CN113327687B - 基于智慧校园的高校疫情防控管理系统 - Google Patents
基于智慧校园的高校疫情防控管理系统 Download PDFInfo
- Publication number
- CN113327687B CN113327687B CN202110889799.4A CN202110889799A CN113327687B CN 113327687 B CN113327687 B CN 113327687B CN 202110889799 A CN202110889799 A CN 202110889799A CN 113327687 B CN113327687 B CN 113327687B
- Authority
- CN
- China
- Prior art keywords
- school
- personnel
- returning
- reservation
- hospital
- 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
- 230000002265 prevention Effects 0.000 title claims abstract description 48
- 238000012502 risk assessment Methods 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 22
- 230000004308 accommodation Effects 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 20
- 208000015181 infectious disease Diseases 0.000 claims description 13
- 241000700605 Viruses Species 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 7
- 238000002955 isolation Methods 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims 1
- 206010011409 Cross infection Diseases 0.000 abstract description 9
- 206010029803 Nosocomial infection Diseases 0.000 abstract description 9
- 229920006395 saturated elastomer Polymers 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 31
- 241000711573 Coronaviridae Species 0.000 description 3
- 206010035664 Pneumonia Diseases 0.000 description 3
- 201000003176 Severe Acute Respiratory Syndrome Diseases 0.000 description 3
- 230000000241 respiratory effect Effects 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 241000315672 SARS coronavirus Species 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 208000037797 influenza A Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer 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
- 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q50/205—Education administration or guidance
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Educational Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及高校疫情防控技术领域，用于解决高校在返校高峰期时返校人员在返校登记处聚集，容易造成潜在的交叉感染的问题，具体为基于智慧校园的高校疫情防控管理系统，包括防疫管理平台，所述防疫管理平台通信连接有离校登记模块、返校预约模块、风险分析模块以及存储模块；在校园内设置校内人员登记地点与校外人员登记地点，校内人员登记地点用于对校园内部人员进行入校登记，校外人员登记地点用于对校园外部人员进行入校登记；本发明在返校时通过返校预约模块进行返校时段预约，如果预约时段的人员饱和，则重新进行预约，避免某一时段的返校师生过多造成人员聚集的现象，降低返校师生在返校登记时出现交叉感染的概率。
Description
技术领域
本发明涉及高校疫情防控技术领域，具体为基于智慧校园的高校疫情防控管理系统。
背景技术
疫情指的是较大范围内出现的较大型疫情有重症急性呼吸综合征、甲型H1N1流感及新型冠状病毒肺炎等，重症急性呼吸综合征为一种由SARS冠状病毒引起的急性呼吸道传染病，世界卫生组织将其命名为重症急性呼吸综合征，本病为呼吸道传染性疾病，主要传播方式为近距离飞沫传播或接触患者呼吸道分泌物，新型冠状病毒肺炎，简称“新冠肺炎”，世界卫生组织命名为“2019冠状病毒病”。
高校疫情防控在校园内的实施与监管非常完善，但是在寒暑假学生与老师需要长期、长距离的离校与返校时，还是不可避免会造成人群聚集的现象，这种现象导致师生在返校时出现交叉感染的可能性大大增加。
公告号为CN112926842A的发明专利揭示了一种高校疫情防控一体化管理系统和方法，高校疫情防控一体化管理系统和方法该通过记录学生外出时间和计划返回时间，可自动向辅导员等预警学生外出风险，但是该高校疫情防控一体化管理系统和方法并不能够通过计划返回时间对学生的实际返校时间进行预约分流，在寒暑假返校人流较大时无法避免返校师生扎堆在登记处等级，返校师生在登记处扎堆进行返校登记时出现交叉感染的可能性较大，而一旦存在在登记时感染病毒的师生进入校园，则可能会在校内进行大范围的病毒传播，造成非常严重的后果。
发明内容
本发明的目的就在于为了解决高校在返校高峰期时返校人员在返校登记处聚集，容易造成潜在的交叉感染的问题，而提出基于智慧校园的高校疫情防控管理系统。
本发明的目的可以通过以下技术方案实现：基于智慧校园的高校疫情防控管理系统，包括防疫管理平台，所述防疫管理平台通信连接有离校登记模块、返校预约模块、风险分析模块以及存储模块；
在校园内设置校内人员登记地点与校外人员登记地点，校内人员登记地点用于对校园内部人员进行入校登记，校外人员登记地点用于对校园外部人员进行入校登记；
所述返校预约模块用于校内人员在返校时通过防疫管理平台进行返校时间预约，返校预约模块将当天的上午八点至下午六点的时间段分割为若干个相同时长的预约时段，在返校预约模块接收到返校校内人员的预约到校时间后根据预约到校时间将返校校内人员插入到对应的预约时段内，将对应的预约时段标记为到校时段，通过到校时段的总人数与到校人数阈值的比较结果判定预约是否成功；
预约成功之后，返校预约模块向用户手机端发送预约成功信息与到校时段；预约失败之后，返校预约模块向用户手机端发送预约失败信息，用户接收到预约失败信息后重新选择到校时间进行返校预约；
返校校内人员在返校时段到达学校报道后，通过风险分析模块对返校校内人员进行感染风险分析。
作为本发明的一种优选实施方式，所述校园内部人员包括学校的老师、学生以及职工，校园外部人员为除去校园内部人员的所有社会人员；
校园外部人员在校外登记地点进行人员信息登记，人员信息登记包括校园外部人员的姓名、性别、家庭住址、近15天内是否具有地级市外的旅居史、入校目的以及实名认证的手机号码。
作为本发明的一种优选实施方式，所述离校登记模块用于对校内人员在非短期离校时对校内人员的出行信息进行登记，非短期离校指的是校内人员的离校时间不小于两天，校内人员的出行信息包括出行目的地、离校时间、出行交通工具以及途径城市。
作为本发明的一种优选实施方式，返校校内人员进行返校时间预约之前在手机端通过登录信息登录防疫管理平台，登录信息包括用户名以及登陆密码，登录信息在用户通过注册信息注册防疫管理平台的账号时进行设置，注册信息包括用户的姓名、性别、年龄、家庭住址、所属班级以及实名认证的手机号码。
作为本发明的一种优选实施方式，预约成功之后在到校时段内对对应的返校校内人员是否到校报道进行统计，若返校校内人员在返校时段内到校报到，则判定返校成功，返校预约过程结束；若返校校内人员在返校时段内没有到校报道，则判定返校失败；
针对于返校失败的校内人员，返校预约模块向返校校内人员手机端发送未返校原因调查并获取返校失败的校内人员当天的行动轨迹。
作为本发明的一种优选实施方式，未返校原因调查包括：
确认返校校内人员是否感染病毒，若未返校校内人员确诊感染病毒，则获取对应校内人员当前救治医院的医院信息，医院信息包括医院的名称、地址、容纳系数、联系人以及联系电话，获取感染校内人员当日与同校校内人员的接触情况，若存在当日与感染校内人员接触过的同校校内人员，则将对应的同校校内人员标记为风险人员，对风险人员进行集中隔离检测；
若未返校校内人员没有确诊感染，则向未返校校内人员发送再次预约信号，未返校校内人员通过防疫管理平台进行重新预约。
作为本发明的一种优选实施方式，在当天预约结束之后，将每个时段的预约人数与到校人数阈值的比值标记为饱和度，将饱和度由高到低对时段进行排序，将第一时段与最后时段进行匹配，将第一时段与最后时段的预约人数的差值标记为第一预约差，将第一预约差数值的一半标记为第一调配人数，将第一调配人数发送至防疫管理平台；
将第二时段与倒数第二时段进行匹配，重复步骤S5得到第二调配人数并发送至防疫管理平台，以此类推，直至所有的时段均完成匹配。
作为本发明的一种优选实施方式，返校校内人员在返校时段到达学校报道后，风险分析模块对返校校内人员进行感染风险分析的具体过程包括：
获取返校校内人员的出行信息，将返校校内人员的返程地与学校之间的直线距离标记为直距，将返校校内人员的离校时间标记为离时；
获取返校校内人员在返校路径中的途经城市的感染人数，将途经城市感染人数的平均值标记为平均感染人数；
通过对直距、离时以及平均感染人数进行分析得到返校人员的风险系数，通过存储模块获取到风险系数阈值，将风险系数与风险系数阈值的比较结果对返校人员的风险系数是否满足入校标准。
作为本发明的一种优选实施方式，风险系数与风险系数阈值的比较过程为：
若风险系数小于风险系数阈值，则判定返校校内人员的风险系数满足入校标准，风险分析模块向防疫管理平台发送准许入校信号；
若风险系数不小于风险系数阈值，则判定返校校内人员的风险系数不满足入校标准，风险分析模块向防疫管理平台发送禁止入校信号。
与现有技术相比，本发明的有益效果是：
1、分别为校园内部人员与校园外部人员设置入校登记处，对校外人员与校内人员在入校登记时进行分隔，通过离校登记模块对校内人员在长期离校时进行出行信息登记，以便于后续师生返校时直接调取出行信息，对出行信息进行分析判定返校师生的风险系数，通过风险系数来对返校师生是否需要进行隔离检测进行判定，从而提高返校师生在返校登记时的效率。
2、校内人员在返校时通过返校预约模块进行返校时段预约，如果预约时段的人员饱和，则重新进行预约，使师生在返校时的各个时段的人流量均能够控制在一定量以内，避免某一时段的返校师生过多造成人员聚集的现象，降低返校师生在返校登记时出现交叉感染的概率。
3、在当天预约结束之后通过返校预约模块对当前每个时段的饱和度进行分析排序，从而将第一时段中划出第一调配人数至最后时段，在次日进行返校预约时，第一时段的预约成功数达到减去第一调配人数的数值后，则将后续预约第一时段的返校师生推荐至最后时段进行预约，从而使得各个时段的预约人数趋于均等，将返校师生均匀分配到各个时段当中，进一步缓解返校登记时的扎堆现象，降低交叉感染概率。
4、推荐模块对不满足入校标准的师生进行医院推荐，从医院内检测人数、治疗人数以及医护人员数量进行综合分析得到筛选医院的容纳系数，从而通过容纳系数的数值大小结合筛选医院与校园之间的直线距离进行筛选医院的推荐，使不满足入校标准的师生可以快速前往检测治疗容纳能力较高的医院进行隔离检测，避免由于选错医院延误检测治疗。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
图1为本发明实施例一的原理框图；
图2为本发明实施例二的原理框图。
具体实施方式
下面将结合实施例对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
请参阅图1-2所示，基于智慧校园的高校疫情防控管理系统，包括防疫管理平台，防疫管理平台通信连接有离校登记模块、返校预约模块、风险分析模块以及存储模块；
在校园内设置校内人员登记地点与校外人员登记地点，校内人员登记地点用于对校园内部人员进行入校登记，校外人员登记地点用于对校园外部人员进行入校登记，将校园外部人员与校园内部人员进行入校登记点分离，避免校园外部人员与校园内部人员在入校登记时出现交叉感染；
校园内部人员包括学校的老师、学生以及职工，校园外部人员为除去校园内部人员的所有社会人员；
校园外部人员在校外登记地点进行人员信息登记，人员信息登记包括校园外部人员的姓名、性别、家庭住址、近15天内是否具有地级市外的旅居史、入校目的以及实名认证的手机号码；
离校登记模块用于对校内人员在非短期离校时对校内人员的出行信息进行登记，非短期离校指的是校内人员的离校时间不小于两天，校内人员的出行信息包括出行目的地、离校时间、出行交通工具以及途径城市，离校师生完成出行信息登记之后方可离校，在达到离校时间时向离校师生发送返校预约提醒；
返校预约模块用于校内人员在返校时通过防疫管理平台进行返校时间预约，返校时间预约的具体过程包括以下步骤：
步骤S1：返校校内人员在手机端通过登录信息登录防疫管理平台，登录信息包括用户名以及登陆密码，登录信息在用户通过注册信息注册防疫管理平台的账号时进行设置，注册信息包括用户的姓名、性别、年龄、家庭住址、所属班级以及实名认证的手机号码；
步骤S2：返校校内人员在手机端输入预计到校时间并发送至返校预约模块，返校预约模块将当天的上午八点至下午六点的时间段分割为若干个相同时长的预约时段，在返校预约模块接收到返校校内人员的预约到校时间后根据预约到校时间将返校校内人员插入到对应的预约时段内，将对应的预约时段标记为到校时段，根据返校师生的预约到校时间进行到校时段划分，预约成功之后返校师生仅可以在到校时段内进行返校等近入校，未在到校时段进行返校登记的师生需要再次进行返校预约，返校师生在各自的到校时段内进行返校登记；
步骤S3：获取到校时段的总人数并将其与到校人数阈值进行比较，若到校时段的总人数不大于到校人数阈值，则判定预约成功，返校预约模块向用户手机端发送预约成功信息与到校时段；若到校时段的总人数大于到校人数阈值，则判定预约失败，返校预约模块向用户手机端发送预约失败信息，用户接收到预约失败信息后重新选择到校时间进行返校预约，返校师生再次预约成功之后可以在到校时段内进行返校登记入校；
步骤S4：预约成功之后在到校时段内对对应的返校校内人员是否到校报道进行统计，若返校校内人员在返校时段内到校报到，则判定返校成功，返校预约过程结束；若返校校内人员在返校时段内没有到校报道，则判定返校失败，返校失败的师生需要重新预约才可以在预约成功的返校时段内进行返校登记入校，有效防止师生在返校登记时出现扎堆的现象；
步骤S5：在当天预约结束之后，将每个时段的预约人数与到校人数阈值的比值标记为饱和度，将饱和度由高到低对时段进行排序，将第一时段与最后时段进行匹配，将第一时段与最后时段的预约人数的差值标记为第一预约差，将第一预约差数值的一半标记为第一调配人数，将第一调配人数发送至防疫管理平台，将第一时段中划出第一调配人数至最后时段，在次日进行返校预约时，第一时段的预约成功数达到减去第一调配人数的数值后，则将后续预约第一时段的返校师生推荐至最后时段进行预约，从而使得各个时段的预约人数趋于均等，将返校师生均匀分配到各个时段当中，进一步缓解返校登记时的扎堆现象，降低交叉感染概率；
步骤S6：将第二时段与倒数第二时段进行匹配，重复步骤S5得到第二调配人数并发送至防疫管理平台，以此类推，直至所有的时段均完成匹配，保证每个时段的预约成功人数趋于相同，将每天的预约人数平均分流至各个时段。
针对于返校失败的校内人员，返校预约模块向返校校内人员手机端发送未返校原因调查并获取返校失败的校内人员当天的行动轨迹，未返校原因调查包括：
确认返校校内人员是否感染病毒，若未返校校内人员确诊感染病毒，则获取对应校内人员当前救治医院的医院信息，医院信息包括医院的名称、地址、容纳系数、联系人以及联系电话，获取感染校内人员当日与同校校内人员的接触情况，若存在当日与感染校内人员接触过的同校校内人员，则将对应的同校校内人员标记为风险人员，对风险人员进行集中隔离检测，对于与确诊感染的未返校校内人员接触过的师生进行隔离检测，防止对应的师生在不知情的情况下携带病毒进入校园进行传播；
若未返校校内人员没有确诊感染，则向未返校校内人员发送再次预约信号，未返校校内人员通过防疫管理平台进行重新预约。
返校校内人员在返校时段到达学校报道后，通过风险分析模块对返校校内人员进行感染风险分析得到返校校内人员的风险系数，风险分析模块对返校校内人员感染风险的具体分析过程包括以下步骤：
步骤Q1：获取返校校内人员的出行信息，将返校校内人员的返程地与学校之间的直线距离标记为直距ZL，将返校校内人员的离校时间标记为离时LS；
步骤Q2：获取返校校内人员在返校路径中经过的城市并标记为城市i，i=1，2，…，n，n为正整数，将城市i的当前疫情感染人数标记为GRi，通过公式
得到途经城市的平均感染人数GRp，需要说明的是，平均感染人数是一个表示返校人员在返校途中被感染的可能性，平均感染人数越高则表示对应返校人员在返校途中被感染的可能性就越高；
步骤Q3：通过公式FX=（α1✖ZL+α2✖LS+α3✖GRp）/k得到返校校内人员的风险系数FX，其中α1、α2以及α3均为比例系数，且α1＞α2＞α3＞0，k为修正因子，k的取值为2.35，需要说明的是，风险系数是一个表示返校人员在离校期间被感染的概率，风险系数越高则表示返校人员在离校期间被感染的概率越高；
步骤Q4：通过存储模块获取到风险系数阈值FXmax，将风险系数FX与风险系数阈值FXmax进行比较：
若FX＜FXmax，则判定返校校内人员的风险系数满足入校标准，风险分析模块向防疫管理平台发送准许入校信号；
若FX≥FXmax，则判定返校校内人员的风险系数不满足入校标准，风险分析模块向防疫管理平台发送禁止入校信号；
将风险系数不满足入校标准的返校人员送往检测医疗点进行隔离检测。
实施例2
在疫情管控阶段，各个医院的检测人数与治疗人数相较往常都会大大增加，而各个医院的医护人员数量有限，因此当出现风险系数不满足入校标准的返校人员需要前往医院进行检测治疗时，需要快速、精准的查找到最适合的检测治疗医院。
如图2所示，防疫管理平台通信连接有推荐模块，检测医疗点的选择由推荐模块进行推荐；
推荐模块对不满足入校标准的返校人员进行检测医疗点推荐的具体过程包括以下步骤：
步骤P1：将学校所在的区县标记为筛选区域，将筛选区域内的医院标记为筛选医院y，y=1，2，…，m，m为正整数，将筛选医院内的检测人员数量标记为JRy，将筛选医院内的治疗人员数量标记为ZRy，将筛选医院内的医护人员总数标记为YRy；
步骤P2：通过公式RNy=β1✖YRy/（β2✖JRy+β3✖ZRy）得到筛选医院i的容纳系数RNy，其中β1、β2以及β3均为比例系数，且β3＞β2＞β1＞0，需要说明的是，容纳系数是一个通过医院检测人数、医院治疗人数以及医护人员数量分析得到的反应医院对病患容纳能力的数值，容纳系数越高的医院对病患的容纳能力越高，因此在高校出现需要隔离检测的人员时可以尽可能选择容纳系数高的筛选医院；
步骤P3：通过存储模块获取到容纳系数阈值RNmin，将容纳系数RNy小于容纳系数阈值的筛选医院标记为饱和医院，饱和医院为不能够继续接纳病患的医院，因此需要检测隔离的人员在选择医院时应该尽量避免选择饱和医院，以免延误治疗，将容纳系数RNy不小于容纳系数阈值RNmin的筛选医院标记为预选医院；
步骤P4：获取预选医院与学校的直线距离并标记为YXy，将YXy数值最小的预选医院标记为推荐医院，将筛选医院的地理位置发送至防疫管理平台，结合容纳系数与医院与高校的直线距离筛选出最为合适的医院作为推荐医院发送至用户的手机终端；
在筛选医院内对返校人员进行隔离检测，若检测结果为阳性，则表示对应返校人员感染了疫情病毒，对应的返校人员在筛选医院内进行救治；若检测结果为阴性，则表示对应返校人员没有感染疫情病毒，将对应返校人员送回学校办理返校手续。
上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式，公式中的系数是由本领域技术人员根据实际情况进行设置；
本发明在使用时，对校外人员与校内人员在入校登记时进行分隔，通过离校登记模块对校内人员在长期离校时进行出行信息登记，以便于后续师生返校时直接调取出行信息，校内人员在返校时通过返校预约模块进行返校时段预约，如果预约时段的人员饱和，则重新进行预约，使师生在返校时的各个时段的人流量均能够控制在一定量以内，在当天预约结束之后通过返校预约模块对当前每个时段的饱和度进行分析排序，从而将第一时段中划出第一调配人数至最后时段，在次日进行返校预约时，通过调配人数对各个时段的预约人数进行调配。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”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发明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一定指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何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (1)
1.基于智慧校园的高校疫情防控管理系统，包括防疫管理平台，其特征在于，所述防疫管理平台通信连接有离校登记模块、返校预约模块、风险分析模块以及存储模块；
在校园内设置校内人员登记地点与校外人员登记地点，校内人员登记地点用于对校园内部人员进行入校登记，校外人员登记地点用于对校园外部人员进行入校登记；
所述校园内部人员包括学校的老师、学生以及职工，校园外部人员为除去校园内部人员的所有社会人员；
校园外部人员在校外登记地点进行人员信息登记，人员信息登记包括校园外部人员的姓名、性别、家庭住址、近15天内是否具有地级市外的旅居史、入校目的以及实名认证的手机号码；
所述返校预约模块用于校内人员在返校时通过防疫管理平台进行返校时间预约，返校预约模块将当天的上午八点至下午六点的时间段分割为若干个相同时长的预约时段，在返校预约模块接收到返校校内人员的预约到校时间后根据预约到校时间将返校校内人员插入到对应的预约时段内，将对应的预约时段标记为到校时段，通过到校时段的总人数与到校人数阈值的比较结果判定预约是否成功；
预约成功之后，返校预约模块向用户手机端发送预约成功信息与到校时段；预约失败之后，返校预约模块向用户手机端发送预约失败信息，用户接收到预约失败信息后重新选择到校时间进行返校预约；
返校校内人员在返校时段到达学校报道后，通过风险分析模块对返校校内人员进行感染风险分析得到返校校内人员的风险系数，风险分析模块对返校校内人员感染风险的具体分析过程包括以下步骤：
步骤Q1：获取返校校内人员的出行信息，将返校校内人员的返程地与学校之间的直线距离标记为直距ZL，将返校校内人员的离校时间标记为离时LS；
步骤Q2：获取返校校内人员在返校路径中经过的城市并标记为城市i，i=1，2，…，n，n为正整数，将城市i的当前疫情感染人数标记为GRi，通过公式
得到途经城市的平均感染人数GRp，平均感染人数是一个表示返校人员在返校途中被感染的可能性，平均感染人数越高则表示对应返校人员在返校途中被感染的可能性就越高；
步骤Q3：通过公式FX=（α1×ZL+α2×LS+α3×GRp）/k得到返校校内人员的风险系数FX，其中α1、α2以及α3均为比例系数，且α1＞α2＞α3＞0，k为修正因子，k的取值为2.35，风险系数是一个表示返校人员在离校期间被感染的概率，风险系数越高则表示返校人员在离校期间被感染的概率越高；
步骤Q4：通过存储模块获取到风险系数阈值FXmax，将风险系数FX与风险系数阈值FXmax进行比较：
若FX＜FXmax，则判定返校校内人员的风险系数满足入校标准，风险分析模块向防疫管理平台发送准许入校信号；
若FX≥FXmax，则判定返校校内人员的风险系数不满足入校标准，风险分析模块向防疫管理平台发送禁止入校信号；
防疫管理平台通信连接有推荐模块，检测医疗点的选择由推荐模块进行推荐；
推荐模块对不满足入校标准的返校人员进行检测医疗点推荐的具体过程包括以下步骤：
步骤P1：将学校所在的区县标记为筛选区域，将筛选区域内的医院标记为筛选医院y，y=1，2，…，m，m为正整数，将筛选医院内的检测人员数量标记为JRy，将筛选医院内的治疗人员数量标记为ZRy，将筛选医院内的医护人员总数标记为YRy；
步骤P2：通过公式RNy=β1×YRy/（β2×JRy+β3×ZRy）得到筛选医院y的容纳系数RNy，其中β1、β2以及β3均为比例系数，且β3＞β2＞β1＞0，容纳系数是一个通过医院检测人数、医院治疗人数以及医护人员数量分析得到的反应医院对病患容纳能力的数值，容纳系数越高的医院对病患的容纳能力越高；
步骤P3：通过存储模块获取到容纳系数阈值RNmin，将容纳系数RNy小于容纳系数阈值的筛选医院标记为饱和医院，饱和医院为不能够继续接纳病患的医院，将容纳系数RNy不小于容纳系数阈值RNmin的筛选医院标记为预选医院；
步骤P4：获取预选医院与学校的直线距离并标记为YXy，将YXy数值最小的预选医院标记为推荐医院，将推荐医院发送至用户的手机终端；
所述离校登记模块用于对校内人员在非短期离校时对校内人员的出行信息进行登记，非短期离校指的是校内人员的离校时间不小于两天，校内人员的出行信息包括出行目的地、离校时间、出行交通工具以及途径城市；
返校校内人员进行返校时间预约之前在手机端通过登录信息登录防疫管理平台，登录信息包括用户名以及登陆密码，登录信息在用户通过注册信息注册防疫管理平台的账号时进行设置，注册信息包括用户的姓名、性别、年龄、家庭住址、所属班级以及实名认证的手机号码；
预约成功之后在到校时段内对对应的返校校内人员是否到校报道进行统计，若返校校内人员在返校时段内到校报到，则判定返校成功，返校预约过程结束；若返校校内人员在返校时段内没有到校报道，则判定返校失败；
针对于返校失败的校内人员，返校预约模块向返校校内人员手机端发送未返校原因调查并获取返校失败的校内人员当天的行动轨迹；
未返校原因调查包括：
确认未返校校内人员是否感染病毒，若未返校校内人员确诊感染病毒，则获取对应校内人员当前救治医院的医院信息，医院信息包括医院的名称、地址、容纳系数、联系人以及联系电话，获取感染校内人员当日与同校校内人员的接触情况，若存在当日与感染校内人员接触过的同校校内人员，则将对应的同校校内人员标记为风险人员，对风险人员进行集中隔离检测；
若未返校校内人员没有确诊感染，则向未返校校内人员发送再次预约信号，未返校校内人员通过防疫管理平台进行重新预约；
在当天预约结束之后，将每个时段的预约人数与到校人数阈值的比值标记为饱和度，将饱和度由高到低对时段进行排序，将第一时段与最后时段进行匹配，将第一时段与最后时段的预约人数的差值标记为第一预约差，将第一预约差数值的一半标记为第一调配人数，将第一调配人数发送至防疫管理平台；
将第二时段与倒数第二时段进行匹配，将第二时段与倒数第二时段的预约人数的差值标记为第二预约差，将第二预约差数值的一半标记为第二调配人数，将第二调配人数发送至防疫管理平台，以此类推，直至所有的时段均完成匹配。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110889799.4A CN113327687B (zh) | 2021-08-04 | 2021-08-04 | 基于智慧校园的高校疫情防控管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110889799.4A CN113327687B (zh) | 2021-08-04 | 2021-08-04 | 基于智慧校园的高校疫情防控管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113327687A CN113327687A (zh) | 2021-08-31 |
| CN113327687B true CN113327687B (zh) | 2022-02-01 |
Family
ID=77427016
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110889799.4A Active CN113327687B (zh) | 2021-08-04 | 2021-08-04 | 基于智慧校园的高校疫情防控管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113327687B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485336A (zh) * | 2016-09-22 | 2017-03-08 | 上海斐讯数据通信技术有限公司 | 一种网络预约申请方法及系统 |
| CN109409623A (zh) * | 2017-08-18 | 2019-03-01 | 徐子明 | 智慧景区游客分流管理系统及其管理方法 |
| CN111464951A (zh) * | 2020-03-31 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 疫情防控方法、装置、设备及计算机可读存储介质 |
| CN111755124A (zh) * | 2020-07-01 | 2020-10-09 | 电子科技大学 | 一种用于疫情时期的学生返校管理方法 |
| CN112562126A (zh) * | 2020-11-19 | 2021-03-26 | 成都中科大旗软件股份有限公司 | 一种实名制团队分时预约的订票方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210169417A1 (en) * | 2016-01-06 | 2021-06-10 | David Burton | Mobile wearable monitoring systems |
-
2021
- 2021-08-04 CN CN202110889799.4A patent/CN113327687B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485336A (zh) * | 2016-09-22 | 2017-03-08 | 上海斐讯数据通信技术有限公司 | 一种网络预约申请方法及系统 |
| CN109409623A (zh) * | 2017-08-18 | 2019-03-01 | 徐子明 | 智慧景区游客分流管理系统及其管理方法 |
| CN111464951A (zh) * | 2020-03-31 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 疫情防控方法、装置、设备及计算机可读存储介质 |
| CN111755124A (zh) * | 2020-07-01 | 2020-10-09 | 电子科技大学 | 一种用于疫情时期的学生返校管理方法 |
| CN112562126A (zh) * | 2020-11-19 | 2021-03-26 | 成都中科大旗软件股份有限公司 | 一种实名制团队分时预约的订票方法 |
Non-Patent Citations (1)
| Title |
|---|
| 后疫情时代｜新冠患者的地理分布和医疗资源的分配模型;一览众山小-可持续城市与交通;《https://www.sohu.com/a/398713256_260595》;20200530;第1-3页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113327687A (zh) | 2021-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12057235B2 (en) | Apparatus, system, and method for providing information related to infectious disease, via voice recognition device | |
| Daskin | Application of an expected covering model to emergency medical service system design | |
| CN111370136A (zh) | 应对突发公共卫生事件疫情防控信息系统 | |
| DeSalvo et al. | Using Medicare data to identify individuals who are electricity dependent to improve disaster preparedness and response | |
| JP2018169655A (ja) | 勤怠整合性管理システムおよび勤怠整合性管理方法 | |
| CN109166069A (zh) | 基于马尔科夫逻辑网络的数据关联方法、系统及设备 | |
| Swan et al. | Evaluating an emergency department care redesign: a simulation approach | |
| CN113327687B (zh) | 基于智慧校园的高校疫情防控管理系统 | |
| CN113423065B (zh) | 一种基于手机信令数据确定交通小区人口岗位数据的方法 | |
| Siemon et al. | Public guardianship: Where is it and what does it need | |
| Fahlen et al. | Work and childbearing intentions from a capability perspective: Young adult women in Sweden | |
| ANDERSEN et al. | Patients attending an accident and emergency department for primary medical care | |
| Rauhaus et al. | Social inequities highlighted by the prolonged pandemic: Expanding sick leave | |
| Rajendra et al. | A feasibility study to establish a Deliberate Self-harm Register in a state hospital in southern India. | |
| Abarcar et al. | The international migration of healthcare professionals and the supply of educated individuals left behind | |
| Reed et al. | Settling in and moving on: Transience and older people in care homes | |
| Camarota | New data: immigration surged in 2014 and 2015 | |
| Issa et al. | Evaluation of Oklahoma’s Electronic Death Registration System and Event Fatality Markers for Disaster-Related Mortality Surveillance–Oklahoma USA, May 2013 | |
| Miller | Professional use of lay resources | |
| Hall et al. | Spatial shift in the utilization of mental health services after Hurricane Sandy among New York City residents enrolled in medicaid | |
| Murata et al. | Social awareness from analysis of available time for automated external defibrillators in a city | |
| JP2002288391A (ja) | 地方自治体における政策・施策評価システム | |
| CN111640212B (zh) | 一种适用于油气生产设施的智能点名方法及系统 | |
| CN108921507A (zh) | 一种请假数据处理方法和装置 | |
| Deming et al. | Partners in Crime |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231227 Address after: 518000, 5th Floor, Building A4, Demei Industrial Center, No. 65 East Ring Second Road, Fukang Community, Longhua Street, Longhua District, Shenzhen City, Guangdong Province Patentee after: Mirror World (Shenzhen) Space Information Technology Co.,Ltd. Address before: 518000 f6-021-c, Hedong building, Haoyunlai Plaza, Hedong community, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province Patentee before: Shenzhen Zhiku Information Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |