CN112037924B - 一种中长距疫情监测和安全指数量化方法 - Google Patents
一种中长距疫情监测和安全指数量化方法 Download PDFInfo
- Publication number
- CN112037924B CN112037924B CN202010721825.8A CN202010721825A CN112037924B CN 112037924 B CN112037924 B CN 112037924B CN 202010721825 A CN202010721825 A CN 202010721825A CN 112037924 B CN112037924 B CN 112037924B
- Authority
- CN
- China
- Prior art keywords
- user
- block
- epidemic
- epidemic situation
- users
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000002093 peripheral effect Effects 0.000 claims abstract description 24
- 201000010099 disease Diseases 0.000 claims abstract description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000007613 environmental effect Effects 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims abstract description 4
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 16
- 208000015181 infectious disease Diseases 0.000 claims description 13
- 230000036541 health Effects 0.000 claims description 9
- 230000036760 body temperature Effects 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 5
- 208000032420 Latent Infection Diseases 0.000 claims description 4
- 208000037771 disease arising from reactivation of latent virus Diseases 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 claims description 3
- 230000008929 regeneration Effects 0.000 claims description 3
- 238000011069 regeneration method Methods 0.000 claims description 3
- ZKPIIYAYSXXUDC-UOCXRWNNSA-N (2s)-4-[(8r,13r)-8,13-dihydroxy-13-[(2r,5r)-5-[(2r,5r)-5-[(1r)-1-hydroxyundecyl]oxolan-2-yl]oxolan-2-yl]tridecyl]-2-methyl-2h-furan-5-one Chemical compound O1[C@@H]([C@H](O)CCCCCCCCCC)CC[C@@H]1[C@@H]1O[C@@H]([C@H](O)CCCC[C@H](O)CCCCCCCC=2C(O[C@@H](C)C=2)=O)CC1 ZKPIIYAYSXXUDC-UOCXRWNNSA-N 0.000 claims description 2
- 238000002955 isolation Methods 0.000 claims description 2
- 238000011534 incubation Methods 0.000 claims 2
- 230000002265 prevention Effects 0.000 abstract description 3
- 238000011002 quantification Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007480 spreading Effects 0.000 description 3
- 238000003892 spreading Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明揭示了一种中长距疫情监测和安全指数量化方法，在智能手机的生态环境中开发App，搭建后端服务器记录、存储用户的个人疾控状态信息；用户通过App自查并向后端服务器发送监测周边疫情的请求；后端服务器处理请求，基于用户本人的实际地理位置并根据其他用户的真实信息计算周边疫情的环境状况，再将结果通过App向用户展示、上传疾控中心，其中计算包括地图区块划分、分区块统计信息数据预处理、进行地区安全指数和用户安全指数的量化评测。应用本发明技术解决方案，实现了普通用户通过个人移动终端实时查询并掌握周边或目的去向地区的防疫安全程度，并且对地区和用户两个层面上对安全指数进行了量化，给疾控中心和用户提供了更加客观的参考标准。
Description
技术领域
本发明涉及一种移动互联网与计算机数据处理应用，尤其涉及一种以用户定位及预设中长距范围为基础进行疫情检测并对地区和用户分别进行安全指数量化，提供用户终端和疾控中心查询通道的技术解决方案。
背景技术
传播性疾病疫情的爆发、放缓，政府在疫情监测方面投入了大量的人力和物力，然而常规的疫情监测是依靠医护人员在某一行政区域中逐一检测、排查，然后将统计结果上报给疾控中心。这样不仅费时耗力，而且监测不精确、信息更新不及时，对地区流动人员监测效果欠佳。
另外，当前对地区的安全评定仍然停留在定性判别的标准上，无论所在地区域范围大小，都只以行政区划为界限进行安全地区和非安全地区的划分。这么做虽然在宏观上降低了疫情失控的风险，但难免有点以偏概全，造成其中大部分实际上安全的地区被认定为非安全地区，从而使得当地的生产生活受影响滞缓。
发明内容
鉴于上述现有技术的不足，本发明的目的旨在提出一种中长距疫情监测和安全指数量化方法，解决疫情监测直观量化和明确疫情区域性分布的问题。
本发明实现上述目的的技术解决方案是：一种中长距疫情监测和安全指数量化方法，其特征在于包括步骤：S1、在智能手机的生态环境中开发App，作为用户进行疫情监测的入口及前端用户界面；S2、搭建后端服务器，用于记录、存储用户的个人疾控状态信息并处理用户预设距离范围内周边疫情监测的请求；S3、用户通过App自查并向后端服务器发送监测周边疫情的请求；S4、后端服务器处理请求，基于用户本人的实际地理位置并根据App接入的除用户本人外其他用户的真实信息计算周边疫情的环境状况，再将结果通过App向用户展示、上传疾控中心，其中计算包括地图区块划分、分区块统计信息数据预处理、进行地区安全指数和用户安全指数的量化评测。
上述中长距疫情监测和安全指数量化方法，进一步地，所述App为由vue前端UI框架下采用JavaScript编程语言开发所得，包括个人模块和周边模块的显示界面，并在个人模块下功能定义有用户登录、认证、编辑及查看用户本人健康状况；在周边模块下功能定义有本地地理名称及天气状况，以雷达扫描的方式自定义疫情监测的距离并发出请求，显示包括自定义地区的采集人数、人口密度和地区安全指数，其中对自定义地区中其他用户进行颜色图案相区别的标记和安全级别分类。
上述中长距疫情监测和安全指数量化方法，进一步地，所述后端服务器基于MVC设计框架并在Node.js和express开发环境下采用JavaScript编程语言搭建形成后端系统，并添加有包括Init.js、Server.js、Config.js、Public.js的基本文本和包括User.js、GPS.js的功能拓展文本。
上述中长距疫情监测和安全指数量化方法，进一步地，步骤S3之前用户需完成包括：在移动终端下载安装App，手机号首次登陆，实名认证，设置App运行中开启定位，并录入反映用户健康状况的当前体温和历史行踪信息。
上述中长距疫情监测和安全指数量化方法，进一步地，步骤S3中所述请求包含用户自定义的雷达扫描范围，自定义方法为在微地图界面通过图形化触控缩放雷达扫描的距离。
上述中长距疫情监测和安全指数量化方法，进一步地，步骤S4包括子步骤：S41、采用自定义动态区块筛选算法，将所在地区划分为若干个区块，结合所有用户的位置信息，确定用户本人的周边区块并统计各区块内用户数量；S42、以所划分和筛选的区块为基础，统计区块内自疫情爆发以来各类用户人群数量，并采用数据拟合的方式建立改进的SIR疫情传播模型；S43、基于改进的SIR疫情传播模型，由后端服务器计算用户所处区块的安全指数及区块内所有用户的安全指数，计算结果实时传送至用户的前端用户界面，同步上传至疾控中心。
应用本发明疫情监测和安全指数量化的技术解决方案，具备突出的实质性特点和显著的进步性：该方案实现了普通用户通过个人移动终端实时查询并掌握周边或目的去向地区的防疫安全程度，并且对地区和用户两个层面上对安全指数进行了量化，给疾控中心和用户提供了更加客观的参考标准。
附图说明
图1是本发明前端用户界面的个人模块功能展示图。
图2是本发明前端用户界面中周边模块功能展示图。
图3是本发明前端用户界面的疫情统计结果分布示意图。
图4是本发明中的动态区块划分示意图。
图5是本发明动态区块划分中的中心区块及其周围八个相关区块的示意图。
图6是本发明动态区块划分中二次筛选中心用户周围相关区块的示意图。
图7是本发明中心用户自定义中长距内(如方圆1000米)的相关用户分布图。
具体实施方式
以下便结合附图对本发明的具体实施方式作进一步的详述，以使本发明技术方案更易于理解、掌握，从而对本发明的保护范围做出更为清晰的界定。
本发明针对现有技术的不足，针对性提出了一种中长距疫情监测和安全指数量化方法，其概述的步骤包括：S1、在智能手机的生态环境中开发App，作为用户进行疫情监测的入口及前端用户界面；S2、搭建后端服务器，用于记录、存储用户的个人疾控状态信息并处理用户预设距离范围内周边疫情监测的请求；S3、用户通过App自查并向后端服务器发送监测周边疫情的请求；S4、后端服务器处理请求，基于用户本人的实际地理位置并根据App接入的除用户本人外其他用户的真实信息计算周边疫情的环境状况，再将结果通过App向用户展示、上传疾控中心，其中计算包括地图区块划分、分区块统计信息数据预处理、进行地区安全指数和用户安全指数的量化评测。
为更具体直观地理解，以下分步骤阐述。
S11、在vue前端框架下，采用JavaScript编程语言开发一个移动用户端的App。
S12、App界面主要分为两个模块，1)“周边”模块的功能在于实时显示用户的当前城市(市级)、天气状况、用户体温、步数以及监测周围疫情状况；2)“我的”模块的功能在于为用户提供登录、认证、编辑以及查看个人健康状况等功能。
S13、为了便于统计用户信息同时向用户反映个人健康信息状况，本方法在前端App“我的”模块中添加了有关手机短息、身份信息以及当前地区信息的登录、认证和编辑功能，用户健康状况、健康码和今日轨迹显示功能以及附加的意见反馈和软件升级功能；用户可通过编辑功能编辑个人信息，如上传头像、性别选择、出生年月、常驻地区等，如图1所示。
S14、为了便于用户实时监测周围的疫情状况，本方法在“周边”模块功能的基础上又添加了“雷达扫描”周围用户的功能，点击当前城市标志，切换至实时地图界面，“+”，“-”标志用于缩放区域大小。同时添加了地区采集人数、人口密度，地区安全指数等显示功能，以及标志安全级别的颜色图案。如图2所示。其中右下角最左侧方框使用“红色”图案显示感染人数并表示安全指数最低，左下角最右侧方框使用“绿色”图案显示安全人数并表示安全指数最高，而左下角中间方框使用“黄色”图案显示高位人数并表示安全指数介于二者之间。
S21、基于MVC设计框架，在Node.js和express开发环境下，采用JavaScript编程语言，搭建了后端系统，Quick Node。
S23、添加后端系统所需的基本文件，包括Init.js、Server.js、config.js文件，Public.js包含一些通用开源函数，private.js包含了后端系统中可能用到的功能方法，如DB.js提供操作MySQL的接口、Mail.js提供收发电子邮件的接口、Message.js提供收发手机短信验证码的接口。
S24、根据项目需求，又添加了User.js文件用于实现用户的登录、编辑、上传体温等基本功能；GPS.js文件用于处理用户上传的GPS信息，包括用户定位、用户行迹记录、中心用户区域范围内疫情监测功能等。
S31、用户在移动终端下载App后，按照指示采用手机号首次登录账号并实名认证，认证成功后会在“我的”模块界面左上方显示“已认证”。如果未显示“已认证”则表示未认证成功可进行二次认证；如果多次认证均为成功，可在“我的”模块中的意见反馈模块向后端反馈意见。
S32、用户每次登录账号时，后端会自动获得用户的当前位置并实时更新、存储用户的位置信息，确定用户所在区域。在“我的”模块界面中，用户还可以查看个人的健康状况、健康码和今日轨迹。
S33、用户通过点击“周边”模块的雷达扫描标志，向后端发出监测周围疫情状况的请求，此外用户还可以通过点击当前城市标志，进入实时地图界面，通过“+”，“-”标志缩小、扩大雷达扫描范围。后端会统计扫描区域内的采集人数、人口密度，地区安全指数显示到App界面。同时计算扫描地区内相关用户的安全指数并将结果以数字的形式显示在“红色”，“黄色”，“绿色”图案上，如图3所示。图中水滴状点表示安全用户位置、三角状点表示高危用户位置、冠状点表示已感染用户位置。
作为本发明目的实现的重点计算方案，以下对步骤S4进一步分步骤阐述。
S41、后端收到中心用户请求后，采用自定义动态区块筛选算法，将地图划分为多个区块，结合中心用户和其他用户的位置信息，确定中心用户附近的若干个区块，统计这些区块内相关用户的数量。
S42、后端以划分后的区块为基础，统计这些区块内自疫情爆发以来的确诊患者数、易感染人数、治愈人数、输入人员数等，建立疫情传播模型，采用数据拟合的方式，提出了改进的SIR疫情传播模型。
S43、以改进的SIR模型为基础，提出了地区安全指数量化算法，能够以单日更新的频率实时向用户和疾控中心反映数据。根据用户上传的体温信息和用户14天内的地区轨迹，提出了用户安全指数量化算法，由后端系统计算用户所处区块的安全指数以及区块内所有用户的安全指数并实时传送到用户前端界面，同时把相关统计结果传送至有需求的中心用户和疾控中心，使用户和疾控中心均能实现实时监测疫情的效果。
更进一步地，S411、将整个地图或某一区域沿着经纬线进行近似矩形区块划分，并采用Geohash方法给任意区块进行二进制编码，为了实现不同范围大小内的疫情监测效果，本发明采用多种码长对任意区块进行二进制编码，故称为动态区块划分，其中二进制码越长表示所划分的区块数量越多，每一区块所涵盖的范围越小，如图4所示。为了减少存储内存的使用，将每块的二进制码转换为十六进制码。
S412、划分后的任意区块包含一个用户集合，由于动态区块划分，同一用户尽管实际的GPS位置相同，但其归属的区块却不同，随着用户位置的变动，后端会实时更新所有区块内的用户信息和所有用户归属的区块信息。因此后端需要存储多种码长下所划分的区块和这些区块中所包含的用户信息。动态区块划分是为了满足疾控中心对不同范围内疫情的监测，即若监测局部疫情则采用多位的二进制编码，使得划分区块数量更多，监测更加细粒；若监测全局疫情则采用少位二进制编码，划分区块数量少，区块涵盖范围大，能从宏观上监测疫情变化。码长与区块涵盖范围如下码长与区块涵盖范围对照表(北纬30°附近)所示。
S413、中心用户向后端发送监测周围疫情状况的请求后，后端将用户上传的GPS信息按照步骤S411的编码方式转化为十六进制码，确定中心用户其所在区块，用户区块，选出用户区块周围的8个区块，即相关区块，如图5所示。
S414、为了缩小检索范围同时防止边界用户信息丢失，迭代式地继续沿着经纬线划分用户区块，可以分为左上、左下、右上、右下，确定中心用户所在子区块，例如中心用户在左上子区块，则视左上区块及其周围的3个相关区块作为中心用户最终的相关区块，如图6所示。
S415、分别计算4个相关区块中所有用户与中心用户的欧氏距离，结合中心用户中长距范围(如方圆1000米)内疫情监测需求，筛选并统计距离中心用户1000米范围内的相关用户，如图7所示。当然，该中长距范围为自定义，也是可以方圆800米或2km等。
更进一步地，S421、结合传播性疾病的传播特点，提出了改进的SIR疫情传播模型，相比于SIR模型，改进的SIR模型将任意地区视为一个开放空间，加入了无症状感染者，潜伏期易感染者，疑似患者以及其他地区输入人员中的疑似患者、确诊患者，以及潜伏期过后的易感染患者。如式(1)所示。
其中Rd表示第d天累计治愈患者数；Id表示第d天累计确诊患者数，包括无症状感染者；Sd表示第d天累计易感染数量，则Rd+1-Rd，Id+1-Id，Sd+1-Sd分别表示单日新增治愈患者数，单日新增确诊患者数，单日新增易感染人数，特别说明，治愈人数仍视为易感染人群，此外一旦确诊，即刻隔离不再视为感染源。St表示疑似病例，Ps，Pd，Pn分别表示当天输入的疑似患者、确诊患者，以及隔离τ天后的易感者。r表示恢复率，初步认为和地区的医疗水平以及地区的年龄化分布有关；μ表示感染率，初步认为和地区的人口密度以及人口流动性有关；ρ表示潜伏感染率，初步认为和地区内输入人口数以及疑似病例占比有关；R0表示感染再生数，国家统计新型冠状患者的感染再生数值为2.6，τ表示潜伏期，通常视为两周。
S421、后端划分完地区后，统计自疫情爆发以来的相关数据，采用数据拟合的方式，计算式(1)中的恢复率r，感染率μ以及潜伏感染率ρ。
更进一步地，S431、基于步骤S42所提出改进的SIR模型，任意地区均可通过数据拟合的方式得到地区的恢复率r，感染率μ以及潜伏感染率ρ。为了量化地区的安全系数，提出了地区安全指数量化算法并定义地区安全指数(Area of Safety Index,ASI)如式(2)所示。
其中sgn(·)是符号函数，ASI分别由反映地区疫情未来变化趋势的ASI1指数和反映地区疫情当前情况的ASI2指数共同决定。
其中E和表示该地区14天内是否发生过聚集性疫情爆发的情况，/>表示自当天起14天前累计感染人数。
最后将所有地区的ASI进行百分制归一化操作，ASI越大表示地区越安全。
其中ASImin和ASImax分别表示所有地区中ASI的最小值和最大值。最后将地区安全指数的结果传送给用户和疾控中心。
S431、根据用户上传的体温和后端所存储用户14天内的行迹地区，本发明在地区安全指数的基础上又提出了用户安全指数量化算法并定义用户安全指数(User of SafetyIndex,USI)如式(6)所示。
USI1和USI2分别表示用户的温度信息和14天内的行迹地区信息。
USI1＝T-Tn+Tm (7)，
其中T，Tn，Tm分别表示后端系统检测到的用户温度、人体正常温度、修正温度值，避免温度USI1为0。针对14天以内的地区轨迹属性USI2，结合式(4)对USI2的量化如式(8)所示。
i为1～14之间的任意整数。
将区域内所有用户的USI进行百分制归一化操作，
其中USI越大表示用户安全指数越高。最后将区域内用户的安全指数产向疾控中心和用户上传或发送。
综上关于本发明疫情监测和安全指数量化的技术解决方案介绍和实施例详述，可见该方案具备突出的实质性特点和显著的进步性：该方案实现了普通用户通过个人移动终端实时查询并掌握周边或目的去向地区的防疫安全程度，并且对地区和用户两个层面上对安全指数进行了量化，给疾控中心和用户提供了更加客观的参考标准。
除上述实施例外，本发明还可以有其它实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明所要求保护的范围之内。
Claims (5)
1.一种中长距疫情监测和安全指数量化方法，其特征在于包括步骤：
S1、在智能手机的生态环境中开发App，作为用户进行疫情监测的入口，并提供前端用户界面；
S2、搭建后端服务器，用于记录、存储用户的个人疾控状态信息并处理用户预设距离范围内周边疫情监测的请求；
S3、用户通过App自查并向后端服务器发送监测周边疫情的请求；
S4、后端服务器处理请求，基于用户本人的实际地理位置并根据App接入的除用户本人外其他用户的真实信息计算周边疫情的环境状况，再将结果通过App向用户展示、上传疾控中心，其中计算包括地图区块划分、分区块统计信息数据预处理、进行地区安全指数和用户安全指数的量化评测；
包括子步骤：S41地图区块划分，采用自定义动态区块筛选算法，将所在地区划分为若干个区块，结合所有用户的位置信息，确定用户本人的周边区块并统计各区块内用户数量；其中
所述自定义动态区块筛选算法包括：a、沿经纬线进行矩形状的区块划分，并采用Geohash方法对划分所得的任意区块进行各种码长的二进制编码，将每个区块的二进制码转换为十六进制码后存入后端服务器，且二进制码的码长与区块的数量成正比；b、任一区块包含一个用户集合，后端服务器根据用户位置变动实时更新所有区块内的用户信息和所有用户归属的区块信息；c、后端服务器将用户的GPS信息编码转换为十六进制码，确定用户所在区块及周边相关区块，计算所在区块及周边相关区块中所有用户相对用户本人的欧氏距离，根据疫情监测需求自定义的中长距范围筛选用户；
S42分区块统计信息数据预处理，以所划分和筛选的区块为基础，统计区块内自疫情爆发以来各类用户人群数量，并采用数据拟合的方式建立改进的SIR疫情传播模型；其中所述改进的SIR疫情传播模型为：其中Rd表示第d天累计治愈患者数，Id表示第d天包括无症状感染者的累计确诊患者数，Sd表示第d天累计易感染数量，则Rd+1-Rd，Id+1-Id，Sd+1-Sd分别表示单日新增治愈患者数，单日新增确诊患者数，单日新增易感染人数；St表示疑似病例，Ps，Pd，Pn分别顺序表示当天输入的疑似患者、确诊患者以及隔离τ天后的易感者；r表示恢复率，μ表示感染率，ρ表示潜伏感染率，R0表示感染再生数，τ表示潜伏期，统计自疫情爆发以来的数据，并采用数据拟合的方式计算式(1)中的恢复率r、感染率μ以及潜伏感染率ρ；
S43进行地区安全指数和用户安全指数的量化评测，基于改进的SIR疫情传播模型，由后端服务器计算用户所处区块的安全指数及区块内所有用户的安全指数，计算结果实时传送至用户的前端用户界面，同步上传至疾控中心；其中定义区块安全指数为：
其中sgn(·)是符号函数，ASI由反映区块疫情未来变化趋势的ASI1指数和反映区块疫情当前状态的ASI2指数共同决定，
其中E和表示当前区块14天内是否发生过聚集性疫情爆发的情况，/>表示自当天起14天前累计感染人数；
将所有区块安全指数进行百分制归一化处理，得到用户所在的地区安全指数：
其中ASImin和ASImax分别表示所有区块中ASI的最小值和最大值；
定义用户安全指数为：其中USI1和USI2分别顺序表示用户的温度信息和14天内的行迹地区信息，
USI1＝T-Tn+Tm (7)，
其中T，Tn，Tm分别顺序表示后端服务器系统检测到的用户温度、人体正常温度、修正温度值，i为1～14之间的任意整数；
将区块内所有的用户安全指数进行百分制归一化处理，得到所在地区的总体用户安全指数：
其中USImin和USImax分别表示用户的最小安全指数和最大安全指数。
2.根据权利要求1所述中长距疫情监测和安全指数量化方法，其特征在于：所述App为由vue前端UI框架下采用JavaScript编程语言开发所得，包括个人模块和周边模块的显示界面，并在个人模块下功能定义有用户登录、认证、编辑及查看用户本人健康状况；在周边模块下功能定义有本地地理名称及天气状况，以雷达扫描的方式自定义疫情监测的距离并发出请求，显示包括自定义地区的采集人数、人口密度和地区安全指数，其中对自定义地区中其他用户进行颜色图案相区别的标记和安全级别分类。
3.根据权利要求1所述中长距疫情监测和安全指数量化方法，其特征在于：所述后端服务器基于MVC设计框架并在Node.js和express开发环境下采用JavaScript编程语言搭建形成后端系统，并添加有包括Init.js、Server.js、Config.js、Public.js的基本文本和包括User.js、GPS.js的功能拓展文本。
4.根据权利要求1所述中长距疫情监测和安全指数量化方法，其特征在于：步骤S3之前用户需完成包括：在移动终端下载安装App，手机号首次登陆，实名认证，设置App运行中开启定位，并录入反映用户健康状况的当前体温和历史行踪信息。
5.根据权利要求1所述中长距疫情监测和安全指数量化方法，其特征在于：步骤S3中所述请求包含用户自定义的雷达扫描范围，自定义方法为在微地图界面通过图形化触控缩放雷达扫描的距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010721825.8A CN112037924B (zh) | 2020-07-24 | 2020-07-24 | 一种中长距疫情监测和安全指数量化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010721825.8A CN112037924B (zh) | 2020-07-24 | 2020-07-24 | 一种中长距疫情监测和安全指数量化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112037924A CN112037924A (zh) | 2020-12-04 |
| CN112037924B true CN112037924B (zh) | 2024-02-20 |
Family
ID=73583065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010721825.8A Active CN112037924B (zh) | 2020-07-24 | 2020-07-24 | 一种中长距疫情监测和安全指数量化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112037924B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114724727A (zh) * | 2020-12-22 | 2022-07-08 | 华为技术有限公司 | 一种疫情预测的方法及电子设备 |
| CN112863687A (zh) * | 2021-02-01 | 2021-05-28 | 北京好欣晴移动医疗科技有限公司 | 抗击新冠在线咨询系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108122618A (zh) * | 2016-11-29 | 2018-06-05 | 深圳市宝贝好健康服务有限公司 | 一种用于流行病分布监测的智能客户端和系统 |
| CN108198629A (zh) * | 2018-03-06 | 2018-06-22 | 云南省疾病预防控制中心 | 一种传染病跨境输入传播风险自动评估系统及方法 |
| CN111403045A (zh) * | 2020-03-04 | 2020-07-10 | 苏州远征魂车船技术有限公司 | 一种传染疫情多元精准管控系统 |
| CN111429678A (zh) * | 2020-03-30 | 2020-07-17 | 河海大学常州校区 | 一种用于疫情重点人群的监测系统 |
-
2020
- 2020-07-24 CN CN202010721825.8A patent/CN112037924B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108122618A (zh) * | 2016-11-29 | 2018-06-05 | 深圳市宝贝好健康服务有限公司 | 一种用于流行病分布监测的智能客户端和系统 |
| CN108198629A (zh) * | 2018-03-06 | 2018-06-22 | 云南省疾病预防控制中心 | 一种传染病跨境输入传播风险自动评估系统及方法 |
| CN111403045A (zh) * | 2020-03-04 | 2020-07-10 | 苏州远征魂车船技术有限公司 | 一种传染疫情多元精准管控系统 |
| CN111429678A (zh) * | 2020-03-30 | 2020-07-17 | 河海大学常州校区 | 一种用于疫情重点人群的监测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于移动平均预测限预判新型冠状病毒肺炎疫情趋势与适时风险分级;何豪;何韵婷;翟晶;王筱金;王炳顺;;上海交通大学学报(医学版)(第04期);422-429 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112037924A (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112037924B (zh) | 一种中长距疫情监测和安全指数量化方法 | |
| US20140007244A1 (en) | Systems and methods for generating risk assessments | |
| CN111128328A (zh) | 鼻咽癌结构化影像报告及数据处理系统和方法 | |
| CN111403048A (zh) | 一种未知传染病预警及追溯方法 | |
| CN111488921A (zh) | 一种全景数字病理图像智能分析系统及方法 | |
| Delmelle et al. | Uncertainty in geospatial health: challenges and opportunities ahead | |
| Nduwayezu et al. | Modeling urban growth in Kigali city Rwanda | |
| CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
| US11004001B1 (en) | Analysis of structural-damage predictions caused by an earthquake to identify areas with high damage levels | |
| US11756199B2 (en) | Image analysis in pathology | |
| CN109242250A (zh) | 一种基于模糊熵权法与云模型的用户行为可信度检测方法 | |
| Tara et al. | Measuring magnitude of change by high-rise buildings in visual amenity conflicts in Brisbane | |
| KR102517791B1 (ko) | 지역사회재난 안전도 진단방법 | |
| Fries et al. | Measuring the accuracy of gridded human population density surfaces: A case study in Bioko Island, Equatorial Guinea | |
| CN113743783A (zh) | 一种医疗机构的信用评价方法及装置 | |
| CN105354784A (zh) | 一种基于gis的卫生信息可视化系统 | |
| US20160267256A1 (en) | Disease-screening method, module and computer program, using samples taken from an individual | |
| Yuan et al. | Mobility network reveals the impact of spatial vaccination heterogeneity on COVID-19 | |
| CN110837657B (zh) | 数据处理方法、客户端、服务器及存储介质 | |
| CN114708985B (zh) | 呼吸道传染病预警方法及系统 | |
| CN116797554A (zh) | 图像处理方法以及装置 | |
| CN116130073A (zh) | 一种用于医共体平台的医疗数据管理方法及系统 | |
| CN114969820A (zh) | 一种基于职业健康医疗大数据的管理平台 | |
| Mitra et al. | An interactive dashboard for real-time analytics and monitoring of COVID-19 outbreak in India: a proof of concept | |
| Rahimi et al. | Spatial Assessment of Accessibility to Public Healthcare Services: A Case Study on Accessibility to Hospitals in Shiraz |
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 | ||
| CB02 | Change of applicant information |
Address after: 215123 unit D1, artificial intelligence Industrial Park, No. 88, Jinjihu Avenue, Suzhou Industrial Park, Suzhou City, Jiangsu Province Applicant after: Zhongke Suzhou Intelligent Computing Technology Research Institute Address before: 215123 unit D1, artificial intelligence Industrial Park, No. 88, Jinjihu Avenue, Suzhou Industrial Park, Suzhou City, Jiangsu Province Applicant before: Institute of computing technology, Chinese Academy of Sciences |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |