CN112382401A - 一种用于疫情的返校大数据联动管理方法 - Google Patents
一种用于疫情的返校大数据联动管理方法 Download PDFInfo
- Publication number
- CN112382401A CN112382401A CN202010841017.5A CN202010841017A CN112382401A CN 112382401 A CN112382401 A CN 112382401A CN 202010841017 A CN202010841017 A CN 202010841017A CN 112382401 A CN112382401 A CN 112382401A
- Authority
- CN
- China
- Prior art keywords
- data
- point
- epidemic situation
- county
- return
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 84
- 238000004080 punching Methods 0.000 claims abstract description 47
- 238000012937 correction Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000036541 health Effects 0.000 claims abstract description 13
- 230000002354 daily effect Effects 0.000 claims description 65
- 238000003860 storage Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000003203 everyday effect Effects 0.000 claims description 5
- 230000036760 body temperature Effects 0.000 claims description 4
- 230000001915 proofreading effect Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 101100100125 Mus musculus Traip gene Proteins 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000005070 sampling Methods 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
- G06F16/90—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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06Q50/20—Education
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Educational Technology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种用于疫情的返校大数据联动管理方法,用于对返校人员大数据和疫情大数据进行联动管理,方法包括以下步骤:数据获取与划分步骤:获取返校人员大数据和疫情大数据;将返校人员大数据划分为空间位置数据、健康数据和描述性数据,将空间位置数据划分为每日打卡位置数据、近期活动数据和返校行程轨迹数据,将疫情大数据划分为病例位置数据和区县统计数据;数据关联步骤:通过数据匹配,建立:每日打卡位置数据、近期活动数据和返校行程轨迹数据分别与病例位置数据和区县统计数据的空间关联关系。与现有技术相比,本发明有序地对疫情信息进行了联动的管理,考虑全面,可为后续的数据应用,如智能返校系统提供有效的数据支撑。
Description
技术领域
本发明涉及大数据管理领域,尤其是涉及一种用于疫情的返校大数据联动管 理方法。
背景技术
与中小学学校复学相比,高校复学工作更加艰巨,其困难体现在返校人员地域 分布广、流动性大,牵涉疫情信息复杂多样。如何针对返校人员与疫情大数据进行 有效的联动存储、管理与计算是返校复学工作中的重要问题之一。
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对返校人员 与疫情大数据进行有效的联动存储、管理与计算的用于疫情的返校大数据联动管理 方法。
本发明的目的可以通过以下技术方案来实现:
一种用于疫情的返校大数据联动管理方法,用于对返校人员大数据和疫情大数据进行联动管理,所述方法包括以下步骤:
数据获取与划分步骤:获取返校人员大数据和疫情大数据;将所述返校人员大 数据划分为空间位置数据、健康数据和描述性数据,将所述空间位置数据划分为每 日打卡位置数据、近期活动数据和返校行程轨迹数据,将所述疫情大数据划分为病 例位置数据和区县统计数据;
数据关联步骤:通过数据匹配,建立:
所述每日打卡位置数据与所述病例位置数据的“点-点”空间关联关系、
所述每日打卡位置数据与所述区县统计数据的“点-面”空间关联关系、
所述近期活动数据与所述病例位置数据的“点-点”空间关联关系、
所述近期活动数据与所述区县统计数据的“点-面”空间关联关系、
所述返校行程轨迹数据与所述病例位置数据的“线-点”空间关联关系、
所述返校行程轨迹数据与所述区县统计数据的“线-面”空间关联关系。
进一步地,所述返校大数据联动管理方法还包括获取实际返校轨迹数据,所述 数据关联步骤还包括通过数据匹配,建立所述返校行程轨迹数据与所述实际返校轨 迹数据的“线-线”空间关联关系。
进一步地,所述返校行程轨迹数据与所述实际返校轨迹数据的“线-线”空间 关联关系的建立具体为:
计算所述返校行程轨迹数据与所述实际返校轨迹数据的最大距离,若所述最大距离小于预设的距离阈值,则所述返校行程轨迹数据与所述实际返校轨迹数据一致, 否则不一致;
所述最大距离的计算表达式为:
dmax=max{Dpi,Q,Dqj,P},i={0,1,2,,…,N,N+1},j={1,2,,…,M}
式中,dmax为最大距离,P为返校行程轨迹曲线,Q为实际返校轨迹曲线,pi 为返校行程轨迹曲线中的i点,qj为实际返校轨迹曲线中的j点,Dpi,Q为pi点到曲 线Q的最短距离,Dqj,P为qj点到曲线P的最短距离,N+1为曲线P中点的个数, M为曲线Q中点的个数,所述返校行程轨迹曲线由所述返校行程轨迹数据获取, 所述实际返校轨迹曲线由所述实际返校轨迹数据获取。
进一步地,所述通过数据匹配,建立所述每日打卡位置数据与所述病例位置数 据的“点-点”空间关联关系具体为:
从所述每日打卡位置数据中获取各个每日打卡位置,以每个所述每日打卡位置为中心,以预设的第一缓冲距离为半径,建立每日打卡位置缓冲区;
从所述病例位置数据获取各个病例位置,将各个所述每日打卡位置缓冲区与各个所述病例位置进行一一匹配,若所述每日打卡位置缓冲区内存在所述病例位置, 则建立所述每日打卡位置数据与所述病例位置数据的“点-点”空间关联关系,并 在所述每日打卡位置数据的存储单元中关联“周边是否存在疫情数据”字段,将所 述“周边是否存在疫情数据”字段记录为“是”或“1”。
进一步地,所述每日打卡位置数据包括经度和维度信息以及所在区县信息,
所述通过数据匹配,建立所述每日打卡位置数据与所述区县统计数据的“点- 面”空间关联关系具体为:
根据所述经度和维度信息,确定每日打卡位置,根据该每日打卡位置,确定对 应的区县位置,将该区县位置与所述区县信息匹配,若不匹配,则对所述每日打卡 位置进行逐步扩充查询,直至获取与所述区县信息对应的区县位置;
根据所述区县统计数据,获取所述区县位置对应的总确诊病例信息、新增确诊 病例信息和风险等级信息,并与所述每日打卡位置数据的存储单元关联。
进一步地,所述近期活动数据与所述病例位置数据的“点-点”空间关联关系 的建立具体为:
若所述近期活动数据与所述病例位置数据匹配,则建立所述近期活动数据与所述病例位置数据的“点-点”空间关联关系,并在所述近期活动数据的存储单元中 关联“近期是否接触病例发生地点”字段,将所述“近期是否接触病例发生地点”字段 记录为“是”或“1”。
进一步地,所述近期活动数据与所述区县统计数据的“点-面”空间关联关系 的建立具体为:
若所述近期活动数据与所述区县统计数据匹配,则建立近期活动数据与所述区县统计数据的“点-面”空间关联关系,并在所述近期活动数据的存储单元中关联“近 期是否到达疫情区域”字段和“近期到达疫情区域等级”字段,根据所述区县统计数 据判断所述近期活动数据匹配点对应的区县是否为疫情区域,若是则将所述“近期 是否到达疫情区域”字段记录为“是”或“1”,否则记录为“否”或“0”。
进一步地,所述通过数据匹配,建立所述返校行程轨迹数据与所述病例位置数 据的“线-点”空间关联关系具体为:
从所述返校行程轨迹数据获取出发点、中转点和达到点信息,构建活动点位置,并以各活动点位置为中心、以第三缓冲距离为半径,得到各活动点位置缓冲区;
从所述病例位置数据获取各个病例位置,将各个所述活动点位置缓冲区与各个所述病例位置进行一一匹配,若所述活动点位置缓冲区内存在所述病例位置,则建 立所述返校行程轨迹数据与所述病例位置数据的“点-点”空间关联关系,并在所 述返校行程轨迹数据的存储单元中关联“返校行程周边存在病例发生地点”字段, 将所述“返校行程周边存在病例发生地点”字段记录为“是”或“1”。
进一步地,所述返校行程轨迹数据与所述区县统计数据的“线-面”空间关联 关系的建立具体为:
若所述返校行程轨迹数据与所述区县统计数据匹配,则建立近期活动数据与所述区县统计数据的“点-面”空间关联关系,并在所述返校行程轨迹数据的存储单 元中关联“返校行程是否途径疫情区域”字段和“近期到达疫情区域等级”字段,根据 所述区县统计数据判断所述近期活动数据匹配点对应的区县是否为疫情区域,若是 则将所述“返校行程是否途径疫情区域”字段记录为“是”或“1”,否则记录为“否” 或“0”。
进一步地,所述健康数据包括体温信息、是否发热信息和是否隔离信息;
所述描述性数据包括年龄信息和身份信息。
与现有技术相比,本发明具有以下优点:
(1)本发明将返校人员大数据分为空间位置数据、健康数据和描述性数据, 将疫情大数据划分为病例位置数据和区县统计数据,又针对空间位置数据,进行每 日打卡位置数据、近期活动数据和返校行程轨迹数据,并进行数据匹配建立各个空 间位置数据与疫情大数据的对应关系;该方法有序地对疫情信息进行了联动的管理, 考虑全面,可为后续的数据应用,如智能返校系统提供有效的数据支撑。
(2)本发明针对疫情的特点,将空间位置数据中的位置点扩展为对应的缓冲 区,与病理位置数据进行匹配,使得匹配结果更符合实际的安全需求。
(3)本发明考虑到返校行程轨迹数据与所述实际返校轨迹数据可能会存在偏 差,通过最大距离的计算进行匹配判断,防止虚假返校行程轨迹数据的上报。
附图说明
图1为本发明流程图;
图2为返校人员每日打卡位置数据与病例位置数据的“点-点”空间关系图;
图3为返校人员每日打卡位置数据与区县统计数据的“点-面”空间关系图;
图4为返校人员近期活动数据与病例位置数据的“点-点”空间关系图;
图5为返校人员近期活动数据与区县统计数据的“点-面”空间关系图;
图6为返校人员返校行程数据与病例位置数据的“线-点”空间关系图;
图7为返校人员返校行程数据与区县统计数据的“线-面”空间关系图;
图8为返校人员返校行程数据与实际返校轨迹数据的“线-线”空间关系。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范 围不限于下述的实施例。
实施例1
本实施例提供一种用于疫情的返校大数据联动管理方法,用于对返校人员大数据和疫情大数据进行联动管理,方法包括以下步骤:
数据获取与划分步骤:获取返校人员大数据和疫情大数据;将返校人员大数据 划分为空间位置数据、健康数据和描述性数据,将空间位置数据划分为每日打卡位 置数据、近期活动数据和返校行程轨迹数据,将疫情大数据划分为病例位置数据和 区县统计数据;
健康数据包括体温信息、是否发热信息和是否隔离信息;描述性数据包括年龄 信息和身份信息。
数据关联步骤:通过数据匹配,建立:
每日打卡位置数据与病例位置数据的“点-点”空间关联关系、
每日打卡位置数据与区县统计数据的“点-面”空间关联关系、
近期活动数据与病例位置数据的“点-点”空间关联关系、
近期活动数据与区县统计数据的“点-面”空间关联关系、
返校行程轨迹数据与病例位置数据的“点-点”空间关联关系、
返校行程轨迹数据与区县统计数据的“点-面”空间关联关系。
返校大数据联动管理方法还包括获取实际返校轨迹数据,数据关联步骤还包括通过数据匹配,建立返校行程轨迹数据与实际返校轨迹数据的“线-线”空间关联 关系。实际返校轨迹数据通过GNSS定位技术由设置在手机中的程序主动获取, 防止学生上报虚假信息。
下面对各步骤进行详细描述。
1、返校行程轨迹数据与实际返校轨迹数据的“线-线”空间关联关系的建立具 体为:
计算返校行程轨迹数据与实际返校轨迹数据的最大距离,若最大距离小于预设的距离阈值,则返校行程轨迹数据与实际返校轨迹数据一致,否则不一致;
最大距离的计算表达式为:
dmax=max{Dpi,Q,Dqj,P},i={0,1,2,,…,N,N+1},j={1,2,,…,M}
式中,dmax为最大距离,P为返校行程轨迹曲线,Q为实际返校轨迹曲线,pi 为返校行程轨迹曲线中的i点,qj为实际返校轨迹曲线中的j点,Dpi,Q为pi点到曲 线Q的最短距离,Dqj,P为qj点到曲线P的最短距离,N+1为曲线P中点的个数, M为曲线Q中点的个数,返校行程轨迹曲线由返校行程轨迹数据获取,实际返校 轨迹曲线由实际返校轨迹数据获取。
2、通过数据匹配,建立每日打卡位置数据与病例位置数据的“点-点”空间关 联关系具体为:
从每日打卡位置数据中获取各个每日打卡位置,以每个每日打卡位置为中心, 以预设的第一缓冲距离为半径,建立每日打卡位置缓冲区;
从病例位置数据获取各个病例位置,将各个每日打卡位置缓冲区与各个病例位置进行一一匹配,若每日打卡位置缓冲区内存在病例位置,则建立每日打卡位置数 据与病例位置数据的“点-点”空间关联关系,并在每日打卡位置数据的存储单元 中关联“周边是否存在疫情数据”字段,将“周边是否存在疫情数据”字段记录为“是” 或“1”。
每日打卡位置数据包括经度和维度信息以及所在区县信息,
3、通过数据匹配,建立每日打卡位置数据与区县统计数据的“点-面”空间关 联关系具体为:
根据经度和维度信息,确定每日打卡位置,根据该每日打卡位置,确定对应的 区县位置,将该区县位置与区县信息匹配,若不匹配,则对每日打卡位置进行逐步 扩充查询,直至获取与区县信息对应的区县位置;
根据区县统计数据,获取区县位置对应的总确诊病例信息、新增确诊病例信息 和风险等级信息,并与每日打卡位置数据的存储单元关联。
4、近期活动数据与病例位置数据的“点-点”空间关联关系的建立具体为:
若近期活动数据与病例位置数据匹配,则建立近期活动数据与病例位置数据的“点-点”空间关联关系,并在近期活动数据的存储单元中关联“近期是否接触病例 发生地点”字段,将“近期是否接触病例发生地点”字段记录为“是”或“1”。
5、近期活动数据与区县统计数据的“点-面”空间关联关系的建立具体为:
若近期活动数据与区县统计数据匹配,则建立近期活动数据与区县统计数据的“点-面”空间关联关系,并在近期活动数据的存储单元中关联“近期是否到达疫情 区域”字段和“近期到达疫情区域等级”字段,根据区县统计数据判断近期活动数据 匹配点对应的区县是否为疫情区域,若是则将“近期是否到达疫情区域”字段记录为 “是”或“1”,否则记录为“否”或“0”。
6、通过数据匹配,建立返校行程轨迹数据与病例位置数据的“线-点”空间关 联关系具体为:
从返校行程轨迹数据获取出发点、中转点和达到点信息,构建活动点位置,并 以各活动点位置为中心、以第三缓冲距离为半径,得到各活动点位置缓冲区;
从病例位置数据获取各个病例位置,将各个活动点位置缓冲区与各个病例位置进行一一匹配,若活动点位置缓冲区内存在病例位置,则建立返校行程轨迹数据与 病例位置数据的“点-点”空间关联关系,并在返校行程轨迹数据的存储单元中关 联“返校行程周边存在病例发生地点”字段,将“返校行程周边存在病例发生地点” 字段记录为“是”或“1”。
7、返校行程轨迹数据与区县统计数据的“线-面”空间关联关系的建立具体为:
若返校行程轨迹数据与区县统计数据匹配,则建立近期活动数据与区县统计数据的“点-面”空间关联关系,并在返校行程轨迹数据的存储单元中关联“返校行程 是否途径疫情区域”字段和“近期到达疫情区域等级”字段,根据区县统计数据判断 近期活动数据匹配点对应的区县是否为疫情区域,若是则将“返校行程是否途径疫 情区域”字段记录为“是”或“1”,否则记录为“否”或“0”。
本实施例还提供一种用于疫情的返校大数据联动管理装置,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如上所述的用 于疫情的返校大数据联动管理方法的步骤。
具体实施描述如下:
如图1所示,该用于疫情的返校大数据联动管理方法实现返校人员与疫情数据 库设计及其联动机制设计,步骤如下:
1)通过问卷星或APP获取高校返校人员的每日打卡数据,建立数据库表单, 关键词为“用户名”,即学号或工号;每一个用户名对应着一条记录,即一位返校人 员;每条记录的信息划分为空间位置数据、健康数据和描述性数据三类。所述空间 位置信息记录字段为“所在省”、“所在市”、“所在县”、“详细地址”、“经度”以及“纬 度”;所述健康数据记录字段为“体温”、“健康状况是否有变化”、“是否就诊”、“就 诊医院”、“就诊日期”及“隔离状态”;所述描述性数据记录字段为“姓名”、“打卡IP”、 “学院”、“出生年月”、“班级”。
表1返校人员每日打卡数据表结构说明
2)通过问卷星或APP获取高校返校人员的近期出行活动上报数据,建立数据 库表单,关键词为“用户名”,即学号或工号;每一个用户名对应着一条记录,即一 位返校人员。近期出行活动上报数据记录字段为“出发地”、“当前位置”、“目的地”、 “出行目的(走亲访友、参加公共活动、婚礼、同学聚会、回家/回国、旅游或其他)”、 “是否已向当地社区报备”、“行程状态”。
表2返校人员近期出行活动上报数据表结构说明
3)通过问卷星或APP获取高校返校人员的返校行程上报数据,建立数据库表 单,关键词为“用户名”,即学号或工号;每一个用户名对应着一条记录,即一位返 校人员。返校行程上报数据为一段轨迹,包括出发点位置、N个中转点位置、达到 点位置等信息,记录字段为“出发时间”、“出发地”、“中转点1”、“中转点1经度”、 “中转点1纬度”、“到达中转点1时间”、“到达中转点1方式”、“离开中转点1时 间”、“中转点N”、“中转点N经度”、“中转点N纬度”、“到达中转点N时间”、“到 达中转点N方式”、“离开中转点N时间”、“到达学校校区”、“到达学校时间”、“到 达学校方式”。
表3返校人员返校行程上报数据表结构说明
4)通过国家卫健委(政府官网)获取各地疫情情况,通过各地级市卫生健康 委员会(政府官网、微信公众号、认证微博等渠道)获取各地级市的详细疫情数据 数据,通过大数据清理方法从所述疫情大数据中获取病例详细位置数据和区县级疫 情统计数据。
如表4所示,针对所述的病例详细位置数据建立数据库表单,关键词为“ID”, 即每个位置被分配的唯一标志码;记录字段为“经度”、“纬度”、“省”、“市”、“区 /县”、“详细地址”、“该位置病例数”、“日期”、“类别”。
如表5所示,针对所述的区县统计数据,建立数据库表单,记录每天疫情数据, 关键词为“ID”,即全国范围内每一个区县被分配的唯一标识码;记录字段为 “citycode”、“adcode”、“省”、“市”、“区/县”、“级别”、“中心点”、“总确诊病例”、 “新增确诊病例”、“风险等级”以及“备注”。
表4病例详细位置数据表结构说明
5)首先将所有位置数据(每日打卡位置点数据、近期活动点数据、返校行程 轨迹数据病例位置数据、)都变换至同一坐标系下,进一步地建立返校人员与疫情 大数据之间的空间关联关系,所述的空间关系包括:
51)返校人员每日打卡位置数据与病例位置数据的“点-点”空间关联关系;
具体建立过程如下:
如图2所示,通过返校人员每日打卡数据库表单中记录的空间位置数据,即“经度”和“纬度”,确定返校人员每日打卡的位置点pi。进一步地,以pi为中心,建立 缓冲区,缓冲距离为1000m。在缓冲区内如果存在病例位置,则建立该返校人员的 每日打卡位置数据与病例位置数据的“点-点”空间关联关系,并在每日打卡数据库 表单中增设字段“周边是否存在疫情”,记录为“是”或“1”。
表5区县统计数据表结构说明
52)返校人员每日打卡位置数据与区县统计数据的“点-面”空间关联关系;
具体建立过程如下:
如图3所示,通过返校人员每日打卡数据库表单中记录的空间位置数据,即“经度”和“纬度”,确定返校人员每日打卡的位置点p。进一步地,根据空间位置查询 查找p所在的区县;进一步地,根据返校人员“所在省”、“所在市”、“所在县”字段 信息核对查找区县的正确性,以消除空间位置数据定位误差的影响。所述核对正确, 则在每日打卡数据库表单中增设字段“所在地总确诊病例”、“所在地新增确诊病例”、 “所在地风险等级”,并分别对应区县统计数据库表单中的“总确诊病例”、“新增确 诊病例”、“风险等级”记录信息;所述核对不正确,则对Pi做逐步(如缓冲距离逐 步为500m、1000m、1500m等),直到找到空间位置查询与返校人员记录表单信息 一致的区县,同样在每日打卡数据库表单中增设字段“所在地总确诊病例”、“所在 地新增确诊病例”、“所在地风险等级”,并分别按照区县统计数据库表单中的“总确 诊病例”、“新增确诊病例”、“风险等级”记录信息。
53)返校人员近期活动数据与病例位置数据的“点-点”空间关联关系;
具体建立过程如下:
如图4所示,通过返校人员近期活动数据库表单中记录的空间位置数据,即“经度”和“纬度”,确定返校人员近期活动的位置点{p1,p2,…,pi,…,pN},N表示活动点位置 数量。进一步地,分别以pi为中心,建立缓冲区,缓冲距离为1000m。在缓冲区 内如果存在病例位置,则建立该返校人员的近期活动数据与病例位置数据的“点- 点”空间关联关系,并在近期活动数据库表单中增设字段“近期是否接触病例发生地 点”,记录为“是”或“1”。
54)返校人员近期活动数据与区县统计数据的“点-面”空间关联关系;
具体建立过程如下:
如图5所示,通过返校人员近期活动数据库表单中记录的空间位置数据,即“经度”和“纬度”,确定返校人员近期活动的位置点{p1,p2,…,pi,…,pN},N表示活动点 位置数量。进一步地,根据空间位置查询查找pi(i={1,2,,…,N})所在的区县,建立 该返校人员的近期活动数据与区县统计数据的“点-面”空间关联关系,并在近期 活动数据库表单中增设字段“近期是否到达疫情区域”,并按照区县统计数据库表 单中的“总确诊病例”、“新增确诊病例”记录,14天内存在新增病例,则记录为 “是”或“1”,否则记录为“否”或“0”;增设字段“近期到达疫情区域等级”, 并按照区县统计数据库表单中的“风险等级”记录信息。
55)返校人员返校行程数据与病例位置数据的“线-点”空间关联关系;
具体建立过程如下:
如图6所示,通过返校人员返校行程数据库表单中记录的出发点、N个中转点、 达到点位置信息,确定返校人员返校行程路线{p0,p1,…,pi,…,pN,pN+1},N表示活动 点位置数量。进一步地,对行程路线{p0,p1,…,pi,…,pN,pN+1},建立缓冲区,缓冲 距离为1000m。在缓冲区内如果存在14天内新增病例位置,则建立该返校人员的 返校行程数据与病例位置数据的“线-点”空间关联关系,并在返校行程数据库表 单中增设字段“返校行程周边存在病例发生地点”,记录为“是”或“1”。
56)返校人员返校行程数据与区县统计数据的“线-面”空间关联关系。
具体建立过程如下:
如图7所示,通过返校人员返校行程数据库表单中记录的出发点、N个中转点、 达到点位置信息,确定返校人员返校行程路线P={p0,p1,…,pi,…,pN,pN+1},N表示活动 点位置数量。进一步地,根据空间位置查询查找行程路线{p0,p1,…,pi,…,pN,pN+1}所 途径的区县,建立该返校人员的返校行程数据与病例位置数据的“线-面”空间关联 关系,并在返校行程数据库表单中增设字段“返校行程是否途径疫情区域”,并按照 区县统计数据库表单中的“总确诊病例”、“新增确诊病例”记录,14天内存在新增病 例,则记录为“是”或“1”,否则记录为“否”或“0”;增设字段“近期到达疫情区域等级”, 并按照区县统计数据库表单中的“风险等级”记录信息。
6)通过小程序或APP获取高校返校人员的实际返校行程轨迹数据,建立数据 库表单,关键词为“用户名”,即学号或工号;每一个用户名对应着一条记录,即一 位返校人员。返校行程轨迹数据为一段轨迹Q={q1,q2,…,qi,…,qM},即包括M个GPS 位置点,采样精度可根据设备灵活调整,如1次/分钟、5次/分钟、10次/分钟。进 一步地,将该轨迹空间坐标系调整与病例位置数据一致。进一步地,建立返校人员 返校行程上报数据与返校行程轨迹数据的“线-线”空间关联关系,包括:
如图8所示,建立返校人员返校行程数据与实际返校轨迹数据的“线-线”空间 关联关系,具体过程如下:
计算返校人员返校行程数据与实际返校轨迹数据直接的最大距离,计算公式如下:
dmax=max{Dpi,Q,Dqj,P},i={0,1,2,,…,N,N+1},j={1,2,,…,M}
其中Dp,Q表示点p到曲线Q的最短距离。
如果dmax小于一定阈值,则返校人员的实际返校轨迹与返校行程上报数据一 致;否则,返校人员的实际返校轨迹与返校行程上报数据不一致,在返校人员返校 实际返校轨迹数据库表单中以字段“是否与返校行程上报数据一致”记录该信息。 阈值取值可为5000m。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员 无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领 域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的 实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种用于疫情的返校大数据联动管理方法,用于对返校人员大数据和疫情大数据进行联动管理,其特征在于,所述方法包括以下步骤:
数据获取与划分步骤:获取返校人员大数据和疫情大数据;将所述返校人员大数据划分为空间位置数据、健康数据和描述性数据,将所述空间位置数据划分为每日打卡位置数据、近期活动数据和返校行程轨迹数据,将所述疫情大数据划分为病例位置数据和区县统计数据;
数据关联步骤:通过数据匹配,建立:
所述每日打卡位置数据与所述病例位置数据的“点-点”空间关联关系、
所述每日打卡位置数据与所述区县统计数据的“点-面”空间关联关系、
所述近期活动数据与所述病例位置数据的“点-点”空间关联关系、
所述近期活动数据与所述区县统计数据的“点-面”空间关联关系、
所述返校行程轨迹数据与所述病例位置数据的“线-点”空间关联关系、
所述返校行程轨迹数据与所述区县统计数据的“线-面”空间关联关系。
2.根据权利要求1所述的一种用于疫情的返校大数据联动管理方法,其特征在于,所述返校大数据联动管理方法还包括获取实际返校轨迹数据,所述数据关联步骤还包括通过数据匹配,建立所述返校行程轨迹数据与所述实际返校轨迹数据的“线-线”空间关联关系。
3.根据权利要求2所述的一种用于疫情的返校大数据联动管理方法,其特征在于,所述返校行程轨迹数据与所述实际返校轨迹数据的“线-线”空间关联关系的建立具体为:
计算所述返校行程轨迹数据与所述实际返校轨迹数据的最大距离,若所述最大距离小于预设的距离阈值,则所述返校行程轨迹数据与所述实际返校轨迹数据一致,否则不一致;
所述最大距离的计算表达式为:
dmax=max{Dpi,Q,Dqj,P},i={0,1,2,,…,N,N+1},j={1,2,,…,M}
式中,dmax为最大距离,P为返校行程轨迹曲线,Q为实际返校轨迹曲线,pi为返校行程轨迹曲线中的i点,qj为实际返校轨迹曲线中的j点,Dpi,Q为pi点到曲线Q的最短距离,Dqj,P为qj点到曲线P的最短距离,N+1为曲线P中点的个数,M为曲线Q中点的个数,所述返校行程轨迹曲线由所述返校行程轨迹数据获取,所述实际返校轨迹曲线由所述实际返校轨迹数据获取。
4.根据权利要求1所述的一种用于疫情的返校大数据联动管理方法,其特征在于,所述通过数据匹配,建立所述每日打卡位置数据与所述病例位置数据的“点-点”空间关联关系具体为:
从所述每日打卡位置数据中获取各个每日打卡位置,以每个所述每日打卡位置为中心,以预设的第一缓冲距离为半径,建立每日打卡位置缓冲区;
从所述病例位置数据获取各个病例位置,将各个所述每日打卡位置缓冲区与各个所述病例位置进行一一匹配,若所述每日打卡位置缓冲区内存在所述病例位置,则建立所述每日打卡位置数据与所述病例位置数据的“点-点”空间关联关系,并在所述每日打卡位置数据的存储单元中关联“周边是否存在疫情数据”字段,将所述“周边是否存在疫情数据”字段记录为“是”或“1”。
5.根据权利要求1所述的一种用于疫情的返校大数据联动管理方法,其特征在于,所述每日打卡位置数据包括经度和维度信息以及所在区县信息,
所述通过数据匹配,建立所述每日打卡位置数据与所述区县统计数据的“点-面”空间关联关系具体为:
根据所述经度和维度信息,确定每日打卡位置,根据该每日打卡位置,确定对应的区县位置,将该区县位置与所述区县信息匹配,若不匹配,则对所述每日打卡位置进行逐步扩充查询,直至获取与所述区县信息对应的区县位置;
根据所述区县统计数据,获取所述区县位置对应的总确诊病例信息、新增确诊病例信息和风险等级信息,并与所述每日打卡位置数据的存储单元关联。
6.根据权利要求1所述的一种用于疫情的返校大数据联动管理方法,其特征在于,所述近期活动数据与所述病例位置数据的“点-点”空间关联关系的建立具体为:
若所述近期活动数据与所述病例位置数据匹配,则建立所述近期活动数据与所述病例位置数据的“点-点”空间关联关系,并在所述近期活动数据的存储单元中关联“近期是否接触病例发生地点”字段,将所述“近期是否接触病例发生地点”字段记录为“是”或“1”。
7.根据权利要求1所述的一种用于疫情的返校大数据联动管理方法,其特征在于,所述近期活动数据与所述区县统计数据的“点-面”空间关联关系的建立具体为:
若所述近期活动数据与所述区县统计数据匹配,则建立近期活动数据与所述区县统计数据的“点-面”空间关联关系,并在所述近期活动数据的存储单元中关联“近期是否到达疫情区域”字段和“近期到达疫情区域等级”字段,根据所述区县统计数据判断所述近期活动数据匹配点对应的区县是否为疫情区域,若是则将所述“近期是否到达疫情区域”字段记录为“是”或“1”,否则记录为“否”或“0”。
8.根据权利要求1所述的一种用于疫情的返校大数据联动管理方法,其特征在于,所述通过数据匹配,建立所述返校行程轨迹数据与所述病例位置数据的“线-点”空间关联关系具体为:
从所述返校行程轨迹数据获取出发点、中转点和达到点信息,构建活动点位置,并以各活动点位置为中心、以第三缓冲距离为半径,得到各活动点位置缓冲区;
从所述病例位置数据获取各个病例位置,将各个所述活动点位置缓冲区与各个所述病例位置进行一一匹配,若所述活动点位置缓冲区内存在所述病例位置,则建立所述返校行程轨迹数据与所述病例位置数据的“点-点”空间关联关系,并在所述返校行程轨迹数据的存储单元中关联“返校行程周边存在病例发生地点”字段,将所述“返校行程周边存在病例发生地点”字段记录为“是”或“1”。
9.根据权利要求1所述的一种用于疫情的返校大数据联动管理方法,其特征在于,所述返校行程轨迹数据与所述区县统计数据的“线-面”空间关联关系的建立具体为:
若所述返校行程轨迹数据与所述区县统计数据匹配,则建立近期活动数据与所述区县统计数据的“点-面”空间关联关系,并在所述返校行程轨迹数据的存储单元中关联“返校行程是否途径疫情区域”字段和“近期到达疫情区域等级”字段,根据所述区县统计数据判断所述近期活动数据匹配点对应的区县是否为疫情区域,若是则将所述“返校行程是否途径疫情区域”字段记录为“是”或“1”,否则记录为“否”或“0”。
10.根据权利要求1所述的一种用于疫情的返校大数据联动管理方法,其特征在于,所述健康数据包括体温信息、是否发热信息和是否隔离信息;
所述描述性数据包括年龄信息和身份信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010841017.5A CN112382401A (zh) | 2020-08-20 | 2020-08-20 | 一种用于疫情的返校大数据联动管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010841017.5A CN112382401A (zh) | 2020-08-20 | 2020-08-20 | 一种用于疫情的返校大数据联动管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112382401A true CN112382401A (zh) | 2021-02-19 |
Family
ID=74586236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010841017.5A Pending CN112382401A (zh) | 2020-08-20 | 2020-08-20 | 一种用于疫情的返校大数据联动管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112382401A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012208859A (ja) * | 2011-03-30 | 2012-10-25 | Fujitsu Ltd | 経営データ分析支援プログラム、経営データ分析支援装置、および経営データ分析支援方法 |
CN111238522A (zh) * | 2020-03-20 | 2020-06-05 | 深圳云天励飞技术有限公司 | 出行路线的规划方法及相关装置 |
CN111403034A (zh) * | 2020-03-09 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 用户信息管控方法及系统 |
CN111461677A (zh) * | 2020-04-27 | 2020-07-28 | 深圳市城市公共安全技术研究院有限公司 | 疫情期间人员管理方法、装置、终端及存储介质 |
-
2020
- 2020-08-20 CN CN202010841017.5A patent/CN112382401A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012208859A (ja) * | 2011-03-30 | 2012-10-25 | Fujitsu Ltd | 経営データ分析支援プログラム、経営データ分析支援装置、および経営データ分析支援方法 |
CN111403034A (zh) * | 2020-03-09 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 用户信息管控方法及系统 |
CN111238522A (zh) * | 2020-03-20 | 2020-06-05 | 深圳云天励飞技术有限公司 | 出行路线的规划方法及相关装置 |
CN111461677A (zh) * | 2020-04-27 | 2020-07-28 | 深圳市城市公共安全技术研究院有限公司 | 疫情期间人员管理方法、装置、终端及存储介质 |
Non-Patent Citations (1)
Title |
---|
徐新艳等: "信息化助力高校疫情防控精准施策", 《信息技术与信息化》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110020221B (zh) | 职住分布确认方法、装置、服务器及计算机可读存储介质 | |
US20180270616A1 (en) | Method and apparatus for identifying types of user geographical locations | |
CN109084795B (zh) | 基于地图服务的搜索服务设施的方法及装置 | |
CN101999237B (zh) | 移动历史查阅系统、移动信息登记服务器、信息收集服务器、移动历史查阅方法和程序 | |
EP3304347B1 (en) | Joining semantically-related data using big table corpora | |
CN104680250A (zh) | 一种位置预测系统 | |
CN103154979A (zh) | 位置信息累计装置及位置信息累计方法 | |
CN104750751A (zh) | 轨迹数据标注方法及装置 | |
US20190096532A1 (en) | Method and system for tracking illness | |
JP2007219655A (ja) | 施設情報管理システム、施設情報管理方法および施設情報管理プログラム | |
Maji et al. | Data Warehouse Based Analysis with integrated blood donation management system | |
WO2021114615A1 (zh) | 行为风险识别的可视化方法、装置、设备及存储介质 | |
CN103874981A (zh) | 高效率的学生记录匹配 | |
Saameli et al. | Healthsites. io: The global healthsites mapping project | |
CN105095487A (zh) | 电子商务网点信息管控方法 | |
CN112382401A (zh) | 一种用于疫情的返校大数据联动管理方法 | |
CN111611337B (zh) | 终端数据处理系统 | |
CN110019237A (zh) | 一种基于地图分析罪犯行踪的系统及方法 | |
CN104050168A (zh) | 信息处理方法、电子设备及词库服务器 | |
TW202137085A (zh) | 計算活動期間及效率的方法 | |
JP4828653B1 (ja) | サーバ、辞書生成方法、辞書生成プログラム、及びそのプログラムを記録するコンピュータ読み取り可能な記録媒体 | |
US20190354537A1 (en) | System and Method for Increasing the Speed at Which Critical Safety Information is Provided or Accessed | |
CN112528138A (zh) | 社区活动信息准确推荐方法、终端设备及可读存储介质 | |
CN105976091A (zh) | 一种大数据环境下个体活动稳态训练方法 | |
JP2021135946A (ja) | 制御装置及び制御方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210219 |