CN111885498B - 一种应急响应等级的预测方法及预测装置 - Google Patents

一种应急响应等级的预测方法及预测装置 Download PDF

Info

Publication number
CN111885498B
CN111885498B CN202010670891.7A CN202010670891A CN111885498B CN 111885498 B CN111885498 B CN 111885498B CN 202010670891 A CN202010670891 A CN 202010670891A CN 111885498 B CN111885498 B CN 111885498B
Authority
CN
China
Prior art keywords
user
area
predicted
evaluation index
target
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
Application number
CN202010670891.7A
Other languages
English (en)
Other versions
CN111885498A (zh
Inventor
张涛
成晨
高洁
韩玉辉
王天翼
郝若晶
吴洋
程新洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202010670891.7A priority Critical patent/CN111885498B/zh
Publication of CN111885498A publication Critical patent/CN111885498A/zh
Application granted granted Critical
Publication of CN111885498B publication Critical patent/CN111885498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种预测方法及装置，涉及通信技术领域，用于提高预测待预测区域的应急响应等级的准确性。包括：确定目标用户；其中，目标用户包括在第一预设时间段内从疫区移动至待预测区域内的用户；确定目标评价指数；其中，目标评价指数包括第一评价指数和第二评价指数，第一评价指数用于表示目标用户对待预测区域内用户的健康的影响程度，第二评价指数用于表示待预测区域的特征参数对待预测区域内用户的健康的影响程度，特征参数包括已确诊人员的数量；根据目标评价指数，预测待预测区域的应急响应等级。本发明实施例应用于疫情防控工作。

Description

一种应急响应等级的预测方法及预测装置
技术领域
本发明涉及通信技术领域，尤其涉及一种预测方法及装置。
背景技术
在新型冠状病毒肺炎疫情防控期间，各级政府为推动企业的复工复产工作，要求外地返城就业人员主动向社区上报个人出行信息，并在社区的配合下进行自我隔离，待隔离期满正常后方可到岗工作。对于待复工复产区域，政府的行政部门根据待复工复产区域内已有确诊病例的数量，预测该待复工复产区域的应急响应等级。进而，根据该应急响应等级判断该待复工复产区域是否具备复工复产条件。
但是，除了已有确诊病例的数量，可能还存在其他较多因素会影响待复工复产区域内用户的健康。由于上述判断应急响应等级的方法仅考虑了待复工复产区域内已有确诊病例的数量，导致预测待复工复产区域的应急响应等级的结果不准确。
发明内容
本发明的实施例提供一种预测方法及装置，用于提高预测待预测区域应急响应等级的准确性。
为达到上述目的，本发明的实施例采用如下技术方案：
第一方面，提供了一种预测方法，该方法包括：确定目标用户；其中，目标用户包括在第一预设时间段内从疫区移动至待预测区域内的用户；确定目标评价指数；其中，目标评价指数包括第一评价指数和第二评价指数，第一评价指数用于表示目标用户对待预测区域内用户的健康的影响程度，第二评价指数用于表示待预测区域的特征参数对待预测区域内用户的健康的影响程度，特征参数包括已确诊人员的数量；根据目标评价指数，预测待预测区域的应急响应等级。
第二方面，提供了一种预测装置，该预测装置包括确定单元以及预测单元；确定单元，用于确定目标用户；其中，目标用户包括在第一预设时间段内从疫区移动至待预测区域内的用户；确定单元，还用于在确定目标用户之后，确定目标评价指数；其中，目标评价指数包括第一评价指数和第二评价指数，第一评价指数用于表示目标用户对待预测区域内用户的健康的影响程度，第二评价指数用于表示待预测区域的特征参数对待预测区域内用户的健康的影响程度，特征参数包括已确诊人员的数量；预测单元，用于根据确定单元确定的目标评价指数，预测待预测区域的应急响应等级。
第三方面，提供了一种存储一个或多个程序的计算机可读存储介质，该一个或多个程序包括指令，上述指令当被计算机执行时使计算机执行如第一方面的预测方法。
第四方面，提供一种应急响应等级的预测装置，包括：处理器、存储器和通信接口；其中，通信接口用于预测装置和其他设备或网络通信；存储器用于存储一个或多个程序，该一个或多个程序包括计算机执行指令，当该预测装置运行时，处理器执行该存储器存储的该计算机执行指令，以使该预测装置执行第一方面的预测方法。
第五方面，提供了一种预测系统，该预测系统包括网络设备以及第二方面的预测装置；其中，预测装置与网络设备相连。
本发明的实施例提供的一种应急响应等级的预测方法及预测装置，应用于疫情防控工作，本发明考虑到疫情可以随着人员流扩散，从疫区返回待预测区域的目标用户对待预测区域内的用户的健康也存在一定的影响。因此，本发明采用上述技术方案，结合目标用户对待预测区域内用户的健康的影响程度以及已确诊人员的数量对待预测区域内用户的健康的影响程度，去预测待预测区域的应急响应等级，能够很大程度上提高预测待预测区域内的应急响应等级的准确性。
附图说明
图1为本发明的实施例提供的一种预测系统结构示意图一；
图2为本发明的实施例提供的一种预测方法流程示意图一；
图3为本发明的实施例提供的一种预测方法流程示意图二；
图4为本发明的实施例提供的一种预测方法流程示意图三；
图5为本发明的实施例提供的一种预测方法流程示意图四；
图6为本发明的实施例提供的一种预测方法流程示意图五；
图7为本发明的实施例提供的一种预测方法流程示意图六；
图8为本发明的实施例提供的一种预测方法流程示意图七；
图9为本发明的实施例提供的一种预测方法流程示意图八；
图10为本发明的实施例提供的一种预测方法流程示意图九；
图11为本发明的实施例提供的一种预测方法流程示意图十；
图12为本发明的实施例提供的一种预测方法流程示意图十一；
图13为本发明的实施例提供的一种预测方法流程示意图十二；
图14为本发明的实施例提供的一种预测方法流程示意图十三；
图15为本发明的实施例提供的一种预测方法流程示意图十四；
图16为本发明的实施例提供的一种预测方法流程示意图十五；
图17为本发明的实施例提供的一种预测方法流程示意图十六；
图18为本发明的实施例提供的一种预测方法流程示意图十七；
图19为本发明的实施例提供的一种预测方法流程示意图十八；
图20为本发明的实施例提供的一种预测方法流程示意图十九；
图21为本发明的实施例提供的一种预测方法流程示意图二十；
图22为本发明的实施例提供的一种预测方法流程示意图二十一；
图23为本发明的实施例提供的一种预测方法流程示意图二十二；
图24为本发明的实施例提供的一种预测装置结构示意图一；
图25为本发明的实施例提供的一种预测装置结构示意图二；
图26为本发明的实施例提供的一种预测装置结构示意图三。
具体实施方式
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描述。
在本发明的描述中，除非另有说明，“/”表示“或”的意思，例如，A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。此外，“至少一个”、“多个”是指两个或两个以上。“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
以下，介绍本发明的发明构思：在新型冠状病毒肺炎疫情防控期间，各级政府为推动企业的复工复产工作，要求外地返城就业人员主动向社区上报个人出行信息，并在社区的配合下进行自我隔离，待隔离期满14天并且正常后方可到岗工作。对于待复工复产区域，政府的行政部门根据待复工复产区域内的确诊病例数量，预测待复工复产区域的应急响应等级，并根据该应急响应等级判断待复工复产区域是否具备复工复产条件(例如，待复工复产区域内的确诊病例小于一定阈值，则表明待复工复产区域布具备复工复产条件)。
但是，除了已有确诊病例的数量，可能还存在其他较多因素会影响待复工复产区域内用户的健康。由于上述预测应急响应等级的方法仅考虑了待复工复产区域内已有确诊病例的数量(例如外地返回的人员中，是否有从疫区返回待复工复产区域的，从疫区返回待复工复产区域的人在待复工复产区域内居住或是工作的)，这就导致预测待复工复产区域的应急响应等级不准确。
针对上述技术问题，本发明考虑到为了提高预测待复工复产区域的应急响应等级的准确性，如果能够将从疫区到达待预测区域的用户对待预测区域内用户的健康的影响程度以及已确诊人员的数量对待预测区域内用户的健康的影响程度结合起来，去预测待预测区域的应急响应等级，从而能够提高预测待预测区域应急响应等级的准确性。
基于上述发明构思，本发明实施例提供了一种应急响应等级的预测方法及预测装置，该方法可以将从疫区到达待预测区域的用户对待预测区域内用户的健康的影响程度以及已确诊人员的数量对待预测区域内用户的健康的影响程度结合起来，预测待预测区域内的应急响应等级，可以为预测待复工复产区域是否具备复工复产条件提供了数据基础。
本发明实施例提供的预测方法应用于预测系统。图1示出了该预测系统的一种结构示意图。如图1所示，预测系统10包括预测装置11以及网络设备12。预测装置11与网络设备12之间可以采用有线方式连接，也可以采用无线方式连接，本发明实施例对此不作限定。
预测装置11可以用于与网络设备12进行数据交互，以及用于执行对数据进行处理的动作。例如，预测装置11可以从网络设备处获取待预测区域内用户的行为数据以及小区的工程参数。预测装置11还可以将确定到的应急响应等级发送至网络设备12。
网络设备12可以用于从各个运营商的网管系统中获取待预测区域内用户的行为数据以及待预测区域内小区的工程参数，并将上述信息发送给预测装置11。网络设备12还可以用于在接收预测装置11发送的待预测区域的应急响应等级之后，将该应急响应等级发送至当地政府行政部门的服务器。网络设备12具体可以为具有存储功能以及转发功能的网关或者服务器。网络设备12作为网关时，可以位于运营商侧。
需要说明的，预测装置11和网络设备12可以为相互独立的设备，也可以集成于同一设备中，本发明对此不作具体限定。
当预测装置11和网络设备12集成于同一设备时，预测装置11和网络设备12之间的通信方式为该设备内部模块之间的通信。这种情况下，二者之间的通信流程与“预测装置11和网络设备12之间相互独立的情况下，二者之间的通信流程”相同。
在本发明提供的以下实施例中，本发明以预测装置11和网络设备12相互独立设置为例进行说明。
下面结合上述图1示出的预测系统10，对本发明实施例提供的预测方法进行描述。
如图2所示，本实施例提供的预测方法包括S201-S203：
S201、预测装置11确定目标用户。
其中，目标用户包括在第一预设时间段内从疫区移动至待预测区域内的用户。
作为一种可能的实现方式，预测装置11可以从网络设备12中获取目标用户。
需要说明的，网络设备12可以从当地行政部门的服务器中获取目标用户。当地行政部门的服务器中的目标用户，可以由社区工作人员在服务器中填报。第一预设时间段可以由预测系统10的运维人员预先在预测装置11中进行设置。本发明实施例中涉及的疫区不作限定，可以为多个疫区中的任意一个疫区。
示例性的，示例性的，第一预设时间段可以为30天。若一个用户在30天内从疫情爆发地返回待预测区域，则确定该用户为目标用户。
S202、预测装置11确定目标评价指数。
其中，目标评价指数包括第一评价指数和第二评价指数，第一评价指数用于表示目标用户对待预测区域内用户的健康的影响程度，第二评价指数用于表示待预测区域的特征参数对待预测区域内用户的健康的影响程度，特征参数包括已确诊人员的数量。
作为一种可能的实现方式，预测装置可以将目标用户的数量进行归一化处理，以得到第一评价指数。预测装置11还可以将待预测区域内已确诊人员的数量进行归一化处理，以得到第二评价指数。
需要说明的，归一化处理用于分别将目标用户的数量以及已确诊人员的数量转换成为相对值。通过归一化处理后得到的第一评价指数为[0,1]之间的数值，用于反映待预测区域中的目标用户的数量相对于其他区域中第一数量的大小。通过归一化处理后得到的第二评价指数为[0,1]之间的数值，用于反映待预测区域中已确诊人员的数量相对于其他区域中已确诊人员的数量的大小。进行归一化处理的具体实施方式，可以参照现有技术，此处不再进行赘述。
S203、预测装置11根据目标评价指数，预测待预测区域的应急响应等级。
作为一种可能的实现方式，预测装置11可以根据第一评价指数和第二评价指数，计算待预测区域的预警指数，并根据待预测区域的预警指数确定待预测区域的应急响应等级。
其中，待预测区域的预警指数用于反映目标用户以及待预测区域的特征参数对待预测区域用户的健康的影响程度。
本发明实施例中，为了能够获取待预测区域，结合图2，如图3所示，本发明实施例提供的预测方法，在确定目标用户之前，还包括S1-S3：
S1、预测装置11确定处于预设范围内的用户中每一个用户的工作小区。
需要说明的，预设范围可以以一个城市或行政区域进行限定。
示例性的，预测装置11可以根据每一个用户在过去一个月内，在白天9:00-18:00的时间段内与每一个小区的数据交互时长，确定出来数据交互时长最长的小区为该用户的工作小区。
S2、预测装置11确定目标小区。
其中，目标小区为：在小区内，工作的用户的数量大于或等于第一预设阈值的小区。
作为一种可能的实现方式，预测装置11确定多个工作小区中在每一个工作小区内工作的用户的数量，选取在小区内工作的用户的数量大于第一预设阈值的小区为目标小区。
需要说明的，第一预设阈值可以由运维人员在预测装置11中自行设置，此处不做具体限定。目标小区的数量可以为一个，也可以为多个。
S3、预测装置11确定待预测区域。
其中，待预测区域包括目标小区。
作为一种可能的实现方式，预测装置11结合地理信息系统(geographicinformation system，GIS)将目标小区所在的区域进行栅格化处理，并将栅格化处理后得到的区域作为待预测区域。
需要说明的，上述栅格化处理用于保证每一个待预测区域内都有用户存在，待预测区域的大小与小区的密度、数量以及小区内用户的人口密度相关。对于栅格化处理的具体实施方法，可以参照现有技术，此处不再赘述。
示例性的，在城区内人口密度大、小区之间的距离跨度小的情况下，可以将待预测区域的边长设置为500m*500m或者1km*1km。在郊区人口密度小，小区之间距离跨度大的情况下，可以将待预测区域的边长设置为2km*2km。
本发明实施例中，为了确定每一个用户的工作小区，结合图3，如图4所示，本发明实施例提供的S1，具体可以包括S11-S12：
S11、对于预设用户而言，预测装置11获取预设用户在第二预设时间段内的通信时长。
其中，预设用户为预设范围内的任一用户。
作为一种可能的实现方式，预测装置11可以从网络设备12中获取交互数据，并根据获取到的交互数据确定预设用户在第二预设时间段内的通信时长。
其中，交互数据包括预设用户在第二预设时间段内与多个小区进行交互的业务数据或者信令数据。网络设备12可以从运营商的网管系统中获取交互数据。
需要说明的，上述第二预设时间段可以由运维人员在预测装置11中自行设置。上述多个小区可以为运营商在上述预设区域内的所有小区。上述业务数据具体可以为运营商的用户面业务数据，用于反映用户的职业、业务使用情况、APP(application，手机软件)使用情况、兴趣偏好以及用户行为习惯。上述信令数据具体可以为运营商的信令面的数据。上述交互数据具体可以由运营商的网管系统在网管系统的数据接口上部署相应的探针进行数据收集。
示例性的，第二预设时间段可以为第一预设时间段内每天的9:00-18:00。
S12、预测装置11根据获取到的通信时长，确定预设用户的工作小区。
作为一种可能的实现方式，预测装置11选定预设用户在第二时间段内通信时长最长的小区作为预设用户的工作小区。
在一种设计中，为了防止外地返城人员的瞒报、漏报，结合图2，如图5所示，本发明实施例提供的S201，具体可以包括S2011-S2013：
S2011、预测装置11获取待预测区域内的用户在第一预设时间段内的信令/流量详细话单记录XDR。
作为一种可能的实现方式，预测装置11从网络设备12中获取待预测区域内每一个用户在第一预设时间段内的XDR(X detail record，信令/流量详细话单记录)。
需要说明的，网络设备12可以从运营商的网管系统中获取每一个用户在第一预设时间段内的XDR。XDR可以由运营商的网管系统根据上述业务数据或者信令数据整合生成。XDR中包括用户所经过小区的工程参数，XDR用于反映用户的行动轨迹。
其中，工程参数包括小区的经纬度、小区标识。
S2012、预测装置11判断待预测区域内的用户中是否存在任意一个用户的XDR中包含一个或多个预设小区标识。
其中，一个或多个预设小区标识对应的预设小区为疫区内的小区。
作为一种可能的实现方式，预测装置11查询每一个用户的XDR中是否存在一个或多个预设小区标识。
需要说明的，多个预设小区标识对应的多个预设小区，可以为一个疫区下的不同预设小区，也可以为多个疫区下的不同预设小区。
S2013、若待预测区域内的用户中存在任意一个用户的XDR中包含一个或多个预设小区标识，则预测装置11确定任意一个用户为目标用户。
在一种情况下，当目标评价指数包括第一评价指数和第二评价指数时，为了预测待预测区域的应急响应等级，结合图2，如图6所示，本发明实施例提供的S203，具体可以包括S2031-S2032：
S2031、预测装置11按照以下公式一，将第一评价指数和第二评价指数进行加权计算，以得到待预测区域的预警指数：
y＝β1x1+β2x2 公式一
其中，y为待预测区域的预警指数，β1为第一评价指数对应的权重系数，x1为第一评价指数，β2为第二评价指数对应的权重系数，x2为第二评价指数，β1+β2＝1。
需要说明的，β1以及β2分别为预设阈值，可以由运维人员在预测装置11中自行设置。
S2032、预测装置11根据待预测区域的预警指数，确定待预测区域的应急响应等级。
作为一种可能的实现方式，预测装置11根据待预测区域的预警指数的数值所在的预设范围，查询待预测区域的应急响应等级。
需要说明的，不同的预设范围，对应有不同的应急响应等级。预警指数所对应的预设范围，具体可以由运维人员在预测装置11中自行设置。
在一种设计中，考虑到目标用户包含了不同类别的用户，例如在待预测区域内工作的用户，以及在待预测区域内居住的用户，不同各类别的用户对待预测区域内用户的健康的影响程度不同，因此，为了提高计算第一评价指数的准确性，结合图2，如图7所示，本发明实施例提供的S202，具体可以包括S2021-S2023：
S2021、预测装置11确定第一用户以及第二用户。
其中，第一用户为目标用户中在待预测区域内工作的用户。第二用户为目标用户中在待预测区域内居住的用户。
作为一种可能的实现方式，预测装置11可以根据目标用户与待预测区域内的小区之间的数据交互时间，判断该用户是待预测区域内的第一用户或第二用户。
示例性的，如果一个目标用户在白天9:00-18:00的时间段内与待预测区域内的小区之间的数据交互时间较长，则判断该用户为待预测区域内的第一用户。如果一个用户在晚上22:00-24:00以及0:00-8:00的时间段内与待预测区域内的小区之间的数据交互时间较长，则判断该用户为待预测区域内的第二用户。
S2022、预测装置11确定第一子评价指数以及第二子评价指数。
其中，第一子评价指数用于反映第一用户对待预测区域内的用户的健康的影响程度。第二子评价指数用于反映第二用户对待预测区域内的用户的健康的影响程度。
在一种可能的实现方式中，预测装置11可以根据第一用户的数量，计算第一子评价指数。预测装置11还可以根据第二用户的数量，计算第二子评价指数。
S2023、预测装置11按照以下公式二，将第一子评价指数和第二子评价指数进行加权计算，以得到第一评价指数：
x1＝η1z1+η2z2 公式二
其中，x1为第一评价指数，η1为第一子评价指数对应的权重系数，z1为第一子评价指数，η2为第二子评价指数对应的权重系数，z2为第二子评价指数，η1+η2＝1。
需要说明的，η1以及η2分别为预设阈值，可以由运维人员在预测装置11中自行设置。
在一种情况下，本发明实施例考虑到待预测区域可以为待复工复产区域，为了提高计算第一评价指数的准确性，本发明实施例可以将公式二中的加权系数设置为：η1>η2。
本发明实施例中，为了从目标用户中确定第一用户以及第二用户，结合图7，如图8所示，本发明实施例提供的S2021，具体包括S20211-S20213：
S20211、预测装置11获取目标用户与待评估区域内的小区之间的交互数据。
其中，目标用户与待评估区域内的小区之间的交互数据，包括目标用户中每一个用户在第一预设时间段内与待评估区域内的小区进行交互的业务数据或者信令数据。
需要说明的，此步骤的具体实施方式，可以参照上述步骤S11，此处不再进行赘述。
S20212、预测装置11根据目标用户与待评估区域内的小区之间的交互数据，确定目标用户在第三预设时间段内的数据交互时长以及在第四预设时间段内的数据交互时长。
需要说明的，第三预设时间段以及第四预设时间段，具体可以由运维人员在预测装置11中自行设置。
示例性的，第三预设时间段可以包括第一预设时间段内，每天的9:00-18:00这一时间段。第四预设时间段可以包括第一预设时间段内，每天的22:00-24:00以及0:00-8:00这两个时间段。
S20213、预测装置11根据目标用户在第三预设时间段内的数据交互时长以及在第四预设时间段内的数据交互时长，分别从目标用户中确定第一用户以及第二用户。
作为一种可能的实现方式，对于目标用户中任意一个用户，若该用户在第三预设时间段内的数据交互时长大于或等于第二预设阈值，且该用户在第二时间段内的数据交互时长小于第三预设阈值，则预测装置11确定该用户为第一用户。若该用户在第二时间段内的数据交互时长大于或等于第三预设阈值，则预测装置11确定该用户为第二用户。
可以理解的，如果一个用户在白天9:00-18:00的第三预设时间段内的数据交互时长大于或等于第二预设阈值，且在晚上22:00-24:00以及0:00-8:00的第四预设时间段内的数据交互时长小于第三预设阈值，则预测装置11可以确定该用户白天在待预测区域内工作，晚上则离开待预测区域。对应的，如果一个用户在晚上22:00-24:00以及0:00-8:00的第四预设时间段内的数据交互时间大于或等于第三预设阈值，则预测装置11确定该用户晚上在待预测区域内居住。
本发明实施例中，为了确定第一子评价指数，本发明实施实例提供的第一用户还包括目标用户中隔离时间小于或等于第五预设时间的用户。
其中，隔离时间为目标用户在隔离区域内所经过的时间。
需要说明的，隔离区域可以位于待预测区域中，也可以为待预测区域之外的其他区域。第五预设时间可以由运维人员在预测装置11中自行设置。
示例性的，第五预设时间可以为14天。
结合图7，如图9所示，本发明实施例提供的S2022，具体可以包括S20221-S20222：
S20221、预测装置11获取第一数量以及第二数量。
其中，第一数量为第一用户的数量。第二数量为第一用户中隔离时间小于或等于第五预设时间的用户的数量。
需要说明的，第一数量可以从上述步骤S2021中确定第一用户的过程中获取。
可以理解的，第二数量为第一用户中隔离期未满的用户的数量。
S20222、预测装置11根据第一数量以及第二数量，计算第一子评价指数。
作为一种可能的实现方式，预测装置11将第一数量以及第二数量分别进行归一化处理，并将归一化处理之后的数据进行加权计算，以得到第一评价指数。
本发明实施例中，为了确定第二数量，以及判断第一用户中是否存在隔离期未满就外出工作的用户，结合图9，如图10所示，本发明实施例提供的S20221，具体还包括Sa-Sd：
Sa、预测装置11确定每一个第一用户到达待预测区域所在城市的时间。
作为一种可能的实现方式，预测装置11可以根据第一用户的XDR中的小区标识，判断第一用户在待预测区域所在城市的任意一个小区内停留的时长是否超过第四预设阈值。若第一用户在待预测区域所在城市的任意一个小区内停留的时长超过第四预设阈值，则预测装置11确定第一用户进入该任意一个小区的时间为第一用户到达待预测区域所在城市的时间。
需要说明的，第四预设阈值可以由运维人员在预测装置11中自行设置。
作为另外一种可能的实现方式，预测装置11可以根据第一用户的XDR中的小区标识，判断第一用户在第六预设时间内经过的待预测区域所在城市的小区的数量是否大于第五预设阈值。若是，则预测装置11确定第一目标用户进入待预测区域所在城市的第一个小区的时间为第一目标用户进入待预测区域所在城市的时间。
需要说明的，第六预设时间可以由运维人员在预测装置11中自行设置。第五预设阈值可以由运维人员在预测装置11中自行设置。
Sb、预测装置11确定每一个第一用户离开隔离区域的时间。
作为一种可能的实现方式，预测装置11若确定第一用户在进行隔离后的活动距离超出了第六预设阈值，则确定第一用户离开了隔离区域。同时，预测装置11获取第一用户离开隔离区域第六预设阈值时的时间为第一目标用户离开隔离区域的时间。
作为另一种可能的实现方式，预测装置11若根据第一目标用户的XDR，判断第一用户在进入待预测区域所在的城市之后，所经过的小区数量大于第六预设阈值，则确定第一用户离开了隔离区域。同时，预测装置11获取第一用户经过的小区数量大于第六预设阈值的时间，作为第一用户离开隔离区域的时间。
需要说明的，第六预设阈值可以由运维人员在预测装置11中自行设置。
在一种情况下，为了确定第一用户离开隔离区域的时间，具体还可以采用上述两种实现方式相结合的方式进行，此处不再进行赘述。
Sc、预测装置11判断每一个第一用户的隔离时间是否小于或等于第五预设时间。
作为一种可能的实现方式，预测装置11计算第一用户离开隔离区域的时间与第一用户进入待预测区域所在城市的时间之差，并判断计算得到的结果是否小于或等于第五预设时间。
可以理解的，第一用户离开隔离区域的时间与第一用户进入待预测区域所在城市的时间之差，即为该第一用户的隔离时间。
Sd、预测装置11确定隔离时间小于或等于第五预设时间的用户的数量。
作为一种可能的实现方式，预测装置11对每一个第一用户执行上述操作，并确定隔离时间小于第五预设时间的用户的数量，作为第二数量。
可以理解的，采用上述确定第一数量以及第二数量的方法，很大程度上可以有效检测到外来务工人员对个人行动轨迹的漏报、瞒报以及未满隔离期私自外出的情况，从而能够提高预测待预测区域的应急响应等级的准确性。
在一种设计中，为了计算第一子评价指数，结合图9，如图11所示，本发明实施例提供的S20222，具体可以包括Se-Sf：
Se、预测装置11将第一数量以及第二数量分别进行归一化处理。
需要说明的，此步骤中的具体实现方式可以参照本实施例中上述步骤S202，此处不再进行赘述。
Sf、预测装置11将归一化处理之后的数据进行加权计算，得到第一子评价指数。
作为一种可能的实现方式，预测装置11按照以下公式三，将归一化处理第一数量得到的数据和将归一化处理第二数量得到的数据进行加权计算，以得到第一子评价指数：
z1＝λ1a1+λ2a2 公式三
其中，z1为第一子评价指数，λ1为归一化处理第一数量得到的数据对应的权重系数，a1为归一化处理第一数量得到的数据，λ2为归一化处理第二数量得到的数据对应的权重系数，a2为归一化处理第二数量得到的数据，λ1+λ2＝1。
在另一种设计中，为了计算第一子评价指数，本发明实施例提供的预测方法中，疫区具体可以包括疫情特别严重区域、疫情较严重区域、疫情严重区域以及疫情一般严重区域。
其中，疫情特别严重区域、疫情较严重区域、疫情严重区域以及疫情一般严重区域分别用于反映疫区内确诊人员的数量的多少。
示例性的，疫情特别严重区域内的确诊人员数量大于疫情较严重区域内的确诊人员数量。疫情较严重区域内的确诊人员数量大于疫情严重区域内的确诊人员数量。疫情严重区域内的确诊人员数量大于疫情一般严重区域内的确诊人员数量。
需要说明的，疫区中每一个疫区类型所对应的确诊人员数量，可以由运维人员在预测装置11中自行设置，本发明实施例中不作具体限定。
相应的，第一数量具体还包括第一子数量、第二子数量、第三子数量、第四子数量、第五子数量、第六子数量，第七子数量以及第八子数量。
其中，第一子数量为第一数量中在疫情特别严重区域停留时长大于或等于第七预设阈值的用户的数量；第二子数量为第一数量中在疫情特别严重区域停留时长小于第七预设阈值的用户的数量；第三子数量为第一数量中在疫情较严重区域停留时长大于或等于第七预设阈值的用户的数量；第四子数量为第一数量中在疫情较严重区域停留时长小于第七预设阈值的用户的数量；第五子数量为第一数量中在疫情严重区域停留时长大于或等于第七预设阈值的用户的数量；第六子数量为第一数量中在疫情严重区域停留时长小于第七预设阈值的用户的数量；第七子数量为第一数量中在疫情一般严重区域停留时长大于或等于第七预设阈值的用户的数量；第八子数量为第一数量中在疫情一般严重区域停留时长小于第七预设阈值的用户的数量。
结合图9，如图12所示，本发明实施例提供的S20222，具体还可以包括Sg-Sh：
Sg、预测装置11将第一子数量、第二子数量、第三子数量、第四子数量、第五子数量、第六子数量，第七子数量、第八子数量以及第二数量分别进行归一化处理。
需要说明的，此步骤中的具体实现方式可以参照本实施例中上述步骤S202，此处不再进行赘述。
Sh、预测装置11将归一化处理之后的数据进行加权计算，得到第一子评价指数。
作为一种可能的实现方式，预测装置11按照以下公式四，将归一化处理的数据进行加权计算，以得到第一子评价指数：
z1＝λ11a11+λ12a12+λ13a13+λ14a14+λ15a15+λ16a16+λ17a17+λ18a18+λ2a2 公式四
其中，z1为第一子评价指数，λ11为归一化处理第一子数量得到的数据对应的权重系数，a11为归一化处理第一子数量得到的数据，λ12为归一化处理第二子数量得到的数据对应的权重系数，a12为归一化处理第二子数量得到的数据，λ13为归一化处理第三子数量得到的数据对应的权重系数，a13为归一化处理第三子数量得到的数据，λ14为归一化处理第四子数量得到的数据对应的权重系数，a14为归一化处理第四子数量得到的数据，λ15为归一化处理第五子数量得到的数据对应的权重系数，a15为归一化处理第五子数量得到的数据，λ16为归一化处理第六子数量得到的数据对应的权重系数，a16为归一化处理第六子数量得到的数据，λ17为归一化处理第七子数量得到的数据对应的权重系数，a17为归一化处理第七子数量得到的数据，λ18为归一化处理第八子数量得到的数据对应的权重系数，a18为归一化处理第八子数量得到的数据，λ2为归一化处理第二数量得到的数据对应的权重系数，a2为归一化处理第二数量得到的数据，λ11+λ12+λ13+λ14+λ15+λ16+λ17+λ18+λ2＝1。
在一种情况下，运维人员可以在预测装置11中将公式四中的各权重系数设置为：λ11＝λ12＞λ13＝λ14＞λ15＝λ16＞λ17＝λ18。
在另一种情况下，运维人员可以在预测装置11中将公式四中的各权重系数设置为：λ11＞λ12＞λ13＞λ14＞λ15＞λ16＞λ17＞λ18。
本发明实施例中，为了确定第二子评价指数，本发明实施实例提供的第二用户还包括在第二用户中，隔离时间小于或等于第五预设时间的用户。
结合图7及图9，如图13所示，本发明实施例提供的S2022，具体还可以包括S20223-S20224：
S20223、预测装置11获取第三数量以及第四数量。
其中，第三数量为第二用户的数量。第四数量为第二用户中隔离时间小于或等于第五预设时间的用户的数量。
可以理解的，第四数量为第二用户中隔离期未满的用户。
需要说明的，第三数量可以从上述步骤S2021中确定第二用户的过程中获取。
S20224、预测装置11根据第三数量以及第四数量，计算第二子评价指数。
作为一种可能的实现方式，预测装置11将第三数量以及第四数量分别进行归一化处理，并将归一化处理之后的数据进行加权计算，以得到第二子评价指数。
本发明实施例中，为了确定第四数量，以及判断第二用户中是否存在隔离期未满就外出工作的用户，结合图13，如图14所示，本发明实施例提供的S20223，具体包括Si-Sl：
Si、预测装置11确定每一个第二用户到达待预测区域所在城市的时间。
需要说明的，此步骤中的具体实现方式，可以参照上述实施例中的步骤Sa，此处不再赘述。
Sj、预测装置11确定每一个第二用户离开隔离区域的时间。
需要说明的，此步骤中的具体实现方式，可以参照上述实施例中的步骤Sb，此处不再赘述。
Sk、预测装置11判断每一个第二用户的隔离时间是否小于或等于第五预设时间。
需要说明的，此步骤中的具体实现方式，可以参照上述实施例中的步骤Sc，此处不再赘述。
Sl、预测装置11确定隔离时间小于或等于第五预设时间的用户的数量。
需要说明的，此步骤中的具体实现方式，可以参照上述实施例中的步骤Sd，此处不再赘述。
可以理解的，采用上述确定第三数量以及第四数量的方法，很大程度上可以有效检测到在待预测区域内居住的用户对个人行动轨迹的漏报、瞒报以及未满隔离期私自外出的情况，从而能够提高预测待预测区域的应急响应等级的准确性。
在一种设计中，为了计算第二子评价指数，结合图13，如图15所示，本发明实施例提供的S20224，具体可以包括Sm-Sn：
Sm、预测装置11将第三数量以及第四数量分别进行归一化处理。
需要说明的，此步骤中的具体实现方式，可以参照上述实施例中的步骤Se，此处不再赘述。
Sn、预测装置11将归一化处理之后的数据进行加权计算，得到第二子评价指数。
需要说明的，此步骤中的具体实现方式，可以参照上述实施例中的步骤Sf，此处不再赘述。
在另一种设计中，为了计算第二子评价指数，本发明实施例提供的预测方法中，第三数量具体还包括第九子数量、第十子数量、第十一子数量、第十二子数量、第十三子数量、第十四子数量，第十五子数量以及第十六子数量。
其中，第九子数量为第三数量中在疫情特别严重区域停留时长大于或等于第七预设阈值的用户的数量；第十子数量为第三数量中在疫情特别严重区域停留时长小于第七预设阈值的用户的数量；第十一子数量为第三数量中在疫情较严重区域停留时长大于或等于第七预设阈值的用户的数量；第十二子数量为第三数量中在疫情较严重区域停留时长小于第七预设阈值的用户的数量；第十三子数量为第三数量中在疫情严重区域停留时长大于或等于第七预设阈值的用户的数量；第十四子数量为第三数量中在疫情严重区域停留时长小于第七预设阈值的用户的数量；第十五子数量为第三数量中在疫情一般严重区域停留时长大于或等于第七预设阈值的用户的数量；第十六子数量为第三数量中在疫情一般严重区域停留时长小于第七预设阈值的用户的数量。
结合图11，如图16所示，本发明实施例提供的S20224，具体还可以包括So-Sp：
So、预测装置11将第九子数量、第十子数量、第十一子数量、第十二子数量、第十三子数量、第十四子数量，第十五子数量、第十六子数量以及第四数量分别进行归一化处理。
需要说明的，此步骤中的具体实现方式可以参照本实施例中上述步骤Sg，此处不再进行赘述。
Sp、预测装置11将归一化处理之后的数据进行加权计算，得到第二子评价指数。
需要说明的，此步骤中的具体实现方式，可以参照上述实施例中的步骤Sh，此处不再赘述。
在一种设计中，为了提高预测待预测区域的应急响应等级的准确性，在计算第一评价指数时，本发明实施例提供具体还可以根据第一子评价指数、第二子评价指数以及第三子评价指数评，计算第一评价指数。
其中，第三子评价指数用于反映第三用户对待预测区域内的用户的健康的影响程度。第三用户为在第六预设时间内，出入待预测区域的次数大于第八预设阈值的用户。
可以理解的，第三用户即为在第六预设时间内频繁出入待预测区域内的快递员、出租车司机等用户。
需要说明的，第六预设时间可以由运维人员在预测装置11中自行设置。第八预设阈值可以由运维人员在预测装置11中自行设置。
本发明实施例提供的预测方法中，在根据第三子评价指数计算第一评价指数的情况下，本发明实施例提供的S2023，具体还可以包括S20231：
S20231、预测装置11按照以下公式五，将第一子评价指数、第二子评价指数以及第三子评价指数进行加权计算，以得到第一评价指数：
x1＝η1z1+η2z2+η3z3 公式五
其中，x1为第一评价指数，η1为第一子评价指数对应的权重系数，z1为第一子评价指数，η2为第二子评价指数对应的权重系数，z2为第二子评价指数，η3为第三子评价指数对应的权重系数，z3为第三子评价指数，η1+η2+η3＝1。
在一种情况下，本发明实施例考虑到待预测区域可以为待复工复产区域，为了提高计算第一评价指数的准确性，本发明实施例可以将公式五中的加权系数设置为：η1>η2，η2＝η3。
本发明实施例中，为了计算第三子评价指数，本发明实施实例提供的第三用户还包括隔离时间小于或等于第五预设时间的用户。
如图17所示，本发明实施例提供的预测方法具体还包括S301-S303：
S301、预测装置11确定第三用户；
作为一种可能的实现方式，预测装置11可以根据目标用户与待预测区域内的小区之间的交互数据，从目标用户中确定第三用户。
S302、预测装置11获取第五数量以及第六数量。
其中，第五数量为第三用户的数量。第六数量为第三用户中隔离时间小于或等于第五预设时间的用户的数量。
可以理解的，第六数量为第三用户中隔离期未满的用户。
S303、预测装置11根据第五数量以及第六数量，计算第三子评价指数。
作为一种可能的实现方式，预测装置11将第五数量以及第六数量分别进行归一化处理，并将归一化处理之后的数据进行加权计算，以得到第一评价指数。
本发明实施例中，为了确定第三用户，结合图17，如图18所示，本发明实施例提供的S301，具体可以包括S3011-S3013：
S3011、预测装置11获取目标用户与待预测区域内的小区之间的交互数据。
需要说明的，此步骤的具体实施方式，可以参照上述步骤S11，此处不再进行赘述。
S3012、预测装置11根据目标用户与待预测区域内的小区之间的交互数据，确定目标用户在第一预设时间段内使用预设APP的频次、使用预设APP的时长以及活动距离。
需要说明的，预设APP可以为打车软件、外卖软件或者快递软件，本发明中不作限定。
S3013、预测装置11根据目标用户在第一预设时间段内使用预设APP的频次、使用预设APP的时长以及活动距离，确定目标用户中的第三用户。
作为一种可能的实现方式，预测装置11若确定目标用户在第一预设时间段内使用预设APP的频次大于第九预设阈值、使用预设APP的时长大于第十预设阈值以及活动距离大于第十一预设阈值，则确定该用户为第三用户。
需要说明的，用户在第一预设时间段内使用预设APP的频次大于第九预设阈值、使用预设APP的时长大于第十预设阈值以及活动距离大于第十一预设阈值，能够反映用户在第六预设时间内出入待预测区域的次数大于第八预设阈值。
本发明实施例中，为了确定第六数量，以及判断第三目标用户中是否存在隔离期未满就外出的用户，结合图17，如图19所示，本发明实施例提供的S302，具体包括S3021-S3024：
S3021、预测装置11确定第每一个第三用户到达待预测区域所在城市的时间。
需要说明的，此步骤中的具体实现方式，可以参照上述实施例中的步骤Sa，此处不再赘述。
S3022、预测装置11确定每一个第三用户离开隔离区域的时间。
需要说明的，此步骤中的具体实现方式，可以参照上述实施例中的步骤Sb，此处不再赘述。
S3023、预测装置11判断每一个第三用户的隔离时间是否小于或等于第五预设时间。
需要说明的，此步骤中的具体实现方式，可以参照上述实施例中的步骤Sc，此处不再赘述。
S3024、预测装置11确定隔离时间小于或等于第五预设时间的用户的数量。
需要说明的，此步骤中的具体实现方式，可以参照上述实施例中的步骤Sd，此处不再赘述。
可以理解的，采用上述确定第五数量以及第六数量的方法，很大程度上可以有效检测到在待预测区域内居住的用户对个人行动轨迹的漏报、瞒报以及未满隔离期私自外出的情况，从而能够提高预测待预测区域的应急响应等级的准确性。
在一种设计中，为了计算第三子评价指数，结合图17，如图20所示，本发明实施例提供的S303，具体可以包括S3031-S3032：
S3031、预测装置11将第五数量以及第六数量分别进行归一化处理。
需要说明的，此步骤中的具体实现方式，可以参照上述实施例中的步骤Se，此处不再赘述。
S3032、预测装置11将归一化处理之后的数据进行加权计算，得到第三子评价指数。
需要说明的，此步骤中的具体实现方式，可以参照上述实施例中的步骤Sf，此处不再赘述。
在另一种设计中，为了计算第三子评价指数，本发明实施例提供的预测方法中，第五数量具体还包括第十七子数量、第十八子数量、第十九子数量、第二十子数量、第二十一子数量、第二十二子数量，第二十三子数量以及第二十四子数量。
其中，第十七子数量为第五数量中在疫情特别严重区域停留时长大于或等于第七预设阈值的用户的数量；第十八子数量为第五数量中在疫情特别严重区域停留时长小于第七预设阈值的用户的数量；第十九子数量为第五数量中在疫情较严重区域停留时长大于或等于第七预设阈值的用户的数量；第二十子数量为第五数量中在疫情较严重区域停留时长小于第七预设阈值的用户的数量；第二十一子数量为第五数量中在疫情严重区域停留时长大于或等于第七预设阈值的用户的数量；第二十二子数量为第五数量中在疫情严重区域停留时长小于第七预设阈值的用户的数量；第二十三子数量为第五数量中在疫情一般严重区域停留时长大于或等于第七预设阈值的用户的数量；第二十四子数量为第五数量中在疫情一般严重区域停留时长小于第七预设阈值的用户的数量。
结合图17，如图21所示，本发明实施例提供的S303，具体还可以包括S3033-S3034：
S3033、预测装置11将第十七子数量、第十八子数量、第十九子数量、第二十子数量、第二十一子数量、第二十二子数量，第二十三子数量、第二十四子数量以及第六数量分别进行归一化处理。
需要说明的，此步骤中的具体实现方式可以参照本实施例中上述步骤Sg，此处不再进行赘述。
S3034、预测装置11将归一化处理之后的数据进行加权计算，得到第三子评价指数。
需要说明的，此步骤中的具体实现方式，可以参照上述实施例中的步骤Sh，此处不再赘述。
在一种设计中，为了提高计算第二评价指数的准确性，本发明实施例提供的特征参数还包括待预测区域与密集人员场所之间的距离以及待预测区域的人口密度。第二评价指数还用于反映待预测区域内确诊人员的数量、待预测区域与密集人员场所之间的距离以及待预测区域的人口密度对待预测区域内的用户的健康的影响程度。
其中，待预测区域的用户活动指数用于反映待预测区域内用户的流动性。
结合图2及图7，如图22所示，本发明实施例提供的S202中的确定第二评价指数，具体可以包括S2024-S2026：
S2024、预测装置11获取待预测区域内确诊人员数量、待预测区域与密集人员场所之间的距离以及待预测区域的人口密度。
其中，待预测区域与密集人员场所之间的距离包括待预测区域与目标密集人员场所之间的距离，目标密集人员为待预测区域所在城市内距离待预测区域最近的密集人员场所。待预测区域的人口密度为待预测区域内的总用户数量与待预测区域的面积的比值。
作为一种可能的实现方式，预测装置11可以从网络设备12中获取待预测区域内确诊人员的数量。
需要说明的，网络设备12可以从当地政府行政部门的服务器中获取待预测区域内的确诊病例。密集人员场所的位置，可以由运维人员在预测装置11中自行设置。
可以理解的，密集人员场所包括机场、火车站等人流量较大的场所。
S2025、预测装置11将待预测区域内确诊人员的数量、待预测区域与密集人员场所之间的距离以及待预测区域的人口密度分别进行归一化处理。
需要说明的，此步骤中的具体实现方式，可以参照上述实施例中的步骤S202，此处不再赘述。
S2026、预测装置11将归一化处理后得到的数据进行加权处理，计算第二评价指数。
作为一种可能的实现方式，预测装置11按照以下公式六，归一化处理得到的数据进行加权计算，以得到第二评价指数：
x2＝γ1b1+γ2b2+γ3b3 公式六
其中，x2为第二评价指数，γ1为归一化处理待预测区域内确诊人员的数量得到的数据对应的权重系数，b1为归一化处理待预测区域内确诊人员的数量得到的数据，γ2为归一化处理待预测区域与密集人员场所之间的距离得到的数据对应的权重系数，b2为归一化处理待预测区域与密集人员场所之间的距离得到的数据，γ3为归一化处理待预测区域的人口密度得到的数据对应的权重系数，b3为归一化处理待预测区域的人口密度得到的数据，γ1+γ2+γ3＝1。
在一种设计中，本发明实施例中的第一评价指数在包括第一子评价指数、第二子评价指数以及第三子评价指数的前提下，结合图2，如图23所示，本发明实施例提供的S203，具体还可以包括S2033-S2034：
S2033、预测装置11按照以下公式七，将第一子评价指数、第二子评价指数、第三子评价指数以及第二评价指数进行加权计算，以得到待预测区域的预警指数：
y＝θ1z1+θ2z2+θ3z3+θ4x2 公式七
其中，y为待预测区域的预警指数，θ1为第一子评价指数对应的权重系数，z1为第一子评价指数，θ2为第二子评价指数对应的权重系数，z2为第二子评价指数，θ3为第三子评价指数对应的权重系数，z3为第三子评价指数，θ4为第二评价指数对应的权重系数，x2为第二评价指数，θ1+θ2+θ3+θ4＝1。
在一种情况下，本发明实施例考虑到待预测区域可以为待复工复产区域，为了提高计算待预测区域的预警指数的准确性，本发明实施例可以将公式七中的加权系数设置为：θ1>θ2，θ2＝θ3＝θ4。
S2034、预测装置11根据待预测区域的预警指数，确定待预测区域的应急响应等级。
需要说明的，此步骤中的具体实现方式，可以参照上述实施例中的步骤S2032，此处不再赘述。
本发明的实施例提供的一种应急响应等级的预测方法及预测装置，应用于疫情防控工作，本发明考虑到疫情可以随着人员流扩散，从疫区返回待预测区域的目标用户对待预测区域内的用户的健康也存在一定的影响。因此，本发明采用上述技术方案，结合目标用户对待预测区域内用户的健康的影响程度以及已确诊人员的数量对待预测区域内用户的健康的影响程度，去预测待预测区域的应急响应等级，能够很大程度上提高预测待预测区域内的应急响应等级的准确性。
上述主要从方法的角度对本发明实施例提供的方案进行了介绍。为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，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，本发明实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，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。
本发明实施例可以根据上述方法示例对预测装置11进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。可选的，本发明实施例中对模块的划分是示意性的，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。
图24为本发明实施例提供的一种预测装置的结构示意图。如图24所示，预测装置11用于提高预测待预测区域的应急响应等级的准确性，例如用于执行图2所示的预测方法。该预测装置11包括确定单元111以及预测单元112。
确定单元111，用于确定目标用户。其中，目标用户包括在第一预设时间段内从疫区移动至待预测区域内的用户。例如，结合图2，确定单元111可以用于执行S201。
确定单元111，还用于在确定目标用户之后，确定目标评价指数。其中，目标评价指数包括第一评价指数和第二评价指数，第一评价指数用于表示目标用户对待预测区域内用户的健康的影响程度，第二评价指数用于表示待预测区域的特征参数对待预测区域内用户的健康的影响程度，特征参数包括已确诊人员的数量。例如，结合图2，确定单元111可以用于执行S202。
预测单元112，用于根据确定单元111确定的目标评价指数，预测待预测区域的应急响应等级。例如，结合图2，预测单元112可以用于执行S203。
可选的，如图24所示，本发明实施例提供的确定单元111，还用于确定处于预设范围内的用户中每一个用户的工作小区。例如，结合图3，确定单元111可以用于执行S1。
确定单元111，还用于在确定每一个用户的工作小区之后，确定目标小区。其中，目标小区为：在小区内，工作的用户的数量大于或等于第一预设阈值的小区。例如，结合图3，确定单元111可以用于执行S2。
确定单元111，还用于在确定目标小区之后，确定待预测区域。其中，待预测区域包括目标小区。例如，结合图3，确定单元111可以用于执行S3。
可选的，如图24所示，本发明实施例提供的确定单元111，具体用于对于预设用户而言，获取预设用户在第二预设时间段内的通信时长。其中，预设用户为预设范围内的任一用户。例如，结合图4，确定单元111可以用于执行S11。
确定单元111，具体还用于根据获取到的通信时长，确定预设用户的工作小区。例如，结合图4，确定单元111可以用于执行S12。
可选的，如图24所示，本发明实施例提供的确定单元111，具体还用于获取待预测区域内的用户在第一预设时间段内的信令/流量详细话单记录XDR。例如，结合图5，确定单元111可以用于执行S2011。
确定单元111，具体还用于判断待预测区域内的用户中是否存在任意一个用户的XDR中包含一个或多个预设小区标识。例如，结合图5，确定单元111可以用于执行S2012。
确定单元111，具体还用于若待预测区域内的用户中存在任意一个用户的XDR中包含一个或多个预设小区标识，则确定任意一个用户为目标用户。其中，一个或多个预设小区标识对应的预设小区为疫区内的小区。例如，结合图5，确定单元111可以用于执行S2013。
可选的，如图24所示，本发明实施例提供的预测装置，具体用于将第一评价指数和第二评价指数进行加权计算，以得到待预测区域的预警指数。例如，结合图6，预测单元112可以用于执行S2031。
预测单元112，具体还用于根据待预测区域的预警指数，确定待预测区域的应急响应等级。例如，结合图6，预测单元112可以用于执行S2032。
可选的，如图24所示，本发明实施例提供的确定单元111，具体还用于确定第一用户以及第二用户。例如，结合图7，确定单元111可以用于执行S2021。
确定单元111，具体还用于确定第一子评价指数以及第二子评价指数。例如，结合图7，确定单元111可以用于执行S2022。
确定单元111，具体还用于将第一子评价指数和第二子评价指数进行加权计算，以得到第一评价指数。例如，结合图7，确定单元111可以用于执行S2023。
可选的，如图24所示，本发明实施例提供的确定单元111，具体还用于获取目标用户与待评估区域内的小区之间的交互数据。例如，结合图8，确定单元111可以用于执行S20211。
确定单元111，具体还用于根据目标用户与待评估区域内的小区之间的交互数据，确定目标用户在第三预设时间段内的数据交互时长以及在第四预设时间段内的数据交互时长。例如，结合图8，确定单元111可以用于执行S20212。
确定单元111，具体还用于根据目标用户在第三预设时间段内的数据交互时长以及在第四预设时间段内的数据交互时长，分别从目标用户中确定第一用户以及第二用户。例如，结合图8，确定单元111可以用于执行S20213。
可选的，如图24所示，本发明实施例提供的确定单元111，具体还用于获取第一数量以及第二数量。例如，结合图9，确定单元111可以用于执行S20221。
确定单元111，具体还用于根据第一数量以及第二数量，计算第一子评价指数。例如，结合图9，确定单元111可以用于执行S20222。
可选的，如图24所示，本发明实施例提供的确定单元111，具体还用于确定每一个第一用户到达待预测区域所在城市的时间。例如，结合图10，确定单元111可以用于执行Sa。
确定单元111，具体还用于确定每一个第一用户离开隔离区域的时间。例如，结合图10，确定单元111可以用于执行Sb。
确定单元111，具体还用于判断每一个第一用户的隔离时间是否小于或等于第五预设时间。例如，结合图10，确定单元111可以用于执行Sc。
确定单元111，具体还用于确定隔离时间小于或等于第五预设时间的用户的数量。例如，结合图10，确定单元111可以用于执行Sd。
可选的，如图24所示，本发明实施例提供的确定单元111，具体还用于将第一数量以及第二数量分别进行归一化处理。例如，结合图11，确定单元111可以用于执行Se。
确定单元111，具体还用于将归一化处理之后的数据进行加权计算，得到第一子评价指数。例如，结合图11，确定单元111可以用于执行Sf。
可选的，如图24所示，本发明实施例提供的确定单元111，具体还用于将第一子数量、第二子数量、第三子数量、第四子数量、第五子数量、第六子数量，第七子数量、第八子数量以及第二数量分别进行归一化处理。例如，结合图12，确定单元111可以用于执行Sg。
确定单元111，具体还用于将归一化处理之后的数据进行加权计算，得到第一子评价指数。例如，结合图12，确定单元111可以用于执行Sh。
可选的，如图24所示，本发明实施例提供的确定单元111，具体还用于获取第三数量以及第四数量。例如，结合图13，确定单元111可以用于执行S20223。
确定单元111，具体还用于根据第三数量以及第四数量，计算第二子评价指数。例如，结合图13，确定单元111可以用于执行S20224。
可选的，如图24所示，本发明实施例提供的确定单元111，具体还用于确定每一个第二用户到达待预测区域所在城市的时间。例如，结合图14，确定单元111可以用于执行Si。
确定单元111，具体还用于确定每一个第二用户离开隔离区域的时间。例如，结合图14，确定单元111可以用于执行Sj。
确定单元111，具体还用于判断每一个第二用户的隔离时间是否小于或等于第五预设时间。例如，结合图14，确定单元111可以用于执行Sk。
确定单元111，具体还用于确定隔离时间小于或等于第五预设时间的用户的数量。例如，结合图14，确定单元111可以用于执行Sl。
可选的，如图24所示，本发明实施例提供的确定单元111，具体还用于将第三数量以及第四数量分别进行归一化处理。例如，结合图15，确定单元111可以用于执行Sm。
确定单元111，具体还用于将归一化处理之后的数据进行加权计算，得到第二子评价指数。例如，结合图15，确定单元111可以用于执行Sn。
可选的，如图24所示，本发明实施例提供的确定单元111，具体还用于将第九子数量、第十子数量、第十一子数量、第十二子数量、第十三子数量、第十四子数量，第十五子数量、第十六子数量以及第四数量分别进行归一化处理。例如，结合图16，确定单元111可以用于执行So。
确定单元111，具体还用于将归一化处理之后的数据进行加权计算，得到第二子评价指数。例如，结合图16，确定单元111可以用于执行Sp。
可选的，如图24所示，本发明实施例提供的确定单元111，具体还用于确定第三用户。例如，结合图17，确定单元111可以用于执行S301。
确定单元111，具体还用于获取第五数量以及第六数量。例如，结合图17，确定单元111可以用于执行S302。
确定单元111，具体还用于根据第五数量以及第六数量，计算第三子评价指数。例如，结合图17，确定单元111可以用于执行S303。
可选的，如图24所示，本发明实施例提供的确定单元111，具体还用于获取目标用户与待预测区域内的小区之间的交互数据。例如，结合图18，确定单元111可以用于执行S3011。
确定单元111，具体还用于根据目标用户与待预测区域内的小区之间的交互数据，确定目标用户在第一预设时间段内使用预设APP的频次、使用预设APP的时长以及活动距离。例如，结合图18，确定单元111可以用于执行S3012。
确定单元111，具体还用于根据目标用户在第一预设时间段内使用预设APP的频次、使用预设APP的时长以及活动距离，确定目标用户中的第三用户。例如，结合图18，确定单元111可以用于执行S3013。
可选的，如图24所示，本发明实施例提供的确定单元111，具体还用于确定第每一个第三用户到达待预测区域所在城市的时间。例如，结合图19，确定单元111可以用于执行S3021。
确定单元111，具体还用于确定每一个第三用户离开隔离区域的时间。例如，结合图19，确定单元111可以用于执行S3022。
确定单元111，具体还用于判断每一个第三用户的隔离时间是否小于或等于第五预设时间。例如，结合图19，确定单元111可以用于执行S3023。
确定单元111，具体还用于确定隔离时间小于或等于第五预设时间的用户的数量。例如，结合图19，确定单元111可以用于执行S3024。
可选的，如图24所示，本发明实施例提供的确定单元111，具体还用于将第五数量以及第六数量分别进行归一化处理。例如，结合图20，确定单元111可以用于执行S3031。
确定单元111，具体还用于将归一化处理之后的数据进行加权计算，得到第三子评价指数。例如，结合图20，确定单元111可以用于执行S3032。
可选的，如图24所示，本发明实施例提供的确定单元111，具体还用于将第十七子数量、第十八子数量、第十九子数量、第二十子数量、第二十一子数量、第二十二子数量，第二十三子数量、第二十四子数量以及第六数量分别进行归一化处理。例如，结合图21，确定单元111可以用于执行S3033。
确定单元111，具体还用于将归一化处理之后的数据进行加权计算，得到第三子评价指数。例如，结合图21，确定单元111可以用于执行S3034。
可选的，如图24所示，本发明实施例提供的预测装置11中的特征参数还包括待预测区域与密集人员场所之间的距离以及待预测区域的人口密度。第二评价指数还用于反映待预测区域内确诊人员的数量、待预测区域与密集人员场所之间的距离以及待预测区域的人口密度对待预测区域内的用户的健康的影响程度。
确定单元111，具体还用于获取待预测区域内确诊人员数量、待预测区域与密集人员场所之间的距离以及待预测区域的人口密度。例如，结合图22，确定单元111可以用于执行S2024。
确定单元111，具体还用于将待预测区域内确诊人员的数量、待预测区域与密集人员场所之间的距离以及待预测区域的人口密度分别进行归一化处理。例如，结合图22，确定单元111可以用于执行S2025。
确定单元111，具体还用于将归一化处理后得到的数据进行加权处理，计算第二评价指数。例如，结合图22，确定单元111可以用于执行S2026。
可选的，如图24所示，本发明实施例提供的预测单元112，具体还用于将第一子评价指数、第二子评价指数、第三子评价指数以及第二评价指数进行加权计算，以得到待预测区域的预警指数。例如，结合图23，预测单元112可以用于执行S2033。
预测单元112，具体还用于根据待预测区域的预警指数，确定待预测区域的应急响应等级。例如，结合图23，预测单元112可以用于执行S2034。
在采用硬件的形式实现上述集成的模块的功能的情况下，本发明实施例提供了上述实施例中所涉及的预测装置的另外一种可能的结构示意图。如图25所示，一种预测装置40，用于提高预测待预测区域的应急响应等级的准确性，例如用于执行图2所示的预测方法。该预测装置40包括处理器401，存储器402、通信接口403、总线404。处理器401，存储器402以及通信接口403之间可以通过总线404连接。
处理器401是通信装置的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器401可以是一个通用中央处理单元(central processing unit，CPU)，也可以是其他通用处理器等。其中，通用处理器可以是微处理器或者是任何常规的处理器等。
作为一种实施例，处理器401可以包括一个或多个CPU，例如图25中所示的CPU 0和CPU 1。
存储器402可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory，EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
作为一种可能的实现方式，存储器402可以独立于处理器401存在，存储器402可以通过总线404与处理器401相连接，用于存储指令或者程序代码。处理器401调用并执行存储器402中存储的指令或程序代码时，能够实现本发明实施例提供的预测方法。
另一种可能的实现方式中，存储器402也可以和处理器401集成在一起。
通信接口403，用于与其他设备通过通信网络连接。该通信网络可以是以太网，无线接入网，无线局域网(wireless local area networks，WLAN)等。通信接口403可以包括用于接收数据的接收单元，以及用于发送数据的发送单元。
总线404，可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图25中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
需要指出的是，图25示出的结构并不构成对该预测装置40的限定。除图25所示部件之外，该预测装置40可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
作为一个示例，结合图23，预测装置中的确定单元111以及预测单元112实现的功能与图25中的处理器401的功能相同。
图26示出了本发明实施例中预测装置的另一种硬件结构。如图26所示，预测装置50可以包括处理器501以及通信接口502。处理器501与通信接口502耦合。
处理器501的功能可以参考上述处理器401的描述。此外，处理器501还具备存储功能，可以参考上述存储器402的功能。
通信接口502用于为处理器501提供数据。该通信接口502可以是通信装置的内部接口，也可以是通信装置对外的接口(相当于通信接口403)。
需要指出的是，图26中示出的结构并不构成对预测装置50的限定，除图26所示部件之外，该预测装置50可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能单元的划分进行举例说明。在实际应用中，可以根据需要而将上述功能分配由不同的功能单元完成，即将装置的内部结构划分成不同的功能单元，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当计算机执行该指令时，该计算机执行上述方法实施例所示的方法流程中的各个步骤。
本发明的实施例提供一种包含指令的计算机程序产品，当指令在计算机上运行时，使得计算机执行上述方法实施例中的预测方法。
其中，计算机可读存储介质，例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘。随机存取存储器(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、寄存器、硬盘、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的人以合适的组合、或者本领域数值的任何其他形式的计算机可读存储介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路(Application Specific Integrated Circuit，ASIC)中。在本发明实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
由于本发明的实施例中的预测装置、计算机可读存储介质、计算机程序产品可以应用于上述方法，因此，其所能获得的技术效果也可参考上述方法实施例，本发明实施例在此不再赘述。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何在本发明揭露的技术范围内的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种应急响应等级的预测方法，其特征在于，包括：
确定目标用户；其中，所述目标用户包括在第一预设时间段内从疫区移动至待预测区域内的用户；
确定目标评价指数；其中，所述目标评价指数包括第一评价指数和第二评价指数，所述第一评价指数用于表示所述目标用户对所述待预测区域内用户的健康的影响程度，所述第二评价指数用于表示所述待预测区域的特征参数对所述待预测区域内用户的健康的影响程度，所述特征参数包括已确诊人员的数量；所述特征参数还包括所述待预测区域与密集人员场所之间的距离以及所述待预测区域的人口密度；
根据所述目标评价指数，预测所述待预测区域的应急响应等级；
所述确定目标评价指数，包括：
获取所述目标用户与所述待预测区域内的小区之间的交互数据；
根据所述目标用户与所述待预测区域内的小区之间的交互数据，确定所述目标用户在第三预设时间段内的数据交互时长以及在第四预设时间段内的数据交互时长；
根据所述目标用户在第三预设时间段内的数据交互时长以及在第四预设时间段内的数据交互时长，分别从所述目标用户中确定第一用户以及第二用户；所述第一用户为所述目标用户中在所述待预测区域内工作的用户；所述第二用户为目标用户中在所述待预测区域内居住的用户；
确定第一子评价指数和第二子评价指数；所述第一子评价指数用于反映所述第一用户对所述待预测区域内的用户的健康的影响程度；所述第二子评价指数用于反映所述第二用户对所述待预测区域内的用户的健康的影响程度；
将所述第一子评价指数和所述第二子评价指数进行加权计算，得到所述第一评价指数。
2.根据权利要求1所述的预测方法，其特征在于，所述预测方法还包括：
确定处于预设范围内的用户中每一个用户的工作小区；
确定目标小区；其中，所述目标小区为：在小区内，工作的用户的数量大于或等于第一预设阈值的小区；
确定所述待预测区域；其中，所述待预测区域包括所述目标小区。
3.根据权利要求2所述的预测方法，其特征在于，所述确定处于预设范围内的用户中每一个用户的工作小区，包括：
对于预设用户而言，获取所述预设用户在第二预设时间段内的通信时长；其中，所述预设用户为所述预设范围内的任一用户；
根据获取到的通信时长，确定所述预设用户的工作小区。
4.根据权利要求1所述的预测方法，其特征在于，所述确定目标用户，具体包括：
获取所述待预测区域内的用户在所述第一预设时间段内的信令/流量详细话单记录XDR；
若所述待预测区域内的用户中存在任意一个用户的XDR中包含一个或多个预设小区标识，则确定所述任意一个用户为所述目标用户；其中，所述一个或多个预设小区标识对应的预设小区为疫区内的小区。
5.一种应急响应等级的预测装置，其特征在于，包括确定单元以及预测单元；
所述确定单元，用于确定目标用户；其中，所述目标用户包括在第一预设时间段内从疫区移动至待预测区域内的用户；
所述确定单元，还用于在确定目标用户之后，确定目标评价指数；其中，所述目标评价指数包括第一评价指数和第二评价指数，所述第一评价指数用于表示所述目标用户对所述待预测区域内用户的健康的影响程度，所述第二评价指数用于表示所述待预测区域的特征参数对所述待预测区域内用户的健康的影响程度，所述特征参数包括已确诊人员的数量；所述特征参数还包括所述待预测区域与密集人员场所之间的距离以及所述待预测区域的人口密度；
所述预测单元，用于根据所述确定单元确定的所述目标评价指数，预测所述待预测区域的应急响应等级；
所述确定单元，还用于获取所述目标用户与所述待预测区域内的小区之间的交互数据；
所述确定单元，还用于根据所述目标用户与所述待预测区域内的小区之间的交互数据，确定所述目标用户在第三预设时间段内的数据交互时长以及在第四预设时间段内的数据交互时长；
所述确定单元，还用于根据所述目标用户在第三预设时间段内的数据交互时长以及在第四预设时间段内的数据交互时长，分别从所述目标用户中确定第一用户以及第二用户；所述第一用户为所述目标用户中在所述待预测区域内工作的用户；所述第二用户为目标用户中在所述待预测区域内居住的用户；
所述确定单元，还用于确定第一子评价指数和第二子评价指数；所述第一子评价指数用于反映所述第一用户对所述待预测区域内的用户的健康的影响程度；所述第二子评价指数用于反映所述第二用户对所述待预测区域内的用户的健康的影响程度；
所述确定单元，还用于将所述第一子评价指数和所述第二子评价指数进行加权计算，得到所述第一评价指数。
6.根据权利要求5所述的预测装置，其特征在于，所述确定单元还用于确定处于预设范围内的用户中每一个用户的工作小区；
所述确定单元，还用于在确定所述每一个用户的工作小区之后，确定目标小区；其中，所述目标小区为：在小区内，工作的用户的数量大于或等于第一预设阈值的小区；
所述确定单元，还用于在确定目标小区之后，确定所述待预测区域；其中，所述待预测区域包括所述目标小区。
7.根据权利要求6所述的预测装置，其特征在于，所述确定单元，具体用于对于预设用户而言，获取所述预设用户在第二预设时间段内的通信时长；其中，所述预设用户为所述预设范围内的任一用户；
所述确定单元，具体还用于根据获取到的通信时长，确定所述预设用户的工作小区。
8.根据权利要求5所述的预测装置，其特征在于，所述确定单元，具体还用于获取所述待预测区域内的用户在所述第一预设时间段内的信令/流量详细话单记录XDR；
所述确定单元，具体还用于若所述待预测区域内的用户中存在任意一个用户的XDR中包含一个或多个预设小区标识，则确定所述任意一个用户为所述目标用户；其中，所述一个或多个预设小区标识对应的预设小区为疫区内的小区。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当被计算机执行时使所述计算机执行如权利要求1-4任一项所述的预测方法。
10.一种应急响应等级的预测装置，其特征在于，包括：处理器、存储器和通信接口；其中，所述通信接口用于所述预测装置和其他设备或网络通信；所述存储器用于存储一个或多个程序，所述一个或多个程序包括计算机执行指令，当所述预测装置运行时，所述处理器执行所述存储器存储的计算机执行指令，以使所述预测装置执行权利要求1至4中任一项所述的预测方法。
CN202010670891.7A 2020-07-13 2020-07-13 一种应急响应等级的预测方法及预测装置 Active CN111885498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010670891.7A CN111885498B (zh) 2020-07-13 2020-07-13 一种应急响应等级的预测方法及预测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010670891.7A CN111885498B (zh) 2020-07-13 2020-07-13 一种应急响应等级的预测方法及预测装置

Publications (2)

Publication Number Publication Date
CN111885498A CN111885498A (zh) 2020-11-03
CN111885498B true CN111885498B (zh) 2023-03-24

Family

ID=73151100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010670891.7A Active CN111885498B (zh) 2020-07-13 2020-07-13 一种应急响应等级的预测方法及预测装置

Country Status (1)

Country Link
CN (1) CN111885498B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113628703B (zh) * 2021-07-20 2024-03-29 慕贝尔汽车部件（太仓）有限公司 职业健康档案管理方法、系统和网络测服务端

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111275594A (zh) * 2018-12-05 2020-06-12 大唐移动通信设备有限公司 一种区域安全等级的确定方法及装置
CN111027525B (zh) * 2020-03-09 2020-06-30 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
CN111341463B (zh) * 2020-03-17 2023-08-15 腾讯科技（深圳）有限公司 疫情排查方法、装置、计算机设备和存储介质
CN111128399B (zh) * 2020-03-30 2020-07-14 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

Also Published As

Publication number Publication date
CN111885498A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
Ni et al. A spatial econometric model for travel flow analysis and real-world applications with massive mobile phone data
Kim et al. Does crowding affect the path choice of metro passengers?
Szeto et al. Reliability‐based transit assignment for congested stochastic transit networks
McLay et al. Evaluating emergency medical service performance measures
Goldberg et al. A simulation model for evaluating a set of emergency vehicle base locations: Development, validation, and usage
Levine et al. Project-level accessibility analysis for land-use planning
Wu et al. How transit scaling shapes cities
Oh et al. Demand calibration of multimodal microscopic traffic simulation using weighted discrete SPSA
CN111885498B (zh) 一种应急响应等级的预测方法及预测装置
Steinberg et al. Baton Rouge post-Katrina: the role of critical infrastructure modeling in promoting resilience
Tosi Cell phone big data to compute mobility scenarios for future smart cities
Claridge et al. New Zealand fire service response times to structure fires
Rodrigues et al. Spatiotemporal variation of taxi demand
Gore et al. Congestion index and reliability-based freeway level of service
Deng et al. The impact of new metro on travel behavior: Panel analysis using mobile phone data
Fosgerau et al. Commuting and land use in a city with bottlenecks: Theory and evidence
Brink et al. Aircraft noise indexes for effect oriented noise assessment
CN111667689A (zh) 车辆旅行时间预测的方法、设备和计算机设备
Melendez et al. Modelling traffic during Lilac Wildfire evacuation using cellular data
Chen et al. Spatial location optimization of fire stations with traffic status and urban functional areas
Lizana et al. Forecasting with a joint mode/time-of-day choice model based on combined RP and SC data
Yuangyai et al. Robust ambulance base allocation strategy with social media and traffic congestion information
CN109618281A (zh) 一种高铁小区的识别方法及装置
Aladdini EMS response time models: A case study and analysis for the region of Waterloo
Mahmoud et al. Stakeholders' perspectives towards bus quality indicators

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