CN111446000A - 基于流行传染病病毒场追溯传染源的系统 - Google Patents
基于流行传染病病毒场追溯传染源的系统 Download PDFInfo
- Publication number
- CN111446000A CN111446000A CN202010120318.9A CN202010120318A CN111446000A CN 111446000 A CN111446000 A CN 111446000A CN 202010120318 A CN202010120318 A CN 202010120318A CN 111446000 A CN111446000 A CN 111446000A
- Authority
- CN
- China
- Prior art keywords
- virus
- time
- infection
- field
- infected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241000700605 Viruses Species 0.000 title claims abstract description 456
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 212
- 201000010099 disease Diseases 0.000 title claims abstract description 55
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 55
- 238000009826 distribution Methods 0.000 claims abstract description 92
- 208000035473 Communicable disease Diseases 0.000 claims abstract description 41
- 230000002123 temporal effect Effects 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims abstract description 19
- 238000004140 cleaning Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 13
- 230000007480 spreading Effects 0.000 claims abstract description 13
- 238000003892 spreading Methods 0.000 claims abstract description 13
- 238000013506 data mapping Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 7
- 230000009385 viral infection Effects 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 62
- 230000003612 virological effect Effects 0.000 claims description 49
- 230000002458 infectious effect Effects 0.000 claims description 34
- 239000000969 carrier Substances 0.000 claims description 31
- 238000013507 mapping Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 230000006806 disease prevention Effects 0.000 claims description 7
- 238000002955 isolation Methods 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 208000024891 symptom Diseases 0.000 claims description 2
- 239000012678 infectious agent Substances 0.000 claims 1
- 238000000638 solvent extraction Methods 0.000 claims 1
- 241000711573 Coronaviridae Species 0.000 description 7
- 238000011835 investigation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000037361 pathway Effects 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 208000025721 COVID-19 Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000011534 incubation Methods 0.000 description 2
- 244000000010 microbial pathogen Species 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 244000052769 pathogen Species 0.000 description 2
- 230000001717 pathogenic effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000014599 transmission of virus Effects 0.000 description 2
- 230000005653 Brownian motion process Effects 0.000 description 1
- 241001678559 COVID-19 virus Species 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 101100012466 Drosophila melanogaster Sras gene Proteins 0.000 description 1
- 241001115402 Ebolavirus Species 0.000 description 1
- 208000002979 Influenza in Birds Diseases 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003616 anti-epidemic effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 206010064097 avian influenza Diseases 0.000 description 1
- 238000005537 brownian motion Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000009351 contact transmission Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 231100000676 disease causative agent Toxicity 0.000 description 1
- 230000005560 droplet transmission Effects 0.000 description 1
- 238000011841 epidemiological investigation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于流行传染病病毒场追溯传染源的系统，包括依次连接的以空气为媒介的传播传染病城市扩散建模单元，病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元，病毒携带者位置语义信息获取单元，病毒携带者为位置中心的病毒分布密度计算单元，病毒携带人群的时间、空间和病毒分布密度数据映射单元，基于时态GIS的流行传染病病毒场云平台构建单元，病毒携带者在某时某地被病毒感染概率的计算单元，病毒携带者在某一追溯时间段内被病毒感染概率的计算单元，病毒携带者被感染时间段和病毒场的筛选单元和被感染的病毒携带者与产生该病毒场的病毒携带者关联单元。本发明追溯到病毒感染源和传播链，使得病毒传播得到很快的遏制。
Description
技术领域
本发明涉及手机定位、时态GIS、大数据、云计算在流行传染病预防和控制领域的应用，尤其涉及一种基于流行传染病病毒场追溯传染源的系统。
背景技术
传染病爆发的核心就在于它的传染性，能够从一个人直接或者间接的传递给另一个人或者更多的人。应对这类突然爆发的传染病，人类掌握了一种非常古老但是异常有效的办法—那就是隔离。
隔离的核心有三条：
一是找到和管理传染源。科学家们已经明确新冠病毒就是这次传染病爆发的病原体，而且它能在人与人之间传播，那么将已经患病或者疑似患病者快速识别出来并隔离治疗，就起到了这个作用。
二是切断传播途径。作为一种呼吸道病毒，新冠病毒的主要传播途径是通过飞沫传播，但目前人们也无法完全排除其他的传播途径。因此切断传播途径最有效的方法就是避免人群的大规模的聚集和长距离的移动。
三是保护易感人群。面对这次新型冠状病毒COVID-19，可以说每个人都是易感人群。
比尔·盖茨在2015年埃博拉病毒爆发之后的一次演讲中表示，在未来几十年里，如果有什么东西可以杀掉上千万人，那更可能是个有高度传染性的病毒，而不是战争；不是导弹，而是微生物。同时盖茨还提到，目前的问题不在于我们没有一套可以使用的系统，而是我们根本没有任何系统。这里所讲的系统包括了用于流行传染病防控的信息系统。
中国发明专利申请号为201610060508.X公开了一种公开了利用手机轨迹追踪传染源和预测传染病流行趋势的方法，包括步骤：从疾控中心获得新发感染者数据，确定新发感染者；获得所述新发感染者发病前和发病后一段时间内的手机话务数据及其相关基站数据；对所述手机话务数据和相关基站数据在地理信息系统平台上进行新发感染者的轨迹可视化分析；和分析传染病流行的高危区域和人群，预测传染病流行趋势。
这次COVID-19传染病，具有很大的隐匿性；①冠状病毒是纳米级的，是肉眼不可见的，且有较长的潜伏期；②症状不明显，感染潜伏期也具有明显的传染性；③无症状感染者也存在一定传染性，这些都对疫情的防控带来新的挑战；
传染病流行是在人群中发生的一个复杂扩散的过程，从发现疾病、确定病原体、确定传播途径与传染方式，到对疾病进行控制，迅速发现感染源并切断病毒感染途径。
对于传统的传染病防控方法，病毒传播速度往往快于信息上报速度、反应速度、病毒试剂研发速度、新药研发的速度。传统的流行病追溯调查方法存在着以下几个问题：①调查所花费的时间长，在发现传染源后，通常进行问卷调查，来分析患者去过的地方，这样耗费大量人力、用时长、结果不准确，这一阶段往往错失了许多控制疾病的良机；②追溯病毒源需要与像福尔摩斯破案的能力，需要耗费传染学病专家很多精力与时间；③所调查的情况都是静态的，无法从时间和空间维度、从全局和局部、动态地进行追溯。
很明显，若能够将追溯病毒源和查清感染途径的速度快于病毒传播速度，那么病毒传播就会很快地得到遏制。
互联网时代我们缺的不是信息，缺的是快速，准确的从海量的信息中筛选出真实，有益部分的能力。抗疫情最需要有一个动态实时精准反映疫情的地图，及时获取病毒携带者时空分布信息并映射成相应的病毒场时空分布信息，然后精准的筛选和提取出可能被感染或者感染他人的语义场景并实时更新，让信息上报、流动及发布速度跑赢病毒传播速度。这些事情靠传统应对流行传染病的方式，即靠纸做层层上报的路条是办不到的，得靠大数据、互联网、数理统计、时态GIS、云计算的办法，才能在最短时间内、以最低成本的方式、最有效的阻止传染病的蔓延。
筛选和分析处理信息的终极目标是追求真相，同样对疫情数据的筛选和分析处理是为了尽快的追溯到感染源，依据感染源信息将已经患病或者疑似患病者快速识别出来并隔离治疗，切断感染途径阻止传染病的快速蔓延。
发明内容
为了克服已有的传染病防控方法的对追溯病毒源和查清感染途径耗费大量人力、用时长、结果不准确、调查时间长、需要耗费传染学病专家很多精力与时间、静态的调查结果难以从时间和空间维度、从全局和局部、动态地追溯感染途径等不足，本发明提供一种通过病毒携带人群的时空轨迹数据和感染发病数据加工成病毒携带者为位置中心的病毒分布密度图，然后基于时态GIS的病毒分布密度图追溯病毒携带者在何时何地被病毒感染的，最后得到所有被感染的病毒携带者与产生该病毒场的病毒携带者传染传播链的系统。
本发明解决其技术问题所采用的技术方案是：
一种基于流行传染病病毒场追溯传染源的系统，包括依次连接的以空气为媒介的传播传染病城市扩散建模单元，病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元，病毒携带者位置语义信息获取单元，病毒携带者为位置中心的病毒分布密度计算单元，病毒携带人群的时间、空间和病毒分布密度数据映射单元，基于时态GIS的流行传染病病毒场云平台构建单元，病毒携带者在某时某地被病毒感染概率的计算单元，病毒携带者在某一追溯时间段内被病毒感染概率的计算单元，病毒携带者被感染时间段和病毒场的筛选单元和被感染的病毒携带者与产生该病毒场的病毒携带者关联单元。
进一步，所述的以空气为媒介的传播传染病城市扩散建模单元，用于对城市区域功能进行划分及空间位置映射，将城市中的每个空间位置功能语义化；
这里首先将城市的主城区分解为区域和区域中的子空间，所述的子空间的功能信息是通过所述的数字地图内容、导航和位置服务解决方案提供商这里获得的；从通信运营商获取基站位置区域识别号码和基站扇区位置标识号码，将所述的区域和所述的区域中的子空间进行映射；
所述的区域，是服务于不同目的的城市地块，将城市划分为农业区、办公区、住宅区、医院、学校、大学、休闲娱乐区不同类型；不考虑对传染病扩散基本无影响的区域，如农业区，将所述的区域映射为七种类型：住宅区、办公区、学校、大学、医院、休闲区和交通区；所述的交通区是一种特别的区域，由可移动的独立空间组成，比如火车车厢、地铁车厢和公共汽车；
所述的子空间，是属于所述区域的一个更小的空间单位，对应到现实生活中的一个个非移动的独立空间，所述非移动的独立空间是一个家庭、或者一个医院病房、或者一个办公室、或者一个休闲娱乐场所、或者一个教室、或者一块绿地；所述的子空间区分室外和室内；所述的子空间的类型由其所在区域的功能类型决定；人们在所述的子空间中进行相应类型的活动，比如居家、住院、工作、休闲娱乐和学习；参考实际数据在每个所述的区域中生成不同类型的所述的子空间，比如一个大学区域可由办公子空间、居住空间、教室子空间、休闲子空间；由此，这里将所述的子空间划分为以下六种类型：居所、办公室、教室、病房、休闲场所、交通子空间；这样每个子空间都具备了相应的语义信息。
再进一步，所述的病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元；从疾控中心获得所述的病毒携带人群中每个个体的感染发病数据，即各病毒携带者的感染发病数据，包括手机号码及发病时间和被隔离时间，用该手机号码从通信运营商获得所属的病毒携带者从发病前1天和发病后直至被隔离前以时间间隔t的手机话务数据及其相关基站数据，所述的通信运营商如中国移动、中国联通和中国电信，所述的病毒携带者的手机话务数据包括用户触发话务的时间、用户通信业务类型和用户ID号；所述相关基站数据包括与所述手机话务数据相关的基站位置区域识别号码和基站扇区位置标识号码；然后将上述数据加工成用户ID、时刻、空间位置并按时间序列写入时空数据库集，即DATASET1。
更进一步，所述的病毒携带者位置语义信息获取单元，根据所述的病毒携带者的空间位置访问所述的城市区域功能划分及空间位置映射单元，得到所述的病毒携带者的空间位置的语义信息。
所述病毒携带者为位置中心的病毒分布密度计算单元，根据所述的 DATASET1中所述的用户ID、时刻、空间位置信息，分别计算每个所述用户ID 的为位置中心的病毒分布密度，计算公式如下；
式中，P(i)t为采样时刻t第i个病毒携带者所处的空间坐标，t(i)为采样时刻t 第i个病毒携带者在所处的空间坐标所经历的时间，σ为常数，f(P(i)t,t(i))为采样时刻t第i个病毒携带者的病毒分布密度；
进一步，还要考虑到室内外病毒分布密度衰减情况不同，对于室外病毒分布密度不进行累加；对于室内，首先判断采样时刻t第i个病毒携带者所处的空间坐标P(i)t和采样时刻t+1第i个病毒携带者所处的空间坐标P(i)t+1之间的距离ΔD是否小于一个阈值TD，如果满足，就要考虑病毒密度的累加效应；即将采样时刻t+1 第i个病毒携带者的残存病毒分布密度f(P(i)t+1,t(i)+Δt)与采样时刻t+1第i个病毒携带者的病毒分布密度f(P(i)t+1,t(i))进行累加；
对于所述的病毒携带者所处的环境是否在室内还是在室外，是根据所述的病毒携带者位置语义信息获取单元所得到的空间语义来实现的；
考虑到经历采样时间间隔Δt的病毒分布密度衰减，将经历采样时间间隔Δt 所残存在区域中的病毒分布密度用公式(2)进行衰减计算，
式中，P(i)t+1为采样时刻t+1第i个病毒携带者所处的空间坐标，t(i)为采样时刻t第i个病毒携带者在所处的空间坐标所经历的时间，σ为常数， f(P(i)t+1,t(i)+Δt)为采样时刻t+1第i个病毒携带者的残存病毒分布密度；
然后将上述数据进一步加工成用户ID、时刻、空间位置、病毒分布密度并按时间序列写入病毒分布时空数据库集，即DATASET2。
所述病毒携带人群的时间、空间和病毒分布密度数据映射单元，用于将 DATASET2中的数据映射到时态GIS上；
所述的时态GIS在传统GIS基础上增加时间维，把GIS由传统的空间、属性两要素拓展为空间、时间、属性三要素；时态GIS既可以描述和表达病毒场在空间中的分布和形状，也可以描述和表达其随时间的变化，进行时态分析；
所述的基于时态GIS的流行传染病病毒场云平台构建单元，面对全国各地每天产生的海量疫情数据的加工处理，就必须采用云计算的方式来实现；各地基层疾病防控中心工作人员通过所述的基于时态GIS的流行传染病病毒场云平台输入病毒携带者感染发病数据；然后通过所述的病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元，所述的病毒携带者位置语义信息获取单元，所述的病毒携带者为位置中心的病毒分布密度计算单元，所述的病毒携带人群的时间、空间和病毒分布密度数据映射单元进行云计算，最后自动生成基于时态GIS 的流行传染病病毒场。
所述病毒携带者在某时某地被病毒感染概率的计算单元，用于计算基于时态 GIS的病毒分布密度图追溯每个病毒携带者在何时何地被病毒感染的概率；
一般来说，易感人群在传染病病毒场中滞留时间越长、进入传染病病毒场次数越多，被感染的概率就越大；
在流行病学中，疾病的潜伏期通常可以用对数正态分布来近似，如图4所示。这种近似的合理性往往可在病原体繁殖动力学上得到一定解释。简单来说，这相当于假设log潜伏期服从正态分布。对数正态随机分布都存在一个长尾，尽管长尾部分的概率很小但不是零，如果样本量足够大，长尾部分的小概率事件还是有可能发生的。
根据钟南山团队的论文，1099例中潜伏期最长为24天。使用蒙特卡洛模拟方法可以推算出，当log潜伏期的标准差为0.64，1099例中最长的潜伏期的中位数为24天。这个对数正态分布中，百分之九十以上的患者的潜伏期在7天以内。同时，还可以模拟出，任意一个病例的潜伏期超过14天的概率为0.838％，超过 24天的概率为0.062％。
因此，本发明中对这次新型冠状病毒COVID-19的潜伏期阈值分别定在7天、 14天和24天，超过24天这个阈值的概率只是极小概率事件了，约万分之六左右。因此，本发明中将主要被感染的关注点集中在潜伏期的前7天，这是超过90％的大概率事件；若在这个期间追溯不到被感染的病毒场，就进一步追溯前14天，这期间出现的概率已经超过90％，属于大概率事件；若还是没有能追溯到被感染的病毒场，就进一步追溯前24天，若仍然没能追溯到被感染的病毒场，有如下几种可能性：①出现了超长潜伏期的病毒携带者；②出现了无症状感染者；③由于什么原因系统没有收集到病毒携带者的信息。
病毒携带者在何时何地被病毒感染的概率计算，这里首先追溯病毒携带者出现病状的前7天，若追溯不到就继续追溯前14天，仍然追溯不到就继续追溯到前 24天；
这里将追溯时间范围值TBS(i)，计算以天为单位，分别规定如下： TBS(1)＝0～7，TBS(2)＝(7+Δt)～14，TBS(3)＝(14+Δt)～24，Δt为追溯采样时间；
这里首先阐述流行病的传染概率问题，易感个体在访问一个子空间时被传染的概率依赖于：该子空间内同时存在多少具备传染性的个体、每次接触持续多长时间、活动类型、具备传染性个体所属的传染性类别；
将具备完全传染性的个体和完全易感的个体之间发生在给定时间段t内接触发生传染事件的均值记为λ；为简单起见，假定每个具备传染性的个体都具有相同的传染性；对于随机出现的事件，在给定时间段t内出现的次数服从对于随机出现的事件，在给定时间段t内出现的次数服从泊松分布，参数为λt；
这里将病毒场区域范围值Di，计算以米为单位，分别规定如下：D1＜1高危区域，1≤D2＜2中危区域，2≤D3＜4低危区域，4≤D4较安全区域；
因此，在时间区间t内处在病毒场不同区域范围内，不发生被感染的概率为
至少发生一次感染的概率为
这些病毒场区域范围值Di针对不同传染病性类别可调；当一个具有传染性的个体A和易感个体D处在同一个子空间的不同区域空间之内一段特定时间TAD，传染发生的概率可以用公式(3)来表达，
如果用离散的方式来表达，可以采用公式(4)来进行计算，
式中，λ(Di)为传染性的个体和完全易感的个体之间发生采样时间间隔内处在某一病毒场区域范围值Di中接触发生传染事件的均值，
为j采样的时间内A传染给D的概率；
为了保护个人隐私和客观反映病毒通过空气传播的特性，这里将传染性的个体映射成相对应的病毒场；因此，追溯方法是检测该病毒携带者是否曾经进入到任何病毒场，然后根据其距离病毒场的不同距离用公式(5)计算被感染的概率
式中，k表示病毒场的序号，j为采样时间序号，λ(Di(k))为在某一个采样时间内病毒携带者进入某个病毒场k的病毒场区域范围值Di(k)中发生被感染事件的均值，
为j采样的时间间隔内病毒携带者进入某个病毒场k的某一病毒场区域范围值Di(k)中发生被感染事件的概率。
所述病毒携带者在某一追溯时间段内被病毒感染概率的计算单元，用于计算基于时态GIS的病毒分布密度图追溯每个病毒携带者在某一追溯时间段内被病毒感染的概率；
被病毒感染的概率是与进入病毒场区域的频次、与病毒场区域的相隔距离和滞留的时间相关的，公式(5)提供了某一采样时间内进入某个病毒场k的某一病毒场区域范围值Di(k)中发生被感染事件的概率，因此，还需要计算在某一追溯时间段内进入某个病毒场k的某一病毒场区域范围值Di(k)中发生被感染事件的概率；如公式(6)所示；
式中，
为追溯时间段TBS(i)内都不发生被感染的概率，
为追溯时间段TBS(i)内至少发生一次被感染的概率，
为j采样的时间间隔内病毒携带者进入某个病毒场k的某一区域范围值Di(k)中发生被感染事件的概率，k表示病毒场的序号，j为采样时间序号，λ(Di(k))为在某一个采样时间内病毒携带者进入某个病毒场k的某一区域范围值Di(k)中发生被感染事件的均值，n为追溯时间段TBS(i)开始采样时间，TBS(i)/Δt为追溯时间段TBS(i)内的采样总数，Δt为追溯采样时间。
所述病毒携带者被感染时间段和病毒场的筛选单元，用于确定被感染的感染地点和时间段的顺序；
首先，追溯TBS(1)这个期间被感染的病毒场，分别用公式(5)和(6)计算被感染的概率
和追溯时间段TBS(1)内至少发生一次被感染的概率
若
就确定该病毒场和时间段为第一感染地点和时间段；否则进一步追溯；
接着，进一步追溯TBS(2)期间被感染的病毒场，分别用公式(5)和(6)计算被感染的概率
和追溯时间段TBS(2)内至少发生一次被感染的概率
若
就确定TBS(2)期间追溯到的病毒场和时间段为第一感染地点和时间段，TBS(1)期间追溯到的病毒场和时间段为第二感染地点和时间段；否则再进一步追溯；
再进一步追溯TBS(3)期间被感染的病毒场，分别用公式(5)和(6)计算被感染的概率
和追溯时间段TBS(3)内至少发生一次被感染的概率
若
就确定TBS(3) 期间追溯到的病毒场和时间段为第一感染地点和时间段，TBS(2)期间追溯到的病毒场和时间段为第二感染地点和时间段；TBS(1)期间追溯到的病毒场和时间段为第三感染地点和时间段；否则再进一步追溯；
若经过上述追溯筛选处理仍然不能确认被感染的病毒场，作为悬而未决问题保留，有如下几种可能性：①出现了超长潜伏期的病毒携带者；②出现了无症状感染者；③由于什么原因系统没有收集到病毒携带者的信息。
所述的被感染的病毒携带者与产生其被感染的病毒场的病毒携带者关联单元，将追溯到的病毒场和时间段为第一感染地点和时间段与产生该病毒场的病毒携带者进行关联，若存在多个感染地点和时间段的情况，分别计算其对应的感染链；
对于找到所述的产生该病毒场的病毒携带者，首先是系统根据所述的第一感染地点和时间段的信息，然后访问系统平台数据库得到产生所述的第一感染地点的病毒携带者的信息，接着将被感染的病毒携带者与所述的第一感染地点的病毒携带者的信息进行关联，得到病毒第一感染链，以此类推；对于其他被感染的病毒携带者也同样以此类推进行追溯；直到所有的被感染的病毒携带者的追溯处理结束，最后得到所有被感染的病毒携带者与产生该病毒场的病毒携带者传染传播链，并以感染概率大小按顺序列出所有的感染途径。
消除恐慌最有效的方式，就是学会从研究概率和统计学的角度来看待消息。依托大数据、互联网、数理统计、时态GIS、云计算等手段，在最短时间内、以最低成本的方式、最有效地阻止传染病的蔓延。更为重要的是，决策者也能以冷静而客观的态度，来分析目前呈现出来的各项数据，据此在制定政策时实现平衡，避免在过度恐慌的背景下出现极端做法，为追求所谓的“零风险”，而彻底牺牲其它领域，导致整个社会为此付出过于高昂的成本。
本发明的技术构思为：为了实现发明任务，必须要解决几个核心问题：(1) 两步可视化方法，即对病毒携带者可视化和对其向周围散发的病毒分布可视化； (2)在充分保护个人隐私的前提下对病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工；(3)计算病毒携带者为位置中心的病毒分布密度；(4) 将病毒携带人群的时间、空间和病毒分布密度数据映射到时态GIS上；(5)排查出所有可疑重点的传染病病毒场，并根据空间位置语义信息标识出高风险的传染病病毒场；(6)计算基于时态GIS的病毒分布密度图追溯每个病毒携带者在何时何地被病毒感染的概率，并按概率大小进行排序；(7)将被感染的病毒携带者与产生该病毒场的病毒携带者进行关联，得到病毒感染链。
本发明的有益效果主要表现在：
(1)阻止疫情蔓延的最好办法就是尽快追溯到病毒源和查清感染途径，这项工作是在与病毒感染速度赛跑。本发明实时能将流行病信息追溯速度跑赢病毒传播速度，迅速追溯到病毒感染源和传播链，使得病毒传播得到很快的遏制。
(2)提供了一种严谨的、科学的、动态流行病学调查方法，整个追溯过程好似侦察破案，一层一层揭开疾病传播与蔓延背后的真相，对疫情研判、疫情控制和防控决策提供了坚实的技术保障。能有效帮助传染病预防工作者并对感染源进行追溯调查，在特殊情况下还可以对传染源进行实时动态追踪，及时有效地对其所接触的人和地进行疾病干预，不仅准确方便，也节省了大量的人力物力财力。
(3)疫情信息公开透明是实现群防群治、联防联控的基础性工作。个体之间如何合理相处？个体如何与群体协同？群体之间如何联合防控？这些问题都需要建立在信息真实可靠、及时有效的前提上。精准施策同样也是建立在精准追溯调查基础之上的。
附图说明
图1为利用时态GIS技术构造层次化的城市模型说明图，1-城市交通网络映射层，2-城市区域划分映射层，3-城市地理信息网络映射层，4-分布在城市区域内的病毒场；
图2为病毒携带者在周围环境中所产生的病毒分布以及经历一段时间后的衰减后的病毒分布曲线；
图3为流行传染病潜伏期对数正态随机分布图；
图4为基于流行传染病病毒场追溯传染源的方法处理流程图；
图5为发生某城市的商场相关感染病例时间表；
图6为病毒场不同区域的说明图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图6，一种基于流行传染病病毒场追溯传染源的系统，包括依次连接的以空气为媒介的传播传染病城市扩散建模单元，病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元，病毒携带者位置语义信息获取单元，病毒携带者为位置中心的病毒分布密度计算单元，病毒携带人群的时间、空间和病毒分布密度数据映射单元，基于时态GIS的流行传染病病毒场云平台构建单元，病毒携带者在某时某地被病毒感染概率的计算单元，病毒携带者在某一追溯时间段内被病毒感染概率的计算单元，病毒携带者被感染时间段和病毒场的筛选单元，被感染的病毒携带者与产生其被感染的病毒场的病毒携带者关联单元。
如图4所示，系统的处理步骤如下：
S1：以空气为媒介的传播传染病城市扩散建模；
S2：病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工；
S3：病毒携带者位置语义信息获取；
S4：病毒携带者为位置中心的病毒分布密度计算；
S5：病毒携带人群的时间、空间和病毒分布密度数据映射；
S6：基于时态GIS的流行传染病病毒场云平台构建；
S7：病毒携带者在某时某地被病毒感染概率的计算；
S8：病毒携带者在某一追溯时间段内被病毒感染概率的计算；
S9：病毒携带者被感染时间段和病毒场的筛选；
S10：被感染的病毒携带者与产生其被感染的病毒场的病毒携带者关联。
所述的以空气为媒介的传播传染病城市扩散建模单元，用于对城市区域功能进行划分及空间位置映射，将城市中的每个空间位置功能语义化；图1所示的是利用时态GIS技术构造层次化的城市模型说明图，1-城市交通网络映射层，2-城市区域划分映射层，3-城市地理信息网络映射层，4-分布在城市区域内的病毒场；其中，城市区域划分最好依据国家最基层疾病防控中心所管辖的行政区域来确定，以避免在管理上出现漏洞；
这里首先将城市的主城区分解为区域和区域中的子空间，所述的子空间的功能信息是通过所述的数字地图内容、导航和位置服务解决方案提供商这里获得的；从通信运营商获取基站位置区域识别号码和基站扇区位置标识号码，将所述的区域和所述的区域中的子空间进行映射；
所述的区域，是服务于不同目的的城市地块，将城市划分为农业区、办公区、住宅区、医院、学校、休闲娱乐区不同类型；不考虑对传染病扩散基本无影响的区域，如农业区，将所述的区域映射为七种类型：住宅区、办公区、学校、医院、休闲区和交通区；所述的交通区是一种特别的区域，由可移动的独立空间组成，比如火车车厢、地铁车厢和公共汽车；
所述的子空间，是属于所述区域的一个更小的空间单位，对应到现实生活中的一个个非移动的独立空间，所述非移动的独立空间是一个家庭、或者一个医院病房、或者一个办公室、或者一个休闲娱乐场所、或者一个教室、或者一块绿地；所述的子空间区分室外和室内；所述的子空间的类型由其所在区域的功能类型决定；人们在所述的子空间中进行相应类型的活动，比如居家、住院、工作、休闲娱乐和学习；参考实际数据在每个所述的区域中生成不同类型的所述的子空间，比如一个大学区域可由办公子空间、居住空间、教室子空间、休闲子空间；由此，这里将所述的子空间划分为以下六种类型：居所、办公室、教室、病房、休闲场所、交通子空间；这样每个子空间都具备了相应的语义信息；
所述的病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元；从疾控中心获得所述的病毒携带人群中每个个体的感染发病数据，即各病毒携带者的感染发病数据，包括手机号码及发病时间和被隔离时间，用该手机号码从通信运营商获得所属的病毒携带者从发病前1天和发病后直至被隔离前以时间间隔t的手机话务数据及其相关基站数据，所述的通信运营商如中国移动、中国联通和中国电信，所述的病毒携带者的手机话务数据包括用户触发话务的时间、用户通信业务类型和用户ID号；所述相关基站数据包括与所述手机话务数据相关的基站位置区域识别号码和基站扇区位置标识号码；然后将上述数据加工成用户ID、时刻、空间位置并按时间序列写入时空数据库集，即DATASET1；
为了最大限度的保护个人隐私，平台只要求各地基层的疾控中心相关人员输入病毒携带者的手机号码及发病时间和被隔离时间的感染发病数据，不包含其他任何的个人信息；访问通信运营商得到话务数据及其相关基站数据时也只提供手机号码；在时态GIS上显示城市区域流行传染病病毒场时不包含任何个人信息。
所述的病毒携带者位置语义信息获取单元，根据所述的病毒携带者的空间位置访问所述的城市区域功能划分及空间位置映射单元，得到所述的病毒携带者的空间位置的语义信息；
飞沫传染和接触传播是新型冠状病毒COVID-19主要的传播渠道，也是很多流行传染病的主要的传播渠道；一般来说，室外空气流通性好不适宜微生物的存活，病毒携带者所产生的病毒场会比较快的衰减；而对于环境比较密闭的空间内，病毒携带者将病原微生物带入室内；咳嗽和喷嚏，甚至呼吸，都会将飞沫排入空气中，较大的飞沫在蒸发之前降落到地面，较小的飞沫可以在较短的时间内由于水分蒸发完毕而形成飞沫核，直径≤10μm的飞沫核在空中悬浮的时间长达数小时，若人们在这种病毒场室内滞留时间较长，与病原微生物接触的机会较多，从而形成较高的疾病传染风险。
含有新冠病毒的飞沫核尺寸在亚微米到微米的范围，与烟草燃烧后的颗粒尺度类似。这些飞沫核在没有任何外部干扰情况下，作布朗运动向外传播。用一个比较通俗的话来说，在一个封闭的房间内抽烟，开始在抽烟者周围产生烟雾，然后以抽烟者为中心慢慢地向四周蔓延开来，最后在整个房间内都有烟味。另一方面，随着时间推移，烟味的分布密度也逐渐下降。这就是COVID-19病毒分布密度计算的依据。
所述病毒携带者为位置中心的病毒分布密度计算单元，根据所述的 DATASET1中所述的用户ID、时刻、空间位置信息，分别计算每个所述用户ID 的为位置中心的病毒分布密度，计算公式如下；
式中，P(i)t为采样时刻t第i个病毒携带者所处的空间坐标，t(i)为采样时刻t 第i个病毒携带者在所处的空间坐标所经历的时间，σ为常数，f(P(i)t,t(i))为采样时刻t第i个病毒携带者的病毒分布密度；
图2所示的是用公式(1)计算得到的病毒分布密度图，图中的虚线表示在采样时刻t时病毒分布密度图；随着时间推移，若病毒携带者不再向周围散发病毒，那么病毒分布密度就会出现衰减，如图2中的实线所示；若病毒携带者还是不断地向周围散发病毒，那么病毒分布密度就需要进行累加。
因此，在实际环境中，还要考虑到室内外病毒分布密度衰减情况不同，对于室外病毒分布密度不进行累加；对于室内，首先判断采样时刻t第i个病毒携带者所处的空间坐标P(i)t和采样时刻t+1第i个病毒携带者所处的空间坐标P(i)t+1之间的距离ΔD是否小于一个阈值TD，如果满足，就要考虑病毒密度的累加效应；即将采样时刻t+1第i个病毒携带者的残存病毒分布密度f(P(i)t+1,t(i)+Δt)与采样时刻t+1第i个病毒携带者的病毒分布密度f(P(i)t+1,t(i))进行累加；
对于所述的病毒携带者所处的环境是否在室内还是在室外，是根据所述的病毒携带者位置语义信息获取单元所得到的空间语义来实现的；
考虑到经历采样时间间隔Δt的病毒分布密度衰减，将经历采样时间间隔Δt 所残存在区域中的病毒分布密度用公式(2)进行衰减计算，
式中，P(i)t+1为采样时刻t+1第i个病毒携带者所处的空间坐标，t(i)为采样时刻t第i个病毒携带者在所处的空间坐标所经历的时间，σ为常数， f(P(i)t+1,t(i)+Δt)为采样时刻t+1第i个病毒携带者的残存病毒分布密度；
然后将上述数据进一步加工成用户ID、时刻、空间位置、病毒分布密度并按时间序列写入病毒分布时空数据库集，即DATASET2；
所属的病毒携带人群的时间、空间和病毒分布密度数据映射单元，用于将DATASET2中的数据映射到时态GIS上；
所述的时态GIS在传统GIS基础上增加时间维，把GIS由传统的空间、属性两要素拓展为空间、时间、属性三要素；时态GIS既可以描述和表达病毒场在空间中的分布和形状，也可以描述和表达其随时间的变化，进行时态分析；
所述的基于时态GIS的流行传染病病毒场云平台构建单元，面对全国各地每天产生的海量疫情数据的加工处理，就必须采用云计算的方式来实现；各地基层疾病防控中心工作人员通过所述的基于时态GIS的流行传染病病毒场云平台输入病毒携带者感染发病数据；然后通过所述的病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元，所述的病毒携带者位置语义信息获取单元，所述的病毒携带者为位置中心的病毒分布密度计算单元，所述的病毒携带人群的时间、空间和病毒分布密度数据映射单元进行云计算，最后自动生成基于时态GIS 的流行传染病病毒场。
病毒携带者在何时何地被病毒感染的概率计算，这里首先追溯病毒携带者出现病状的前7天，若追溯不到就继续追溯前14天，仍然追溯不到就继续追溯到前 24天；
这里将追溯时间范围值TBS(i)，计算以天为单位，分别规定如下： TBS(1)＝0～7，TBS(2)＝(7+Δt)～14，TBS(3)＝(14+Δt)～24，Δt为追溯采样时间；
这里首先阐述流行病的传染概率问题，易感个体在访问一个子空间时被传染的概率依赖于：该子空间内同时存在多少具备传染性的个体、每次接触持续多长时间、活动类型、具备传染性个体所属的传染性类别；
将具备完全传染性的个体和完全易感的个体之间发生在给定时间段t内接触发生传染事件的均值记为λ；为简单起见，假定每个具备传染性的个体都具有相同的传染性；对于随机出现的事件，在给定时间段t内出现的次数服从对于随机出现的事件，在给定时间段t内出现的次数服从泊松分布，参数为λt；
这里将病毒场区域范围值Di，计算以米为单位，分别规定如下：D1＜1高危区域，1≤D2＜2中危区域，2≤D3＜4低危区域，4≤D4较安全区域，如图6所示；
因此，在时间区间t内处在病毒场不同区域范围内，不发生被感染的概率为
至少发生一次感染的概率为
这些病毒场区域范围值Di针对不同传染病性类别可调；当一个具有传染性的个体A和易感个体D处在同一个子空间的不同区域空间之内一段特定时间TAD，传染发生的概率可以用公式(3)来表达，
如果用离散的方式来表达，可以采用公式(4)来进行计算，
式中，λ(Di)为传染性的个体和完全易感的个体之间发生采样时间间隔内处在某一病毒场区域范围值Di中接触发生传染事件的均值，
为j采样的时间内A传染给D的概率；
为了保护个人隐私和客观反映病毒通过空气传播的特性，这里将传染性的个体映射成相对应的病毒场；因此，追溯方法是检测该病毒携带者是否曾经进入到任何病毒场，然后根据其距离病毒场的不同距离用公式(5)计算被感染的概率
式中，k表示病毒场的序号，j为采样时间序号，λ(Di(k))为在某一个采样时间内病毒携带者进入某个病毒场k的病毒场区域范围值Di(k)中发生被感染事件的均值，
为j采样的时间间隔内病毒携带者进入某个病毒场k的某一病毒场区域范围值Di(k)中发生被感染事件的概率；
所述病毒携带者在某一追溯时间段内被病毒感染概率的计算单元，用于计算基于时态GIS的病毒分布密度图追溯每个病毒携带者在某一追溯时间段内被病毒感染的概率；
被病毒感染的概率是与进入病毒场区域的频次、与病毒场区域的相隔距离和滞留的时间相关的，公式(5)提供了某一采样时间内进入某个病毒场k的某一病毒场区域范围值Di(k)中发生被感染事件的概率，因此，还需要计算在某一追溯时间段内进入某个病毒场k的某一病毒场区域范围值Di(k)中发生被感染事件的概率；如公式(6)所示；
式中，
为追溯时间段TBS(i)内都不发生被感染的概率，
为追溯时间段TBS(i)内至少发生一次被感染的概率，
为j采样的时间间隔内病毒携带者进入某个病毒场k的某一区域范围值Di(k)中发生被感染事件的概率，k表示病毒场的序号，j为采样时间序号，λ(Di(k))为在某一个采样时间内病毒携带者进入某个病毒场k的某一区域范围值Di(k)中发生被感染事件的均值，n为追溯时间段TBS(i)开始采样时间，TBS(i)/Δt为追溯时间段TBS(i)内的采样总数，Δt为追溯采样时间。
所述病毒携带者被感染时间段和病毒场的筛选单元，用于确定被感染的感染地点和时间段的顺序；
首先，追溯TBS(1)这个期间被感染的病毒场，分别用公式(5)和(6)计算被感染的概率
和追溯时间段TBS(1)内至少发生一次被感染的概率
若
就确定该病毒场和时间段为第一感染地点和时间段；否则进一步追溯；
接着，进一步追溯TBS(2)期间被感染的病毒场，分别用公式(5)和(6)计算被感染的概率
和追溯时间段TBS(2)内至少发生一次被感染的概率
若
就确定TBS(2)期间追溯到的病毒场和时间段为第一感染地点和时间段，TBS(1)期间追溯到的病毒场和时间段为第二感染地点和时间段；否则再进一步追溯；
再进一步追溯TBS(3)期间被感染的病毒场，分别用公式(5)和(6)计算被感染的概率
和追溯时间段TBS(3)内至少发生一次被感染的概率
若
就确定TBS(3) 期间追溯到的病毒场和时间段为第一感染地点和时间段，TBS(2)期间追溯到的病毒场和时间段为第二感染地点和时间段；TBS(1)期间追溯到的病毒场和时间段为第三感染地点和时间段；否则再进一步追溯；
若经过上述追溯筛选处理仍然不能确认被感染的病毒场，作为悬而未决问题保留，有如下几种可能性：①出现了超长潜伏期的病毒携带者；②出现了无症状感染者；③由于什么原因系统没有收集到病毒携带者的信息。
所述的被感染的病毒携带者与产生其被感染的病毒场的病毒携带者关联单元，将追溯到的病毒场和时间段为第一感染地点和时间段与产生该病毒场的病毒携带者进行关联，若存在多个感染地点和时间段的情况，分别计算其对应的感染链；
对于找到所述的产生该病毒场的病毒携带者，首先是系统根据所述的第一感染地点和时间段的信息，然后访问系统平台数据库得到产生所述的第一感染地点的病毒携带者的信息，接着将被感染的病毒携带者与所述的第一感染地点的病毒携带者的信息进行关联，得到病毒第一感染链，以此类推；对于其他被感染的病毒携带者也同样以此类推进行追溯；直到所有的被感染的病毒携带者的追溯处理结束，最后得到所有被感染的病毒携带者与产生该病毒场的病毒携带者传染传播链，并以感染概率大小按顺序列出所有的感染途径。
下面用一个实际案例来说明，时间发生顺序如图5所示，某市某区域在21 日～29日相继出现5个病症，通过系统计算可以很快的锁定至少有两个病毒场，其中一个该市的某百货大楼，另外一个就出现在病患1的家中；然后，通过追溯的方法得到下面的推断，病患1是在1月21日～22日间某市的某百货大楼的病毒场中被感染的；病患5是在1月23日下午15点到18点与病患1被感染的同一病毒场内被感染的；病患2是在病患1的家中的病毒场被感染的；还需要进一步追溯病患3和病患4外地出差前后所接触到的病毒场情况。
本发明的最终目的是要让追溯传染源、信息上报、流动及发布速度跑赢病毒传播速度且信息的发布不会造成公众普遍的恐慌和不安，从而避免病毒在城市爆发以及在全国范围内蔓延。
本发明的实施方式同样适用于诸如禽流感、流感、SRAS等通过空气传播的流行病的防控。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于流行传染病病毒场追溯传染源的系统，其特征在于，所述系统包括依次连接的以空气为媒介的传播传染病城市扩散建模单元，病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元，病毒携带者位置语义信息获取单元，病毒携带者为位置中心的病毒分布密度计算单元，病毒携带人群的时间、空间和病毒分布密度数据映射单元，基于时态GIS的流行传染病病毒场云平台构建单元，病毒携带者在某时某地被病毒感染概率的计算单元，病毒携带者在某一追溯时间段内被病毒感染概率的计算单元，病毒携带者被感染时间段和病毒场的筛选单元和被感染的病毒携带者与产生该病毒场的病毒携带者关联单元。
2.如权利要求1所述的基于流行传染病病毒场追溯传染源的系统，其特征在于，所述的以空气为媒介的传播传染病城市扩散建模单元，用于对城市区域功能进行划分及空间位置映射，将城市中的每个空间位置功能语义化；
这里首先将城市的主城区分解为区域和区域中的子空间，所述的子空间的功能信息是通过所述的数字地图内容、导航和位置服务解决方案提供商这里获得的；从通信运营商获取基站位置区域识别号码和基站扇区位置标识号码，将所述的区域和所述的区域中的子空间进行映射；
所述的区域，是服务于不同目的的城市地块，将城市划分为农业区、办公区、住宅区、医院、学校、大学、休闲娱乐区不同类型；不考虑对传染病扩散基本无影响的区域，如农业区，将所述的区域映射为七种类型：住宅区、办公区、学校、大学、医院、休闲区和交通区；所述的交通区是一种特别的区域，由可移动的独立空间组成，比如火车车厢、地铁车厢和公共汽车；
所述的子空间，是属于所述区域的一个更小的空间单位，对应到现实生活中的一个个非移动的独立空间，所述非移动的独立空间是一个家庭、或者一个医院病房、或者一个办公室、或者一个休闲娱乐场所、或者一个教室、或者一块绿地；所述的子空间区分室外和室内；所述的子空间的类型由其所在区域的功能类型决定；人们在所述的子空间中进行相应类型的活动，比如居家、住院、工作、休闲娱乐和学习；参考实际数据在每个所述的区域中生成不同类型的所述的子空间，比如一个大学区域可由办公子空间、居住空间、教室子空间、休闲子空间；由此，这里将所述的子空间划分为以下六种类型：居所、办公室、教室、病房、休闲场所、交通子空间；这样每个子空间都具备了相应的语义信息。
3.如权利要求1所述的基于流行传染病病毒场追溯传染源的系统，其特征在于，所述的病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元；从疾控中心获得所述的病毒携带人群中每个个体的感染发病数据，即各病毒携带者的感染发病数据，包括手机号码及发病时间和被隔离时间，用该手机号码从通信运营商获得所属的病毒携带者从发病前1天和发病后直至被隔离前以时间间隔t的手机话务数据及其相关基站数据，所述的通信运营商如中国移动、中国联通和中国电信，所述的病毒携带者的手机话务数据包括用户触发话务的时间、用户通信业务类型和用户ID号；所述相关基站数据包括与所述手机话务数据相关的基站位置区域识别号码和基站扇区位置标识号码；然后将上述数据加工成用户ID、时刻、空间位置并按时间序列写入时空数据库集，即DATASET1。
4.如权利要求1所述的基于流行传染病病毒场追溯传染源的系统，其特征在于，所述的病毒携带者位置语义信息获取单元，根据所述的病毒携带者的空间位置访问所述的城市区域功能划分及空间位置映射单元，得到所述的病毒携带者的空间位置的语义信息。
5.如权利要求3所述的基于流行传染病病毒场追溯传染源的系统，其特征在于，所述病毒携带者为位置中心的病毒分布密度计算单元，根据所述的DATASET1中所述的用户ID、时刻、空间位置信息，分别计算每个所述用户ID的为位置中心的病毒分布密度，计算公式如下；
式中，P(i)t为采样时刻t第i个病毒携带者所处的空间坐标，t(i)为采样时刻t第i个病毒携带者在所处的空间坐标所经历的时间，σ为常数，f(P(i)t,t(i))为采样时刻t第i个病毒携带者的病毒分布密度；
进一步，还要考虑到室内外病毒分布密度衰减情况不同，对于室外病毒分布密度不进行累加；对于室内，首先判断采样时刻t第i个病毒携带者所处的空间坐标P(i)t和采样时刻t+1第i个病毒携带者所处的空间坐标P(i)t+1之间的距离ΔD是否小于一个阈值TD，如果满足，就要考虑病毒密度的累加效应；即将采样时刻t+1第i个病毒携带者的残存病毒分布密度f(P(i)t+1,t(i)+Δt)与采样时刻t+1第i个病毒携带者的病毒分布密度f(P(i)t+1,t(i))进行累加；
对于所述的病毒携带者所处的环境是否在室内还是在室外，是根据所述的病毒携带者位置语义信息获取单元所得到的空间语义来实现的；
考虑到经历采样时间间隔Δt的病毒分布密度衰减，将经历采样时间间隔Δt所残存在区域中的病毒分布密度用公式(2)进行衰减计算，
式中，P(i)t+1为采样时刻t+1第i个病毒携带者所处的空间坐标，t(i)为采样时刻t第i个病毒携带者在所处的空间坐标所经历的时间，σ为常数，f(P(i)t+1,t(i)+Δt)为采样时刻t+1第i个病毒携带者的残存病毒分布密度；
然后将上述数据进一步加工成用户ID、时刻、空间位置、病毒分布密度并按时间序列写入病毒分布时空数据库集，即DATASET2。
6.如权利要求1～5之一所述的基于流行传染病病毒场追溯传染源的系统，其特征在于，所述病毒携带人群的时间、空间和病毒分布密度数据映射单元，用于将DATASET2中的数据映射到时态GIS上。
7.如权利要求1～5之一所述的基于流行传染病病毒场追溯传染源的系统，其特征在于，所述的时态GIS在传统GIS基础上增加时间维，把GIS由传统的空间、属性两要素拓展为空间、时间、属性三要素；时态GIS既可以描述和表达病毒场在空间中的分布和形状，也可以描述和表达其随时间的变化，进行时态分析。
8.如权利要求1～5之一所述的基于流行传染病病毒场追溯传染源的系统，其特征在于，所述的基于时态GIS的流行传染病病毒场云平台构建单元，面对全国各地每天产生的海量疫情数据的加工处理，就必须采用云计算的方式来实现；各地基层疾病防控中心工作人员通过所述的基于时态GIS的流行传染病病毒场云平台输入病毒携带者感染发病数据；然后通过所述的病毒携带人群的时空轨迹数据和感染发病数据的收集、清洗与加工单元，所述的病毒携带者位置语义信息获取单元，所述的病毒携带者为位置中心的病毒分布密度计算单元，所述的病毒携带人群的时间、空间和病毒分布密度数据映射单元进行云计算，最后自动生成基于时态GIS的流行传染病病毒场。
9.如权利要求1～5之一所述的基于流行传染病病毒场追溯传染源的系统，其特征在于，所述病毒携带者在某时某地被病毒感染概率的计算单元，用于计算基于时态GIS的病毒分布密度图追溯每个病毒携带者在何时何地被病毒感染的概率；
病毒携带者在何时何地被病毒感染的概率计算，这里首先追溯病毒携带者出现病状的前7天，若追溯不到就继续追溯前14天，仍然追溯不到就继续追溯到前24天；
这里将追溯时间范围值TBS(i)，计算以天为单位，分别规定如下：TBS(1)＝0～7，TBS(2)＝(7+Δt)～14，TBS(3)＝(14+Δt)～24，Δt为追溯采样时间；
这里首先阐述流行病的传染概率问题，易感个体在访问一个子空间时被传染的概率依赖于：该子空间内同时存在多少具备传染性的个体、每次接触持续多长时间、活动类型、具备传染性个体所属的传染性类别；
将具备完全传染性的个体和完全易感的个体之间发生在给定时间段t内接触发生传染事件的均值记为λ；为简单起见，假定每个具备传染性的个体都具有相同的传染性；对于随机出现的事件，在给定时间段t内出现的次数服从对于随机出现的事件，在给定时间段t内出现的次数服从泊松分布，参数为λt；
这里将病毒场区域范围值Di，计算以米为单位，分别规定如下：D1＜1高危区域，1≤D2＜2中危区域，2≤D3＜4低危区域，4≤D4较安全区域；
因此，在时间区间t内处在病毒场不同区域范围内，不发生被感染的概率为
至少发生一次感染的概率为
这些病毒场区域范围值Di针对不同传染病性类别可调；当一个具有传染性的个体A和易感个体D处在同一个子空间的不同区域空间之内一段特定时间TAD，传染发生的概率可以用公式(3)来表达，
如果用离散的方式来表达，可以采用公式(4)来进行计算，
式中，λ(Di)为传染性的个体和完全易感的个体之间发生采样时间间隔内处在某一病毒场区域范围值Di中接触发生传染事件的均值，
为j采样的时间内A传染给D的概率；
为了保护个人隐私和客观反映病毒通过空气传播的特性，这里将传染性的个体映射成相对应的病毒场；因此，追溯方法是检测该病毒携带者是否曾经进入到任何病毒场，然后根据其距离病毒场的不同距离用公式(5)计算被感染的概率
式中，k表示病毒场的序号，j为采样时间序号，λ(Di(k))为在某一个采样时间内病毒携带者进入某个病毒场k的病毒场区域范围值Di(k)中发生被感染事件的均值，
为j采样的时间间隔内病毒携带者进入某个病毒场k的某一病毒场区域范围值Di(k)中发生被感染事件的概率。
10.如权利要求9所述的基于流行传染病病毒场追溯传染源的系统，其特征在于，所述病毒携带者在某一追溯时间段内被病毒感染概率的计算单元，用于计算基于时态GIS的病毒分布密度图追溯每个病毒携带者在某一追溯时间段内被病毒感染的概率；
被病毒感染的概率是与进入病毒场区域的频次、与病毒场区域的相隔距离和滞留的时间相关的，公式(5)提供了某一采样时间内进入某个病毒场k的某一病毒场区域范围值Di(k)中发生被感染事件的概率，因此，还需要计算在某一追溯时间段内进入某个病毒场k的某一病毒场区域范围值Di(k)中发生被感染事件的概率；如公式(6)所示；
式中，
为追溯时间段TBS(i)内都不发生被感染的概率，
为追溯时间段TBS(i)内至少发生一次被感染的概率，
为j采样的时间间隔内病毒携带者进入某个病毒场k的某一区域范围值Di(k)中发生被感染事件的概率，k表示病毒场的序号，j为采样时间序号，λ(Di(k))为在某一个采样时间内病毒携带者进入某个病毒场k的某一区域范围值Di(k)中发生被感染事件的均值，n为追溯时间段TBS(i)开始采样时间，TBS(i)/Δt为追溯时间段TBS(i)内的采样总数，Δt为追溯采样时间；
所述病毒携带者被感染时间段和病毒场的筛选单元，用于确定被感染的感染地点和时间段的顺序；
首先，追溯TBS(1)这个期间被感染的病毒场，分别用公式(5)和(6)计算被感染的概率
和追溯时间段TBS(1)内至少发生一次被感染的概率
若
就确定该病毒场和时间段为第一感染地点和时间段；否则进一步追溯；
接着，进一步追溯TBS(2)期间被感染的病毒场，分别用公式(5)和(6)计算被感染的概率
和追溯时间段TBS(2)内至少发生一次被感染的概率
若
就确定TBS(2)期间追溯到的病毒场和时间段为第一感染地点和时间段，TBS(1)期间追溯到的病毒场和时间段为第二感染地点和时间段；否则再进一步追溯；
再进一步追溯TBS(3)期间被感染的病毒场，分别用公式(5)和(6)计算被感染的概率
和追溯时间段TBS(3)内至少发生一次被感染的概率
若
就确定TBS(3)期间追溯到的病毒场和时间段为第一感染地点和时间段，TBS(2)期间追溯到的病毒场和时间段为第二感染地点和时间段；TBS(1)期间追溯到的病毒场和时间段为第三感染地点和时间段；否则再进一步追溯；
若经过上述追溯筛选处理仍然不能确认被感染的病毒场，作为悬而未决问题保留，有如下几种可能性：①出现了超长潜伏期的病毒携带者；②出现了无症状感染者；③由于什么原因系统没有收集到病毒携带者的信息；
所述的被感染的病毒携带者与产生其被感染的病毒场的病毒携带者关联单元，将追溯到的病毒场和时间段为第一感染地点和时间段与产生该病毒场的病毒携带者进行关联，若存在多个感染地点和时间段的情况，分别计算其对应的感染链；
对于找到所述的产生该病毒场的病毒携带者，首先是系统根据所述的第一感染地点和时间段的信息，然后访问系统平台数据库得到产生所述的第一感染地点的病毒携带者的信息，接着将被感染的病毒携带者与所述的第一感染地点的病毒携带者的信息进行关联，得到病毒第一感染链，以此类推；对于其他被感染的病毒携带者也同样以此类推进行追溯；直到所有的被感染的病毒携带者的追溯处理结束，最后得到所有被感染的病毒携带者与产生该病毒场的病毒携带者传染传播链，并以感染概率大小按顺序列出所有的感染途径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010120318.9A CN111446000B (zh) | 2020-02-26 | 2020-02-26 | 基于流行传染病病毒场追溯传染源的系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010120318.9A CN111446000B (zh) | 2020-02-26 | 2020-02-26 | 基于流行传染病病毒场追溯传染源的系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111446000A true CN111446000A (zh) | 2020-07-24 |
| CN111446000B CN111446000B (zh) | 2023-12-22 |
Family
ID=71652766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010120318.9A Active CN111446000B (zh) | 2020-02-26 | 2020-02-26 | 基于流行传染病病毒场追溯传染源的系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111446000B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111816325A (zh) * | 2020-09-11 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 一种传染病的数据获取方法、设备、服务器及存储介质 |
| CN113611430A (zh) * | 2021-07-28 | 2021-11-05 | 广东省科学院智能制造研究所 | 一种基于贝叶斯神经网络的疫情预测方法及装置 |
| CN113889284A (zh) * | 2021-09-16 | 2022-01-04 | 同济大学 | 一种基于公共交通知识图谱的传染病接触目标追踪方法 |
| CN114171148A (zh) * | 2021-12-08 | 2022-03-11 | 杭州杏林信息科技有限公司 | 聚集性传染路线监测方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012081006A1 (en) * | 2010-12-15 | 2012-06-21 | Michal Lev | System and method for analyzing and controlling epidemics |
| CN105740615A (zh) * | 2016-01-28 | 2016-07-06 | 中山大学 | 利用手机轨迹追踪传染源和预测传染病流行趋势的方法 |
| CN107256327A (zh) * | 2017-05-05 | 2017-10-17 | 中国科学院深圳先进技术研究院 | 一种传染病防控方法及系统 |
| CN109360660A (zh) * | 2018-10-31 | 2019-02-19 | 河南省疾病预防控制中心 | 一种疾控与出行信息互联的防控方法及防控系统 |
-
2020
- 2020-02-26 CN CN202010120318.9A patent/CN111446000B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012081006A1 (en) * | 2010-12-15 | 2012-06-21 | Michal Lev | System and method for analyzing and controlling epidemics |
| CN105740615A (zh) * | 2016-01-28 | 2016-07-06 | 中山大学 | 利用手机轨迹追踪传染源和预测传染病流行趋势的方法 |
| CN107256327A (zh) * | 2017-05-05 | 2017-10-17 | 中国科学院深圳先进技术研究院 | 一种传染病防控方法及系统 |
| CN109360660A (zh) * | 2018-10-31 | 2019-02-19 | 河南省疾病预防控制中心 | 一种疾控与出行信息互联的防控方法及防控系统 |
Non-Patent Citations (1)
| Title |
|---|
| 梅珊 等: "空气传播传染病城市扩散建模" * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111816325A (zh) * | 2020-09-11 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 一种传染病的数据获取方法、设备、服务器及存储介质 |
| CN113611430A (zh) * | 2021-07-28 | 2021-11-05 | 广东省科学院智能制造研究所 | 一种基于贝叶斯神经网络的疫情预测方法及装置 |
| CN113889284A (zh) * | 2021-09-16 | 2022-01-04 | 同济大学 | 一种基于公共交通知识图谱的传染病接触目标追踪方法 |
| CN114171148A (zh) * | 2021-12-08 | 2022-03-11 | 杭州杏林信息科技有限公司 | 聚集性传染路线监测方法、装置、设备及存储介质 |
| CN114171148B (zh) * | 2021-12-08 | 2023-10-31 | 杭州杏林信息科技有限公司 | 聚集性传染路线监测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111446000B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111261302B (zh) | 基于时空轨迹数据的流行传染病病毒场可视化方法及系统 | |
| CN111383771B (zh) | 基于流行传染病病毒场的防控系统 | |
| CN111446000A (zh) | 基于流行传染病病毒场追溯传染源的系统 | |
| Pan et al. | Spatial distributive effects of public green space and COVID-19 infection in London | |
| Klompmaker et al. | County-level exposures to greenness and associations with COVID-19 incidence and mortality in the United States | |
| CN109636172B (zh) | 基于风险场的区域环境风险评价与区划方法 | |
| Hirschfield et al. | Mapping and analysing crime data: Lessons from research and practice | |
| Song et al. | Crowd evacuation simulation for bioterrorism in micro-spatial environments based on virtual geographic environments | |
| Gu et al. | Epidemic risk assessment by a novel communication station based method | |
| 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 | |
| Chiba | The effectiveness of mobility control, shortening of restaurants’ opening hours, and working from home on control of COVID-19 spread in Japan | |
| Tang et al. | Transmission in home environment associated with the second wave of COVID-19 pandemic in India | |
| Zhou et al. | Risk assessment for precise intervention of COVID-19 epidemic based on available big data and spatio-temporal simulation method: Empirical evidence from different public places in Guangzhou, China | |
| Jiang et al. | Green spaces, especially nearby forest, may reduce the SARS-CoV-2 infection rate: A nationwide study in the United States | |
| Isinkaralar | Spatio-temporal patterns of climate parameter changes in Western Mediterranean basin of Türkiye and implications for urban planning | |
| Astari et al. | The Role of Geographic Information Science in Achieving Sustainable Development Goals (SDGs) During The Covid-19 Pandemic | |
| Kuo et al. | Regionalization for infection control: An algorithm for delineating containment zones considering the regularity of human mobility | |
| Ceccato | Integrating geographical information into urban safety research and planning | |
| Shahzamal et al. | Airborne disease propagation on large scale social contact networks | |
| Samany et al. | The most places at risk surrounding the COVID-19 treatment hospitals in an urban environment-case study: Tehran city | |
| CN109359785A (zh) | 基于大数据的强制隔离戒毒解除人员复吸预测分析系统 | |
| Roman | Schools, neighborhoods, and violence: Crime within the daily routines of youth | |
| Wei et al. | The impact of meteorological factors on COVID‐19 of California and its lag effect | |
| CN108520337A (zh) | 一种基于网络风险熵差的谣言风险评估方法 | |
| Callejas et al. | COVID-19 transmission during a tsunami evacuation in a lockdown city |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |