CN111640515A - 区域的疫情风险确定方法、装置、计算机设备和存储介质 - Google Patents
区域的疫情风险确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111640515A CN111640515A CN202010456093.4A CN202010456093A CN111640515A CN 111640515 A CN111640515 A CN 111640515A CN 202010456093 A CN202010456093 A CN 202010456093A CN 111640515 A CN111640515 A CN 111640515A
- Authority
- CN
- China
- Prior art keywords
- suspected
- epidemic situation
- confirmed
- risk
- target area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000000969 carrier Substances 0.000 claims abstract description 68
- 238000003745 diagnosis Methods 0.000 claims description 60
- 238000013058 risk prediction model Methods 0.000 claims description 19
- 238000012790 confirmation Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 description 13
- 208000035473 Communicable disease Diseases 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000012216 screening Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 208000015181 infectious disease Diseases 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007306 turnover Effects 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
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种区域的疫情风险确定方法、装置、计算机设备和存储介质。所述方法包括:获取疫情确诊人员的轨迹信息和疑似人员的轨迹信息;根据所述确诊人员的轨迹信息,确定预设历史时间段内在目标区域的确诊住户和在所述目标区域出现过的携带者;根据所述疑似人员的轨迹信息,确定所述预设历史时间段内在所述目标区域的疑似携带住户和在所述目标区域出现过的疑似携带者;根据所述确诊住户、所述携带者、所述疑似携带住户和所述疑似携带者计算所述目标区域的疫情评分值;根据所述疫情评分值确定所述目标区域当前的疫情风险等级。采用本方法能够提高对区域的疫情风险确定的准确率。
Description
技术领域
本申请涉及疫情控制领域,特别是涉及一种区域的疫情风险确定方法、装置、计算机设备和存储介质。
背景技术
当前在针对传染性疾病的防控工作中,对于任意一个区域(小区、社区、街道、行政区、城市)的疫情风险,通常是基于在该区域所确定的确诊人员数量和疑似人员数量来进行确定。
然而上述确定区域的疫情风险确定所依据的数据过于单一,导致区域的疫情风险确定准确率较低。
发明内容
基于此,有必要针对区域的疫情风险确定准确率低的技术问题,提供一种区域的疫情风险确定方法、装置、计算机设备和存储介质。
一种区域的疫情风险确定方法,所述方法包括:
获取疫情确诊人员的轨迹信息和疑似人员的轨迹信息;
根据所述确诊人员的轨迹信息,确定预设历史时间段内在目标区域的确诊住户和在所述目标区域出现过的携带者;
根据所述疑似人员的轨迹信息,确定所述预设历史时间段内在所述目标区域的疑似携带住户和在所述目标区域出现过的疑似携带者;
根据所述确诊住户、所述携带者、所述疑似携带住户和所述疑似携带者计算所述目标区域的疫情评分值;
根据所述疫情评分值确定所述目标区域当前的疫情风险等级。
在一个实施例中,所述根据所述确诊住户、所述携带者、所述疑似携带住户和所述疑似携带者计算所述目标区域的疫情评分值,包括:
确定所述确诊住户的确诊住户数量和所述携带者的携带者数量,以及确定所述疑似携带住户的疑似携带住户数量和所述疑似携带者的疑似携带者数量;
分别获取所述确诊住户数量、所述携带者数量、所述疑似携带住户数量和所述疑似携带者数量对应的第一确诊评分系数、第二确诊评分系数、第一疑似评分系数和第二疑似评分系数;
根据所述确诊住户数量和所述第一确诊评分系数计算第一确诊评分;根据所述携带者数量和所述第二确诊评分系数计算第二确诊评分;根据所述疑似携带住户数量和所述第一疑似评分系数计算第一疑似评分;根据所述疑似携带者数量和所述第二疑似评分系数计算第二疑似评分;
将所述第一确诊评分、所述第二确诊评分、所述第一疑似评分和所述第二确诊评分进行累加,得到所述目标区域当前的疫情评分值。
在一个实施例中,所述方法还包括:
获取目标观测时间内每天的疫情风险等级;
根据所述每天的疫情风险等级确定所述目标观测时间的疫情风险等级。
在一个实施例中,所述风险等级包括高危风险等级、中危风险等级和低危风险等级;
所述根据所述每天的疫情风险等级确定所述目标观测时间的疫情风险等级,包括:
确定所述目标观测时间内的高危天数、中危天数和低危天数,所述高危天数为高危风险等级的天数,所述中危天数为中危风险等级的天数,所述低危天数为低危风险等级的天数;
根据所述高危天数、所述中危天数、所述低危天数和所述目标观测时间所对应的总天数,确定所述目标观测时间的疫情风险等级。
在一个实施例中,所述方法还包括:
获取所述确诊住户的确诊时间信息和所述携带者的在所述目标区域出现的携带时间信息、以及所述疑似携带住户的确定时间信息和所述疑似携带者在所述目标区域的疑似携带时间信息;
将所述确诊时间信息、所述携带时间信息、所述确定时间信息和所述疑似携带时间信息输入疫情风险预测模型进行疫情预测,得到所述目标区域在预设未来时间段的预测疫情风险等级。
在一个实施例中,所述方法还包括:
获取所述确诊住户的属性信息和所述携带者的属性信息,以及获取所述疑似携带住户的属性信息和所述疑似携带者的属性信息;
根据所述确诊住户的属性信息和所述携带者属性信息,确定属于目标属性的第一住户和第一携带者;
根据所述疑似携带住户的属性信息和所述疑似携带者的属性信息,确定目标属性的第二住户和第二携带者;
根据所述第一住户、所述第一携带者、所述第二住户和所述第二携带者计算所述目标属性对应人群的疫情风险等级。
在一个实施例中,所述方法还包括:
获取所述第一住户的第一确定时间信息和所述第一携带者的在所述目标区域出现的第一携带时间信息,以及所述第二住户的第二确定时间信息和所述第二携带者在所述目标区域出现的第二携带时间信息;
将所述第一确定时间信息、所述第一携带时间信息、所述第二确定时间信息和所述第二携带时间信息输入属性疫情风险预测模型进行疫情预测,得到所述目标区域中所述目标属性对应人群在预设未来时间段的预测疫情风险等级。
一种区域的疫情风险确定装置,所述装置包括:
轨迹信息获取模块,用于获取疫情确诊人员的轨迹信息和疑似人员的轨迹信息;
确诊人员确定模块,用于根据所述确诊人员的轨迹信息,确定预设历史时间段内在目标区域的确诊住户和在所述目标区域出现过的携带者;
疑似人员确定模块,用于根据所述疑似人员的轨迹信息,确定所述预设历史时间段内在所述目标区域的疑似携带住户和在所述目标区域出现过的疑似携带者;
疫情评分值计算模块,用于根据所述确诊住户、所述携带者、所述疑似携带住户和所述疑似携带者计算所述目标区域的疫情评分值;
风险等级确定模块,用于根据所述疫情评分值确定所述目标区域当前的疫情风险等级。
在一个实施例中,所述疫情评分值计算模块还用于:
确定所述确诊住户的确诊住户数量和所述携带者的携带者数量,以及确定所述疑似携带住户的疑似携带住户数量和所述疑似携带者的疑似携带者数量;
分别获取所述确诊住户数量、所述携带者数量、所述疑似携带住户数量和所述疑似携带者数量对应的第一确诊评分系数、第二确诊评分系数、第一疑似评分系数和第二疑似评分系数;
根据所述确诊住户数量和所述第一确诊评分系数计算第一确诊评分;根据所述携带者数量和所述第二确诊评分系数计算第二确诊评分;根据所述疑似携带住户数量和所述第一疑似评分系数计算第一疑似评分;根据所述疑似携带者数量和所述第二疑似评分系数计算第二疑似评分;
将所述第一确诊评分、所述第二确诊评分、所述第一疑似评分和所述第二确诊评分进行累加,得到所述目标区域当前的疫情评分值。
在一个实施例中,所述装置还包括:
风险等级获取模块,用于获取目标观测时间内每天的疫情风险等级;
所述风险等级确定模块,还用于根据所述每天的疫情风险等级确定所述目标观测时间的疫情风险等级。
在一个实施例中,所述风险等级包括高危风险等级、中危风险等级和低危风险等级;
所述风险等级确定模块,还用于:
确定所述目标观测时间内的高危天数、中危天数和低危天数,所述高危天数为高危风险等级的天数,所述中危天数为中危风险等级的天数,所述低危天数为低危风险等级的天数;
根据所述高危天数、所述中危天数、所述低危天数和所述目标观测时间所对应的总天数,确定所述目标观测时间的疫情风险等级。
在一个实施例中,所述装置还包括:
时间信息获取模块,用于获取所述确诊住户的确诊时间信息和所述携带者的在所述目标区域出现的携带时间信息、以及所述疑似携带住户的确定时间信息和所述疑似携带者在所述目标区域的疑似携带时间信息;
风险等级预测模块,用于将所述确诊时间信息、所述携带时间信息、所述确定时间信息和所述疑似携带时间信息输入疫情风险预测模型进行疫情预测,得到所述目标区域在预设未来时间段的预测疫情风险等级。
在一个实施例中,所述装置还包括:
属性信息获取模块,获取所述确诊住户的属性信息和所述携带者的属性信息,以及获取所述疑似携带住户的属性信息和所述疑似携带者的属性信息;
所述确诊人员确定模块,还用于根据所述确诊住户的属性信息和所述携带者属性信息,确定属于目标属性的第一住户和第一携带者;
所述疑似人员确定模块,还用于根据所述疑似携带住户的属性信息和所述疑似携带者的属性信息,确定目标属性的第二住户和第二携带者;
所述风险等级确定模块,还用于根据所述第一住户、所述第一携带者、所述第二住户和所述第二携带者计算所述目标属性对应人群的疫情风险等级。
在一个实施例中,所述时间信息获取模块,还用于获取所述第一住户的第一确定时间信息和所述第一携带者的在所述目标区域出现的第一携带时间信息,以及所述第二住户的第二确定时间信息和所述第二携带者在所述目标区域出现的第二携带时间信息;
所述风险等级预测模块,还用于将所述第一确定时间信息、所述第一携带时间信息、所述第二确定时间信息和所述第二携带时间信息输入属性疫情风险预测模型进行疫情预测,得到所述目标区域中所述目标属性对应人群在预设未来时间段的预测疫情风险等级。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
上述区域的疫情风险确定方法、装置、计算机设备和存储介质,通过获取疫情确诊人员的轨迹信息和疑似人员的轨迹信息,根据确诊人员的轨迹信息,确定预设历史时间段内在目标区域的确诊住户和在目标区域出现过的携带者,根据疑似人员的轨迹信息,确定预设历史时间段内在目标区域的疑似携带住户和在目标区域出现过的疑似携带者,根据确诊住户、携带者、疑似携带住户和疑似携带者计算目标区域的疫情评分值,从而根据疫情评分值确定目标区域当前的疫情风险等级,即更加全面的对目标区域的疫情情况进行分析,从而提高了对目标区域的疫情风险确定的准确率。
附图说明
图1为一个实施例中区域的疫情风险确定方法的应用环境图;
图2为一个实施例中区域的疫情风险确定方法的流程示意图;
图3为一个实施例中区域的疫情风险预测步骤的流程示意图;
图4为一个实施例中目标人群的疫情风险确定步骤的流程示意图;
图5为另一个实施例中区域的疫情风险确定方法的流程示意图;
图6为一个实施例中区域的疫情风险确定装置的结构框图;
图7为另一个实施例中区域的疫情风险确定装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的区域的疫情风险确定方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。以上述区域的疫情风险确定方法执行于终端102为例,终端102获取疫情确诊人员的轨迹信息和疑似人员的轨迹信息;根据确诊人员的轨迹信息,确定预设历史时间段内在目标区域的确诊住户和在目标区域出现过的携带者;根据疑似人员的轨迹信息,确定预设历史时间段内在目标区域的疑似携带住户和在目标区域出现过的疑似携带者;根据确诊住户、携带者、疑似携带住户和疑似携带者计算目标区域的疫情评分值;根据疫情评分值确定目标区域当前的疫情风险等级。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种区域的疫情风险确定方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S202,获取疫情确诊人员的轨迹信息和疑似人员的轨迹信息。
其中,确诊人员是指经过医学检查或检测,并对其作出感染疫情对应传染病的诊断结果的人员。疑似人员是指具有疫情对应传染病所表现的临床症状,但没有进行医学检查或检测的人员。轨迹信息为在时空环境下,通过对确诊人员或疑似人员运动过程的采样所获得的数据信息,包括采样点位置、采样时间等,这些采样点数据信息根据采样先后顺序构成了轨迹信息。
在一个实施例中,城市的各个区域分别设置有防疫筛查站点,人员每进入或离开一个区域均需测量其体温,并获取该被测人员的身份信息,记录其进入或离开的时间,并将该被测人员的身份信息、体温、对应防疫筛查站点的位置、进入或离开时间作为被测人员的疫情数据,通过疫情筛查设备将被测人员的疫情数据上报到终端的疫情风险监控平台,终端的疫情风险监控平台对被测人员的疫情数据进行保存,终端可以根据所保存的被测人员的疫情数据中的位置、时间等数据确定被测人员的轨迹信息,并将该轨迹信息进行保存。其中,疫情筛查设备可以测量人员体温,对人员进行身份识别,且具有定位功能,可以输入人员的进出状态,疫情筛查设备可以是分别具有不同功能的设备的组合,例如将具有身份识别功能和定位功能的手机与具有蓝牙通信模块的人体温度测试仪的组合使用,则该手机和人体温度测试仪的组合即为疫情筛查设备。
在一个实施例中,终端每天获取疫情最新的确诊人员的身份信息和疑似人员的身份信息,并根据确诊人员的身份信息获取确诊人员的轨迹信息,根据疑似人员的身份信息获取疑似人员的轨迹信息。
在一个实施例中,疫情筛查设备将被测人员的疫情数据上报到终端的疫情风险监控平台之后,终端将被测人员的疫情数据发送到服务器,服务器对被测人员的疫情数据进行保存。
在一个实施例中,终端每日获取疫情最新的确诊人员的身份信息和疑似人员的身份信息之后,将确诊人员的身份信息和疑似人员的身份信息发送到服务器,服务器根据确诊人员的身份信息和疑似人员的身份信息,获取确诊人员对应的疫情数据和疑似人员对应的疫情数据,并根据所获取的疫情数据中的位置、时间等信息确定确诊人员的轨迹信息和疑似人员的轨迹信息,并将确诊人员的轨迹信息和疑似人员的轨迹信息发送至终端。
S204,根据确诊人员的轨迹信息,确定预设历史时间段内在目标区域的确诊住户和在目标区域出现过的携带者。
其中,预设历史时间段是根据疫情对应传染病的潜伏期进行确定的,例如疫情对应传染病的潜伏期为14天,则对应的预设历史时间段可以是当前时间之前的14天。目标区域为城市中待确定风险等级的区域。确诊住户为在目标区域确诊的人员,携带者为在预设历史时间段内轨迹信息中包含有目标区域的、在目标区域之外的其他区域确诊的人员。
在一个实施例中,终端获取目标区域的位置信息,并在获取到确诊人员的轨迹信息之后,根据目标区域的位置信息和确诊人员的轨迹信息,从确诊人员中筛选出预设历史时间段内在目标区域的确诊住户,以及预设历史时间段内在目标区域出现过的携带者。
S206,根据疑似人员的轨迹信息,确定预设历史时间段内在目标区域的疑似携带住户和在目标区域出现过的疑似携带者。
其中,疑似携带住户为在目标区域确定具有疫情对应传染病所表现的临床症状,而没有进行医学检查或检测的人员,疑似携带者为在预设历史时间段内轨迹信息中包含有目标区域的、在目标区域之外的其他区域确定具有疫情对应传染病所表现的临床症状,而没有进行医学检查或检测的人员。
在一个实施例中,终端获取目标区域的位置信息,并在获取到疑似人员的轨迹信息之后,根据目标区域的位置信息和疑似人员的轨迹信息,从疑似人员中筛选出预设历史时间段内在目标区域的疑似携带住户,以及预设历史时间段内在目标区域出现过的疑似携带者。
S208,根据确诊住户、携带者、疑似携带住户和疑似携带者计算目标区域的疫情评分值。
其中,疫情评分值用于确定疫情风险等级。
在一个实施例中,终端在确定出确诊住户、携带者、疑似携带住户和疑似携带者之后,分别确定确诊住户数量、携带者数量、疑似携带住户数量和疑似携带者数量,并根据上述各类人员的数量计算目标区域的疫情评分值。
在一个实施例中,终端在确定出确诊住户数量、携带者数量、疑似携带住户数量和疑似携带者数量之后,分别获取确诊住户、携带者、疑似携带住户和疑似携带者所对应的评分系数,并根据各类人员的数量和对应的评分系数计算目标区域的疫情评分值。
在一个实施例中,终端根据确诊住户、携带者、疑似携带住户和疑似携带者计算目标区域的疫情评分值具体过程如下:确定确诊住户的确诊住户数量和携带者的携带者数量,以及确定疑似携带住户的疑似携带住户数量和疑似携带者的疑似携带者数量;分别获取确诊住户数量、携带者数量、疑似携带住户数量和疑似携带者数量对应的第一确诊评分系数、第二确诊评分系数、第一疑似评分系数和第二疑似评分系数;根据确诊住户数量和第一确诊评分系数计算第一确诊评分;根据携带者数量和第二确诊评分系数计算第二确诊评分;根据疑似携带住户数量和第一疑似评分系数计算第一疑似评分;根据疑似携带者数量和第二疑似评分系数计算第二疑似评分;将第一确诊评分、第二确诊评分、第一疑似评分和第二确诊评分进行累加,得到目标区域当前的疫情评分值。
S210,根据疫情评分值确定目标区域当前的疫情风险等级。
其中,疫情风险等级用于评价目标区域的疫情对应传染病的传播风险,疫情风险等级可以划分为若干个等级,例如划分为高危风险等级、中危风险等级和低危风险等级。
在一个实施例中,终端将疫情风险等级划分为高危风险等级、中危风险等级和低危风险等级,并确定每个风险等级所对应的疫情评分值区间。当终端计算出疫情评分值之后,确定该疫情评分值所属的疫情评分值区间,并将疫情评分值所述的疫情评分值区间所对应的疫情风险等级确定为目标区域当前的疫情风险等级。
在一个实施例中,终端在确定出目标区域的疫情风险等级之后,还可以根据所确定的疫情风险等级确定目标区域在疫情地图上的显示颜色,终端按照所确定的显示颜色在疫情地图上对目标区域进行显示。
上述实施例中,通过获取疫情确诊人员的轨迹信息和疑似人员的轨迹信息,根据确诊人员的轨迹信息,确定预设历史时间段内在目标区域的确诊住户和在目标区域出现过的携带者,根据疑似人员的轨迹信息,确定预设历史时间段内在目标区域的疑似携带住户和在目标区域出现过的疑似携带者,根据确诊住户、携带者、疑似携带住户和疑似携带者计算目标区域的疫情评分值,从而根据疫情评分值确定目标区域当前的疫情风险等级,即更加全面的对目标区域的疫情情况进行分析,从而提高了对目标区域的疫情风险确定的准确率。
在一个实施例中,终端每天在确定出目标区域的疫情风险等级之后,对所确定的疫情风险等级和对应的日期进行保存。当终端需要对目标观测时间的疫情风险等级进行确定时,获取目标观测时间内每天的疫情风险等级,并根据目标观测时间内每天的风险疫情风险等级确定目标观测时间的疫情风险等级。例如,目标观测时间为距离当前时间最近一周,即需要确定目标区域最近一周的疫情风险等级,则获取最近一周内每天的疫情风险等级,并根据最近一周内每天的疫情风险等级确定最近一周所对应的疫情风险等级。
在一个实施例中,根据每天的疫情风险等级确定目标观测时间的疫情风险等级具体过程如下:确定目标观测时间内的高危天数、中危天数和低危天数,高危天数为高危风险等级的天数,中危天数为中危风险等级的天数,低危天数为低危风险等级的天数;根据高危天数、中危天数、低危天数和目标观测时间所对应的总天数,确定目标观测时间的疫情风险等级。
在一个实施例中,终端根据高危天数、中危天数、低危天数和目标观测时间所对应的总天数,确定目标观测时间的疫情风险等级具体过程如下:确定高危天数在目标观测时间所对应总天数的第一比例,中危天数在目标观测时间所对应总天数的第二比例,低危天数在目标观测时间所对应总天数的第三比例,当第一比例大于比例阈值时,确定目标观测时间的疫情风险等级为高危风险等级;当第一比例小于比例阈值,且第一比例与第二比例之和大于比例阈值时,确定目标观测时间的疫情风险等级为中危风险等级;当第一比例与第二比例之和小于比例阈值时,确定目标观测时间的疫情风险等级为低危风险等级。
例如,目标观测时间为距离当前时间最近一周,最近一周内高危天数有1天,中危天数为4,低危天数为2天,比例阈值为30%,计算得到高危天数对应的第一比例为14.3%,中危天数对应的第二比例为57.1%,低危天数对应的第三比例为28.6%,第一比例14.3%小于比例阈值30%,第一比例与第二比例之和71.4%大于比例阈值30%,从而确定目标区域最近一周的疫情风险等级为中危风险等级。
上述实施例中,终端通过获取目标观测时间内每天的疫情风险等级,从而可以根据目标观测时间内每天的风险疫情风险等级确定目标观测时间的疫情风险等级,进而可以确定出不同时间段内目标区域的疫情风险等级,更加全面的对目标区域的疫情情况进行分析,从而提高了对目标区域的疫情风险确定的准确率。
在一个实施例中,如图3所示,上述区域的疫情风险确定方法还包括对目标区域未来时间段的疫情风险等级进行预测的过程,具体包括以下步骤:
S302,获取确诊住户的确诊时间信息和携带者的在目标区域出现的携带时间信息、以及疑似携带住户的确定时间信息和疑似携带者在目标区域的疑似携带时间信息。
其中,确诊时间信息为确诊住户被确诊的时间,携带时间信息为携带者在目标区域出现并停留的时间区间,确定时间信息未疑似携带住户被确定具有疫情对应传染病的症状的时间,疑似携带时间信息为疑似携带者在目标区域出现并停留的时间区间。
在一个实施例中,终端在确定出确诊住户、携带者、疑似携带住户和疑似携带者之后,分别根据确诊住户的轨迹信息、携带者的轨迹信息、疑似携带住户的轨迹信息和疑似携带者的轨迹信息,确定确诊住户的确诊时间信息、携带者的在目标区域出现的携带时间信息、以及疑似携带住户的确定时间信息和疑似携带者在目标区域的疑似携带时间信息。
S304,将确诊时间信息、携带时间信息、确定时间信息和疑似携带时间信息输入疫情风险预测模型进行疫情预测,得到目标区域在预设未来时间段的预测疫情风险等级。
其中,疫情风险预测模型用于对区域的疫情风险进行预测,是基于疫情对应传染病的潜伏期、人员流动、风险人员干预措施(确诊人员和疑似人员)等条件进行建模的。
在一个实施例中,终端在获取到确诊时间信息、携带时间信息、确定时间信息和疑似携带时间信息之后,将确诊时间信息、携带时间信息、确定时间信息和疑似携带时间信息和待预测的预设未来时间段输入疫情风险预测模型,通过该疫情风险预测模型进行疫情风险预测,得到目标区域在预设未来时间段内的预测确诊住户数量、预测携带者数量、预测疑似携带住户数量和预测疑似携带者数量,然后根据预测确诊住户数量、预测携带者数量、预测疑似携带住户数量和预测疑似携带者数量计算目标区域在预设未来时间段的预测疫情评分值,并根据该预测疫情评分值确定目标区域在预设未来时间段的预测疫情风险等级。
上述实施例中,终端通过获取确诊住户的确诊时间信息和携带者的在目标区域出现的携带时间信息、以及疑似携带住户的确定时间信息和疑似携带者在目标区域的疑似携带时间信息,将确诊时间信息、携带时间信息、确定时间信息和疑似携带时间信息输入疫情风险预测模型进行疫情预测,从而可以得到目标区域在预设未来时间段的预测疫情风险等级,即更加准确地对目标区域的疫情发展进行预测,提高了对目标区域的疫情风险预测的准确率。
在一个实施例中,如图4所示,上述区域的疫情风险确定方法还包括对目标区域中的目标人群的疫情风险确定的过程,具体包括以下步骤:
S402,获取确诊住户的属性信息和携带者的属性信息,以及获取疑似携带住户的属性信息和疑似携带者的属性信息。
其中,属性信息包括姓名、年龄、职业等信息,职业信息可以是根据被测人员的疫情数据中的身份信息进一步获得的。
在一个实施例中,终端在确定出确诊住户、携带者、疑似携带住户和疑似携带者之后,分别根据确诊住户的身份信息、携带者的身份信息、疑似携带住户的身份信息和疑似携带者的身份信息,获取确诊住户的属性信息和携带者的属性信息,以及疑似携带住户的属性信息和疑似携带者的属性信息。
S404,根据确诊住户的属性信息和携带者的携带者属性信息,确定属于目标属性的第一住户和第一携带者。
其中,目标属性为待确定疫情风险的人群的属性,例如目标属性可以是年龄在40岁以上、职业为教师、职业为商场售货员等。
在一个实施例中,终端在获取到确诊住户的属性信息和携带者的属性信息之后,根据所获取的各个属性信息以及所确定的目标属性,从确诊住户中筛选出属于目标属性的第一住户,从携带者中筛选出属于目标属性的第一携带者。
S406,根据疑似携带住户的属性信息和疑似携带者的属性信息,确定目标属性的第二住户和第二携带者。
在一个实施例中,终端在获取到疑似携带住户的属性信息和疑似携带者的属性信息之后,根据所获取的各个属性信息以及所确定的目标属性,从疑似携带住户中筛选出属于目标属性的第二住户,从疑似携带者中筛选出属于目标属性的第二携带者。
S408,根据第一住户、第一携带者、第二住户和第二携带者计算目标属性对应人群的疫情风险等级。
在一个实施例中,终端在确定出第一住户、第一携带者、第二住户和第二携带者之后,分别确定第一住户数量、第一携带者数量、第二住户数量和第二携带者数量,并根据分别第一住户数量、第一携带者数量、第二住户数量和第二携带者数量和对应的第一确诊评分系数、第二确诊评分系数、第一疑似评分系数和第二疑似评分系数,计算目标属性的人员的疫情评分值,然后根据计算所得的疫情评分值确定目标区域中属于目标属性的人群的疫情风险等级。
上述实施例中,终端通过获取确诊住户的属性信息和携带者的属性信息,以及获取疑似携带住户的属性信息和疑似携带者的属性信息,根据确诊住户的属性信息和携带者的携带者属性信息,确定属于目标属性的第一住户和第一携带者,根据疑似携带住户的属性信息和疑似携带者的属性信息,确定目标属性的第二住户和第二携带者,从而可以根据第一住户、第一携带者、第二住户和第二携带者准确地计算目标属性对应人群的疫情风险等级,即更加准确地对目标区域中的目标属性对应人群的疫情风险进行确定,从而提高了对目标区域中的目标属性对应人群的疫情风险确定的准确率。
在一个实施例中,终端还可以获取第一住户的第一确定时间信息和第一携带者的在目标区域出现的第一携带时间信息,以及第二住户的第二确定时间信息和第二携带者在目标区域出现的第二携带时间信息,并将第一确定时间信息、第一携带时间信息、第二确定时间信息和第二携带时间信息输入属性疫情风险预测模型进行疫情预测,得到目标区域中目标属性对应人群在预设未来时间段的预测疫情风险等级。其中属性异性风险预测模型是基于对应传染病的潜伏期、目标属性人员流动、目标属性外人员流动、风险人员干预措施(确诊人员和疑似人员)等条件进行建模的。
上述实施例中,终端通过将所获取的第一确定时间信息、第一携带时间信息、第二确定时间信息和第二携带时间信息输入属性疫情风险预测模型进行疫情预测,从而可以得到目标区域中目标属性对应人群在预设未来时间段的预测疫情风险等级,即更加准确地对目标区域中目标属性对应人群的疫情发展进行预测,提高了对目标区域中目标属性对应人群的疫情风险预测的准确率。
在一个实施例中,如图5所示,还提供了一种区域的疫情风险确定方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S502,获取疫情确诊人员的轨迹信息和疑似人员的轨迹信息。
S504,根据确诊人员的轨迹信息,确定预设历史时间段内在目标区域的确诊住户和在目标区域出现过的携带者。
S506,根据疑似人员的轨迹信息,确定预设历史时间段内在目标区域的疑似携带住户和在目标区域出现过的疑似携带者。
S508,获取确诊住户的确诊时间信息和携带者的在目标区域出现的携带时间信息、以及疑似携带住户的确定时间信息和疑似携带者在目标区域的疑似携带时间信息。
S510,将确诊时间信息、携带时间信息、确定时间信息和疑似携带时间信息输入疫情风险预测模型进行疫情预测,得到目标区域在预设未来时间段的预测疫情风险等级。
S512,获取确诊住户的属性信息和携带者的属性信息,以及获取疑似携带住户的属性信息和疑似携带者的属性信息。
S514,根据确诊住户的属性信息和携带者属性信息,确定属于目标属性的第一住户和第一携带者。
S516,根据疑似携带住户的属性信息和疑似携带者的属性信息,确定目标属性的第二住户和第二携带者。
S518,根据第一住户、第一携带者、第二住户和第二携带者计算目标属性对应人群的疫情风险等级。
应该理解的是,虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-5中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种区域的疫情风险确定装置,包括:轨迹信息获取模块602、确诊人员确定模块604、疑似人员确定模块606、疫情评分值计算模块608和风险等级确定模块610,其中:
轨迹信息获取模块602,用于获取疫情确诊人员的轨迹信息和疑似人员的轨迹信息;
确诊人员确定模块604,用于根据确诊人员的轨迹信息,确定预设历史时间段内在目标区域的确诊住户和在目标区域出现过的携带者;
疑似人员确定模块606,用于根据疑似人员的轨迹信息,确定预设历史时间段内在目标区域的疑似携带住户和在目标区域出现过的疑似携带者;
疫情评分值计算模块608,用于根据确诊住户、携带者、疑似携带住户和疑似携带者计算目标区域的疫情评分值;
风险等级确定模块610,用于根据疫情评分值确定目标区域当前的疫情风险等级。
在一个实施例中,疫情评分值计算模块608还用于:
确定确诊住户的确诊住户数量和携带者的携带者数量,以及确定疑似携带住户的疑似携带住户数量和疑似携带者的疑似携带者数量;
分别获取确诊住户数量、携带者数量、疑似携带住户数量和疑似携带者数量对应的第一确诊评分系数、第二确诊评分系数、第一疑似评分系数和第二疑似评分系数;
根据确诊住户数量和第一确诊评分系数计算第一确诊评分;根据携带者数量和第二确诊评分系数计算第二确诊评分;根据疑似携带住户数量和第一疑似评分系数计算第一疑似评分;根据疑似携带者数量和第二疑似评分系数计算第二疑似评分;
将第一确诊评分、第二确诊评分、第一疑似评分和第二确诊评分进行累加,得到目标区域当前的疫情评分值。
上述实施例中,通过获取疫情确诊人员的轨迹信息和疑似人员的轨迹信息,根据确诊人员的轨迹信息,确定预设历史时间段内在目标区域的确诊住户和在目标区域出现过的携带者,根据疑似人员的轨迹信息,确定预设历史时间段内在目标区域的疑似携带住户和在目标区域出现过的疑似携带者,根据确诊住户、携带者、疑似携带住户和疑似携带者计算目标区域的疫情评分值,从而根据疫情评分值确定目标区域当前的疫情风险等级,即更加全面的对目标区域的疫情情况进行分析,从而提高了对目标区域的疫情风险确定的准确率。
在一个实施例中,如图7所示,装置还包括:风险等级获取模块612,其中:
风险等级获取模块612,用于获取目标观测时间内每天的疫情风险等级;
风险等级确定模块610,还用于根据每天的疫情风险等级确定目标观测时间的疫情风险等级。
在一个实施例中,风险等级包括高危风险等级、中危风险等级和低危风险等级;
风险等级确定模块610,还用于:
确定目标观测时间内的高危天数、中危天数和低危天数,高危天数为高危风险等级的天数,中危天数为中危风险等级的天数,低危天数为低危风险等级的天数;
根据高危天数、中危天数、低危天数和目标观测时间所对应的总天数,确定目标观测时间的疫情风险等级。
上述实施例中,终端通过获取目标观测时间内每天的疫情风险等级,从而可以根据目标观测时间内每天的风险疫情风险等级确定目标观测时间的疫情风险等级,进而可以确定出不同时间段内目标区域的疫情风险等级,更加全面的对目标区域的疫情情况进行分析,从而提高了对目标区域的疫情风险确定的准确率。
在一个实施例中,如图7所示,装置还包括:时间信息获取模块614和风险等级预测模块616,其中:
时间信息获取模块614,用于获取确诊住户的确诊时间信息和携带者的在目标区域出现的携带时间信息、以及疑似携带住户的确定时间信息和疑似携带者在目标区域的疑似携带时间信息;
风险等级预测模块616,用于将确诊时间信息、携带时间信息、确定时间信息和疑似携带时间信息输入疫情风险预测模型进行疫情预测,得到目标区域在预设未来时间段的预测疫情风险等级。
上述实施例中,终端通过获取确诊住户的确诊时间信息和携带者的在目标区域出现的携带时间信息、以及疑似携带住户的确定时间信息和疑似携带者在目标区域的疑似携带时间信息,将确诊时间信息、携带时间信息、确定时间信息和疑似携带时间信息输入疫情风险预测模型进行疫情预测,从而可以得到目标区域在预设未来时间段的预测疫情风险等级,即更加准确地对目标区域的疫情发展进行预测,提高了对目标区域的疫情风险预测的准确率。
在一个实施例中,如图7所示,装置还包括:属性信息获取模块618,其中:
属性信息获取模块618,获取确诊住户的属性信息和携带者的属性信息,以及获取疑似携带住户的属性信息和疑似携带者的属性信息;
确诊人员确定模块604,还用于根据确诊住户的属性信息和携带者属性信息,确定属于目标属性的第一住户和第一携带者;
疑似人员确定模块606,还用于根据疑似携带住户的属性信息和疑似携带者的属性信息,确定目标属性的第二住户和第二携带者;
风险等级确定模块610,还用于根据第一住户、第一携带者、第二住户和第二携带者计算目标属性对应人群的疫情风险等级。
上述实施例中,终端通过获取确诊住户的属性信息和携带者的属性信息,以及获取疑似携带住户的属性信息和疑似携带者的属性信息,根据确诊住户的属性信息和携带者的携带者属性信息,确定属于目标属性的第一住户和第一携带者,根据疑似携带住户的属性信息和疑似携带者的属性信息,确定目标属性的第二住户和第二携带者,从而可以根据第一住户、第一携带者、第二住户和第二携带者准确地计算目标属性对应人群的疫情风险等级,即更加准确地对目标区域中的目标属性对应人群的疫情风险进行确定,从而提高了对目标区域中的目标属性对应人群的疫情风险确定的准确率。
在一个实施例中,时间信息获取模块614,还用于获取第一住户的第一确定时间信息和第一携带者的在目标区域出现的第一携带时间信息,以及第二住户的第二确定时间信息和第二携带者在目标区域出现的第二携带时间信息;
风险等级预测模块616,还用于将第一确定时间信息、第一携带时间信息、第二确定时间信息和第二携带时间信息输入属性疫情风险预测模型进行疫情预测,得到目标区域中目标属性对应人群在预设未来时间段的预测疫情风险等级。
上述实施例中,终端通过将所获取的第一确定时间信息、第一携带时间信息、第二确定时间信息和第二携带时间信息输入属性疫情风险预测模型进行疫情预测,从而可以得到目标区域中目标属性对应人群在预设未来时间段的预测疫情风险等级,即更加准确地对目标区域中目标属性对应人群的疫情发展进行预测,提高了对目标区域中目标属性对应人群的疫情风险预测的准确率。
关于区域的疫情风险确定装置的具体限定可以参见上文中对于区域的疫情风险确定方法的限定,在此不再赘述。上述区域的疫情风险确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种区域的疫情风险确定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种区域的疫情风险确定方法,其特征在于,所述方法包括:
获取疫情确诊人员的轨迹信息和疑似人员的轨迹信息;
根据所述确诊人员的轨迹信息,确定预设历史时间段内在目标区域的确诊住户和在所述目标区域出现过的携带者;
根据所述疑似人员的轨迹信息,确定所述预设历史时间段内在所述目标区域的疑似携带住户和在所述目标区域出现过的疑似携带者;
根据所述确诊住户、所述携带者、所述疑似携带住户和所述疑似携带者计算所述目标区域的疫情评分值;
根据所述疫情评分值确定所述目标区域当前的疫情风险等级。
2.根据权利要求1所述的方法,其特征在于,所述根据所述确诊住户、所述携带者、所述疑似携带住户和所述疑似携带者计算所述目标区域的疫情评分值,包括:
确定所述确诊住户的确诊住户数量和所述携带者的携带者数量,以及确定所述疑似携带住户的疑似携带住户数量和所述疑似携带者的疑似携带者数量;
分别获取所述确诊住户数量、所述携带者数量、所述疑似携带住户数量和所述疑似携带者数量对应的第一确诊评分系数、第二确诊评分系数、第一疑似评分系数和第二疑似评分系数;
根据所述确诊住户数量和所述第一确诊评分系数计算第一确诊评分;根据所述携带者数量和所述第二确诊评分系数计算第二确诊评分;根据所述疑似携带住户数量和所述第一疑似评分系数计算第一疑似评分;根据所述疑似携带者数量和所述第二疑似评分系数计算第二疑似评分;
将所述第一确诊评分、所述第二确诊评分、所述第一疑似评分和所述第二确诊评分进行累加,得到所述目标区域当前的疫情评分值。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取目标观测时间内每天的疫情风险等级;
根据所述每天的疫情风险等级确定所述目标观测时间的疫情风险等级。
4.根据权利要求3所述的方法,其特征在于,所述风险等级包括高危风险等级、中危风险等级和低危风险等级;
所述根据所述每天的疫情风险等级确定所述目标观测时间的疫情风险等级,包括:
确定所述目标观测时间内的高危天数、中危天数和低危天数,所述高危天数为高危风险等级的天数,所述中危天数为中危风险等级的天数,所述低危天数为低危风险等级的天数;
根据所述高危天数、所述中危天数、所述低危天数和所述目标观测时间所对应的总天数,确定所述目标观测时间的疫情风险等级。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述确诊住户的确诊时间信息和所述携带者的在所述目标区域出现的携带时间信息、以及所述疑似携带住户的确定时间信息和所述疑似携带者在所述目标区域的疑似携带时间信息;
将所述确诊时间信息、所述携带时间信息、所述确定时间信息和所述疑似携带时间信息输入疫情风险预测模型进行疫情预测,得到所述目标区域在预设未来时间段的预测疫情风险等级。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述确诊住户的属性信息和所述携带者的属性信息,以及获取所述疑似携带住户的属性信息和所述疑似携带者的属性信息;
根据所述确诊住户的属性信息和所述携带者属性信息,确定属于目标属性的第一住户和第一携带者;
根据所述疑似携带住户的属性信息和所述疑似携带者的属性信息,确定目标属性的第二住户和第二携带者;
根据所述第一住户、所述第一携带者、所述第二住户和所述第二携带者计算所述目标属性对应人群的疫情风险等级。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获取所述第一住户的第一确定时间信息和所述第一携带者的在所述目标区域出现的第一携带时间信息,以及所述第二住户的第二确定时间信息和所述第二携带者在所述目标区域出现的第二携带时间信息;
将所述第一确定时间信息、所述第一携带时间信息、所述第二确定时间信息和所述第二携带时间信息输入属性疫情风险预测模型进行疫情预测,得到所述目标区域中所述目标属性对应人群在预设未来时间段的预测疫情风险等级。
8.一种区域的疫情风险确定装置,其特征在于,所述装置包括:
轨迹信息获取模块,用于获取疫情确诊人员的轨迹信息和疑似人员的轨迹信息;
确诊人员确定模块,用于根据所述确诊人员的轨迹信息,确定预设历史时间段内在目标区域的确诊住户和在所述目标区域出现过的携带者;
疑似人员确定模块,用于根据所述疑似人员的轨迹信息,确定所述预设历史时间段内在所述目标区域的疑似携带住户和在所述目标区域出现过的疑似携带者;
疫情评分值计算模块,用于根据所述确诊住户、所述携带者、所述疑似携带住户和所述疑似携带者计算所述目标区域的疫情评分值;
风险等级确定模块,用于根据所述疫情评分值确定所述目标区域当前的疫情风险等级。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010456093.4A CN111640515A (zh) | 2020-05-26 | 2020-05-26 | 区域的疫情风险确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010456093.4A CN111640515A (zh) | 2020-05-26 | 2020-05-26 | 区域的疫情风险确定方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111640515A true CN111640515A (zh) | 2020-09-08 |
Family
ID=72332744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010456093.4A Pending CN111640515A (zh) | 2020-05-26 | 2020-05-26 | 区域的疫情风险确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111640515A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112349015A (zh) * | 2020-10-27 | 2021-02-09 | 长江南京航道工程局 | 基于物联网的方舱管控系统及方法 |
CN112613726A (zh) * | 2020-12-18 | 2021-04-06 | 深圳前海微众银行股份有限公司 | 基于联邦学习的风险检测方法、客户端、设备和存储介质 |
CN113113154A (zh) * | 2021-04-16 | 2021-07-13 | 南方科技大学 | 一种传染病防控方法、装置、计算机设备及存储介质 |
CN113380420A (zh) * | 2020-10-13 | 2021-09-10 | 深圳云天励飞技术股份有限公司 | 一种疫情预测方法、装置、电子设备及存储介质 |
CN114613518A (zh) * | 2022-03-31 | 2022-06-10 | 医渡云(北京)技术有限公司 | 基于空间信息的传染病预测方法、装置、存储介质及设备 |
WO2022121741A1 (zh) * | 2020-12-09 | 2022-06-16 | 华为技术有限公司 | 一种疫情防控方法、电子设备、应用服务器和系统 |
WO2022135197A1 (zh) * | 2020-12-22 | 2022-06-30 | 华为技术有限公司 | 一种疫情预测的方法及电子设备 |
CN114971116A (zh) * | 2021-05-24 | 2022-08-30 | 中移互联网有限公司 | 一种追踪风险终端的方法和装置 |
CN115225298A (zh) * | 2021-04-17 | 2022-10-21 | 华为技术有限公司 | 提示方法、相关装置及系统 |
CN115497639A (zh) * | 2022-11-17 | 2022-12-20 | 上海维智卓新信息科技有限公司 | 防疫时空区域确定方法及装置 |
CN115662650A (zh) * | 2022-09-02 | 2023-01-31 | 深圳市名通科技股份有限公司 | 基于大数据精准定位的密接用户打捞方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150012292A1 (en) * | 2012-02-13 | 2015-01-08 | Biodiaspora Inc. | Warning System For Infectious Diseases And Method Therefor |
US20150327518A1 (en) * | 2014-05-14 | 2015-11-19 | Foundation of Soongsil University-lndustry Cooperation | Method of monitoring infectious disease, system using the same, and recording medium for performing the same |
CN107220482A (zh) * | 2017-05-09 | 2017-09-29 | 清华大学 | 呼吸道传染病风险评估系统及评估方法 |
CN109859854A (zh) * | 2018-12-17 | 2019-06-07 | 中国科学院深圳先进技术研究院 | 传染病预测方法、装置、电子设备及计算机可读介质 |
CN110584618A (zh) * | 2019-08-15 | 2019-12-20 | 济南市疾病预防控制中心 | 基于人工智能的传染病机器识别系统 |
US20200004746A1 (en) * | 2018-07-02 | 2020-01-02 | Baxter International Inc. | Graph database for outbreak tracking and management |
WO2020037942A1 (zh) * | 2018-08-20 | 2020-02-27 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
CN111028955A (zh) * | 2020-03-11 | 2020-04-17 | 智博云信息科技(广州)有限公司 | 一种疫情区域的展示方法及系统 |
CN111063450A (zh) * | 2020-02-17 | 2020-04-24 | 深圳市刷新智能电子有限公司 | 一种基于可穿戴体温传感器的疫情疑似人筛选方法和系统 |
CN111128399A (zh) * | 2020-03-30 | 2020-05-08 | 广州地理研究所 | 一种基于人流密度的流行病疫情风险等级评估方法 |
-
2020
- 2020-05-26 CN CN202010456093.4A patent/CN111640515A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150012292A1 (en) * | 2012-02-13 | 2015-01-08 | Biodiaspora Inc. | Warning System For Infectious Diseases And Method Therefor |
US20150327518A1 (en) * | 2014-05-14 | 2015-11-19 | Foundation of Soongsil University-lndustry Cooperation | Method of monitoring infectious disease, system using the same, and recording medium for performing the same |
CN107220482A (zh) * | 2017-05-09 | 2017-09-29 | 清华大学 | 呼吸道传染病风险评估系统及评估方法 |
US20200004746A1 (en) * | 2018-07-02 | 2020-01-02 | Baxter International Inc. | Graph database for outbreak tracking and management |
WO2020037942A1 (zh) * | 2018-08-20 | 2020-02-27 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
CN109859854A (zh) * | 2018-12-17 | 2019-06-07 | 中国科学院深圳先进技术研究院 | 传染病预测方法、装置、电子设备及计算机可读介质 |
CN110584618A (zh) * | 2019-08-15 | 2019-12-20 | 济南市疾病预防控制中心 | 基于人工智能的传染病机器识别系统 |
CN111063450A (zh) * | 2020-02-17 | 2020-04-24 | 深圳市刷新智能电子有限公司 | 一种基于可穿戴体温传感器的疫情疑似人筛选方法和系统 |
CN111028955A (zh) * | 2020-03-11 | 2020-04-17 | 智博云信息科技(广州)有限公司 | 一种疫情区域的展示方法及系统 |
CN111128399A (zh) * | 2020-03-30 | 2020-05-08 | 广州地理研究所 | 一种基于人流密度的流行病疫情风险等级评估方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113380420B (zh) * | 2020-10-13 | 2023-10-17 | 深圳云天励飞技术股份有限公司 | 一种疫情预测方法、装置、电子设备及存储介质 |
CN113380420A (zh) * | 2020-10-13 | 2021-09-10 | 深圳云天励飞技术股份有限公司 | 一种疫情预测方法、装置、电子设备及存储介质 |
CN112349015A (zh) * | 2020-10-27 | 2021-02-09 | 长江南京航道工程局 | 基于物联网的方舱管控系统及方法 |
WO2022121741A1 (zh) * | 2020-12-09 | 2022-06-16 | 华为技术有限公司 | 一种疫情防控方法、电子设备、应用服务器和系统 |
CN112613726A (zh) * | 2020-12-18 | 2021-04-06 | 深圳前海微众银行股份有限公司 | 基于联邦学习的风险检测方法、客户端、设备和存储介质 |
WO2022135197A1 (zh) * | 2020-12-22 | 2022-06-30 | 华为技术有限公司 | 一种疫情预测的方法及电子设备 |
CN113113154A (zh) * | 2021-04-16 | 2021-07-13 | 南方科技大学 | 一种传染病防控方法、装置、计算机设备及存储介质 |
CN115225298A (zh) * | 2021-04-17 | 2022-10-21 | 华为技术有限公司 | 提示方法、相关装置及系统 |
CN115225298B (zh) * | 2021-04-17 | 2024-05-10 | 华为技术有限公司 | 提示方法、相关装置及系统 |
CN114971116A (zh) * | 2021-05-24 | 2022-08-30 | 中移互联网有限公司 | 一种追踪风险终端的方法和装置 |
CN114971116B (zh) * | 2021-05-24 | 2023-08-18 | 中移互联网有限公司 | 一种追踪风险终端的方法和装置 |
CN114613518A (zh) * | 2022-03-31 | 2022-06-10 | 医渡云(北京)技术有限公司 | 基于空间信息的传染病预测方法、装置、存储介质及设备 |
CN115662650A (zh) * | 2022-09-02 | 2023-01-31 | 深圳市名通科技股份有限公司 | 基于大数据精准定位的密接用户打捞方法 |
CN115662650B (zh) * | 2022-09-02 | 2024-04-26 | 深圳市名通科技股份有限公司 | 基于大数据精准定位的密接用户打捞方法 |
CN115497639A (zh) * | 2022-11-17 | 2022-12-20 | 上海维智卓新信息科技有限公司 | 防疫时空区域确定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111640515A (zh) | 区域的疫情风险确定方法、装置、计算机设备和存储介质 | |
Akhtar et al. | A dynamic neural network model for predicting risk of Zika in real time | |
JP2017117416A (ja) | 被感染候補者特定装置、被感染候補者特定方法、および被感染候補者特定プログラム | |
Kuo et al. | Geographic disparities in late-stage breast cancer diagnosis in California | |
CN105228531B (zh) | 月经开始预定日计算装置和月经开始预定日计算方法 | |
US20140244278A1 (en) | Health management system and method of providing health information by using the system | |
Yue et al. | Fusing location data for depression prediction | |
JP6602551B2 (ja) | 危険度判定装置、および危険度判定方法 | |
US20230360806A1 (en) | Systems and methods for contagious illness surveillance and outbreak detection | |
JP6724749B2 (ja) | リスク評価装置、リスク評価方法及びリスク評価プログラム | |
US20160012193A1 (en) | System, method and computer program product for disease monitoring and identification | |
CN114724727A (zh) | 一种疫情预测的方法及电子设备 | |
Dom et al. | Measurement of dengue epidemic spreading pattern using density analysis method: retrospective spatial statistical study of dengue in Subang Jaya, Malaysia, 2006–2010 | |
WO2016037346A1 (en) | Measuring and diagnosing noise in urban environment | |
Dom et al. | Integration of GIS-Based Model with Epidemiological data as a Tool for Dengue Surveillance. | |
Clark et al. | Hyak mortality monitoring system: innovative sampling and estimation methods–proof of concept by simulation | |
JP6651730B2 (ja) | 情報処理システム、情報処理方法、情報処理装置、及び情報処理プログラム | |
Stisen et al. | Task phase recognition for highly mobile workers in large building complexes | |
CN114998816B (zh) | 基于骨骼ai视频的病例改进方法、装置及存储介质 | |
JP2005063218A (ja) | 疾病対策支援方法および疾病対策支援システム | |
Gómez-Rubio et al. | Statistical methods for the geographical analysis of rare diseases | |
US20220093273A1 (en) | Data assessment and visualization platform for use in a network environment including computing devices | |
JP2023104132A (ja) | 社会参加状況分析装置およびプログラム | |
CN113066543A (zh) | 临床研究协调员排程方法、装置、计算机设备和存储介质 | |
CN113077440A (zh) | 病理图像的处理方法、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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240319 |