CN111430042A - 预测传染病传播的方法、装置、计算机设备和存储介质 - Google Patents
预测传染病传播的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111430042A CN111430042A CN202010242822.6A CN202010242822A CN111430042A CN 111430042 A CN111430042 A CN 111430042A CN 202010242822 A CN202010242822 A CN 202010242822A CN 111430042 A CN111430042 A CN 111430042A
- Authority
- CN
- China
- Prior art keywords
- predicted
- historical
- track
- determining
- matching
- 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
Links
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 72
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 230000007480 spreading Effects 0.000 claims abstract description 22
- 238000003892 spreading Methods 0.000 claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 22
- 241000700605 Viruses Species 0.000 claims description 15
- 239000000969 carrier Substances 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 20
- 230000005541 medical transmission Effects 0.000 abstract description 18
- 230000000694 effects Effects 0.000 abstract description 7
- 238000007726 management method Methods 0.000 description 12
- 238000004088 simulation Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- 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)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例提供了一种预测传染病传播的方法、装置、计算机设备和存储介质。该预测传染病传播的方法包括：确定一个或多个待预测对象；从历史轨迹数据库匹配每个待预测对象对应的预测轨迹；根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势。通过从历史轨迹数据库匹配待预测对象的预测轨迹，达到降低获取预测轨迹的计算量的效果。
Description
技术领域
本发明实施例涉及传染病预防技术领域，尤其涉及一种预测传染病传播的方法、装置、计算机设备和存储介质。
背景技术
人流的模拟预测在城市规划，重大应急事件响应等方面有着重要意义和作用。
目前在传染病传播的预测方面，是通过获取人流中每个人的预测轨迹，包括已感染人群和未感染人群的预测轨迹，再根据每个人的预测轨迹进行传染病传播趋势预测。常用的预测轨迹的获取方法，一般是基于物理学的动力学模型或是土木工程、计算机科学的经典多智能体模型，机器学习领域的生成模型等方式计算得到。
然而，这些模型由于每一个用户的轨迹需要独立计算，并对用户之间影响进行建模，对计算量有极高的要求。
发明内容
本发明实施例提供一种预测传染病传播的方法、装置、计算机设备和存储介质，以实现降低获取预测轨迹的计算量。
第一方面，本发明实施例提供了一种预测传染病传播的方法，包括：
确定一个或多个待预测对象；
从历史轨迹数据库匹配每个待预测对象对应的预测轨迹；
根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势。
可选的，所述历史轨迹数据库包括不同用户在时间周期内的每个历史时间分别对应的历史轨迹，所述从历史轨迹数据库匹配每个待预测对象对应的预测轨迹，包括：
获取当前时间，并确定所述当前时间对应的下一时间；
在所述时间周期内确定与所述下一时间相匹配的目标历史时间；
从所述历史轨迹数据库匹配每个待预测对象在所述目标历史时间对应的历史轨迹；
将每个待预测对象在所述目标历史时间对应的历史轨迹确定为每个待预测对象对应的预测轨迹。
可选的，所述历史轨迹数据库还包括不同用户分别对应的标识，所述从所述历史轨迹数据库匹配每个待预测对象在所述目标历史时间对应的历史轨迹，包括：
获取每个待预测对象对应的目标标识；
判断所述历史轨迹数据库是否存在与所述目标标识相匹配的匹配标识；
当存在与所述目标标识相匹配的匹配标识时，则将与所述匹配标识对应的用户在所述目标历史时间的历史轨迹，确定为所述待预测对象在所述目标历史时间对应的历史轨迹；
当不存在与所述目标标识相匹配的匹配标识时，则确定所述不同用户中每个用户与所述待预测对象的相似度；
选择相似度最大的用户在所述目标历史时间对应的历史轨迹，确定为所述待预测对象在所述目标历史时间对应的历史轨迹。
可选的，在所述从历史轨迹数据库匹配每个待预测对象对应的预测轨迹之前，包括：
采集不同用户的位置数据；
将每个用户对应的位置数据确定为每个用户对应的历史轨迹；
按照时间周期内的每个历史时间将每个用户对应的历史轨迹和每个用户对应的标识进行关联存储，以得到所述历史轨迹数据库。
可选的，所述根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势，包括：
获取预先制定的管控计划；
根据所述管控计划确定在所述待预测对象中的受影响对象和未受影响对象；
根据所述受影响对象分别对应的预测轨迹，从所述历史轨迹数据库中匹配受影响对象分别对应的模拟轨迹；
根据受影响对象分别对应的模拟轨迹和未受影响对象分别对应的预测轨迹，确定传染病在受影响对象和未受影响对象中的传播趋势。
可选的，所述根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势，包括：
确定在所述待预测对象中的感染对象、病毒携带者、康复者和未感染对象；
将感染对象分别对应的预测轨迹、病毒携带者分别对应的预测轨迹、康复者分别对应的预测轨迹和未感染对象对应的预测轨迹通过SEIR传染模型进行计算，得到传染病在未感染对象中的传播趋势。
可选的，所述方法还包括：
将所述传播趋势以可视化的形式进行展示。
第二方面，本发明实施例提供了一种预测传染病传播的装置，包括：
待预测对象确定模块，用于确定一个或多个待预测对象；
预测轨迹匹配模块，用于从历史轨迹数据库匹配每个待预测对象对应的预测轨迹；
传播趋势确定模块，用于根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势。
第三方面，本发明实施例提供了一种计算机设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个计算机程序，
当所述一个或多个计算机程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所述的预测传染病传播的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明任意实施例所述的预测传染病传播的方法。
本发明实施例通过确定一个或多个待预测对象；从历史轨迹数据库匹配每个待预测对象对应的预测轨迹；根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势，解决了这些模型由于每一个用户的轨迹需要独立计算，并对用户之间影响进行建模，对计算量有极高的要求的问题，实现了降低获取预测轨迹的计算量的效果。
附图说明
图1是本发明实施例一提供的一种预测传染病传播的方法的流程示意图；
图2是本发明实施例二提供的一种预测传染病传播的方法的流程示意图；
图3是本发明实施例三提供的一种预测传染病传播的装置的结构示意图；
图4是本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子计算机程序等等。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一信息为第二信息，且类似地，可将第二信息称为第一信息。第一信息和第二信息两者都是信息，但其不是同一信息。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
实施例一
图1为本发明实施例一提供的一种预测传染病传播的方法的流程示意图，可适用于对传染病的传播趋势进行预测的场景，该方法可以由预测传染病传播的装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在计算机设备上。
如图1所示，本发明实施例一提供的预测传染病传播的方法包括：
S110、确定一个或多个待预测对象。
其中，待预测对象是指需要参与到传染病传播预测的人员或动物等。例如参与到传染病传播的人群。可选的，可以选择预设区域内的所有人员作为本实施例的待预测对象。预设区域可以通过人为的方式进行选取。可选的，预设区域可以按照行政区域来划分或者地理性质来划分等，此处不作具体限制。例如，选择中国的所有人员作为本实施例的待预测对象，又例如选择湖北的所有人员作为本实施例的待预测对象，可以根据需要选择，此处不作具体限制。
在本实施例中，待预测对象可以是包括没有管控计划下的所有的人群；还可以是在管控计划下，包括受管控计划影响的受影响对象和为受影响对象，可以根据需要是否增加管控计划。
S120、从历史轨迹数据库匹配每个待预测对象对应的预测轨迹。
其中，历史轨迹数据库是指存储有不同用户的历史轨迹的数据库。历史轨迹是指过去时间的出行路线，是已经确实存在过的。预测轨迹是指待预测对象在未来时间的出行路线。预测轨迹是未发生的轨迹，是认为待预测对象最有可能发生的轨迹。具体的，每个待预测对象单独对应一个或多个预测轨迹。通过从历史轨迹数据库匹配待预测对象的预测轨迹，将历史轨迹数据库中的历史轨迹作为带预测对象的预测轨迹，极大地降低了计算量。
在一个可选的实施方式中，历史轨迹数据库包括不同用户在时间周期内的每个历史时间分别对应的历史轨迹，所述从历史轨迹数据库匹配每个待预测对象对应的预测轨迹，包括：
获取当前时间，并确定所述当前时间对应的下一时间；在所述时间周期内确定与所述下一时间相匹配的目标历史时间；从所述历史轨迹数据库匹配每个待预测对象在所述目标历史时间对应的历史轨迹；将每个待预测对象在所述目标历史时间对应的历史轨迹确定为每个待预测对象对应的预测轨迹。
在本实施方式中，时间周期是指时间的循环区间。例如，可以是1号至31号作为一个时间周期，又例如，可以是周一至周日作为一个时间周期，又例如，以每天作为一个时间周期，此处不作具体限制。当时间周期为1号至31号时，则时间周期内的每个历史时间可以是每一天，例如1号为一个历史时间，2号为一个历史时间；当时间周期为周一至周日时，则周一可以为一个历史时间，周二又可以为一个历史时间；当时间周期为一天时，则历史时间可以是每个小时，例如8点为一个历史时间，9点为一个历史时间等，此处不作具体限制，可以根据需要设置。本实施方式中，时间周期内的每个历史时间分别对应一个历史轨迹。
本实施方式中，当前时间是指当前的时间。当前时间根据时间周期的形式确定。例如，当时间周期1号至31号时，当前时间可以是每一天，例如当前时间为1号；又例如，当时间周期为周一至周日时，当前时间可以是周一等，此处不作限定。具体的当前时间根据实际情况确定。下一时间是指当前时间的下一时间。下一时间根据时间周期的形式确定。例如，时间周期为1号至31号时，当前时间为3月1号，则下一时间为3月2号，此处不作具体限定。目标历史时间是指在时间周期内，与下一时间匹配的历史时间。例如，当下一时间为3月2号时，则目标历史时间为2号。本实施方式中，将待预测对象在目标时间对应的历史轨迹，作为该待预测对象的预测轨迹。
在一个可选的实施方式中，历史轨迹数据库还包括不同用户分别对应的标识，所述从所述历史轨迹数据库匹配每个待预测对象在所述目标历史时间对应的历史轨迹，包括：
获取每个待预测对象对应的目标标识；判断所述历史轨迹数据库是否存在与所述目标标识相匹配的匹配标识；当存在与所述目标标识相匹配的匹配标识时，则将与所述匹配标识对应的用户在所述目标历史时间的历史轨迹，确定为所述待预测对象在所述目标历史时间对应的历史轨迹；当不存在与所述目标标识相匹配的匹配标识时，则确定所述不同用户中每个用户与所述待预测对象的相似度；选择相似度最大的用户在所述目标历史时间对应的历史轨迹，确定为所述待预测对象在所述目标历史时间对应的历史轨迹。
其中，标识是指能反映用户唯一身份的信息。例如，标识可以是姓名+身份证的形式，又例如，给每个用户分别配给一个唯一的序号等，此处不作具体限制。目标标识是指待预测对象的标识。
具体的，当存在与目标用户匹配的匹配标识时，则说明历史轨迹数据库包括该目标标识指示的待预测对象的历史轨迹，可以将匹配标识对应的历史轨迹，作为该待预测对象的历史轨迹。例如，一个待预测对象的目标标识为A，且历史数据库也包括一个匹配标识A，则将匹配标识A对应的历史轨迹，作为该待预测对象的历史轨迹。当不存在与目标标识匹配的匹配标识时，则确定不同用户中每个用户与待预测对象的相似度。具体的，当不存在与目标标识匹配的匹配标识时，则说明历史轨迹数据库没有该目标标识指示的待预测对象的历史轨迹。可选的，可以通过获取待预测对象的信息，与历史轨迹数据库中每个用户的信息进行比对，将待预测对象的信息和每个用户的信息比对的相似度，作为本实施例的每个用户与待预测对象的相似度。可选的，还可以是通过获取待预测对象在上一时间的历史轨迹，将历史轨迹数据库中每个用户在上一时间的历史轨迹与待预测对象在上一时间的历史轨迹作比对，将轨迹之间的重合度作为本实施例的每个用户与待预测对象的相似度。并将相似度最大的用户在所述目标历史时间对应的历史轨迹作为待预测对象在所述目标历史时间对应的历史轨迹。
在一个可选的实施方式中，在所述从历史轨迹数据库匹配每个待预测对象对应的预测轨迹之前，包括：
采集不同用户的位置数据；将每个用户对应的位置数据确定为每个用户对应的历史轨迹；按照时间周期内的每个历史时间将每个用户对应的历史轨迹和每个用户对应的标识进行关联存储，以得到所述历史轨迹数据库。
其中，位置数据是指用户在不同位置上的数据。可选的，可以通过用户使用的移动终端的定位信息，作为本实施例的位置数据。具体的，当位置数据是一条完整的轨迹时，则将位置数据直接作为每个用户对应的历史轨迹，当位置数据是一些离散的位置点，并且包括一些空值或异常值时，则先通过数据清洗去除空值和异常值，跟根据离散的位置点拟合出完整的轨迹，作为每个用户对应的历史轨迹。并按照时间周期内的每个历史时间将每个用户对应的历史轨迹和对应的标识进行关联存储。
S130、根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势。
其中，传播趋势是指传染病在待预测对象之间进行传染、扩散的趋势。可选的，可以将所述传播趋势以可视化的形式进行展示，从而对传播趋势的预测结果进行直观地反映。可选的，可以预测在设定区域内的传播趋势。例如，在武汉的传播趋势或者是全中国的传播趋势等，此处不作具体限定。
在一个可选的实施方式中，根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势，包括：
确定在所述待预测对象中的感染对象、病毒携带者、康复者和未感染对象；将感染对象分别对应的预测轨迹、病毒携带者分别对应的预测轨迹、康复者分别对应的预测轨迹和未感染对象对应的预测轨迹通过SEIR传染模型进行计算，得到传染病在未感染对象中的传播趋势。
其中，感染对象是指认为是已感染上传染病并已有症状的对象，病毒携带者是指携带病毒但在潜伏期的对象，未感染对象是指认为是未感染上传染病的对象，康复者是指通过自愈或者治疗获得免疫力的对象。具体的，感染对象和未感染对象可以是将现有的确诊感染上传染病并已有症状的对象作为感染对象，检测出确认携带有病毒待在潜伏期未有症状的对象作为病毒携带者，患上传染病后自愈或治疗获得免疫力的对象作为康复者，其余对象为未感染对象，可以通过医疗诊断的数据确定；也可以是根据现有的确认病例的分布情况，在待预测对象中选择与分布情况对应的部分待预测对象作为感染对象、病毒携带者和康复者等，其余对象为未感染对象等，可以根据需要来选择，此处不作具体限定。SEIR模型是是一种传播模型，是信息传播过程的抽象描述，是传染病模型中最经典的模型。将感染对象分别对应的预测轨迹和未感染对象对应的预测轨迹作为输入参数，输入值SEIR传染模型计算，从而得到传染病在未感染对象中的传播趋势。可选的，还可以根据需要选择SIR模型进行模拟，此处不作限制，SIR模型中不考虑病毒携带者，可以根据传染病的具体特性来选择合适的模型进行预测，此处不作限制。具体的，可以利用SEIR模型进行训练，得到预先训练的趋势模型，从而预测出具体的传播趋势。
本发明实施例的技术方案，通过确定一个或多个待预测对象；从历史轨迹数据库匹配每个待预测对象对应的预测轨迹；根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势，由于预测轨迹是从历史轨迹数据库中匹配得到，不需要使用各种模型来进行计算，极大地降低了计算量，达到降低获取预测轨迹的计算量的技术效果。
实施例二
图2是本发明实施例二提供的一种预测传染病传播的方法的流程示意图。本实施例是在上述技术方案的进一步细化，适用于在不同管制计划下，传染病的传播趋势进行预测的场景。该方法可以由预测传染病传播的装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在计算机设备上。
如图2所示，本发明实施例二提供的预测传染病传播的方法包括：
S210、确定一个或多个待预测对象。
其中，待预测对象是指需要参与到传染病传播预测的人员或动物等。例如参与到传染病传播的人群。可选的，可以选择预设区域内的所有人员作为本实施例的待预测对象。预设区域可以通过人为的方式进行选取。
S220、从历史轨迹数据库匹配每个待预测对象对应的预测轨迹。
其中，历史轨迹数据库是指存储有不同用户的历史轨迹的数据库。历史轨迹是指过去时间的出行路线，是已经确实存在过的。预测轨迹是指待预测对象在未来时间的出行路线。预测轨迹是未发生的轨迹，是认为待预测对象最有可能发生的轨迹。具体的，每个待预测对象单独对应一个或多个预测轨迹。
S230、获取预先制定的管控计划。
其中，管控计划是指管控待预测对象的计划，用于管控待预测对象的出行。可选的，管控计划包括交通管制，城市封锁，区域疏散等策略，此处不作具体限定。例如，管控计划可以是按道路/行政区/特定功能区类型如车站、大型商业区封锁，或者某片区域的交通流量增加/减少一定的百分比等。
S240、根据所述管控计划确定在所述待预测对象中的受影响对象和未受影响对象。
其中，受影响对象是指待预测对象中受到管控计划影响的人群。例如，有一个待预测对象的预测轨迹是出城，但是管控计划是封城，则该待预测对象为本实施例的受影响对象。可选的，可以通过确定待预测对象的预测轨迹关联的出行类型，将与管控计划冲突的出行类型对应的待预测对象作为受影响对象。预测轨迹关联的出行类型，可以是通过预测轨迹匹配的路网确定。路网是指的是在一定区域内，由各种道路组成的相互联络、交织成网状分布的道路系统。例如，一个待预测对象对应的预测轨迹在城市之间的高速公路上，则该待预测对象的预测轨迹关联的出行类型为出城。
受影响对象是受管控策略影响行为会发生改变的人群。比如封城管控会影响到所有需要出城与进城的人群，关闭娱乐场所会影响到所有会去娱乐场所人群。这里降低计算量也主要是由于1)我们只专注与模拟会受到管控策略影响的人群而不是所有人群，2)我们通过从历史轨迹数据库中抽取轨迹的方式，避免生成一条全新的轨迹的大量计算。
传染病模拟的时候是在全体人群中，包括未受影响的人群和受影响人群。我们先从历史的轨迹中相近的一天数据作为基础的模拟结果(基础模拟结果假设人流没有发生大的改变，比如现在模拟周二的轨迹，我们从历史数据中先找到一个周二为基础的模拟结果)。根据管控的策略，我们可以区别未受管控影响的人群与受管控影响的人群。对于未受管控影响的人群，我们不对其轨迹进行修改；对于受管控影响的人群，需要根据具体的管控策略，对历史轨迹数据库进行有条件的匹配，比如需要过滤掉出入娱乐场所的轨迹)。
S250、根据所述受影响对象分别对应的预测轨迹，从所述历史轨迹数据库中匹配受影响对象分别对应的模拟轨迹。
其中，模拟轨迹是指在未来时间受管控计划约束的出行路线。可选的，可以通过在历史轨迹数据库中，将受影响对象的不受管控计划约束的历史轨迹，作为本实施例的模拟轨迹。例如，管控计划为出城时，受影响对象A在城内的历史轨迹，作为受影响对象A的模拟轨迹。还可以是通过在历史轨迹数据库中确定与受影响对象对应的预测轨迹相匹配的目标用户，选择该目标用户中，与管控计划不冲突的历史轨迹，作为受影响对象的模拟轨迹。例如，受影响用户A在当前时间的预测轨迹，与目标用户象B在当前时间的预测轨迹相似度最高，则将目标用户B不受管控计划约束的历史轨迹，作为受影响用户A的模拟轨迹。
S260、根据受影响对象分别对应的模拟轨迹和未受影响对象分别对应的预测轨迹，确定传染病在受影响对象和未受影响对象中的传播趋势。
本实施例中，通过将受影响对象分别对应的模拟轨迹和未受影响对象分别对应的预测轨迹作为预测的输入参数，从而预测传染病在受影响对象和未受影响对象中的传播趋势。
在本实施例中，当管控计划为多个时，则可以分别预测在不同管控计划下的传播趋势，从而确定传播趋势受不同管控计划的影响，以帮助确定最佳的管控计划。
本发明实施例的技术方案，通过确定一个或多个待预测对象；从历史轨迹数据库匹配每个待预测对象对应的预测轨迹；根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势，由于预测轨迹是从历史轨迹数据库中匹配得到，不需要使用各种模型来进行计算，极大地降低了计算量，达到降低获取预测轨迹的计算量的技术效果。
实施例三
图3是本发明实施例三提供的一种预测传染病传播的装置的结构示意图，本实施例可适用于对传染病的传播趋势进行预测的场景，该装置可以采用软件和/或硬件的方式实现，并可集成在计算机设备上。
如图3所示，本实施例提供的预测传染病传播的装置可以包括待预测对象确定模块310、预测轨迹匹配模块320和传播趋势确定模块330，其中：
待预测对象确定模块310，用于确定一个或多个待预测对象；预测轨迹匹配模块320，用于从历史轨迹数据库匹配每个待预测对象对应的预测轨迹；传播趋势确定模块330，用于根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势。
可选的，所述历史轨迹数据库包括不同用户在时间周期内的每个历史时间分别对应的历史轨迹，该预测轨迹匹配模块320包括：时间确定单元，用于获取当前时间，并确定所述当前时间对应的下一时间；历史时间匹配单元，用于在所述时间周期内确定与所述下一时间相匹配的目标历史时间；预测轨迹匹配单元，用于从所述历史轨迹数据库匹配每个待预测对象在所述目标历史时间对应的历史轨迹；将每个待预测对象在所述目标历史时间对应的历史轨迹确定为每个待预测对象对应的预测轨迹。
可选的，历史轨迹数据库还包括不同用户分别对应的标识，该预测轨迹匹配单元具体用于获取每个待预测对象对应的目标标识；判断所述历史轨迹数据库是否存在与所述目标标识相匹配的匹配标识；当存在与所述目标标识相匹配的匹配标识时，则将与所述匹配标识对应的用户在所述目标历史时间的历史轨迹，确定为所述待预测对象在所述目标历史时间对应的历史轨迹；当不存在与所述目标标识相匹配的匹配标识时，则确定所述不同用户中每个用户与所述待预测对象的相似度；选择相似度最大的用户在所述目标历史时间对应的历史轨迹，确定为所述待预测对象在所述目标历史时间对应的历史轨迹。
可选的，该装置还包括：采集模块，用于采集不同用户的位置数据；历史轨迹确定模块，用于将每个用户对应的位置数据确定为每个用户对应的历史轨迹；存储模块，用于按照时间周期内的每个历史时间将每个用户对应的历史轨迹和每个用户对应的标识进行关联存储，以得到所述历史轨迹数据库。
可选的，传播趋势确定模块330包括：管控计划获取单元，用于获取预先制定的管控计划；模拟轨迹确定单元，用于根据所述管控计划确定在所述待预测对象中的受影响对象和未受影响对象；根据所述受影响对象分别对应的预测轨迹，从所述历史轨迹数据库中匹配受影响对象分别对应的模拟轨迹；传播趋势确定单元，用于根据受影响对象分别对应的模拟轨迹和未受影响对象分别对应的预测轨迹，确定传染病在受影响对象和未受影响对象中的传播趋势。
可选的，传播趋势确定模块330还包括：感染对象确定单元，用于确定在所述待预测对象中的感染对象、病毒携带者、康复者和未感染对象；该传播趋势确定单元还用于将感染对象分别对应的预测轨迹、病毒携带者分别对应的预测轨迹、康复者分别对应的预测轨迹和未感染对象对应的预测轨迹通过SEIR传染模型进行计算，得到传染病在未感染对象中的传播趋势。
可选的，该装置还包括：展示模块，用于将所述传播趋势以可视化的形式进行展示。
本发明实施例所提供的预测传染病传播的装置可执行本发明任意实施例所提供的预测传染病传播的方法，具备执行方法相应的功能模块和有益效果。本发明实施例中未详尽描述的内容可以参考本发明任意方法实施例中的描述。
实施例四
图4是本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备612的框图。图4显示的计算机设备612仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机设备612以通用计算机设备的形式表现。计算机设备612的组件可以包括但不限于：一个或者多个处理器616，存储装置628，连接不同系统组件(包括存储装置628和处理器616)的总线618。
总线618表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance，ISA)总线，微通道体系结构(Micro Channel Architecture，MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
计算机设备612典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备612访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置628可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)630和/或高速缓存存储器632。终端612可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统634可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(Compact Disc Read-Only Memory，CD-ROM),数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线618相连。存储装置628可以包括至少一个计算机程序产品，该计算机程序产品具有一组(例如至少一个)计算机程序模块，这些计算机程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)计算机程序模块642的计算机程序/实用工具640，可以存储在例如存储装置628中，这样的计算机程序模块642包括但不限于操作系统、一个或者多个应用计算机程序、其它计算机程序模块以及计算机程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。计算机程序模块642通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备612也可以与一个或多个外部设备614(例如键盘、指向终端、显示器624等)通信，还可与一个或者多个使得用户能与该计算机设备612交互的终端通信，和/或与使得该计算机设备612能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口622进行。并且，计算机设备612还可以通过网络适配器620与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器620通过总线618与计算机设备612的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备612使用其它硬件和/或软件模块，包括但不限于：微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器616通过运行存储在存储装置628中的计算机程序，从而执行各种功能应用以及数据处理，例如实现本发明任意实施例所提供的一种预测传染病传播的方法，该方法可以包括：
确定一个或多个待预测对象；
从历史轨迹数据库匹配每个待预测对象对应的预测轨迹；
根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势。
本发明实施例的技术方案，通过确定一个或多个待预测对象；从历史轨迹数据库匹配每个待预测对象对应的预测轨迹；根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势，由于预测轨迹是从历史轨迹数据库中匹配得到，不需要使用各种模型来进行计算，极大地降低了计算量，达到降低获取预测轨迹的计算量的技术效果。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明任意实施例所提供的一种预测传染病传播的方法，该方法可以包括：
确定一个或多个待预测对象；
从历史轨迹数据库匹配每个待预测对象对应的预测轨迹；
根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势。
本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储计算机程序的有形介质，该计算机程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的计算机程序。
存储介质上包含的计算机程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种计算机程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述计算机程序设计语言包括面向对象的计算机程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式计算机程序设计语言—诸如“C”语言或类似的计算机程序设计语言。计算机程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例的技术方案，通过确定一个或多个待预测对象；从历史轨迹数据库匹配每个待预测对象对应的预测轨迹；根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势，由于预测轨迹是从历史轨迹数据库中匹配得到，不需要使用各种模型来进行计算，极大地降低了计算量，达到降低获取预测轨迹的计算量的技术效果。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种预测传染病传播的方法，其特征在于，所述方法包括：
确定一个或多个待预测对象；
从历史轨迹数据库匹配每个待预测对象对应的预测轨迹；
根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势。
2.如权利要求1所述的方法，其特征在于，所述历史轨迹数据库包括不同用户在时间周期内的每个历史时间分别对应的历史轨迹，所述从历史轨迹数据库匹配每个待预测对象对应的预测轨迹，包括：
获取当前时间，并确定所述当前时间对应的下一时间；
在所述时间周期内确定与所述下一时间相匹配的目标历史时间；
从所述历史轨迹数据库匹配每个待预测对象在所述目标历史时间对应的历史轨迹；
将每个待预测对象在所述目标历史时间对应的历史轨迹确定为每个待预测对象对应的预测轨迹。
3.如权利要求2所述的方法，其特征在于，所述历史轨迹数据库还包括不同用户分别对应的标识，所述从所述历史轨迹数据库匹配每个待预测对象在所述目标历史时间对应的历史轨迹，包括：
获取每个待预测对象对应的目标标识；
判断所述历史轨迹数据库是否存在与所述目标标识相匹配的匹配标识；
当存在与所述目标标识相匹配的匹配标识时，则将与所述匹配标识对应的用户在所述目标历史时间的历史轨迹，确定为所述待预测对象在所述目标历史时间对应的历史轨迹；
当不存在与所述目标标识相匹配的匹配标识时，则确定所述不同用户中每个用户与所述待预测对象的相似度；
选择相似度最大的用户在所述目标历史时间对应的历史轨迹，确定为所述待预测对象在所述目标历史时间对应的历史轨迹。
4.如权利要求3所述的方法，其特征在于，在所述从历史轨迹数据库匹配每个待预测对象对应的预测轨迹之前，包括：
采集不同用户的位置数据；
将每个用户对应的位置数据确定为每个用户对应的历史轨迹；
按照时间周期内的每个历史时间将每个用户对应的历史轨迹和每个用户对应的标识进行关联存储，以得到所述历史轨迹数据库。
5.如权利要求1所述的方法，其特征在于，所述根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势，包括：
获取预先制定的管控计划；
根据所述管控计划确定在所述待预测对象中的受影响对象和未受影响对象；
根据所述受影响对象分别对应的预测轨迹，从所述历史轨迹数据库中匹配受影响对象分别对应的模拟轨迹；
根据受影响对象分别对应的模拟轨迹和未受影响对象分别对应的预测轨迹，确定传染病在受影响对象和未受影响对象中的传播趋势。
6.如权利要求1所述的方法，其特征在于，所述根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势，包括：
确定在所述待预测对象中的感染对象、病毒携带者、康复者和未感染对象；
将感染对象分别对应的预测轨迹、病毒携带者分别对应的预测轨迹、康复者分别对应的预测轨迹和未感染对象对应的预测轨迹通过SEIR传染模型进行计算，得到传染病在未感染对象中的传播趋势。
7.如权利要求1、5或6所述的方法，其特征在于，所述方法还包括：
将所述传播趋势以可视化的形式进行展示。
8.一种预测传染病传播的装置，其特征在于，所述装置包括：
待预测对象确定模块，用于确定一个或多个待预测对象；
预测轨迹匹配模块，用于从历史轨迹数据库匹配每个待预测对象对应的预测轨迹；
传播趋势确定模块，用于根据所述预测轨迹确定传染病在所述待预测对象中的传播趋势。
9.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个计算机程序；
当所述一个或多个计算机程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的预测传染病传播的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的预测传染病传播的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010242822.6A CN111430042A (zh) | 2020-03-31 | 2020-03-31 | 预测传染病传播的方法、装置、计算机设备和存储介质 |
| US16/928,689 US20210304900A1 (en) | 2020-03-31 | 2020-07-14 | Method and apparatus for predicting transmission of an infectious disease, computer apparatus and storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010242822.6A CN111430042A (zh) | 2020-03-31 | 2020-03-31 | 预测传染病传播的方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111430042A true CN111430042A (zh) | 2020-07-17 |
Family
ID=71555928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010242822.6A Pending CN111430042A (zh) | 2020-03-31 | 2020-03-31 | 预测传染病传播的方法、装置、计算机设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20210304900A1 (zh) |
| CN (1) | CN111430042A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112071437A (zh) * | 2020-09-25 | 2020-12-11 | 北京百度网讯科技有限公司 | 一种传染病趋势预测方法、装置、电子设备及存储介质 |
| CN112216387A (zh) * | 2020-09-02 | 2021-01-12 | 成都大汇智联科技有限公司 | 基于云数据平台的复工复产管理方法及系统 |
| CN112270998A (zh) * | 2020-09-23 | 2021-01-26 | 清华大学 | 区域内感染人员分布的评估方法及装置 |
| CN112002434B (zh) * | 2020-10-30 | 2021-02-19 | 平安科技（深圳）有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
| 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 |
| CN113035367A (zh) * | 2021-03-26 | 2021-06-25 | 中国工商银行股份有限公司 | 传染病群体传染趋势预测方法、装置、设备及存储介质 |
| CN113808757A (zh) * | 2021-09-09 | 2021-12-17 | 济南浪潮智投智能科技有限公司 | 一种传染病登记溯源系统 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114068036B (zh) * | 2021-11-18 | 2023-02-28 | 江苏商贸职业学院 | 一种基于物联网感知的传染传播预测方法及系统 |
| CN115050486A (zh) * | 2022-08-11 | 2022-09-13 | 中电科新型智慧城市研究院有限公司 | 传染病辅助防控方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110125514A1 (en) * | 2009-11-24 | 2011-05-26 | General Electric Company | System and method of patient destination prediction |
| 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 |
| US20180225421A1 (en) * | 2017-02-08 | 2018-08-09 | International Business Machines Corporation | Personalized health tracker and method for destination selection based on tracked personalized health information |
| 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 |
| 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 |
| US20190252078A1 (en) * | 2018-02-15 | 2019-08-15 | X Development Llc | Predicting the spread of contagions |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8862448B2 (en) * | 2009-10-19 | 2014-10-14 | Theranos, Inc. | Integrated health data capture and analysis system |
| US9075909B2 (en) * | 2011-11-20 | 2015-07-07 | Flurensics Inc. | System and method to enable detection of viral infection by users of electronic communication devices |
| WO2019038271A1 (en) * | 2017-08-21 | 2019-02-28 | Koninklijke Philips N.V. | PREDICTION, PREVENTION AND CONTROL OF INFECTIOUS TRANSMISSION IN A HEALTH CARE FACILITY USING A REAL-TIME LOCALIZATION SYSTEM AND A NEW GENERATION SEQUENCING |
-
2020
- 2020-03-31 CN CN202010242822.6A patent/CN111430042A/zh active Pending
- 2020-07-14 US US16/928,689 patent/US20210304900A1/en not_active Abandoned
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110125514A1 (en) * | 2009-11-24 | 2011-05-26 | General Electric Company | System and method of patient destination prediction |
| 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 |
| US20180225421A1 (en) * | 2017-02-08 | 2018-08-09 | International Business Machines Corporation | Personalized health tracker and method for destination selection based on tracked personalized health information |
| 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 |
| 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 (4)
| Title |
|---|
| MING-SHENG HU ETC.: "On Infectious Diseases Transmission Based on Traffic Network", 《IEEE》 * |
| RUJIRA KONGNUY ETC.: "Spatial Approach and Mathematical Modeling of Dengue Disease Transmission by Seasonal Using Statistical of the Data", 《IEEE》 * |
| 宫路等: "基于时空轨迹数据的传染病传播风险评估", 《测绘学报》 * |
| 师亚勇等: "COVID?19在高危人群动态网络中的传播动力学", 《控制理论与应用》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112216387A (zh) * | 2020-09-02 | 2021-01-12 | 成都大汇智联科技有限公司 | 基于云数据平台的复工复产管理方法及系统 |
| CN112216387B (zh) * | 2020-09-02 | 2024-04-09 | 成都大汇智联科技有限公司 | 基于云数据平台的复工复产管理方法及系统 |
| CN112270998A (zh) * | 2020-09-23 | 2021-01-26 | 清华大学 | 区域内感染人员分布的评估方法及装置 |
| WO2022062657A1 (zh) * | 2020-09-23 | 2022-03-31 | 清华大学 | 区域内感染人员分布的评估方法及装置 |
| CN112071437A (zh) * | 2020-09-25 | 2020-12-11 | 北京百度网讯科技有限公司 | 一种传染病趋势预测方法、装置、电子设备及存储介质 |
| CN112071437B (zh) * | 2020-09-25 | 2023-08-29 | 北京百度网讯科技有限公司 | 一种传染病趋势预测方法、装置、电子设备及存储介质 |
| CN112002434B (zh) * | 2020-10-30 | 2021-02-19 | 平安科技（深圳）有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
| 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 |
| CN113035367A (zh) * | 2021-03-26 | 2021-06-25 | 中国工商银行股份有限公司 | 传染病群体传染趋势预测方法、装置、设备及存储介质 |
| CN113035367B (zh) * | 2021-03-26 | 2024-02-27 | 中国工商银行股份有限公司 | 传染病群体传染趋势预测方法、装置、设备及存储介质 |
| CN113808757A (zh) * | 2021-09-09 | 2021-12-17 | 济南浪潮智投智能科技有限公司 | 一种传染病登记溯源系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210304900A1 (en) | 2021-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111430042A (zh) | 预测传染病传播的方法、装置、计算机设备和存储介质 | |
| US11132211B1 (en) | Neural finite state machines | |
| US10831827B2 (en) | Automatic extraction of user mobility behaviors and interaction preferences using spatio-temporal data | |
| CN111739653B (zh) | 传染病传播的评估方法、装置、计算机设备和存储介质 | |
| Bao et al. | Covid-gan: Estimating human mobility responses to covid-19 pandemic through spatio-temporal conditional generative adversarial networks | |
| CN113161006B (zh) | 密接人员感染风险评估方法、装置、电子设备及存储介质 | |
| CN109409902A (zh) | 风险用户识别方法、装置、计算机设备及存储介质 | |
| CN115394455B (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 | |
| WO2022198947A1 (zh) | 密接人群识别方法、装置、电子设备及存储介质 | |
| CN111739658A (zh) | 基于输入病例预测传染病趋势的方法及装置 | |
| CN112435469A (zh) | 车辆预警控制方法、装置、计算机可读介质及电子设备 | |
| CN112331262A (zh) | 亲和度预测方法及模型的训练方法、装置、设备及介质 | |
| CN109545352A (zh) | 导诊服务方法、装置、电子设备及存储介质 | |
| CN111681774A (zh) | 用于流行性传染病预测的方法、计算设备和介质 | |
| US20230098491A1 (en) | Assessment method and device for infectious disease transmission, computer equipment and storage medium | |
| Haliem et al. | AdaPool: An adaptive model-free ride-sharing approach for dispatching using deep reinforcement learning | |
| WO2024120504A1 (zh) | 一种数据处理方法及相关设备 | |
| CN114068034A (zh) | 数据的预测方法、装置、电子设备及计算机可读介质 | |
| Berke et al. | Using mobile phone data to estimate dynamic population changes and improve the understanding of a pandemic: A case study in Andorra | |
| CN115526069B (zh) | 仿真驾驶场景生成方法、装置、设备和计算机可读介质 | |
| Chakati | Reliable Distributed Management in Uncertain Environments | |
| KR102341467B1 (ko) | 인공지능 기반 대피우선순위를 설정하는 알고리즘을 이용하여 재난상황에서 우선권이 있는 운전자부터 순차적으로 알람을 전송함으로써 차량의 막힘이 없이 신속한 대피가 가능한 주차장 재난대피시스템의 운영방법 | |
| Shou et al. | Crowdq: Predicting the queue state of hospital emergency department using crowdsensing mobility data-driven models | |
| CN113327685B (zh) | 城市疫情发展推演方法、装置及计算机可读介质 | |
| CN115470250B (zh) | 人员信息处理方法、装置、电子设备和计算机可读介质 |
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 |