CN113269380A - 一种面向疫情防控的返校方案预估方法 - Google Patents
一种面向疫情防控的返校方案预估方法 Download PDFInfo
- Publication number
- CN113269380A CN113269380A CN202010841015.6A CN202010841015A CN113269380A CN 113269380 A CN113269380 A CN 113269380A CN 202010841015 A CN202010841015 A CN 202010841015A CN 113269380 A CN113269380 A CN 113269380A
- Authority
- CN
- China
- Prior art keywords
- scheme
- return
- epidemic
- attribute
- students
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000002265 prevention Effects 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 69
- 238000012937 correction Methods 0.000 claims abstract description 44
- 230000036541 health Effects 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 230000002452 interceptive effect Effects 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims description 12
- 230000014509 gene expression Effects 0.000 claims description 11
- 238000012502 risk assessment Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000012482 interaction analysis Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003862 health status Effects 0.000 claims 1
- 230000010354 integration Effects 0.000 claims 1
- 238000002955 isolation Methods 0.000 claims 1
- 230000002354 daily effect Effects 0.000 description 16
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/23—Updating
- G06F16/2358—Change logging, detection, and notification
-
- 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
- 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"
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Public Health (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Educational Technology (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种面向疫情防控的返校方案预估方法,包括以下步骤:1)更新获取疫情病例的空间分布;收集学生每日的健康状态信息和实时位置信息;2)对疫情病例的空间分布和学生每日的实时位置进行空间交互分析,对学生每日的健康状态信息进行分析,评估每个学生感染疫情的风险性;3)选取无风险学生构建多种返校预估方案;4)构建多种返校预估方案的决策矩阵,基于欧式距离,计算每个返校预估方案与理论最优方案决策矩阵的相对接近度,从而获取最优的返校方案。与现有技术相比,本发明能够将返校风险进行了全面的评估,通过数学决策模型预估返校方案,减少人工判断的人为误差,更加科学合理。
Description
技术领域
本发明涉及返校方案预估方法领域,尤其是涉及一种面向疫情防控的返校方案预估方法。
背景技术
对于高校而言,面临着返校、入学双重压力下的疫情监测、报告、追踪与防控。在疫情防控常态化下逐步推进学生安全有序的返校也迫在眉睫。
目前学生返校方案制定主要依靠人工判断,不能有效的估计每个风险因子对学生返校安全性的影响,错峰分批返校后对学生的集中管理也存在安全隐患。
发明内容
本发明的目的就是为了克服上述现有技术存在学生返校方案存在安全隐患、不可靠的缺陷而提供一种面向疫情防控的返校方案预估方法。
本发明的目的可以通过以下技术方案来实现:
一种面向疫情防控的返校方案预估方法,包括以下步骤:
数据获取步骤:构建疫情数据库,更新获取疫情病例的空间分布;收集学生每日的健康状态信息和实时位置信息;
学生风险评估步骤:对所述疫情病例的空间分布和所述学生每日的实时位置进行空间交互分析,对所述学生每日的健康状态信息进行分析,评估每个学生感染疫情的风险性;
返校方案生成步骤:根据所述每个学生感染疫情的风险性的评估结果,将学生分类为有风险学生和无风险学生,选取无风险学生构建多种返校预估方案;
返校方案预估步骤:构建所述多种返校预估方案的决策矩阵、理论最优方案决策矩阵和理论最劣方案决策矩阵,基于欧式距离,计算每个所述返校预估方案与所述理论最优方案决策矩阵和理论最劣方案决策矩阵的相对接近度,从而获取最优的返校方案。
进一步地,所述多种返校方案的决策矩阵为加权决策矩阵,该加权决策矩阵的构建包括以下步骤:
构建用于评价学生是否具备返校条件的属性集合U;
构建返校预估方案集合G;
根据所述属性集合U和返校预估方案集合G,构建决策矩阵X;
对所述决策矩阵X进行归一化处理,得到初始决策矩阵R;
采用熵权法计算所述属性集合U中各属性的权重,得到属性权重ω;
采用所述属性权重ω对所述初始决策矩阵R进行加权,得到加权决策矩阵H。
进一步地,所述属性集合U中一属性的权重的计算表达式为:
k=1/lnm
式中,ωj为所述属性集合U中第j个属性的熵权,n为所述属性集合U中属性的个数,ej为属性集合U中第j个属性的信息熵,m为所述返校预估方案集合G中返校预估方案的个数,rij为所述初始决策矩阵R中第i行第j列的元素。
进一步地,所述理论最优方案决策矩阵和理论最劣方案决策矩阵的构建表达式为:
H+=(h1 +,h2 +,…,hn +)
hj +=max(h1j,h2j,…hmj)
h-=(h1 -,h2 -,…,hn -)
hj -=min(h1j,h2j,…hmj)
式中,H+为理论最优方案决策矩阵,j=1,2,…,n,hj +为第j个属性的最优值,H-为理论最劣方案决策矩阵,hj -为第j个属性的最劣值,n为所述属性集合U中属性的个数,m为所述返校预估方案集合G中返校预估方案的个数。
进一步地,所述每个所述返校预估方案与所述理论最优方案决策矩阵和理论最劣方案决策矩阵的相对接近度的计算表达式为:
进一步地,所述属性集合U包括所在地疫情状况属性、健康状况属性和活动轨迹属性;所述返校预估方案集合G包括按年级返校方案、按宿舍返校方案和按宿舍楼返校方案。
进一步地,所述数据获取步骤,还包括对获取的所述疫情病例的空间分布、学生每日的健康状态信息和实时位置信息进行数据清洗处理以及对多源数据进行集成。
进一步地,数据获取步骤中,所述学生每日的实时位置信息由GPS自动定位程序自动获取。
进一步地,学生风险评估步骤中,所述对所述疫情病例的空间分布和所述学生每日的实时位置进行空间交互分析具体为,
利用GIS缓冲区分析技术评估所述疫情病例的空间分布的影响范围,从而与所述学生每日的实时位置进行空间交互分析。
进一步地,学生风险评估步骤中,所述评估每个学生感染疫情的风险性的评估因子包括学生的健康情况因子、14天内的活动轨迹因子、居住地的疫情严重程度因子和学业状态因子。
与现有技术相比,本发明具有以下优点:
(1)本发明基于对疫情大数据和学生信息的交互式分析,有效地对学生返校进行风险性评估,为返校决策提供科学准确的参考;采用多属性决策模型,分别对按照年级、宿舍、宿舍楼分批返校方案进行优劣评估,所有最优指标值和最劣指标值构成理想最优方案和最劣方案,计算每个预估方案与最优方案的加权欧氏距离,得到三种备选方案与最优方案的接近程度,由此评价各个方案的优劣;
与传统的疫情背景下高校返校方案相比较,本发明的方法能够将返校风险进行了全面的评估,通过数学决策模型预估返校方案,减少人工判断的人为误差,更加科学合理。
(2)通过熵权法确定属性权重,便于调节各个属性对备选返校方案的影响程度。
(3)评估每个学生感染疫情的风险性的评估因子包括学生的健康情况因子、 14天内的活动轨迹因子、居住地的疫情严重程度因子和学业状态因子;能够将返校风险进行量化,多维度地考虑影疫情防控背景下影响学生返校的因子。
附图说明
图1为本发明的流程图;
图2为多属性决策方法流程图;
图3为按年级返校的返校方案预估展示图;
图4为按宿舍返校的返校方案预估展示图;
图5为按宿舍楼返校的返校方案预估展示图。
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
本实施例提供一种面向疫情防控的返校方案预估方法,包括以下步骤:
数据获取步骤:构建疫情数据库,更新获取疫情病例的空间分布;收集学生每日的健康状态信息和实时位置信息;
学生风险评估步骤:对疫情病例的空间分布和学生每日的实时位置进行空间交互分析,对学生每日的健康状态信息进行分析,评估每个学生感染疫情的风险性;
返校方案生成步骤:根据每个学生感染疫情的风险性的评估结果,将学生分类为有风险学生和无风险学生,选取无风险学生构建多种返校预估方案;
返校方案预估步骤:构建多种返校预估方案的决策矩阵、理论最优方案决策矩阵和理论最劣方案决策矩阵,基于欧式距离,计算每个返校预估方案与理论最优方案决策矩阵和理论最劣方案决策矩阵的相对接近度,从而获取最优的返校方案。
下面对各步骤进行详细描述。
1、数据获取步骤
数据获取步骤中,学生每日的实时位置信息由GPS自动定位程序自动获取。
数据获取步骤还包括对获取的疫情病例的空间分布、学生每日的健康状态信息和实时位置信息进行数据清洗处理以及对多源数据进行集成。
2、学生风险评估步骤
学生风险评估步骤中,对疫情病例的空间分布和学生每日的实时位置进行空间交互分析具体为,
利用GIS缓冲区分析技术评估疫情病例的空间分布的影响范围,从而与学生每日的实时位置进行空间交互分析。
学生风险评估步骤中,评估每个学生感染疫情的风险性的评估因子包括学生的健康情况因子、14天内的活动轨迹因子、居住地的疫情严重程度因子和学业状态因子。
3、返校方案预估步骤
多种返校方案的决策矩阵为加权决策矩阵,该加权决策矩阵的构建包括以下步骤:
构建用于评价学生是否具备返校条件的属性集合U;
构建返校预估方案集合G;
根据属性集合U和返校预估方案集合G,构建决策矩阵X;
对决策矩阵X进行归一化处理,得到初始决策矩阵R;
采用熵权法计算属性集合U中各属性的权重,得到属性权重ω;
采用属性权重ω对初始决策矩阵R进行加权,得到加权决策矩阵H。
属性集合U中一属性的权重的计算表达式为:
k=1/lnm
式中,ωj为属性集合U中第j个属性的熵权,n为属性集合U中属性的个数,ej为属性集合U中第j个属性的信息熵,m为返校预估方案集合G中返校预估方案的个数, rij为初始决策矩阵R中第i行第j列的元素。
理论最优方案决策矩阵和理论最劣方案决策矩阵的构建表达式为:
H+=(h1 +,h2 +,...,hn +)
hi +=max(h1j,h2j,...hmj)
H-=(h1 -,h2-,...,hn -)
hi -=min(h1j,h2j,...hmj)
式中,H+为理论最优方案决策矩阵,j=1,2,…,n,hj +为第j个属性的最优值,H-为理论最劣方案决策矩阵,hj -为第j个属性的最劣值,n为属性集合U中属性的个数,m为返校预估方案集合G中返校预估方案的个数。
每个返校预估方案与理论最优方案决策矩阵和理论最劣方案决策矩阵的相对接近度的计算表达式为:
属性集合U包括所在地疫情状况属性、健康状况属性和活动轨迹属性;返校预估方案集合G包括按年级返校方案、按宿舍返校方案和按宿舍楼返校方案。
具体实施过程的详细描述如下:
如图1所示,本实施例提供的基于大数据分析和人工智能决策的面向疫情防控的返校方案预估方法,包括:1)分布式高速可靠疫情大数据的挖掘,通过正则表达式解析网络数据,多线程和协程实现并发爬取数据,构造全国县级单元疫情数据库;2)通过表单采集全校学生的实时位置、健康状态、所在宿舍和年级等基本信息,利用关系型数据库SQLServer和分布式文档存储数据库Hadoop整理存储;3) 调用百度地图API接口,实时显示学生位置分布图和疫情空间分布,实现疫情数据和学生分布位置空间可视化;4)GIS相关性分析,学生空间位置数据和以庆分布数据空间叠置,通过缓冲区评估每个学生的感染风险;5)选择最优决策属性,对学生返校预估的决策因子进行加权评估,筛选出学生具备返校资格的基础条件; 6)交互决策管理,学生管理部门根据学生的年级、宿舍、宿舍楼,综合决策生成返校方案。
具体包括以下步骤:
步骤1:构建精准的全国县级单元疫情数据库并对该数据库实时更新,实现全国确诊病例及疑似病例的空间分布分析,收集学生每日的健康状态信息和实时位置信息,每日更新人员状态;
步骤2:将疫情的空间分布和学生的实时位置相互关联,通过调用百度API 地图可视化呈现;
步骤3:对学生的活动轨迹进行恢复并与其相关联的空间区域疫情进行叠置分析,评估每个学生感染疫情的风险性;
步骤4:考量学生的健康情况、14天内的活动轨迹、居住地的疫情严重程度、学业状态等因子,对返校资格进行智能决策;
步骤5:学校管理部门交互管理,对按照年级、宿舍和宿舍楼三种返校方案进行风险评估,生成分批错峰返校方案。
进一步地,所述的步骤1包括以下分步骤:
步骤11:疫情大数据采集,通过正则表达式解析网络数据,多线程和协程实现并发爬取数据;
步骤12:大数据预处理,由于采集到的数据存在数据格式、统计口径不一致问题,为提升数据质量,首先对数据进行清洗处理,清除掉噪声数据和不一致数据,然后将多源数据进行集成,合并存放到统一的数据库中;
步骤13:设计表单采集学生的状态信息,嵌入GPS自动定位程序自动获取学生的实时位置。
进一步地,所述的步骤2包括以下分步骤:
步骤21:基于全国县级单元的感染人员和疑似感染人员的位置分布,调用百度地图API接口进行二次开发,将疫情信息空间分布展示在地图中;
步骤22:根据各区域的确诊病例,利用GIS缓冲区分析技术评估影响范围,将疫情分布区域划分为多级风险区域;
步骤23:基于学生上报的所在地位置通过调用API接口对百度地图二次开发,实现全校学生空间分布的可视化;
步骤24:采集学生每日连续位置信息,可以获取学生14日内的活动轨迹,通过对离散位置点的空间插值将学生的轨迹可视化。
进一步地,如图2所示,所述的步骤5包括以下分步骤:
步骤51:根据学生的14日状态信息,选择出用于评价学生是否具备返校条件的属性集合,包括U={u1,u2,…,un},n=3,u1,u2,u3分别表示"所在地疫情状况,健康状况,活动轨迹";
步骤52:构建返校预估方案集合G={g1,g2,…gm},m=3,g1,g2,g3分别表示“按年级返校,按宿舍返校,按宿舍楼返校”,如图3至5所示;
步骤53:根据属性集合和预估方案集合构造决策矩阵为:
其中xij表示第i个方案的第j个属性初始决策指标值。
步骤54:对决策矩阵的原始数据进行归一化处理:
步骤56:采用熵权法计算各属性的权重,对于m个备选方案,n个评价属性,形成的初始决策矩阵R=(rij)m×n,对于某个属性rj有信息熵:
则熵权ωj:
步骤57:将指标权重ω与初始决策矩阵R进行加权,得到加权决策矩阵 H=(hij)m×n。
步骤58:分别选择各项指标的最优值和最劣质构成理论最后返校方案和最劣返校方案:
H+=(h1 +,h2 +,…,hn +),H-=(h1 -,h2 -,…,hn -)
其中,hj +=max(h1j,h2j,…hmj),hj -=min(h1j,h2j,…hmj)
步骤59:计算各备选方案与理论最优方案和最劣方案之间的欧式距离,计算公式如下:
步骤511:按相对接近度大小对方案进行选择,接近都越大说明方案最优。
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)
1.一种面向疫情防控的返校方案预估方法,其特征在于,包括以下步骤:
返校方案预估步骤:构建多种返校预估方案的决策矩阵、理论最优方案决策矩阵和理论最劣方案决策矩阵,基于欧式距离,计算每个所述返校预估方案与所述理论最优方案决策矩阵的相对接近度,从而获取最优的返校方案;
所述多种返校预估方案的构建包括以下步骤:
数据获取步骤:构建疫情数据库,更新获取疫情病例的空间分布;收集学生每日的健康状态信息和实时位置信息;
学生风险评估步骤:对所述疫情病例的空间分布和所述学生每日的实时位置进行空间交互分析,对所述学生每日的健康状态信息进行分析,评估每个学生感染疫情的风险性;
返校方案生成步骤:根据所述每个学生感染疫情的风险性的评估结果,将学生分类为有风险学生和无风险学生,选取无风险学生构建多种返校预估方案。
2.根据权利要求1所述的一种面向疫情防控的返校方案预估方法,其特征在于,所述多种返校方案的决策矩阵为加权决策矩阵,该加权决策矩阵的构建包括以下步骤:
构建用于评价学生是否具备返校条件的属性集合U;
构建返校预估方案集合G;
根据所述属性集合U和返校预估方案集合G,构建决策矩阵X;
对所述决策矩阵X进行归一化处理,得到初始决策矩阵R;
采用熵权法计算所述属性集合U中各属性的权重,得到属性权重ω;
采用所述属性权重ω对所述初始决策矩阵R进行加权,得到加权决策矩阵H。
4.根据权利要求2所述的一种面向疫情防控的返校方案预估方法,其特征在于,所述理论最优方案决策矩阵和理论最劣方案决策矩阵的构建表达式为:
H+=(h1 +,h2 +,...,hn +)
hj +=max(h1j,h2j,...hmj)
H-=(h1 -,h2 -,...,hn -)
hj -=min(h1j,h2j,...hmj)
式中,H+为理论最优方案决策矩阵,j=1,2,...,n,hj +为第j个属性的最优值,H-为理论最劣方案决策矩阵,hj -为第j个属性的最劣值,n为所述属性集合U中属性的个数,m为所述返校预估方案集合G中返校预估方案的个数。
6.根据权利要求4所述的一种面向疫情防控的返校方案预估方法,其特征在于,所述属性集合U包括所在地疫情状况属性、健康状况属性和活动轨迹属性;所述返校预估方案集合G包括按年级返校方案、按宿舍返校方案和按宿舍楼返校方案。
7.根据权利要求1所述的一种面向疫情防控的返校方案预估方法,其特征在于,所述数据获取步骤,还包括对获取的所述疫情病例的空间分布、学生每日的健康状态信息和实时位置信息进行数据清洗处理以及对多源数据进行集成。
8.根据权利要求1所述的一种面向疫情防控的返校方案预估方法,其特征在于,数据获取步骤中,所述学生每日的实时位置信息由GPS自动定位程序自动获取。
9.根据权利要求1所述的一种面向疫情防控的返校方案预估方法,其特征在于,学生风险评估步骤中,所述对所述疫情病例的空间分布和所述学生每日的实时位置进行空间交互分析具体为,
利用GIS缓冲区分析技术评估所述疫情病例的空间分布的影响范围,从而与所述学生每日的实时位置进行空间交互分析。
10.根据权利要求1所述的一种面向疫情防控的返校方案预估方法,其特征在于,学生风险评估步骤中,所述评估每个学生感染疫情的风险性的评估因子包括学生的健康情况因子、隔离天数内的活动轨迹因子、居住地的疫情严重程度因子和学业状态因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010841015.6A CN113269380A (zh) | 2020-08-20 | 2020-08-20 | 一种面向疫情防控的返校方案预估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010841015.6A CN113269380A (zh) | 2020-08-20 | 2020-08-20 | 一种面向疫情防控的返校方案预估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113269380A true CN113269380A (zh) | 2021-08-17 |
Family
ID=77227696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010841015.6A Pending CN113269380A (zh) | 2020-08-20 | 2020-08-20 | 一种面向疫情防控的返校方案预估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269380A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114866336A (zh) * | 2022-06-10 | 2022-08-05 | 中国工商银行股份有限公司 | 一种风险人员识别处理方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360660A (zh) * | 2018-10-31 | 2019-02-19 | 河南省疾病预防控制中心 | 一种疾控与出行信息互联的防控方法及防控系统 |
CN110245870A (zh) * | 2019-06-19 | 2019-09-17 | 河北工业大学 | 一种确定车载继电器触点最优配对方式的方法 |
CN111368221A (zh) * | 2020-03-13 | 2020-07-03 | 腾讯科技(深圳)有限公司 | 信息提供方法、信息获取方法、装置、服务器及存储介质 |
-
2020
- 2020-08-20 CN CN202010841015.6A patent/CN113269380A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360660A (zh) * | 2018-10-31 | 2019-02-19 | 河南省疾病预防控制中心 | 一种疾控与出行信息互联的防控方法及防控系统 |
CN110245870A (zh) * | 2019-06-19 | 2019-09-17 | 河北工业大学 | 一种确定车载继电器触点最优配对方式的方法 |
CN111368221A (zh) * | 2020-03-13 | 2020-07-03 | 腾讯科技(深圳)有限公司 | 信息提供方法、信息获取方法、装置、服务器及存储介质 |
Non-Patent Citations (2)
Title |
---|
李玮等: "新冠肺炎疫情下高校学生应急管理模式研究——以北京中医药大学为例", 《中医教育》 * |
胡盼等: "移动GIS在传染病防控方面的应用——以COVID-19为例", 《测绘通报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114866336A (zh) * | 2022-06-10 | 2022-08-05 | 中国工商银行股份有限公司 | 一种风险人员识别处理方法及装置 |
CN114866336B (zh) * | 2022-06-10 | 2024-02-09 | 中国工商银行股份有限公司 | 一种风险人员识别处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dinda et al. | An integrated simulation approach to the assessment of urban growth pattern and loss in urban green space in Kolkata, India: A GIS-based analysis | |
US10671772B2 (en) | Computer-implemented impact analysis of energy facilities | |
CN111636891B (zh) | 盾构姿态实时预测系统和预测模型的构建方法 | |
CN117036112B (zh) | 一种土地规划用的地理信息系统及方法 | |
Chen et al. | An integrated risk assessment model of township‐scaled land subsidence based on an evidential reasoning algorithm and fuzzy set theory | |
US20240185159A1 (en) | Systems And Methods For Identifying An Officer At Risk Of An Adverse Event | |
CN113269380A (zh) | 一种面向疫情防控的返校方案预估方法 | |
Ceballos et al. | The migration propensity index: An application to Guatemala | |
Kim et al. | How the pattern recognition ability of deep learning enhances housing price estimation | |
CN113743994A (zh) | 一种供应商的旺季预测方法、系统、设备及存储介质 | |
Zhou et al. | [Retracted] An Improved Data Mining Model for Predicting the Impact of Economic Fluctuations | |
US11816122B1 (en) | Multi-use artificial intelligence-based ensemble model | |
Baghanam et al. | Long-Term Solid Waste Quantity Prediction Using AI-Based Models, Considering Climate Change Impact—A Case Study | |
CN117436708B (zh) | 国土空间规划风险评估方法 | |
US20230027774A1 (en) | Smart real estate evaluation system | |
Beyhan | A Machine Learning Approach To Seismic Risk Assessment Of Reinforced Concrete Structures | |
CN117852324B (zh) | 一种基于数据孪生的场景构建方法 | |
Adedipupo et al. | Detection of Appropriate Model for Nigeria Population Growth Using Root Mean Square Error (RMSE) | |
Chang et al. | Research Article Financial Management Early-Warning Mechanism Construction and Decision Analysis Research Based on Wireless Sensor Network and Data Mining | |
Zou | Research on the Agricultural Risk Management in the Era of Big Data | |
Gao | WORK ORDER PRIORITIZATION USING NEURAL NETWORKS TO IMPROVE BUILDING OPERATION | |
CN117093919A (zh) | 基于深度学习的岩土工程地质灾害预测方法及系统 | |
CN117494937A (zh) | 未来事件的分析方法、装置和事件分析系统 | |
Knežević et al. | Importance of software support in crisis situations decision-making | |
Qiu | Risk Reduction Strategy of Complex System Based on Intelligent Science |
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 |
Application publication date: 20210817 |
|
RJ01 | Rejection of invention patent application after publication |