CN112233808B - 感染风险的预测方法、设备及存储介质 - Google Patents
感染风险的预测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN112233808B CN112233808B CN202011108919.4A CN202011108919A CN112233808B CN 112233808 B CN112233808 B CN 112233808B CN 202011108919 A CN202011108919 A CN 202011108919A CN 112233808 B CN112233808 B CN 112233808B
- Authority
- CN
- China
- Prior art keywords
- encrypted
- trajectory information
- space
- time
- infection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/606—Protecting data by securing the transmission between two devices or processes
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Bioethics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种感染风险的预测方法、设备及存储介质,所述方法包括:发送所述移动设备的加密ID至预设范围内的定位设备,以使所述定位设备为所述加密ID匹配加密时空参考轨迹信息,并发送加密时空参考轨迹信息至协调设备,从协调设备获取加密ID对应的加密预测时空轨迹信息,获取传染病感染风险的目标预测模型,将加密预测时空轨迹信息输入所述目标预测模型,得到待检测用户对应的传染病感染风险结果。利用多个定位设备的时空参考轨迹信息,整合计算得到待检测用户的时空轨迹信息,从而可以利用目标预测模型进行感染风险的预测,实现了对缺失时空轨迹信息人员的检测,扩大了传染病感染风险模型的适用范围。
Description
技术领域
本发明涉及金融科技领域,尤其涉及一种感染风险的预测方法、训练方法、设备及存储介质。
背景技术
传染性传染病是严重威胁人民群众健康和公共卫生的重要传染病,对于潜伏期较长的传染疫情,很多传染病的确诊病例在确诊之前并没有明显的症状,并未得到及时的隔离,在潜伏期会无形的传染很多人。随着疫情的爆发,大家都比较关心自己是否与确诊病例有过近距离接触,例如,是否与确诊、疑似病人同乘一个航班,一列火车,一辆大巴,同处过一个菜市场、商场、饭店等。
为了遏制新型冠状病毒肺炎疫情的传播,许多地方政府推行了“健康码”、“绿码”制度。这类标识可作为判断持有者是否是新冠肺炎感染者或密切接触者等的依据,有利于社会复工复产进程的推进,在许多地方得到广泛实施。然而,对于一些缺失时空轨迹信息且尚未被确诊的潜在感染人员,现有的“健康码”、“绿码”等方法无法有效地检测出这类人群的传染风险。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种感染风险的预测方法、设备及存储介质,旨在解决现有传染病接触者的检测过程中,由于待检测用户缺失时空轨迹信息而导致无法对其传染风险进行评估的技术问题。
为实现上述目的,本发明提供一种感染风险的预测方法,应用于待检测用户对应的移动设备,所述的感染风险的预测方法包括:
发送所述移动设备的加密ID至预设范围内的定位设备,以使所述定位设备为所述加密ID匹配加密时空参考轨迹信息,并发送所述加密时空参考轨迹信息至协调设备,其中,所述定位设备与所述移动设备以及所述协调设备相互之间通信连接;
在接收到感染风险检测指令时,从所述协调设备获取所述加密ID对应的加密预测时空轨迹信息,其中,所述加密预测时空轨迹信息是基于所述加密时空参考轨迹信息整合计算得到的;
获取传染病感染风险的目标预测模型,将所述加密预测时空轨迹信息输入所述目标预测模型,得到所述待检测用户对应的传染病感染风险结果,其中,所述目标预测模型是基于传染病确诊用户的时空轨迹信息得到的。
进一步地,所述将所述加密预测时空轨迹信息输入所述目标预测模型,得到所述待检测用户对应的传染病感染风险结果的步骤包括:
将所述加密预测时空轨迹信息输入所述目标预测模型,得到所述待检测用户与传染病确诊用户时空距离小于预设值的轨迹点;
基于所述轨迹点,确定所述待检测用户对应的传染病感染风险结果。
进一步地,所述基于所述轨迹点,确定所述待检测用户对应的传染病感染风险结果的步骤包括:
基于所述目标预测模型获取所述轨迹点各自对应的感染率,并对所述轨迹点各自对应的感染率进行加权求和运算,得到求和后的感染率;
根据求和后的感染率所处阈值区间,确定所述待检测用户与传染病确诊用户的接触程度。
为实现上述目的,本发明还提供一种感染风险的预测方法,应用于协调设备,所述感染风险的预测方法包括:
确定加密ID对应的加密时空参考轨迹信息的定位类型,并基于所述定位类型以及所述加密时空参考轨迹信息计算得到所述加密预测时空轨迹信息;
将所述加密预测时空轨迹信息发送给待检测用户对应的移动设备进行传染病感染风险检测。
进一步地,所述确定加密ID对应的加密时空参考轨迹信息的定位类型的步骤包括:
对所述加密时空参考轨迹信息按照时间进行聚类,得到多个聚类分组;
基于所述聚类分组中包括的加密时空参考轨迹信息数量确定各个聚类分组对应的定位类型;
所述基于所述定位类型以及所述加密时空参考轨迹信息计算得到所述加密预测时空轨迹信息的步骤包括:
根据所述聚类分组对应的定位类型以及所述聚类分组中加密时空参考轨迹信息,计算得到所述各个聚类分组对应的加密目标时空轨迹信息;
对所述各个聚类分组对应的加密目标时空轨迹信息进行合并处理,将合并后的加密目标空轨迹信息确定为所述加密预测时空轨迹信息。
进一步地,所述基于所述聚类分组中包括的加密时空参考轨迹信息数量确定各个聚类分组对应的定位类型的步骤包括:
当所述聚类分组包括的加密时空参考轨迹信息数量等于第一阈值时,所述定位类型为一维定位;
当所述聚类分组中包括的加密时空参考轨迹信息数量大于第一阈值且小于第二阈值时,所述定位类型为二维定位;
当所述聚类分组中包括的加密时空参考轨迹信息数量大于或等于第二阈值时,所述定位类型为多维定位。
进一步地,所述根据所述聚类分组对应的定位类型以及所述聚类分组中加密时空参考轨迹信息,计算得到所述各个聚类分组对应的加密目标时空轨迹信息的步骤包括:
当所述定位类型为一维定位时,将所述聚类分组中的加密时空参考轨迹信息确定为所述加密目标时空轨迹信息;
当所述定位类型为二维定位或多维定位时,确定所述聚类分组中的各个加密时空参考轨迹信息分别到达所述移动终端的距离及角度,基于所述距离及角度计算得到所述加密目标时空轨迹信息。
为实现上述目的,本发明还提供一种设备,所述设备为移动终端,所述感染风险的预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的感染风险的预测程序,所述感染风险的预测程序被所述处理器执行时实现如上所述的感染风险的预测方法的步骤。
为实现上述目的,本发明还提供一种设备,所述设备为协调方,所述感染风险的预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的感染风险的预测程序,所述感染风险的预测程序被所述处理器执行时实现如上所述的感染风险的预测方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有感染风险的预测程序,所述感染风险的预测程序被处理器执行时实现如上所述的感染风险的预测方法的步骤。
本发明发送所述移动设备的加密ID至预设范围内的定位设备,以使所述定位设备为所述加密ID匹配加密时空参考轨迹信息,并发送所述加密时空参考轨迹信息至协调设备,其中,所述定位设备与所述移动设备以及所述协调设备相互之间通信连接,而后在接收到感染风险检测指令时,从所述协调设备获取所述加密ID对应的加密预测时空轨迹信息,其中,所述加密预测时空轨迹信息是基于所述加密时空参考轨迹信息整合计算得到的,接下来获取传染病感染风险的目标预测模型,将所述加密预测时空轨迹信息输入所述目标预测模型,得到所述待检测用户对应的传染病感染风险结果,其中,所述目标预测模型是基于传染病确诊用户的时空轨迹信息得到的。利用多个定位设备的时空参考轨迹信息,整合计算得到待检测用户的时空轨迹信息,从而可以利用目标预测模型进行感染风险的预测,实现了对缺失时空轨迹信息人员的检测,扩大了传染病感染风险模型的适用范围。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的结构示意图;
图2为本发明感染风险的预测方法第一实施例的流程示意图;
图3为本发明感染风险的预测方法第二实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的结构示意图。
本发明实施例设备可以是PC,也可以是智能手机、智能电视机、平板电脑、便携计算机等具有显示功能的终端设备。
如图1所示,该设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的系统结构并不构成对设备的限定,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。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及感染风险的预测程序。
在图1所示的系统中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(客户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的基于交叉特征的建模程序。
在本实施例中,设备包括:存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的感染风险的预测程序,其中,处理器1001调用存储器1005中存储的感染风险的预测程序时,执行本申请各个实施例提供的感染风险的预测方法的步骤。
基于上述的结构,提出感染风险的预测方法的各个实施例。
本发明实施例提供了感染风险的预测方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
参照图2,图2为本发明感染风险的预测方法第一实施例的流程示意图。在本实施例中,所述感染风险的预测方法包括:
步骤S10,发送所述移动设备的加密ID至预设范围内的定位设备,以使所述定位设备为所述加密ID匹配加密时空参考轨迹信息,并发送所述加密时空参考轨迹信息至协调设备,其中,所述定位设备与所述移动设备以及所述协调设备相互之间通信连接;
在本实施例中,传染性传染病是严重威胁人民群众健康和公共卫生的重要传染病,涉及病种包含鼠疫、霍乱、传染性非典型肺炎、艾滋病、病毒性肝炎、伤寒、百白咳、流感和黑热病等各类传染病。传染病患者在呼吸过程中产生的废气会携带有大量传染病菌,并附着在所接触的物品上存活一定时间。大家都比较关心自己是否与确诊病例有过近距离接触。
如前所述,为了遏制新型冠状病毒肺炎疫情的传播,许多地方政府推行了“健康码”、“绿码”制度,这类标识可作为判断持有者是否是新冠肺炎感染者或密切接触者等的依据。但是,目前健康码的获取涉及用户行动轨迹数据的分享,对于一些缺失时空轨迹信息且尚未被确诊的潜在感染人员,现有的“健康码”、“绿码”等方法无法有效地检测出这类人群的传染风险。本发明提出的感染风险的预测方法,利用多个定位设备的时空参考轨迹信息,整合计算得到待检测用户的时空轨迹信息,从而可以利用目标预测模型进行感染风险的预测,实现了对缺失时空轨迹信息人员的检测,扩大了传染病感染风险模型的适用范围。
具体地,待检测用户对应的移动终端,可以是手机、手环、手表等,但不具备或未开启GPS定位功能,因此无法获取待检测用户的时空轨信息,其中,时空轨迹信息是由用户活动过程中的位置点构成,每个位置点至少包括日期、时间、经度、纬度、海拔信息。定位设备是具有GPS定位功能的终端,拥有GPS定位功能,可以获取时空轨信息。待检测用户对应的移动终端通过蓝牙、NFC近场通信技术等与定位设备通信连接,待检测用户对应的移动终端将该移动终端的ID进行加密,加密方式可以采用同态加密或哈希算法等加密方法,其中,每个移动终端的ID是唯一可标识移动终端的。进一步地,待检测用户的移动终端将加密后的ID发送到定位设备,该定位设备在移动终端的预设范围内,距离不能太远,如果距离太远,则借助定位设备来推算移动终端的时空轨信息的误差会比较大,所以二者的距离越接近越,推算出的移动终端的时空轨信息精准度越高。
进一步地,定位设备在收到移动设备发送的加密ID后,立即获取此刻其时空轨信息,并将时空轨信息也进行加密,作为加密时空参考轨迹信息;接下来将加密ID与加密时空参考轨迹信息进行关联,发送至协调设备,有协调设备根据加密时空参考轨迹信息推算得到移动设备的时空轨迹信息,即加密预测时空轨迹信息。
步骤S20,在接收到感染风险检测指令时,从所述协调设备获取所述加密ID对应的加密预测时空轨迹信息,其中,所述加密预测时空轨迹信息是基于所述加密时空参考轨迹信息整合计算得到的;
在本实施例中,对待检测用户进行传染病感染风险检测,是利用目标预测模型进行预测,其中,目标预测模型是基于传染病确诊用户的时空轨迹信息得到的,。因此,在接收到感染风险检测指令时,必须要获取到待检测用户的时空轨迹信息,其中,感染风险检测指令由待检测用户的移动终端触发,可以通过扫描二维码触发检测指令,或者是待检测用户直接点按控件触发检测指令。
如前所述,移动设备发送其加密ID至预设范围内的定位设备,然后定位设备为该加密ID匹配加密时空参考轨迹信息,并发送加密时空参考轨迹信息到协调设备,需要说明的是,在预设范围内会包括多个定位设备,那么只要移动设备与定位设备已经建立了通信连接,那边这些定位设备都会接收到移动设备的加密ID,并且各个定位设备将各自的加密时空参考轨迹信息发送到协调设备,协调设备根据接收到的多个加密时空参考轨迹信息,并利用预设的计算规则,从而整合计算得到待检测用户对应的时空轨迹信息,即加密预测时空轨迹信息,时空轨迹信息是加密的。
步骤S30,获取传染病感染风险的目标预测模型,将所述加密预测时空轨迹信息输入所述目标预测模型,得到所述待检测用户对应的传染病感染风险结果,其中,所述目标预测模型是基于传染病确诊用户的时空轨迹信息得到的。
在本实施例中,首先获取传染病感染风险的目标预测模型,然后将待检测用户对应的加密预测时空轨迹信息输入该目标预测模型,可以对目标预测模型进行加密,从而得到待检测用户对应的传染病感染风险结果,其中,目标预测模型是基于传染病确诊用户的时空轨迹信息得到的,是对多个确诊用户的时空轨迹数据进行离散化及加密处理,并进行数据合并得到的。加密方式可以采用同态加密或哈希算法等不影响最终计算结果的加密方法,其中,同态加密是指这样一种加密函数,对明文进行加法和乘法运算再加密,与加密后对密文进行相应的运算,结果是等价的。
具体地,步骤S30包括:
步骤S31,将所述加密预测时空轨迹信息输入所述目标预测模型,得到所述待检测用户与传染病确诊用户时空距离小于预设值的轨迹点;
在本实施例中,移动终端成功接收到目标预测模型后,将加密预测时空轨迹信息输入加密的预测模型,得到待检测用户与传染病确诊用户时空距离小于预设值的轨迹点。
目标预测模型是由四维空间坐标系中的时空轨迹点组成,该四维空间坐标系由三维空间位置坐标系(x,y,z)和时间位置(t)构成,每一个时空轨迹点可以用一个四维数组(x,y,z,t)标识,表示在t时刻,用户的位置坐标是(x,y,z)。需要说明的是,目标预测模型所包括的时空轨迹点是多个已确诊用户的轨迹点,因此,每一个时空轨迹还对应一个感染风险值,也就是感染率,由预设规则计算得出,归一化至[0,1)区间内,越接近1表示感染风险越高。
具体地,将待检测用户的加密预测时空轨迹信息输入目标预测模型,即将加密预测时空轨迹信息与目标预测模型中的时空轨迹点进行匹配,可以得到待检测用户与传染病确诊用户时空距离小于预设值的轨迹点。需要说明的是,将加密预测时空轨迹信息与目标预测模型中的时空轨迹点进行匹配过程中,可以以目标预测模型中的时空轨迹点为中心,预设长度为半径,如3米,得到一个圆形的区域,在该区域出现,说明存在被感染的风险,目标预测模型中的多个时空轨迹点对应生成多个圆形的区域,这些区域可以用来与加密预测时空轨迹信息进行匹配,筛选出加密预测时空轨迹信息中存在感染风险的位置点。
进一步地,在进行匹配过程中,需要考虑时间覆盖范围,即当得到待检测用户与传染病确诊用户重合的轨迹点之前,即筛选出加密预测时空轨迹信息中存在感染风险的位置点,需要进一步确认,待确诊用户在这些位置点出现的时间是否在有效时间范围内,该有效时间范围是指确诊用户在这些位置点出现的时刻后的一段时长,具体的时长可以根据实际情况确定,如1小时,只有待检测用户出现的时间在有效时间范围内时,才能将该位置点确定为待检测用户与传染病确诊用户重合的轨迹点。
举例说明,假设待检测用户与确诊用户都在A地(x1,y1,z1)出现过,确诊用户出现的时间为t1,待检测用户出现的时间为t2,有效时间范围为[t1,t1+1小时],因此,必须要满足两个条件,才能确定A地为重合的轨迹点,第一个条件是:t2>t1,即待检测用户在确诊用户之后出现在A地;第二个条件是:t2-t1的差小于或等于1小时,因为超过1小时,待检测用户被感染的风险几乎降为0了,所以不用考虑这个重合点了。具体的有效时间范围根据具体情况确定,不同的环境如室内、室外、是否通风等,都会影响感染风险值。
步骤S32,基于所述轨迹点,确定所述待检测用户对应的传染病感染风险结果。
具体地,步骤S32包括:
步骤a,基于所述目标预测模型获取所述轨迹点各自对应的感染率,并对所述轨迹点各自对应的感染率进行加权求和运算,得到求和后的感染率;
步骤b,根据求和后的感染率所处阈值区间,确定所述待检测用户与传染病确诊用户的接触程度。
在本实施例中,在确定待检测用户与传染病确诊用户时空距离小于预设值的轨迹点后,在目标预测模型中,可以获取各个轨迹点各自对应的感染率,因为目标预测模型是由四维空间坐标系中的时空轨迹点组成,该四维空间坐标系由三维空间位置坐标系(x,y,z)和时间位置(t)构成,每一个时空轨迹点可以用一个四维数组(x,y,z,t)标识,因为目标预测模型所包括的时空轨迹点是多个已确诊用户的轨迹点,因此,每一个时空轨迹还对应一个感染风险值,也就是感染率,由预设规则计算得出,可以归一化至[0,1)区间内,越接近1表示感染风险越高。
进一步地,轨迹点对应的权值主要由待检测用户出现的时间、轨迹点与目标预测模型中相应的时空轨迹点之间的距离决定,待检测用户出现的时间与确诊用户出现的时间越接近,则重合的轨迹点对应的权值越大,重合的轨迹点与目标预测模型中相应的时空轨迹点之间的距离越小,则权值越大。
接下来,对轨迹点各自对应的感染率进行加权求和运算,即将所有轨迹点的感染率与其对应的权值的乘积进行相加,得到求和后的感染率,即加密预测时空轨迹信息对应的总体感染风险,根据求和后的感染率所处阈值区间,进一步确定待检测用户与传染病确诊用户的接触程度。
一般情况下,待检测用户与传染病确诊用户的接触程度可以分为三种:一是传染病确诊用户的密切接触者,其传染病感染风险为高危;二是非传染病轻度接触者,其传染病感染风险为一般;三是非传染病非接触者,其传染病感染风险为正常。可以设置第一阈值区间、第二阈值区间以及第三阈值区间,依次表示感染风险越来越大,则总体感染风险处于第一阈值区间,则确定该待检测用户为非传染病非接触者,其传染病感染风险为正常;若总体感染风险处于第二阈值区间,则确定该待检测用户是非传染病轻度接触者,其传染病感染风险为一般;若总体感染风险处于第三阈值区间,则确定该待检测用户是传染病确诊用户的密切接触者,传染病感染风险为高危。
本实施例提出的感染风险的预测方法,发送所述移动设备的加密ID至预设范围内的定位设备,以使所述定位设备为所述加密ID匹配加密时空参考轨迹信息,并发送所述加密时空参考轨迹信息至协调设备,其中,所述定位设备与所述移动设备以及所述协调设备相互之间通信连接,而后在接收到感染风险检测指令时,从所述协调设备获取所述加密ID对应的加密预测时空轨迹信息,其中,所述加密预测时空轨迹信息是基于所述加密时空参考轨迹信息整合计算得到的,接下来获取传染病感染风险的目标预测模型,将所述加密预测时空轨迹信息输入所述目标预测模型,得到所述待检测用户对应的传染病感染风险结果,其中,所述目标预测模型是基于传染病确诊用户的时空轨迹信息得到的。利用多个定位设备的时空参考轨迹信息,整合计算得到待检测用户的时空轨迹信息,从而可以利用目标预测模型进行感染风险的预测,实现了对缺失时空轨迹信息人员的检测,扩大了传染病感染风险模型的适用范围。
进一步地,基于上述第一实施例,提出本发明感染风险的预测方法第二实施例,在本发明感染风险的预测方法第二实施例中,所述感染风险的预测方法包括:
步骤A10,确定加密ID对应的加密时空参考轨迹信息的定位类型,并基于所述定位类型以及所述加密时空参考轨迹信息计算得到所述加密预测时空轨迹信息;
在本实施例中,协调设备根据接收到的多个加密时空参考轨迹信息,并利用预设的计算规则,从而整合计算得到待检测用户对应的时空轨迹信息,即加密预测时空轨迹信息。
具体地,步骤A10包括:
步骤A11,对所述加密时空参考轨迹信息按照时间进行聚类,得到多个聚类分组;
在本实施例中,协调设备根据接收到的多个加密时空参考轨迹信息,这样就存在同一时刻,加密ID对应多个加密时空参考轨迹信息的情况,因为加密时空参考轨迹信息也是经过离散化处理的,故可根据时间对协调设备接收到的所有加密时空参考轨迹信息进行聚类,从而得到多个聚类分组,每一个聚类分组中的加密时空参考轨迹信息是同一个加密ID在同一个时刻的定位数据。
步骤A12,基于所述聚类分组中包括的加密时空参考轨迹信息数量确定各个聚类分组对应的定位类型;
具体地,步骤A12包括:
步骤c,当所述聚类分组包括的加密时空参考轨迹信息数量等于第一阈值时,所述定位类型为一维定位;
步骤d,当所述聚类分组中包括的加密时空参考轨迹信息数量大于第一阈值且小于第二阈值时,所述定位类型为二维定位;
步骤e,当所述聚类分组中包括的加密时空参考轨迹信息数量大于或等于第二阈值时,所述定位类型为多维定位。
在本实施例中,聚类分组包括的加密时空参考轨迹信息数量可能为1个,2个或3个以上,这取决于待检测用户对应的移动设备在某个时刻与多少个定位设备进行交互,并且协调设备在该时刻成功接收到几个定位设备发送的加密时空参考轨迹信息,如果聚类分组包括的加密时空参考轨迹信息数量等于1,则聚类分组对应的定位类型为一维定位,同理,聚类分组包括的加密时空参考轨迹信息数量等于2,则聚类分组对应的定位类型为二维定位,如果聚类分组包括的加密时空参考轨迹信息数量为3个以上,则聚类分组对应的定位类型为多维定位。
步骤A13,根据所述聚类分组对应的定位类型以及所述聚类分组中加密时空参考轨迹信息,计算得到所述各个聚类分组对应的加密目标时空轨迹信息;
具体地,步骤A13包括:
步骤f,当所述定位类型为一维定位时,将所述聚类分组中的加密时空参考轨迹信息确定为所述加密目标时空轨迹信息;
步骤g,当所述定位类型为二维定位或多维定位时,确定所述聚类分组中的各个加密时空参考轨迹信息分别到达所述移动终端的距离及角度,基于所述距离及角度计算得到所述加密目标时空轨迹信息。
在本实施例中,当定位类型为一维定位时,则表明该聚类分组中只包括1个加密时空参考轨迹信息,故该聚类分组所对应时刻的加密时空参考轨迹信息为该加密时空参考轨迹信息。
进一步地,当定位类型为二维定位或多维定位时,则需要利用聚类分组中的各个加密时空参考轨迹信息进行几何计算得到加密目标时空轨迹信息。具体地,当定位设备接收到移动设备发送的加密ID时,可以计算出定位设备到移动终端的距离。
具体地,当定位类型为二维定位时,则表明该聚类分组中只包括2个加密时空参考轨迹信息,根据它们对应的2个定位设备到移动设备的距离,可以计算出二者的夹角,夹角的顶点即为移动设备的定位点,然后利用三角函数,计算得到该聚类分组所对应时刻的加密时空参考轨迹信息。进一步地,当定位类型为多维定位时,首先在多个加密时空参考轨迹信息选出3个,根据这3个定位设备到移动设备的距离,利用三角形三边关系公式,计算得到该聚类分组所对应时刻的加密时空参考轨迹信息。
步骤A14,对所述各个聚类分组对应的加密目标时空轨迹信息进行合并处理,将合并后的加密目标空轨迹信息确定为所述加密预测时空轨迹信息。
在本实施例中,各个聚类分组对应不同的时刻,因此,需要将各个聚类分组对应的加密目标时空轨迹信息进行合并处理,从而得到一个时空轨迹信息的结合,该集合即为待检测用户对应的加密预测时空轨迹信息。
步骤A20,将所述加密预测时空轨迹信息发送给待检测用户对应的移动设备进行传染病感染风险检测。
在本实施例中,协调设备生成加密预测时空轨迹信息后,协调设备可以向其通信范围内的待检测用户对应的移动设备发送推送时空轨迹信息的请求,当移动设备需要进行感染风险检测时,则协调设备发送加密预测时空轨迹信息到该待检测用户对应的移动设备。
具体地,待检测用户对应的移动终端发送获取时空数据请求至协调设备,协调设备接收到该请求时,将当前加密预测时空轨迹信息发送给移动终端,以供移动终端将待检测用户的加密预测时空轨迹信息输入目标预测模型,从而得到待检测用户对应的传染病感染风险结果。
本实施例提出的感染风险的预测方法,利用多个定位设备的时空参考轨迹信息,整合计算得到待检测用户的时空轨迹信息,从而可以利用目标预测模型进行感染风险的预测,实现了对缺失时空轨迹信息人员的检测,扩大了传染病感染风险模型的适用范围。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有感染风险的预测程序,所述感染风险的预测程序被处理器执行时实现上述各个实施例中感染风险的预测方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个可读存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台系统设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种感染风险的预测方法,其特征在于,应用于待检测用户对应的移动设备,所述感染风险的预测方法包括:
发送所述移动设备的加密ID至预设范围内的定位设备,以使所述定位设备为所述加密ID匹配加密时空参考轨迹信息,并发送所述加密时空参考轨迹信息至协调设备,其中,所述定位设备与所述移动设备以及所述协调设备相互之间通信连接;
在接收到感染风险检测指令时,从所述协调设备获取所述加密ID对应的加密预测时空轨迹信息;
获取传染病感染风险的目标预测模型,将所述加密预测时空轨迹信息输入所述目标预测模型,得到所述待检测用户对应的传染病感染风险结果,其中,所述目标预测模型是基于传染病确诊用户的时空轨迹信息得到的;
其中,所述从所述协调设备获取所述加密ID对应的加密预测时空轨迹信息,包括:
通过所述协调设备,对所述加密时空参考轨迹信息按照时间进行聚类,得到多个聚类分组;基于所述聚类分组中包括的加密时空参考轨迹信息数量确定各个聚类分组对应的定位类型;根据所述聚类分组对应的定位类型以及所述聚类分组中加密时空参考轨迹信息,计算得到所述各个聚类分组对应的加密目标时空轨迹信息;对所述各个聚类分组对应的加密目标时空轨迹信息进行合并处理,将合并后的加密目标空轨迹信息确定为所述加密ID对应的加密预测时空轨迹信息。
2.如权利要求1所述的感染风险的预测方法,其特征在于,所述将所述加密预测时空轨迹信息输入所述目标预测模型,得到所述待检测用户对应的传染病感染风险结果的步骤包括:
将所述加密预测时空轨迹信息输入所述目标预测模型,得到所述待检测用户与传染病确诊用户时空距离小于预设值的轨迹点;
基于所述轨迹点,确定所述待检测用户对应的传染病感染风险结果。
3.如权利要求2所述的感染风险的预测方法,其特征在于,所述基于所述轨迹点,确定所述待检测用户对应的传染病感染风险结果的步骤包括:
基于所述目标预测模型获取所述轨迹点各自对应的感染率,并对所述轨迹点各自对应的感染率进行加权求和运算,得到求和后的感染率;
根据求和后的感染率所处阈值区间,确定所述待检测用户与传染病确诊用户的接触程度。
4.一种感染风险的预测方法,其特征在于,应用于协调设备,所述感染风险的预测方法包括:
确定加密ID对应的加密时空参考轨迹信息的定位类型,并基于所述定位类型以及所述加密时空参考轨迹信息计算得到加密预测时空轨迹信息;
将所述加密预测时空轨迹信息发送给待检测用户对应的移动设备进行传染病感染风险检测;
所述确定加密ID对应的加密时空参考轨迹信息的定位类型的步骤包括:
对所述加密时空参考轨迹信息按照时间进行聚类,得到多个聚类分组;
基于所述聚类分组中包括的加密时空参考轨迹信息数量确定各个聚类分组对应的定位类型;
所述基于所述定位类型以及所述加密时空参考轨迹信息计算得到所述加密预测时空轨迹信息的步骤包括:
根据所述聚类分组对应的定位类型以及所述聚类分组中加密时空参考轨迹信息,计算得到所述各个聚类分组对应的加密目标时空轨迹信息;
对所述各个聚类分组对应的加密目标时空轨迹信息进行合并处理,将合并后的加密目标空轨迹信息确定为所述加密预测时空轨迹信息。
5.如权利要求4所述的感染风险的预测方法,其特征在于,所述基于所述聚类分组中包括的加密时空参考轨迹信息数量确定各个聚类分组对应的定位类型的步骤包括:
当所述聚类分组包括的加密时空参考轨迹信息数量等于第一阈值时,所述定位类型为一维定位;
当所述聚类分组中包括的加密时空参考轨迹信息数量大于第一阈值且小于第二阈值时,所述定位类型为二维定位;
当所述聚类分组中包括的加密时空参考轨迹信息数量大于或等于第二阈值时,所述定位类型为多维定位。
6.如权利要求5所述的感染风险的预测方法,其特征在于,所述根据所述聚类分组对应的定位类型以及所述聚类分组中加密时空参考轨迹信息,计算得到所述各个聚类分组对应的加密目标时空轨迹信息的步骤包括:
当所述定位类型为一维定位时,将所述聚类分组中的加密时空参考轨迹信息确定为所述加密目标时空轨迹信息;
当所述定位类型为二维定位或多维定位时,确定所述聚类分组中的各个加密时空参考轨迹信息分别到达所述移动设备的距离及角度,基于所述距离及角度计算得到所述加密目标时空轨迹信息。
7.一种设备,所述设备为移动设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于感染风险的预测程序,所述基于感染风险的预测程序被所述处理器执行时实现如权利要求1至3中任一项所述的感染风险的预测方法的步骤。
8.一种设备,所述设备为协调方,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的感染风险的预测程序,所述基于感染风险的预测程序被所述处理器执行时实现如权利要求4至6中任一项所述的感染风险的预测方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有感染风险的预测程序,所述感染风险的预测程序被处理器执行时实现如权利要求1至3中任一项所述的感染风险的预测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有感染风险的预测程序,所述感染风险的预测程序被处理器执行时实现如权利要求4至6中任一项所述的感染风险的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011108919.4A CN112233808B (zh) | 2020-10-16 | 2020-10-16 | 感染风险的预测方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011108919.4A CN112233808B (zh) | 2020-10-16 | 2020-10-16 | 感染风险的预测方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112233808A CN112233808A (zh) | 2021-01-15 |
CN112233808B true CN112233808B (zh) | 2023-01-20 |
Family
ID=74119118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011108919.4A Active CN112233808B (zh) | 2020-10-16 | 2020-10-16 | 感染风险的预测方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112233808B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112839328B (zh) * | 2021-02-08 | 2023-07-14 | 南方科技大学 | 一种密接数据验证方法、客户端、服务器及存储介质 |
CN113113153A (zh) * | 2021-04-13 | 2021-07-13 | 上海市疾病预防控制中心 | 利用图模型实现疫情爆发期间疫情动态信息分析的方法、系统、装置、处理器及其存储介质 |
CN116881918B (zh) * | 2023-09-08 | 2023-11-10 | 北京安天网络安全技术有限公司 | 进程安全检测防护方法、装置、电子设备及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10423892B2 (en) * | 2016-04-05 | 2019-09-24 | Omni Ai, Inc. | Trajectory cluster model for learning trajectory patterns in video data |
CN109444938B (zh) * | 2018-10-23 | 2023-08-11 | 努比亚技术有限公司 | 移动终端的复合定位方法、移动终端及可读存储介质 |
CN111477340B (zh) * | 2020-04-13 | 2023-01-24 | 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 |
CN111652446A (zh) * | 2020-06-15 | 2020-09-11 | 深圳前海微众银行股份有限公司 | 传染病感染风险的预测方法、设备及存储介质 |
-
2020
- 2020-10-16 CN CN202011108919.4A patent/CN112233808B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112233808A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652446A (zh) | 传染病感染风险的预测方法、设备及存储介质 | |
CN112233808B (zh) | 感染风险的预测方法、设备及存储介质 | |
US11194938B2 (en) | Methods and apparatus for persistent location based digital content | |
CN111477340B (zh) | 传染病接触情况检测方法、装置、设备及可读存储介质 | |
US20210272702A1 (en) | Method and system for assessing likelihood of disease transmission | |
Shubina et al. | Survey of decentralized solutions with mobile devices for user location tracking, proximity detection, and contact tracing in the COVID-19 era | |
US20220319183A1 (en) | System for tracking and visualizing objects and a method therefor | |
JP5871928B2 (ja) | 所定の領域内のユーザトラフィックを分析するための方法及び装置 | |
Hightower et al. | Location systems for ubiquitous computing | |
Maccari et al. | Do we need a contact tracing app? | |
US20150100355A1 (en) | Method and apparatus for identifying early status | |
CN111477339A (zh) | 传染病接触情况检测方法、设备及可读存储介质 | |
US10748402B2 (en) | Method and apparatus for matching vital sign information to a concurrently recorded data set | |
KR20180101746A (ko) | 증강 현실 컨텐츠를 제공하기 위한 방법, 전자 기기 및 시스템 | |
EP3140670B1 (en) | Location error radius determination | |
US11309091B2 (en) | Systems and methods for contagious illness surveillance and outbreak detection | |
US11507714B2 (en) | Methods and apparatus for secure persistent location based digital content | |
Conesa et al. | Geographical and fingerprinting data to create systems for indoor positioning and indoor/outdoor navigation | |
Zhao et al. | Cyber-physical spatial temporal analytics for digital twin-enabled smart contact tracing | |
Da et al. | React: real-time contact tracing and risk monitoring via privacy-enhanced mobile tracking | |
US20220229947A1 (en) | Artificial intelligence based exchange of geospatial related digital content | |
Sinha et al. | Fully homomorphic encryption based privacy-preserving data acquisition and computation for contact tracing | |
Lubis | Proximity-based COVID-19 contact tracing system devices for locally problems solution | |
Sahbudin et al. | Geo-COVID: Movement monitoring based on geo-fence framework for COVID-19 pandemic crisis | |
CN108600413B (zh) | 定位方法及装置和电子设备 |
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 |