CN113161006A - 密接人员感染风险评估方法、装置、电子设备及存储介质 - Google Patents
密接人员感染风险评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113161006A CN113161006A CN202110315755.0A CN202110315755A CN113161006A CN 113161006 A CN113161006 A CN 113161006A CN 202110315755 A CN202110315755 A CN 202110315755A CN 113161006 A CN113161006 A CN 113161006A
- Authority
- CN
- China
- Prior art keywords
- node
- community
- infection
- network
- user
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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员感染风险评估方法、装置、电子设备及存储介质,所述方法包括:获取密接人群网络,所述密接人群网络包括至少一个社区,所述社区包括多个节点;根据至少一个所述社区中每个节点的节点类型对所述社区进行初始化;基于标签传播算法更新初始化后的至少一个所述社区中每个节点的感染参数;根据每个节点的感染参数确定对应节点的感染风险等级。本发明实施例实现了快速确定密接人员的感染风险,提高了风险评估效率;且能够对感染风险定量化,使得密接人员的感染风险具有更加直观的表示,更有利于疫情防护措施的采取。
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员感染风险评 估方法、装置、电子设备及存储介质。
背景技术
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员感染风险评估方法、装置、电 子设备及存储介质,以实现快速确定密接人员的感染风险,提高风险评估效率。
第一方面,本发明实施例提供一种密接人员感染风险评估方法,包括:
获取密接人群网络,所述密接人群网络包括多个节点;
根据所述密接人群网络中每个节点的节点类型对所述密接人群网络进行初 始化;
基于标签传播算法更新初始化后的所述密接人群网络中每个节点的感染参 数;
根据每个节点的感染参数确定对应节点的感染风险等级。
第二方面,本发明实施例提供一种密接人员感染风险评估装置,包括:
密接人群网络获取模块,用于获取密接人群网络,所述密接人群网络包括 多个节点;
初始化模块,用于根据所述密接人群网络中每个节点的节点类型对所述密 接人群网络进行初始化;
感染参数更新模块,用于基于标签传播算法更新初始化后的所述密接人群 网络中每个节点的感染参数;
感染风险评估模块,用于根据每个节点的感染参数确定对应节点的感染风 险等级。
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,
当所述一个或多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员感染风险评估方法。
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,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员感染风 险评估方法。
本发明实施例提供的密接人员感染风险评估方法实现了快速确定密接人员 的感染风险,提高了风险评估效率;且能够对感染风险定量化,使得密接人员 的感染风险具有更加直观的表示,更有利于疫情防护措施的采取。
附图说明
图1为本发明实施例一提供的一种密接人员感染风险评估方法的流程示意 图;
图2为本发明实施例二提供的一种密接人员感染风险评估方法的流程示意 图;
图3为本发明实施例三提供的一种密接人员感染风险评估方法的流程示意 图;
图4为本发明实施例四提供的一种密接人员感染风险评估装置的结构示意 图;
图5为本发明实施例五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员感染风险评估方法的流程示意 图。如图1所示,本发明实施例一提供的密接人员感染风险评估方法包括:
S110、获取密接人群网络,所述密接人群网络包括至少一个社区,所述社 区包括多个节点。
具体的,密接人群网络是由多个用户(或称为个体)的轨迹信息构成、能 够体现用户行为的局部性特征以及相互之间关联关系的网络,密接人群网络是 随时间进行更新的。密接人群网络中包括至少一个社区,所述社区包括多个节 点,一个节点即是一个用户,每个节点具有唯一的用户ID。当两个节点之间具 有直接接触时,则将两个节点通过边连接起来;当两个节点之间接触次数较为 频繁时(也即接触较为紧密),则增加两个节点之间边的权重;一个社区中的 多个节点均是接触较为频繁的一群用户,故而一个社区也就是一群密接人员。 如此,密接人群网络通过边表示节点之间是否发生接触,通过边权重表示节点 发生接触的紧密程度。
S120、根据至少一个所述社区中每个节点的节点类型对所述社区进行初始 化。
具体的,节点类型有两种:感染节点和非感染节点,感染节点是指该节点 的用户为感染者,非感染节点则是指该节点的用户不是感染者。初始化就是设 定密接人群网络中每个节点的感染参数的初始值。感染节点的感染参数初始值 和非感染节点的感染参数初始值是不同的。一般的,将感染节点的感染参数初 始值设为一预定值,非感染节的感染参数初始值默认为0。
S130、基于标签传播算法更新初始化后的至少一个所述社区中每个节点的 感染参数。
具体的,标签传播算法是一种图的半监督学习方法,其基本思路是通过已 标记节点的标签信息去预测未标记节点的标签信息,如HANP(Hop Attenuation &NodePreference,跳跃衰减和节点倾向)算法;类比在本申请中则相当于利 用感染者的信息去推算未感染的健康人被感染的风险。在初始化后的社区中, 相当于仅为感染节点设定了感染参数,故而感染节点相当于已标记节点,非感 染节点为未标记节点。更新社区每个节点的感染参数,就是根据感染节点设定 的感染参数初始值,更新非感染节点的感染参数。
S140、根据每个节点的感染参数确定对应节点的感染风险等级。
具体的,感染风险等级可以根据实际情况设定,如包括高风险感染等级和 低风险感染等级,或者包括高风险感染等级、中风险感染等级和低风险感染等 级。不同的感染风险等级对应不同的感染参数范围。例如,当某一节点的感染 参数大于或等于设定阈值时,则认为该节点为高风险感染等级,也即该用户具 有较大概率被感染者感染,此时可以尽快对该用户采取隔离措施;当某一节点 的感染参数小于设定阈值时,则认为该节点为低风险感染等级,也即该用户被 感染者感染的概率不大。
本发明实施例一提供的密接人员感染风险评估方法通过获取密接人群网络, 所述密接人群网络包括至少一个社区,所述社区包括多个节点;根据至少一个 所述社区中每个节点的节点类型对所述社区进行初始化;基于标签传播算法更 新初始化后的至少一个所述社区中每个节点的感染参数;根据每个节点的感染 参数确定对应节点的感染风险等级;实现了快速确定密接人员的感染风险,提 高了风险评估效率;且能够对感染风险定量化,使得密接人员的感染风险具有 更加直观的表示,更有利于疫情防护措施的采取。
实施例二
图2为本发明实施例二提供的一种密接人员感染风险评估方法的流程示意 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 供的密接人员感染风险评估方法包括:
S210、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。
S220、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。
S230、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,得到静 态社区结构,所述静态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,静态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。静态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, 即认为获得了静态社区结构。
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静态社区结构。
S240、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静 态社区结构中的部分节点产生影响。
S250、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静态社 区结构进行实时更新,得到密接人群网络。
具体的,由于新增用户轨迹信息仅对静态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静态社区结构进行局部的实时更新,也即对静态 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(QuickCommunity Adaption,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密接人群网络。
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。
S260、根据至少一个所述社区中每个节点的节点类型对所述社区进行初始 化。
具体的,节点类型有两种:感染节点和非感染节点。初始化就是设定社区 中每个节点的感染参数的初始值,其具体步骤包括S261~S263(图中未示出)。
S261、遍历所述社区的所有节点,确定所述节点的节点类型;
具体的,感染节点和非感染节点通过感染标识进行区分,感染节点具有感 染标识,而非感染节点不具有感染标识,故而确定节点类型的步骤包括:遍历 所述社区的所有节点,确定所述节点是否具有感染者标识;若所述节点具有感 染者标识,则确定所述节点为感染节点;否则,确定所述节点为非感染节点。 也即,遍历社区的所有节点,当检测到感染标识时,即确定对应节点为感染节 点,否则确定对应节点为非感染节点。
S262、若所述节点类型为感染节点,则将所述节点的感染参数设为预设值。
S263、若所述节点类型为非感染节点,则将所述节点的感染参数设为零。
具体的,感染参数包括传播能力值和感染风险值。一个节点的传播能力值 是指该节点将自身信息传播给与其相邻节点的能力,相当于一个用户将其自身 病灶传染给与其接触用户的能力。一个节点的感染风险值是指该节点被感染的 概率,相当于一个用户被感染患病的概率。在设定每个节点的感染参数时,包 括每个节点传播能力值和感染风险值的设定。
一般的,若社区中的节点为感染节点,则将其传播能力值和感染风险值均 设为预设值,如将传播能力值设为0.5,将感染风险值设为1。若社区中的节点 为非感染节点,则将其传播能力值和感染风险值均设为0。
进一步的,在遍历社区的所有节点进行初始化时,是对社区中没有感染参 数的节点进行相应参数的初始化。若社区中的节点已经设有感染参数,则该节 点的感染参数继承原值即可。
S270、确定初始化后的至少一个所述社区中是否存在符合条件的目标节点; 若所述社区中存在符合条件的目标节点,则将所述社区作为目标更新网络。
具体的,当密接人群网络包括多个社区时,可能存在有的社区中不含有感 染节点,这种情况下,对于不含有感染节点的社区可以直接认为不具备感染风 险,无需计算该社区中每个节点的感染参数。因此,符合条件的目标节点即为 感染节点,当社区中存在感染节点时,则将该社区作为目标更新网络,计算感 染参数时仅对目标更新网络进行更新即可,无需对整个密接人群网络进行更新, 减少计算数据量,提高风险评估效率。
可选的,当密接人群网络未进行社区的划分,也就相当于密接人群网络包 含一个社区,此时直接将密接人群网络作为目标更新网络即可。
可选的,在进行感染参数初始化时,有的社区中节点的感染参数继承了原 值,这种情况下可能存在节点不是感染节点,但是该节点具有较高的感染参数 值,相当于与感染者密切接触过的无症状感染者,为了避免这类用户对其他人 员的感染,可以对这种类型节点的周围节点进行感染参数的更新。此时,符合 条件的目标节点可以是感染参数大于预设阈值的节点,如感染风险值大于预设 风险值的节点,或者感染风险值大于预设风险值且传播能力值大于预设值的节 点等。那么当社区中存在感染参数大于预设阈值的节点,该社区即为目标更新 网络,相应的感染参数大于预设阈值的节点即为目标节点。
S280、以所述目标节点为中心,依次向外更新每个节点的感染参数,直至 遍历所述社区的所有节点。
具体的,感染参数的更新以目标节点为中心,依次向外扩散式更新,直至 社区中的所有节点更新完毕。感染参数的更新包括更新每个节点的传播能力值 和感染风险值,本实施例中,采用一种基于HANP的算法进行感染参数更新, 其具体步骤包括S281~S282(图中未示出)。
S281、以所述目标节点为中心,依次向外更新每个节点的传播能力值,直 至遍历所述目标更新网络的所有节点。
具体的,节点n的传播能力值Sn按照下式计算:
其中:Cn表示节点n所属社区;表示在社区Cn内与节点n直接相连的 节点的集合;l表示接触等级;μl表示衰减因子;level表示社区Cn内目标节点n 的接触等级的集合,如,直接与节点n连接的节点为一级节点,通过一个其他 节点与节点n连接的节点为二级节点,通过两个其他节点与节点n连接的节点 为三级节点,以此类推。衰减因子μl和接触等级l一一对应,即一个接触等级l 对应一个衰减因子μl,例如,一级接触为μ1,二级接触为μ2。衰减因子μl可以在 初始化时预先设定。
一个节点的传播能力值会随着它与高传播能力值的节点的接触而增加,当 传播能力值小于一定值(通常为0)时停止传播,传播能力值能够一定程度上 反应某个节点对其他节点的感染能力。
S282、以所述目标节点为中心,根据每个节点的传播能力值依次向外更新 每个节点的感染风险值,直至遍历所述目标更新网络的所有节点。
具体的,与节点n产生接触的节点均有一定概率目标节点n,故而节点n 的感染风险值riskn为与其直接接触的节点对其感染概率的综合。节点n的感染 风险值riskn按照下式计算:
其中:Cn表示节点n所属社区;表示在社区Cn内与节点n直接相连的 节点的集合;W表示所有与节点n直接相连的边的权重之和;wni表示连接节点 n和节点i的边的权重;Si表示节点i的传播能力值;riski表示节点i的感染风 险值。一般的,感染风险值在0~1之间,大于1则按照1进行计算。
S290、根据每个节点的感染参数确定对应节点的感染风险等级。
具体的,感染风险等级可以根据节点的感染风险值确定,不同的感染风险 等级对应不同的感染风险值范围,如,若所述节点的感染风险值在预设第一范 围内,则确定所述节点具有高风险感染等级;若所述节点的感染风险值在预设 第二范围内,则确定所述节点具有低风险感染等级。示例性的,当0≤riskn≤0.5 时,定义节点n为低风险感染等级;当0.5<riskn≤0.75时,定义节点n为中风 险感染等级;当0.75<riskn≤1时,定义节点n为高风险感染等级。
本发明实施例二提供的密接人员感染风险评估方法实现了快速确定密接人 员的感染风险,提高了风险评估效率;且能够对感染风险定量化,使得密接人 员的感染风险具有更加直观的表示,更有利于疫情防护措施的采取。
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3所示,本发明实施例三提供的密接 人群识别方法包括:
S301、获取预设时间区域内的用户历史轨迹信息。
S302、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。
S303、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 S3031~S3033(图中未示出)。
S3031、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。
S3032、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。
S3033、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。
S304、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。
S305、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。
S306、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。
S307、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S305,直至社 区结构不再发生变化,得到静态社区结构。
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S305继续进行社区结构的划分。当社区结构不再发生变化时,则得到静态社 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。
S308、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静 态社区结构中的部分节点产生影响。
S309、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静态社 区结构进行实时更新,得到密接人群网络。
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 迹信息更新所述静态社区结构,确定更新后的所述静态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静态社区结构进行更新,得到 密接人群网络。
具体的,对于新增用户轨迹信息,新增用户加入静态社区结构中,将新增 用户作为一个单独社区直接加入静态社区结构中,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,当前社区结构即为密 接人群网络。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,则会造成静态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,当前社区结构即为密接人群网络。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。
可选的,在可替代实施例中,在得到密接人群网络之后,还包括:在预设 时间间隔之后或预设事件发生,将所述密接人群网络作为所述用户关联网络, 返回步骤S305。
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,得到的密接人群 网络会逐渐偏离静态社区结构,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S305,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。
S310、根据至少一个所述社区中每个节点的节点类型对所述社区进行初始 化。
S311、确定初始化后的至少一个所述社区中是否存在符合条件的目标节点; 若所述社区中存在符合条件的目标节点,则将所述社区作为目标更新网络。
S312、以所述目标节点为中心,依次向外更新每个节点的感染参数,直至 遍历所述社区的所有节点。
S313、根据每个节点的感染参数确定对应节点的感染风险等级。
本发明实施例三提供的密接人员感染风险评估方法实现了快速确定密接人 员的感染风险,提高了风险评估效率;且能够对感染风险定量化,使得密接人 员的感染风险具有更加直观的表示,更有利于疫情防护措施的采取。此外,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。
实施例四
图4为本发明实施例四提供的一种密接人员感染风险评估装置的结构示意 图。本实施例提供的密接人员感染风险评估装置能够实现本发明任意实施例提 供的密接人员感染风险评估方法,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4所示,本发明实施例三提供的密接人员感染风险评估装置包括:密 接人群网络获取模块410、初始化模块420、感染参数更新模块430和感染风险 评估模块440,其中:
密接人群网络获取模块410用于获取密接人群网络,所述密接人群网络包 括至少一个社区,所述社区包括多个节点;
初始化模块420用于根据至少一个所述社区中每个节点的节点类型对所述 社区进行初始化;
感染参数更新模块430用于基于标签传播算法更新初始化后的至少一个所 述社区中每个节点的感染参数;
感染风险评估模块440用于根据每个节点的感染参数确定对应节点的感染 风险等级。
进一步的,初始化模块420包括:
节点类型确定单元,用于遍历所述社区的所有节点,确定所述节点的节点 类型;
感染参数赋值单元,用于若所述节点类型为感染节点,则将所述节点的感 染参数设为预设值;若所述节点类型为非感染节点,则将所述节点的感染参数 设为零。
进一步的,所述节点类型确定单元具体用于:
确定所述节点是否具有感染者标识;
若所述节点具有感染者标识,则确定所述节点为感染节点;否则,确定所 述节点为非感染节点。
进一步的,感染参数更新模块430包括:
目标更新网络确定单元,用于确定初始化后的至少一个所述社区中是否存 在符合条件的目标节点;若所述社区中存在符合条件的目标节点,则将所述社 区作为目标更新网络;
感染参数更新单元,用于以所述目标节点为中心,依次向外更新每个节点 的感染参数,直至遍历所述目标更新网络的所有节点。
进一步的,所述感染参数包括传播能力值和感染风险值,所述以所述感染 节点为中心,所述感染参数更新单元包括:
传播能力值更新子单元,用于以所述目标节点为中心,依次向外更新每个 节点的传播能力值,直至遍历所述目标更新网络的所有节点;
感染风险值更新子单元,用于以所述目标节点为中心,根据每个节点的传 播能力值依次向外更新每个节点的感染风险值,直至遍历所述目标更新网络的 所有节点。
进一步的,感染风险评估模块440具体用于:
若所述节点的感染风险值在预设第一范围内,则确定所述节点具有高风险 感染等级;
若所述节点的感染风险值在预设第二范围内,则确定所述节点具有低风险 感染等级。
进一步的,密接人群网络获取模块410包括:
历史轨迹信息获取单元,用于获取预设时间区域内的用户历史轨迹信息;
用户关联网络构建单元,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;
静态社区划分单元,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,得到静态社区结构,所述静态社区结构包括多个社区,每个社区包 括多个密接用户;
新增轨迹信息获取单元,用于获取新增用户轨迹信息;
动态社区划分单元,用于基于所述新增用户轨迹信息,通过动态社区发现 算法对所述静态社区结构进行实时更新,得到密接人群网络。
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 构建单元包括:
用户接触确定子单元,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;
连接边建立子单元,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;
连接边权重更新子单元,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,所述用户接触确定子单元具体用于:
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,静态社区划分单元包括:
模块度确定子单元,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子单元,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;
节点融合子单元,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,得到静态社区结构。
进一步的,动态社区划分单元包括:
连接边确定子单元,用于根据所述新增用户轨迹信息更新所述静态社区结 构,确定更新后的所述静态社区结构中权重发生变化的连接边;
静态社区结构更新子单元,用于根据所述连接边的权重变化对所述静态社 区结构进行更新,得到密接人群网络。
进一步的,所述连接边两端的节点为第一节点和第二节点,所述静态社区 结构更新子单元具体用于:
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,密接人群网络获取模块410还包括:
社区结构更新单元,用于在预设时间间隔之后,将所述密接人群网络作为 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。
本发明实施例四提供的密接人员感染风险评估装置通过密接人群网络获取 模块、初始化模块、感染参数更新模块和感染风险评估模块,实现了快速确定 密接人员的感染风险,提高了风险评估效率;且能够对感染风险定量化,使得 密接人员的感染风险具有更加直观的表示,更有利于疫情防护措施的采取。
实施例五
图5是本发明实施例五提供的一种电子设备的结构示意图。图5示出了适 于用来实现本发明实施方式的示例性电子设备512的框图。图5显示的电子设 备512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5所示,电子设备512以通用电子设备的形式表现。电子设备512的 组件可以包括但不限于:一个或者多个处理器516(图5中以一个处理器为例), 存储装置528,连接不同系统组件(包括存储装置528和处理器516)的总线 518。
总线518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512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512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528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)530和/或高速缓存存储器532。 电子设备512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534可以用于读写不可移动的、非易失 性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5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518相连。存储装置528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542的程序/实用工具540,可以存储在例 如存储装置528中,这样的程序模块542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542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512也可以与一个或多个外部设备514(例如键盘、指向终端、 显示器524等)通信,还可与一个或者多个使得用户能与该电子设备512交互 的终端通信,和/或与使得该电子设备512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522进行。并且,电子设备512还可以通过网络适配器520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5所示,网络适配器520通过总线518与电子设备512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512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516通过运行存储在存储装置528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员感染风险评估 方法,该方法可以包括:获取密接人群网络,所述密接人群网络包括至少一个 社区,所述社区包括多个节点;根据至少一个所述社区中每个节点的节点类型 对所述社区进行初始化;基于标签传播算法更新初始化后的至少一个所述社区 中每个节点的感染参数;根据每个节点的感染参数确定对应节点的感染风险等 级。
实施例六
本发明实施例六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员感染风 险评估方法,该方法可以包括:
获取密接人群网络,所述密接人群网络包括至少一个社区,所述社区包括 多个节点;根据至少一个所述社区中每个节点的节点类型对所述社区进行初始 化;基于标签传播算法更新初始化后的至少一个所述社区中每个节点的感染参 数;根据每个节点的感染参数确定对应节点的感染风险等级。
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 (10)
1.一种密接人员感染风险评估方法,其特征在于,包括:
获取密接人群网络,所述密接人群网络包括至少一个社区,所述社区包括多个节点;
根据至少一个所述社区中每个节点的节点类型对所述社区进行初始化;
基于标签传播算法更新初始化后的至少一个所述社区中每个节点的感染参数;
根据每个节点的感染参数确定对应节点的感染风险等级。
2.如权利要求1所述的方法,其特征在于,所述根据至少一个所述社区中每个节点的节点类型对所述社区进行初始化包括:
遍历所述社区的所有节点,确定所述节点的节点类型;
若所述节点类型为感染节点,则将所述节点的感染参数设为预设值;
若所述节点类型为非感染节点,则将所述节点的感染参数设为零。
3.如权利要求2所述的方法,其特征在于,所述确定所述节点的节点类型包括:
确定所述节点是否具有感染者标识;
若所述节点具有感染者标识,则确定所述节点为感染节点;否则,确定所述节点为非感染节点。
4.如权利要求1所述的方法,其特征在于,所述基于标签传播算法更新初始化后的至少一个所述密接人群网络中每个节点的感染参数包括:
确定初始化后的至少一个所述社区中是否存在符合条件的目标节点;
若所述社区中存在符合条件的目标节点,则将所述社区作为目标更新网络;
以所述目标节点为中心,依次向外更新每个节点的感染参数,直至遍历所述目标更新网络的所有节点。
5.如权利要求4所述的方法,其特征在于,所述感染参数包括传播能力值和感染风险值,所述以所述目标节点为中心,依次向外更新每个节点的感染参数,直至遍历所述目标更新网络的所有节点包括:
以所述目标节点为中心,依次向外更新每个节点的传播能力值,直至遍历所述目标更新网络的所有节点;
以所述目标节点为中心,根据每个节点的传播能力值依次向外更新每个节点的感染风险值,直至遍历所述目标更新网络的所有节点。
6.如权利要求5所述的方法,其特征在于,所述根据每个节点的感染参数确定对应节点的感染风险等级包括:
若所述节点的感染风险值在预设第一范围内,则确定所述节点具有高风险感染等级;
若所述节点的感染风险值在预设第二范围内,则确定所述节点具有低风险感染等级。
7.如权利要求1-6任一项所述的方法,其特征在于,所述获取密接人群网络包括:
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,得到静态社区结构,所述静态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静态社区结构进行实时更新,得到密接人群网络。
8.一种密接人员感染风险评估装置,其特征在于,包括:
密接人群网络获取模块,用于获取密接人群网络,所述密接人群网络包括至少一个社区,所述社区包括多个节点;
初始化模块,用于根据至少一个所述社区中每个节点的节点类型对所述社区进行初始化;
感染参数更新模块,用于基于标签传播算法更新初始化后的至少一个所述社区中每个节点的感染参数;
感染风险评估模块,用于根据每个节点的感染参数确定对应节点的感染风险等级。
9.一种电子设备,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;
当所述一个或多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1-7中任一项所述的密接人员感染风险评估方法。
10.一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1-7中任一项所述的密接人员感染风险评估方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110315755.0A CN113161006B (zh) | 2021-03-24 | 2021-03-24 | 密接人员感染风险评估方法、装置、电子设备及存储介质 |
PCT/CN2021/119077 WO2022198943A1 (zh) | 2021-03-24 | 2021-09-17 | 密接人员感染风险评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110315755.0A CN113161006B (zh) | 2021-03-24 | 2021-03-24 | 密接人员感染风险评估方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113161006A true CN113161006A (zh) | 2021-07-23 |
CN113161006B CN113161006B (zh) | 2023-01-13 |
Family
ID=76884837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110315755.0A Active CN113161006B (zh) | 2021-03-24 | 2021-03-24 | 密接人员感染风险评估方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113161006B (zh) |
WO (1) | WO2022198943A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357096A (zh) * | 2021-12-27 | 2022-04-15 | 中建电子商务有限责任公司 | 一种基于双差集的疫情风险识别算法 |
WO2022198947A1 (zh) * | 2021-03-24 | 2022-09-29 | 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 |
WO2022198943A1 (zh) * | 2021-03-24 | 2022-09-29 | 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 |
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 (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893381A (zh) * | 2014-12-23 | 2016-08-24 | 天津科技大学 | 一种基于半监督标签传播的微博用户群体划分方法 |
CN107767258A (zh) * | 2017-09-29 | 2018-03-06 | 新华三大数据技术有限公司 | 风险传播确定方法及装置 |
CN108809709A (zh) * | 2018-06-06 | 2018-11-13 | 山东大学 | 一种基于节点亲密性与标签传播的社区发现方法 |
CN109685355A (zh) * | 2018-12-19 | 2019-04-26 | 重庆百行智能数据科技研究院有限公司 | 企业风险识别方法、装置和计算机可读存储介质 |
AU2020101336A4 (en) * | 2020-07-12 | 2020-08-20 | D, Saisanthiya Mrs | An efficient machine learning technique to track the covid patients along with secondary contacts |
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 |
CN111933299A (zh) * | 2020-08-14 | 2020-11-13 | 工银科技有限公司 | 传染病感染风险评估方法和装置、电子设备以及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11171980B2 (en) * | 2018-11-02 | 2021-11-09 | Forcepoint Llc | Contagion risk detection, analysis and protection |
CN111768873A (zh) * | 2020-06-03 | 2020-10-13 | 中国地质大学(武汉) | 一种covid-19实时风险预测方法 |
CN112365996A (zh) * | 2020-11-10 | 2021-02-12 | 中科海微(北京)科技有限公司 | 一种疾病传播防控方法及系统 |
CN112132490B (zh) * | 2020-11-23 | 2021-04-23 | 中电科新型智慧城市研究院有限公司 | 城市传染病高风险社区识别方法、装置、电子设备及介质 |
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 |
-
2021
- 2021-03-24 CN CN202110315755.0A patent/CN113161006B/zh active Active
- 2021-09-17 WO PCT/CN2021/119077 patent/WO2022198943A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893381A (zh) * | 2014-12-23 | 2016-08-24 | 天津科技大学 | 一种基于半监督标签传播的微博用户群体划分方法 |
CN107767258A (zh) * | 2017-09-29 | 2018-03-06 | 新华三大数据技术有限公司 | 风险传播确定方法及装置 |
CN108809709A (zh) * | 2018-06-06 | 2018-11-13 | 山东大学 | 一种基于节点亲密性与标签传播的社区发现方法 |
CN109685355A (zh) * | 2018-12-19 | 2019-04-26 | 重庆百行智能数据科技研究院有限公司 | 企业风险识别方法、装置和计算机可读存储介质 |
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 |
AU2020101336A4 (en) * | 2020-07-12 | 2020-08-20 | D, Saisanthiya Mrs | An efficient machine learning technique to track the covid patients along with secondary contacts |
CN111933299A (zh) * | 2020-08-14 | 2020-11-13 | 工银科技有限公司 | 传染病感染风险评估方法和装置、电子设备以及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022198947A1 (zh) * | 2021-03-24 | 2022-09-29 | 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 |
WO2022198943A1 (zh) * | 2021-03-24 | 2022-09-29 | 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 |
CN114357096A (zh) * | 2021-12-27 | 2022-04-15 | 中建电子商务有限责任公司 | 一种基于双差集的疫情风险识别算法 |
CN114357096B (zh) * | 2021-12-27 | 2023-01-10 | 中建电子商务有限责任公司 | 一种基于双差集的疫情风险识别方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
WO2022198943A1 (zh) | 2022-09-29 |
CN113161006B (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN113035366B (zh) | 密接人群识别方法、装置、电子设备及存储介质 | |
CN109743683B (zh) | 一种采用深度学习融合网络模型确定手机用户位置的方法 | |
Soures et al. | SIRNet: understanding social distancing measures with hybrid neural network model for COVID-19 infectious spread | |
CN108650614B (zh) | 一种自动推断社会关系的移动用户位置预测方法与装置 | |
Zhu et al. | Schistosoma japonicum transmission risk maps at present and under climate change in mainland China | |
CN111430042A (zh) | 预测传染病传播的方法、装置、计算机设备和存储介质 | |
Bao et al. | Covid-gan: Estimating human mobility responses to covid-19 pandemic through spatio-temporal conditional generative adversarial networks | |
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 | |
Hu et al. | Data acquisition for real-time decision-making under freshness constraints | |
CN111739653B (zh) | 传染病传播的评估方法、装置、计算机设备和存储介质 | |
US20110064269A1 (en) | Object position tracking system and method | |
CN112435759A (zh) | 疫情数据预测方法及装置、电子设备和存储介质 | |
CN110502919B (zh) | 一种基于深度学习的轨迹数据去匿名方法 | |
CN115034379A (zh) | 一种因果关系确定方法及相关设备 | |
Bao et al. | Covid-gan+: Estimating human mobility responses to covid-19 through spatio-temporal generative adversarial networks with enhanced features | |
CN116455768A (zh) | 面向全局时延优化的云边端协同cnn推理方法及系统 | |
CN115394455A (zh) | 基于空间聚类离散格网的传染病时空扩散预测方法及装置 | |
CN117240632B (zh) | 一种基于知识图谱的攻击检测方法和系统 | |
CN114141385A (zh) | 一种用于传染病的预警方法、系统和可读存储介质 | |
WO2023246705A1 (zh) | 流行病学调查数据处理方法、装置和计算机设备 | |
CN116992151A (zh) | 一种基于双塔图卷积神经网络的在线课程推荐方法 | |
CN110839244B (zh) | 一种基于节点信任值虚拟力的可信数据收集方法 | |
CN116168053B (zh) | 息肉分割模型的训练方法、息肉分割方法及相关装置 | |
CN115859765B (zh) | 城市扩张的预测方法、装置、设备及存储介质 |
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 |