CN113365211A - 基于活动轨迹的疫情预报方法及其装置、介质及电子设备 - Google Patents
基于活动轨迹的疫情预报方法及其装置、介质及电子设备 Download PDFInfo
- Publication number
- CN113365211A CN113365211A CN202110417211.5A CN202110417211A CN113365211A CN 113365211 A CN113365211 A CN 113365211A CN 202110417211 A CN202110417211 A CN 202110417211A CN 113365211 A CN113365211 A CN 113365211A
- Authority
- CN
- China
- Prior art keywords
- data
- track
- infection
- person
- action
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 41
- 238000013277 forecasting method Methods 0.000 title claims abstract description 24
- 230000009471 action Effects 0.000 claims abstract description 115
- 238000010586 diagram Methods 0.000 claims abstract description 43
- 208000015181 infectious disease Diseases 0.000 claims description 161
- 238000000034 method Methods 0.000 claims description 53
- 238000004891 communication Methods 0.000 claims description 48
- 230000000977 initiatory effect Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 17
- 230000001681 protective effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000013439 planning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000002458 infectious effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000012678 infectious agent Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 101100011863 Arabidopsis thaliana ERD15 gene Proteins 0.000 description 1
- 101100244969 Arabidopsis thaliana PRL1 gene Proteins 0.000 description 1
- 102100039558 Galectin-3 Human genes 0.000 description 1
- 101000946191 Galerina sp Laccase-1 Proteins 0.000 description 1
- 101000755816 Homo sapiens Inactive rhomboid protein 1 Proteins 0.000 description 1
- 101100454448 Homo sapiens LGALS3 gene Proteins 0.000 description 1
- 102100022420 Inactive rhomboid protein 1 Human genes 0.000 description 1
- 101150051246 MAC2 gene Proteins 0.000 description 1
- 101100191082 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GLC7 gene Proteins 0.000 description 1
- 101100274406 Schizosaccharomyces pombe (strain 972 / ATCC 24843) cid1 gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24575—Query processing with adaptation to user needs using context
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请的实施例提供了一种基于活动轨迹的疫情预报方法、介质以及电子设备,解决了现有技术中传染性较强的疫情出现时,疫情防控能力有限且无法准确的为健康人员提供疫情数据的技术问题。本申请提供的一种基于活动轨迹的疫情预报方法,通过对已确诊人员的行动数据进行分析并生成热力图,当一个健康的人员无论身在任何位置或者想要去任何地方,该健康的人员均可以根据热力图,获取该健康人员所在的位置以及想要去的地方的疫情情况,即可以随时查询一个位置处的疫情情况,从而该健康的人员可以根据该疫情情况重新规划路程以及做好防护措施,加强了疫情防控的力度。
Description
技术领域
本申请涉及信息技术领域,具体涉及一种基于活动轨迹的疫情预报方法及 其装置、介质以及电子设备。
背景技术
目前,对于具有传染性或者污染性的疫情的防控问题,一直是摆在 各国卫生防疫领域面前的重要问题,由于一些特定的传染性疫情在日 常防控中的不可控性,仅仅依靠人为的管理和登记,以及民众个人的 简单防护,并不能起到很好的防疫效果。目前通过各类技术性手段的 使用,提升了大众对于传染性疾病的个人防护能力,但是相关信息的 处理和有效使用,仍然不能满足大众日常的要求。
现有技术中针对传染性防疫工作,采用的配合性的技术方案一般有 以下几种:
个人使用在线软件提供的每日健康情况登记或者收集软件,填入使 用者本人的基本信息以及简单的身体状况等信息,这些方法过多依赖 个人的自主性,信息不实时,而且存在信息不准确的可能性。如果使 用者不能分辨出感染特征,则记录的结果就是无用的信息,即使使用 者能够正确分辨出传染病特征,但是如不及时汇总相关线索,后续的 防疫情况有可能进入时空状态,将为卫生防疫工作带来很多漏洞。
现有的二维码有防控技术手段,它的作用除了报备个人信息外,还 可以掌握被关注高危群体或者主动使用者的行动轨迹。但由于扫码工 作是在门口处进行,只能知道个人进入了本空间,无法对个人进行精 确定位,至于个人进入商场几楼或者在哪家店铺逗留,系统并不知道 也不知道具体离开时间以及可能解除到的人群,这些都无法满足传染 性疫情的卫生防疫要求。也有一些APP能提供自己周边确诊案例数 据,但数据来源较少,且只能显示单点位置,可视化效果有限,无法 为手机用户提供疫情具体分布详情,实用性有限。
基于位置信息的追踪也是目前重点人群追踪的比较常见的方法,通 过与通讯公司、信用卡公司合作,以获取手机定位、信用卡消费记录 信息等,从而确定重点人员的位置,但此类方案的不足之处是无法在 室内对重点人群追踪,缺乏室内外连续的实时轨迹,不便于用户的实 际使用。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一 种基于活动轨迹的疫情预报方法、介质以及电子设备,解决了现有技 术中传染性较强的疫情出现时,防控能力有限且无法准确的为健康人 员提供疫情数据的技术问题。
根据本申请的一个方面,提供了一种基于活动轨迹的疫情预报方法,包括:
获取至少一个确诊人员在第一预设时间内的行动数据,所述行动数据包括 行动轨迹以及与所述行动轨迹相对应的时间数据;
根据所述至少一个确诊人员的行动数据,生成传染源存在概率热力图;
获取用户的当前位置;
根据所述用户的当前位置以及所述传染源存在概率热力图,生成所述用户 所在的当前位置的传染源分布数据。
在本发明一实施例中,获取至少一个确诊人员在第一预设时间内的行动数 据,包括:
获取一个确诊人员在所述第一预设时间内的初始行动数据;
获取所述确诊人员在所述第一预设时间内的通讯信息、支付信息、交通出 行信息;
根据所述确诊人员在所述第一预设时间内的通讯信息、支付信息、交通出 行信息、影像信息,以及所述确诊人员的初始行动数据,获取所述确诊人员在 所述第一预设时间内的行动数据。
在本发明一实施例中,根据所述确诊人员在所述第一预设时间内的通讯信 息、支付信息、交通出行信息、影像信息,以及所述确诊人员的初始行动数据, 获取所述确诊人员在所述第一预设时间内的行动数据,包括:
根据所述确诊人员在所述第一预设时间内的通讯信息、支付信息、交通出 行信息、影像信息,在所述确诊人员的初始行动数据中查找至少一个停留点数 据,所述停留点数据包括停留位置以及与所述停留位置相对应的停留时间数据;
根据所述至少一个停留点数据生成所述确诊人员在所述第一预设时间内的 行动数据;
其中,所述停留位置为所述确诊人员的行动轨迹,所述停留时间数据为与 所述行动轨迹相对应的时间数据。
在本发明一实施例中,根据所述确诊人员在所述第一预设时间内的通讯信 息、支付信息、交通出行信息、影像信息,在所述确诊人员的初始行动数据中 查找至少一个停留点数据,包括:
根据所述确诊人员在所述第一预设时间内的通讯信息、支付信息、交通出 行信息、影像信息,确定所述确诊人员在一个地理位置的逗留时间;
判断所述逗留时间是否大于或者等于第一预设时长;
当所述逗留时间大于或者等于所述第一预设时长,所述地理位置为所述确 诊人员的一个停留位置,所述确诊人员停留在所述地理位置的时间为所述停留 点的停留时间数据。
在本发明一实施例中,根据所述确诊人员在所述第一预设时间内的通讯信 息、支付信息、交通出行信息、影像信息,在所述确诊人员的初始行动数据中 查找至少一个停留点数据,还包括:
根据所述确诊人员在所述第一预设时间内的通讯信息、支付信息、交通出 行信息、影像信息,确定所述确诊人员在一个地理位置与他人在第一预设距离 内的语言交流时间;
判断所述语言交流时间是否大于或者等于第二预设时长;
当所述语言交流时间大于或者等于所述第二预设时长,所述地理位置为所 述确诊人员的一个停留位置,所述确诊人员停留在所述地理位置的时间为所述 停留点的停留时间数据。
在本发明一实施例中,根据所述至少一个确诊人员的行动数据,生成传染 源存在概率热力图,包括:
获取每个确诊人员的感染传染源的初始感染数据,所述初始感染数据包括 所述确诊人员感染传染源的感染起点和感染时间;
对所述确诊人员在所述感染起点之前以及在所述感染起点之后的每个轨迹 点的行动数据赋予权重;
根据所述确诊人员的每个轨迹点的行动数据以及相对应的权重,生成每个 所述确诊人员的传染源存在概率数据;
根据每个确诊人员的传染源存在概率数据生成传染源存在概率热力图。
在本发明一实施例中,所述确诊人员在所述感染起点之后的任意相邻两个 轨迹点分别为第一轨迹点和第二轨迹点,所述第一轨迹点与所述感染起点之间 的时间差大于所述第二轨迹点与所述感染起点之间的时间差;
其中,所述第一轨迹点的行动数据的权重小于所述第二轨迹点的行动数据 的权重。
在本发明一实施例中,所述确诊人员在所述感染起点之前的任意相邻两个 轨迹点分别为第三轨迹点和第四轨迹点,所述第三轨迹点与所述感染起点之间 的时间差大于所述第四轨迹点与所述感染起点之间的时间差;
其中,所述第三轨迹点的行动数据的权重小于所述第四轨迹点的行动数据 的权重。
在本发明一实施例中,获取每个确诊人员的感染传染源的初始感染数据, 包括:
获取所述确诊人员在所述第一预设时间内的行动数据获取所述确诊人员在 所述第一预设时间内的行动轨迹;
将所述行动轨迹与至少一个已确诊人员的行动轨迹进行对比,获取所述确 诊人员的预设感染起点,其中,所述确诊人员的行动轨迹中与所述至少一个已 确诊人员的行动轨迹重合的轨迹点为所述确诊人员的预设感染起点;
获取所述确诊人员以及轨迹包括所述预设感染起点的已确诊人员的移动数 据,所述移动数据包括影像数据、移动终端信息;
根据所述确诊人员的移动数据以及轨迹包括所述预设感染起点的已确诊人 员的移动数据,获取所述确诊人员的感染起点;以及
根据所述确诊人员的感染起点以及所述确诊人员的移动数据,获取所述确 诊人员的感染时间;
其中,所述确诊人员的初始感染数据包括所述确诊人员感染传染源的感染 起点和感染时间。
在本发明一实施例中,在根据所述用户的当前位置以及所述传染源存在概 率热力图,生成所述用户所在的当前位置的传染源分布数据之后,所述基于活 动轨迹的疫情预报方法还包括:
根据所述用户的当前位置获取所述用户的当前位置的虚拟环境;
根据所述用户的当前位置的虚拟环境以及所述用户所在的当前位置的传染 源分布数据,生成所述用户的当前位置的虚拟环境中的传染源分布直观图。
根据本申请的另一方面,本发明实施例提供了一种基于活动轨迹的疫情预 报系统,包括:
确诊人员轨迹获取单元,用于获取至少一个确诊人员在第一预设时间内的 行动数据,所述行动数据包括行动轨迹以及与所述行动轨迹相对应的时间数据;
热力图生成单元,用于根据所述至少一个确诊人员的行动数据,生成传染 源存在概率热力图;
定位单元,用于获取用户的当前位置;
数据分布生成单元,用于根据所述用户的当前位置以及所述传染源存在概 率热力图,生成所述用户所在的当前位置的传染源分布数据。
根据本申请的另一个方面,本发明实施例提供了一种计算机可读存储介质, 所述存储介质存储有计算机程序,所述计算机程序用于执行上述任一所述的一 种基于活动轨迹的疫情预报方法。
根据本申请的另一个方面,提供了一种电子设备,所述电子设备包括:处 理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于执行上述 任一所述的一种基于活动轨迹的疫情预报方法。
本申请提供的一种基于活动轨迹的疫情预报方法,通过对已确诊人员的行 动数据进行分析并生成热力图,当一个健康的人员无论身在任何位置或者想要 去任何地方,该健康的人员均可以根据热力图,获取该健康人员所在的位置以 及想要去的地方的疫情情况,即可以随时查询一个位置处的疫情情况,从而该 健康的人员可以根据该疫情情况重新规划路程以及做好防护措施,加强了疫情 防控的力度。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他 目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理 解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构 成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1是本申请一示例性实施例提供的一种基于活动轨迹的疫情预报方法的 流程示意图;
图2所示为本申请另一示例性实施例提供的一种基于活动轨迹的疫情预报 方法的流程示意图;
图3所示为本申请另一示例性实施例提供的一种基于活动轨迹的疫情预报 方法生成的传染源分布直观图;
图4所示为图1所示的基于活动轨迹的疫情预报方法中步骤S101的具体流 程示意图;
图5所示为图1所示的基于活动轨迹的疫情预报方法中步骤S102的具体流 程示意图;
图6所示为本发明实施例提供的确定确诊人员的轨迹图;
图7所示为本发明实施例提供的单个确诊人员的轨迹点的权重分布示意 图;
图8所示为本发明实施例提供的多个确诊人员的轨迹点的权重分布示意 图;
图9所示为本发明一实施例提供的一种基于活动轨迹的疫情预报装置结构 示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的 实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解, 本申请不受这里描述的示例实施例的限制。
示例性方法
图1是本申请一示例性实施例提供的基于活动轨迹的疫情预报方法的流 程示意图。本实施例可应用在电子设备上,如图1所示,包括如下步骤:
步骤S101:获取至少一个确诊人员在第一预设时间内的行动数据,行动数 据包括行动轨迹以及与行动轨迹相对应的时间数据;
在步骤S101中,需要一一获取至少一个确诊人员在第一预设时间内的行动 数据。每个确诊人员的行动数据在行动轨迹上可有重叠,与行动轨迹所对应的 时间数据也可重叠。
步骤S102:根据至少一个确诊人员的行动数据,生成传染源存在概率热力 图;
步骤S103:获取用户的当前位置;
在步骤S103中,用户可以为一个健康的人员,即未确诊人员。当该 用户外出时,用户可以打开所携带的移动设备上的定位模块,可以通 过用户的移动设备上的定位模块(例如GPS定位、WIFI定位等)来获 取用户当前位置,即用户当前所在的具体位置。其中具体位置的精确 度在1米-3米之间。除此之外,还可以利用例如定位模块中的WIFI 定位来确定该用户与其他人员的相对距离,其中相对位置精确度也在 1米-3米之间。
步骤S104:根据用户的当前位置以及传染源存在概率热力图,生成用户所 在的当前位置的传染源分布数据。
在步骤S104中,生成用户所在的当前位置的传染源分布数据后,用户可以 根据该传染源分布数据了解该用户所在的当前位置的传染源概率分布,然后根 据传染源分布数据来选择相对合适的路线,尽量避免接触传染源概率最大的区 域,使得健康人员能够更好地加强防护,加强了整体的疫情防控的力度。
具体的,步骤S103中,当用户打开移动设备上的定位模块,就可以 通过用户的移动设备(下面为了描述简便,将移动设备称为终端)上 的定位模块(例如GPS定位单元、WIFI定位单元等)来获取用户当前 位置的具体方法包括:
(1)获取待估计间距的终端所采集到的无线接入点信息;
(2)提取所述无线接入点信息的特征向量,依据距离计算函数,获取所述 待估计距离的终端中,任意两终端之间的间距;
(3)依据所述间距,将所述待估计间距的终端转化为二维位置分布,获得 所述终端的规划位置;
具体的,可以依据所述任意两终端之间的间距,构成数据集I,并基于所 述数据集建立终端间的距离矩阵(即二维位置分布),所述距离矩阵可表示为:
其中,di,j表示数据集中第i和第j个变量的间距,i,j∈1,...,I。
上述多维分析的目的为得到一组大小为I的向量集x1,...,xI∈RN,对于所有 的i,j∈1,...,I,均有||xi-xj||≈di,j,||·||代表向量模。向量模可以为变量间的欧几里 得距离,但是在广义上,它也可指代任意的距离函数。多维分析时,实质是在 保持变量间相对距离不变的基础上,寻找一个从数据集I到RN之间的映射关系。 如果维度N选择为2或3,则向量xi即可在二维平面或三维空间中反映数据集合 I中各变量的结构关系。最终,可以将上述多维分析转化为计算的最优化问题,并可采用矩阵特征值分解法求解。
其中,对距离矩阵进行特征值分解,具体方法如下:
构建矩阵X、T,令
则由上式可得:
其中,Xi为RN空间中第i个坐标点,N为空间维度,1≤n≤N;
对矩阵所述T进行矩阵分解:
其中,U为特征向量,Λ为特征值矩阵;
令:
完成对所述距离矩阵的降维处理。
在一个具体的实施方式中,依据所述规划位置的坐标,及其对应的终端的 实际位置坐标,求取所述待估计间距的终端间的平均距离;
基于所述平均距离,以及所述规划位置的坐标中,最远的两位置间的坐标 距离,获取所述规划位置的评价参数。
计算规划点位置坐标与对应实际点坐标的平均距离Dmean,通过下式求解, 其中(xi_pre,yi_pre)为预测点坐标,(xi_real,yi_real)为实际点坐标,n为实验点个数;
计算预测点集中距离最远的两点距离Dmax,用平均距离Dmean与最大距离 Dmax的比值βMDS作为评价MDS位置规划结果的参数,
其中,评价参数采用如下方式计算:
其中,Dmax为所述规划位置的坐标中,最远的两位置间的坐标距离;Dmean为所述平均距离。当该βMDS越接近于0,则所述规划位置与真实位置的拟合性越 好。
在本发明另一实施例中,步骤S103中,当用户打开终端定位模块 后,通过用户的移动设备上定位模块(例如GPS定位、WIFI定位等) 来获取该用户与周围用户之间的距离,下面以该用户周围有三个用户 为例,获取该用户与其他三个用户之间(为了方便描述,下面将该用 户称为第一终端、周围的三个用户分别称为第二终端、第三终端和第 四终端)的距离的具体方法包括:
(1)用户的第一终端(例如手机)开启Wi-Fi后,实时采集周围的Wi-Fi 发射源信息和移动基站信息,加上时间戳T1,记为“Record1: T1+LAC1+CID1+MAC2+MAC3”,并向服务器传输该数据;
(2)服务器接收到第一终端的数据后,根据该数据,在其数据库中寻找到 该时间段内的记录Record2、Record3、Record4,分别计算第一终端与服务器 数据库中的Record2对应的第二终端的距离、与服务器数据库中的Record3对 应的第三终端的距离、与服务器数据库中的Record4对应的第四终端的距离;
第一终端与第二终端的距离Dist1的计算:
由于第一终端与第二终端的记录中存在相同的MAC地址,因此,按照公式 Dist=Dsim-min+pdif-new*(Dsim-max-Dsim-min)计算;
其中,Dsim-min是指第二终端与第一终端的向服务器传输的数据构成的记录 中,相同MAC地址所占的比例对应的距离范围中的距离最小值;Dsim-max是指第二 终端与第一终端的记录中,相同MAC地址所占的比例对应的距离范围中的距离 最大值;Pdif-new是指根据第二终端与第一终端的记录中,不同MAC地址所占的比 例换算得到的权重因子。
Pdif-new按照公式计算得到;其中,Pdif是指第二终端 与第一终端的记录中不同MAC地址在两条记录中所占的比例;pdif-min是指将 0-100%的范围分为4个区间,分别为(0,20%)、(20%,40%)、(40%,80%)、(80%, 1),Pdif所在的区间范围内的最小值;pdif-max是指Pdif所在的区间范围内的最大值。
其中,MacNum是指第二终端与第一终端的记录中相同MAC地址的个数;M 与N分别为第二终端的记录与第一终端的记录中MAC地址的个数。
Dsim-min以及Dsim-max通过Dsim计算得到;Dsim是指第二终端与第一终端的记录中, 相同MAC地址所占的比例对应的距离范围;其计算方式为:按照公式计算第二终端与第一终端的记录中相同MAC地址所占的比例Psim, 其中min(N,M)是指取N与M中的较小值;当Psim≥80%时,Dsim取10-30m;当 40%≤Psim<80%时,Dsim取30-50m;当20%≤Psim<40%时,Dsim取50-70m;当0< Psim<20%时,Dsim取70-100m。
由此可得,Dsim为10-30m。
Dist=Dsim-min+pdif-new*(Dsim-max-Dsim-min)=10+66.7%(30-10)=23.3(m)
第一终端与第三终端的距离Dist2的计算:由于第一终端与第三终端的记录 中不存在相同的MAC地址,且动基站信息的基站LAC以及基站CID不一致,则 Dist为大于600m,不在附近区域;
同理可计算第一终端与第四终端的距离;
(3)服务器将步骤2)中的计算结果传输至终端;
(4)若对结果不满意,当前终端可重新刷新,再次搜索并计算。
通过上述方法即可获取第一终端与第二终端、第三终端、第四终端之间的 距离,即可获取该用户与其他用户之间的间距。
在发明另一实施例中,计算用户与其他用户之间的距离还可以通过下述方 法获取:即基于Wi-Fi的相对距离获取用户(以下称为第一终端)与其他用户 (以下称为第二终端)之间的距离,该方法包括:
第一终端向第二终端发送距离获取请求;所述第一终端采集所述第一终端 的终端信息;
所述第二终端获取到所述距离获取请求后,采集所述第二终端的终端信息, 并将该终端信息发送给所述第一终端;
所述第一终端接收到所述第二终端发送的终端信息后,将其与所述第一终 端的终端信息进行匹配,并依据匹配结果计算所述第一终端与所述第二终端的 相对距离;
所述终端信息至少包括:终端采集到的Wi-Fi发射源信息和或移动基站信 息,以及时间信息。所述Wi-Fi发射源信息包括:所述第一终端采集到的Wi-Fi 接入点MAC地址集合,各个接入点信号强度集合及各个接入点间邻居关系;所 述移动基站信息至少包括基站LAC以及基站CID。
在一个具体的实施方式中,所述计算所述第一终端与所述第二终端的相对 距离的步骤具体包括:当所述第一终端及第二终端的终端信息中存在相同的 MAC地址,则所述相对距离Dist为:
Dist=Dsim-min+pdif-new*(Dsim-max-Dsim-min);
其中,Dsim-min是指具有相同MAC地址所占的比例对应的距离范围的最小值; 所述Dsim-max是指具有相同MAC地址所占的比例对应的距离范围的最大值;所述 Pdif-new为权重因子。
优选地,所述计算所述第一终端与所述第二终端的相对距离的步骤具体包 括:当所述第一终端及第二终端的终端信息中不存在相同的MAC地址,比较所 述第一终端及第二终端的终端信息中的移动基站信息是否一致;当所述移动基 站信息一致时,所述相对距离Dist小于或者等于基站覆盖范围的直径;当所述 移动基站信息不一致时,则大于基站覆盖范围的直径。
在一个具体的实施方式中,该步骤具体可以如下方式进行:
当所述第一终端和第二终端的终端信息中存在相同的MAC地址,则按照公 式Dist=Dsim-min+pdif-new*(Dsim-max-Dsim-min)计算所述第一终端与所述第二终端的终端 距离Dist;
所述Dsim-min是指所述第一终端及第二终端的终端信息中,具有相同MAC地 址所占的比例对应的距离范围中的距离最小值;所述Dsim-max是指所述所述第一 终端及第二终端的终端信息中,具有相同MAC地址所占的比例对应的距离范围 中的距离最大值;所述Pdif-new是指所述第一终端及第二终端的终端信息中,具 有不同MAC地址所占的比例换算得到的权重因子;
当第一终端和第二终端的终端信息中不存在相同的MAC地址时,则比较所 述第一终端与其他与其匹配的终端的移动基站信息的基站LAC以及基站CID是 否一致;当所述移动基站信息一致时,所述第一终端与第二终端的距离Dist小 于或者等于基站覆盖范围的直径;当所述移动基站信息不一致时,则大于基站 覆盖范围的直径。
其中,所述Pdif是指所述第一终端和第二终端的终端信息中不同MAC地址 在两条记录中所占的比例;所述pdif-min是指将0-100%的范围分为若干个区间, 所述Pdif所在的区间范围内的最小值;所述pdif-max是指所述Pdif所在的区间范围 内的最大值。
在一个具体的实施方式中,例如可以将0-100%的范围分为4个区间: (0,20%)、(20%,40%)、(40%,80%)、(80%,1),当Pdif落入其中某一个区间时, 所述pdif-min与所述pdif-max是代表的这个区间的最小值与最大值。
其中,所述MacNum是指所述第一终端及第二终端的终端信息中相同MAC 地址的个数;M与N分别为所述第一终端及第二终端的终端信息中MAC地址的 个数。
具体的对应关系,可参见如下表:
p<sub>dif</sub> | p<sub>dif-min</sub> | p<sub>dif-max</sub> |
区间1(0<=p<sub>dif</sub><20) | 0 | 20% |
区间2(20<=p<sub>dif</sub><40) | 20% | 40% |
区间3(40<=p<sub>dif</sub><80) | 40% | 80% |
区间4(80<=p<sub>dif</sub><1) | 80% | 1 |
在一个具体的实施方式中,所述Dsim-min以及Dsim-max通过计算Dsim得到;所述 Dsim是指所述第一终端及第二终端的终端信息中,相同MAC地址所占的比例对应 的距离范围,所述Dsim-min以及Dsim-max代表的这个区间的最小值与最大值;
在一个具体的实施方式中,例如可以通过如下方式实现:当Psim≥80%时,Dsim取10-30m;当40%≤Psim<80%时,Dsim取30-50m;当20%≤Psim<40%时,Dsim取 50-70m;当0<Psim<20%时,Dsim取70-100m;Psim=0时,Dsim>100m,则Dist大于 100m。具体的对应关系,可以参见如下表:
p<sub>sim</sub>所属区间 | D<sub>sim-min</sub>(米) | D<sub>sim-max</sub>(米) |
区间1(p<sub>sim</sub>>=80%) | 10 | 30 |
区间2(40<=p<sub>sim</sub><80) | 30 | 50 |
区间3(20<=p<sub>sim</sub><40) | 50 | 70 |
区间4(0<=p<sub>sim</sub><20) | 70 | 100 |
所述Dsim-min以及Dsim-max通过Dsim计算得到;所述Dsim是指第一终端和第二终端 的终端信息中,相同MAC地址所占的比例对应的距离范围,所述Dsim-min以及Dsim-max代表的这个区间的最小值与最大值;其计算方式为:按照公式计 算第一终端及第二终端的终端信息中相同MAC地址所占的比例Psim,其中min(N, M)是指取N与M中的较小值;在一个具体的实施方式中,可以以如下方式进行 计算:当Psim≥80%时,Dsim取10-30m;当40%≤Psim<80%时,Dsim取30-50m;当 20%≤Psim<40%时,Dsim取50-70m;当0<Psim<20%时,Dsim取70-100m。
当第一终端及第二终端的终端信息中不存在相同的MAC地址,且移动基站 信息的基站LAC以及基站CID一致,则Dist大于100m;当第二终端数据库中的 记录与第一终端的记录中不存在相同的MAC地址,且移动基站信息的基站LAC 以及基站CID不一致,则Dist为大于600m。
为了使得用户能够更直观的获取其所在的当前位置的传染源分布数据,如 图2所示,在步骤S104后,基于活动轨迹的疫情预报方法还包括以下步骤:
步骤S105:根据用户的当前位置获取用户的当前位置的虚拟环境;
步骤S106:根据用户的当前位置的虚拟环境以及用户所在的当前位置的 传染源分布数据,生成用户的当前位置的虚拟环境中的传染源分布直观图,该 直观图可以直接显示在用户的移动设备上,用户可以在移动设备上直观且快速 的查看该用户所在位置的传染源分布情况。如图3所示,区域A、区域B以及 区域C为传染源存在概率较大的区域,用户应该选择避免接触该三个区域。
具体的,绘制出传染源存在概率的热力图之后,就可以使用手持设备如智 能手机APP、利用AR技术,查看周围环境疫情分布情况。
用户到达任意位置,只要打开手机APP,即可完成位置定位,后台会下发 所述区域的疫情分布情况,随后,用户可以打开摄像头,利用AR技术,生成直 观、真实的虚拟环境,同时将传染源存在概率的热力图与之叠加,生成最终的 显示界面,方便用户直观地查看该区域内传染源存在的概率以及疫情分布情况。
本实施例中的AR系统结构中三维注册和图像显示功能,其中三维注册技术 主要有基于硬件的注册方法、基于机器视觉的注册方法和混合型注册方法。基 于硬件的注册方法是根据信号发射源以及传感器对目标物体的跟踪测量出的数 据得到摄像机相对空间位置和方向。基于机器视觉的注册方法主要是以场景中 的图像信息为基准来计算摄像机的姿态。混合型注册方法就是利用两种或两种 以上的三维注册技术来确定物体的姿态和位置。
现在的手持设备如智能手机已具备多传感器功能,电子罗盘可得到手机的 朝向,重力加速度传感器可得到手机的倾仰角,GPS可获得手机的地理位置, 摄像头能捕捉现实影像,通过这些信息可进行三维注册。并且Android操作系 统已将投影矩阵封装好了,可直接通过接口来获取投影矩阵,然后将相关的坐 标转换成相应的坐标即可。
AR系统的图形显示方式可划分为光学透镜式、视频透视式和投影式。视频 透视式设备以显示屏为成像载体AR内容进行显示,市面上多为手机、平板电脑 等移动端设备。本方案所适用的手持设备显示设备是目前市场上常见的智能手 机。
对于移动增强现实应用,需要通过网络通信来与远程服务器来联络。远程服 务器可用来存储大量的数据信息也可用来处理这些数据信息。可以通过调用后 台服务器端来获取显示需要的数据源。
基于AR增强现实的疫情大数据展示系统可以采用典型的Browser/Server 架构,手机AR应用程序构成了浏览器端(Browser),后台采用集中式的服务器 构成Server端[7]。服务器端存储AR应用中的传染源存在概率热力图和相关疫 情数据。根据AR应用的需要,轨迹点传染源存在概率和感染患者具体数据等资 源动态地从服务器端下发,这种架构有效地降低了移动终端的资源占用。
地图定位界面的实现可以使用Google MapsAndroid API V2开发包。
在本发明一实施例中,如图4所示,步骤S101(获取至少一个确诊人员在 第一预设时间内的行动数据)具体包括以下步骤:
步骤S1011:获取一个确诊人员在第一预设时间内的初始行动数据;
在步骤S1011中,获取一个确诊人员在第一预设时间内的初始行动数据, 即初始行动轨迹与初始行动轨迹想对应的时间数据;
其中,获取一个确诊人员在第一预设时间内的初始行动数据的方法可以采 用以下方式:
(1)人工问询方式:专业医疗团队通过座谈法、函询法与质询法的方式, 座谈通过小组现场会议或视频分析的形式进行,了解他们在第一预设时间内(例 如14天内)都去过哪儿,坐过什么交通工具,接触过什么人,包括家人、朋友、 同学、同事、工友等,要对这些信息进行详细的询问记录。
其中,函询法采用积极函询法,根据确诊人员的具体情况,设计出已定格 式的函件寄给有关单位和人员,根据确诊人员的回答来获取行动轨迹。
质询法采用先设计有逻辑结构的语句再逐句提问的方法。对确诊人员从确 诊时间T1回推第一预设时间,例如N天(例如N=14)到T,帮助所述病例尽量 回忆起T~T1时间段内的行动轨迹,并且询问是否有同行者或目击者,第一时间 与之取得联系,确认所述病例提供轨迹信息的真实性、准确性;
由于步骤S1011获取的是该确诊人员的初始行动数据,很有可能存在不准 确的数据,因此,还需要对初始行动数据进行精确化,即执行步骤S1012以及 步骤S1013,
步骤S1012:获取确诊人员在第一预设时间内的通讯信息、支付信息、交 通出行信息;
获取确诊人员在第一预设时间内的通讯信息、支付信息、交通出行信息的 具体获取方法包括:
查阅该确诊人员的手机、平板电脑等终端设备,获取该确诊人员的通讯信 息、电子支付、交通APP使用记录等有效信息。
步骤S1013:根据确诊人员在第一预设时间内的通讯信息、支付信息、交 通出行信息、影像信息,以及确诊人员的初始行动数据,获取确诊人员在第一 预设时间内的行动数据。即根据确诊人员的有效信息以及步骤S1011中获取的 初始行动数据来确定确诊人员的行动数据,该行动数据相对初始行动数据而言, 数据的准确性较高。
具体的,步骤S1013具体包括以下步骤:
步骤(1):根据确诊人员在第一预设时间内的通讯信息、支付信息、交通 出行信息、影像信息,在确诊人员的初始行动数据中查找至少一个停留点数据, 停留点数据包括停留位置以及与停留位置相对应的停留时间数据;
具体的,根据确诊人员的初始行动数据绘制该确诊人员的初始轨迹图;并 在该初始轨迹图上找出T-T1之间区域内的每个停留点以及停留点所对应的时 间数据。
其中,在确诊人员的初始行动数据中查找至少一个停留点数据的方法可以 采用以下两种方式:具体包括:
第一种方式:根据确诊人员在第一预设时间内的通讯信息、支付信息、交 通出行信息、影像信息,确定确诊人员在一个地理位置的逗留时间;
判断逗留时间是否大于或者等于第一预设时长;其中第一预设时长可以为 3分钟,即判断逗留时间是否大于或者等于3分钟;
当逗留时间大于或者等于第一预设时长,例如逗留时间是否大于或者等于 3分钟时,将该地理位置为确诊人员的一个停留位置,确诊人员停留在地理位 置的时间为停留点的停留时间数据。
同理,当逗留时间小于3分钟时,该地理位置即可不被确定为一个停留位 置。
第二种方式:根据确诊人员在第一预设时间内的通讯信息、支付信息、交 通出行信息、影像信息,确定确诊人员在一个地理位置与他人在第一预设距离 内的语言交流时间;即该确诊人员在一个地理位置处是否与他人有近距离交流 以及交流的时间;
其中,第一预设距离为预先设计的一个距离,该距离表示确诊人员在一个 地理位置与他人之间的最大距离,以确诊人员为圆心,以该第一预设距离为半 径的圆形区域则表明是确诊人员的接近区域。优选的,第一预设距离在0.5m-1m 之间。
判断语言交流时间是否大于或者等于第二预设时长,例如第二预设时长为 30秒,通过加入判断是否与他人近距离交流以及交流时间,可以更为准确的判 断该地理位置的传染源存在的概率;
当语言交流时间大于或者等于第二预设时长,即语言交流时间大于或者等 于30秒时,由于交流时间较长,因此,该地理位置的传染源存在的概率较大, 将该地理位置为确诊人员的一个停留位置,确诊人员停留在地理位置的时间为 停留点的停留时间数据。
同理,当语言交流时间小于30秒时,该地理位置则不被确定为停留位置。
上述步骤(1)确定了该确诊人员的停留点数据,即停留位置以及停留的时 间数据。
步骤(2)根据至少一个停留点数据生成确诊人员在第一预设时间内的行动 数据;
其中,停留位置为确诊人员的行动轨迹,停留时间数据为与行动轨迹相对 应的时间数据。
通过删除步骤(1)以及步骤(2)可以获取该确诊人员在第一预设时间内 的行动数据,该确诊人员的行动数据可以采用列表的方式列出,具体如表1所 示:
表1确诊人员行动数据表
在实际的应用中,由于第一预设时间一般为14天,由于14天的时 间较长,因此,确诊人员可能会遗忘部分活动轨迹,此时,还可以基 于目标人员的协助下,通过视频监控等获取其相关的影像信息,从而 能够得到该确诊人员更为准确的行动数据。
通过上述步骤S1011-步骤S1013,可以获取一个确诊人员的行动数据。采 用同样的方式来获取多个确诊人员的行动数据。当获取到多个确诊人员的行动 数据后,执行步骤S102,即步骤S102:根据至少一个确诊人员的行动数据,生 成传染源存在概率热力图;
具体的,如图5所示,步骤S102具体包括以下步骤:
步骤S1021:根据每个患者在第一预设时间内的行动数据,获取每个确诊 人员的感染传染源的初始感染数据,初始感染数据包括确诊人员感染传染源的 感染起点和感染时间;
在高传染源的防控中,控制其传染源是重要的,控制传染源即需要确定确 诊人员的初始感染数据,即确诊人员的初始感染起点以及感染时间,即初始感 染地点以及时间。
具体的,确定确诊人员的感染传染源的初始感染数据可以采用以下步骤:
(1):获取确诊人员在第一预设时间内的行动数据获取确诊人员在第一预 设时间内的行动轨迹;
即根据步骤S101获取得到的确诊人员在第一预设时间内获取到的行动数 据,然后根据行动数据生成确诊人员的行动轨迹图(轨迹线1),如图6所示;
(2):将确诊人员的行动轨迹1与至少一个已确诊人员的行动轨迹(如图 6中的轨迹线2)进行对比,获取确诊人员的预设感染起点,其中,确诊人员的 行动轨迹中与至少一个已确诊人员的行动轨迹重合的轨迹点为确诊人员的预设 感染起点,如图6中的五星位置;
在实际寻找确诊人员的初始感染起点时,该确诊人员的行动轨迹可以与一 个已确诊人员的行动轨迹有多处轨迹重合,也可以与多个已确诊人员的行动轨 迹均有轨迹重合,那么此时,该确诊人员的预设感染起点有多个,那么需要从 多个预设感染起点中确定一个为该确诊人员的感染起点,即执行步骤(3),
(3):获取确诊人员以及轨迹包括预设感染起点的已确诊人员的移 动数据,移动数据包括移动终端信息数据等;
(4):根据确诊人员的移动数据以及轨迹,包括预设感染起点的已 确诊人员的移动数据,获取确诊人员的感染起点。
(5):根据确诊人员的感染起点以及确诊人员的移动数据,获取确诊人员 的感染时间;
其中,确诊人员的初始感染数据包括确诊人员感染传染源的感染起点和感 染时间。
通过上述步骤(1)-步骤(5)可以获取确诊人员的初始感染数据,即确定 确诊人员的感染起点以及感染时间。
步骤S1022:对确诊人员在感染起点之前以及在感染起点之后的每个轨迹 点的行动数据赋予权重;
具体的,如图7所示,轨迹线1为该确诊人员的轨迹,轨迹线2为已确诊 人员的轨迹,该确诊人员的感染起点为E点,确诊人员在感染起点之前以及之 后的每个轨迹点的行动数据的权重均相等。
优选的,离感染点越近的轨迹点的权重越小,具体的,在感染起点之后的 任意相邻两个轨迹点分别为第一轨迹点和第二轨迹点,第一轨迹点与感染起点 之间的时间差大于第二轨迹点与感染起点之间的时间差;
其中,第一轨迹点的行动数据的权重小于第二轨迹点的行动数据的权重。
确诊人员在感染起点之前的任意相邻两个轨迹点分别为第三轨迹点和第四 轨迹点,第三轨迹点与感染起点之间的时间差大于第四轨迹点与感染起点之间 的时间差;
其中,第三轨迹点的行动数据的权重小于第四轨迹点的行动数据的权重。 即且离感染点越近的轨迹点,确诊人员将感染传染给他人的概率较大,可以更 加准确获取一个确诊人员的行动轨迹中传染源存在的概率分布,增加疫情防控 的准确性。
步骤S1023:根据确诊人员的每个轨迹点的行动数据以及相对应的权重, 生成每个确诊人员的传染源存在概率数据;
步骤S1024:根据每个确诊人员的传染源存在概率数据生成传染源存在概 率热力图。
热力图是以特殊高亮的形式显示访客热衷的页面区域和访客所在的地理区 域的图示,是数据可视化项目中比较常用的显示方式。通过颜色程度的变化, 可以直观的在地图上反映出轨迹点或特定区域传染源存在的可能性大小。实现 原理如下:
(1)为轨迹点的权重W创建一个Mask(区域),Mask为以轨迹点可以对最 终热力图像产生影响的区域为半径作出的圆形区域;
(2)中心点的权重为1,越向边缘辐射,权重越低,边缘部分的权重为0; Mask的渐变过程可以考虑多种形式,如线性变化,二次曲线等。将所有离散点 Mask进行叠加,产生一幅灰度图像。
(3)相邻Mask的重叠部分进行权重累加操作,最终灰度图中每个像素点 的数值大小就是所有和其有关的Mask中的权重之和。
(4)离散点密度越高的地方,灰度图种像素点数值越高,即图像越亮。
通过步骤S1021-步骤S1024可以获取传染源存在概率热力图。即可以此为 基础,为用户提供疫情参考数据,方便用户随时随地了解自己身处的位置处的 疫情情况,加大了疫情防护力度。
应当理解,多个确诊人员的行动轨迹可以有重叠,那么重叠位置处的轨迹 点的权重则是多个确诊人员在该轨迹点的权重的叠加,如图8所示。例如,当 一个轨迹点F有三个确诊人员(分别为确诊人员甲、确诊人员乙、确诊人员丙) 的轨迹均在该轨迹点F有重叠,确诊人员甲的轨迹中该轨迹点F的权重为10%, 确诊人员乙的轨迹中该轨迹点F的权重为30%,确诊人员丙的轨迹中该轨迹点F 的权重为25%,那么该轨迹点F的权重则为10%+30%+25%,即65%。
示例性装置
本申请提供的一种基于活动轨迹的疫情预报装置,用于实现上述基于活动 轨迹的疫情预报方法。
图9是本申请一示例性实施例提供的一种基于活动轨迹的疫情预报系统, 包括:
确诊人员轨迹获取单元100,用于获取至少一个确诊人员在第一预设时间 内的行动数据,所述行动数据包括行动轨迹以及与所述行动轨迹相对应的时间 数据;
热力图生成单元200,用于根据所述至少一个确诊人员的行动数据,生成 传染源存在概率热力图;
定位单元300,用于获取用户的当前位置;
数据分布生成单元400,用于根据所述用户的当前位置以及所述传染源存 在概率热力图,生成所述用户所在的当前位置的传染源分布数据。
本申请提供的一种基于活动轨迹的疫情预报装置,通过对已确诊人员的行 动数据进行分析并生成热力图,当一个健康的人员无论身在任何位置或者想要 去任何地方,该健康的人员均可以根据热力图,获取该健康人员所在的位置以 及想要去的地方的疫情情况,即可以随时查询一个位置处的疫情情况,从而该 健康的人员可以根据该疫情情况重新规划路程以及做好防护措施,加强了疫情 防控的力度。
示例性电子设备
本发明实施例还提供了一种电子设备,电子设备包括一个或多个处理器和 存储器。
处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行 能力的其他形式的处理单元,并且可以控制电子设备中的其他组件以执行期望 的功能。
存储器可以包括一个或多个计算机程序产品,所述计算机程序产品可以包 括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。 所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器 (cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪 存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处 理器可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于活 动轨迹的疫情预报方法以及/或者其他期望的功能。在所述计算机可读存储介质 中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其 包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器 执行本说明书上述“示例性方法”部分中描述的根据本申请图1、图2、图4 以及图5所示实施例的一种基于活动轨迹的疫情预报方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用 于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序 设计语言,诸如Java、C++等,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设备上执行、部 分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上 部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机 程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明 书上述“示例性方法”部分中描述的根据本申请各种实施例的功率参数调整方 法或强化学习模型的训练方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读 介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不 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。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。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在 本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、 优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节 仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请 为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并 且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本 领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、 设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇, 指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和” 指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所 使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可 以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使 用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的, 并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此, 本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的 特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申 请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施 例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (13)
1.一种基于活动轨迹的疫情预报方法,其特征在于,包括:
获取至少一个确诊人员在第一预设时间内的行动数据,所述行动数据包括行动轨迹以及与所述行动轨迹相对应的时间数据;
根据所述至少一个确诊人员的行动数据,生成传染源存在概率热力图;
获取用户的当前位置;
根据所述用户的当前位置以及所述传染源存在概率热力图,生成所述用户所在的当前位置的传染源分布数据。
2.根据权利要求1所述的基于活动轨迹的疫情预报方法,其特征在于,获取至少一个确诊人员在第一预设时间内的行动数据,包括:
获取一个确诊人员在所述第一预设时间内的初始行动数据;
获取所述确诊人员在所述第一预设时间内的通讯信息、支付信息、交通出行信息;
根据所述确诊人员在所述第一预设时间内的通讯信息、支付信息、交通出行信息、影像信息,以及所述确诊人员的初始行动数据,获取所述确诊人员在所述第一预设时间内的行动数据。
3.根据权利要求2所述的基于活动轨迹的疫情预报方法,其特征在于,根据所述确诊人员在所述第一预设时间内的通讯信息、支付信息、交通出行信息、影像信息,以及所述确诊人员的初始行动数据,获取所述确诊人员在所述第一预设时间内的行动数据,包括:
根据所述确诊人员在所述第一预设时间内的通讯信息、支付信息、交通出行信息、影像信息,在所述确诊人员的初始行动数据中查找至少一个停留点数据,所述停留点数据包括停留位置以及与所述停留位置相对应的停留时间数据;
根据所述至少一个停留点数据生成所述确诊人员在所述第一预设时间内的行动数据;
其中,所述停留位置为所述确诊人员的行动轨迹,所述停留时间数据为与所述行动轨迹相对应的时间数据。
4.根据权利要求3所述的基于活动轨迹的疫情预报方法,其特征在于,根据所述确诊人员在所述第一预设时间内的通讯信息、支付信息、交通出行信息、影像信息,在所述确诊人员的初始行动数据中查找至少一个停留点数据,包括:
根据所述确诊人员在所述第一预设时间内的通讯信息、支付信息、交通出行信息、影像信息,确定所述确诊人员在一个地理位置的逗留时间;
判断所述逗留时间是否大于或者等于第一预设时长;
当所述逗留时间大于或者等于所述第一预设时长,所述地理位置为所述确诊人员的一个停留位置,所述确诊人员停留在所述地理位置的时间为所述停留点的停留时间数据。
5.根据权利要求4所述的基于活动轨迹的疫情预报方法,其特征在于,根据所述确诊人员在所述第一预设时间内的通讯信息、支付信息、交通出行信息、影像信息,在所述确诊人员的初始行动数据中查找至少一个停留点数据,还包括:
根据所述确诊人员在所述第一预设时间内的通讯信息、支付信息、交通出行信息、影像信息,确定所述确诊人员在一个地理位置与他人在第一预设距离内的语言交流时间;
判断所述语言交流时间是否大于或者等于第二预设时长;
当所述语言交流时间大于或者等于所述第二预设时长,所述地理位置为所述确诊人员的一个停留位置,所述确诊人员停留在所述地理位置的时间为所述停留点的停留时间数据。
6.根据权利要求1所述的基于活动轨迹的疫情预报方法,其特征在于,根据所述至少一个确诊人员的行动数据,生成传染源存在概率热力图,包括:
获取每个确诊人员的感染传染源的初始感染数据,所述初始感染数据包括所述确诊人员感染传染源的感染起点和感染时间;
对所述确诊人员在所述感染起点之前以及在所述感染起点之后的每个轨迹点的行动数据赋予权重;
根据所述确诊人员的每个轨迹点的行动数据以及相对应的权重,生成每个所述确诊人员的传染源存在概率数据;
根据每个确诊人员的传染源存在概率数据生成传染源存在概率热力图。
7.根据权利要求6所述的基于活动轨迹的疫情预报方法,其特征在于,所述确诊人员在所述感染起点之后的任意相邻两个轨迹点分别为第一轨迹点和第二轨迹点,所述第一轨迹点与所述感染起点之间的时间差大于所述第二轨迹点与所述感染起点之间的时间差;
其中,所述第一轨迹点的行动数据的权重小于所述第二轨迹点的行动数据的权重。
8.根据权利要求6所述的基于活动轨迹的疫情预报方法,其特征在于,所述确诊人员在所述感染起点之前的任意相邻两个轨迹点分别为第三轨迹点和第四轨迹点,所述第三轨迹点与所述感染起点之间的时间差大于所述第四轨迹点与所述感染起点之间的时间差;
其中,所述第三轨迹点的行动数据的权重小于所述第四轨迹点的行动数据的权重。
9.根据权利要求6所述的基于活动轨迹的疫情预报方法,其特征在于,获取每个确诊人员的感染传染源的初始感染数据,包括:
获取所述确诊人员在所述第一预设时间内的行动数据获取所述确诊人员在所述第一预设时间内的行动轨迹;
将所述行动轨迹与至少一个已确诊人员的行动轨迹进行对比,获取所述确诊人员的预设感染起点,其中,所述确诊人员的行动轨迹中与所述至少一个已确诊人员的行动轨迹重合的轨迹点为所述确诊人员的预设感染起点;
获取所述确诊人员以及轨迹包括所述预设感染起点的已确诊人员的移动数据,所述移动数据包括影像数据、移动终端信息;
根据所述确诊人员的移动数据以及轨迹包括所述预设感染起点的已确诊人员的移动数据,获取所述确诊人员的感染起点;以及
根据所述确诊人员的感染起点以及所述确诊人员的移动数据,获取所述确诊人员的感染时间;
其中,所述确诊人员的初始感染数据包括所述确诊人员感染传染源的感染起点和感染时间。
10.根据权利要求1所述的基于活动轨迹的疫情预报方法,其特征在于,在根据所述用户的当前位置以及所述传染源存在概率热力图,生成所述用户所在的当前位置的传染源分布数据之后,所述基于活动轨迹的疫情预报方法还包括:
根据所述用户的当前位置获取所述用户的当前位置的虚拟环境;
根据所述用户的当前位置的虚拟环境以及所述用户所在的当前位置的传染源分布数据,生成所述用户的当前位置的虚拟环境中的传染源分布直观图。
11.一种基于活动轨迹的疫情预报装置,其特征在于,包括:
确诊人员轨迹获取单元,用于获取至少一个确诊人员在第一预设时间内的行动数据,所述行动数据包括行动轨迹以及与所述行动轨迹相对应的时间数据;
热力图生成单元,用于根据所述至少一个确诊人员的行动数据,生成传染源存在概率热力图;
定位单元,用于获取用户的当前位置;
数据分布生成单元,用于根据所述用户的当前位置以及所述传染源存在概率热力图,生成所述用户所在的当前位置的传染源分布数据。
12.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-10任一所述的方法。
13.一种电子设备,所述电子设备包括:
处理器;以及,
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时执行上述权利要求1-10任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110417211.5A CN113365211A (zh) | 2021-04-19 | 2021-04-19 | 基于活动轨迹的疫情预报方法及其装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110417211.5A CN113365211A (zh) | 2021-04-19 | 2021-04-19 | 基于活动轨迹的疫情预报方法及其装置、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113365211A true CN113365211A (zh) | 2021-09-07 |
Family
ID=77525240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110417211.5A Pending CN113365211A (zh) | 2021-04-19 | 2021-04-19 | 基于活动轨迹的疫情预报方法及其装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113365211A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067935A (zh) * | 2021-11-03 | 2022-02-18 | 广西壮族自治区通信产业服务有限公司技术服务分公司 | 一种流行病调查方法、系统、电子设备及存储介质 |
CN114372114A (zh) * | 2021-11-18 | 2022-04-19 | 江苏商贸职业学院 | 一种基于矩阵分解模型的出行轨迹还原方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2951821A1 (fr) * | 2009-10-27 | 2011-04-29 | Centre Nat Rech Scient | Procede et dispositif pour la mesure de la trajectoire d'objets mobiles passifs |
JP2015095037A (ja) * | 2013-11-11 | 2015-05-18 | 富士通株式会社 | 移動情報処理方法、移動情報処理プログラム及び移動情報処理装置 |
CN108519094A (zh) * | 2018-02-11 | 2018-09-11 | 华为技术有限公司 | 局部路径规划方法及云处理端 |
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 |
WO2020114528A2 (zh) * | 2020-03-09 | 2020-06-11 | 中国民用航空总局第二研究所 | 疫情期间公共场所潜在被感染者追踪方法、装置及系统 |
CN111311018A (zh) * | 2020-03-04 | 2020-06-19 | 苏州远征魂车船技术有限公司 | 传染疫情精准管控系统 |
CN111354472A (zh) * | 2020-02-20 | 2020-06-30 | 戴建荣 | 一种传染病传播监测预警系统和方法 |
CN111462918A (zh) * | 2020-03-29 | 2020-07-28 | 北京天仪百康科贸有限公司 | 一种基于区块链的疫情监控方法及系统 |
CN112164472A (zh) * | 2020-09-25 | 2021-01-01 | 江苏鑫合易家信息技术有限责任公司 | 一种传染病感染风险预测系统及方法 |
-
2021
- 2021-04-19 CN CN202110417211.5A patent/CN113365211A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2951821A1 (fr) * | 2009-10-27 | 2011-04-29 | Centre Nat Rech Scient | Procede et dispositif pour la mesure de la trajectoire d'objets mobiles passifs |
JP2015095037A (ja) * | 2013-11-11 | 2015-05-18 | 富士通株式会社 | 移動情報処理方法、移動情報処理プログラム及び移動情報処理装置 |
CN108519094A (zh) * | 2018-02-11 | 2018-09-11 | 华为技术有限公司 | 局部路径规划方法及云处理端 |
CN111354472A (zh) * | 2020-02-20 | 2020-06-30 | 戴建荣 | 一种传染病传播监测预警系统和方法 |
CN111311018A (zh) * | 2020-03-04 | 2020-06-19 | 苏州远征魂车船技术有限公司 | 传染疫情精准管控系统 |
WO2020114528A2 (zh) * | 2020-03-09 | 2020-06-11 | 中国民用航空总局第二研究所 | 疫情期间公共场所潜在被感染者追踪方法、装置及系统 |
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 |
CN111462918A (zh) * | 2020-03-29 | 2020-07-28 | 北京天仪百康科贸有限公司 | 一种基于区块链的疫情监控方法及系统 |
CN112164472A (zh) * | 2020-09-25 | 2021-01-01 | 江苏鑫合易家信息技术有限责任公司 | 一种传染病感染风险预测系统及方法 |
Non-Patent Citations (1)
Title |
---|
许业辉: "福建省新冠肺炎疫情动态分析系统的设计与实现", 《现代测绘》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067935A (zh) * | 2021-11-03 | 2022-02-18 | 广西壮族自治区通信产业服务有限公司技术服务分公司 | 一种流行病调查方法、系统、电子设备及存储介质 |
CN114067935B (zh) * | 2021-11-03 | 2022-05-20 | 广西壮族自治区通信产业服务有限公司技术服务分公司 | 一种流行病调查方法、系统、电子设备及存储介质 |
CN114372114A (zh) * | 2021-11-18 | 2022-04-19 | 江苏商贸职业学院 | 一种基于矩阵分解模型的出行轨迹还原方法及系统 |
CN114372114B (zh) * | 2021-11-18 | 2022-11-15 | 江苏商贸职业学院 | 一种基于矩阵分解模型的出行轨迹还原方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11669864B2 (en) | Determining locations of interest based on user visits | |
CN104736968B (zh) | 众包室内定位 | |
JP6785768B2 (ja) | 地磁気に基づいてモバイル端末の測位を行う方法及び装置 | |
CN108414971B (zh) | 用于确定多层建筑物中位置的位置信息的方法和装置 | |
US10158979B2 (en) | Method and system for wireless location and movement mapping, tracking and analytics | |
De Blas et al. | Improving trilateration for indoors localization using BLE beacons | |
US20120112883A1 (en) | Disease Mapping and Infection Control System and Method | |
CN111652446A (zh) | 传染病感染风险的预测方法、设备及存储介质 | |
CN113365211A (zh) | 基于活动轨迹的疫情预报方法及其装置、介质及电子设备 | |
CN103488880A (zh) | 智慧城市中的远程医疗康复系统 | |
EP2838034A1 (en) | Device management apparatus and device search method | |
CN107683498A (zh) | 利用视觉特征进行图像的自动连接 | |
Morita et al. | Beacon-based time-spatial recognition toward automatic daily care reporting for nursing homes | |
CN110446195A (zh) | 定位处理方法及相关产品 | |
CN109636580A (zh) | 基于大数据的风险检测方法、装置、设备及存储介质 | |
CN112233808A (zh) | 感染风险的预测方法、设备及存储介质 | |
JP2008245065A (ja) | 探索システム、管理サーバ、移動体通信装置、探索方法およびプログラム | |
CN109726904A (zh) | 医疗护理评估结论生成方法、设备及存储介质 | |
CN113435833A (zh) | 智慧社区的城市三维模型协同管理方法与系统 | |
JP6854474B2 (ja) | 位置情報を利用した行動分析システム及びそのプログラム | |
CN113435834B (zh) | 一种社区医疗应急机构的城市三维模型协同管理方法与系统 | |
Lange et al. | On a generic uncertainty model for position information | |
US20140259106A1 (en) | Location Constraints for Template Access and Form Activities | |
Goldberg et al. | Geocoding and health | |
Hub et al. | Interactive localization and recognition of objects for the blind |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |