CN113035367A - 传染病群体传染趋势预测方法、装置、设备及存储介质 - Google Patents
传染病群体传染趋势预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113035367A CN113035367A CN202110324094.8A CN202110324094A CN113035367A CN 113035367 A CN113035367 A CN 113035367A CN 202110324094 A CN202110324094 A CN 202110324094A CN 113035367 A CN113035367 A CN 113035367A
- Authority
- CN
- China
- Prior art keywords
- infection
- group
- track
- individual
- population
- 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
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 226
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 39
- 201000010099 disease Diseases 0.000 claims description 41
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 3
- 230000003616 anti-epidemic effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 241000711573 Coronaviridae Species 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static 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
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供了一种传染病群体传染趋势预测方法、装置、设备及存储介质,该方法包括:定时获取目标群体在指定时间内的群体轨迹;确定所述群体轨迹内每两个个体轨迹之间的集合关系,并根据所述集合关系将所述群体轨迹更新为新的群体轨迹;确定所述新的群体轨迹中每个个体轨迹的个体病疫传染熵值;根据所述个体病疫传染熵值确定所述新的群体轨迹的群体病疫传染熵值;根据所述群体病疫传染熵值预测所述目标群体的传染病传染趋势。本说明书实施例可以提高传染病群体传染趋势预测的动态性、连续性和准确性。
Description
技术领域
本说明书涉及大数据技术领域,尤其是涉及一种传染病群体传染趋势预测方法、装置、设备及存储介质。
背景技术
在有传感病(例如新型冠状病毒肺炎)发病时,明确群体(例如企业群体)的传染趋势,对传染病的疫情防控工作具有十分重要的意义。这意味着我们需要对群体轨迹进行评估,尤其是需要对有潜在病疫传染性的轨迹进行定时地、精确地评估。然而,当下在统计大范围人员流动轨迹时存在局限。例如,以企业群体为例,受限于数据的规模庞大及其不可预测性,常用的轨迹信息收集方法仅能靠企业员工通过手机等移动端设备进行轨迹自查,并将数据输入、提交至系统后台数据库,再由后台系统进行合并统计。但是,这种方式只能静态地反映某个时段企业员工的轨迹数据,数据不具备动态性和连续性。不仅如此,这种方式未考虑个体之间的相互影响,难以客观反馈出企业人群的传染趋势。
发明内容
本说明书实施例的目的在于提供一种传染病群体传染趋势预测方法、装置、设备及存储介质,以提高传染病群体传染趋势预测的动态性、连续性和准确性。
为达到上述目的,一方面,本说明书实施例提供了一种传染病群体传染趋势预测方法,包括:
定时获取目标群体在指定时间内的群体轨迹;
确定所述群体轨迹内每两个个体轨迹之间的集合关系,并根据所述集合关系将所述群体轨迹更新为新的群体轨迹;
确定所述新的群体轨迹中每个个体轨迹的个体病疫传染熵值;
根据所述个体病疫传染熵值确定所述新的群体轨迹的群体病疫传染熵值;
根据所述群体病疫传染熵值预测所述目标群体的传染病传染趋势。
本说明书的实施例中,所述定时获取目标群体在指定时间内的群体轨迹,包括:
定时从电信运营商的轨迹服务端查询所述目标群体在指定时间内的群体轨迹。
本说明书的实施例中,所述确定所述群体轨迹内每两个个体轨迹之间的集合关系,并根据所述集合关系将所述群体轨迹更新为新的群体轨迹,包括:
对所述群体轨迹内每两个个体轨迹之间进行二元计算,并将每个计算结果作为一个新的个体轨迹;
将各个所述新的个体轨迹组合为新的群体轨迹。
本说明书的实施例中,每个所述个体轨迹包含至少一个轨迹点,每个轨迹点包括一个区域及其疫情级别指标值。
本说明书的实施例中,所述确定所述新的群体轨迹中每个个体轨迹的个体病疫传染熵值,包括:
根据公式Ri=di1×di2×…×dij计算所述新的群体轨迹中每个个体轨迹的个体病疫传染熵值;
其中,Ri为第i个个体轨迹的个体病疫传染熵值,dij为第i个个体轨迹中第j个轨迹点的疫情级别指标值。
本说明书的实施例中,所述根据所述个体病疫传染熵值确定所述新的群体轨迹的群体病疫传染熵值,包括:
根据公式Z=R1×R2×…×Rm计算所述新的群体轨迹的群体病疫传染熵值;
式中,Z为群体病疫传染熵值,Rm为第m个个体轨迹的个体病疫传染熵值。
本说明书的实施例中,所述根据所述群体病疫传染熵值预测所述目标群体的传染病传染趋势,包括:
确认所述群体病疫传染熵值是否达到群体病疫传染阈值;
当所述群体病疫传染熵值达到所述群体病疫传染阈值时,将所述目标群体识别为病疫传染潜在群体;以及,
当所述群体病疫传染熵值未达到所述群体病疫传染阈值时,将所述目标群体识别为健康群体。
其中,P为群体病疫传染阈值,Rn为第n个个体轨迹gn的个体病疫传染熵值, |gn|表示第n个个体轨迹gn中的轨迹点个数,中括号表示取整计算。
本说明书的实施例中,所述轨迹点以城市为级别。
另一方面,本说明书实施例还提供了一种传染病群体传染趋势预测装置,包括:
群体轨迹获取模块,用于定时获取目标群体在指定时间内的群体轨迹;
群体轨迹更新模块,用于确定所述群体轨迹内每两个个体轨迹之间的集合关系,并根据所述集合关系将所述群体轨迹更新为新的群体轨迹;
个体熵值确定模块,用于确定所述新的群体轨迹中每个个体轨迹的个体病疫传染熵值;
群体熵值确定模块,用于根据所述个体病疫传染熵值确定所述新的群体轨迹的群体病疫传染熵值;
传染趋势预测模块,用于根据所述群体病疫传染熵值预测所述目标群体的传染病传染趋势。
另一方面,本说明书实施例还提供了一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,所述计算机程序被所述处理器运行时,执行上述方法的指令。
另一方面,本说明书实施例还提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被计算机设备的处理器运行时,执行上述方法的指令。
由以上本说明书实施例提供的技术方案可见,本说明书实施例可以定时获取目标群体在指定时间内的群体轨迹,并根据群体轨迹内每两个个体轨迹之间的集合关系,将群体轨迹更新为新的群体轨迹;然后根据新的群体轨迹中每个个体轨迹的个体病疫传染熵值,计算出新的群体轨迹的群体病疫传染熵值,并根据群体病疫传染熵值预测目标群体的传染病传染趋势;从而实现了对目标群体的传染病群体传染趋势的定时自动预测,即实现了传染病群体传染趋势的连续、动态预测,进而使得相关部门可以随时获取目标群体最新的传染病群体传染趋势,以便于及时采取相关的防疫应对措施。不仅如此,本说明书实施例是根据群体轨迹内每两个个体轨迹之间的集合关系对群体轨迹进行更新,并在此基础上进行传染病传染趋势预测的,即本说明书实施例是在考虑了个体轨迹之间的相互影响的情况下,进行传染病传染趋势预测的,从而也提高了传染病传染趋势预测的准确性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了本说明书一些实施例中传染病群体传染趋势预测方法的流程图;
图2示出了本说明书一实施例中个体轨迹示意图;
图3示出了本说明书一些实施例中传染病群体传染趋势预测装置的结构框图;
图4示出了本说明书一些实施例中计算机设备的结构框图。
【附图标记说明】
31、群体轨迹获取模块;
32、群体轨迹更新模块;
33、个体熵值确定模块;
34、群体熵值确定模块;
35、传染趋势预测模块;
402、计算机设备;
404、处理器;
406、存储器;
408、驱动机构;
410、输入/输出模块;
412、输入设备;
414、输出设备;
416、呈现设备;
418、图形用户接口;
420、网络接口;
422、通信链路;
424、通信总线。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
鉴于现有的传染病群体传染趋势预测方案不具备动态性和连续性,且难以客观反馈出企业人群的传染趋势问题,本说明书实施例提供了新的传染病群体传染趋势预测方法,该方法可以应用于任何合适的计算机设备上。参考图1所示,在本说明书一些实施例中,所述传染病群体传染趋势预测方法可以包括以下步骤:
S101、定时获取目标群体在指定时间内的群体轨迹。
S102、确定所述群体轨迹内每两个个体轨迹之间的集合关系,并根据所述集合关系将所述群体轨迹更新为新的群体轨迹。
S103、确定所述新的群体轨迹中每个个体轨迹的个体病疫传染熵值。
S104、根据所述个体病疫传染熵值确定所述新的群体轨迹的群体病疫传染熵值。
S105、根据所述群体病疫传染熵值预测所述目标群体的传染病传染趋势。
本说明书实施例可以定时获取目标群体在指定时间内的群体轨迹,并根据群体轨迹内每两个个体轨迹之间的集合关系,将群体轨迹更新为新的群体轨迹;然后根据新的群体轨迹中每个个体轨迹的个体病疫传染熵值,计算出新的群体轨迹的群体病疫传染熵值,并根据群体病疫传染熵值预测目标群体的传染病传染趋势;从而实现了对目标群体的传染病群体传染趋势的定时自动预测,即实现了传染病群体传染趋势的连续、动态预测,进而使得相关部门可以随时获取目标群体最新的传染病群体传染趋势,以便于及时采取相关的防疫应对措施。不仅如此,本说明书实施例是根据群体轨迹内每两个个体轨迹之间的集合关系对群体轨迹进行更新,并在此基础上进行传染病传染趋势预测的,即本说明书实施例是在考虑了个体轨迹之间的相互影响的情况下,进行传染病传染趋势预测的,从而也提高了传染病传染趋势预测的准确性。
在本说明书一些实施例中,目标群体的传染病群体传染趋势预测是一种定时任务,定时时长与预测频率成反比。在实际应用时,定时时长可以根据需要设定。例如,在一示例性实施例中,定时时长可以为每5分钟一次、每30分钟一次、每小时一次、每4小时一次等)。
在本说明书一些实施例中,目标群体可以是指被纳入病疫监控范围内的某个或某些人群。例如,在一些示例性实施例中,目标群体可以是企业群体、机关单位群体、事业单位群体等。
在本说明书一些实施例中,指定时间是指每次预测的时间范围,可以根据实际需要设定。例如,在一示例性实施例中,指定时间可以为最近一周、最近15天、最近一个月等等。
在本说明书一些实施例中,目标群体的群体轨迹即为目标群体内各个个体轨迹所形成的轨迹集合。例如,以企业员工群体轨迹为例,假设某企业有n个员工,在指定时间T内,n个员工对应的个体轨迹分别为g1,g2,g3,...,gn,则该企业员工群体的群体轨迹即为{g1,g2,g3,...,gn}。
对于任意一个员工,其在指定时间T内的个体轨迹可以包括:该员工在指定时间 T内的轨迹点。每个个体轨迹一般包含至少一个轨迹点,每个轨迹点可以包括一个区域及其疫情级别指标值。其中,轨迹点的区域可以根据实际需要设定。例如,在本说明书一实施例中,轨迹点的区域可以以城市为级别。疫情级别可以参考国家有关部门或世界卫生组织等相关权威机构提供的疫情级别;当然,也可以根据需要自定义。例如,在本说明书一实施例中,依据疫情严重情况,疫情级别可以为“正常(normal)”、“轻微(slight)”、“中等(middle)”、“严重(serious)”。为便于计算,这些疫情级别可以进行数值化,即每个疫情级别对应有一个等级指标值,例如“正常”为1,“轻微”为2,“中等”为4、“严重”为8。显然,这里仅是示例性说明,在本说明书其他实施例中,疫情级别的数量及其对应的等级指标值可以根据实际应用场景自定义,本说明书对此不作具体限定。
需要说明的是,在指定时间内一个区域的疫情级别可能会发生变化,统计时可以将最新疫情级别作为指定时间内该区域的疫情级别。在一示例性实施例中,假设某员工A在指定时间T内曾到达过的城市为C1、C2、C3、C4,这四个城市的疫情级别分别为V1、V2、V3、V4;则该员工A在指定时间T的个体轨迹可表示为g1={(C1, V1)、(C2,V2)、(C3,V3)、(C4,V4)}。
在本说明书一些实施例中,可以通过采集用户随身携带的便携式电子设备(便携式电子设备配置有定位模块)的位置,来获取用户的个体轨迹。其中,便携式电子设备例如可以为智能手机、智能可穿戴设备(如智能手环、智能手表等)等。
在本说明书一实施例中,以智能手机为例,在此情况下,可以以智能手机上安装的手机号码作为用户标识。假设某用户的手机号为:“158xxxxxxxx”,在2021年3 月1日~2021年3月15日期间,该用户曾到达过城市A、城市B等城市,则该用户在此期间的个人轨迹信息可以如图2所示。在图2中,每个小圆代表一个轨迹点,其右侧数据为对应的轨迹点数据。
鉴于电信运营商已提供有位置或轨迹查询服务,可以定时从电信运营商的轨迹服务端查询目标群体在指定时间内的群体轨迹。如此,不仅可以实现群体轨迹的自动获取,还有利于降低实现成本。
在传统的传染病群体传染趋势预测方法中,一般通过分别统计目标群体中各个个体是否到达病疫风险地区来评估目标群体的传染病群体传染趋势。这种方式过于粗糙,未考虑个体之间的相互影响,缺乏数据分析与支撑。因此,为了提高传染病群体传染趋势预测的准确性,可以先确定群体轨迹内每两个个体轨迹之间的集合关系,并根据集合关系将群体轨迹更新为新的群体轨迹。
在本说明书一些实施例中,所述确定所述群体轨迹内每两个个体轨迹之间的集合关系,并根据所述集合关系将所述群体轨迹更新为新的群体轨迹,可以包括以下步骤:
1)对所述群体轨迹内每两个个体轨迹之间进行二元计算,并将每个计算结果作为一个新的个体轨迹。
从上文描述可以看出,每个个体轨迹实际上是轨迹点集合,对所述群体轨迹内每两个个体轨迹之间进行二元计算,可以获得每两个个体轨迹之间的集合关系(例如子集关系、交集关系、并集关系等)。
例如,假设有企业员工群体轨迹G={g1,g2,g3},且g1={t1,t2,t3,…},g2={t'1,t'2,t'3,…},g3={t”1,t”2,t”3,…};其中,t1,t2,t3,…为g1的各个轨迹点,t'1,t'2,t'3,…为g2的各个轨迹点,t”1,t”2,t”3,…为g3的各个轨迹点。那么,g1与g2,g1与g3,g2与g3可以分别进行二元计算,从而可以得到新的个人轨迹:
可以看出,两个个体轨迹之间进行二元计算只有两种结果:当两者包含的城市有交集(即不为空)时,原轨迹需要被更新,更新的结果将包含两个企业员工群体轨迹的共同信息;当两者包含的城市无交集(即为空集)时,该二元运算的结果为轨迹本身。
2)将各个所述新的个体轨迹组合为新的群体轨迹。
为了便于定量预测目标群体的传染病群体传染趋势,在本说明书的实施例中引入了个体病疫传染熵值和群体病疫传染熵值的概念。其中,个体病疫传染熵值用于表征目标群体中个体被传染的可能性,因此,个体病疫传染熵值越大,表明该个体被传染的可能性越大。同理,群体病疫传染熵值用于表征目标群体整体被传染的可能性,因此,群体病疫传染熵值越大,表明该目标群体被传染的可能性越大。目标群体的群体病疫传染熵值可以通过其各个体病疫传染熵值计算得到。
在本说明书一些实施例中,所述确定所述新的群体轨迹中每个个体轨迹的个体病疫传染熵值可以包括:
根据公式Ri=di1×di2×…×dij计算所述新的群体轨迹中每个个体轨迹的个体病疫传染熵值。其中,Ri为第i个个体轨迹的个体病疫传染熵值,dij为第i个个体轨迹中第j个轨迹点的疫情级别指标值。
例如,一个个体轨迹为g1={t1,t2},t1={v1(城市C,正常),v2(城市D,中等)},t2={v3(城市E,轻微),v4(城市B,严重)};假设正常、轻微、中等和严重对应的等级指标值分别为1、2、4、8,则g1对应的个体病疫传染熵值R=1×4×2 ×8=64。
在本说明书一些实施例中,所述根据所述个体病疫传染熵值确定所述新的群体轨迹的群体病疫传染熵值可以包括:
根据公式Z=R1×R2×…×Rm计算所述新的群体轨迹的群体病疫传染熵值;式中,Z为群体病疫传染熵值,Rm为第m个个体轨迹的个体病疫传染熵值。
例如,若某个企业员工群体有三名员工小张、小王和小李,他们在最近15天内的个体轨迹分别为:
小张:g1={t1(城市C,正常),t2(城市D,轻微),t3(城市E,轻微),t4(城市B,中等)};
小王:g2={t1(城市A,中等)};
小李:g3={t1(城市F,正常),t2(城市G,中等)};
假设正常、轻微、中等和严重对应的等级指标值分别为1、2、4、8,则在最近 15天内,对应的三个体病疫传染熵值分别为(由于各轨迹点无交集,更新后新的群体轨迹即为原先的轨迹点本身):
R1=1×2×2×4=16
R2=4
R3=1×4=4
则,对应的群体病疫传染熵值为Z=R1×R2×R3=16×4×4=256。
在本说明书一些实施例中,所述根据所述群体病疫传染熵值预测所述目标群体的传染病传染趋势可以包括:
1)、将所述群体病疫传染熵值与群体病疫传染阈值进行比较,以确认所述群体病疫传染熵值是否达到群体病疫传染阈值。
2)、当所述群体病疫传染熵值达到所述群体病疫传染阈值时,将所述目标群体识别为病疫传染潜在群体;否则,将所述目标群体识别为健康群体。
在本说明书一些实施例中,群体病疫传染阈值可以根据以下公式确定:
其中,P为群体病疫传染阈值,Rn为第n个个体轨迹gn的个体病疫传染熵值, |gn|表示第n个个体轨迹gn中的轨迹点个数,中括号表示取整计算。
从上述公式可以看出,群体病疫传染阈值的分母来自于群体轨迹的规模,当其规模越大时,群体病疫传染阈值相对会变小。群体病疫传染阈值的分子来源于目标群体中各个个体病疫传染熵值的总和,当总和越大时,群体病疫传染阈值越高。
例如,以上述某个企业员工群体有三名员工小张、小王和小李为例,则对应的群体病疫传染阈值为:
对应的群体病疫传染熵值为Z=R1×R2×R3=16×4×4=256,显然,256>3,即 Z>P。故此,可以将所述目标群体识别为病疫传染潜在群体。
本说明书的实施例中,在计算个体病疫传染阈值和群体病疫传染阈值时,均使用了乘积运算,这样是为了更好表征疫情严重区域对群体轨迹的重大影响。当且仅当群体轨迹中的一个个体群体轨迹的轨迹点包含严重疫情区域时,对应的群体病疫传染熵值将以倍增的方式迅速飙升,从而可以在实际的疫情防控流程中最大程度地引起防疫部门的关注,具备一定的合理性。
虽然上文描述的过程流程包括以特定顺序出现的多个操作,但是,应当清楚了解,这些过程可以包括更多或更少的操作,这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
与上述的传染病群体传染趋势预测方法对应,本说明书还提供了传染病群体传染趋势预测装置的实施例。参考图3所示,在本说明书一些实施例中,所述传染病群体传染趋势预测装置可以包括:
群体轨迹获取模块31,可以用于定时获取目标群体在指定时间内的群体轨迹;
群体轨迹更新模块32,可以用于确定所述群体轨迹内每两个个体轨迹之间的集合关系,并根据所述集合关系将所述群体轨迹更新为新的群体轨迹;
个体熵值确定模块33,可以用于确定所述新的群体轨迹中每个个体轨迹的个体病疫传染熵值;
群体熵值确定模块34,可以用于根据所述个体病疫传染熵值确定所述新的群体轨迹的群体病疫传染熵值;
传染趋势预测模块35,可以用于根据所述群体病疫传染熵值预测所述目标群体的传染病传染趋势。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本说明书的实施例还提供一种计算机设备。如图4所示,在本说明书一些实施例中,所述计算机设备402可以包括一个或多个处理器404,诸如一个或多个中央处理单元(CPU)或图形处理器(GPU),每个处理单元可以实现一个或多个硬件线程。计算机设备402还可以包括任何存储器406,其用于存储诸如代码、设置、数据等之类的任何种类的信息,一具体实施方式中,存储器406上并可在处理器404上运行的计算机程序,所述计算机程序被所述处理器404运行时,可以执行根据上述方法的指令。非限制性的,比如,存储器406可以包括以下任一项或多种组合:任何类型的RAM,任何类型的ROM,闪存设备,硬盘,光盘等。更一般地,任何存储器都可以使用任何技术来存储信息。进一步地,任何存储器可以提供信息的易失性或非易失性保留。进一步地,任何存储器可以表示计算机设备402的固定或可移除部件。在一种情况下,当处理器404执行被存储在任何存储器或存储器的组合中的相关联的指令时,计算机设备402可以执行相关联指令的任一操作。计算机设备402还包括用于与任何存储器交互的一个或多个驱动机构408,诸如硬盘驱动机构、光盘驱动机构等。
计算机设备402还可以包括输入/输出模块410(I/O),其用于接收各种输入(经由输入设备412)和用于提供各种输出(经由输出设备414)。一个具体输出机构可以包括呈现设备416和相关联的图形用户接口418(GUI)。在其他实施例中,还可以不包括输入/输出模块410(I/O)、输入设备412以及输出设备414,仅作为网络中的一台计算机设备。计算机设备402还可以包括一个或多个网络接口420,其用于经由一个或多个通信链路422与其他设备交换数据。一个或多个通信总线424将上文所描述的部件耦合在一起。
通信链路422可以以任何方式实现,例如,通过局域网、广域网(例如,因特网)、点对点连接等、或其任何组合。通信链路422可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
本申请是参照本说明书一些实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理器的处理器以产生一个机器,使得通过计算机或其他可编程数据处理器的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理器以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理器上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算机设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理器来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种传染病群体传染趋势预测方法,其特征在于,包括:
定时获取目标群体在指定时间内的群体轨迹;
确定所述群体轨迹内每两个个体轨迹之间的集合关系,并根据所述集合关系将所述群体轨迹更新为新的群体轨迹;
确定所述新的群体轨迹中每个个体轨迹的个体病疫传染熵值;
根据所述个体病疫传染熵值确定所述新的群体轨迹的群体病疫传染熵值;
根据所述群体病疫传染熵值预测所述目标群体的传染病传染趋势。
2.如权利要求1所述的传染病群体传染趋势预测方法,其特征在于,所述定时获取目标群体在指定时间内的群体轨迹,包括:
定时从电信运营商的轨迹服务端查询所述目标群体在指定时间内的群体轨迹。
3.如权利要求1所述的传染病群体传染趋势预测方法,其特征在于,所述确定所述群体轨迹内每两个个体轨迹之间的集合关系,并根据所述集合关系将所述群体轨迹更新为新的群体轨迹,包括:
对所述群体轨迹内每两个个体轨迹之间进行二元计算,并将每个计算结果作为一个新的个体轨迹;
将各个所述新的个体轨迹组合为新的群体轨迹。
4.如权利要求1所述的传染病群体传染趋势预测方法,其特征在于,每个所述个体轨迹包含至少一个轨迹点,每个轨迹点包括一个区域及其疫情级别指标值。
5.如权利要求4所述的传染病群体传染趋势预测方法,其特征在于,所述确定所述新的群体轨迹中每个个体轨迹的个体病疫传染熵值,包括:
根据公式Ri=di1×di2×…×dij计算所述新的群体轨迹中每个个体轨迹的个体病疫传染熵值;
其中,Ri为第i个个体轨迹的个体病疫传染熵值,dij为第i个个体轨迹中第j个轨迹点的疫情级别指标值。
6.如权利要求1所述的传染病群体传染趋势预测方法,其特征在于,所述根据所述个体病疫传染熵值确定所述新的群体轨迹的群体病疫传染熵值,包括:
根据公式Z=R1×R2×…×Rm计算所述新的群体轨迹的群体病疫传染熵值;
式中,Z为群体病疫传染熵值,Rm为第m个个体轨迹的个体病疫传染熵值。
7.如权利要求1所述的传染病群体传染趋势预测方法,其特征在于,所述根据所述群体病疫传染熵值预测所述目标群体的传染病传染趋势,包括:
确认所述群体病疫传染熵值是否达到群体病疫传染阈值;
当所述群体病疫传染熵值达到所述群体病疫传染阈值时,将所述目标群体识别为病疫传染潜在群体;以及,
当所述群体病疫传染熵值未达到所述群体病疫传染阈值时,将所述目标群体识别为健康群体。
9.如权利要求4、5或8所述的传染病群体传染趋势预测方法,其特征在于,所述轨迹点以城市为级别。
10.一种传染病群体传染趋势预测装置,其特征在于,包括:
群体轨迹获取模块,用于定时获取目标群体在指定时间内的群体轨迹;
群体轨迹更新模块,用于确定所述群体轨迹内每两个个体轨迹之间的集合关系,并根据所述集合关系将所述群体轨迹更新为新的群体轨迹;
个体熵值确定模块,用于确定所述新的群体轨迹中每个个体轨迹的个体病疫传染熵值;
群体熵值确定模块,用于根据所述个体病疫传染熵值确定所述新的群体轨迹的群体病疫传染熵值;
传染趋势预测模块,用于根据所述群体病疫传染熵值预测所述目标群体的传染病传染趋势。
11.一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,其特征在于,所述计算机程序被所述处理器运行时,执行根据权利要求1-9任意一项所述方法的指令。
12.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被计算机设备的处理器运行时,执行根据权利要求1-9任意一项所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110324094.8A CN113035367B (zh) | 2021-03-26 | 2021-03-26 | 传染病群体传染趋势预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110324094.8A CN113035367B (zh) | 2021-03-26 | 2021-03-26 | 传染病群体传染趋势预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113035367A true CN113035367A (zh) | 2021-06-25 |
CN113035367B CN113035367B (zh) | 2024-02-27 |
Family
ID=76474285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110324094.8A Active CN113035367B (zh) | 2021-03-26 | 2021-03-26 | 传染病群体传染趋势预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113035367B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986921A (zh) * | 2018-07-04 | 2018-12-11 | 泰康保险集团股份有限公司 | 疾病预测方法、装置、介质及电子设备 |
CN111241117A (zh) * | 2020-03-15 | 2020-06-05 | 智博云信息科技(广州)有限公司 | 一种疫情数据库更新方法及装置 |
CN111430042A (zh) * | 2020-03-31 | 2020-07-17 | 南方科技大学 | 预测传染病传播的方法、装置、计算机设备和存储介质 |
CN111477339A (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、设备及可读存储介质 |
CN111739653A (zh) * | 2020-06-19 | 2020-10-02 | 南方科技大学 | 传染病传播的评估方法、装置、计算机设备和存储介质 |
-
2021
- 2021-03-26 CN CN202110324094.8A patent/CN113035367B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986921A (zh) * | 2018-07-04 | 2018-12-11 | 泰康保险集团股份有限公司 | 疾病预测方法、装置、介质及电子设备 |
CN111241117A (zh) * | 2020-03-15 | 2020-06-05 | 智博云信息科技(广州)有限公司 | 一种疫情数据库更新方法及装置 |
CN111430042A (zh) * | 2020-03-31 | 2020-07-17 | 南方科技大学 | 预测传染病传播的方法、装置、计算机设备和存储介质 |
CN111477339A (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、设备及可读存储介质 |
CN111739653A (zh) * | 2020-06-19 | 2020-10-02 | 南方科技大学 | 传染病传播的评估方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113035367B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11281969B1 (en) | Artificial intelligence system combining state space models and neural networks for time series forecasting | |
US20110208701A1 (en) | Computer-Implemented Systems And Methods For Flexible Definition Of Time Intervals | |
Hoot et al. | Forecasting emergency department crowding: a prospective, real-time evaluation | |
US10742519B2 (en) | Predicting attribute values for user segmentation by determining suggestive attribute values | |
CN110546621B (zh) | 用于数据存储的垃圾收集 | |
CN108573348B (zh) | 金融指标分布式计算方法及其系统 | |
CN110766232B (zh) | 动态预测方法及其系统 | |
CN111160793A (zh) | 一种服务网点自助设备数量的配置方法、装置及设备 | |
US9940361B2 (en) | Intelligent presence server systems and methods | |
EP3552174A1 (en) | Municipal solvency index | |
US20210264375A1 (en) | Time series data prediction apparatus and time series data prediction method | |
CA2816583C (en) | Systems and methods for time management in a healthcare system | |
US10959041B1 (en) | Traffic analysis of mobile phones partitioned by geohash | |
CN111259016A (zh) | 一种数据存储及查询的方法和装置 | |
Nugent et al. | A demonstration of Modified Treatment Policies to evaluate shifts in mobility and COVID-19 case rates in US counties | |
CN111984677B (zh) | 资源数据核对方法、装置、计算机设备和存储介质 | |
CN113035367A (zh) | 传染病群体传染趋势预测方法、装置、设备及存储介质 | |
EP3683676A1 (en) | Task optimization method and device in mobile robot | |
CN115983902A (zh) | 基于用户实时事件的信息推送方法及系统 | |
Erekat et al. | Optimizing outpatient access center staffing using discrete event simulation: a case study | |
CN114520773A (zh) | 一种服务请求的响应方法、装置、服务器及存储介质 | |
CN117043743A (zh) | 用于多维数据库环境的动态应用构建器 | |
CN112509164A (zh) | 一种出勤打卡方法、装置、设备和存储介质 | |
CN101894119B (zh) | 用于监控的海量数据的储存 | |
Jabour | The impact of longer consultation time: A simulation-based approach |
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 |