CN111667920B - 一种基于定位数据的人群密切接触排查方法 - Google Patents
一种基于定位数据的人群密切接触排查方法 Download PDFInfo
- Publication number
- CN111667920B CN111667920B CN202010498684.8A CN202010498684A CN111667920B CN 111667920 B CN111667920 B CN 111667920B CN 202010498684 A CN202010498684 A CN 202010498684A CN 111667920 B CN111667920 B CN 111667920B
- Authority
- CN
- China
- Prior art keywords
- data
- user
- positioning
- investigation
- filtering
- 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.)
- Active
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
Abstract
本发明涉及一种基于定位数据的人群密切接触排查方法,其技术特点是:包括定位数据过滤、定位数据插值、选择种子用户、数据权重赋值、时空特征滤波、数据权重累加、自定自动排查、分类阈值计算和排查结果输出处理过程。本发明设计合理,能够在有定位网络覆盖场所中对用户进行实时位置监控和记录,并通过处理平台实现场所内的人群密集管控,同时可对指定个体进行历史位置回溯,精准排查与其有密切接触的群体,提高了排查速度和运算效率,特别适合大规模和超大规模数据集的分析与滤波。
Description
技术领域
本发明属于目标定位与数据分析技术领域,尤其是一种基于定位数据的人群密切接触排查方法。
背景技术
目标定位是为了解决用户(或终端)在空间位置和对应时间戳的测量和分析应用而产生的一个技术领域。一般来说,目标定位可分为室外定位与室内定位。室外定位以全球定位系统GPS为代表的卫星定位技术为主流;室内定位则种类较多,主要包括:蓝牙定位技术(iBeacon),WiFi定位技术(WiFi指纹定位)、RFID定位、惯性导航定位、超宽带定位(UWB技术)、激光测距定位等等。目前,室外定位精度最高可达0.1米,但是在建筑物遮挡情况下定位精度急剧下降。室内定位精度最高可达到0.01米,但一般来说精度高的室内定位技术其部署成本或建模成本也比较高。室外定位技术最典型的应用为地图导航功能;室内定位技术的典型应用为基于位置的搜索及推荐(LBS)。
通过定位技术可以获得用户的位置信息以及定位时的时间信息,通过一些数据分析方法如:聚类、回归等,能够实现多种基于位置的应用。
数据分析技术是指对大规模的数据进行分析和结果展示。该技术包含有六个基本方面:数据可视化分析、数据挖掘算法、预测性分析、语义引擎、数据管理、数据存储。目前,数据分析技术被广泛用于各个行业,为企业或个人提供应用服务。针对上述目标定位系统产生的定位数据进行数据分析,可有如下几方面应用:监控人群的流动和密度,并在密度超过设定阈值时发出预警;挖掘人群的分布模式,识别经常一起出现的小团体;利用时间戳对位置数据进行排序,进行个人运动轨迹展示和跟踪。但是,现有的定位数据分析技术仅仅解决了个人轨迹的分析和人群密度的计算,没有实现在数据中评估和发现用户之间的时空关联关系。特别是指定用户后,在所记录的定位数据(包含时间和位置)中对所有其他用户和指定用户的接触的密切程度进行快速量化评估。然而,在平时的生活中对人群的密切接触程度进行评估也是一项非常重要的需求。通过人群密切接触程度的结果,可精准地排查与指定用户有不同接触程度的人群范围。其结果应用在公共场所的传染病防治中,会有非常显著的防控效果。
综上所述,目前迫切需要一种通过对定位数据的分析,能够快速找到同指定用户有过密切接触的群体的技术。
发明内容
本发明的目的在于克服现有技术的不足,提出一种设计合理、效率高且准确可靠的基于定位数据的人群密切接触排查方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于定位数据的人群密切接触排查方法,包括以下步骤:
步骤101、定位数据过滤:利用同一用户定位数据和时间变化的连续性对数据中的错误数据进行识别和删除;
步骤102、定位数据插值:对步骤101过滤后数据中已删除的错误点进行插值;
步骤103、选择种子用户:根据查询人员输入的用户ID号,在数据集中搜索属于该用户的所有数据点,并做标记;
步骤104、数据权重赋值:根据系统中输入的各项参数对所述步骤103标记过的数据点进行赋值;
步骤105、时空特征滤波:利用时空特征构造合适的核函数计算所有的数据点系数,并对权重进行求和;
步骤106、数据权重累加:将滤波后所有数据点的权重按照用户进行累加,统计每个用户所有数据点的权重之和;
步骤107、判断自动排查方式,如果是自动排查方式,则执行步骤108按照自动计算分类阈值划分,否则执行步骤109按照系统指定方式划分;
步骤108、分类阈值计算:采用二分类方法分类并将分类的阈值输入到步骤109;
步骤109、排查结果输出,根据每个用户的权重值对用户进行排序,若所述步骤107指定为自动排查,则利用所述步骤108的阈值分类是否为密切接触者,否则,输出指定范围的用户作为排查结果。
进一步,所述步骤102中的定位数据插值是利用最近邻算法、二近邻或三次样条算法进行的。
进一步,所述步骤103中的选择种子用户为单一用户或是多个用户。
进一步,所述步骤104中,非种子用户数据点保持单位权重不变,种子用户数据点需要根据场地环境和用户属性因素进行调整,使得种子用户和非种子用户的权重有所差异。
进一步,所述步骤105中的时空特征滤波使用核函数插值的方式依次遍历数据集中的所有的点对,或者使用超级置换网格算法进行快速权重滤波。
进一步,所述步骤108的具体实现方法为:构造权重直方图并归一化,利用Otsu方法对直方图进行二分类,并将分类的阈值输入到步骤109。
本发明的优点和积极效果是:
1、本发明通过定位数据预处理、种子用户选择与赋值、多维特征函数滤波、密切接触目标输出过程,能够在有定位网络覆盖场所中对用户进行实时位置监控和记录,并通过处理平台实现场所内的人群密集管控,同时可对指定个体进行历史位置回溯,精准排查与其有密切接触的群体。
2、本发明直接以向量的形式输入模型计算密切接触关系,无需搜索和计算系统中用户的运动轨迹进行关联分析,提高了排查速度。
3、本发明采用核函数插值计算密切接触权重的方法简单有效,特别是引入超级置换网格算法之后,运算效率进一步提升,特别适合大规模和超大规模数据集的分析与滤波。
4、本发明指定用户的数据点赋予特殊权重同时定义了普通数据点的单元权重,可以灵活的调整不同的因素对密切接触程度的影响。
5、本发明通过滤波后数据权重与单元权重的差异表示密切接触程度,能以量化的方式对接触程度进行分析,找到与指定用户有不同接触等级的人群范围。
附图说明
图1为本发明的处理流程图。
具体实施方式
以下结合附图对本发明做进一步详述。
一种基于定位数据的人群密切接触排查方法,如图1所示,包括以下步骤:
步骤101:定位数据过滤:利用同一用户定位数据和时间变化的连续性对数据中的错误数据进行识别和删除。
在本实施例中,每组定位数据包含:用户的ID号、空间定位坐标(x,y,z)和伴随空间定位坐标数据产生的时间戳t,且同一用户产生的数据按照时间戳t进行依次存储。
对每个用户的所有的坐标和时间计算一阶差分值,并计算相邻点在单位时间内的改变速度:Δxv=Δx/ΔtΔyv=Δy/ΔtΔzv=Δz/Δt将计算的空间坐标改变速度值与预设的阈值进行比较,高于阈值的点定义为异常点。本实施例给出的空间坐标的阈值为:xth=10m/s,yth=10m/s,zth=3m/s。记录数据中检测出的所有异常点的编号,并删除。
步骤102:定位数据插值:对步骤101过滤后数据中已删除的错误点进行插值。
本发明的定位数据过滤与定位数据插值操作,可以删除输入数据集中位置坐标和时间标签有巨大跳变的点。定位数据插值可以采用最近邻算法、二近邻或三次样条算法实现。
在本实施例中,采用简单的二近邻方法进行插值,即寻找同一用户的时间上相邻的两组数据,并取平均值来插值当前的点。插值计算的数据包括空间坐标和时间戳。
步骤103:种子用户选择:根据查询人员输入的用户ID号在数据集中搜索属于该用户的所有的数据点,并做标记。
本步骤在选择种子用户时,种子用户可以是单一用户也可以是多个用户,所述种子用户的所有数据点需要根据场地环境和用户属性赋予与单位权重差异较大的权重值,而数据集中的其他数据点则保持单位权重不变。
步骤104:数据权重赋值:根据系统中输入的各项参数对所述步骤103标记过的点进行赋值。
在本步骤中,非种子用户数据点保持单位权重不变,种子用户数据点需要根据场地环境和用户属性因素进行调整,使得种子用户和非种子用户的权重有所差异。
在本实施例中,输入的参数有数据点的位置属性,位置属于室内还是室外r,平均人群密度ρ,指定种子用户是否佩戴口罩g,其携带病毒的对外传染系数s计算种子数据点的权重,计算公式如下:
V=r*100+ρ2*500-g*2000+10000s
其中r和g取值0或1,ρ≥0,0<s≤1.0。
计算出所有种子用户数据点的权重,并将对应的点进行赋值。种子用户以外的数据点保持单元权重不变,即Vu=0。
步骤105:时空特征滤波:利用时空特征构造合适的核函数计算所有的数据点系数,并对权重进行求和。
在本实施例中,构造了高斯核函数(多维特征函数滤波函数)进行时空特征滤波,公式为:
其中,和为数据点的特征向量(x,y,z,t),Wi和Wj为数据点的权重,Φ为核函数,其值大小与输入向量的距离相关,由于非种子用户数据点的权重为0,则只需计算种子用户数据点和非种子用户数据点之间的关系即可。
在本步骤中,多维特征函数滤波可以利用核函数插值的方式依次遍历数据集中的所有的点对,也可使用超级置换网格算法进行快速权重滤波。
经多维特征函数滤波之后的数据权重代表了数据集中的点同种子用户数据点的密切接触程度,根据核函数性质可知,与种子用户数据点在空间和时间上距离较近的数据点,其权重必定与种子用户数据点的权重差异较小;相反,与种子用户数据点在空间和时间上距离较远的数据点,权重差异较大。
步骤106:数据权重累加,将滤波后所有数据点的权重按照用户进行累加,统计每个用户所有数据点的权重之和,然后根据所述步骤107指定的方式进行密切接触排查。
步骤107:判断自动排查方式:如果是自动排查方式,则执行步骤108进行自动计算分类阈值划分,否则执行步骤109通过系统指定方式划分。
本发明有两种密切接触排查方式,一种是自动排查方式(自动计算分类阈值进行划分),另外一种是通过系统指定方式划分。根据不同的排查方式分别按照步骤108和步骤109进行处理。
步骤108:分类阈值计算:按照自动排查方式,则构造权重直方图并归一化,利用Otsu方法对直方图进行二分类,分类的阈值会用于下一步的排查结果输出中。
在本实施例中,用户权重按照取值范围投影到长度为200的直方图,通过Otsu方法得到二值分类的索引值为173,通过分类索引可以计算出的分类阈值为7785输入到下一步中。
步骤109:排查结果输出,根据每个用户的权重值对用户进行排序,然后通过指定的方式输出排查结果。
在本实施例中,如果步骤107为自动排查,所述步骤108计算的阈值为7785,则将用户权重值大于7785的23名用户作为结果输出。
如果步骤107为非自动排查,系统指定密切接触程度为前25名的用户,则从排序列表中截取权重值最大的前25名非种子用户名单作为结果输出。
本发明在实际应用过程中,所述密切接触目标输出,可以根据滤波之后的数据权重与单位权重的差异大小进行密切接触程度的区分。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (4)
1.一种基于定位数据的人群密切接触排查方法,其特征在于包括以下步骤:
步骤101、定位数据过滤:利用同一用户定位数据和时间变化的连续性对数据中的错误数据进行识别和删除;
步骤102、定位数据插值:对步骤101过滤后数据中已删除的错误点进行插值;
步骤103、选择种子用户:根据查询人员输入的用户ID号,在数据集中搜索属于该用户的所有数据点,并做标记;
步骤104、数据权重赋值:根据系统中输入的各项参数对所述步骤103标记过的数据点进行赋值;
步骤105、时空特征滤波:利用时空特征构造合适的核函数计算所有的数据点系数,并对权重进行求和;
步骤106、数据权重累加:将滤波后所有数据点的权重按照用户进行累加,统计每个用户所有数据点的权重之和;
步骤107、判断自动排查方式,如果是自动排查方式,则执行步骤108按照自动计算分类阈值划分,否则执行步骤109按照系统指定方式划分;
步骤108、分类阈值计算:采用二分类方法分类并将分类的阈值输入到步骤109;
步骤109、排查结果输出,根据每个用户的权重值对用户进行排序,若所述步骤107指定为自动排查,则利用所述步骤108的阈值分类是否为密切接触者,否则,输出指定范围的用户作为排查结果;
所述定位数据包括:用户的ID号、空间定位坐标(x,y,z)和伴随空间定位坐标数据产生的时间戳t,且同一用户产生的数据按照时间戳t进行依次存储;
所述步骤102中的定位数据插值是利用最近邻算法、二近邻或三次样条算法进行的;
所述步骤104中数据点进行赋值的方法为:非种子用户数据点保持单位权重不变,种子用户数据点需要根据场地环境和用户属性因素进行调整,使得种子用户和非种子用户的权重有所差异;
所述步骤108的具体实现方法为:构造权重直方图并归一化,利用Otsu方法对直方图进行二分类,并将分类的阈值输入到步骤109。
3.根据权利要求1所述的一种基于定位数据的人群密切接触排查方法,其特征在于:所述步骤103中的选择种子用户为单一用户或是多个用户。
4.根据权利要求1所述的一种基于定位数据的人群密切接触排查方法,其特征在于:所述步骤105中的时空特征滤波使用核函数插值的方式依次遍历数据集中的所有的点对,或者使用超级置换网格算法进行快速权重滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010498684.8A CN111667920B (zh) | 2020-06-04 | 2020-06-04 | 一种基于定位数据的人群密切接触排查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010498684.8A CN111667920B (zh) | 2020-06-04 | 2020-06-04 | 一种基于定位数据的人群密切接触排查方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667920A CN111667920A (zh) | 2020-09-15 |
CN111667920B true CN111667920B (zh) | 2023-05-02 |
Family
ID=72385994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010498684.8A Active CN111667920B (zh) | 2020-06-04 | 2020-06-04 | 一种基于定位数据的人群密切接触排查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667920B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112331361B (zh) * | 2020-11-06 | 2023-06-16 | 中国联合网络通信集团有限公司 | 一种密切接触者的确定方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390091A (zh) * | 2012-05-08 | 2013-11-13 | 中国人民解放军防化学院 | 一种传染病疫情优化控制方法 |
CN106612386A (zh) * | 2015-10-27 | 2017-05-03 | 北京航空航天大学 | 一种联合时空相关特性的降噪方法 |
CN109359832A (zh) * | 2018-09-28 | 2019-02-19 | 长沙华宇信息科技有限公司 | 一种用人单位职业卫生管理系统及方法 |
-
2020
- 2020-06-04 CN CN202010498684.8A patent/CN111667920B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390091A (zh) * | 2012-05-08 | 2013-11-13 | 中国人民解放军防化学院 | 一种传染病疫情优化控制方法 |
CN106612386A (zh) * | 2015-10-27 | 2017-05-03 | 北京航空航天大学 | 一种联合时空相关特性的降噪方法 |
CN109359832A (zh) * | 2018-09-28 | 2019-02-19 | 长沙华宇信息科技有限公司 | 一种用人单位职业卫生管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111667920A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10895454B2 (en) | Movement line information generation system, movement line information generation method and movement line information generation program | |
Sivaranjani et al. | Crime prediction and forecasting in Tamilnadu using clustering approaches | |
CN105701123B (zh) | 人车关系的识别方法及装置 | |
Huang et al. | Modeling and visualizing regular human mobility patterns with uncertainty: An example using Twitter data | |
KR101203261B1 (ko) | 이동 장치의 로케이션 역학을 결정하는 시스템 및 방법, 이동 장치를 추적하는 것을 용이하게 하는 머신 구현 시스템, 무선 장치 로케이션 시스템, 및 컴퓨터 판독가능 기록 매체 | |
Aggarwal | On change diagnosis in evolving data streams | |
Yu et al. | Trajectory outlier detection approach based on common slices sub-sequence | |
CN108229456A (zh) | 目标跟踪方法和装置、电子设备、计算机存储介质 | |
CN107679734A (zh) | 一种用于无标签数据分类预测的方法和系统 | |
CN110443287B (zh) | 一种基于稀疏轨迹数据的人群移动流绘制方法 | |
CN110046889B (zh) | 一种异常行为主体的检测方法、装置及服务器 | |
CN111475746B (zh) | 兴趣点位置挖掘方法、装置、计算机设备和存储介质 | |
Dogan et al. | Segmentation of indoor customer paths using intuitionistic fuzzy clustering: Process mining visualization | |
CN111667920B (zh) | 一种基于定位数据的人群密切接触排查方法 | |
Brax | Anomaly detection in the surveillance domain | |
CN116264004A (zh) | 基于工人重新识别和个人防护装备分类对现场安全合规性进行的基于视觉的监测 | |
JP2004118290A (ja) | 移動軌跡データ検索用インデックス生成装置及びその方法と、移動軌跡データ検索装置及びその方法と、移動軌跡データ検索用インデックス生成プログラム及びそのプログラムを記録した記録媒体と、移動軌跡データ検索プログラム及びそのプログラムを記録した記録媒体 | |
Kulik et al. | Modeling geospatial trend changes in vegetation monitoring data | |
Guo et al. | Spatial-temporal trajectory anomaly detection based on an improved spectral clustering algorithm | |
CN113516850B (zh) | 基于空间句法分析的管道沿线交通流量数据采集方法 | |
Becker et al. | Subspace determination through local intrinsic dimensional decomposition | |
CN115456075A (zh) | 一种目标行为异常预警的处理系统及方法 | |
Shields et al. | Application of multiple change point detection methods to large urban telecommunication networks | |
CN109740091B (zh) | 一种基于行为认知的用户网络行为的预测系统及方法 | |
Machado et al. | A method for computing representative data for multiple aspect trajectories based on data summarization |
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 |