CN113035366B - 密接人群识别方法、装置、电子设备及存储介质 - Google Patents
密接人群识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113035366B CN113035366B CN202110315764.XA CN202110315764A CN113035366B CN 113035366 B CN113035366 B CN 113035366B CN 202110315764 A CN202110315764 A CN 202110315764A CN 113035366 B CN113035366 B CN 113035366B
- Authority
- CN
- China
- Prior art keywords
- community
- user
- track information
- community structure
- 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
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
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种密接人群识别方法、装置、电子设备及存储介质,所述方法包括:获取预设时间区域内的用户历史轨迹信息;根据预设时间区域和用户历史轨迹信息构建用户关联网络;通过静态社区发现算法和动态社区发现算法对用户关联网络进行社区划分,得到初始社区结构并进行快速更新,初始社区结构包括多个社区,每个社区包括多个密接用户;获取新增用户轨迹信息;基于新增用户轨迹信息,通过动态社区发现算法对初始社区结构进行实时更新。本发明实施例通过静动态社区发现算法的结合实现了快速对社区结构进行更新,二者结合保证了密接人群划分的质量和速度,从控制疫情传播的角度,能够低成本高效率地了解疫情发展。
Description
技术领域
本发明实施例涉及疫情防控技术领域,尤其涉及一种密接人群识别方法、装置、电子设备及存储介质。
背景技术
随着新型冠状病毒(COVID-19)在世界范围内的爆发,全球几乎所有国家和地区都受到了其影响。目前针对新冠病毒还没有十分快速有效的治疗手段,因此,针对新冠病毒采取有效的防护措施尤为重要。
目前针对新冠病毒的防护措施优化和风险评估的研究主要集中在利用流行病学传染模型进行计算机方仿真实验的方法上,即利用目前公开的有效数据结合病毒传播模型来对新冠病毒的发展趋势进行预测,并对现行的防疫措施进行评估是目前的主流研究方法。通常来说,这类研究会充分利用各种有效的数据来进行疾病传染过程的模拟,甚至是精确到个人的高精度模拟。在提出防疫措施的建议的基础上,有的研究更进一步,利用数学模型对不同防疫措施进行优化,找出在给定情况下和模拟仿真结果的防疫措施下的最优解。但基于计算机仿真模拟的防疫研究十分依赖于数据和精确的参数(人群的初始感染情况、病毒的传播参数等),拓展性不高且局限性比较大。
发明内容
有鉴于此,本发明实施例提供一种密接人群识别方法、装置、电子设备及存储介质,以实现精准地锁定密切接触人群。
第一方面,本发明实施例提供一种密接人群识别方法,包括:
获取预设时间区域内的用户历史轨迹信息;
根据所述预设时间区域和所述用户历史轨迹信息构建用户关联网络;
通过静态社区发现算法对所述用户关联网络进行社区划分,得到初始社区结构,所述初始社区结构包括多个社区,每个社区包括多个密接用户;
获取新增用户轨迹信息;
基于所述新增用户轨迹信息,通过动态社区发现算法对所述初始社区结构进行实时更新,得到最优社区结构。
进一步的,所述用户历史轨迹信息包括多个用户轨迹信息,根据所述预设时间区域和所述用户历史轨迹信息构建用户关联网络包括:
遍历所述用户历史轨迹信息,确定两个用户之间是否发生接触;
若两个用户之间发生接触,则在两个用户之间建立连接边,形成用户关联网络;
若两个用户之间发生多次接触,则根据预设规则更新两个用户之间连接边的权重。
进一步的,遍历所述用户历史轨迹信息,确定两个用户之间是否发生接触包括:
获取城市网格数据,所述城市网格数据包括多个城市网格区域;
根据所述城市网格数据对所述用户历史轨迹信息进行格式转换,得到用户移动数据;
遍历所述用户移动数据,若两个用户处于同一城市网格区域的时长达到预设时长,则确定所述两个用户发生接触。
进一步的,通过静态社区发现算法对所述用户关联网络进行社区划分,得到初始社区结构包括:
将所述用户关联网络中的一个节点作为一个社区,依次将每一个节点划分至与其相邻社区后确定对应社区结构的模块度,得到多个模块度;
确定所述多个模块度的最大值,将所述最大值的对应社区结构作为局部优化社区结构;
将所述局部优化社区结构中复合社区中的多个节点融合成一个新节点,将所述局部优化社区结构作为所述用户关联网络,返回将所述用户关联网络中的一个节点作为一个社区的步骤,直至社区结构不再发生变化,得到初始社区结构。
进一步的,基于所述新增用户轨迹信息,通过动态社区发现算法对所述初始社区结构进行实时更新,得到最优社区结构包括:
根据所述新增用户轨迹信息更新所述初始社区结构,确定更新后的所述初始社区结构中权重发生变化的连接边;
根据所述连接边的权重变化对所述初始社区结构进行更新,得到最优社区结构。
进一步的,所述连接边两端的节点为第一节点和第二节点,根据所述连接边的权重变化对所述初始社区结构进行更新包括:
若所述第一节点与所述第二节点属于同一社区,则不对社区结构进行修改;
若所述第一节点与所述第二节点属于不同社区且所述连接边的权重增加,如果menAmount(vi,Ck)参数满足预设条件,则将所述第一节点划分至所述第二节点所在的第二社区,或将所述第二节点划分至所述第一节点所在的第一社区。
进一步的,基于所述新增用户轨迹信息,通过动态社区发现算法对所述初始社区结构进行实时更新,得到最优社区结构之后,还包括:
在预设时间间隔之后或预设事件发生,将所述最优社区结构作为所述用户关联网络,返回通过静态社区发现算法对所述用户关联网络进行社区划分的步骤。
第二方面,本发明实施例提供一种密接人群识别装置,包括:
历史轨迹信息获取模块,用于获取预设时间区域内的用户历史轨迹信息;
用户关联网络构建模块,用于根据所述预设时间区域和所述用户历史轨迹信息构建用户关联网络;
静态社区划分模块,用于通过静态社区发现算法对所述用户关联网络进行社区划分,得到初始社区结构,所述初始社区结构包括多个社区,每个社区包括多个密接用户;
新增轨迹信息获取模块,用于获取新增用户轨迹信息;
动态社区划分模块,用于基于所述新增用户轨迹信息,通过动态社区发现算法对所述初始社区结构进行实时更新,得到最优社区结构。
第三方面,本发明实施例提供一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或至少一个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例提供的密接人群识别方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现本发明任意实施例提供的密接人群识别方法。
本发明实施例提供的密接人群识别方法通过静态社区发现算法实现了精准地对用户历史轨迹信息进行社区划分,通过动态社区发现算法的结合实现了快速对社区结构进行更新,二者结合保证了密接人群划分的质量和速度,提高确定密接人群的准确性,从控制疫情传播的角度,能够低成本高效率地了解疫情发展。
附图说明
图1为本发明实施例一提供的一种密接人群识别方法的流程示意图;
图2为本发明实施例二提供的一种密接人群识别方法的流程示意图;
图3为本发明实施例三提供的一种密接人群识别装置的结构示意图;
图4为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止,但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外,术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等,但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”、“批量”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
实施例一
图1为本发明实施例一提供的一种密接人群识别方法的流程示意图。如图1所示,本发明实施例一提供的密接人群识别方法包括:
S110、获取预设时间区域内的用户历史轨迹信息。
具体的,用户历史轨迹信息是指用户日常活动的轨迹数据,如GPS(GlobalPositioning System,全球定位系统)数据,也即历史时间的用户轨迹信息。用户历史轨迹信息通常包括用户ID、时间帧、经度坐标和纬度坐标。在GPS轨迹数据中,时间是以帧为单位,一天的时间分解成了480帧,每一帧为3分钟,即用户历史轨迹信息记录了每三分钟用户所处的位置。
预设时间区域表示获取的用户历史轨迹信息的时间跨度,也相当于获取的用户历史轨迹信息的数据量。考虑到计算机存储的问题,获取的用户历史轨迹信息的数据量不宜过多,同时为了后续计算精度,获取的用户历史轨迹信息的数据量也不宜过少。一般的,以新型冠状病毒COVID-19为例,预设时间区域可根据广泛认可的潜伏期时长14天为标准,这样的做法既保证了计算机存储空间的有效利用,也保证了算法的有效性。
S120、根据所述预设时间区域和所述用户历史轨迹信息构建用户关联网络。
具体的,用户关联网络就是体现各个用户之间的接触关系的网络。用户历史轨迹信息中的一个用户,就是用户关联网络中的一个点,称为一个节点。当两个用户之间有接触时,则将两个节点之间用线连接起来,这条线就称为两个节点之间的连接边。当在预设时间区域内两个用户之间有多次接触时,则增加两个节点之间的连接边的权重。一般的,连接边的权重的初始值为1,该连接边的两个用户每增加一次接触,则权重加1。
由于用户历史轨迹信息是预设时间区域内的数据,具有一定的时间跨度,因此用户关联网络是随着时间进行更新的动态网络。示例性的,用户历史轨迹信息是2021年1月1日0点至2021年1月14日0点之间的用户GPS数据,根据2021年1月1日0点时的用户历史轨迹信息(假设此时具有100个用户的GPS数据),构建一级用户关联网络;在2021年1月1日1点时,根据该时刻的用户历史轨迹信息(此时可能具有120个用户的GPS数据)对一级用户关联网络进行更新,得到二级用户关联网络;按此时间规律进行更新,到2021年1月14日0点时,即可得到预设时间区域内的用户历史轨迹信息对应的用户关联网络。
S130、通过静态社区发现算法对所述用户关联网络进行社区划分,得到初始社区结构,所述初始社区结构包括多个社区,每个社区包括多个密接用户。
具体的,静态社区发现算法主要是以社区划分的评价指标来进行社区划分,通过最优指标来寻找最优的社区结构,初始社区结构则体现了个体行为的局部性特征以及相互之间最优的关联关系。初始社区结构也是一种由多个节点相互连接的网络结构,多个节点形成一个社区,一般的,一个节点表示一个用户,一个社区下的所有用户即为一组密切接触(简称密接)的用户群体。当有感染者时,只要确定感染者的用户ID,即可对感染者进行定位,并快速准确确定与感染者密切接触的人群。
优选的,静态社区发现算法采用Louvain算法,通过Louvain算法计算社区的模块度(Modularity)指标,模块度是一种描述社区内部个体紧密程度的指标,它认为社区内部的联系相较于社区之间的联系会更加紧密。当模块度最大时,即认为获得了初始社区结构。
通过Louvain算法进行社区划分的具体步骤为:1.将用户关联网络的一个节点作为一个社区;2.将每一个节点划分至与其相邻的社区之中使得模块度最大化,得到一局部优化后的社区结构,此时存在多个节点属于同一个社区的情况;3.将同一个社区的所有节点融合成一个新节点,也即将包含多个节点的社区转化成一个新节点,然后返回步骤2。不断重复步骤2和步骤3,当模块度不能够取得更大的值,且一个用户仅存在于一个社区中时,则认为社区结构不再发生变化,此时的社区结构即为初始社区结构。
S140、获取新增用户轨迹信息。
具体的,新增用户轨迹信息通常表示当前得到的用户实时轨迹数据,其通常是用户关联网络中的部分区域中的新增数据,故而新增用户轨迹信息仅对初始社区结构中的部分节点产生影响。
S150、基于所述新增用户轨迹信息,通过动态社区发现算法对所述初始社区结构进行实时更新,得到最优社区结构。
具体的,由于新增用户轨迹信息仅对初始社区结构中的部分节点产生影响,故而通过动态社区发现算法对初始社区结构进行局部的实时更新,也即对初始社区结构中受影响的节点进行实时更新。优选的,动态社区发现算法采用一种基于QCA(Quick CommunityAdaption,快速社区调整)的算法,其原理是:根据网络中发生变化的部分局部更新社区结构。如此可降低社区结构的更新数据,减少计算量,加快社区结构更新速度,能够更加快速的得到最优社区结构。
QCA优化算法的计算公式:
其中,vi表示权重发生变化的连接边所连接的一个节点;vj表示属于社区Ck且和节点vi相邻的节点;Ck表示与节点vi相邻的某一社区;Amount(vi,Ck)表示与节点vi相邻且属于社区Ck的所有连接边的权重之和;Amount(vi)表示与节点vi相邻的所有连接边的权重之和,即节点vi的度;menAmount(vi,Ck)表示节点vi属于社区Ck的权重;adjoin(vi)表示与节点vi相邻的所有连接边。
本发明实施例一提供的密接人群识别方法通过静态社区发现算法实现了精准地对用户历史轨迹信息进行社区划分,通过动态社区发现算法的结合实现了快速对社区结构进行更新,二者结合保证了密接人群划分的质量和速度,提高确定密接人群的准确性,从控制疫情传播的角度,能够低成本高效率地了解疫情发展。
实施例二
图2为本发明实施例二提供的一种密接人群识别方法的流程示意图,本实施例是对上述实施例的进一步细化。如图2所示,本发明实施例二提供的密接人群识别方法包括:
S200、获取预设时间区域内的用户历史轨迹信息。
S210、遍历所述用户历史轨迹信息,确定两个用户之间是否发生接触。
S220、若两个用户之间发生接触,则在两个用户之间建立连接边,形成用户关联网络。
具体的,用户历史轨迹信息包括多个用户轨迹信息。当两个用户之间发生接触,可以认为二者属于密接人群。确定两个用户之间是否发生接触的方法可以是:当第一用户轨迹信息与第二用户轨迹信息的距离在同一时间处于预设范围时,则认为第一用户和第二用户之间发生了一次接触,此时在二者之间建立连接边。第一用户轨迹信息与第二用户轨迹信息的距离在同一时间处于预设范围是指,第一用户轨迹信息与第二用户轨迹信息中的时间帧相同,根据经度坐标和纬度坐标计算得到二者之间的距离,此距离小于或等于预设距离。
在某一历史时刻,一个用户的轨迹信息是唯一的,在预设时间区域的起始时刻可以形成一级用户关联网络,此后根据预设时间间隔对一级用户关联网络进行更新,直至预设时间区域的终止时刻,形成最终的用户关联网络,用户关联网络中的一个节点代表一个用户。在对用户关联网络进行更新时,当前用户关联网络相较于上一级用户关联网络有增加的用户轨迹信息时,则在当前用户关联网络中增加对应的节点和连接边。
可选的,确定两个用户之间是否发生接触的方法还可以是步骤S221~S223(图中未示出)。
S221、获取城市网格数据,所述城市网格数据包括多个城市网格区域。
具体的,城市网格数据是将一个城市或特定地区划分成若干个小区域,即若干个城市网格区域,并对每个城市网格区域进行编号,形成网格ID。例如,通过Uber H3模型将深圳市区划分为5270个相同大小并且互相不重叠的正六边形网格,一个正六边形网格即为一个城市网格区域,其具有唯一的网格ID。
S222、根据所述城市网格数据对所述用户历史轨迹信息进行格式转换,得到用户移动数据。
具体的,对用户历史轨迹信息进行格式转换,就是将用户历史轨迹信息与城市网格数据匹配起来。用户历史轨迹信息由用户ID、时间帧、经度坐标和纬度坐标表示,城市网格数据由城市网格区域和网格ID表示,格式转换为:根据用户历史轨迹信息中的经度坐标和纬度坐标确定用户所在的城市网格区域,将其转化为该城市网格区域的网格ID。转化后的数据称为用户移动数据,其通过用户ID、时间帧和网格ID表示。
S223、遍历所述用户移动数据,若两个用户处于同一城市网格区域的时长达到预设时长,则确定所述两个用户发生接触。
具体的,在用户关联网络的构建时或更新时,遍历相应时间点的用户移动数据,当第一用户移动数据与第二用户移动数据在同一时间处于同一城市网格区域,也即第一用户ID对应的时间帧和网格ID与第二用户ID对应的时间帧和网格ID分别相同,则认为第一用户和第二用户之间发生了接触,此时将第一用户和第二用户之间连接起来,建立连接边,形成用户关联网络。
可选的,还可以通过确定第一用户和第二用户处于同一城市网格区域的时长来判断两个用户是否发生接触。例如,当第一用户和第二用户处于同一城市网格区域的时长达到预设时长,则认为第一用户与第二用户之间发生了接触。
S230、若两个用户之间发生多次接触,则根据预设规则更新两个用户之间连接边的权重。
具体的,在确定两个用户发生接触并建立连接边后,若在之后两个用户还发生了多次接触,在进行网络更新时,根据预设规则对两个用户之间的连接边的权重进行更新,也即,通过连接边权重的更新来表示用户之间的接触频次。
在对用户关联网络进行更新时,若第一用户轨迹信息与第二用户轨迹信息的距离处于预设范围内的次数达到预设次数,则可以认为第一用户与第二用户频繁发生接触,此时根据预设规则增加两个用户之间的连接边的权重。例如,当两个用户之间每增加一次接触,则将对应连接边的权重加1。示例性的,在一级用户关联网络中,第一用户与第二用户初次建立连接边,初次建立的连接边的权重默认为1。对一级用户关联网络进行更新时,检测到第一用户与第二用户再次发生接触(也即网络更新时,第一用户轨迹信息与第二用户轨迹信息的距离仍旧处于预设范围内),此时将第一用户与第二用户连接边的权重加1,设为2。在下一次更新时两个用户之间仍旧发生接触,则继续将连接边的权重加1。
S240、将所述用户关联网络中的一个节点作为一个社区,依次将每一个节点划分至与其相邻社区后确定对应社区结构的模块度,得到多个模块度。
具体的,将用户关联网络中的一个节点作为一个社区,也就是将一个用户作为一个社区。将一个用户划分至与其相邻的社区后,用户关联网络的结构发生变化,形成一个新的社区结构,这个新的社区结构具有一个模块度。依次对用户关联网络中的每一个用户执行上述操作,即可得到多个模块度。
例如,用户关联网络中包括3个用户(设用户A、用户B和用户C依次连接),这3个用户分别作为一个社区,共有3个社区(A、B、C)。将用户A划分至社区B,则新的社区结构中包含两个社区,一个社区包含用户A和用户B,一个社区包含用户C,该社区结构对应模块度a。然后将用户B划分至社区C得到模块度b。将用户B划分至社区A与将用户A划分至社区B相同,将用户B划分至社区C与将用户C划分至社区B相同,相同情况仅计算一次即可。
模块度(Modularity)的计算方式如下:
其中,m为用户关联网络中所有节点的权值之和;Aij代表节点i和节点j之间的连接边的权重;ki代表连接节点i的所有连接边的权重之和;δ(ci,Cj)用于判断节点i和节点j是否属于同一个社区,如果属于则δ(ci,cj)=1,否则δ(ci,cj)=0;∑tot代表社区c之中所有节点的连接边的权重之和;∑in则代表社区c之内的连接边的权重之和。模块度越接近1,说明划分的社区结构越好。
S250、确定所述多个模块度的最大值,将所述最大值的对应社区结构作为局部优化社区结构。
具体的,当模块度达到最大值时,说明此时的社区结构划分是最优的,则将模块度最大值的对应社区结构作为局部优化社区结构。
S260、将所述局部优化社区结构中复合社区中的多个节点融合成一个新节点,将所述局部优化社区结构作为所述用户关联网络,返回步骤S240,直至社区结构不再发生变化,得到初始社区结构。
具体的,局部优化社区结构也是一个网络结构,其中的复合社区即为节点划分后所形成的社区。复合社区中包括多个节点,将这多个节点融合成一个新节点,从而使得局部优化社区结构中也是一个节点为一个社区,此时融合之后形成的社区结构中,节点与节点之间的连接边的权重,是融合之前社区与社区之间连接边的权重总和。此时将局部优化社区结构作为用户关联网络,返回步骤S240继续进行社区结构的划分。当社区结构不再发生变化时,则得到初始社区结构。社区结构不再发生变化,是指更新后的社区结构中,不能够得到比之前更大的模块度,并且,更新后的社区结构中不再出现复合社区,也就是没有能够融合的节点。
S270、获取新增用户轨迹信息。
具体的,新增用户轨迹信息通常表示当前得到的用户实时轨迹数据,其通常是用户关联网络中的部分区域中的新增数据,故而新增用户轨迹信息仅对初始社区结构中的部分节点产生影响。
S280、基于所述新增用户轨迹信息,通过动态社区发现算法对所述初始社区结构进行实时更新,得到最优社区结构。
具体的,本实施例的动态社区发现算法采用一种基于QCA(Quick CommunityAdaption,快速社区调整)的算法,具体包括:根据所述新增用户轨迹信息更新所述初始社区结构,确定更新后的所述初始社区结构中权重发生变化的连接边;根据所述连接边的权重变化对所述初始社区结构进行更新,得到最优社区结构。
具体的,对于新增用户轨迹信息,新增用户加入初始社区结构中,将新增用户作为一个单独社区直接加入初始社区结构中,其可能造成连接边权重的增加。
当连接边权重增加时,若该连接边的两端的两个节点处于同一个社区之中,则社区结构不会发生变化,此时不对社区结构进行修改,当前社区结构即为最优社区结构。若该连接边的两端的两个节点在同一社区,假设节点a属于社区p,节点b属于社区q,若满足:
Amount(a)=Amount(a)+w
Amount(a,Cq)=Amount(a,Cq)+w
其中,Cq表示社区q;w表示连接a,b两个节点的边的权重。综合上述所有公式判断节点a是否可以更换至社区q。若节点a无法移至社区q,则再判断节点b是否可以移动至社区p。
进一步的,随着时间推移,部分用户历史轨迹信息处于预设时间区域之外,此时需要舍弃该部分用户历史轨迹信息,则会造成初始社区结构中的用户减少,此时可能造成连接边权重的减少。当连接边权重降低时,若该连接边的两端的两个节点(第一节点和第二节点)处于同一个社区之中,对社区结构不会造成任何影响,只会进一步降低这两个节点的耦合程度,提升模块度,此时不对社区结构进行修改,当前社区结构即为最优社区结构。若该连接边的两端的两个节点在同一社区,先将两个节点分别设置为一个单独的社区,随后随机地遍历与第一节点相连接的社区,或遍历与第二节点相连接的社区,若满足下式,则更新节点至社区Ck。
menAmount(vi,Ck)-menAmount(vi,Cp)>σ
其中,Cp表示节点vi当前所属社区;menAmount(vi,Cp)表示节点vi属于社区Cp的权重;σ表示收敛的阈值。
S290、在预设时间间隔之后或预设事件发生,将所述最优社区结构作为所述用户关联网络,返回步骤S240。
具体的,由于动态社区发现算法并没有利用网络的整体信息寻找全局的最优解,只是进行了局部的修改,并且通常动态社区发现算法只是按照一定的规则对社区结构进行更新,因此随着动态社区发现算法的叠加,得到的最优社区结构会逐渐偏离初始社区结构,因此每隔预设时间间隔,或者预设事件发生(如发现新的感染者),则返回步骤S240,重新利用静态社区发现算法来提升社区划分的质量,以提高算法的准确性。如此,也实现了根据实际情况对社区结构进行更新,如普通新增用户,通过动态社区发现算法对社区结构进行快速更新;若出现感染者(预设事件发生),通过静态社区发现算法进行更新,以确保密接人群划分的准确性。
本发明实施例二提供的密接人群识别方法通过静态社区发现算法与动态社区发现算法的结合,弥补了传统技术在结果质量和运行效率上无法兼顾的缺点,实现了快速精准地对用户历史轨迹信息进行社区划分,提高确定密接人群的准确性,从控制疫情传播的角度,能够低成本高效率地了解疫情发展。
实施例三
图3为本发明实施例三提供的一种密接人群识别装置的结构示意图。本实施例提供的密接人群识别装置能够实现本发明任意实施例提供的密接人群识别方法,具备实现方法的相应功能结构和有益效果,本实施例中未详尽描述的内容可参考本发明任意方法实施例的描述。
如图3所示,本发明实施例三提供的密接人群识别装置包括:历史轨迹信息获取模块310、用户关联网络构建模块320、静态社区划分模块330、新增轨迹信息获取模块340和动态社区划分模块350,其中:
历史轨迹信息获取模块310用于获取预设时间区域内的用户历史轨迹信息;
用户关联网络构建模块320用于根据所述预设时间区域和所述用户历史轨迹信息构建用户关联网络;
静态社区划分模块330用于通过静态社区发现算法对所述用户关联网络进行社区划分,得到初始社区结构,所述初始社区结构包括多个社区,每个社区包括多个密接用户;
新增轨迹信息获取模块340用于获取新增用户轨迹信息;
动态社区划分模块350用于基于所述新增用户轨迹信息,通过动态社区发现算法对所述初始社区结构进行实时更新,得到最优社区结构。
进一步的,所述用户历史轨迹信息包括多个用户轨迹信息,用户关联网络构建模块320包括:
用户接触确定单元,用于遍历所述用户历史轨迹信息,确定两个用户之间是否发生接触;
连接边建立单元,用于若两个用户之间发生接触,则在两个用户之间建立连接边,形成用户关联网络;
连接边权重更新单元,用于若两个用户之间发生多次接触,则根据预设规则更新两个用户之间连接边的权重。
进一步的,所述用户接触确定单元具体用于:
获取城市网格数据,所述城市网格数据包括多个城市网格区域;
根据所述城市网格数据对所述用户历史轨迹信息进行格式转换,得到用户移动数据;
遍历所述用户移动数据,若两个用户处于同一城市网格区域的时长达到预设时长,则确定所述两个用户发生接触。
进一步的,静态社区划分模块330包括:
模块度确定单元,用于将所述用户关联网络中的一个节点作为一个社区,依次将每一个节点划分至与其相邻社区后确定对应社区结构的模块度,得到多个模块度;
局部优化社区结构确定单元,用于确定所述多个模块度的最大值,将所述最大值的对应社区结构作为局部优化社区结构;
节点融合单元,用于将所述局部优化社区结构中复合社区中的多个节点融合成一个新节点,将所述局部优化社区结构作为所述用户关联网络,返回将所述用户关联网络中的一个节点作为一个社区的步骤,直至社区结构不再发生变化,得到初始社区结构。
进一步的,动态社区划分模块350包括:
连接边确定单元,用于根据所述新增用户轨迹信息更新所述初始社区结构,确定更新后的所述初始社区结构中权重发生变化的连接边;
初始社区结构更新单元,用于根据所述连接边的权重变化对所述初始社区结构进行更新,得到最优社区结构。
进一步的,所述连接边两端的节点为第一节点和第二节点,所述初始社区结构更新单元具体用于:
若所述第一节点与所述第二节点属于同一社区,则不对社区结构进行修改;
若所述第一节点与所述第二节点属于不同社区且所述连接边的权重增加,如果menAmount(vi,Ck)参数满足预设条件,则将所述第一节点划分至所述第二节点所在的第二社区,或将所述第二节点划分至所述第一节点所在的第一社区。
进一步的,还包括:
社区结构更新模块,用于在预设时间间隔之后,将所述最优社区结构作为所述用户关联网络,返回通过静态社区发现算法对所述用户关联网络进行社区划分的步骤。
本发明实施例三提供的密接人群识别装置静态社区发现算法实现了精准地对用户历史轨迹信息进行社区划分,通过动态社区发现算法的结合实现了快速对社区结构进行更新,二者结合保证了密接人群划分的质量和速度,提高确定密接人群的准确性,从控制疫情传播的角度,能够低成本高效率地了解疫情发展。
实施例四
图4为本发明实施例四提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性电子设备412的框图。图4显示的电子设备412仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,电子设备412以通用电子设备的形式表现。电子设备412的组件可以包括但不限于:一个或者多个处理器416,存储装置428,连接不同系统组件(包括存储装置428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种,包括存储装置总线或者存储装置控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance,ISA)总线,微通道体系结构(Micro Channel Architecture,MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
电子设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备412访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置428可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory,RAM)430和/或高速缓存存储器432。电子设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘,例如只读光盘(Compact Disc Read-Only Memory,CD-ROM),数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储装置428可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440,可以存储在例如存储装置428中,这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
电子设备412也可以与一个或多个外部设备414(例如键盘、指向终端、显示器424等)通信,还可与一个或者多个使得用户能与该电子设备412交互的终端通信,和/或与使得该电子设备412能与一个或多个其它计算终端进行通信的任何终端(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且,电子设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网(Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图4所示,网络适配器420通过总线418与电子设备412的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备412使用其它硬件和/或软件模块,包括但不限于:微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks,RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在存储装置428中的程序,从而执行各种功能应用以及数据处理,例如实现本发明任意实施例所提供的密接人群识别方法,该方法可以包括:
获取预设时间区域内的用户历史轨迹信息;
根据所述预设时间区域和所述用户历史轨迹信息构建用户关联网络;
通过静态社区发现算法对所述用户关联网络进行社区划分,得到初始社区结构,所述初始社区结构包括多个社区,每个社区包括多个密接用户;
获取新增用户轨迹信息;
基于所述新增用户轨迹信息,通过动态社区发现算法对所述初始社区结构进行实时更新,得到最优社区结构。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的密接人群识别方法,该方法可以包括:
获取预设时间区域内的用户历史轨迹信息;
根据所述预设时间区域和所述用户历史轨迹信息构建用户关联网络;
通过静态社区发现算法对所述用户关联网络进行社区划分,得到初始社区结构,所述初始社区结构包括多个社区,每个社区包括多个密接用户;
获取新增用户轨迹信息;
基于所述新增用户轨迹信息,通过动态社区发现算法对所述初始社区结构进行实时更新,得到最优社区结构。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是,但不限于,电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言(诸如Java、Smalltalk、C++),还包括常规的过程式程序设计语言(诸如“C”语言或类似的程序设计语言)。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种密接人群识别方法,其特征在于,包括:
获取预设时间区域内的用户历史轨迹信息;
根据所述预设时间区域和所述用户历史轨迹信息构建用户关联网络;
所述用户历史轨迹信息包括多个用户轨迹信息,所述根据所述预设时间区域和所述用户历史轨迹信息构建用户关联网络包括:
遍历所述用户历史轨迹信息,确定两个用户之间是否发生接触;
若两个用户之间发生接触,则在两个用户之间建立连接边,形成用户关联网络;
若两个用户之间发生多次接触,则根据预设规则更新两个用户之间连接边的权重;
通过静态社区发现算法对所述用户关联网络进行社区划分,得到初始社区结构,所述初始社区结构包括多个社区,每个社区包括多个密接用户;
获取新增用户轨迹信息;
基于所述新增用户轨迹信息,通过动态社区发现算法对所述初始社区结构进行实时更新,得到最优社区结构。
2.如权利要求1所述的方法,其特征在于,遍历所述用户历史轨迹信息,确定两个用户之间是否发生接触包括:
获取城市网格数据,所述城市网格数据包括多个城市网格区域;
根据所述城市网格数据对所述用户历史轨迹信息进行格式转换,得到用户移动数据;
遍历所述用户移动数据,若两个用户处于同一城市网格区域的时长达到预设时长,则确定所述两个用户发生接触。
3.如权利要求1所述的方法,其特征在于,通过静态社区发现算法对所述用户关联网络进行社区划分,得到初始社区结构包括:
将所述用户关联网络中的一个节点作为一个社区,依次将每一个节点划分至与其相邻社区后确定对应社区结构的模块度,得到多个模块度;
确定所述多个模块度的最大值,将所述最大值的对应社区结构作为局部优化社区结构;
将所述局部优化社区结构中复合社区中的多个节点融合成一个新节点,将所述局部优化社区结构作为所述用户关联网络,返回将所述用户关联网络中的一个节点作为一个社区的步骤,直至社区结构不再发生变化,得到初始社区结构。
4.如权利要求1所述的方法,其特征在于,基于所述新增用户轨迹信息,通过动态社区发现算法对所述初始社区结构进行实时更新,得到最优社区结构包括:
根据所述新增用户轨迹信息更新所述初始社区结构,确定更新后的所述初始社区结构中权重发生变化的连接边;
根据所述连接边的权重变化对所述初始社区结构进行更新,得到最优社区结构。
5.如权利要求4所述的方法,其特征在于,所述连接边两端的节点为第一节点和第二节点,根据所述连接边的权重变化对所述初始社区结构进行更新包括:
若所述第一节点与所述第二节点属于同一社区,则不对社区结构进行修改;
若所述第一节点与所述第二节点属于不同社区且所述连接边的权重增加,如果menAmount(vi,Ck)参数满足预设条件,则将所述第一节点划分至所述第二节点所在的第二社区,或将所述第二节点划分至所述第一节点所在的第一社区。
6.如权利要求1所述的方法,其特征在于,基于所述新增用户轨迹信息,通过动态社区发现算法对所述初始社区结构进行实时更新,得到最优社区结构之后,还包括:
在预设时间间隔之后或预设事件发生,将所述最优社区结构作为所述用户关联网络,返回通过静态社区发现算法对所述用户关联网络进行社区划分的步骤。
7.一种密接人群识别装置,其特征在于,包括:
历史轨迹信息获取模块,用于获取预设时间区域内的用户历史轨迹信息;
用户关联网络构建模块,用于根据所述预设时间区域和所述用户历史轨迹信息构建用户关联网络;
所述用户历史轨迹信息包括多个用户轨迹信息,所述用户关联网络构建模块包括:
用户接触确定单元,用于遍历所述用户历史轨迹信息,确定两个用户之间是否发生接触;
连接边建立单元,用于若两个用户之间发生接触,则在两个用户之间建立连接边,形成用户关联网络;
连接边权重更新单元,用于若两个用户之间发生多次接触,则根据预设规则更新两个用户之间连接边的权重;
静态社区划分模块,用于通过静态社区发现算法对所述用户关联网络进行社区划分,得到初始社区结构,所述初始社区结构包括多个社区,每个社区包括多个密接用户;
新增轨迹信息获取模块,用于获取新增用户轨迹信息;
动态社区划分模块,用于基于所述新增用户轨迹信息,通过动态社区发现算法对所述初始社区结构进行实时更新,得到最优社区结构。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或至少一个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一项所述的密接人群识别方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的密接人群识别方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110315764.XA CN113035366B (zh) | 2021-03-24 | 2021-03-24 | 密接人群识别方法、装置、电子设备及存储介质 |
PCT/CN2021/119616 WO2022198947A1 (zh) | 2021-03-24 | 2021-09-22 | 密接人群识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110315764.XA CN113035366B (zh) | 2021-03-24 | 2021-03-24 | 密接人群识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113035366A CN113035366A (zh) | 2021-06-25 |
CN113035366B true CN113035366B (zh) | 2023-01-13 |
Family
ID=76473667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110315764.XA Active CN113035366B (zh) | 2021-03-24 | 2021-03-24 | 密接人群识别方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113035366B (zh) |
WO (1) | WO2022198947A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113035366B (zh) * | 2021-03-24 | 2023-01-13 | 南方科技大学 | 密接人群识别方法、装置、电子设备及存储介质 |
CN114694850B (zh) * | 2022-04-12 | 2023-03-21 | 北京交通大学 | 一种面向地铁网络的疫情密接人群追溯方法 |
CN115294778A (zh) * | 2022-09-28 | 2022-11-04 | 四川科泰智能电子有限公司 | 一种区域车辆进出统计方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358535A (zh) * | 2017-07-10 | 2017-11-17 | 深圳乐信软件技术有限公司 | 一种社区发现方法及装置 |
CN107577727A (zh) * | 2017-08-22 | 2018-01-12 | 武汉大学 | 一种群体移动行为特性分析方法 |
CN110378002A (zh) * | 2019-07-11 | 2019-10-25 | 华中农业大学 | 基于移动轨迹的社会关系建模方法 |
CN112052404A (zh) * | 2020-09-23 | 2020-12-08 | 西安交通大学 | 多源异构关系网络的群体发现方法、系统、设备及介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425868B (zh) * | 2013-07-04 | 2016-12-28 | 西安理工大学 | 基于分形特征的复杂网络社区发现方法 |
CA2936876A1 (en) * | 2015-07-22 | 2017-01-22 | Radicalogic Technologies, Inc. Dba Rl Solutions | Systems and methods for near-real or real-time contact tracing |
WO2017216056A1 (en) * | 2016-06-14 | 2017-12-21 | Koninklijke Philips N.V. | Monitoring infection risk |
CN107527295B (zh) * | 2017-08-24 | 2021-04-30 | 中南大学 | 基于时态合著网络的学术团队动态社区发现方法及其质量评估方法 |
CN109840720B (zh) * | 2019-03-01 | 2023-04-07 | 同济大学 | 车联网社区动态演化方法 |
CN110750730B (zh) * | 2019-09-10 | 2023-04-07 | 合肥工业大学 | 基于时空约束的群体检测方法和系统 |
CN111462918B (zh) * | 2020-03-29 | 2021-02-05 | 和宇健康科技股份有限公司 | 一种基于区块链的疫情监控方法及系统 |
CN111540476B (zh) * | 2020-04-20 | 2020-12-01 | 中国科学院地理科学与资源研究所 | 一种基于手机信令数据的呼吸道传染病传染树重构方法 |
AU2020102965A4 (en) * | 2020-10-22 | 2020-12-24 | Chakraborty, Chinmay DR | An integrated secure covide-19 contact tracing framework using iot platform with blockchain |
CN113161006B (zh) * | 2021-03-24 | 2023-01-13 | 南方科技大学 | 密接人员感染风险评估方法、装置、电子设备及存储介质 |
CN113035366B (zh) * | 2021-03-24 | 2023-01-13 | 南方科技大学 | 密接人群识别方法、装置、电子设备及存储介质 |
-
2021
- 2021-03-24 CN CN202110315764.XA patent/CN113035366B/zh active Active
- 2021-09-22 WO PCT/CN2021/119616 patent/WO2022198947A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358535A (zh) * | 2017-07-10 | 2017-11-17 | 深圳乐信软件技术有限公司 | 一种社区发现方法及装置 |
CN107577727A (zh) * | 2017-08-22 | 2018-01-12 | 武汉大学 | 一种群体移动行为特性分析方法 |
CN110378002A (zh) * | 2019-07-11 | 2019-10-25 | 华中农业大学 | 基于移动轨迹的社会关系建模方法 |
CN112052404A (zh) * | 2020-09-23 | 2020-12-08 | 西安交通大学 | 多源异构关系网络的群体发现方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022198947A1 (zh) | 2022-09-29 |
CN113035366A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113035366B (zh) | 密接人群识别方法、装置、电子设备及存储介质 | |
CN113161006B (zh) | 密接人员感染风险评估方法、装置、电子设备及存储介质 | |
Compton et al. | Geotagging one hundred million twitter accounts with total variation minimization | |
CN111460234B (zh) | 图查询方法、装置、电子设备及计算机可读存储介质 | |
CN108965017B (zh) | 一种网络流量预测方法和装置 | |
CN114357105A (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
CN112800237A (zh) | 基于知识图谱嵌入表示的预测方法、装置和计算机设备 | |
CN117078048B (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
US20110064269A1 (en) | Object position tracking system and method | |
CN116301048A (zh) | 无人机路径规划方法、系统、电子设备以及存储介质 | |
CN111752691A (zh) | Ai计算图的排序方法、装置、设备及存储介质 | |
CN114141385A (zh) | 一种用于传染病的预警方法、系统和可读存储介质 | |
EP3192061B1 (en) | Measuring and diagnosing noise in urban environment | |
CN113566831B (zh) | 基于人机交互的无人机集群导航方法、装置和设备 | |
CN116992151A (zh) | 一种基于双塔图卷积神经网络的在线课程推荐方法 | |
Cao et al. | A grey wolf optimizer–cellular automata integrated model for urban growth simulation and optimization | |
CN117117833A (zh) | 光伏输出功率预测方法、装置、电子设备及存储介质 | |
CN114900435B (zh) | 一种连接关系预测方法及相关设备 | |
CN115906717A (zh) | 一种水土保持的侵蚀计算方法及系统 | |
CN115860179A (zh) | 轨迹预测方法、装置、设备、存储介质及程序产品 | |
CN110942178B (zh) | 一种基于资源分配指标的链路预测方法的充电桩推荐方法 | |
CN114566048A (zh) | 一种基于多视角自适应时空图网络的交通控制方法 | |
KR102341467B1 (ko) | 인공지능 기반 대피우선순위를 설정하는 알고리즘을 이용하여 재난상황에서 우선권이 있는 운전자부터 순차적으로 알람을 전송함으로써 차량의 막힘이 없이 신속한 대피가 가능한 주차장 재난대피시스템의 운영방법 | |
CN112163170B (zh) | 一种基于虚节点和元学习改进社交网络对齐方法及系统 | |
Chakati | Reliable Distributed Management in Uncertain Environments |
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 |