CN111477340A - 传染病接触情况检测方法、装置、设备及可读存储介质 - Google Patents
传染病接触情况检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111477340A CN111477340A CN202010286770.2A CN202010286770A CN111477340A CN 111477340 A CN111477340 A CN 111477340A CN 202010286770 A CN202010286770 A CN 202010286770A CN 111477340 A CN111477340 A CN 111477340A
- Authority
- CN
- China
- Prior art keywords
- user
- infectious disease
- information
- track
- detected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种传染病接触情况检测方法、装置、设备及可读存储介质。所述方法包括以下步骤：从所述第一设备本地获取待检测用户的第一时空轨迹信息，而后将第一时空轨迹信息输入到传染病接触检测模型，得到所述待检测用户与传染病确诊用户的第一轨迹重合度，接下来接收多个所述第二设备分别发送的所述待检测用户与传染病确诊用户的第二轨迹重合度，最后基于所述第一轨迹重合度和多个所述第二轨迹重合度，确定所述待检测用户与传染病确诊用户的接触情况。本发明利用传染病接触检测模型实现对传染病接触者的检测，无需确诊病例用户上传任何数据，避免为确诊病例增加额外负担，且在保护用户的隐私的前提下，实现快速检测传染病的密切接触者。
Description
技术领域
本发明涉及金融科技领域，尤其涉及一种传染病接触情况检测方法、装置、设备及可读存储介质。
背景技术
传染性疾病是严重威胁人民群众健康和公共卫生的重要疾病，对于潜伏期较长的传染疫情，很多传染病的确诊病例在确诊之前并没有明显的症状，并未得到及时的隔离，在潜伏期会无形的传染很多人。随着疫情的爆发，大家都比较关心自己是否与确诊病例有过近距离接触，例如，是否与确诊、疑似病人同乘一个航班，一列火车，一辆大巴，同处过一个菜市场、商场、饭店等。
目前通常需要将待排查用户的活动轨迹与确诊用户的时空轨迹数据进行比对，然后根据比对结果确认用户是否为传染病接触者。这种比对方式存在如下问题：1)、需要上传手机用户的活动轨迹数据，存在泄露用户隐私的风险；2)、需要确诊病例用户接收离散处理的轨迹数据，并根据本地的GPS定位数据与离散处理的轨迹数据重合情况，上传轨迹点，会增加确诊病例用户的额外负担。
发明内容
本发明的主要目的在于提供一种传染病接触情况检测方法、装置、设备及可读存储介质，旨在解决现有传染病接触者的检测过程中，存在泄露用户的隐私，且用户端需要进行轨迹数据比对及上传数据等操作，从而增加用户端负担的技术问题。
为实现上述目的，本发明提供一种传染病接触情况检测方法，所述传染病接触情况检测方法，应用于第一设备，包括：
从所述第一设备本地获取待检测用户的第一时空轨迹信息；
将所述第一时空轨迹信息输入到传染病接触检测模型，得到所述待检测用户与传染病确诊用户的第一轨迹重合度，所述预设传染病接触检测模型是由所述第一设备和多个第二设备分别基于本地时空轨迹信息和用户身份信息进行多方纵向联邦训练得到；
接收多个所述第二设备分别发送的所述待检测用户与传染病确诊用户的第二轨迹重合度，所述第二轨迹重合度由所述第二设备将待检测用户的第二时空轨迹信息输入到传染病接触检测模型得到的；
基于所述第一轨迹重合度和多个所述第二轨迹重合度，确定所述待检测用户与传染病确诊用户的接触情况。
进一步地，所述接触情况包括接触程度，所述基于所述第一轨迹重合度和多个所述第二轨迹重合度，确定所述待检测用户与传染病确诊用户的接触情况，确定所述待检测用户与传染病确诊用户的接触程度的步骤，包括：
对所述第一轨迹重合度和多个所述第二轨迹重合度进行预设聚合运算；
根据聚合后的轨迹重合度所处阈值区间，确定所述待检测用户与传染病确诊用户的接触程度。
进一步地，所述对所述第一轨迹重合度和多个所述第二轨迹重合度进行预设聚合运算，包括：
获取所述第一设备的第一权重值和多个所述第二设备的第二权重值；
基于所述第一权重值和所述第二权重值分别对所述第一轨迹重合度和多个所述第二轨迹重合度进行加权平均，将加权平均后的重合度确定为所述聚合后的轨迹重合度。
进一步地，所述将所述第一时空轨迹信息输入到传染病接触检测模型，得到所述待检测用户与传染病确诊用户的第一轨迹重合度包括：
将所述第一时空轨迹信息输入到传染病接触检测模型，得到所述待检测用户与传染病确诊用户的第一轨迹重合度和第一重合轨迹点；
所述接收多个所述第二设备分别发送的所述待检测用户与传染病确诊用户的第二轨迹重合度的步骤，包括：
接收多个所述第二设备分别发送的所述待检测用户与传染病确诊用户的第二轨迹重合度和第二重合轨迹点；
所述基于所述第一轨迹重合度和多个所述第二轨迹重合度，确定所述待检测用户与传染病确诊用户的接触情况的步骤，包括：
若基于所述第一轨迹重合度和多个所述第二轨迹重合度，确定所述待检测用户是传染病密切接触者，则输出疫情风险告警信息、所述第一重合轨迹点和多个所述第二重合轨迹点。
进一步地，所述从所述第一设备本地获取待检测用户的第一时空轨迹信息的步骤之前，所述方法包括：
接收传染病接触情况检测请求，所述传染病接触情况检测请求携带有待检测用户的用户身份信息；
将所述传染病接触情况检测请求转发给多个所述第二设备，以供多个所述第二设备基于所述待检测用户的用户身份信息分别从本地提取待检测用户的第二时空轨迹信息；
所述从所述第一设备本地获取待检测用户的第一时空轨迹信息的步骤，包括：
基于所述待检测用户的用户身份信息从所述第一设备本地获取待检测用户的第一时空轨迹信息。
进一步地，所述从所述第一设备本地获取待检测用户的第一时空轨迹信息的步骤之前，所述方法还包括：
与多个所述第二设备进行加密样本对齐，以获取交集用户身份信息，并基于所述交集用户身份信息确定传染病确诊用户的第三时空轨迹信息；
基于第一样本数据和第一本地模型，得到第一中间结果，所述第一样本数据包括所述第三时空轨迹信息和所述第一设备本地的第一样本时空轨迹信息集；
基于预设可交换加密算法与多个所述第二终端对所述第一中间结果和多个第二中间结果进行加密梯度处理，得到多个第一加密梯度信息，且以供多个所述第二终端得到第二加密梯度信息，并根据所述第二加密梯度信息更新所述第二本地模型；所述第二中间结果是多个所述第二终端分别基于所述交集用户身份信息确定的第二样本数据和第二本地模型得到的，所述第二样本数据包括基于所述交集用户身份信息确定的、传染病确诊用户的第四时空轨迹信息和所述第二设备本地的第二样本时空轨迹信息集；
基于多个所述第一加密梯度信息更新所述第一本地模型，并基于更新后的第一本地模型和更新后的多个第二本地模型进行纵向联邦迭代训练；
若基于更新后的多个第一加密梯度信息和更新后的多个第二加密梯度信息确定的联合梯度范数小于或者等于预设阈值，则获得收敛的第一本地模型，并将所述收敛的第一本地模型确定为所述传染病接触检测模型，其中，所述第二设备获得收敛的第二本地模型，并将所述收敛的第二本地模型确定为所述传染病接触检测模型。
进一步地，所述若基于更新后的多个第一加密梯度信息和更新后的多个第二加密梯度信息确定的联合梯度范数小于或者等于预设阈值，则获得收敛的第一本地模型的步骤，包括：
接收多个所述第二设备发送的所述更新后的多个第二加密梯度信息；
在所述第一设备本地基于所述更新后的多个第一加密梯度信息和所述更新后的多个第二加密梯度信息计算所述联合梯度范数，若所述联合梯度范数小于或者等于预设阈值，则获得收敛的第一本地模型，并向多个所述第二设备发送模型收敛通知信息，多个所述第二设备基于所述模型收敛通知信息，获得收敛的第二本地模型；或者；
将所述更新后的多个第一加密梯度信息发送给协调者，以供所述协调者根据所述更新后的多个第一加密梯度信息和多个所述第二终端发送的所述更新后的多个第二加密梯度信息，计算所述联合梯度范数，并在所述联合梯度范数小于或者等于预设阈值时，向所述第一设备和多个所述第二设备发送模型收敛通知信息，其中，多个所述第二设备基于所述模型收敛通知信息，获得收敛的第二本地模型；
根据所述协调者发送的所述模型收敛通知信息，获得收敛的第一本地模型；或者；
将所述更新后的多个第一加密梯度信息发送给多个所述第二设备的任一目标设备，以供所述目标设备根据所述更新后的多个第一加密梯度信息和多个所述第二终端发送的所述更新后的多个第二加密梯度信息，计算所述联合梯度范数，并在所述联合梯度范数小于或者等于预设阈值时，获得收敛的第二本地模型，并向所述第一设备和其他第二设备发送模型收敛通知信息，其中，其他第二设备基于所述模型收敛通知信息，获得收敛的第二本地模型；
根据所述目标设备发送的所述模型收敛通知信息，获得收敛的第一本地模型。
进一步地，所述基于预设可交换加密算法分别与多个所述第二终端对所述第一中间结果和多个第二中间结果进行加密梯度处理，得到多个第一加密梯度信息，且以供多个所述第二终端得到第二加密梯度信息，包括：
根据多个所述第二设备发送的加密的第二中间结果和所述第一本地模型的第一加密残差值，计算多个所述第一加密梯度信息；所述加密的第二中间结果为所述第二终端基于预设可交换同态加密算法对所述第二中间结果进行加密处理得到；
基于预设可交换同态加密算法对所述第一中间结果进行加密处理，得到加密的第一中间结果，并将所述加密的第一中间结果发送给多个所述第二设备，以供多个所述第二设备根据所述加密的第一中间结果和所述第二本地模型的第二加密残差值，计算得到所述第二梯度信息。
进一步地，所述传染病接触情况检测装置包括：
获取模块，用于从所述第一设备本地获取待检测用户的第一时空轨迹信息；
第一计算模块，用于将所述第一时空轨迹信息输入到传染病接触检测模型，得到所述待检测用户与传染病确诊用户的第一轨迹重合度，所述预设传染病接触检测模型是由所述第一设备和多个第二设备分别基于本地时空轨迹信息和用户身份信息进行多方纵向联邦训练得到；
第二计算模块，用于接收多个所述第二设备分别发送的所述待检测用户与传染病确诊用户的第二轨迹重合度，所述第二轨迹重合度由所述第二设备将待检测用户的第二时空轨迹信息输入到传染病接触检测模型得到的；
确定模块，用于基于所述第一轨迹重合度和多个所述第二轨迹重合度，确定所述待检测用户与传染病确诊用户的接触情况。
为实现上述目的，本发明还提供一种设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的传染病接触情况检测程序，所述传染病接触情况检测程序被所述处理器执行时实现如上所述的传染病接触情况检测方法的步骤。
此外，为实现上述目的，本发明还提供一种可读存储介质，所述可读存储介质上存储有传染病接触情况检测程序，所述传染病接触情况检测程序被处理器执行时实现上述任一项所述传染病接触情况检测方法的步骤。
本发明从所述第一设备本地获取待检测用户的第一时空轨迹信息，而后将所述第一时空轨迹信息输入到传染病接触检测模型，得到所述待检测用户与传染病确诊用户的第一轨迹重合度，所述预设传染病接触检测模型是由所述第一设备和多个第二设备分别基于本地时空轨迹信息和用户身份信息进行多方纵向联邦训练得到，接下来接收多个所述第二设备分别发送的所述待检测用户与传染病确诊用户的第二轨迹重合度，所述第二轨迹重合度由所述第二设备将待检测用户的第二时空轨迹信息输入到传染病接触检测模型得到的，最后基于所述第一轨迹重合度和多个所述第二轨迹重合度，确定所述待检测用户与传染病确诊用户的接触情况。利用第一设备和第二设备的联合训练的传染病接触检测模型实现对传染病接触者的检测，能够保护用户的隐私，且无需确诊病例用户上传任何数据，避免为确诊病例增加额外负担。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的结构示意图；
图2为本发明传染病接触情况检测方法第一实施例的流程示意图；
图3为本发明传染病接触情况检测方法第二实施例的流程示意图；
图4为本发明传染病接触情况检测装置实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境中设备的结构示意图。
如图1所示，该设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及传染病接触情况检测程序和传染病接触情况检测程序。
在图1所示的设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接用户端，与用户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的传染病接触情况检测程序和传染病接触情况检测程序。
在本实施例中，设备包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的传染病接触情况检测程序，其中，处理器1001调用存储器1005中存储的传染病接触情况检测程序和传染病接触情况检测程序时，执行本申请各个实施例提供的传染病接触情况检测方法的步骤。
本发明还提供一种传染病接触情况检测方法，参照图2，图2为本发明传染病接触情况检测方法第一实施例的流程示意图。
本发明实施例提供了传染病接触情况检测方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明传染病接触情况检测方法第一实施例，应用于第一设备，在本实施例中，传染病接触情况检测方法包括：
步骤S10，从所述第一设备本地获取待检测用户的第一时空轨迹信息；
在本实施例中，第一设备可以为医院、疾病控制中心等，具有各种标签的用户数据，如确诊用户的数据，疑似用户的数据，第二设备可以为各种带定位功能的应用平台，如微信、微博、美团，百度地图、高德地图；可以为运营商，运营商不仅通过用户手机卡所在地确定用户地址，也可以根据5G基站的连接情况，确定用户的地址或者，也可以为运营商交通运输部、中国国家铁路集团等。
具体地，当需要对待检测用户进行传染病接触情况检测时，首先在第一设备本地获取待检测用户的第一时空轨迹信息。
步骤S20，将所述第一时空轨迹信息输入到传染病接触检测模型，得到所述待检测用户与传染病确诊用户的第一轨迹重合度，所述预设传染病接触检测模型是由所述第一设备和多个第二设备分别基于本地时空轨迹信息和用户身份信息进行多方纵向联邦训练得到；
在本实施例中，轨迹重合度表示待检测用户与传染病确诊用户的时空轨迹的交集部分在待检测用户的时空轨迹中所占的比例。利用传染病接触检测模型，根据第一时空轨迹信息可以获得待检测用户与传染病确诊用户的第一轨迹重合度。其中，预设传染病接触检测模型是由第一设备和多个第二设备分别基于各自的本地时空轨迹信息和用户身份信息进行多方纵向联邦训练得到。将第一时空轨迹信息输入到传染病接触检测模型，得到待检测用户与传染病确诊用户的第一轨迹重合度。
步骤S30，接收多个所述第二设备分别发送的所述待检测用户与传染病确诊用户的第二轨迹重合度，所述第二轨迹重合度由所述第二设备将待检测用户的第二时空轨迹信息输入到传染病接触检测模型得到的；
在本实施例中，第一设备将待检测用户的用户信息发送至各个第二设备，各个第二设备根据待检测用户的用户身份信息分别从本地提取待检测用户的第二时空轨迹信息，然后将待检测用户的第二时空轨迹信息输入到传染病接触检测模型得到的第二轨迹重合度，而后第一设备接收各个第二设备反馈的待检测用户与传染病确诊用户的第二轨迹重合度。
步骤S40，基于所述第一轨迹重合度和多个所述第二轨迹重合度，确定所述待检测用户与传染病确诊用户的接触情况。
步骤S41，对所述第一轨迹重合度和多个所述第二轨迹重合度进行预设聚合运算；
具体地，步骤S41包括：
步骤a，获取所述第一设备的第一权重值和多个所述第二设备的第二权重值；
步骤b，基于所述第一权重值和所述第二权重值分别对所述第一轨迹重合度和多个所述第二轨迹重合度进行加权平均，将加权平均后的重合度确定为所述聚合后的轨迹重合度。
在本实施例中，根据实际情况为每个第二设备设定一个权重值，当第一设备收到所有第二设备反馈的第二轨迹重合度后，根据第一轨迹重合度和多个所述第二轨迹重合度，计算得到聚合后的轨迹重合度。
具体地，首先获取所有第二设备各自的第二权重值，以及第一设备的第一权重值，需要说明的是，加权求和中的权重值根据具体情况确定，在本发明中不做限定。然后，将各个权重值与其对应的轨迹重合度进行相乘，再将各个乘积进行相加，得到加权平均后的轨迹重合度，该加权平均后的重合度即为聚合后的轨迹重合度。
步骤S42，根据聚合后的轨迹重合度所处阈值区间，确定所述待检测用户与传染病确诊用户的接触程度。
在本实施例中，根据聚合后的轨迹重合度所处阈值区间，就可以确定该待检测用户与传染病确诊用户的接触程度。一般情况下，接触程度可以包括传染病密切接触者、非传染病轻度接触者、以及非传染病密切接触者。例如，设置第一阈值区间、第二阈值区间以及第三阈值区间依次表示轨迹重合度越来越小，则若聚合后的轨迹重合度处于第一阈值区间，则确定该待检测用户为传染病密切接触者；若聚合后的轨迹重合度处于第二阈值区间，则确定该待检测用户是传染病轻度接触者；若聚合后的轨迹重合度处于第三阈值区间，则确定该待检测用户是非传染病密切接触者。
进一步，在一实施例中，步骤S20包括：
步骤S21，将所述第一时空轨迹信息输入到传染病接触检测模型，得到所述待检测用户与传染病确诊用户的第一轨迹重合度和第一重合轨迹点。
所述步骤S30包括：
步骤S31，接收多个所述第二设备分别发送的所述待检测用户与传染病确诊用户的第二轨迹重合度和第二重合轨迹点；
所述步骤S40包括：
步骤S41，若基于所述第一轨迹重合度和多个所述第二轨迹重合度，确定所述待检测用户是传染病密切接触者，则输出疫情风险告警信息、所述第一重合轨迹点和多个所述第二重合轨迹点。
在本实施例中，传染病接触检测模型可以根据待检测用户对应的第一时空轨迹信息，得到该待检测用户与传染病确诊用户的第一轨迹重合度和第一重合轨迹点，需要说明的是，如果待检测用户的第一时空轨迹信息不存在与传染病确诊用户的轨迹重合，则第一重合轨迹点为空。同时，多个第二设备根据传染病接触检测模型，得到待检测用户与传染病确诊用户的第二轨迹重合度和第二重合轨迹点，同理，如果待检测用户不存在与传染病确诊用户的轨迹重合，则第二重合轨迹点为空。
当根据第一轨迹重合度和多个第二轨迹重合度确定该待检测用户是传染病密切接触者时，输出疫情风险告警信息、第一重合轨迹点和多个第二重合轨迹点。该情况下，需要立即通知第一设备的相关人员对该待检测用户采取隔离或治疗等措施，控制病情发展，同时对该待检测用户与传染病确诊用户轨迹重合的轨迹点进行进一步排查，例如排查还有哪些用户到过这些重合的轨迹点，确定潜在的疑似病例用户，并向相应的用户进行预警。还可以进一步根据各个传染病密切接触者识别得到的重合轨迹点，整合得到传染病确诊用户的时空轨迹集合，用于传染病接触检测模型的更新训练。
进一步，在一实施例中，步骤S10之前包括：
步骤S50，接收传染病接触情况检测请求，所述传染病接触情况检测请求携带有待检测用户的用户身份信息；
步骤S60，将所述传染病接触情况检测请求转发给多个所述第二设备，以供多个所述第二设备基于所述待检测用户的用户身份信息分别从本地提取待检测用户的第二时空轨迹信息；
所述步骤S10包括：基于所述待检测用户的用户身份信息从所述第一设备本地获取待检测用户的第一时空轨迹信息。
在本实施例中，第一设备接收到传染病接触情况检测请求，该传染病接触情况检测请求包括待检测用户的用户身份信息，其中，该传染病接触情况检测请求，可以为用户通过输入框输入的身份信息触发的，可以为通过身份识别部件触发的，如可以通过人脸识别，指纹验证或二维码扫描。
进一步，根据该待检测用户的用户身份信息从第一设备本地获取待检测用户的第一时空轨迹信息，进而将第一时空轨迹信息输入到传染病接触检测模型，得到该待检测用户与传染病确诊用户的第一轨迹重合度。第一设备接收到传染病接触情况检测请求后，同时将传染病接触情况检测请求转发给多个所述第二设备，以供多个第二设备根据待检测用户的用户身份信息分别从本地提取待检测用户的第二时空轨迹信息，然后第二设备反馈待检测用户与传染病确诊用户的第二轨迹重合度至第一设备。进一步，根据第一轨迹重合度和多个所述第二轨迹重合度，确定该待检测用户与传染病确诊用户的接触情况。具体过程如前步骤S40所述，这里不再赘述。
本实施例提出本发明传染病接触情况检测方法，从所述第一设备本地获取待检测用户的第一时空轨迹信息，而后将所述第一时空轨迹信息输入到传染病接触检测模型，得到所述待检测用户与传染病确诊用户的第一轨迹重合度，所述预设传染病接触检测模型是由所述第一设备和多个第二设备分别基于本地时空轨迹信息和用户身份信息进行多方纵向联邦训练得到，接下来接收多个所述第二设备分别发送的所述待检测用户与传染病确诊用户的第二轨迹重合度，所述第二轨迹重合度由所述第二设备将待检测用户的第二时空轨迹信息输入到传染病接触检测模型得到的，最后基于所述第一轨迹重合度和多个所述第二轨迹重合度，确定所述待检测用户与传染病确诊用户的接触情况。利用传染病接触检测模型实现对传染病接触者的检测，无需确诊病例用户上传任何数据，避免为确诊病例增加额外负担，且在保护用户的隐私的前提下，实现快速检测传染病的密切接触者。
基于第一实施例，参照图3，提出本发明传染病接触情况检测方法的第二实施例，在本实施例中，步骤S10之前，包括：
步骤S70，与多个所述第二设备进行加密样本对齐，以获取交集用户身份信息，并基于所述交集用户身份信息确定传染病确诊用户的第三时空轨迹信息；
步骤S80，基于第一样本数据和第一本地模型，得到第一中间结果，所述第一样本数据包括所述第三时空轨迹信息和所述第一设备本地的第一样本时空轨迹信息集；
在本实施例中，第一设备可以为医院、疾病控制中心等，具有各种标签的用户数据，如确诊用户的数据，疑似用户的数据，将第一设备的样本数据和多个第二设备的样本数据进行样本对齐处理，得到交集用户身份信息，其中，交集用户身份信息为传染病确诊用户，根据交集用户身份信息确定传染病确诊用户的第三时空轨迹信息。
第一设备利用其拥有的第一样本数据和第一本地模型，计算得到第一中间结果，其中，第一样本数据包括传染病确诊用户的第三时空轨迹信息和第一设备本地的第一样本时空轨迹信息集。
步骤S90，基于预设可交换加密算法与多个所述第二终端对所述第一中间结果和多个第二中间结果进行加密梯度处理，得到多个第一加密梯度信息，且以供多个所述第二终端得到第二加密梯度信息，并根据所述第二加密梯度信息更新所述第二本地模型；所述第二中间结果是多个所述第二终端分别基于所述交集用户身份信息确定的第二样本数据和第二本地模型得到的，所述第二样本数据包括基于所述交集用户身份信息确定的、传染病确诊用户的第四时空轨迹信息和所述第二设备本地的第二样本时空轨迹信息集；
具体地，步骤S90包括：
步骤S91，根据多个所述第二设备发送的加密的第二中间结果和所述第一本地模型的第一加密残差值，计算多个所述第一加密梯度信息；所述加密的第二中间结果为所述第二终端基于预设可交换同态加密算法对所述第二中间结果进行加密处理得到；
步骤S92，基于预设可交换同态加密算法对所述第一中间结果进行加密处理，得到加密的第一中间结果，并将所述加密的第一中间结果发送给多个所述第二设备，以供多个所述第二设备根据所述加密的第一中间结果和所述第二本地模型的第二加密残差值，计算得到所述第二梯度信息。
在本实施例中，预设可交换加密算法为同态加密算法，每个第二终端利用各自的第二样本数据参与传染病接触检测模型的训练，其中，第二样本数据包括根据交集用户身份信息确定的、传染病确诊用户的第四时空轨迹信息和第二设备本地的第二样本时空轨迹信息集。多个第二终端分别利用第二样本数据和第二本地模型得到第二中间结果，对第二中间结果进行同态加密并发送到第一设备，第一设备根据多个第二设备发送的加密的第二中间结果和第一本地模型的第一加密残差值，计算得到多个第一加密梯度信息。
进一步地，利用同态加密算法对第一设备的第一中间结果进行加密处理，得到加密的第一中间结果，并将该加密的第一中间结果分别发送给多个所述第二设备，各个第二设备根据接收到的加密的第一中间结果以及第二本地模型的第二加密残差值，计算得到第二设备对应的第二梯度信息。
步骤S100，基于多个所述第一加密梯度信息更新所述第一本地模型，并基于更新后的第一本地模型和更新后的多个第二本地模型进行纵向联邦迭代训练；
在本实施例中，第一设备将多个第一加密梯度信息进行累加，并采用梯度下降算法更新第一本地模型，并判断更新后的第一本地模型是否收敛，当模型不收敛时，继续利用更新后的第一本地模型和更新后的多个第二本地模型进行纵向联邦迭代训练。其中，多个第二设备根据各自的第二加密梯度信息更新第二本地模型。
步骤S110，若基于更新后的多个第一加密梯度信息和更新后的多个第二加密梯度信息确定的联合梯度范数小于或者等于预设阈值，则获得收敛的第一本地模型，并将所述收敛的第一本地模型确定为所述传染病接触检测模型，其中，所述第二设备获得收敛的第二本地模型，并将所述收敛的第二本地模型确定为所述传染病接触检测模型。
具体地，步骤S110包括：
步骤S111，接收多个所述第二设备发送的所述更新后的多个第二加密梯度信息；
步骤S112，在所述第一设备本地基于所述更新后的多个第一加密梯度信息和所述更新后的多个第二加密梯度信息计算所述联合梯度范数，若所述联合梯度范数小于或者等于预设阈值，则获得收敛的第一本地模型，并向多个所述第二设备发送模型收敛通知信息，多个所述第二设备基于所述模型收敛通知信息，获得收敛的第二本地模型；或者；
在本实施例中，在第一设备计算联合梯度范数，进而根据联合梯度范数判断模型是否收敛。具体地，第一设备接收多个第二设备发送的更新后的多个第二加密梯度信息，将多个第二加密梯度信息与第一设备的第一加密梯度进行求和，得到联合梯度范数，当联合梯度范数小于或者等于预设阈值时，则判定模型收敛，停止迭代训练，并将当前的第一本地模型作为收敛的第一本地模型。同时，向多个第二设备发送模型收敛通知信息，当多个第二设备接收到的模型收敛通知信息时，将各自当前的第二本地模型作为收敛的第二本地模型。
步骤S113，将所述更新后的多个第一加密梯度信息发送给协调者，以供所述协调者根据所述更新后的多个第一加密梯度信息和多个所述第二终端发送的所述更新后的多个第二加密梯度信息，计算所述联合梯度范数，并在所述联合梯度范数小于或者等于预设阈值时，向所述第一设备和多个所述第二设备发送模型收敛通知信息，其中，多个所述第二设备基于所述模型收敛通知信息，获得收敛的第二本地模型；
步骤S114，根据所述协调者发送的所述模型收敛通知信息，获得收敛的第一本地模型；或者；
在本实施例中，在协调者计算联合梯度范数，进而根据联合梯度范数判断模型是否收敛。具体地，第一设备将更新后的多个第一加密梯度信息发送给协调者，同时，多个第二终端发送各自更新后的第二加密梯度信息给协调者，协调者将多个第二加密梯度信息与多个第一加密梯度进行求和，得到联合梯度范数，当联合梯度范数小于或者等于预设阈值时，则判定模型收敛，停止迭代训练，并向第一设备及多个第二设备发送模型收敛通知信息。当多个第二设备接收到的模型收敛通知信息时，将各自当前的第二本地模型作为收敛的第二本地模型。同理，当第一设备接收到模型收敛通知信息时，将当前的第一本地模型作为收敛的第一本地模型。
步骤S115，将所述更新后的多个第一加密梯度信息发送给多个所述第二设备的任一目标设备，以供所述目标设备根据所述更新后的多个第一加密梯度信息和多个所述第二终端发送的所述更新后的多个第二加密梯度信息，计算所述联合梯度范数，并在所述联合梯度范数小于或者等于预设阈值时，获得收敛的第二本地模型，并向所述第一设备和其他第二设备发送模型收敛通知信息，其中，其他第二设备基于所述模型收敛通知信息，获得收敛的第二本地模型；
步骤S116，根据所述目标设备发送的所述模型收敛通知信息，获得收敛的第一本地模型。
在本实施例中，确定一个第二设备作为目标设备用于计算联合梯度范数，进而根据联合梯度范数判断模型是否收敛。具体地，第一设备发送多个第一加密梯度信息至目标设备，同时，其他第二终端发送各自更新后的第二加密梯度信息给目标设备，目标设备将多个第二加密梯度信息与多个第一加密梯度进行求和，得到联合梯度范数，当联合梯度范数小于或者等于预设阈值时，则判定模型收敛，停止迭代训练，并向第一设备及其他第二设备发送模型收敛通知信息。当其他第二设备接收到的模型收敛通知信息时，将各自当前的第二本地模型。同理，当第一设备接收到的模型收敛通知信息时，将当前的第一本地模型作为收敛的第一本地模型。
本实施例提出的传染病接触情况检测方法，利用纵向联邦学习方法根据第一设备拥有的第一样本数据以及多个第二设备拥有的第二样本数据进行联合训练，得到传染病接触检测模型，为传染病接触者的检测做了模型准备，进而利用传染病接触检测模型实现对传染病接触者的检测，无需确诊病例用户上传任何数据，避免为确诊病例增加额外负担，且在保护用户的隐私的前提下，实现快速检测传染病的密切接触者。
本发明进一步提供一种传染病接触情况检测装置，参照图4，图4为本发明传染病接触情况检测装置实施例的功能模块示意图。
获取模块10，用于从所述第一设备本地获取待检测用户的第一时空轨迹信息；
第一计算模块20，用于将所述第一时空轨迹信息输入到传染病接触检测模型，得到所述待检测用户与传染病确诊用户的第一轨迹重合度，所述预设传染病接触检测模型是由所述第一设备和多个第二设备分别基于本地时空轨迹信息和用户身份信息进行多方纵向联邦训练得到；
第二计算模块30，用于接收多个所述第二设备分别发送的所述待检测用户与传染病确诊用户的第二轨迹重合度，所述第二轨迹重合度由所述第二设备将待检测用户的第二时空轨迹信息输入到传染病接触检测模型得到的；
确定模块40，用于基于所述第一轨迹重合度和多个所述第二轨迹重合度，确定所述待检测用户与传染病确诊用户的接触情况。
进一步地，所述确定模块40还用于：
对所述第一轨迹重合度和多个所述第二轨迹重合度进行预设聚合运算；
根据聚合后的轨迹重合度所处阈值区间，确定所述待检测用户与传染病确诊用户的接触程度。
进一步地，所述确定模块40还用于：
获取所述第一设备的第一权重值和多个所述第二设备的第二权重值；
基于所述第一权重值和所述第二权重值分别对所述第一轨迹重合度和多个所述第二轨迹重合度进行加权平均，将加权平均后的重合度确定为所述聚合后的轨迹重合度。
进一步地，所述获取模块10还用于：
将所述第一时空轨迹信息输入到传染病接触检测模型，得到所述待检测用户与传染病确诊用户的第一轨迹重合度和第一重合轨迹点；
所述接收多个所述第二设备分别发送的所述待检测用户与传染病确诊用户的第二轨迹重合度的步骤，包括：
接收多个所述第二设备分别发送的所述待检测用户与传染病确诊用户的第二轨迹重合度和第二重合轨迹点；
所述基于所述第一轨迹重合度和多个所述第二轨迹重合度，确定所述待检测用户与传染病确诊用户的接触情况的步骤，包括：
若基于所述第一轨迹重合度和多个所述第二轨迹重合度，确定所述待检测用户是传染病密切接触者，则输出疫情风险告警信息、所述第一重合轨迹点和多个所述第二重合轨迹点。
进一步地，所述传染病接触情况检测装置还包括：
接收模块，用于接收传染病接触情况检测请求，所述传染病接触情况检测请求携带有待检测用户的用户身份信息；
转发模块，用于将所述传染病接触情况检测请求转发给多个所述第二设备，以供多个所述第二设备基于所述待检测用户的用户身份信息分别从本地提取待检测用户的第二时空轨迹信息；
获取模块10还用于：
基于所述待检测用户的用户身份信息从所述第一设备本地获取待检测用户的第一时空轨迹信息。
进一步地，所述传染病接触情况检测装置还包括：
求交集模块，用于与多个所述第二设备进行加密样本对齐，以获取交集用户身份信息，并基于所述交集用户身份信息确定传染病确诊用户的第三时空轨迹信息；
第一处理模块，用于基于第一样本数据和第一本地模型，得到第一中间结果，所述第一样本数据包括所述第三时空轨迹信息和所述第一设备本地的第一样本时空轨迹信息集；
第二处理模块，用于基于预设可交换加密算法与多个所述第二终端对所述第一中间结果和多个第二中间结果进行加密梯度处理，得到多个第一加密梯度信息，且以供多个所述第二终端得到第二加密梯度信息，并根据所述第二加密梯度信息更新所述第二本地模型；所述第二中间结果是多个所述第二终端分别基于所述交集用户身份信息确定的第二样本数据和第二本地模型得到的，所述第二样本数据包括基于所述交集用户身份信息确定的、传染病确诊用户的第四时空轨迹信息和所述第二设备本地的第二样本时空轨迹信息集；
迭代模块，用于基于多个所述第一加密梯度信息更新所述第一本地模型，并基于更新后的第一本地模型和更新后的多个第二本地模型进行纵向联邦迭代训练；
判定模块，用于若基于更新后的多个第一加密梯度信息和更新后的多个第二加密梯度信息确定的联合梯度范数小于或者等于预设阈值，则获得收敛的第一本地模型，并将所述收敛的第一本地模型确定为所述传染病接触检测模型，其中，所述第二设备获得收敛的第二本地模型，并将所述收敛的第二本地模型确定为所述传染病接触检测模型。
进一步地，所述判定模块还用于：
接收多个所述第二设备发送的所述更新后的多个第二加密梯度信息；
在所述第一设备本地基于所述更新后的多个第一加密梯度信息和所述更新后的多个第二加密梯度信息计算所述联合梯度范数，若所述联合梯度范数小于或者等于预设阈值，则获得收敛的第一本地模型，并向多个所述第二设备发送模型收敛通知信息，多个所述第二设备基于所述模型收敛通知信息，获得收敛的第二本地模型；或者；
将所述更新后的多个第一加密梯度信息发送给协调者，以供所述协调者根据所述更新后的多个第一加密梯度信息和多个所述第二终端发送的所述更新后的多个第二加密梯度信息，计算所述联合梯度范数，并在所述联合梯度范数小于或者等于预设阈值时，向所述第一设备和多个所述第二设备发送模型收敛通知信息，其中，多个所述第二设备基于所述模型收敛通知信息，获得收敛的第二本地模型；
根据所述协调者发送的所述模型收敛通知信息，获得收敛的第一本地模型；或者；
将所述更新后的多个第一加密梯度信息发送给多个所述第二设备的任一目标设备，以供所述目标设备根据所述更新后的多个第一加密梯度信息和多个所述第二终端发送的所述更新后的多个第二加密梯度信息，计算所述联合梯度范数，并在所述联合梯度范数小于或者等于预设阈值时，获得收敛的第二本地模型，并向所述第一设备和其他第二设备发送模型收敛通知信息，其中，其他第二设备基于所述模型收敛通知信息，获得收敛的第二本地模型；
根据所述目标设备发送的所述模型收敛通知信息，获得收敛的第一本地模型。
进一步地，所述判定模块还用于：
根据多个所述第二设备发送的加密的第二中间结果和所述第一本地模型的第一加密残差值，计算多个所述第一加密梯度信息；所述加密的第二中间结果为所述第二终端基于预设可交换同态加密算法对所述第二中间结果进行加密处理得到；
基于预设可交换同态加密算法对所述第一中间结果进行加密处理，得到加密的第一中间结果，并将所述加密的第一中间结果发送给多个所述第二设备，以供多个所述第二设备根据所述加密的第一中间结果和所述第二本地模型的第二加密残差值，计算得到所述第二梯度信息。
此外，本发明实施例还提出一种可读存储介质，所述可读存储介质上存储有传染病接触情况检测程序和传染病接触情况检测程序，所述传染病接触情况检测程序和传染病接触情况检测程序被处理器执行时实现上述各个实施例中传染病接触情况检测方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台系统设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (11)
1.一种传染病接触情况检测方法，其特征在于，应用于第一设备，包括：
从所述第一设备本地获取待检测用户的第一时空轨迹信息；
将所述第一时空轨迹信息输入到传染病接触检测模型，得到所述待检测用户与传染病确诊用户的第一轨迹重合度，所述预设传染病接触检测模型是由所述第一设备和多个第二设备分别基于本地时空轨迹信息和用户身份信息进行多方纵向联邦训练得到；
接收多个所述第二设备分别发送的所述待检测用户与传染病确诊用户的第二轨迹重合度，所述第二轨迹重合度由所述第二设备将待检测用户的第二时空轨迹信息输入到传染病接触检测模型得到的；
基于所述第一轨迹重合度和多个所述第二轨迹重合度，确定所述待检测用户与传染病确诊用户的接触情况。
2.根据权利要求1所述的方法，其特征在于，所述接触情况包括接触程度，所述基于所述第一轨迹重合度和多个所述第二轨迹重合度，确定所述待检测用户与传染病确诊用户的接触情况，确定所述待检测用户与传染病确诊用户的接触程度的步骤，包括：
对所述第一轨迹重合度和多个所述第二轨迹重合度进行预设聚合运算；
根据聚合后的轨迹重合度所处阈值区间，确定所述待检测用户与传染病确诊用户的接触程度。
3.根据权利要求2所述的方法，其特征在于，所述对所述第一轨迹重合度和多个所述第二轨迹重合度进行预设聚合运算，包括：
获取所述第一设备的第一权重值和多个所述第二设备的第二权重值；
基于所述第一权重值和所述第二权重值分别对所述第一轨迹重合度和多个所述第二轨迹重合度进行加权平均，将加权平均后的重合度确定为所述聚合后的轨迹重合度。
4.根据权利要求1所述的方法，其特征在于，所述将所述第一时空轨迹信息输入到传染病接触检测模型，得到所述待检测用户与传染病确诊用户的第一轨迹重合度包括：
将所述第一时空轨迹信息输入到传染病接触检测模型，得到所述待检测用户与传染病确诊用户的第一轨迹重合度和第一重合轨迹点；
所述接收多个所述第二设备分别发送的所述待检测用户与传染病确诊用户的第二轨迹重合度的步骤，包括：
接收多个所述第二设备分别发送的所述待检测用户与传染病确诊用户的第二轨迹重合度和第二重合轨迹点；
所述基于所述第一轨迹重合度和多个所述第二轨迹重合度，确定所述待检测用户与传染病确诊用户的接触情况的步骤，包括：
若基于所述第一轨迹重合度和多个所述第二轨迹重合度，确定所述待检测用户是传染病密切接触者，则输出疫情风险告警信息、所述第一重合轨迹点和多个所述第二重合轨迹点。
5.根据权利要求1所述的方法，其特征在于，所述从所述第一设备本地获取待检测用户的第一时空轨迹信息的步骤之前，所述方法包括：
接收传染病接触情况检测请求，所述传染病接触情况检测请求携带有待检测用户的用户身份信息；
将所述传染病接触情况检测请求转发给多个所述第二设备，以供多个所述第二设备基于所述待检测用户的用户身份信息分别从本地提取待检测用户的第二时空轨迹信息；
所述从所述第一设备本地获取待检测用户的第一时空轨迹信息的步骤，包括：
基于所述待检测用户的用户身份信息从所述第一设备本地获取待检测用户的第一时空轨迹信息。
6.根据权利要求1所述的方法，其特征在于，所述从所述第一设备本地获取待检测用户的第一时空轨迹信息的步骤之前，所述方法还包括：
与多个所述第二设备进行加密样本对齐，以获取交集用户身份信息，并基于所述交集用户身份信息确定传染病确诊用户的第三时空轨迹信息；
基于第一样本数据和第一本地模型，得到第一中间结果，所述第一样本数据包括所述第三时空轨迹信息和所述第一设备本地的第一样本时空轨迹信息集；
基于预设可交换加密算法与多个所述第二终端对所述第一中间结果和多个第二中间结果进行加密梯度处理，得到多个第一加密梯度信息，且以供多个所述第二终端得到第二加密梯度信息，并根据所述第二加密梯度信息更新所述第二本地模型；所述第二中间结果是多个所述第二终端分别基于所述交集用户身份信息确定的第二样本数据和第二本地模型得到的，所述第二样本数据包括基于所述交集用户身份信息确定的、传染病确诊用户的第四时空轨迹信息和所述第二设备本地的第二样本时空轨迹信息集；
基于多个所述第一加密梯度信息更新所述第一本地模型，并基于更新后的第一本地模型和更新后的多个第二本地模型进行纵向联邦迭代训练；
若基于更新后的多个第一加密梯度信息和更新后的多个第二加密梯度信息确定的联合梯度范数小于或者等于预设阈值，则获得收敛的第一本地模型，并将所述收敛的第一本地模型确定为所述传染病接触检测模型，其中，所述第二设备获得收敛的第二本地模型，并将所述收敛的第二本地模型确定为所述传染病接触检测模型。
7.根据权利要求6所述的方法，其特征在于，所述若基于更新后的多个第一加密梯度信息和更新后的多个第二加密梯度信息确定的联合梯度范数小于或者等于预设阈值，则获得收敛的第一本地模型的步骤，包括：
接收多个所述第二设备发送的所述更新后的多个第二加密梯度信息；
在所述第一设备本地基于所述更新后的多个第一加密梯度信息和所述更新后的多个第二加密梯度信息计算所述联合梯度范数，若所述联合梯度范数小于或者等于预设阈值，则获得收敛的第一本地模型，并向多个所述第二设备发送模型收敛通知信息，多个所述第二设备基于所述模型收敛通知信息，获得收敛的第二本地模型；或者；
将所述更新后的多个第一加密梯度信息发送给协调者，以供所述协调者根据所述更新后的多个第一加密梯度信息和多个所述第二终端发送的所述更新后的多个第二加密梯度信息，计算所述联合梯度范数，并在所述联合梯度范数小于或者等于预设阈值时，向所述第一设备和多个所述第二设备发送模型收敛通知信息，其中，多个所述第二设备基于所述模型收敛通知信息，获得收敛的第二本地模型；
根据所述协调者发送的所述模型收敛通知信息，获得收敛的第一本地模型；或者；
将所述更新后的多个第一加密梯度信息发送给多个所述第二设备的任一目标设备，以供所述目标设备根据所述更新后的多个第一加密梯度信息和多个所述第二终端发送的所述更新后的多个第二加密梯度信息，计算所述联合梯度范数，并在所述联合梯度范数小于或者等于预设阈值时，获得收敛的第二本地模型，并向所述第一设备和其他第二设备发送模型收敛通知信息，其中，其他第二设备基于所述模型收敛通知信息，获得收敛的第二本地模型；
根据所述目标设备发送的所述模型收敛通知信息，获得收敛的第一本地模型。
8.根据权利要求6所述的方法，其特征在于，所述基于预设可交换加密算法分别与多个所述第二终端对所述第一中间结果和多个第二中间结果进行加密梯度处理，得到多个第一加密梯度信息，且以供多个所述第二终端得到第二加密梯度信息，包括：
根据多个所述第二设备发送的加密的第二中间结果和所述第一本地模型的第一加密残差值，计算多个所述第一加密梯度信息；所述加密的第二中间结果为所述第二终端基于预设可交换同态加密算法对所述第二中间结果进行加密处理得到；
基于预设可交换同态加密算法对所述第一中间结果进行加密处理，得到加密的第一中间结果，并将所述加密的第一中间结果发送给多个所述第二设备，以供多个所述第二设备根据所述加密的第一中间结果和所述第二本地模型的第二加密残差值，计算得到所述第二梯度信息。
9.一种传染病接触情况检测装置，其特征在于，所述传染病接触情况检测装置包括：
获取模块，用于从所述第一设备本地获取待检测用户的第一时空轨迹信息；
第一计算模块，用于将所述第一时空轨迹信息输入到传染病接触检测模型，得到所述待检测用户与传染病确诊用户的第一轨迹重合度，所述预设传染病接触检测模型是由所述第一设备和多个第二设备分别基于本地时空轨迹信息和用户身份信息进行多方纵向联邦训练得到；
第二计算模块，用于接收多个所述第二设备分别发送的所述待检测用户与传染病确诊用户的第二轨迹重合度，所述第二轨迹重合度由所述第二设备将待检测用户的第二时空轨迹信息输入到传染病接触检测模型得到的；
确定模块，用于基于所述第一轨迹重合度和多个所述第二轨迹重合度，确定所述待检测用户与传染病确诊用户的接触情况。
10.一种设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的传染病接触情况检测程序，所述基于传染病接触情况检测程序被所述处理器执行时实现如权利要求1至8中任一项所述的传染病接触情况检测方法的步骤。
11.一种可读存储介质，其特征在于，所述可读存储介质上存储有传染病接触情况检测程序，所述传染病接触情况检测程序被处理器执行时实现如权利要求1至8中任一项所述的传染病接触情况检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010286770.2A CN111477340B (zh) | 2020-04-13 | 2020-04-13 | 传染病接触情况检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010286770.2A CN111477340B (zh) | 2020-04-13 | 2020-04-13 | 传染病接触情况检测方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111477340A true CN111477340A (zh) | 2020-07-31 |
| CN111477340B CN111477340B (zh) | 2023-01-24 |
Family
ID=71752297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010286770.2A Active CN111477340B (zh) | 2020-04-13 | 2020-04-13 | 传染病接触情况检测方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111477340B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111968754A (zh) * | 2020-08-11 | 2020-11-20 | 杭州锘崴信息科技有限公司 | 保护隐私和商业秘密的疫情监控系统和方法 |
| CN112084238A (zh) * | 2020-09-10 | 2020-12-15 | 南京邮电大学 | 一种基于轨迹数据的传染模式挖掘方法 |
| CN112185579A (zh) * | 2020-08-20 | 2021-01-05 | 同济大学 | 一种基于元胞自动机的新冠密切接触人员数据获取方法 |
| 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 |
| CN112233808A (zh) * | 2020-10-16 | 2021-01-15 | 深圳前海微众银行股份有限公司 | 感染风险的预测方法、设备及存储介质 |
| CN112509706A (zh) * | 2020-11-16 | 2021-03-16 | 鹏城实验室 | 传染病预警方法、装置、设备及计算机可读存储介质 |
| CN112669981A (zh) * | 2020-12-30 | 2021-04-16 | 广东省科学院广州地理研究所 | 呼吸道传染病的三维时空溯源方法、装置及设备 |
| 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 |
| CN114422113A (zh) * | 2020-10-12 | 2022-04-29 | 华为技术有限公司 | 获得邻近度的方法和电子设备 |
| WO2022142480A1 (zh) * | 2020-12-31 | 2022-07-07 | 南方科技大学 | 密切接触者的确定方法、装置、设备和存储介质 |
| CN115391679A (zh) * | 2022-08-05 | 2022-11-25 | 北京微视威信息科技有限公司 | 时空伴随对象的挖掘方法及装置 |
| CN115497638A (zh) * | 2022-11-08 | 2022-12-20 | 广东泳华科技有限公司 | 一种基于时空轨迹的传播链溯源估计方法 |
| 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 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| US20190252078A1 (en) * | 2018-02-15 | 2019-08-15 | X Development Llc | Predicting the spread of contagions |
| CN110377847A (zh) * | 2019-07-15 | 2019-10-25 | 中国人民解放军军事科学院军事医学研究院 | 一种面向传染病疫情分布的电子地图可视化方法及系统 |
| CN110444263A (zh) * | 2019-08-21 | 2019-11-12 | 深圳前海微众银行股份有限公司 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
| CN110633806A (zh) * | 2019-10-21 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 纵向联邦学习系统优化方法、装置、设备及可读存储介质 |
-
2020
- 2020-04-13 CN CN202010286770.2A patent/CN111477340B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN110377847A (zh) * | 2019-07-15 | 2019-10-25 | 中国人民解放军军事科学院军事医学研究院 | 一种面向传染病疫情分布的电子地图可视化方法及系统 |
| CN110444263A (zh) * | 2019-08-21 | 2019-11-12 | 深圳前海微众银行股份有限公司 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
| CN110633806A (zh) * | 2019-10-21 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 纵向联邦学习系统优化方法、装置、设备及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 杨强: "联邦学习与人工智能", 《软件和集成电路》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111968754A (zh) * | 2020-08-11 | 2020-11-20 | 杭州锘崴信息科技有限公司 | 保护隐私和商业秘密的疫情监控系统和方法 |
| 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 |
| 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 |
| CN112185579A (zh) * | 2020-08-20 | 2021-01-05 | 同济大学 | 一种基于元胞自动机的新冠密切接触人员数据获取方法 |
| CN112185579B (zh) * | 2020-08-20 | 2022-09-20 | 同济大学 | 一种基于元胞自动机的新冠密切接触人员数据获取方法 |
| 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 |
| CN112084238A (zh) * | 2020-09-10 | 2020-12-15 | 南京邮电大学 | 一种基于轨迹数据的传染模式挖掘方法 |
| CN112084238B (zh) * | 2020-09-10 | 2022-10-18 | 南京邮电大学 | 一种基于轨迹数据的传染模式挖掘方法 |
| CN114422113A (zh) * | 2020-10-12 | 2022-04-29 | 华为技术有限公司 | 获得邻近度的方法和电子设备 |
| CN114422113B (zh) * | 2020-10-12 | 2024-04-12 | 华为技术有限公司 | 获得邻近度的方法和电子设备 |
| CN112233808A (zh) * | 2020-10-16 | 2021-01-15 | 深圳前海微众银行股份有限公司 | 感染风险的预测方法、设备及存储介质 |
| CN112509706A (zh) * | 2020-11-16 | 2021-03-16 | 鹏城实验室 | 传染病预警方法、装置、设备及计算机可读存储介质 |
| CN112669981B (zh) * | 2020-12-30 | 2023-03-21 | 广东省科学院广州地理研究所 | 呼吸道传染病的三维时空溯源方法、装置及设备 |
| CN112669981A (zh) * | 2020-12-30 | 2021-04-16 | 广东省科学院广州地理研究所 | 呼吸道传染病的三维时空溯源方法、装置及设备 |
| WO2022142480A1 (zh) * | 2020-12-31 | 2022-07-07 | 南方科技大学 | 密切接触者的确定方法、装置、设备和存储介质 |
| 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 |
| CN115391679A (zh) * | 2022-08-05 | 2022-11-25 | 北京微视威信息科技有限公司 | 时空伴随对象的挖掘方法及装置 |
| CN115497638A (zh) * | 2022-11-08 | 2022-12-20 | 广东泳华科技有限公司 | 一种基于时空轨迹的传播链溯源估计方法 |
| 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 |
| CN116860904B (zh) * | 2023-08-31 | 2024-06-04 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111477340B (zh) | 2023-01-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111477340B (zh) | 传染病接触情况检测方法、装置、设备及可读存储介质 | |
| US11943694B2 (en) | Systems and methods for emergency data integration | |
| CN111652446A (zh) | 传染病感染风险的预测方法、设备及存储介质 | |
| US10204704B1 (en) | Systems and methods for biometrically retrieving medical information | |
| US20200288295A1 (en) | Apparatus and method for emergency dispatch | |
| CN111477339A (zh) | 传染病接触情况检测方法、设备及可读存储介质 | |
| US20130275160A1 (en) | System and method for analyzing and controlling epidemics | |
| CN111477326B (zh) | 传染病毒携带者检测方法、系统、装置、设备和介质 | |
| Maghdid et al. | A smartphone enabled approach to manage COVID-19 lockdown and economic crisis | |
| Brooks et al. | Variability in the initiation of resuscitation attempts by emergency medical services personnel during out-of-hospital cardiac arrest | |
| CN111401277A (zh) | 人脸识别模型更新方法、装置、设备和介质 | |
| WO2018120426A1 (zh) | 基于位置服务的个人健康状态评估方法、装置、设备和存储介质 | |
| CN108962355A (zh) | 一种影像的关联显示方法、装置及服务设备、存储介质 | |
| CN112233808B (zh) | 感染风险的预测方法、设备及存储介质 | |
| CN111968746A (zh) | 一种基于混合深度迁移学习的脑卒中风险预测方法及装置 | |
| US11914774B1 (en) | Dynamic interface flow based on device location | |
| Xiong et al. | REACT: Real-time contact tracing and risk monitoring using privacy-enhanced mobile tracking | |
| CN111863280A (zh) | 健康检测方法、系统、终端设备及存储介质 | |
| WO2019100346A1 (zh) | 物质检测处理方法、装置和检测设备 | |
| CN107948274A (zh) | 交易认证方法和系统、服务器、存储介质 | |
| CN111227789A (zh) | 人体健康监护方法和装置 | |
| CN109003670A (zh) | 大数据医疗信息处理方法、系统、终端设备及存储介质 | |
| Gheid et al. | Efficient and privacy-aware multi-party classification protocol for human activity recognition | |
| CN115168827B (zh) | 包含身份信息的二维码生成方法和二维码读取方法 | |
| CN113240824B (zh) | 考勤方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |