2021-07-19 2021-11-12 南京理工大学 基于γ-疑似感染社区模型的疑似流行病感染人员检测方法
CN113851228A (zh) * 2021-11-30 2021-12-28 南京汉卫公共卫生研究院有限公司 一种基于大数据的传染病症状监测与预警方法及系统
JP7041441B1 (ja) * 2021-01-19 2022-03-24 株式会社アルム 感染者療養管理システム
CN114372114A (zh) * 2021-11-18 2022-04-19 江苏商贸职业学院 一种基于矩阵分解模型的出行轨迹还原方法及系统
CN114446474A (zh) * 2021-12-25 2022-05-06 新瑞鹏宠物医疗集团有限公司 宠物疾病预警装置、方法、电子设备及存储介质
WO2022151741A1 (zh) * 2021-01-14 2022-07-21 南方科技大学 接触数据存储方法、装置、设备及存储介质
CN115346383A (zh) * 2022-05-10 2022-11-15 南京市德赛西威汽车电子有限公司 一种基于v2x的传染病信息预警通知方法、系统及存储介质
WO2023078082A1 (en) * 2021-11-02 2023-05-11 International Business Machines Corporation Determining infection risk levels
CN116860904A (zh) * 2023-08-31 2023-10-10 河北金锁安防工程股份有限公司 一种基于去中心化网络的目标追踪方法及装置
WO2023197350A1 (zh) * 2022-04-14 2023-10-19 浙江大学 一种基于wifi匹配的传染病易感人群接触追踪预筛选方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170103172A1 (en) * 2015-10-07 2017-04-13 The Arizona Board Of Regents On Behalf Of The University Of Arizona System And Method To Geospatially And Temporally Predict A Propagation Event
CN108986921A (zh) * 2018-07-04 2018-12-11 泰康保险集团股份有限公司 疾病预测方法、装置、介质及电子设备
CN109712719A (zh) * 2018-12-29 2019-05-03 杭州平普智能科技有限公司 一种基于传染病源的人群隔离方法和装置
US20190252078A1 (en) * 2018-02-15 2019-08-15 X Development Llc Predicting the spread of contagions

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170103172A1 (en) * 2015-10-07 2017-04-13 The Arizona Board Of Regents On Behalf Of The University Of Arizona System And Method To Geospatially And Temporally Predict A Propagation Event
US20190252078A1 (en) * 2018-02-15 2019-08-15 X Development Llc Predicting the spread of contagions
CN108986921A (zh) * 2018-07-04 2018-12-11 泰康保险集团股份有限公司 疾病预测方法、装置、介质及电子设备
CN109712719A (zh) * 2018-12-29 2019-05-03 杭州平普智能科技有限公司 一种基于传染病源的人群隔离方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡碧松 等: "疾病传播输入输出流的时空特征分析——以北京SARS流行为例", 《中国科学》 *

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111755124A (zh) * 2020-07-01 2020-10-09 电子科技大学 一种用于疫情时期的学生返校管理方法
CN111755124B (zh) * 2020-07-01 2024-01-26 电子科技大学 一种用于疫情时期的学生返校管理方法
CN112151189A (zh) * 2020-07-23 2020-12-29 深圳市三七智联科技有限公司 疫情监控方法、系统和计算机可读存储介质
CN111935632B (zh) * 2020-08-14 2024-02-27 英华达（南京）科技有限公司 位置追踪查询系统
CN111935632A (zh) * 2020-08-14 2020-11-13 英华达（南京）科技有限公司 位置追踪查询系统
CN112185582A (zh) * 2020-09-14 2021-01-05 清华大学 一种基于主动报送数据的传染病防控方法和系统
CN112164472A (zh) * 2020-09-25 2021-01-01 江苏鑫合易家信息技术有限责任公司 一种传染病感染风险预测系统及方法
WO2022062142A1 (zh) * 2020-09-25 2022-03-31 江苏鑫合易家信息技术有限责任公司 一种传染病感染风险预测系统及方法
CN112164452A (zh) * 2020-10-09 2021-01-01 万达信息股份有限公司 一种层级化的传染病管理方法和系统
CN112164452B (zh) * 2020-10-09 2024-02-27 万达信息股份有限公司 一种层级化的传染病管理方法和系统
CN112242201A (zh) * 2020-10-28 2021-01-19 中国人民解放军国防科技大学 一种基于图计算的病毒传播风险预警方法、装置及设备
CN112330742A (zh) * 2020-11-03 2021-02-05 盈合(深圳)机器人与自动化科技有限公司 公共区域重点人员活动路线记录方法及装置
CN112382407A (zh) * 2020-11-12 2021-02-19 平安科技（深圳）有限公司 一种风险管控方法、装置、电子设备和存储介质
CN112669979A (zh) * 2020-12-14 2021-04-16 中国科学院计算技术研究所 一种聚集人群追踪方法及系统
CN112669980B (zh) * 2020-12-28 2022-03-11 山东大学 一种基于节点相似度的流行病传播网络重构方法和系统
CN112669980A (zh) * 2020-12-28 2021-04-16 山东大学 一种基于节点相似度的流行病传播网络重构方法和系统
CN112687401B (zh) * 2020-12-31 2022-07-01 医渡云（北京）技术有限公司 聚集风险确定方法及装置、计算机可读介质及电子设备
CN112687401A (zh) * 2020-12-31 2021-04-20 医渡云（北京）技术有限公司 聚集风险确定方法及装置、计算机可读介质及电子设备
WO2022142753A1 (zh) * 2020-12-31 2022-07-07 医渡云（北京）技术有限公司 聚集风险确定方法及装置、计算机可读介质及电子设备
WO2022151741A1 (zh) * 2021-01-14 2022-07-21 南方科技大学 接触数据存储方法、装置、设备及存储介质
JP7041441B1 (ja) * 2021-01-19 2022-03-24 株式会社アルム 感染者療養管理システム
CN113035365A (zh) * 2021-03-12 2021-06-25 武汉明德生物科技股份有限公司 一种流行病患者诊疗时间质控方法及装置
CN113113151A (zh) * 2021-03-17 2021-07-13 中国医科大学附属盛京医院 面向医疗机构工作人员的新冠肺炎暴露风险评估系统
CN113113151B (zh) * 2021-03-17 2024-04-26 中国医科大学附属盛京医院 面向医疗机构工作人员的新冠肺炎暴露风险评估系统
CN113365211A (zh) * 2021-04-19 2021-09-07 中科劲点（北京）科技有限公司 基于活动轨迹的疫情预报方法及其装置、介质及电子设备
CN113643824B (zh) * 2021-07-19 2024-03-26 南京理工大学 基于γ-疑似感染社区模型的疑似流行病感染人员搜索方法
CN113643824A (zh) * 2021-07-19 2021-11-12 南京理工大学 基于γ-疑似感染社区模型的疑似流行病感染人员检测方法
CN113539514A (zh) * 2021-08-31 2021-10-22 重庆工商大学 一种多维度精细粒度疫情数据自动采集方法及系统
WO2023078082A1 (en) * 2021-11-02 2023-05-11 International Business Machines Corporation Determining infection risk levels
CN114372114A (zh) * 2021-11-18 2022-04-19 江苏商贸职业学院 一种基于矩阵分解模型的出行轨迹还原方法及系统
CN114372114B (zh) * 2021-11-18 2022-11-15 江苏商贸职业学院 一种基于矩阵分解模型的出行轨迹还原方法及系统
WO2023097757A1 (zh) * 2021-11-30 2023-06-08 南京汉卫公共卫生研究院有限公司 一种基于大数据的传染病症状监测与预警方法及系统
CN113851228A (zh) * 2021-11-30 2021-12-28 南京汉卫公共卫生研究院有限公司 一种基于大数据的传染病症状监测与预警方法及系统
CN114446474A (zh) * 2021-12-25 2022-05-06 新瑞鹏宠物医疗集团有限公司 宠物疾病预警装置、方法、电子设备及存储介质
WO2023197350A1 (zh) * 2022-04-14 2023-10-19 浙江大学 一种基于wifi匹配的传染病易感人群接触追踪预筛选方法
CN115346383A (zh) * 2022-05-10 2022-11-15 南京市德赛西威汽车电子有限公司 一种基于v2x的传染病信息预警通知方法、系统及存储介质
CN116860904A (zh) * 2023-08-31 2023-10-10 河北金锁安防工程股份有限公司 一种基于去中心化网络的目标追踪方法及装置

Similar Documents

Publication Publication Date Title
CN111354472A (zh) 一种传染病传播监测预警系统和方法
CN105740615B (zh) 利用手机轨迹追踪传染源和预测传染病流行趋势的方法
Pan et al. Spatial distributive effects of public green space and COVID-19 infection in London
US20170352119A1 (en) Tracking proximity relationships and uses thereof
CA2187704C (en) Expert system method of performing crime site analysis
US20120220274A1 (en) Position information analysis device and position information analysis method
JP5172227B2 (ja) 非常時情報通信システム、非常時情報通信方法及び非常時情報通信プログラム
US20140167917A2 (en) Disease Mapping and Infection Control System and Method
CN111652446A (zh) 传染病感染风险的预测方法、设备及存储介质
CN108271115A (zh) 一种区域人口密度的估计方法及装置
US20140179347A1 (en) Method and apparatus for defining a zone
Li et al. Comparative assessment of an indoor localization framework for building emergency response
KR20130077754A (ko) 위치정보 표현방법, 위치정보 처리방법, 위치정보모델 생성방법, 및 위치정보처리장치
CN109034624B (zh) 一种基于位置服务数据的城市空气污染暴露评估方法
CN115394455A (zh) 基于空间聚类离散格网的传染病时空扩散预测方法及装置
CN115752490B (zh) 基于大数据和定位技术的安全出行路径优化方法及系统
CN112002431A (zh) 一种利用电磁信号发现特定用户的密切接触者的方法及系统
Bosetti et al. Reducing measles risk in Turkey through social integration of Syrian refugees
CN114511432A (zh) 一种基于区块链的数字乡村管理服务系统
JPWO2017183547A1 (ja) 調査装置
CN114708985B (zh) 呼吸道传染病预警方法及系统
KR20200112560A (ko) 현장 통합 지원 시스템 및 그 방법
JP5515837B2 (ja) 影響解析支援装置、該方法、及び該プログラム
Hung et al. A RFID-based infection prevention and control mechanism in aged care living residences
Chin et al. Integrating local and neighboring area influences into vulnerability modeling of infectious diseases in Singapore

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