CN111489831A - 公共卫生事件风险评估方法及装置 - Google Patents
公共卫生事件风险评估方法及装置 Download PDFInfo
- Publication number
- CN111489831A CN111489831A CN202010283391.8A CN202010283391A CN111489831A CN 111489831 A CN111489831 A CN 111489831A CN 202010283391 A CN202010283391 A CN 202010283391A CN 111489831 A CN111489831 A CN 111489831A
- Authority
- CN
- China
- Prior art keywords
- area
- risk
- risk assessment
- data
- user terminal
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 208
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000005180 public health Effects 0.000 title claims abstract description 36
- 230000011664 signaling Effects 0.000 claims abstract description 95
- 238000011156 evaluation Methods 0.000 claims description 35
- 230000002265 prevention Effects 0.000 claims description 22
- 230000003993 interaction Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 14
- 238000003672 processing method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 24
- 238000004891 communication Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 208000035240 Disease Resistance Diseases 0.000 description 1
- 206010035148 Plague Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种公共卫生事件风险评估方法及装置，涉及信息技术领域。该方法包括：获取不同等级区域中各个区域针对目标公共卫生事件的风险评估数据，其中，所述不同等级区域对应的风险评估数据不同，所述风险评估数据包括基于用户的用户终端产生的信令数据所确定的数据；基于各个区域对应的风险评估数据对各个区域进行风险评估，获得各个区域对应的风险评估结果。该方案中，可以根据不同等级区域提供不同维度的数据，可以更加贴合各个不同等级区域的特点，通过信令数据可将空间维度提升至更微观的等级，从而实现更细粒度的风险评估。
Description
技术领域
本申请涉及信息技术领域，具体而言，涉及一种公共卫生事件风险评估方法及装置。
背景技术
目前针对公共卫生事件风险评估的方法主要有一下几种：专家会商法、德尔菲法、风险矩阵法和分析流程图发，其中，专家会商法往往是突发公共卫生事件风险评估的首选方法，文件中建议对突发公共卫生事件进行风险分析时，需综合考虑该突发公共卫生事件的临床和流行病学特点(治病力、传播力、毒力、季节性、地区性、传播途径、高危人群等)、人口学特征、人群易感性、对政府和公众的影响、人群对风险的承受能力和政府的应对能力等。
但是，这些方法主要是针对某一国家或某一城市区域进行评估，也即这些方法只能实现宏观意义上的风险评估，无法实现更微观意义上的风险评估。
发明内容
本申请实施例的目的在于提供一种公共卫生事件风险评估方法及装置，用以改善现有技术中无法实现更微观意义上的风险评估的问题。
第一方面，本申请实施例提供了一种公共卫生事件风险评估方法，所述方法包括：获取不同等级区域中各个区域针对目标公共卫生事件的风险评估数据，其中，所述不同等级区域对应的风险评估数据不同，所述风险评估数据包括基于用户的用户终端产生的信令数据所确定的数据；基于各个区域对应的风险评估数据对各个区域进行风险评估，获得各个区域对应的风险评估结果。
在上述实现过程中，将区域分为不同等级，不同等级区域对应的风险评估数据不同，并且风险评估数据中包括由信令数据所确定的数据，这样在评估过程中，根据不同等级区域提供不同维度的数据，可以更加贴合各个不同等级区域的特点，通过信令数据可将空间维度提升至更微观的等级，从而实现更细粒度的风险评估。
可选地，所述不同等级区域包括城市等级区域、区县等级区域以及居住等级区域，所述城市等级区域包括多个城市区域，所述区县等级区域包括多个区县区域，所述居住等级区域包括多个居住区域。
可选地，所述城市等级区域对应的风险评估数据包括：从疫区流出至各个城市区域的人数以及各个城市区域的确诊病例人数，所述区县等级区域对应的风险评估数据包括：从疫区流出至各个区县区域的人数、各个区县区域的确诊病例人数、各个区县区域的疑似病例人数以及各个区县区域内与确诊病例有相同轨迹的伴随人数，所述居住等级区域对应的风险评估数据包括：从疫区流出至各个居住区域的夜间驻留人员数量、各个居住区域的确诊病例人数、各个居住区域的疑似病例人数以及与确诊病例有相同轨迹的伴随人数。
在上述实现过程中，针对不同的等级区域确定不同的风险评估数据，这样可以更加贴合各个不同等级区域的特点，实现对不同等级区域更细粒度的风险评估。
可选地，通过如下方式确定与确诊病例有相同轨迹的伴随人数：
获取在同一时间段内与确诊病例的用户终端产生的信令数据的位置有预设重叠度的用户；
确定所述用户的数量，所述用户的数量为与所述确诊病例有相同轨迹的伴随人数。
在上述实现过程中，通过信令数据确定与确诊病例有相同轨迹的伴随人数，由于信令数据可以实现对用户终端更准确地定位，从而可以获得更准确的伴随人数。
可选地，所述获取在同一时间段内与确诊病例的用户终端产生的信令数据的位置有预设重叠度的用户，包括：
在一时间段内，基于所述确诊病例的用户终端产生的信令数据对所述确诊病例的用户终端进行定位，获得与所述确诊病例的用户终端进行信令交互产生信令数据时的各个基站；
获取在同一时间段内与所述各个基站中的预设数量的基站有过信令交互的目标用户终端，所述目标用户终端对应的用户为与所述确诊病例的用户终端产生的信令数据所在的位置有预设重叠度的用户。
在上述实现过程中，由于通过基站的覆盖范围较小，从而可以更准确的知晓用户的移动轨迹，进而可以获得更准确的数据。
可选地，通过如下方式确定从疫区流出至各个区县区域的人数：
获取疫区的每个用户终端产生的信令数据；
基于所述每个用户终端产生的信令数据对所述每个用户终端进行定位，获得与所述每个用户终端进行信令交互产生信令数据时的各个基站；
确定所述各个基站所在的区域，若所述区域包括目标区县区域，则统计出现在所述目标区县区域的用户终端的数量，将所述出现在所述目标区县区域的用户终端的数量作为从疫区流出至所述目标区县区域的人数。
在上述实现过程中，通过信令数据可以对用户终端实现更准确的定位，从而可以准确获得从疫区流出至区县区域的用户数量。
可选地，所述基于各个区域对应的风险评估数据对各个区域进行风险评估，获得各个区域对应的风险评估结果，包括：
对各个区域对应的风险评估数据按照预设归一化处理方法进行归一化处理，获得归一化数据；
基于所述归一化数据对各个区域进行风险评估，获得各个区域对应的风险评估结果。
在上述实现过程中，通过对数据进行归一化处理，这样实现便于对各个区域进行风险评估结果比较。
可选地，所述基于所述归一化数据对各个区域进行风险评估，获得各个区域对应的风险评估结果，包括：
将所述归一化数据乘以各个等级区域对应的预设权重，获得各个区域对应的风险指数；
按照同一等级区域中各个区域对应的风险指数的大小，将同一等级区域中各个区域的风险指数映射到多个风险等级，获得每个等级区域中各个区域对应的风险评估结果，所述风险等级用于表征风险评估结果。
在上述实现过程中，采用风险等级表征风险评估结果，便于更直观地比较各个区域的风险高低。
可选地，所述获得各个区域对应的风险评估结果之后，还包括：
基于各个区域对应的风险评估结果确定对各个区域所采取的风险防控措施；
输出各个区域对应的风险防控措施。
在上述实现过程中，基于风险评估结果输出对应的风险防控措施，以便于风险管控人员可以针对不同的风险评估结果采用不同的风险防控措施进行风险防控。
第二方面，本申请实施例提供了一种公共卫生事件风险评估装置，所述装置包括：
数据获取模块，用于获取不同等级区域中各个区域针对目标公共卫生事件的风险评估数据，其中，所述不同等级区域对应的风险评估数据不同，所述风险评估数据包括基于用户的用户终端产生的信令数据所确定的数据；
风险评估模块，用于基于各个区域对应的风险评估数据对各个区域进行风险评估，获得各个区域对应的风险评估结果。
可选地，所述不同等级区域包括城市等级区域、区县等级区域以及居住等级区域，所述城市等级区域包括多个城市区域，所述区县等级区域包括多个区县区域，所述居住等级区域包括多个居住区域。
可选地，所述城市等级区域对应的风险评估数据包括：从疫区流出至各个城市区域的人数以及各个城市区域的确诊病例人数，所述区县等级区域对应的风险评估数据包括：从疫区流出至各个区县区域的人数、各个区县区域的确诊病例人数、各个区县区域的疑似病例人数以及各个区县区域内与确诊病例有相同轨迹的伴随人数，所述居住等级区域对应的风险评估数据包括：从疫区流出至各个居住区域的夜间驻留人员数量、各个居住区域的确诊病例人数、各个居住区域的疑似病例人数以及与确诊病例有相同轨迹的伴随人数。
可选地，所述数据获取模块，用于获取在同一时间段内与确诊病例的用户终端产生的信令数据的位置有预设重叠度的用户；确定所述用户的数量，所述用户的数量为与所述确诊病例有相同轨迹的伴随人数。
可选地，所述数据获取模块，用于在一时间段内，基于所述确诊病例的用户终端产生的信令数据对所述确诊病例的用户终端进行定位，获得与所述确诊病例的用户终端进行信令交互产生信令数据时的各个基站；获取在同一时间段内与所述各个基站中的预设数量的基站有过信令交互的目标用户终端，所述目标用户终端对应的用户为与所述确诊病例的用户终端产生的信令数据所在的位置有预设重叠度的用户。
可选地，所述数据获取模块，用于获取疫区的每个用户终端产生的信令数据；基于所述每个用户终端产生的信令数据对所述每个用户终端进行定位，获得与所述每个用户终端进行信令交互产生信令数据时的各个基站；确定所述各个基站所在的区域，若所述区域包括目标区县区域，则统计出现在所述目标区县区域的用户终端的数量，将所述出现在所述目标区县区域的用户终端的数量作为从疫区流出至所述目标区县区域的人数。
可选地，所述风险评估模块，用于对各个区域对应的风险评估数据按照预设归一化处理方法进行归一化处理，获得归一化数据；基于所述归一化数据对各个区域进行风险评估，获得各个区域对应的风险评估结果。
可选地，所述风险评估模块，用于将所述归一化数据乘以各个等级区域对应的预设权重，获得各个区域对应的风险指数；按照同一等级区域中各个区域对应的风险指数的大小，将同一等级区域中各个区域的风险指数映射到多个风险等级，获得每个等级区域中各个区域对应的风险评估结果，所述风险等级用于表征风险评估结果。
可选地，所述装置还包括：
风险防控措施输出模块，用于基于各个区域对应的风险评估结果确定对各个区域所采取的风险防控措施；输出各个区域对应的风险防控措施。
第三方面，本申请实施例提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。
第四方面，本申请实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种用于执行公共卫生事件风险评估方法的电子设备的结构示意图；
图2为本申请实施例提供的一种公共卫生事件风险评估方法的流程图；
图3为本申请实施例提供的一种公共卫生事件风险评估装置的结构框图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本申请实施例提供一种公共卫生事件风险评估方法，该方法通过获取不同等级区域对应的风险评估数据，然后基于各自区域对应的风险评估数据对各自区域进行风险评估，由于不同等级区域对应的风险评估数据不同，这样在评估过程中，更加贴合各个区域的特点，从而实现更细粒度的风险评估。
请参照图1，图1为本申请实施例提供的一种用于执行公共卫生事件风险评估方法的电子设备的结构示意图，所述电子设备可以包括：至少一个处理器110，例如CPU，至少一个通信接口120，至少一个存储器130和至少一个通信总线140。其中，通信总线140用于实现这些组件直接的连接通信。其中，本申请实施例中设备的通信接口120用于与其他节点设备进行信令或数据的通信。存储器130可以是高速RAM存储器，也可以是非易失性的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器130可选的还可以是至少一个位于远离前述处理器的存储装置。存储器130中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器110执行时，电子设备执行下述图2所示方法过程，例如，存储器130可用于存储各个等级区域对应的风险评估数据，处理器110在对各个区域进行风险评估时，可以从存储器130中获取对应区域的风险评估数据，然后利用风险评估数据进行风险评估。
可以理解，图1所示的结构仅为示意，所述电子设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参照图2，图2为本申请实施例提供的一种公共卫生事件风险评估方法的流程图，该方法包括如下步骤：
步骤S110：获取不同等级区域中各个区域针对目标公共卫生事件的风险评估数据。
其中，目标公共卫生事件可以是指任一公共卫生事件，如非典、鼠疫、流感等，针对任一公共卫生事件均可采用本申请实施例提供的风险评估方法对各个区域进行风险评估，为了描述的方便，本申请以其中一种公共卫生事件为例进行说明。
为了实现对各个区域进行风险评估，可以按照需求将需要进行风险评估的区域划分为不同等级，例如，可以将发生目标公共卫生事件的国家的各个区域按照一定的划分规则划分为不同等级，从而形成不同等级区域。
作为一种实施方式，可以将各个区域按照行政区域划分，如不同等级区域包括城市等级区域、区县等级区域以及居住等级区域，城市等级区域包括多个城市区域，区县等级区域包括多个区县区域，居住等级区域包括多个居住区域，这种划分方式是按照行政规划来划分的。如此，城市区域内包括有多个区县区域，区县区域又包括有居住区域，居住区域可以理解为是住宅区域。
作为另一种实施方式，还可以按照受灾严重程度将各个区域进行划分，如不同等级区域包括疫区和非疫区，其中，疫区可以理解为是目标公共卫生事件首次出现的地方，或者是指受灾最严重的地方，疫区可以是指城市区域或者区县区域。或者，不同等级区域可以包括一级区域、二级区域和三级区域等，其中，一级区域为受灾最严重的区域，二级区域为受灾次严重的区域，三级区域为受灾相对不严重的区域，按照这种方式也可将各个区域划分为多个不同等级的区域。在这两种情况下，在划分区域时，可以以城市区域或区县区域为最小划分单元，先获取每个城市区域或区县区域内的确诊病例人数和疑似病例人数，将这两种数据作为区域划分的依据，如确诊病例人数和疑似病例人数之和最多的区域作为一级区域或疫区，基于该方式，则可将确诊病例人数和疑似病例人数之和在一定范围内的区域统一划分为同一等级区域，从而可将多个区域划分为多个不同等级的区域。
风险评估数据是指用于进行风险评估所需的数据，不同等级区域对应的风险评估数据不同，如对于城市等级区域对应的风险评估数据与区县等级区域对应的风险评估数据不同，例如，对于城市等级区域，可能在进行风险评估时，只需关心宏观数据，如确诊病例等，而对于居住等级区域，还需要关心更多微观的数据，如与确诊病例有过接触的人员数量等，也就是说，不同等级区域对应的风险评估数据不同可以理解为是不同等级区域对应的风险评估数据所包含的数据不同，这样可从空间尺度上针对不同等级区域实现不同的风险评估。
风险评估数据包括基于用户的用户终端产生的信令数据所确定的数据，其中，信令数据是指用户终端与基站进行交互产生的数据，由此可根据信令数据知晓与用户终端产生交互的基站，进而可基于基站所在的位置确定用户的移动轨迹，如此可将用户的移动轨迹作为人数统计的依据。例如，对于统计与确诊病例有过接触的人员数量，则可通过统计与确诊病例的移动轨迹有重叠的用户的数量而获得。
步骤S120：基于各个区域对应的风险评估数据对各个区域进行风险评估，获得各个区域对应的风险评估结果。
其中，每个等级区域中的各个区域对应的风险评估数据相同，例如，城市等级区域中各个城市区域对应的风险评估数据是相同的，这样对每个等级区域中的各个区域进行风险评估后，可横向比较各个区域的风险高低。
在具体实现过程中，利用风险评估数据对各个区域进行风险评估时，可以采集各个区域对应的风险评估数据的具体数值，对于同一等级区域，可以按照风险评估数据的具体数值的大小进行排序，风险评估数据的具体数值大的区域其风险较大，风险评估数据的具体数值小的区域其风险较小，按照这种方式即可将各个等级区域中的各个区域按照风险大小进行区分，获得各个区域对应的风险大小，从而获得各个区域对应的风险评估结果。
在上述实现过程中，将区域分为不同等级，不同等级区域对应的风险评估数据不同，并且风险评估数据中包括由信令数据所确定的数据，这样在评估过程中，根据不同等级区域提供不同维度的数据，可以更加贴合各个不同等级区域的特点，通过信令数据可将空间维度提升至更微观的等级，从而实现更细粒度的风险评估。
作为一种实施方式，为了贴合城市等级区域、区县等级区域和居住等级区域的相关特点，实现对不同等级区域更细粒度的风险评估。城市等级区域对应的风险评估数据包括：从疫区流出至各个城市区域的人数以及各个城市区域的确诊病例人数，区县等级区域对应的风险评估数据包括：从疫区流出至各个区县区域的人数、各个区县区域的确诊病例人数、各个区县区域的疑似病例人数以及各个区县区域内与确诊病例有相同轨迹的伴随人数，居住等级区域对应的风险评估数据包括：从疫区流出至各个居住区域的夜间驻留人员数量、各个居住区域的确诊病例人数、各个居住区域的疑似病例人数以及与确诊病例有相同轨迹的伴随人数。
其中，从疫区流出至各个城市区域的人数可以采用如下方式获得：例如，城市区域1为疫区，获取在一定时间段内疫区内的用户的移动轨迹，基于该移动轨迹可判断用户是否离开疫区移动到对应的城市区域，该移动轨迹可以基于用户的定位数据获得，例如，可以获取疫区内各个用户终端的定位位置，基于每个用户终端的定位位置即可形成该用户的移动轨迹；或者，移动轨迹也可以基于用户的用户终端与基站进行信令交互产生的信令数据获得，例如，可以通过获取与每个用户终端产生交互的基站的信息，基站的信息包括基站所在的位置，这样基于这些基站所在的位置即可形成每个用户的移动轨迹，进而可基于移动轨迹判断用户是否为从疫区流出至城市区域的用户，进而可统计预设时间段内疫区流出至各个城市区域的人数。
各个城市区域的确诊病例人数可以是通过各个城市区域中各个医院上报的确诊病例统计获得的。
区县等级区域对应的风险评估数据中的从疫区流出至各个区县区域的人数的获取方式与上述获取从疫区流出至各个城市区域的人数的获取方式类似，在此不过多描述；各个区县区域的确诊病例人数以及疑似病例人数也可以从各个区县区域的各个医院上报的确诊病例和疑似病例统计获得的。
居住等级区域对应的风险评估数据中的从疫区流出至各个居住区域的夜间驻留人员数量也可以按照上述方式统计从疫区流出至各个居住区域的人数，然后通过这些用户的用户终端产生的信令数据判断这些用户的夜间驻留位置，例如，一个用户在14天内晚8点-12点之间有5个驻留位置，统计用户分别在这5个驻留位置的驻留总时长，驻留总时长最长的位置(如某个居住区域)即作为该用户在该居住区域的夜间驻留位置。这样可通过空间运算，将用户的夜间驻留位置与居住区域的空间位置做重叠判断，从而获得用户在各个居住区域的夜间驻留人员数量。
居住等级区域对应的风险评估数据中的各个居住区域的确诊病例人数、各个居住区域的疑似病例人数也可以根据各个居住区域所在的区县区域内的确诊病例人数和疑似病例人数来获得，如可以通过区县区域内的确诊病例人数和疑似病例人数所在的居住区域来确定。
需要说明的是，上述的风险评估数据中的确诊病例人数和疑似病例人数等数据是指在突发公共卫生事件发生时，通过疾控中心或医院发布的官方数据获得的。
另外，在具体实现过程中，上述的区县等级区域对应的风险评估数据以及居住等级区域对应的风险评估数据中与确诊病例有相同轨迹的伴随人数的获取方式可采用如下过程获得：获取在同一时间段内与确诊病例的用户终端产生的信令数据的位置有预设重叠度的用户，然后确定这些用户的数量，该用户的数量即为与确诊病例有相同轨迹的伴随人数。
例如，疫区有一确诊病例1流入城市区域1，确诊病例1在从疫区移动到城市区域1的过程中，确诊病例1的用户终端与基站进行交互，产生信令数据，在获得确诊病例1的用户终端产生的信令数据后，由于信令数据中可包括产生信令数据的时间、地点、交互的基站等信息，所以，可基于这些信令数据获得其产生信令数据的位置，然后在对从疫区流入城市区域1的这些用户的信令数据进行分析，获得每个用户的信令数据产生的位置，将这些位置与确诊病例1对应的位置进行重叠度计算，如若确诊病例1经过的位置包括位置1、位置2、位置3和位置4，则比较这些用户所经过的位置中是否存在确诊病例1所经过的至少一个位置，若是，则表示该用户为与确诊病例1所经过的位置有预设重叠度的用户，表明可能该用户有被确诊病例1传染的可能性，所以，这些用户的数量即为与确诊病例有相同轨迹的伴随人数。
在上述实现过程中，通过信令数据确定与确诊病例有相同轨迹的伴随人数，由于信令数据可以实现对用户终端更准确地定位，从而可以获得更准确的伴随人数。
作为一种实施方式，上述确定与确诊病例有相同轨迹的伴随人数的过程中，还可以在一时间段内，基于确诊病例的用户终端产生的信令数据对确诊病例的用户终端进行定位，获得与确诊病例的用户终端进行信令交互产生的信令数据时的各个基站，然后获取同一时间段内与各个基站中的预设数量的基站有过信令交互的目标用户终端，该目标用户终端对应的用户为与确诊病例的用户终端产生的信令数据所在的位置有预设重叠度的用户。
例如，在一定时间段内，获取确诊病例1的用户终端产生的信令数据，信令数据中包括有与用户终端交互的基站信息、时间、地点等，如此可获得与确诊病例1的用户终端进行信令交互的各个基站，则可统计在同一时间段内与这各个基站有过信令交互的目标用户终端，这里可以理解为：若确诊病例1的用户终端在一天内与30个基站进行了交互，其中预设数量若设置为25个(预设数量可以根据实际情况而设置)，而某个目标用户终端也在这一天内与40个基站进行了交互，若确诊病例1与目标用户终端共同交互的基站的数量有25个基站或超过25个基站(如26个基站)，且两者与每个基站的交互时间不超过一定时间范围，如前后相差5分钟，则表示该目标用户终端对应的用户即为与确诊病例1的用户终端产生的信令数据所在的位置有预设重叠度的用户。
按照上述方式，则可统计出多个目标用户终端，这些目标用户终端的数量即可作为与确诊病例有相同轨迹的伴随人数。
需要说明的是，与确诊病例有相同轨迹可以理解为两者的轨迹部分相同或全部相同均可。
在上述实现过程中，由于通过基站的覆盖范围较小，从而可以更准确的知晓用户的移动轨迹，进而可以获得更准确的数据。
作为一种实施方式，还可以通过如下方式确定从疫区流出至各个区县区域的人数：获取疫区的每个用户终端产生的信令数据，基于每个用户终端产生的信令数据对每个用户终端进行定位，获得与每个用户终端进行信令交互产生信令数据时的各个基站，确定各个基站所在的区域，若这些区域包括目标区县区域，则统计出现在目标区县区域的用户终端的数量，将出现在目标区县区域的用户终端的数量作为从疫区流出至目标区县区域的人数。
例如，可以先确定某个时间点(如5天前)出现在疫区的用户终端，然后统计这5天内这些用户终端产生的信令数据，基于上述所介绍的方式可基于信令数据对这些用户终端进行定位，获得与这些用户终端进行信令交互的各个基站，通过这些基站所在的位置可形成用户终端的移动轨迹，从数据库中存储的多个基站所在的区域来查找获得这些基站所在的区域，这个区域可以是具体的区县区域，也可以是更小范围的街道、小区等地点，若某一用户终端所交互的基站所在的区域包括目标区县区域时，则表示该用户终端对应的用户为从疫区流出至目标区县区域的用户，如此，按照该方式，可统计从疫区流出至各个区县区域的人数。
可以理解地，基于同样的实现方式，对于获取从疫区流出至各个城市区域的人数也可以按照上述同样的方法获得，为了描述的简洁，在此不再重复介绍。
在上述实现过程中，通过信令数据可以对用户终端实现更准确的定位，从而可以准确获得从疫区流出至区县区域的用户数量。
需要说明的是，本申请实施例中，各个等级区域对应的风险评估数据也不仅仅包括上述所示的几种，在实际应用中，还可以结合各个区域自身的特点以及目标公共卫生事件的特点来确定其他风险评估数据。
如此，通过上述介绍的风险评估数据，可以结合不同空间维度在风险评估上的不同需求和区别，提供不同数据维度，并且数据结合确诊病例的信令数据，基站位置精度可达250米，这样通过基站的微观位置，将居住区域、区县区域和城市区域等空间位置的相交判断，可汇总这些空间等级的相关人群数量，也即可将空间维度提升至更微观的等级，解决了传统评估方法收集数据困难、空间维度较为宏观的问题，另外根据确诊病例的信令数据，可以找出有同轨迹的伴随人员的数量，添加了潜在可能被传染的人群数据，对传统评估方法中不能评估的可能被传染的潜在风险维度提供数据支撑。
另外，在确定各个等级区域对应的风险评估数据时，还可以基于各种风险评估数据对风险评估结果的影响程度来确定，如作为一种实施方式，可以先获取不同等级区域中各个区域针对目标公共卫生事件的初始风险评估数据，然后基于初始风险评估数据对风险评估的影响程度，对初始风险评估数据进行筛选，获得用于进行风险评估的风险评估数据。
其中，可以采用解释模型来确定各个初始风险评估数据对风险评估结果的影响程度，如解释模型可以为以一种统一的方法来解释任何机器学习模型的输出(SHapleyAdditive exPlanations，SHAP)和Infocode算法模型等。
例如，影响程度可采用SHAP值来标准，这样可通过SHAP模型来计算各个初始风险评估数据对应的SHAP值，在获得各个初始风险评估数据对应的SHAP值后，可选取SHAP值大于一定数值的初始风险评估数据作为最后用于进行风险评估的风险评估数据，这样可使得用于进行风险评估的风险评估数据是对风险评估结果影响较大的数据，更加有利于对各个风险评估数据进行风险评估。
在具体利用各个区域对应的风险评估数据对各个区域进行风险评估时，为了便于将同一等级的各个区域的风险评估结果进行横向比较，作为一种实施方式，可以先对各个区域对应的风险评估数据按照预设归一化处理方法进行归一化处理，获得归一化数据，然后基于归一化数据对各个区域进行风险评估，获得各个区域对应的风险评估结果。
其中，归一化是将样本的特征值转换到同一量纲下把数据映射到[0,1]其他数值范围，其主要是把有量纲表达式变成无量纲表达式，便于不同单位或量级的指标能够进行比较和加权。
本申请实施例中，预设归一化处理方法可以是采用如下公式进行归一化处理：(当前值-最小值)/(最大值-最小值)，例如，针对某个城市区域的数据进行归一化处理，若多个城市区域的确诊病例人数的最大值为3000，最小值为50，某个城市区域的确诊病例人数为2000，则对该数据进行归一化处理的方式即为：(2000-50)/(3000-50)＝0.66。按照该方式，可以对每个区域涉及的各个风险评估数据均进行这样的归一化处理。
对风险评估数据进行归一化处理后，获得的各个区域对应的各个风险评估数据对应的归一化数据，如对于某个城市区域，其归一化数据包括确诊病例人数以及从疫区流出至城市区域的人数，基于归一化数据对这些城市区域进行风险评估时，可以将每个城市区域对应的两类归一化数据的数值进行求和或者求平均，或者其他计算方式均可，计算获得的数据可作为城市区域的风险评估的数据依据。例如，某个城市区域的确诊病例人数归一化后的数值为0.66，从疫区流出至该城市区域的人数归一化后的数值为0.58，则该城市区域最后的归一化数据求和后获得的数值为1.24，若有5个城市区域，则将这5个城市区域均按照该方式获得对应的归一化数据。在进行风险评估时，可将归一化数据求和后获得的具体数值按照从大到小排序，或者数值最大的城市区域的风险最大，数值最小的城市区域的风险最小，如此可获得各个城市区域的风险评估结果。
而针对区县区域和居住区域也可按照类似的方式进行风险评估，在此不再详细介绍。
在上述实现过程中，通过对数据进行归一化处理，这样实现便于对各个区域进行风险评估结果比较。
为了便于更加直观地获得各个区域的风险评估结果，作为一种实施方式，还可以将归一化数据乘以各个等级区域对应的预设权重，获得各个区域对应的风险指数，然后按照同一等级区域中各个区域对应的风险指数的大小，将同一等级区域中各个区域的风险指数映射到多个风险等级，获得每个等级区域中各个区域对应的风险评估结果，该风险等级用于表征风险评估结果。
其中，预设权重可以是针对不同等级区域设定的，这样可针对不同等级的区域可在空间尺度上实现不同维度的风险评估，例如，与确诊病例有相同轨迹的伴随人员的数据对居住区域的风险影响较大，所以，对于居住等级区域对应的预设权重比区县等级区域的预设权重高。例如，针对上述举例的某一城市区域，其城市等级区域对应的预设权重若为0.5，则上述举例中城市区域的风险指数应为0.625，不同的风险指数映射到不同的风险等级时，可以预先针对不同风险等级设置风险指数范围，如可分为5个风险等级，风险等级1表示风险最大，其对应的风险指数范围为0.8-1，风险等级2对应的风险指数范围为0.6-0.799，风险等级3对应的风险指数范围为0.4-0.599，风险等级4对应的风险指数范围为0.2-0.399，风险等级5表示风险最小，其对应的风险指数范围为0-0.199，按照该映射方式，则上述城市区域对应的风险等级为风险等级2，该风险等级2即为该城市区域的风险评估结果。
针对其他各个区域也可按照上述方式获得每个区域的风险等级，对于不同等级区域，其设置的风险等级对应的风险指数范围可以不同，也可以相同，其具体可根据实际需求灵活设置，这样可对各个区域实现更细粒度的风险评估，而不是按照统一标准进行风险评估。
或者，由于风险指数的分布不均匀，风险等级也可以根据各个风险指数的排列位置对应的百分位数确定，不同的排列位置对应的百分位数对应了不同的风险等级，如可将各个城市区域对应的风险指数按照由大到小的顺序进行排序，排在前95％-100％的风险指数对应风险等级1，表示风险等级较高，对应高风险，排在80％-95％(不包含95％)的风险指数对应风险等级2，对应中高风险，排在60％-80％(不包含80％)的风险指数对应风险等级3，对应中风险，排在40％-60％(不包含60％)的风险指数对应风险等级4，对应低风险，0％-40％(不包含40％)对应风险等级5，对应轻微风险，如上述的城市区域的风险指数应为0.625，位于80％-95％所在的排列位置，则该城市区域对应的风险等级为2，按照该方式，也可以将不同风险指数映射到对应的风险等级。
在上述实现过程中，采用风险等级表征风险评估结果，便于更直观地比较各个区域的风险高低。
在获得各个区域对应的风险评估结果后，为了对各个区域进行风险管控，还可以基于各个区域对应的风险评估结果确定对各个区域所采取的风险防控措施，然后输出各个区域对应的风险防控措施。
例如，可以预先针对每个等级区域对应的风险等级设定对应的风险防控措施，这样在获得每个等级区域中的各个区域的风险等级后，可自动查找到对应的风险防控措施，然后可输出给风险管控人员进行参考，风险管控人员则可根据获得的风险防控措施对各个区域进行风险防控。
其中，各个风险评估结果可以日度进行更新，这样使得风险管控人员可以实时掌握各个区域的风险是否有变化，从而可以及时改变风险防控措施，以便对各个区域进行更好更有效地风险防控。
另外，也可以将该各个区域对应的风险评估结果展示在软件平台上，这些软件平台包括但不限于SaaS平台、H5页面和小程序等，这样用户可以通过软件平台查看任意城市、区县或小区的风险评结果，对用户的出行风险防控、防护措施的佩戴等提供参考依据。
请参照图3，图3为本申请实施例提供的一种公共卫生事件风险评估装置200的结构框图，该装置200可以是电子设备上的模块、程序段或代码。应理解，该装置200与上述图2方法实施例对应，能够执行图2方法实施例涉及的各个步骤，该装置200具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。
可选地，所述装置200包括：
数据获取模块210，用于获取不同等级区域中各个区域针对目标公共卫生事件的风险评估数据，其中，所述不同等级区域对应的风险评估数据不同，所述风险评估数据包括基于用户的用户终端产生的信令数据所确定的数据；
风险评估模块220，用于基于各个区域对应的风险评估数据对各个区域进行风险评估，获得各个区域对应的风险评估结果。
可选地，所述不同等级区域包括城市等级区域、区县等级区域以及居住等级区域，所述城市等级区域包括多个城市区域，所述区县等级区域包括多个区县区域，所述居住等级区域包括多个居住区域。
可选地，所述城市等级区域对应的风险评估数据包括：从疫区流出至各个城市区域的人数以及各个城市区域的确诊病例人数，所述区县等级区域对应的风险评估数据包括：从疫区流出至各个区县区域的人数、各个区县区域的确诊病例人数、各个区县区域的疑似病例人数以及各个区县区域内与确诊病例有相同轨迹的伴随人数，所述居住等级区域对应的风险评估数据包括：从疫区流出至各个居住区域的夜间驻留人员数量、各个居住区域的确诊病例人数、各个居住区域的疑似病例人数以及与确诊病例有相同轨迹的伴随人数。
可选地，所述数据获取模块210，用于获取在同一时间段内与确诊病例的用户终端产生的信令数据的位置有预设重叠度的用户；确定所述用户的数量，所述用户的数量为与所述确诊病例有相同轨迹的伴随人数。
可选地，所述数据获取模块210，用于在一时间段内，基于所述确诊病例的用户终端产生的信令数据对所述确诊病例的用户终端进行定位，获得与所述确诊病例的用户终端进行信令交互产生信令数据时的各个基站；获取在同一时间段内与所述各个基站中的预设数量的基站有过信令交互的目标用户终端，所述目标用户终端对应的用户为与所述确诊病例的用户终端产生的信令数据所在的位置有预设重叠度的用户。
可选地，所述数据获取模块210，用于获取疫区的每个用户终端产生的信令数据；基于所述每个用户终端产生的信令数据对所述每个用户终端进行定位，获得与所述每个用户终端进行信令交互产生信令数据时的各个基站；确定所述各个基站所在的区域，若所述区域包括目标区县区域，则统计出现在所述目标区县区域的用户终端的数量，将所述出现在所述目标区县区域的用户终端的数量作为从疫区流出至所述目标区县区域的人数。
可选地，所述风险评估模块220，用于对各个区域对应的风险评估数据按照预设归一化处理方法进行归一化处理，获得归一化数据；基于所述归一化数据对各个区域进行风险评估，获得各个区域对应的风险评估结果。
可选地，所述风险评估模块220，用于将所述归一化数据乘以各个等级区域对应的预设权重，获得各个区域对应的风险指数；按照同一等级区域中各个区域对应的风险指数的大小，将同一等级区域中各个区域的风险指数映射到多个风险等级，获得每个等级区域中各个区域对应的风险评估结果，所述风险等级用于表征风险评估结果。
可选地，所述装置200还包括：
风险防控措施输出模块，用于基于各个区域对应的风险评估结果确定对各个区域所采取的风险防控措施；输出各个区域对应的风险防控措施。
本申请实施例提供一种可读存储介质，所述计算机程序被处理器执行时，执行如图2所示方法实施例中电子设备所执行的方法过程。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如，包括：获取不同等级区域中各个区域针对目标公共卫生事件的风险评估数据，其中，所述不同等级区域对应的风险评估数据不同，所述风险评估数据包括基于用户的用户终端产生的信令数据所确定的数据；基于各个区域对应的风险评估数据对各个区域进行风险评估，获得各个区域对应的风险评估结果。
综上所述，本申请实施例提供一种公共卫生事件风险评估方法及装置，该方法中，将区域分为不同等级，不同等级区域对应的风险评估数据不同，并且风险评估数据中包括由信令数据所确定的数据，这样在评估过程中，根据不同等级区域提供不同维度的数据，可以更加贴合各个不同等级区域的特点，通过信令数据可将空间维度提升至更微观的等级，从而实现更细粒度的风险评估。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种公共卫生事件风险评估方法，其特征在于，所述方法包括：
获取不同等级区域中各个区域针对目标公共卫生事件的风险评估数据，其中，所述不同等级区域对应的风险评估数据不同，所述风险评估数据包括基于用户的用户终端产生的信令数据所确定的数据；
基于各个区域对应的风险评估数据对各个区域进行风险评估，获得各个区域对应的风险评估结果。
2.根据权利要求1所述的方法，其特征在于，所述不同等级区域包括城市等级区域、区县等级区域以及居住等级区域，所述城市等级区域包括多个城市区域，所述区县等级区域包括多个区县区域，所述居住等级区域包括多个居住区域。
3.根据权利要求2所述的方法，其特征在于，所述城市等级区域对应的风险评估数据包括：从疫区流出至各个城市区域的人数以及各个城市区域的确诊病例人数，所述区县等级区域对应的风险评估数据包括：从疫区流出至各个区县区域的人数、各个区县区域的确诊病例人数、各个区县区域的疑似病例人数以及各个区县区域内与确诊病例有相同轨迹的伴随人数，所述居住等级区域对应的风险评估数据包括：从疫区流出至各个居住区域的夜间驻留人员数量、各个居住区域的确诊病例人数、各个居住区域的疑似病例人数以及与确诊病例有相同轨迹的伴随人数。
4.根据权利要求3所述的方法，其特征在于，通过如下方式确定与确诊病例有相同轨迹的伴随人数：
获取在同一时间段内与确诊病例的用户终端产生的信令数据的位置有预设重叠度的用户；
确定所述用户的数量，所述用户的数量为与所述确诊病例有相同轨迹的伴随人数。
5.根据权利要求4所述的方法，其特征在于，所述获取在同一时间段内与确诊病例的用户终端产生的信令数据的位置有预设重叠度的用户，包括：
在一时间段内，基于所述确诊病例的用户终端产生的信令数据对所述确诊病例的用户终端进行定位，获得与所述确诊病例的用户终端进行信令交互产生信令数据时的各个基站；
获取在同一时间段内与所述各个基站中的预设数量的基站有过信令交互的目标用户终端，所述目标用户终端对应的用户为与所述确诊病例的用户终端产生的信令数据所在的位置有预设重叠度的用户。
6.根据权利要求3所述的方法，其特征在于，通过如下方式确定从疫区流出至各个区县区域的人数：
获取疫区的每个用户终端产生的信令数据；
基于所述每个用户终端产生的信令数据对所述每个用户终端进行定位，获得与所述每个用户终端进行信令交互产生信令数据时的各个基站；
确定所述各个基站所在的区域，若所述区域包括目标区县区域，则统计出现在所述目标区县区域的用户终端的数量，将所述出现在所述目标区县区域的用户终端的数量作为从疫区流出至所述目标区县区域的人数。
7.根据权利要求1所述的方法，其特征在于，所述基于各个区域对应的风险评估数据对各个区域进行风险评估，获得各个区域对应的风险评估结果，包括：
对各个区域对应的风险评估数据按照预设归一化处理方法进行归一化处理，获得归一化数据；
基于所述归一化数据对各个区域进行风险评估，获得各个区域对应的风险评估结果。
8.根据权利要求7所述的方法，其特征在于，所述基于所述归一化数据对各个区域进行风险评估，获得各个区域对应的风险评估结果，包括：
将所述归一化数据乘以各个等级区域对应的预设权重，获得各个区域对应的风险指数；
按照同一等级区域中各个区域对应的风险指数的大小，将同一等级区域中各个区域的风险指数映射到多个风险等级，获得每个等级区域中各个区域对应的风险评估结果，所述风险等级用于表征风险评估结果。
9.根据权利要求1所述的方法，其特征在于，所述获得各个区域对应的风险评估结果之后，还包括：
基于各个区域对应的风险评估结果确定对各个区域所采取的风险防控措施；
输出各个区域对应的风险防控措施。
10.一种公共卫生事件风险评估装置，其特征在于，所述装置包括：
数据获取模块，用于获取不同等级区域中各个区域针对目标公共卫生事件的风险评估数据，其中，所述不同等级区域对应的风险评估数据不同，所述风险评估数据包括基于用户的用户终端产生的信令数据所确定的数据；
风险评估模块，用于基于各个区域对应的风险评估数据对各个区域进行风险评估，获得各个区域对应的风险评估结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010283391.8A CN111489831A (zh) | 2020-04-10 | 2020-04-10 | 公共卫生事件风险评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010283391.8A CN111489831A (zh) | 2020-04-10 | 2020-04-10 | 公共卫生事件风险评估方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111489831A true CN111489831A (zh) | 2020-08-04 |
Family
ID=71798235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010283391.8A Pending CN111489831A (zh) | 2020-04-10 | 2020-04-10 | 公共卫生事件风险评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111489831A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112330742A (zh) * | 2020-11-03 | 2021-02-05 | 盈合(深圳)机器人与自动化科技有限公司 | 公共区域重点人员活动路线记录方法及装置 |
| CN112669978A (zh) * | 2020-11-23 | 2021-04-16 | 广州大学 | 一种疫情感染风险评估方法 |
| CN113192644A (zh) * | 2021-02-26 | 2021-07-30 | 上海市疾病预防控制中心 | 针对区域疫情风险实现量化分级评估检测的方法、装置、处理器及其计算机可读存储介质 |
| CN113511152A (zh) * | 2021-09-15 | 2021-10-19 | 李斯特技术中心（上海）有限公司 | 车辆卫生评价的方法、装置、车辆及电子设备 |
| CN113793690A (zh) * | 2021-08-31 | 2021-12-14 | 医渡云（北京）技术有限公司 | 传染病的区域风险评估方法、装置、存储介质及设备 |
| WO2023083153A1 (zh) * | 2021-11-11 | 2023-05-19 | 华为技术有限公司 | 获取安全分级结果的方法及通信装置 |
| CN116705340A (zh) * | 2023-04-07 | 2023-09-05 | 中南大学湘雅三医院 | 一种基于区块链的公共卫生智慧监测系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105101087A (zh) * | 2015-07-29 | 2015-11-25 | 郭今戈 | 基于位置区及实时通信的人流估算及趋势预测方法及系统 |
| CN105512772A (zh) * | 2015-12-22 | 2016-04-20 | 重庆邮电大学 | 一种基于移动网络信令数据的动态人流量预警方法 |
| CN106156528A (zh) * | 2016-08-01 | 2016-11-23 | 中国科学院深圳先进技术研究院 | 一种轨迹数据停留识别方法及系统 |
| CN108133438A (zh) * | 2017-12-01 | 2018-06-08 | 深圳前海数创人工智能有限公司 | 基于人流密度的突发事件预警短信精准发布系统及方法 |
| 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
- 2020-04-10 CN CN202010283391.8A patent/CN111489831A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105101087A (zh) * | 2015-07-29 | 2015-11-25 | 郭今戈 | 基于位置区及实时通信的人流估算及趋势预测方法及系统 |
| CN105512772A (zh) * | 2015-12-22 | 2016-04-20 | 重庆邮电大学 | 一种基于移动网络信令数据的动态人流量预警方法 |
| CN106156528A (zh) * | 2016-08-01 | 2016-11-23 | 中国科学院深圳先进技术研究院 | 一种轨迹数据停留识别方法及系统 |
| CN108133438A (zh) * | 2017-12-01 | 2018-06-08 | 深圳前海数创人工智能有限公司 | 基于人流密度的突发事件预警短信精准发布系统及方法 |
| 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 (3)
| Title |
|---|
| 中国信息通信研究院: "疫情防控中的数据与智能应用研究报告（1.0版）", 《HTTP://WWW.CAICT.AC.CN/KXYJ/QWFB/ZTBG/202003/P020200305495005485729.PDF》 * |
| 国家卫生健康委办公厅: "新型冠状病毒肺炎防控方案（第五版）", 《WWW.SATCM.GOV.CN/XINXIFABU/SHIZHENGYAOWEN/2020-02-21/13264.HTML》 * |
| 阿呆233: "丁香园上线「疫情地图」，帮你实时了解新型肺炎最新进展！", 《HTTPS://WWW.DXY.CN/BBS/NEWWEB/PC/POST/42650241》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112330742A (zh) * | 2020-11-03 | 2021-02-05 | 盈合(深圳)机器人与自动化科技有限公司 | 公共区域重点人员活动路线记录方法及装置 |
| CN112669978A (zh) * | 2020-11-23 | 2021-04-16 | 广州大学 | 一种疫情感染风险评估方法 |
| CN113192644A (zh) * | 2021-02-26 | 2021-07-30 | 上海市疾病预防控制中心 | 针对区域疫情风险实现量化分级评估检测的方法、装置、处理器及其计算机可读存储介质 |
| CN113192644B (zh) * | 2021-02-26 | 2024-05-24 | 上海市疾病预防控制中心 | 针对区域疫情风险实现量化分级评估检测的方法、装置、处理器及其计算机可读存储介质 |
| CN113793690A (zh) * | 2021-08-31 | 2021-12-14 | 医渡云（北京）技术有限公司 | 传染病的区域风险评估方法、装置、存储介质及设备 |
| CN113793690B (zh) * | 2021-08-31 | 2024-03-12 | 医渡云（北京）技术有限公司 | 传染病的区域风险评估方法、装置、存储介质及设备 |
| CN113511152A (zh) * | 2021-09-15 | 2021-10-19 | 李斯特技术中心（上海）有限公司 | 车辆卫生评价的方法、装置、车辆及电子设备 |
| CN113511152B (zh) * | 2021-09-15 | 2022-02-11 | 李斯特技术中心（上海）有限公司 | 车辆卫生评价的方法、装置、车辆及电子设备 |
| WO2023083153A1 (zh) * | 2021-11-11 | 2023-05-19 | 华为技术有限公司 | 获取安全分级结果的方法及通信装置 |
| CN116705340A (zh) * | 2023-04-07 | 2023-09-05 | 中南大学湘雅三医院 | 一种基于区块链的公共卫生智慧监测系统及方法 |
| CN116705340B (zh) * | 2023-04-07 | 2024-02-02 | 中南大学湘雅三医院 | 一种基于区块链的公共卫生智慧监测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111489831A (zh) | 公共卫生事件风险评估方法及装置 | |
| Lazarus et al. | Using automated medical records for rapid identification of illness syndromes (syndromic surveillance): the example of lower respiratory infection | |
| Ackerman et al. | How far to travel? A multilevel analysis of the residence-to-crime distance | |
| Rosenthal et al. | The geographic distribution of physicians revisited | |
| Yan et al. | Establishing a web-based integrated surveillance system for early detection of infectious disease epidemic in rural China: a field experimental study | |
| US20120220274A1 (en) | Position information analysis device and position information analysis method | |
| KR102517791B1 (ko) | 지역사회재난 안전도 진단방법 | |
| Achrekar et al. | Online social networks flu trend tracker: a novel sensory approach to predict flu trends | |
| Ohiri et al. | An assessment of data availability, quality, and use in malaria program decision making in Nigeria | |
| Quick | Multiscale spatiotemporal patterns of crime: a Bayesian cross-classified multilevel modelling approach | |
| CN114141385B (zh) | 一种用于传染病的预警方法、系统和可读存储介质 | |
| Dong et al. | GPS Trajectory‐Based Spatio‐Temporal Variations of Traffic Accessibility under Public Health Emergency Consideration | |
| Savory et al. | Enhancing spatial detection accuracy for syndromic surveillance with street level incidence data | |
| Post et al. | Risk and vulnerability assessment to tsunami and coastal hazards in Indonesia: Conceptual framework and indicator development | |
| Yiannakoulias et al. | Using administrative data to understand the geography of case ascertainment | |
| Davis et al. | Use of statewide electronic emergency department data for occupational injury surveillance: a feasibility study in Massachusetts | |
| Alkobaisi et al. | A novel health monitoring system using patient trajectory analysis: Challenges and opportunities | |
| Philibert et al. | Predictors of residential mobility among older Canadians and impact on analyses of place and health relationships | |
| Diggle et al. | Tracking health outcomes in space and time: Spatial and spatio-temporal methods | |
| Evans et al. | The Zero-Corrected, Gravity-Model Estimator (ZERO-G): A novel method to create high-quality, continuous incidence estimates at the community-scale from passive surveillance data | |
| Dyck | Spatial analysis of ischemic heart disease in Manitoba | |
| Druschel et al. | Development of web-based geocoding applications for the population-based Birth Defects Surveillance System in New York state | |
| Sharma et al. | Application and Scope of Econometrics in Public Health | |
| Bastian et al. | Quantifying Uncertainty in Population Weighting of Twitter Analyses for Urban Risk Assessment | |
| Pegram et al. | Primary medical care workforce enumeration in rural and remote areas of Australia: time for a new approach? |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200804 |