CN112633681A - 一种基于疫情传播风险的疫苗分配方法、系统及装置 - Google Patents
一种基于疫情传播风险的疫苗分配方法、系统及装置 Download PDFInfo
- Publication number
- CN112633681A CN112633681A CN202011525990.2A CN202011525990A CN112633681A CN 112633681 A CN112633681 A CN 112633681A CN 202011525990 A CN202011525990 A CN 202011525990A CN 112633681 A CN112633681 A CN 112633681A
- Authority
- CN
- China
- Prior art keywords
- epidemic
- user
- vaccine
- risk
- state
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Pathology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于疫情传播风险的疫苗分配方法、系统及装置,该方法包括:获取用户移动轨迹并对用户移动轨迹进行标准化处理,得到用户轨迹数据;根据预设参数和用户轨迹数据确定疫情流行病参数;构建基于Agent和SEIR的疫情传播模型,并模拟自然传播过程,得到疫情风险地图;根据疫情风险地图确定疫苗投放策略,并模拟疫苗投放后的疫情结果。该系统包括:用户轨迹模块,参数模块、传播模型模块、风险地图模块和策略模块。该装置包括存储器以及用于执行上述基于疫情传播风险的疫苗分配方法的处理器。通过使用本发明,可提高疫苗分配效率。本发明作为一种基于疫情传播风险的疫苗分配方法、系统及装置,可广泛应用于资源分配领域。
Description
技术领域
本发明涉及资源分配领域,尤其涉及一种基于疫情传播风险的疫苗分配方法、系统及装置。
背景技术
疫情在全球范围内的暴发流行,疫苗作为高度稀缺资源,它的优化配置是一个紧迫而关键的问题。疫苗分配涉及三个维度:分配给谁,何时分配,在什么地点分配。目前,疫苗的分配策略主要关注分配给谁,以及何时分配,且在分配对象上重点考虑按性别,年龄,职业及危险人群等社会经济属性来进行优先分配,现有的疫苗分配方案没有考虑到疫苗分配的空间位置,而且分配后的效果如何也无从得知。
发明内容
为了解决上述技术问题,本发明的目的是提供一种基于疫情传播风险的疫苗分配方法、系统及装置,可实现对传统疫苗方案的优化,用最小的疫苗剂量最大化控制疫情,节省经济成本,提高疫苗分配效率。
本发明所采用的第一技术方案是:一种基于疫情传播风险的疫苗分配方法,包括以下步骤:
获取用户移动轨迹并对用户移动轨迹进行标准化处理,得到用户轨迹数据;
根据预设参数和用户轨迹数据确定疫情流行病参数;
根据用户轨迹数据和疫情流行病参数构建基于Agent和SEIR的疫情传播模型,并模拟自然传播过程,得到疫情风险地图;
根据疫情风险地图确定疫苗投放策略,并基于Agent和SEIR的疫情传播模型模拟疫苗投放后的疫情结果。。
进一步,所述获取用户移动轨迹并对用户移动轨迹进行标准化处理,得到用户轨迹数据这一步骤,其具体包括:
将用户移动轨迹统一至同一时间分辨率尺度;
将用户移动轨迹统一至同一空间分辨率尺度;
根据时间分辨率和空间分辨率统计用户移动轨迹,得到用户每小时所处的空间位置数据;
得到用户轨迹数据。
进一步,所述根据预设参数和用户轨迹数据确定疫情流行病参数这一步骤,其具体包括:
根据疫情数据确定潜伏期、感染期和基本繁殖数;
根据用户轨迹数据统计时间单元内相遇人次并将时间单元的相遇人次相加,得到对应时间段内的总相遇人次;
根据对应时间段内的总相遇人次和用户总数,得到平均相遇人次;
根据平均相遇人次、感染期和基本繁殖数得到接触感染率,确定疫情流行病参数。
进一步,所述根据平均相遇人次、感染期和基本繁殖数得到接触感染率,具体公式如下:
上式中,R0表示基本繁殖数,Di表示感染期,k表示平均相遇人次,θ表示接触感染率。
进一步,所述根据用户轨迹数据和疫情流行病参数构建基于Agent和SEIR的疫情传播模型,并模拟自然传播过程,得到疫情风险地图这一步骤,其具体包括:
将用户设为智能体并将智能体的生命周期划分为易感状态、暴露状态、感染状态和恢复状态;
初始化智能体的状态为易感状态并随机选择预设数量的智能体设为感染状态;
根据潜伏期和感染期的函数分布确定每个智能体对应的潜伏期和感染期;
根据用户轨迹数据和接触感染率执行智能体的状态转换;
判断到模型中的智能体的状态只剩下易感状态和恢复状态,模拟停止;
统计每个空间单元内被感染的风险,得到空间风险地图。
进一步,所述根据用户轨迹数据和接触感染率执行智能体的状态转换这一步骤,其具体为:
根据用户轨迹数据判断到两个智能体相遇,处于感染状态的智能体按照接触感染率感染处于易感状态的智能体,如果成功感染,则处于易感状态的智能体的状态转换为暴露状态,处于暴露状态的智能体度过自身潜伏期则转为感染状态,处于感染状态的智能体度过自身的感染期则转换为恢复状态。
进一步,所述根据疫情风险地图确定疫苗投放策略,并基于Agent和SEIR的疫情传播模型模拟疫苗投放后的疫情结果这一步骤,其具体包括:
根据疫情风险地图按照风险从高到低排序,得到地区风险的排序结果;
按照地区风险的排序结果对处于各个风险地区的智能体分配疫苗,直至达到预设的疫苗数量;
将被选择的智能体标注为1,尚未被选择的智能体标注为0,得到疫苗标注;
将疫苗标注作为一个字段添加至用户轨迹数据并重新模拟疫苗投放后的疫情结果。
本发明所采用的第二技术方案是:一种基于疫情传播风险的疫苗分配系统,包括:
用户轨迹模块,用于获取用户移动轨迹并对用户移动轨迹进行标准化处理,得到用户轨迹数据;
参数模块,用于根据预设参数和用户轨迹数据确定疫情流行病参数;
传播模型模块,用于根据用户轨迹数据和疫情流行病参数构建基于Agent和SEIR的疫情传播模型;
风险地图模块,用于根据已构建的Agent和SEIR模型模拟自然传播过程,得到疫情风险地图;
策略模块,用于根据疫情风险地图确定疫苗投放策略,并利用上述Agent和SEIR模型模拟疫苗投放后的疫情结果。
本发明所采用的第三技术方案是:一种基于疫情传播风险的疫苗分配装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如上所述一种基于疫情传播风险的疫苗分配方法。
本发明方法、系统及装置的有益效果是:提出一种基于多智能体时空模拟技术的疫苗空间优化方法,利用手机运营商或社交媒体等用户时空轨迹数据,构建疫情传播模型,提出疫苗空间优化的方案,并模拟疫苗分配后的疫情控制结果,实现对传统疫苗方案的优化,用最小的疫苗剂量最大化控制疫情,节省经济成本,提高疫苗分配效率。
附图说明
图1是本发明一种基于疫情传播风险的疫苗分配方法的步骤流程图;
图2是本发明一种基于疫情传播风险的疫苗分配系统的结构框图;
图3是本发明具体实施例模拟自然传播得到疫情风险地图的步骤流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示,本发明提供了一种基于疫情传播风险的疫苗分配方法,该方法包括以下步骤:
S1、获取用户移动轨迹并对用户移动轨迹进行标准化处理,得到用户轨迹数据;
S2、根据预设参数和用户轨迹数据确定疫情流行病参数;
S3、根据用户轨迹数据和疫情流行病参数构建基于Agent和SEIR的疫情传播模型,并模拟自然传播过程,得到疫情风险地图;
S4、根据疫情风险地图确定疫苗投放策略,并基于Agent和SEIR的疫情传播模型模拟疫苗投放后的疫情结果。
进一步作为本方法的优选实施例,所述获取用户移动轨迹并对用户移动轨迹进行标准化处理,得到用户轨迹数据这一步骤,其具体包括:
将用户移动轨迹统一至同一时间分辨率尺度,比如每分钟,每30分钟,每小时等;
将用户移动轨迹统一至同一空间分辨率尺度,比如基站,格网,社区,街道等,每次移动的轨迹位置用对应的空间编号代替;
根据时间分辨率和空间分辨率统计用户移动轨迹,得到用户每小时所处的空间位置数据;
具体地,格式为:用户ID,性别,年龄,居住地空间位置编号,空间位置编号(0点),空间位置编号(1点),空间位置编号(2点)...空间坐标(21点),空间坐标(22点),空间坐标(23点)。
得到用户轨迹数据。
进一步作为本方法的优选实施例,所述根据预设参数和用户轨迹数据确定疫情流行病参数这一步骤,其具体包括:
根据疫情数据确定潜伏期、感染期和基本繁殖数;
具体地,通过已有研究确定潜伏期De/感染期Di/基本繁殖数R0。模型中该数值为可调节变量,可通过滑动按钮模拟不同数值下的结果。
根据用户轨迹数据统计时间单元内相遇人次并将时间单元的相遇人次相加,得到对应时间段内的总相遇人次;
具体地,在每个时间单元内(比如每小时),当两个用户同时出现在同一个空间单元内(如同一格网)内,将两个用户视为相遇,记为1人次,统计每个用户在每小时内的相遇人次;将每个时间单元内的相遇人次进行相加,得到对应时间段内的总相遇人次。
根据对应时间段内的总相遇人次和用户总数,得到平均相遇人次;
具体地,将上述所得的总相遇人次,除以总人数,等到平均相遇人次k。
根据平均相遇人次、感染期和基本繁殖数得到接触感染率,确定疫情流行病参数。
进一步作为本方法优选实施例,所述根据平均相遇人次、感染期和基本繁殖数得到接触感染率,具体公式如下:
上式中,R0表示基本繁殖数,Di表示感染期,k表示平均相遇人次,θ表示接触感染率。
进一步作为本方法优选实施例,根据用户轨迹数据和疫情流行病参数构建基于Agent和SEIR的疫情传播模型,并模拟自然传播过程,得到疫情风险地图这一步骤,其具体包括:
将用户设为智能体并将智能体的生命周期划分为易感状态、暴露状态、感染状态和恢复状态;
初始化智能体的状态为易感状态并随机选择预设数量的智能体设为感染状态;
根据潜伏期和感染期的函数分布确定每个智能体对应的潜伏期和感染期;
具体地,多智能体模型可以充分考虑智能体个体的差异,本方法设置智能体的潜伏期和感染期分别服从均值为De和Di的正态分布,这样每个智能体都有属于自己的潜伏期和感染期
根据用户轨迹数据和接触感染率执行智能体的状态转换;
判断到模型中的智能体的状态只剩下易感状态和恢复状态,模拟停止;
统计每个空间单元内被感染的风险,得到空间风险地图。
具体地,Agent和SEIR疫情传播模型的构建思路是,将用户抽象为智能体,并将智能体的生命周期划分为四个状态:易感(susceptible,S),暴露(exposed,E),感染(infectious,I)和恢复(recovered,R)。每个智能体同一时刻只能处于四个状态中的一种,只有处于感染状态I的智能体才具有传播能力,可以传染给处于易感状态S的智能体;暴露状态E是指智能体已被感染,但处于潜伏期且不具备传播能力;恢复状态R则指智能体已经具有免疫能力,不会传播给其他智能体,同时自身也不会再次被传染。智能体在初始化时为S,只有个别智能体初始化为I(作为潜在传播种子),智能体按照各自的轨迹移动,当两个智能体相遇时,智能体I以一定的概率(接触感染率)去感染智能体S,并将S转为E,当E度过潜伏期之后则转为I,I度过感染期后则转为R,智能体按轨迹逐小时移动并执行状态变化,当模型中只剩S和R的时候,模拟停止。
进一步作为本方法优选实施例,所述根据用户轨迹数据和接触感染率执行智能体的状态转换这一步骤,其具体为:
根据用户轨迹数据判断到两个智能体相遇,处于感染状态的智能体按照一定概率去感染处于易感状态的智能体,如果成功感染,则处于易感状态的智能体的状态转换为暴露状态,处于暴露状态的智能体度过自身潜伏期则转为感染状态,处于感染状态的智能体度过自身的感染期则转换为恢复状态。
具体地,参照图3,当两个智能体相遇(处于同一空间单元),则智能体I按照接触感染率去感染智能体S,如果成功感染,则智能体S状态转换为E,如果E度过自身的潜伏期则转为I,I度过自身的感染期则转换为R,当所有的智能体都执行完状态变化后,智能体进入下一时刻T1移动,直到整个模型中只剩下S和R,模拟停止,为避免随机误差,重复模拟100次,得到较稳定的疫情分布。
进一步作为本方法优选实施例,所述根据疫情风险地图确定疫苗投放策略,并基于Agent和SEIR的疫情传播模型模拟疫苗投放后的疫情结果这一步骤,其具体包括:
根据疫情风险地图按照风险从高到低排序,得到地区风险的排序结果;
按照地区风险的排序结果对处于各个风险地区的智能体分配疫苗,直至达到预设的疫苗数量;
将被选择的智能体标注为1,尚未被选择的智能体标注为0,得到疫苗标注;
将疫苗标注作为一个字段添加至用户轨迹数据,形成疫苗优先次序方案,即疫苗空间策略(可考虑将风险排序和智能体社会经济属性的耦合,形成不同的疫苗空间分配策略),并利用已构建的Agent和SEIR模型模拟不同疫苗策略下的疫情结果。
如图2所示,一种基于疫情传播风险的疫苗分配系统,包括:
用户轨迹模块,用于获取用户移动轨迹并对用户移动轨迹进行标准化处理,得到用户轨迹数据;
参数模块,用于根据预设参数和用户轨迹数据确定疫情流行病参数;
传播模型模块,用于根据用户轨迹数据和疫情流行病参数构建基于Agent和SEIR的疫情传播模型;
风险地图模块,用于根据已构建的Agent和SEIR模型模拟自然传播过程,得到疫情风险地图;
策略模块,用于根据疫情风险地图确定疫苗投放策略,并利用上述Agent和SEIR模型模拟疫苗投放后的疫情结果。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种基于疫情传播风险的疫苗分配装置:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如上所述一种基于疫情传播风险的疫苗分配方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种存储介质,其中存储有处理器可执行的指令,其特征在于:所述处理器可执行的指令在由处理器执行时用于实现如上所述一种基于疫情传播风险的疫苗分配方法。
上述方法实施例中的内容均适用于本存储介质实施例中,本存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种基于疫情传播风险的疫苗分配方法,其特征在于,包括以下步骤:
获取用户移动轨迹并对用户移动轨迹进行标准化处理,得到用户轨迹数据;
根据预设参数和用户轨迹数据确定疫情流行病参数;
根据用户轨迹数据和疫情流行病参数构建基于Agent和SEIR的疫情传播模型,并模拟自然传播过程,得到疫情风险地图;
根据疫情风险地图确定疫苗投放策略,并基于Agent和SEIR的疫情传播模型模拟疫苗投放后的疫情结果。
2.根据权利要求1所述一种基于疫情传播风险的疫苗分配方法,其特征在于,所述获取用户移动轨迹并对用户移动轨迹进行标准化处理,得到用户轨迹数据这一步骤,其具体包括:
将用户移动轨迹统一至同一时间分辨率尺度;
将用户移动轨迹统一至同一空间分辨率尺度;
根据时间分辨率和空间分辨率统计用户移动轨迹,得到用户每小时所处的空间位置数据;
得到标准化用户轨迹数据。
3.根据权利要求2所述一种基于疫情传播风险的疫苗分配方法,其特征在于,所述根据预设参数和用户轨迹数据确定疫情流行病参数这一步骤,其具体包括:
根据疫情数据确定潜伏期、感染期和基本繁殖数;
根据用户轨迹数据统计时间单元内相遇人次并将时间单元的相遇人次相加,得到对应时间段内的总相遇人次;
根据对应时间段内的总相遇人次和用户总数,得到平均相遇人次;
根据平均相遇人次、感染期和基本繁殖数得到接触感染率,确定疫情流行病参数。
5.根据权利要求4所述一种基于疫情传播风险的疫苗分配方法,其特征在于,所述根据用户轨迹数据和疫情流行病参数构建基于Agent和SEIR的疫情传播模型,并模拟自然传播过程,得到疫情风险地图这一步骤,其具体包括:
将用户设为智能体并将智能体的生命周期划分为易感状态、暴露状态、感染状态和恢复状态;
初始化智能体的状态为易感状态并随机选择预设数量的智能体设为感染状态;
根据潜伏期和感染期的函数分布确定每个智能体对应的潜伏期和感染期;
根据用户轨迹数据和接触感染率执行智能体的状态转换;
判断到模型中的智能体的状态只剩下易感状态和恢复状态,模拟停止;
统计每个空间单元内被感染的风险,得到空间风险地图。
6.根据权利要求5所述一种基于疫情传播风险的疫苗分配方法,其特征在于,所述根据用户轨迹数据和接触感染率执行智能体的状态转换这一步骤,其具体为:
根据用户轨迹数据判断到两个智能体相遇,处于感染状态的智能体按照接触感染率感染处于易感状态的智能体,如果成功感染,则处于易感状态的智能体的状态转换为暴露状态,处于暴露状态的智能体度过自身潜伏期则转为感染状态,处于感染状态的智能体度过自身的感染期则转换为恢复状态。
7.根据权利要求6所述一种基于疫情传播风险的疫苗分配方法,其特征在于,所述根据疫情风险地图确定疫苗投放策略,并基于Agent和SEIR的疫情传播模型模拟疫苗投放后的疫情结果这一步骤,其具体包括:
根据疫情风险地图按照风险从高到低排序,得到地区风险的排序结果;
按照地区风险的排序结果对处于各个风险地区的智能体分配疫苗,直至达到预设的疫苗数量;
将被选择的智能体标注为1,尚未被选择的智能体标注为0,得到疫苗标注;
将疫苗标注作为一个字段添加至用户轨迹数据并重新模拟疫苗投放后的疫情结果。
8.一种基于疫情传播风险的疫苗分配系统,其特征在于,包括:
用户轨迹模块,用于获取用户移动轨迹并对用户移动轨迹进行标准化处理,得到用户轨迹数据;
参数模块,用于根据预设参数和用户轨迹数据确定疫情流行病参数;
传播模型模块,用于根据用户轨迹数据和疫情流行病参数构建基于Agent和SEIR的疫情传播模型;
风险地图模块,用于根据已构建的Agent和SEIR模型模拟自然传播过程,得到疫情风险地图;
策略模块,用于根据疫情风险地图确定疫苗投放策略,并利用上述Agent和SEIR模型模拟疫苗投放后的疫情结果。
9.一种基于疫情传播风险的疫苗分配装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-7任一项所述一种基于疫情传播风险的疫苗分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011525990.2A CN112633681B (zh) | 2020-12-22 | 2020-12-22 | 一种基于疫情传播风险的疫苗分配方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011525990.2A CN112633681B (zh) | 2020-12-22 | 2020-12-22 | 一种基于疫情传播风险的疫苗分配方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633681A true CN112633681A (zh) | 2021-04-09 |
CN112633681B CN112633681B (zh) | 2021-10-26 |
Family
ID=75320661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011525990.2A Active CN112633681B (zh) | 2020-12-22 | 2020-12-22 | 一种基于疫情传播风险的疫苗分配方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633681B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114496198A (zh) * | 2022-04-06 | 2022-05-13 | 成都秦川物联网科技股份有限公司 | 一种基于物联网的智慧城市疫苗调度方法和系统 |
CN117172501A (zh) * | 2023-09-21 | 2023-12-05 | 奇点数联(北京)科技有限公司 | 一种基于数据挖掘的物资分配系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020100270A4 (en) * | 2020-02-25 | 2020-03-26 | Bian, Yuan DR | Dynamic system for epidemic disease outbreak control with application to speading pattern simulation and evluation |
CN111354433A (zh) * | 2020-03-18 | 2020-06-30 | 大连理工大学 | 一种基于最优控制的流感疫苗注射策略制定方法 |
-
2020
- 2020-12-22 CN CN202011525990.2A patent/CN112633681B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020100270A4 (en) * | 2020-02-25 | 2020-03-26 | Bian, Yuan DR | Dynamic system for epidemic disease outbreak control with application to speading pattern simulation and evluation |
CN111354433A (zh) * | 2020-03-18 | 2020-06-30 | 大连理工大学 | 一种基于最优控制的流感疫苗注射策略制定方法 |
Non-Patent Citations (3)
Title |
---|
冯业娟 等: "两地区人口流动肺结核动力学模型研究", 《应用数学进展》 * |
吴亚琼 等: "基于SEIR传染病模型的应急救援物流调度优化", 《江苏科技大学学报(自然科学版)》 * |
姚灿中 等: "基于Multi-Agent的复杂网络疾病传播仿真模型", 《计算机工程与应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114496198A (zh) * | 2022-04-06 | 2022-05-13 | 成都秦川物联网科技股份有限公司 | 一种基于物联网的智慧城市疫苗调度方法和系统 |
US11756678B1 (en) | 2022-04-06 | 2023-09-12 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and systems for scheduling vaccines in smart cities based on internet of things (IoT) |
CN117172501A (zh) * | 2023-09-21 | 2023-12-05 | 奇点数联(北京)科技有限公司 | 一种基于数据挖掘的物资分配系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112633681B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hunter et al. | An open-data-driven agent-based model to simulate infectious disease outbreaks | |
CN112633681B (zh) | 一种基于疫情传播风险的疫苗分配方法、系统及装置 | |
Lees et al. | Distributed simulation of agent-based systems with HLA | |
CN111430042A (zh) | 预测传染病传播的方法、装置、计算机设备和存储介质 | |
Hahn et al. | Multi-objective robust strategy synthesis for interval Markov decision processes | |
CN101650687A (zh) | 一种大规模并行程序性能预测实现方法 | |
CN107369342A (zh) | 益智学习系统 | |
CN109947874B (zh) | 移动轨迹的聚合方法、装置及设备 | |
Sanchez et al. | A scalable discrete event stochastic agent-based model of infectious disease propagation | |
Berestizshevsky et al. | Optimization of resource-constrained policies for COVID-19 testing and quarantining | |
Zhang et al. | Comparing empirical power of multilevel structural equation models and hierarchical linear models: Understanding cross-level interactions | |
CN110414402A (zh) | 一种手势数据标注方法、装置、电子设备及存储介质 | |
CN113689957B (zh) | 一种细粒度传染病仿真模型的构建方法 | |
Shatnawi et al. | Modeling and simulation of epidemic spread: Recent advances | |
CN106648617B (zh) | 一种基于扩展的uml2序列图的中断驱动系统建模方法 | |
Al Kadhim et al. | Amortized simulation-based frequentist inference for tractable and intractable likelihoods | |
CN106095927A (zh) | 一种位置数据的处理方法和装置 | |
Shekh et al. | Hybrid multi-threaded simulation of agent-based pandemic modeling using multiple GPUs | |
CN101835164B (zh) | 基于资源移动性的移动网格资源选择方法 | |
CN113973060A (zh) | 一种物联网模拟方法、装置、系统及存储介质 | |
Pacioni et al. | Outbreak user’s manual | |
CN103544863A (zh) | 轨道交通综合监控培训仿真系统数据交互模块及工作方法 | |
Sermeno et al. | Class Scheduling Framework Using Decorator and Façade Design Pattern | |
Zhang et al. | Planning for the optimal vaccination sequence in the context of a population-stratified model | |
CN113327684B (zh) | 基于兵棋推演的疫情模拟方法、装置及计算机可读介质 |
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 |