CN112185579B - 一种基于元胞自动机的新冠密切接触人员数据获取方法 - Google Patents
一种基于元胞自动机的新冠密切接触人员数据获取方法 Download PDFInfo
- Publication number
- CN112185579B CN112185579B CN202010840941.1A CN202010840941A CN112185579B CN 112185579 B CN112185579 B CN 112185579B CN 202010840941 A CN202010840941 A CN 202010840941A CN 112185579 B CN112185579 B CN 112185579B
- Authority
- CN
- China
- Prior art keywords
- cell
- close contact
- cellular
- buffer area
- track
- 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
- 230000001413 cellular effect Effects 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004080 punching Methods 0.000 claims description 5
- 208000024891 symptom Diseases 0.000 claims description 4
- 208000015181 infectious disease Diseases 0.000 description 6
- 238000011160 research Methods 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 1
- 241000711573 Coronaviridae Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009340 pathogen transmission Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于元胞自动机的新冠密切接触人员数据获取方法,包括:步骤1:获取病例身份信息并查询病例的轨迹信息;步骤2:针对病例轨迹点,获取缓冲区,确定搜索范围;步骤3:以选定的缓冲区范围为元胞空间,以在该范围内来往的人员为元胞,确定元胞自动机的邻域大小;步骤4:根据密切接触判断条件,形成元胞自动机搜索机制,通过多时段的轨迹分析,获得密切接触人员数据;步骤5:对密切接触人员进行预警。与现有技术相比,本发明具有有效搜索区域内的新冠密切接触人员、适用性强、实用性好等优点。
Description
技术领域
本发明涉及新冠感染人员搜索技术领域,尤其是涉及一种基于元胞自动机的新冠密切接触人员数据获取方法。
背景技术
新冠肺炎在全球范围内广泛传播,疫情大流行仍在加速,已经对世界各地的人民健康和经济发展造成巨大威胁。该病毒具有极强的传染性,其传播会受到各种因素的影响,但主要通过呼吸道飞沫传播和接触传播。在日常生活中,铁路、航空等交通工具的运营导致大范围的人口流动,增多了人与人之间的接触,使疫情排查的难度加大。商场、学校等大型公共场所若防范不当,会成为聚集性疫情的高发地。只有精准掌握特定人口的移动轨迹,运用正确的病例搜索方法,才能确保疫情得到有效防范和控制,现有技术中还未有一种针对区域内新冠密切接触人员的数据获取方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种有效搜索区域内的新冠密切接触人员、适用性强、实用性好的基于元胞自动机的新冠密切接触人员数据获取方法。
本发明的目的可以通过以下技术方案来实现:
一种基于元胞自动机的新冠密切接触人员数据获取方法,包括:
步骤1:获取病例身份信息并查询病例的轨迹信息;
步骤2:针对病例轨迹点,获取缓冲区,确定搜索范围;
步骤3:以选定的缓冲区范围为元胞空间,以在该范围内来往的人员为元胞,确定元胞自动机的邻域大小;
步骤4:根据密切接触判断条件,形成元胞自动机搜索机制,通过多时段的轨迹分析,获得密切接触人员数据;
步骤5:对密切接触人员进行预警。
优选地,所述的步骤1中病例的轨迹信息获取方法为:
由人员主动上报的轨迹信息、移动终端打卡获取的轨迹信息以及既有的位置定位采集程序获取的人员轨迹信息。
优选地,所述的缓冲区具体为:
针对一个病例元胞A,缓冲区可表达为:
P={x|d(x,A)≤r}
其中,d为点x到轨迹点A的距离;r为缓冲区半径。
更加优选地,所述的缓冲区半径r的获取方法为:
在时间和空间两个维度上进行多尺度的缓冲区分析,考虑患病人员影响范围,最终获取缓冲区半径r。
优选地,所述的元胞自动机为二维元胞自动机。
更加优选地,所述的元胞自动机的邻域为冯诺依曼型邻域、摩尔型邻域或马格勒斯型邻域。
优选地,所述的密切接触判断条件为:在缓冲区内与患病人员轨迹相交次数。
更加优选地,所述的元胞自动机的轨迹相交次数获取方法为:
将出现新冠症状的人员设为元胞A,状态为1,该元胞A在不同时间点位置是变化的,将步骤2中缓冲区范围设置为元胞自动机的搜索范围,在该范围内其他人分别为一个元胞,即元胞B、元胞C、元胞D等,且状态均为0,各个元胞的位置在不同的时间点,位置也是变化的;
不同时间段内各个元胞有不同的运动轨迹,通过预设的运动轨迹采集时间间隔采集预设时间段内每个元胞的运动轨迹,元胞A访问缓冲区内所有的元胞,在搜索缓冲区内其他元胞时,若被访问元胞位于元胞A的邻域范围内,则将该元胞与元胞A的轨迹相交次数记为1,否则记为零。
更加优选地,所述的元胞自动机的搜索方法为:
通过计数累加的方式获取缓冲区内各个元胞与元胞A的轨迹相交次数,最终通过判断各元胞轨迹相交次数与预设阈值n的关系判断各个元胞是否为密切接触人员。
优选地,所述的步骤5具体为:
获取密切接触人员数据后,通过可视化界面进行预警,同时获取密切接触人员的实时定位信息,若密切接触人员的活动范围超过预设阈值后,通过可视化界面对该密切接触人员进行预警。
与现有技术相比,本发明具有以下优点:
一、有效搜索区域内的新冠密切接触人员:本发明以既有的地图数据和智能返校系统中的学生轨迹数据为基础,研发了一种基于元胞自动机和缓冲区的新冠感染人员搜索方法,该方法首先通过确定患病人员身份并查询其轨迹信息,实现对该病例轨迹点进行多空间、多时段的缓冲区分析,缓冲区大小用来确定后续元胞自动机搜索的范围;然后以患病人员及其影响人群作为元胞,综合实际情况确定元胞自动机邻域大小,并把影响人群和患病人员轨迹相交次数作为判断条件,运行元胞自动机搜索机制,通过多时段的轨迹分析,能够搜索到锁定新冠密切接触人员,对搜索出的密切接触人员进行及时的隔离措施。
二、适用性强:本发明中的新冠密切接触人员数据获取方法也可推广应用至其他组织复工系统,有助于快速找到、管住疫情传染源,并能够有力有效地阻断传播途径,确保疫情得到有效防范和控制。
三、实用性好:本发明中的新冠密切接触人员数据获取方法不仅可以搜索新冠密切接触人员,还可以对正在隔离人员进行定位监控,若隔离人员超出正常活动范围,则进行预警,大大调高了实用性。
附图说明
图1为本发明中新冠密切接触人员数据获取方法的流程示意图。
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清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
建立缓冲区是地理空间分析的重要手段之一。通过给定一个空间实体,在实体周围建立一定半径的缓冲带状区域,用来确定该空间实体对周围环境的服务或影响范围,解决不同地理要素的空间邻近性和邻近程度的问题。该方法目前被广泛应用于解决城市规划、环境监测等领域。
元胞自动机作为一种自下而上的系统动力学模型,它在时间、空间和状态上都离散,符合新冠肺炎等传染病的特点,经常被用于传染病方面的建模研究。除了能够模拟时空演化过程以外,元胞自动机同时也具有较强的全局搜索能力,在根据需求制定规则后,能够精准、高效的搜索预期对象。
本文拟构建一种基于元胞自动机的新冠密切接触人员数据获取方法,并将其纳入同济大学智能返校系统中。该方法通过对相关人员的轨迹进行追踪,在出现确诊病例时能够沿其轨迹并对其特定大小缓冲区范围内的接触者进行识别和研判,利用元胞自动机的邻域思想制定出特定规则实现进一步搜索,精准找出新冠感染人员及其密切接触者。
一种基于元胞自动机的新冠密切接触人员数据获取方法,其流程如图1所示,包括:
步骤1:获取病例身份信息并查询病例的轨迹信息,轨迹信息的具体获取方法为l:由人员主动上报的轨迹信息、移动终端打卡获取的轨迹信息以及既有的位置定位采集程序获取的人员轨迹信息;
步骤2:针对病例轨迹点,获取缓冲区,确定搜索范围;
针对一个病例元胞A,缓冲区可表达为:
P={x|d(x,A)≤r}
其中,d为点x到轨迹点A的距离;r为缓冲区半径;
缓冲区半径r的获取方法为:在时间和空间两个维度上进行多尺度的缓冲区分析,考虑患病人员影响范围,最终获取缓冲区半径r。
步骤3:以选定的缓冲区范围为元胞空间,以在该范围内来往的人员为元胞,确定元胞自动机的邻域大小;
步骤4:根据密切接触判断条件,形成元胞自动机搜索机制,通过多时段的轨迹分析,获得密切接触人员数据;
步骤5:对密切接触人员进行预警,具体为:
获取密切接触人员数据后,通过可视化界面进行预警,同时获取密切接触人员的实时定位信息,若密切接触人员的活动范围超过预设阈值后,通过可视化界面对该密切接触人员进行预警。
本实施例中选取的元胞自动机为二维元胞自动机,元胞的邻域为冯诺依曼型邻域、摩尔型邻域或马格勒斯型邻域。
本实施例中的密切接触判断条件具体为:在缓冲区内与患病人员轨迹相交次数。
轨迹相交次数的获取方法为:
将出现新冠症状的人员设为元胞A,状态为1,该元胞A在不同时间点位置是变化的,将步骤2中缓冲区范围设置为元胞自动机的搜索范围,在该范围内其他人分别为一个元胞,即元胞B、元胞C、元胞D等,且状态均为0,各个元胞的位置在不同的时间点,位置也是变化的;
不同时间段内各个元胞有不同的运动轨迹,通过预设的运动轨迹采集时间间隔采集预设时间段内每个元胞的运动轨迹,元胞A访问缓冲区内所有的元胞,在搜索缓冲区内其他元胞时,若被访问元胞位于元胞A的邻域范围内,则将该元胞与元胞A的轨迹相交次数记为1,否则记为零。
本实施例中元胞自动机的搜索方法为:通过计数累加的方式获取缓冲区内各个元胞与元胞A的轨迹相交次数,最终通过判断各元胞轨迹相交次数与预设阈值n的关系判断各个元胞是否为密切接触人员。
下面提供一种具体的实施例,该实施例是将本发明中的方法应用在学校区域内,针对本实施例中新冠密切接触人员数据获取方法的数据来源以及研究方法进行说明。
一、数据来源
(1)地图数据
可选择调用现有的网络地图服务为感染人员搜索功能实现提供地图数据,如高德地图Web服务API实现地图显示、添加标记、位置搜索、定位等功能。高德地图的调用使得在追踪患者的过程中能够准确定位其轨迹并进行标记。同时对于一些重要场景,也能迅速准确地实现对这些关键点的搜索与定位。
(2)相关人员轨迹数据
感染人员的搜索主要依赖于相关人员的详细轨迹信息,轨迹信息的收集可以采取主动上报及位置定位采集两种方法相结合完成。以既有的智能返校系统为例,学生轨迹数据的采集分为两种途径,一种是轨迹信息填报,一种是轨迹追踪数据。轨迹信息填报数据是由学生主动通过问卷星的每日打卡更新到系统的数据库中,打卡内容包括学生在疫情期间的健康、位置等各种信息。轨迹追踪数据来源于位置定位采集小程序,输入需要查询的学号、时间段范围,系统将列出该段时间范围内该学生的轨迹详情。
二、研究方法
(1)搜索流程
首先基于地图数据和相关人员轨迹数据,输入患者的身份信息,查询到患者的轨迹点。根据患病人员对周围人群和环境的实际影响情况,以患病人员的位置或停留时间较长、人流密集的地点为中心建立多尺度缓冲区,建立的缓冲区后续会用于确定元胞自动机搜索的范围。在元胞自动机搜索模型中,将患病人员和缓冲区影响范围内的人员作为元胞,并根据实际情况为患病人员元胞设定确定大小的邻域,将与患病人员轨迹点的相交次数作为感染风险较高人群的判定条件。
(2)缓冲区分析
缓冲区是地理空间目标的一种影响范围或服务范围,具体指在点、线、面实体的周围自动建立的一定宽度的多边形以解决邻近度问题。根据轨迹点即患者短期停留的地点设置缓冲区,能够初步确定患者在某时刻可能传染的范围。从数学的角度来看,对于病例的一个轨迹点A,它的缓冲区可定义为:
P={x|d(x,A)≤r}
式中:d一般是指欧氏距离,也可以指其他距离;r为缓冲区半径。
在设置缓冲区半径时,可以考虑病原体传播动力学参数、地区人口密度和患者出行方式等参数,根据实际情况调整缓冲区半径。同时,对于一些人流来往密集的特殊场所,诸如校园内的图书馆、食堂、教学楼等地点,需要在不同时间段对其所影响范围进行监控与搜索。通过在时间和空间两个维度上进行多尺度的缓冲区分析,能够更加全面地对人员轨迹进行分析,以此达到最佳的搜索效果。
(3)元胞自动机搜索
元胞自动机的基本组成部分包括元胞、元胞空间、邻域、规则和时间。
在某一个时刻,一个元胞只能有一种元胞状态,而元胞在下一时刻的状态通常取决于元胞本身的状态与邻域元胞的数量、连接方式和状态。在一维元胞自动机中,以半径来确定邻域;在二维元胞自动机中,邻域类型包括冯·诺依曼型、摩尔型和马哥勒斯型。
本实施例中用于搜索的元胞自动机是二维的,在对邻域类型和大小、元胞间的最大轨迹相交次数进行设置时,将新冠确诊病例影响的实际范围和具体情况作为最主要的参考条件。具体的搜索方法为:
将出现新冠症状的人员设为元胞A,状态为1,该元胞A在不同时间段内位置是变化的。将缓冲区大小作为元胞自动机搜索的特定范围,该范围内的其他每个人都相当于一个元胞,即元胞B、元胞C等,且状态均为0,各个元胞的位置在不同的时间点同样处于不断变化之中。
不同时间点各个元胞都有不同的运动轨迹,在运行元胞自动机时可根据需求设置搜索的时间段。元胞A可访问特定范围内的全部元胞,以搜索元胞B为例:时间段为T1时,元胞A首次访问位于缓冲区范围内的元胞B,此时元胞B的位置有两种状态:位于元胞A邻域范围外或位于元胞A邻域范围内。当元胞B被搜索到位于元胞A邻域范围内时,与元胞A的轨迹相交次数记为1;否则记为0。时间段为T2时,若元胞B仍位于受到元胞A影响的缓冲区范围内,元胞A将再次访问元胞B,元胞B仍然有两种状况:位于元胞A邻域范围外或位于元胞A邻域范围内,当元胞B被搜索到再次位于元胞A邻域范围内时,轨迹相交次数记为2,否则记为0。设置与元胞A的邻域轨迹相交次数大于n的元胞作为最终的搜索结果,并在搜索结束后将符合条件的元胞的状态将改为1。
根据已有的数据,先利用缓冲区分析法划定出新冠确诊病例影响的大致范围,确定元胞自动机要搜索的所有元胞,即新冠确诊病例影响范围内的其他人员;制定元胞自动机邻域搜索规则,运行元胞自动机搜索方法判断这些元胞是否满足规则条件,进一步缩小搜索范围,使得搜索结果更加精准。最后将满足全部规则条件的元胞分类为密切接触人员和非密切接触人员。
下面对本实施例中的具体实施结果进行分析。
(1)缓冲区分析
当确定确诊病例的身份后,首先需要回溯该确诊病例的轨迹,用于搜索在相同时间和地点出现的其他人员。以既有的智能返校系统为例,这一过程通过学生轨迹追溯子系统来实现。在轨迹追踪面板,输入该名患者学生的学号以及要查询的时间段范围,点击“查询”,系统将列出该段时间范围内该学生的轨迹详情。该学生在轨迹追踪面板所显示的每一条轨迹都能精准定位,如“2020-03-13 13:33:41”这一轨迹点,点击轨迹列表中的“定位”按钮,将对患者该轨迹点的位置进行定位。
点击轨迹追踪面板中的“分析”按钮后,弹出轨迹分析面板。轨迹分析面板能够基于该患者此时的位置进行分析,并以该位置为中心点建立圆形缓冲区,默认半径为500m,时间设置为此条轨迹追踪时刻的前后1小时范围内,可以搜索到这一时间段内到过该缓冲区的学生,在“2020-03-13 12:45:54至2020-03-13 14:45:54”这一时间段,共有两名学生到过该患者周边500米缓冲区范围内。
根据患者学生的轨迹,可以提取该学生到达过的不同地点。通过对时间、地点和影响范围进行定制分析,搜索可能存在的密切接触者。将地址定位到相应地点后,选择“2020-03-13 12:00:00至2020-03-13 16:00:00”这一时间段,以定位点为中心,将缓冲区半径设置为200米,可以得到相应的查询结果。结果显示在这一影响范围内的学生共有四名,通过学号可以精确找到除患者学生以外的其他三名接触者。
(2)元胞自动机搜索结果
根据缓冲区分析获取的结果,能够确定用于元胞自动机搜索的元胞总数。整个缓冲区的面积范围为元胞自动机的整体搜索范围,可将作为缓冲区中心的新冠患者设为元胞A,元胞状态为1,该元胞邻域大小设为20m。该缓冲区中所有影响到的健康人员均作为被搜索元胞,其元胞状态均为0。设定搜索状态为0的元胞中与元胞A轨迹相交次数(密切接触次数)大于等于2的元胞为被感染风险较高的人群。
这里以两个时间段为例,即利用元胞自动机进行两次病例搜索。既有返校系统中患病学生在“2020-05-23 11:45:31至2020-05-23 13:45:31”和“2020-05-23 21:42:11至2020-05-23 23:42:11”这两个时间段一直位于宿舍内部。由于连接校外宿舍和校园的主干道只有一条,500m缓冲区范围内涉及到的学生较多。以健康学生元胞B、C、D为例,元胞B在这两个时间段内位于元胞A的20m邻域范围内,将与元胞A的轨迹相交次数记为2,则学生B和患者学生密切接触次数为2。元胞C在第一个时间段内位于元胞A的20m邻域范围内,将轨迹相交次数记为1;在第二个时间段内位于元胞A的20m邻域范围外,轨迹相交次数在两次搜索结束后仍为1,则学生C和患者学生密切接触次数为1。元胞D在两个时间段内均位于元胞A的20m邻域范围外,轨迹相交次数为0,则学生D和患者学生密切接触次数为0。经过两次搜索,结果显示:学生B为患者学生A的密切接触者,学生C和D在两次搜索中未满足密切接触者条件,是否为密切接触者可以设置其他时间段再次进行搜索判定。
(3)渲染
在利用缓冲区进行搜索时,建立的缓冲区内不同人员的轨迹点分别由不同的颜色显示。当缓冲区内出现多种颜色时,默认显示出的颜色对比度都比较大,有助于系统用户准确识别要查找的对象。
(4)警报
基于元胞自动机和缓冲区的新冠感染人员搜索一旦完成,需要对满足搜索条件的目标人员及时做出反应,患病人员的密切接触者应当被隔离并切断与其他健康人员的接触渠道。通过掌握患病人员以及其密切接触者的轨迹点,能够有效监测并避免他们与健康人员的直接接触,一旦出现轨迹异常将会启动警报装置。对患者人员最近停留过的区域进行封锁消毒,在封锁期间若有其他人员轨迹异常,如出现在封锁区域范围附近,同样启动警报装置,并尽早向同样曾在该区域停留过但其他搜索结果为非密切接触者的人员发出警报,确保有效控制新冠病毒的传染,提高疫情管理质量。
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,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于元胞自动机的新冠密切接触人员数据获取方法,其特征在于,包括:
步骤1:获取病例身份信息并查询病例的轨迹信息;
步骤2:针对病例轨迹点,获取缓冲区,确定搜索范围;
所述的缓冲区具体为:
针对某病例的轨迹点a,缓冲区可表达为:
P={x|d(x,a)≤r}
其中,d为点x到轨迹点a的距离;r为缓冲区半径;
步骤3:以选定的缓冲区范围为元胞空间,以在该范围内来往的人员为元胞,确定元胞自动机的邻域大小;
步骤4:根据密切接触判断条件,形成元胞自动机搜索机制,通过多时段的轨迹分析,获得密切接触人员数据;
所述的密切接触判断条件为:在缓冲区内与患病人员轨迹相交次数;
所述的元胞自动机的轨迹相交次数获取方法为:
将出现新冠症状的人员设为元胞A,状态为1,该元胞A在不同时间点位置是变化的,将步骤2中缓冲区范围设置为元胞自动机的搜索范围,在该范围内其他人分别为一个元胞,且状态均为0,各个元胞的位置在不同的时间点,位置也是变化的;
不同时间段内各个元胞有不同的运动轨迹,通过预设的运动轨迹采集时间间隔采集预设时间段内每个元胞的运动轨迹,元胞A访问缓冲区内所有的元胞,在搜索缓冲区内其他元胞时,若被访问元胞位于元胞A的邻域范围内,则将该元胞与元胞A的轨迹相交次数记为1,否则记为零;
所述的元胞自动机的搜索方法为:
通过计数累加的方式获取缓冲区内各个元胞与元胞A的轨迹相交次数,最终通过判断各元胞轨迹相交次数与预设阈值n的关系判断各个元胞是否为密切接触人员;
步骤5:对密切接触人员进行预警。
2.根据权利要求1所述的一种基于元胞自动机的新冠密切接触人员数据获取方法,其特征在于,所述的步骤1中病例的轨迹信息获取方法为:
由人员主动上报的轨迹信息、移动终端打卡获取的轨迹信息以及既有的位置定位采集程序获取的人员轨迹信息。
3.根据权利要求1所述的一种基于元胞自动机的新冠密切接触人员数据获取方法,其特征在于,所述的缓冲区半径r的获取方法为:
在时间和空间两个维度上进行多尺度的缓冲区分析,考虑患病人员影响范围,最终获取缓冲区半径r。
4.根据权利要求1所述的一种基于元胞自动机的新冠密切接触人员数据获取方法,其特征在于,所述的元胞自动机为二维元胞自动机。
5.根据权利要求4所述的一种基于元胞自动机的新冠密切接触人员数据获取方法,其特征在于,所述的元胞自动机的邻域为冯诺依曼型邻域、摩尔型邻域或马格勒斯型邻域。
6.根据权利要求1所述的一种基于元胞自动机的新冠密切接触人员数据获取方法,其特征在于,所述的步骤5具体为:
获取密切接触人员数据后,通过可视化界面进行预警,同时获取密切接触人员的实时定位信息,若密切接触人员的活动范围超过预设阈值后,通过可视化界面对该密切接触人员进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010840941.1A CN112185579B (zh) | 2020-08-20 | 2020-08-20 | 一种基于元胞自动机的新冠密切接触人员数据获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010840941.1A CN112185579B (zh) | 2020-08-20 | 2020-08-20 | 一种基于元胞自动机的新冠密切接触人员数据获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112185579A CN112185579A (zh) | 2021-01-05 |
CN112185579B true CN112185579B (zh) | 2022-09-20 |
Family
ID=73923921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010840941.1A Active CN112185579B (zh) | 2020-08-20 | 2020-08-20 | 一种基于元胞自动机的新冠密切接触人员数据获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112185579B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112735605A (zh) * | 2021-01-22 | 2021-04-30 | 中国银行股份有限公司 | 人员密切接触识别追踪分析方法及装置 |
CN113081025B (zh) * | 2021-03-10 | 2022-04-29 | 华中科技大学 | 一种基于肺音的新冠肺炎智能诊断系统和装置 |
CN114676568B (zh) * | 2022-01-17 | 2022-09-23 | 中国地质大学(北京) | 一种基于元胞自动机的区域地质构造演化方法及装置 |
CN115294684A (zh) * | 2022-08-04 | 2022-11-04 | 广东外语外贸大学南国商学院 | 无自主感应的基于位置圆接触模型的通行检查方法 |
CN116631598B (zh) * | 2023-07-24 | 2023-12-08 | 云天智能信息(深圳)有限公司 | 一种医疗可穿戴设备智能控制方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184512A (zh) * | 2011-05-10 | 2011-09-14 | 天津大学 | 利用手机数据发现城市活动中异常事件的方法 |
CN104850677A (zh) * | 2015-03-25 | 2015-08-19 | 武汉大学 | 基于地理信息系统的深度学习元胞自动机仿真分析方法 |
CN107194819A (zh) * | 2017-06-18 | 2017-09-22 | 太原理工大学 | 基于元胞自动机的信息传播模型 |
CN111447552A (zh) * | 2020-03-26 | 2020-07-24 | 深圳中兴网信科技有限公司 | 人群轨迹交叉识别方法、系统和装置和可读存储介质 |
CN111477340A (zh) * | 2020-04-13 | 2020-07-31 | 深圳前海微众银行股份有限公司 | 传染病接触情况检测方法、装置、设备及可读存储介质 |
-
2020
- 2020-08-20 CN CN202010840941.1A patent/CN112185579B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184512A (zh) * | 2011-05-10 | 2011-09-14 | 天津大学 | 利用手机数据发现城市活动中异常事件的方法 |
CN104850677A (zh) * | 2015-03-25 | 2015-08-19 | 武汉大学 | 基于地理信息系统的深度学习元胞自动机仿真分析方法 |
CN107194819A (zh) * | 2017-06-18 | 2017-09-22 | 太原理工大学 | 基于元胞自动机的信息传播模型 |
CN111447552A (zh) * | 2020-03-26 | 2020-07-24 | 深圳中兴网信科技有限公司 | 人群轨迹交叉识别方法、系统和装置和可读存储介质 |
CN111477340A (zh) * | 2020-04-13 | 2020-07-31 | 深圳前海微众银行股份有限公司 | 传染病接触情况检测方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112185579A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112185579B (zh) | 一种基于元胞自动机的新冠密切接触人员数据获取方法 | |
Huang et al. | Transport mode detection based on mobile phone network data: A systematic review | |
Chen et al. | From traces to trajectories: How well can we guess activity locations from mobile phone traces? | |
CN109543312B (zh) | 一种时空侦查分析方法及系统 | |
Huang et al. | Predicting human mobility with activity changes | |
DE202015009183U1 (de) | Das Analysieren semantischer Orte und verwandter Daten aus einer Vielzahl von Standortdatenberichten | |
CN105740615A (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 | |
CN105225515A (zh) | 一种基于电子围栏的监控方法及系统 | |
CN108170793A (zh) | 基于车辆语义轨迹数据的停留点分析方法及其系统 | |
CN102843547A (zh) | 一种嫌疑目标智能追踪方法和系统 | |
Quinn et al. | Computational sustainability and artificial intelligence in the developing world | |
Yu et al. | Trajectory outlier detection approach based on common slices sub-sequence | |
CN108898520B (zh) | 基于轨迹数据的学生安全监控方法和系统 | |
CN114444794B (zh) | 基于双注意力图嵌入网络的出行意图预测方法 | |
CN111767432B (zh) | 共现对象的查找方法和装置 | |
Zhao et al. | Dynamic community detection considering daily rhythms of human mobility | |
CN111783295A (zh) | 城市社区特定人行为链动态识别与预测评估方法及系统 | |
Shad et al. | Cell oscillation resolution in mobility profile building | |
CN115587503B (zh) | 基于多模式仿真的个体出行链还原方法 | |
CN106454233A (zh) | 人群聚集的智能监控方法和系统 | |
Moosavi et al. | Annotation of car trajectories based on driving patterns | |
CN113161003A (zh) | 一种传染病患者活动轨迹和接触者追踪登记系统及方法 | |
Santiago-Chaparro et al. | Automated turning movement counts for shared lanes: leveraging vehicle detection data | |
Shad et al. | Precise location acquisition of mobility data using cell-id | |
Abdullah et al. | Additional feet-on-the-street deployment method for indexed crime prevention initiative |
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 |