CN111863270A - 疾病传染概率确定方法、装置、系统及存储介质 - Google Patents
疾病传染概率确定方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN111863270A CN111863270A CN202010433442.0A CN202010433442A CN111863270A CN 111863270 A CN111863270 A CN 111863270A CN 202010433442 A CN202010433442 A CN 202010433442A CN 111863270 A CN111863270 A CN 111863270A
- Authority
- CN
- China
- Prior art keywords
- motion
- track
- candidate
- determining
- pedestrian
- 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 71
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 69
- 201000010099 disease Diseases 0.000 title claims abstract description 46
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 46
- 241000700605 Viruses Species 0.000 claims abstract description 91
- 230000015654 memory Effects 0.000 claims description 35
- 239000000969 carrier Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 13
- 230000005541 medical transmission Effects 0.000 claims 1
- 208000035473 Communicable disease Diseases 0.000 abstract description 14
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000000691 measurement method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 101000957437 Homo sapiens Mitochondrial carnitine/acylcarnitine carrier protein Proteins 0.000 description 1
- 102100038738 Mitochondrial carnitine/acylcarnitine carrier protein Human genes 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009351 contact transmission Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000003612 virological effect 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)
- Image Analysis (AREA)
Abstract
本发明实施例涉及一种疾病传染概率确定方法、装置、系统及存储介质，该方法包括：获取病毒携带者的第一运动轨迹，与第一运动轨迹存在交集的候选行人的第二运动轨迹；统计在第一运动区域的人群密度；根据第一运动轨迹和第二运动轨迹，确定共享时间长度、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数；根据预设轨迹报点和第二运动轨迹，确定候选行人与预设轨迹报点之间的最近距离；根据人群密度、共享时间长度、最近距离、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数，确定候选行人被感染的概率。由此，解决候选行人搜索不及时、不准确，导致传染病患病概率增加问题。
Description
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种疾病传染概率确定方法、装置、系统及存储介质。
背景技术
传染病是人类健康的重要威胁之一，其重要防控策略是“五早”，即“早发现、早诊断、早报告、早隔离、早治疗”，控制传播速率，降低病死率。由于传染病具有极强的传播性，患病人员上班、购物等流动行为很可能造成传染病的跨区扩散，使受感染区域呈明显扩大趋势。因此，控制传染源、切断传播途径、保护易感人群对于遏制传染病的传播，特别是传染病初期，具有决定性的作用。
传染病病原体在群体与群体之间或个人与个人之间进行传播，即，当病毒携带者与其他个体存在物理接触时，病毒则可能通过直接传播、气溶胶传播、接触传播等途径传播。一般地认为，在同一时间处于同一空间的个体对间可能发生物理接触，因此，大规模分析个体对之间的物理接触关系、度量两者间的接触强度，并对疑似感染人群采取恰当防控手段是预防传染病传播的基础与关键。目前，传统的物理接触判断手段依然是依靠感染者口述暴露史、利用纸质/网络传播寻找密切接触者/同候选行人，例如通过网络寻人，通过公开病毒携带者的通行路径的方式，寻找与病毒携带者密切接触或者同行的候选行人；或者利用网络寻找乘坐同一车次密切接触病毒携带者，或与病毒携带者同行的候选行人方式。现有技术需要人为广播患者历史行径，手段比较低效，无法快速获取密切接触/同候选行人的信息。而且，一旦同候选行人搜索不及时、不准确，就存在很大被传染的几率，现有技术手段无法满足传染病防控的时效性要求。
现有的时空度量相似度方法分为基于轨迹报点的和基于轨迹段的相似度度量法，其中基于轨迹报点的相似性度量方法又分为全局匹配度量法和局部匹配度量法。全局匹配度量法要求两条轨迹整体相似，即轨迹中的每个点都需要找到对应的匹配点，每个点对之间的距离都是相似性度量值的一部分，具体方法如欧式距离、动态时间规整距离等；局部匹配度量法则只要求两条轨迹部分相似，无需轨迹中的每个点都找到对应的匹配点，而且只有部分匹配点之间的距离作为相似性结果的一部分，具体方法如实序列编辑距离、最长公共子序列、k最优链接轨迹k-BCT、公共最长子序列 LCS、CACT等。基于轨迹段的方法则通过对轨迹进行分段后分别比较每一段的相似性，来做为轨迹的相似度，如豪斯多夫距离等。
然而，这些轨迹相似度的度量方法并不完全适用于传染病患病概率问题。因此，亟需一种适用于确定传染病患病概率的方法，用以发现可能与患者有过物理接触的易感人群，解决目前由于需要人为广播患者历史行径，而同候选行人搜索不及时、不准确，导致传染病患病概率大大增加的问题。
发明内容
鉴于此，为解决现有技术中的上述技术问题，本发明实施例提供一种疾病传染概率确定方法、装置、系统及存储介质。
第一方面，本发明实施例提供一种疾病传染概率确定方法，该方法包括：
获取病毒携带者的第一运动轨迹，以及与第一运动轨迹存在交集的候选行人的第二运动轨迹；
统计在第一运动区域的人群密度，其中，第一运动轨迹包括至少一个轨迹报点，第一运动区域为以第一运动轨迹中的预设轨迹报点为中心，预设范围内的区域；
根据第一运动轨迹和第二运动轨迹，确定病毒携带者与候选行人在第一运动区域的共享时间长度、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数；
根据预设轨迹报点和第二运动轨迹，确定候选行人与预设轨迹报点之间的最近距离；
根据人群密度、共享时间长度、最近距离、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数，确定候选行人被感染的概率。
在一个可能的实施方式中，根据第一运动轨迹和第二运动轨迹，确定病毒携带者与候选行人在第一运动区域的共享时间长度，具体包括：
根据第一运动轨迹和第二运动轨迹，获取病毒携带者出现在第一运动区域内的第一轨迹报点集合，以及候选行人出现在第一运动区域内的第二轨迹报点集合；
根据第一轨迹报点集合和第二轨迹报点集合，确定病毒携带者与候选行人在第一运动区域的共享时间长度。
在一个可能的实施方式中，第一轨迹报点集合和第二轨迹报点集合所中均包括每一个轨迹报点对应的时间数据，根据第一轨迹报点集合和第二轨迹报点集合，确定病毒携带者与候选行人在第一运动区域的共享时间长度，具体包括：
根据病毒携带者出现在第一轨迹报点集合中每一个轨迹报点的时间数据，确定病毒携带者出现在第一运动区域内的第一起始时间和第一结束时间；
根据候选行人出现在第二轨迹报点集合中每一个轨迹报点的时间数据，确定候选行人出现在第一运动区域内的第二起始时间和第二结束时间；
根据第一起始时间、第一结束时间、第二起始时间以及第二结束时间，确定共享时间长度。
在一个可能的实施方式中，第一轨迹报点集合和第二轨迹报点集合所中均包括每一个轨迹报点对应的坐标数据，根据预设轨迹报点和第二运动轨迹，确定候选行人与预设轨迹报点之间的最近距离，具体包括：
根据第二轨迹报点集合中距离预设轨迹报点最近的轨迹报点坐标数据以及预设轨迹报点的坐标数据，确定最近距离，其中，预设轨迹报点属于第一轨迹报点集合中的一个轨迹报点。
在一个可能的实施方式中，根据第一运动轨迹和第二运动轨迹，获取病毒携带者出现在第一运动区域内的第一轨迹报点集合，以及候选行人出现在第一运动区域内的第二轨迹报点集合，具体包括：
提取第一运动轨迹中出现在第一运动区域内的所有轨迹报点，构成第一轨迹报点集合；
提取第二运动轨迹中出现在第一运动区域内的所有轨迹报点，构成第二轨迹报点集合。
在一个可能的实施方式中，统计在第一运动区域的人群密度，具体包括：
按照预设聚类方法，以预设轨迹报点为核心，在第一运动区域内进行聚类，获取第一运动区域内的候选行人总数；
根据第一运动区域内的候选行人总数和预设聚类方法中的聚类参数，统计人群密度。
在一个可能的实施方式中，根据第一运动轨迹和第二运动轨迹，确定病毒携带者与候选行人在第一运动区域中的空间分布相似度，具体包括：
根据第一轨迹报点集合和第二轨迹报点集合，计算在第一运动区域中，病毒携带者和候选行人之间的推土距离(Earth Mover’s Distance，简称EM)；
根据病毒携带者和候选行人之间的推土距离，确定病毒携带者与候选行人在第一运动区域中的空间分布相似度。
在一个可能的实施方式中，根据人群密度、共享时间长度、最近距离、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数，确定候选行人被感染的概率，具体包括：
根据人群密度、共享时间长度、最近距离以及空间分布相似度，确定候选行人在第一运动区域中的局部感染概率；
根据局部感染概率和候选行人在第一运动轨迹中出现的次数，确定候选行人被感染的概率。
第二方面，本发明实施例提供一种疾病传染概率确定装置，该装置包括：
获取单元，用于获取病毒携带者的第一运动轨迹，以及与第一运动轨迹存在交集的候选行人的第二运动轨迹；
统计单元，用于统计在第一运动区域的人群密度，其中，第一运动轨迹包括至少一个轨迹报点，第一运动区域为以第一运动轨迹中的预设轨迹报点为中心，预设范围内的区域；
处理单元，用于根据第一运动轨迹和第二运动轨迹，确定病毒携带者与候选行人在第一运动区域的共享时间长度、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数；
根据预设轨迹报点和第二运动轨迹，确定候选行人与预设轨迹报点之间的最近距离；
根据人群密度、共享时间长度、最近距离、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数，确定候选行人被感染的概率。
第三方面，本发明实施例提供一种疾病传染概率确定系统，该系统包括：至少一个处理器和存储器；
处理器用于执行存储器中存储的疾病传染概率确定程序，以实现如第一方面任一实施方式所介绍的疾病传染概率确定方法。
第四方面，本发明实施例提供一种计算机存储介质，该计算机存储介质存储有一个或者多个程序，一个或者多个程序可被如第三方面所介绍的疾病传染概率确定系统执行，以实现如第一方面任一实施方式所介绍的疾病传染概率确定方法。
本发明实施例提供的一种疾病传染概率确定方法，候选行人与病毒携带者接触时间越长，接触距离越近，所处空间的人群密度越大，其感染的概率也就会越大。因此，在本方法中，首先获取病毒携带者的第一运动轨迹，以及与第一运动轨迹存在交集的候选行人的第二运动轨迹。统计在第一运动区域的人群密度，然后再根据第一运动轨迹和第二运动轨迹，确定病毒携带者与候选行人在第一运动区域的共享时间长度、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数。根据预设轨迹报点和第二运动轨迹，确定候选行人与预设轨迹报点之间的最近距离。根据人群密度、共享时间长度、最近距离、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数，确定候选行人被感染的概率。通过该种方式，实现对时空数据的详细分析，利用个体检测时空轨迹的相似性来衡量疾病传染概率，以此发现可能与患者有过物理接触的易感人群，解决目前由于需要人为广播患者历史行径，而同候选行人搜索不及时、不准确，导致传染病患病概率大大增加的问题。
附图说明
图1为本发明实施例提供的一种疾病传染概率确定方法流程示意图；
图2为本发明实施例提供的一种疾病传染概率确定装置结构示意图；
图3为本发明实施例提供一种疾病传染概率确定系统结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
图1为本发明实施例提供的一种疾病传染概率确定方法流程示意图，如图1所示，该方法包括：
步骤110，获取病毒携带者的第一运动轨迹，以及与第一运动轨迹存在交集的候选行人的第二运动轨迹。
具体的，轨迹数据可以是通过GPS，或者通过终端设备与基站之间的通信获取的。当然，也可以通过其他方式获取，这里不做任何限定。在一个具体的例子中，例如，第一运动轨迹是病毒携带者的终端设备经过GPS 定位后，按照时间戳进行排序的GPS列表数据。该数据中包括了病毒携带者不同时刻所在的位置，以及在不同位置时的具体时间。类似的道理，第二运动轨迹是候选行人的终端设备经过GPS定位后，按照时间戳进行排序的GPS列表数据。
假设，病毒携带者的第一运动轨迹用集合的形式表示，具体参见如下：
其中，Q代表第一运动轨迹集合，
代表用户运动至第 n个报点时的运动轨迹数据，其中，
表示在第n个报点时的时刻，
和
分别代表第n个报点的经纬度数据。
候选行人用集合表示为：
Candidate＝{U1，U2，...，Um}
其中，Candidate为所有候选行人轨迹集合，Uj为第j个候选行人的运动轨迹。uh为第j个候选行人在运动轨迹中第h个报点，
为用户在第h 个报点的时刻，
分别为第h个报点的经纬度数据。
这里之所以是候选行人，是因为路上行人很多，但是未必都与病毒携带者接触过。而根据不同行人的运动轨迹，从中筛选才可以获取到候选行人的运动轨迹，也即是第二运动轨迹。本实施例中，确定候选行人的患病概率，是以第j个候选行人为例进行说明的，其他候选行人的患病概率方法类似，这里不再过多说明。即，本实施例中所介绍的第二运动轨迹即是第j个候选行人的运动轨迹。
步骤120，统计在第一运动区域的人群密度。
具体的，由上文所介绍的，第一运动轨迹中包括很多报点qi，其中，i 为大于或者等于1，小于或者等于n的正整数，n和上文中说的h均为大于或者等于1的正整数。
第一运动轨迹包括至少一个轨迹报点，第一运动区域为以第一运动轨迹中的预设轨迹报点为中心，预设范围内的区域。
可选的，统计在第一运动区域的人群密度时，按照预设聚类方法，以预设轨迹报点为核心，在第一运动区域内进行聚类，获取第一运动区域内的候选行人总数；
根据第一运动区域内的候选行人总数和预设聚类方法中的聚类参数，统计人群密度。
例如，采用具有噪声的基于密度的聚类方法(Density-Based SpatialClustering of Applications with Noise，简称DBSCAN)。
在使用该方法时，可以设定报点qi为核心报点，也即是预设轨迹报点。给定邻域半径∈，最小近邻点数minPts。在预设范围
内进行DBSCAN聚类。其中，以设定报点qi为核心报点的预设范围
即为第一运动区域
记录qi所在簇的用户个数为uni，为方便计算，设人群密度Densityi∈ [0,1]，则人群密度可以采用如下公式确定：
其中，若qi为噪声点，uni＝1，也即是说该区域内只有病毒携带者，此时人群密度为0。因此，公式中存在一个人群密度元素为1。否则，将通过公式1计算人群密度。
步骤130，根据第一运动轨迹和第二运动轨迹，确定病毒携带者与候选行人在第一运动区域的共享时间长度、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数。
可选的，可以根据第一运动轨迹和第二运动轨迹，获取病毒携带者出现在第一运动区域内的第一轨迹报点集合，以及候选行人出现在第一运动区域内的第二轨迹报点集合；
根据第一轨迹报点集合和第二轨迹报点集合，确定病毒携带者与候选行人在第一运动区域的共享时间长度。
具体的，分别遍历第一运动轨迹和第二运动轨迹。从中获取到与第一运动区域MMBqi存在交集的报点集合。设定第一轨迹报点集合为
第二轨迹报点集合为
根据第一轨迹报点集合和第二轨迹报点集合，确定病毒携带者与候选行人在第一运动区域的共享时间长度。
可选的，如上文可知，获取第一运动轨迹和第二运动轨迹中包括时间数据和坐标数据，也即是经纬度数据。那么，第一轨迹报点集合和第二轨迹报点集合中，必然也包括轨迹报点集合中每一个报点的时间数据和坐标数据，因此根据第一轨迹报点集合和第二轨迹报点集合，确定病毒携带者与候选行人在第一运动区域的共享时间长度，具体包括：
根据病毒携带者出现在第一轨迹报点集合中每一个轨迹报点的时间数据，确定病毒携带者出现在第一运动区域内的第一起始时间和第一结束时间；
根据候选行人出现在第二轨迹报点集合中每一个轨迹报点的时间数据，确定候选行人出现在第一运动区域内的第二起始时间和第二结束时间；
根据第一起始时间、第一结束时间、第二起始时间以及第二结束时间，确定共享时间长度。
也即是，分别获取第一轨迹报点集合的第一起始时间startTime和第一结束时间endTime，即在集合中最早出现的报点的时间，以及在集合中最晚出现的报点的时间。类似的道理，获取第二轨迹报点集合的第二起始时间startTime和第二结束时间endTime。
然后，根据第一起始时间、第一结束时间、第二起始时间以及第二结束时间，确定共享时间长度。
具体参见如下公式：
可选的，在计算根据第一运动轨迹和第二运动轨迹，确定病毒携带者与候选行人在第一运动区域的空间分布相似度时，可以根据第一轨迹报点集合和第二轨迹报点集合，计算在第一运动区域中，病毒携带者和候选行人之间的推土距离；
根据病毒携带者和候选行人之间的推土距离EM，确定病毒携带者与候选行人在第一运动区域中的空间分布相似度。
其中，EM公式参见如下公式：
其中，
表示从qi到uj需要花费的代价,显然，当i＝j时，cij＝0； fij表示从qi到uj的流量大小。
为满足EM的约束且统一量纲，需对f进行归一化处理。具体过程为现有技术，这里不再过多解释说明。
在获取到EM后，确定病毒携带者与候选行人在第一运动区域的空间分布相似度采用如下公式计算得到：
emd_sim(A,B)＝1-emd(A,B) (公式4)
可选的，根据第一运动轨迹和第二运动轨迹，确定候选行人在第一运动轨迹中出现的次数，具体可以采用如下方式：
统计Uj在Q中出现的次数
即若Uj中存在报点落在qi中则计且仅计作一次共现。因此出现的次数最多也就是n次。
步骤140，根据预设轨迹报点和第二运动轨迹，确定候选行人与预设轨迹报点之间的最近距离。
可选的，如上所介绍，由于第一轨迹报点集合和第二轨迹报点集合所中还均包括每一个轨迹报点对应的坐标数据。那么第一轨迹报点集合和第二轨迹报点集合所中均包括每一个轨迹报点对应的坐标数据，因此根据预设轨迹报点和第二运动轨迹，确定候选行人与预设轨迹报点之间的最近距离，具体包括：
根据第二轨迹报点集合中距离预设轨迹报点最近的轨迹报点坐标数据以及预设轨迹报点的坐标数据，确定候选行人与预设报点之间的最近距离，作为病毒携带者与候选行人之间的相距的最近距离。其中，预设轨迹报点属于第一轨迹报点集合中的一个轨迹报点。
具体计算公式参见如下：
其中，
为最近距离，
和
为第二轨迹报点集合中距离预设轨迹报点最近的轨迹报点坐标数据。
和
为预设轨迹报点的坐标数据。
步骤150，根据人群密度、共享时间长度、最近距离、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数，确定候选行人被感染的概率。
在一种可行的实施方式中，可以首先根据人群密度、共享时间长度、最近距离以及空间分布相似度，确定候选行人在第一运动区域中的局部感染概率。
具体计算方式可以参见如下公式：
其中，
为在第一运动区域中的局部感染概率，Densityi为人群密度，λe为距离权重系数，(1-λ)e为时间权重系数，λ具体数值根据经验确定。其他参数均以在上文做了详解介绍，这里不做过多说明。
获取到候选行人在第一运动区域中的局部感染概率后，再根据局部感染概率和候选行人在第一运动轨迹中出现的次数，确定候选行人被感染的概率。
具体计算可以参见如下公式：
其中，P(Q,Uj)为候选行人被感染概率，w为根据经验设定的权重系数。
本发明实施例提供的疾病传染概率确定方法，候选行人与病毒携带者接触时间越长，接触距离越近，所处空间的人群密度越大，其感染的概率也就会越大。因此，在本方法中，首先获取病毒携带者的第一运动轨迹，以及与第一运动轨迹存在交集的候选行人的第二运动轨迹。统计在第一运动区域的人群密度，然后再根据第一运动轨迹和第二运动轨迹，确定病毒携带者与候选行人在第一运动区域的共享时间长度、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数。根据预设轨迹报点和第二运动轨迹，确定候选行人与预设轨迹报点之间的最近距离。根据人群密度、共享时间长度、最近距离、空间分布相似度，和候选行人在第一运动轨迹中出现的次数，确定候选行人被感染的概率。通过该种方式，实现对时空数据的详细分析，利用个体检测时空轨迹的相似性来衡量疾病传染概率，以此发现可能与患者有过物理接触的易感人群，解决目前由于需要人为广播患者历史行径，而同候选行人搜索不及时、不准确，导致传染病患病概率大大增加的问题。
图2为本发明实施例提供的一种疾病传染概率确定装置，该装置包括：获取单元201、统计单元202以及处理单元203。
获取单元201，用于获取病毒携带者的第一运动轨迹，以及与第一运动轨迹存在交集的候选行人的第二运动轨迹；
统计单元202，用于统计在第一运动区域的人群密度，其中，第一运动轨迹包括至少一个轨迹报点，第一运动区域为以第一运动轨迹中的预设轨迹报点为中心，预设范围内的区域；
处理单元203，用于根据第一运动轨迹和第二运动轨迹，确定病毒携带者与候选行人在第一运动区域的共享时间长度、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数；
根据预设轨迹报点和第二运动轨迹，确定候选行人与预设轨迹报点之间的最近距离；
根据人群密度、共享时间长度、最近距离、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数，确定候选行人被感染的概率。
可选的，根据第一运动轨迹和第二运动轨迹，获取病毒携带者出现在第一运动区域内的第一轨迹报点集合，以及候选行人出现在第一运动区域内的第二轨迹报点集合；
根据第一轨迹报点集合和第二轨迹报点集合，确定病毒携带者与候选行人在第一运动区域的共享时间长度。
可选的，第一轨迹报点集合和第二轨迹报点集合所中均包括每一个轨迹报点对应的时间数据，处理单元203具体用于，根据病毒携带者出现在第一轨迹报点集合中每一个轨迹报点的时间数据，确定病毒携带者出现在第一运动区域内的第一起始时间和第一结束时间；
根据候选行人出现在第二轨迹报点集合中每一个轨迹报点的时间数据，确定候选行人出现在第一运动区域内的第二起始时间和第二结束时间；
根据第一起始时间、第一结束时间、第二起始时间以及第二结束时间，确定共享时间长度。
可选的，第一轨迹报点集合和第二轨迹报点集合所中均包括每一个轨迹报点对应的坐标数据，处理单元203具体用于，根据第二轨迹报点集合中距离预设轨迹报点最近的轨迹报点坐标数据以及预设轨迹报点的坐标数据，确定最近距离，其中，预设轨迹报点属于第一轨迹报点集合中的一个轨迹报点。
可选的，处理单元203，具体用于提取第一运动轨迹中出现在第一运动区域内的所有轨迹报点，构成第一轨迹报点集合；
提取第二运动轨迹中出现在第一运动区域内的所有轨迹报点，构成第二轨迹报点集合。
可选的，统计单元202具体用于，按照预设聚类方法，以预设轨迹报点为核心，在第一运动区域内进行聚类，获取第一运动区域内的候选行人总数；
根据第一运动区域内的候选行人总数和预设聚类方法中的聚类参数，统计人群密度。
可选的，处理单元203具体用于，根据第一轨迹报点集合和第二轨迹报点集合，计算在第一运动区域中，病毒携带者和候选行人之间的推土距离；
根据病毒携带者和候选行人之间的推土距离，确定病毒携带者与候选行人在第一运动区域中的空间分布相似度。
可选的，处理单元203具体用于，根据人群密度、共享时间长度、最近距离以及空间分布相似度，确定候选行人在第一运动区域中的局部感染概率；
根据局部感染概率和候选行人在第一运动轨迹中出现的次数，确定候选行人被感染的概率。
本实施例提供的疾病传染概率确定装置中各功能部件所执行的功能均已在图1对应的实施例中做了详细介绍，因此这里不再赘述。
本发明实施例提供的一种疾病传染概率确定装置，候选行人与病毒携带者接触时间越长，接触距离越近，所处空间的人群密度越大，其感染的概率也就会越大。因此，在本方法中，首先获取病毒携带者的第一运动轨迹，以及与第一运动轨迹存在交集的候选行人的第二运动轨迹。统计在第一运动区域的人群密度，然后再根据第一运动轨迹和第二运动轨迹，确定病毒携带者与候选行人在第一运动区域的共享时间长度、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数。根据预设轨迹报点和第二运动轨迹，确定候选行人与预设轨迹报点之间的最近距离。根据人群密度、共享时间长度、最近距离、空间分布相似度，和候选行人在第一运动轨迹中出现的次数，确定候选行人被感染的概率。通过该种方式，实现对时空数据的详细分析，利用个体检测时空轨迹的相似性来衡量疾病传染概率，以此发现可能与患者有过物理接触的易感人群，解决目前由于需要人为广播患者历史行径，而同候选行人搜索不及时、不准确，导致传染病患病概率大大增加的问题。
图3为本发明实施例提供的一种疾病传染概率确定系统的结构示意图，图3所示的疾病传染概率确定系统300包括：至少一个处理器301、存储器302、至少一个网络接口303和其他用户接口304。疾病传染概率确定疾病传染概率确定系统300中的各个组件通过总线系统305耦合在一起。可理解，总线系统305用于实现这些组件之间的连接通信。总线系统305除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图3中将各种总线都标为总线系统305。
其中，用户接口304可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
可以理解，本发明实施例中的存储器302可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器 (ProgrammableROM，PROM)、可擦除可编程只读存储器(ErasablePROM， EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(RandomAccessMemory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM 可用，例如静态随机存取存储器(StaticRAM，SRAM)、动态随机存取存储器(DynamicRAM，DRAM)、同步动态随机存取存储器(SynchronousDRAM， SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleDataRateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(SynchlinkDRAM， SLDRAM)和直接内存总线随机存取存储器(DirectRambusRAM，DRRAM)。本文描述的存储器302旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器302存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统3021和应用程序3022。
其中，操作系统3021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序 3022，包含各种应用程序，例如媒体播放器(MediaPlayer)、浏览器(Browser) 等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序3022中。
在本发明实施例中，通过调用存储器302存储的程序或指令，具体的，可以是应用程序3022中存储的程序或指令，处理器301用于执行各方法实施例所提供的方法步骤，例如包括：
获取病毒携带者的第一运动轨迹，以及与第一运动轨迹存在交集的候选行人的第二运动轨迹；
统计在第一运动区域的人群密度，其中，第一运动轨迹包括至少一个轨迹报点，第一运动区域为以第一运动轨迹中的预设轨迹报点为中心，预设范围内的区域；
根据第一运动轨迹和第二运动轨迹，确定病毒携带者与候选行人在第一运动区域的共享时间长度、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数；
根据预设轨迹报点和第二运动轨迹，确定候选行人与预设轨迹报点之间的最近距离；
根据人群密度、共享时间长度、最近距离、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数，确定候选行人被感染的概率。
可选的，根据第一运动轨迹和第二运动轨迹，获取病毒携带者出现在第一运动区域内的第一轨迹报点集合，以及候选行人出现在第一运动区域内的第二轨迹报点集合；
根据第一轨迹报点集合和第二轨迹报点集合，确定病毒携带者与候选行人在第一运动区域的共享时间长度。
可选的，第一轨迹报点集合和第二轨迹报点集合所中均包括每一个轨迹报点对应的时间数据；
根据病毒携带者出现在第一轨迹报点集合中每一个轨迹报点的时间数据，确定病毒携带者出现在第一运动区域内的第一起始时间和第一结束时间；
根据候选行人出现在第二轨迹报点集合中每一个轨迹报点的时间数据，确定候选行人出现在第一运动区域内的第二起始时间和第二结束时间；
根据第一起始时间、第一结束时间、第二起始时间以及第二结束时间，确定共享时间长度。
可选的，第一轨迹报点集合和第二轨迹报点集合所中均包括每一个轨迹报点对应的坐标数据。
根据第二轨迹报点集合中距离预设轨迹报点最近的轨迹报点坐标数据以及预设轨迹报点的坐标数据，确定最近距离，其中，预设轨迹报点属于第一轨迹报点集合中的一个轨迹报点。
可选的，提取第一运动轨迹中出现在第一运动区域内的所有轨迹报点，构成第一轨迹报点集合；
提取第二运动轨迹中出现在第一运动区域内的所有轨迹报点，构成第二轨迹报点集合。
可选的，按照预设聚类方法，以预设轨迹报点为核心，在第一运动区域内进行聚类，获取第一运动区域内的候选行人总数；
根据第一运动区域内的候选行人总数和预设聚类方法中的聚类参数，统计人群密度。
可选的，根据第一轨迹报点集合和第二轨迹报点集合，计算在第一运动区域中，病毒携带者和候选行人之间的推土距离；
根据病毒携带者和候选行人之间的推土距离，确定病毒携带者与候选行人在第一运动区域中的空间分布相似度。
可选的，根据人群密度、共享时间长度、最近距离以及空间分布相似度，确定候选行人在第一运动区域中的局部感染概率；
根据局部感染概率和候选行人在第一运动轨迹中出现的次数，确定候选行人被感染的概率。
上述本发明实施例揭示的方法可以应用于处理器301中，或者由处理器301实现。处理器301可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器301中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器301可以是通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecific IntegratedCircuit，ASIC)、现成可编程门阵列(FieldProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器302，处理器301读取存储器302 中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecificIntegratedCircuits，ASIC)、数字信号处理器(DigitalSignalProcessing，DSP)、数字信号处理设备(DSPDevice， DSPD)、可编程逻辑设备(ProgrammableLogicDevice，PLD)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文功能的单元来实现本文的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本实施例提供的疾病传染概率确定系统可以是如图3中所示的疾病传染概率确定系统，可执行如图1中疾病传染概率确定方法的所有步骤，进而实现图1所示疾病传染概率确定方法的技术效果，具体请参照图1相关描述，为简洁描述，在此不作赘述。
本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中，存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。
当存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述在疾病传染概率确定系统侧执行的疾病传染概率确定方法。
处理器用于执行存储器中存储的疾病传染概率确定程序，以实现以下在疾病传染概率确定系统侧执行的疾病传染概率确定方法的步骤：
获取病毒携带者的第一运动轨迹，以及与第一运动轨迹存在交集的候选行人的第二运动轨迹；
统计在第一运动区域的人群密度，其中，第一运动轨迹包括至少一个轨迹报点，第一运动区域为以第一运动轨迹中的预设轨迹报点为中心，预设范围内的区域；
根据第一运动轨迹和第二运动轨迹，确定病毒携带者与候选行人在第一运动区域的共享时间长度、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数；
根据预设轨迹报点和第二运动轨迹，确定候选行人与预设轨迹报点之间的最近距离；
根据人群密度、共享时间长度、最近距离、空间分布相似度，以及候选行人在第一运动轨迹中出现的次数，确定候选行人被感染的概率。
可选的，根据第一运动轨迹和第二运动轨迹，获取病毒携带者出现在第一运动区域内的第一轨迹报点集合，以及候选行人出现在第一运动区域内的第二轨迹报点集合；
根据第一轨迹报点集合和第二轨迹报点集合，确定病毒携带者与候选行人在第一运动区域的共享时间长度。
可选的，第一轨迹报点集合和第二轨迹报点集合所中均包括每一个轨迹报点对应的时间数据；
根据病毒携带者出现在第一轨迹报点集合中每一个轨迹报点的时间数据，确定病毒携带者出现在第一运动区域内的第一起始时间和第一结束时间；
根据候选行人出现在第二轨迹报点集合中每一个轨迹报点的时间数据，确定候选行人出现在第一运动区域内的第二起始时间和第二结束时间；
根据第一起始时间、第一结束时间、第二起始时间以及第二结束时间，确定共享时间长度。
可选的，第一轨迹报点集合和第二轨迹报点集合所中均包括每一个轨迹报点对应的坐标数据。
根据第二轨迹报点集合中距离预设轨迹报点最近的轨迹报点坐标数据以及预设轨迹报点的坐标数据，确定最近距离，其中，预设轨迹报点属于第一轨迹报点集合中的一个轨迹报点。
可选的，提取第一运动轨迹中出现在第一运动区域内的所有轨迹报点，构成第一轨迹报点集合；
提取第二运动轨迹中出现在第一运动区域内的所有轨迹报点，构成第二轨迹报点集合。
可选的，按照预设聚类方法，以预设轨迹报点为核心，在第一运动区域内进行聚类，获取第一运动区域内的候选行人总数；
根据第一运动区域内的候选行人总数和预设聚类方法中的聚类参数，统计人群密度。
可选的，根据第一轨迹报点集合和第二轨迹报点集合，计算在第一运动区域中，病毒携带者和候选行人之间的推土距离；
根据病毒携带者和候选行人之间的推土距离，确定病毒携带者与候选行人在第一运动区域中的空间分布相似度。
可选的，根据人群密度、共享时间长度、最近距离以及空间分布相似度，确定候选行人在第一运动区域中的局部感染概率；
根据局部感染概率和候选行人在第一运动轨迹中出现的次数，确定候选行人被感染的概率。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种疾病传染概率确定方法，其特征在于，所述方法包括：
获取病毒携带者的第一运动轨迹，以及与所述第一运动轨迹存在交集的候选行人的第二运动轨迹；
统计在第一运动区域的人群密度，其中，所述第一运动轨迹包括至少一个轨迹报点，所述第一运动区域为以所述第一运动轨迹中的预设轨迹报点为中心，预设范围内的区域；
根据所述第一运动轨迹和所述第二运动轨迹，确定所述病毒携带者与所述候选行人在所述第一运动区域的共享时间长度、空间分布相似度，以及所述候选行人在所述第一运动轨迹中出现的次数；
根据所述预设轨迹报点和所述第二运动轨迹，确定所述候选行人与所述预设轨迹报点之间的最近距离；
根据所述人群密度、所述共享时间长度、所述最近距离、所述空间分布相似度，以及所述候选行人在所述第一运动轨迹中出现的次数，确定所述候选行人被感染的概率。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一运动轨迹和所述第二运动轨迹，确定所述病毒携带者与所述候选行人在所述第一运动区域的共享时间长度，具体包括：
根据所述第一运动轨迹和所述第二运动轨迹，获取所述病毒携带者出现在所述第一运动区域内的第一轨迹报点集合，以及所述候选行人出现在所述第一运动区域内的第二轨迹报点集合；
根据所述第一轨迹报点集合和所述第二轨迹报点集合，确定所述病毒携带者与所述候选行人在所述第一运动区域的共享时间长度。
3.根据权利要求2所述的方法，其特征在于，所述第一轨迹报点集合和所述第二轨迹报点集合所中均包括每一个轨迹报点对应的时间数据，所述根据所述第一轨迹报点集合和所述第二轨迹报点集合，确定所述病毒携带者与所述候选行人在所述第一运动区域的共享时间长度，具体包括：
根据所述病毒携带者出现在所述第一轨迹报点集合中每一个轨迹报点的时间数据，确定所述病毒携带者出现在所述第一运动区域内的第一起始时间和第一结束时间；
根据所述候选行人出现在所述第二轨迹报点集合中每一个轨迹报点的时间数据，确定所述候选行人出现在所述第一运动区域内的第二起始时间和第二结束时间；
根据所述第一起始时间、所述第一结束时间、所述第二起始时间以及所述第二结束时间，确定所述共享时间长度。
4.根据权利要求2所述的方法，其特征在于，所述第一轨迹报点集合和所述第二轨迹报点集合所中均包括每一个轨迹报点对应的坐标数据，根据所述预设轨迹报点和所述第二运动轨迹，确定所述候选行人与所述预设轨迹报点之间的最近距离，具体包括：
根据所述第二轨迹报点集合中距离所述预设轨迹报点最近的轨迹报点坐标数据以及所述预设轨迹报点的坐标数据，确定所述最近距离，其中，所述预设轨迹报点属于所述第一轨迹报点集合中的一个轨迹报点。
5.根据权利要求2-4任一项所述的方法，其特征在于，根据所述第一运动轨迹和所述第二运动轨迹，获取所述病毒携带者出现在所述第一运动区域内的第一轨迹报点集合，以及所述候选行人出现在所述第一运动区域内的第二轨迹报点集合，具体包括：
提取所述第一运动轨迹中出现在所述第一运动区域内的所有轨迹报点，构成所述第一轨迹报点集合；
提取所述第二运动轨迹中出现在所述第一运动区域内的所有轨迹报点，构成所述第二轨迹报点集合。
6.根据权利要求1-4任一项所述的方法，其特征在于，所述统计在第一运动区域的人群密度，具体包括：
按照预设聚类方法，以所述预设轨迹报点为核心，在所述第一运动区域内进行聚类，获取所述第一运动区域内的候选行人总数；
根据所述第一运动区域内的候选行人总数和所述预设聚类方法中的聚类参数，统计所述人群密度。
7.根据权利要求2所述的方法，其特征在于，所述根据所述第一运动轨迹和所述第二运动轨迹，确定所述病毒携带者与所述候选行人在所述第一运动区域中的空间分布相似度，具体包括：
根据所述第一轨迹报点集合和所述第二轨迹报点集合，计算在所述第一运动区域中，所述病毒携带者和所述候选行人之间的推土距离；
根据所述病毒携带者和所述候选行人之间的推土距离，确定所述病毒携带者与所述候选行人在所述第一运动区域中的空间分布相似度。
8.根据权利要求1-4或7任一项所述的方法，其特征在于，所述根据所述人群密度、所述共享时间长度、所述最近距离、所述空间分布相似度，以及所述候选行人在所述第一运动轨迹中出现的次数，确定所述候选行人被感染的概率，具体包括：
根据所述人群密度、所述共享时间长度、所述最近距离以及所述空间分布相似度，确定所述候选行人在所述第一运动区域中的局部感染概率；
根据所述局部感染概率和所述候选行人在所述第一运动轨迹中出现的次数，确定所述候选行人被感染的概率。
9.一种疾病传染概率确定装置，其特征在于，所述装置包括：
获取单元，用于获取病毒携带者的第一运动轨迹，以及与所述第一运动轨迹存在交集的候选行人的第二运动轨迹；
统计单元，用于统计在第一运动区域的人群密度，其中，所述第一运动轨迹包括至少一个轨迹报点，所述第一运动区域为以所述第一运动轨迹中的预设轨迹报点为中心，预设范围内的区域；
处理单元，用于根据所述第一运动轨迹和所述第二运动轨迹，确定所述病毒携带者与所述候选行人在所述第一运动区域的共享时间长度、空间分布相似度，以及所述候选行人在所述第一运动轨迹中出现的次数；
根据所述预设轨迹报点和所述第二运动轨迹，确定所述候选行人与所述预设轨迹报点之间的最近距离；
根据所述人群密度、所述共享时间长度、所述最近距离、所述空间分布相似度，以及所述候选行人在所述第一运动轨迹中出现的次数，确定所述候选行人被感染的概率。
10.一种疾病传染概率确定系统，其特征在于，所述系统包括：至少一个处理器和存储器；
所述处理器用于执行所述存储器中存储的疾病传染概率确定程序，以实现权利要求1～8中任一项所述的疾病传染概率确定方法。
11.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或者多个程序，所述一个或者多个程序可被如权利要求10所述的疾病传染概率确定系统执行，以实现权利要求1～8中任一项所述的疾病传染概率确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010433442.0A CN111863270A (zh) | 2020-05-20 | 2020-05-20 | 疾病传染概率确定方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010433442.0A CN111863270A (zh) | 2020-05-20 | 2020-05-20 | 疾病传染概率确定方法、装置、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111863270A true CN111863270A (zh) | 2020-10-30 |
Family
ID=72985168
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010433442.0A Pending CN111863270A (zh) | 2020-05-20 | 2020-05-20 | 疾病传染概率确定方法、装置、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111863270A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669978A (zh) * | 2020-11-23 | 2021-04-16 | 广州大学 | 一种疫情感染风险评估方法 |
| CN112712902A (zh) * | 2020-12-29 | 2021-04-27 | 医渡云（北京）技术有限公司 | 传染病的传染概率预测方法及装置、存储介质、电子设备 |
| WO2021208563A1 (zh) * | 2020-04-13 | 2021-10-21 | 华为技术有限公司 | 一种通信方法、装置及系统 |
| CN114974604A (zh) * | 2022-05-16 | 2022-08-30 | 三峡高科信息技术有限责任公司 | 一种基于物联网实现人员疾病控制方法 |
| CN115033732A (zh) * | 2022-08-11 | 2022-09-09 | 深圳前海中电慧安科技有限公司 | 一种时空轨迹关联方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130318027A1 (en) * | 2011-11-20 | 2013-11-28 | Gal Almogy | System and method to enable detection of viral infection by users of electronic communication devices |
| 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 |
| WO2019038271A1 (en) * | 2017-08-21 | 2019-02-28 | Koninklijke Philips N.V. | PREDICTION, PREVENTION AND CONTROL OF INFECTIOUS TRANSMISSION IN A HEALTH CARE FACILITY USING A REAL-TIME LOCALIZATION SYSTEM AND A NEW GENERATION SEQUENCING |
| CN110457315A (zh) * | 2019-07-19 | 2019-11-15 | 国家计算机网络与信息安全管理中心 | 一种基于用户轨迹数据的群体聚集模式分析方法和系统 |
| CN111027525A (zh) * | 2020-03-09 | 2020-04-17 | 中国民用航空总局第二研究所 | 疫情期间公共场所潜在被感染者追踪方法、装置及系统 |
-
2020
- 2020-05-20 CN CN202010433442.0A patent/CN111863270A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130318027A1 (en) * | 2011-11-20 | 2013-11-28 | Gal Almogy | System and method to enable detection of viral infection by users of electronic communication devices |
| WO2019038271A1 (en) * | 2017-08-21 | 2019-02-28 | Koninklijke Philips N.V. | PREDICTION, PREVENTION AND CONTROL OF INFECTIOUS TRANSMISSION IN A HEALTH CARE FACILITY USING A REAL-TIME LOCALIZATION SYSTEM AND A NEW GENERATION SEQUENCING |
| 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 |
| CN110457315A (zh) * | 2019-07-19 | 2019-11-15 | 国家计算机网络与信息安全管理中心 | 一种基于用户轨迹数据的群体聚集模式分析方法和系统 |
| CN111027525A (zh) * | 2020-03-09 | 2020-04-17 | 中国民用航空总局第二研究所 | 疫情期间公共场所潜在被感染者追踪方法、装置及系统 |
Non-Patent Citations (5)
| Title |
|---|
| 冯登国;张敏;叶宇桐;: "基于差分隐私模型的位置轨迹发布技术研究", 电子与信息学报, no. 01, pages 74 - 88 * |
| 周海平;蔡绍洪;: "个体运动的病毒传播行为模拟", 现代生物医学进展, no. 11, pages 2182 - 2183 * |
| 周海平;蔡绍洪;: "群体稀疏分布的易感-感染-易感疾病传播模型", 兰州大学学报(自然科学版), no. 03, pages 118 - 122 * |
| 张宏兵;陆建峰;汤九斌;: "一种基于近似EMD的DBSCAN改进算法", 山东大学学报(工学版), no. 04, pages 35 - 40 * |
| 陶海燕;潘中哲;潘茂林;卓莉;徐勇;鹿苗;: "广州大都市登革热时空传播混合模式", 地理学报, no. 09, 15 September 2016 (2016-09-15), pages 1653 - 1662 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021208563A1 (zh) * | 2020-04-13 | 2021-10-21 | 华为技术有限公司 | 一种通信方法、装置及系统 |
| CN112669978A (zh) * | 2020-11-23 | 2021-04-16 | 广州大学 | 一种疫情感染风险评估方法 |
| CN112669978B (zh) * | 2020-11-23 | 2022-03-04 | 广州大学 | 一种疫情感染风险评估方法 |
| CN112712902A (zh) * | 2020-12-29 | 2021-04-27 | 医渡云（北京）技术有限公司 | 传染病的传染概率预测方法及装置、存储介质、电子设备 |
| CN112712902B (zh) * | 2020-12-29 | 2022-12-16 | 医渡云（北京）技术有限公司 | 传染病的传染概率预测方法及装置、存储介质、电子设备 |
| CN114974604A (zh) * | 2022-05-16 | 2022-08-30 | 三峡高科信息技术有限责任公司 | 一种基于物联网实现人员疾病控制方法 |
| CN115033732A (zh) * | 2022-08-11 | 2022-09-09 | 深圳前海中电慧安科技有限公司 | 一种时空轨迹关联方法、装置、电子设备及存储介质 |
| CN115033732B (zh) * | 2022-08-11 | 2022-11-15 | 深圳前海中电慧安科技有限公司 | 一种时空轨迹关联方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111863270A (zh) | 疾病传染概率确定方法、装置、系统及存储介质 | |
| Zhao et al. | Estimation of queue lengths, probe vehicle penetration rates, and traffic volumes at signalized intersections using probe vehicle trajectories | |
| Mao et al. | Feature grouping-based outlier detection upon streaming trajectories | |
| CN111341463B (zh) | 疫情排查方法、装置、计算机设备和存储介质 | |
| Amin-Naseri et al. | Evaluating the reliability, coverage, and added value of crowdsourced traffic incident reports from Waze | |
| CN105740615B (zh) | 利用手机轨迹追踪传染源和预测传染病流行趋势的方法 | |
| Gambs et al. | De-anonymization attack on geolocated data | |
| Gidófalvi et al. | When and where next: Individual mobility prediction | |
| Papandrea et al. | On the properties of human mobility | |
| Teurlai et al. | Can human movements explain heterogeneous propagation of dengue fever in Cambodia? | |
| US10255514B2 (en) | Automatic identification of cloned vehicle identifiers | |
| Ganti et al. | Inferring human mobility patterns from taxicab location traces | |
| CN110826594A (zh) | 一种轨迹聚类的方法、设备及存储介质 | |
| Lee et al. | Automatic physical activity and in‐vehicle status classification based on GPS and accelerometer data: A hierarchical classification approach using machine learning techniques | |
| Weng et al. | Real-time bus travel speed estimation model based on bus GPS data | |
| Cuttone et al. | Inferring human mobility from sparse low accuracy mobile sensing data | |
| Moosavi et al. | Characterizing driving context from driver behavior | |
| CN111639092A (zh) | 一种人员流动分析方法、装置、电子设备及存储介质 | |
| de Graaff et al. | Automated semantic trajectory annotation with indoor point-of-interest visits in urban areas | |
| Nishida et al. | Extracting arbitrary-shaped stay regions from geospatial trajectories with outliers and missing points | |
| CN110533906B (zh) | 一种路况信息的获取方法及相关装置 | |
| Canino et al. | Epidemic forecasting based on mobility patterns: an approach and experimental evaluation on COVID-19 Data | |
| CN113793690B (zh) | 传染病的区域风险评估方法、装置、存储介质及设备 | |
| Zong et al. | Bus-Car Mode Identification: Traffic Condition–Based Random-Forests Method | |
| Lei et al. | QS-STT: QuadSection clustering and spatial-temporal trajectory model for location prediction |
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 |