CN113380423A - 疫情规模预测方法、装置、电子设备及存储介质 - Google Patents

疫情规模预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113380423A
CN113380423A CN202110565700.5A CN202110565700A CN113380423A CN 113380423 A CN113380423 A CN 113380423A CN 202110565700 A CN202110565700 A CN 202110565700A CN 113380423 A CN113380423 A CN 113380423A
Authority
CN
China
Prior art keywords
epidemic situation
average
year
target area
cases
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
Application number
CN202110565700.5A
Other languages
English (en)
Other versions
CN113380423B (zh
Inventor
安静
盛子洋
王培刚
周红宁
李曼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Capital Medical University
Original Assignee
Capital Medical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Capital Medical University filed Critical Capital Medical University
Priority to CN202110565700.5A priority Critical patent/CN113380423B/zh
Publication of CN113380423A publication Critical patent/CN113380423A/zh
Application granted granted Critical
Publication of CN113380423B publication Critical patent/CN113380423B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (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

本发明提供一种疫情规模预测方法、装置、电子设备及存储介质，该方法包括：获取历史各年份在目标区域中的病例的位置信息与疫情规模值，以及当前年份在目标区域中的病例的位置信息；根据历史各年份在目标区域中的病例的位置信息与疫情规模值，和当前年份在目标区域中的病例的位置信息确定对应于所述目标区域的疫情规模值。本发明提供的疫情规模预测方法、装置、电子设备及存储介质，通过对历史各年份和当前年份在区域内的病例的位置信息，进行疫情规模的预测，能够从较少数据类型的数据为基础对疫情规模进行预测，达到快速预测的目的。

Description

疫情规模预测方法、装置、电子设备及存储介质
技术领域
本发明涉及公共卫生领域及信息处理技术领域，尤其涉及一种疫情规模预测方法、装置、电子设备及存储介质。
背景技术
由于传染病传播过程是媒介与宿主相互作用的过程，因此对疫情的预测需考虑媒介与宿主之间的影响。媒介多受气温、降水等自然因素的影响，而宿主又存在人口流动、群体交互等的情况，因此，对传染病疫情的预测考虑的因素较多，目前也都是从以上因素出发，构建复杂的预测方法进行预测。
但考虑因素增多，需收集的数据类型增多，工作量巨大；此外，由于影响因素较多，任一因素的改变均会对结果产生巨大影响，这使得预测难度极大增加。
发明内容
针对现有技术存在的问题，本发明提供一种疫情规模预测方法、装置、电子设备及存储介质。
本发明提供的一种疫情规模预测方法，包括：
获取历史各年份在目标区域中的病例的位置信息与疫情规模值，以及当前年份在目标区域中的病例的位置信息；
根据历史各年份在目标区域中的病例的位置信息与疫情规模值，和当前年份在目标区域中的病例的位置信息确定对应于所述目标区域的疫情规模值。
根据本发明提供的一种疫情规模预测方法，所述根据历史各年份在目标区域中的病例的位置信息与疫情规模值，和当前年份在目标区域中的病例的位置信息确定对应于所述目标区域的疫情规模值，包括：
根据历史各年份在目标区域中的病例的位置信息确定对应于各年的病例间的第一平均观测距离；
根据当前年份在目标区域中的病例的位置信息确定对应于当前年份的病例间的第二平均观测距离；
根据各年份的病例间的第一平均观测距离与疫情规模值，和当前年份的病例间的第二平均观测距离确定对应于所述目标区域的疫情规模值。
根据本发明提供的一种疫情规模预测方法，所述根据各年份的病例间的第一平均观测距离与疫情规模值，和当前年份的病例间的第二平均观测距离确定对应于所述目标区域的疫情规模值，包括：
根据各年份的病例间的第一平均观测距离和各年份的疫情规模值确定预测系数；
根据所述预测系数和当前年份的病例间的第二平均观测距离确定对应于所述目标区域的疫情规模值。
根据本发明提供的一种疫情规模预测方法，病例间的平均观测距离的获取，包括：
根据在目标区域中的各病例的位置信息确定每个病例与其最近距离的病例之间的位置距离；
根据各位置距离和目标区域的面积确定平均观测距离。
根据本发明提供的一种疫情规模预测方法，所述根据各位置距离和目标区域的面积确定平均观测距离，包括：
根据各位置距离和目标区域的面积采用以下公式确定平均观测距离；
Figure BDA0003080914840000031
其中，Do为平均观测距离，di为每个病例与其最近距离的病例之间的位置距离，n为疫情规模值。
根据本发明提供的一种疫情规模预测方法，所述根据各年份的病例间的第一平均观测距离和各年份的疫情规模值确定预测系数，包括：
根据各年份的病例间的第一平均观测距离确定各第一平均观测距离的平均值；
根据各年的疫情规模值确定疫情规模值的平均值；
根据各第一平均观测距离的平均值和疫情规模值的平均值确定预测系数。
根据本发明提供的一种疫情规模预测方法，所述根据各第一平均观测距离的平均值和疫情规模值的平均值确定预测系数，包括：
根据各第一平均观测距离的平均值和疫情规模值的平均值采用以下公式确定预测系数；
Figure BDA0003080914840000032
其中，r为预测系数，X为第一平均观测距离，
Figure BDA0003080914840000033
为各第一平均观测距离的平均值，Y为疫情规模值，
Figure BDA0003080914840000034
为疫情规模值的平均值。
本发明还提供一种疫情规模预测装置，包括：
获取模块，用于获取历史各年份在目标区域中的病例的位置信息与疫情规模值，以及当前年份在目标区域中的病例的位置信息；
处理模块，用于根据历史各年份在目标区域中的病例的位置信息与疫情规模值，和当前年份在目标区域中的病例的位置信息确定对应于所述目标区域的疫情规模值。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述疫情规模预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述疫情规模预测方法的步骤。
本发明提供的疫情规模预测方法、装置、电子设备及存储介质，通过对历史各年份和当前年份在区域内的病例的位置信息，进行疫情规模的预测，能够从较少数据类型的数据为基础对疫情规模进行预测，达到快速预测的目的。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的疫情规模预测方法的流程示意图；
图2是本发明提供的疫情规模预测装置的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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他实施例，都属于本发明保护的范围。
下面结合图1-图3描述本发明提供的疫情规模预测方法、装置、电子设备及存储介质。
图1示出了本发明提供的疫情规模预测方法的流程示意图，参见图1，该方法包括以下步骤：
11、获取历史各年份在目标区域中的病例的位置信息与疫情规模值，以及当前年份在目标区域中的病例的位置信息；
12、根据历史各年份在目标区域中的病例的位置信息与疫情规模值，和当前年份在目标区域中的病例的位置信息确定对应于目标区域的疫情规模值。
针对步骤11和步骤12，需要说明的是，在本发明中，该方法用于对某个传染病在连续多年在某个地区发生疫情的规模预测。选取当前年份之前的一定数目(例如10年)的各年份在某个区域(即目标区域)中整年确诊的病例或无症状感染病例的位置信息以及疫情规模值，该疫情规模值可为对应年份的确诊病例数和无症状感染数。该位置信息主要以该病例经常居住地为采集参考，可采用定位设备(如智能手机)对信息进行采集，采集到的位置信息以地理经纬度为展示方式。相应地，还选取当前年份截止到位置信息采集当日统计的病例的位置信息。
各年份在目标区域中的所有病例的位置信息确定之后，基于历史各年份在目标区域中的病例的位置信息和各年份对应的疫情规模值进行分析，获得与位置相关且能够对疫情规模进行预测的参考信息。基于当前年份在目标区域中的病例的位置信息进行分析，获得与位置相关且能够对疫情规模进行预测的实际信息。然后根据参考信息和实际信息去确定当前年份某个传染病在目标区域的疫情规模值。
在本发明中，该参考信息和实际信息可为病例之间的距离，或覆盖全部病例的区域面积。
本发明提供的疫情规模预测方法，通过对历史各年份和当前年份在区域内的病例的位置信息，进行疫情规模的预测，能够从较少数据类型的数据为基础对疫情规模进行预测，达到快速预测的目的。
在上述方法的进一步说明中，主要是对根据历史各年份在目标区域中的病例的位置信息与疫情规模值，和当前年份在目标区域中的病例的位置信息确定对应于目标区域的疫情规模值的处理过程的解释说明，具体如下：
根据历史各年份在目标区域中的病例的位置信息确定对应于各年的病例间的第一平均观测距离；
根据当前年份在目标区域中的病例的位置信息确定对应于当前年份的病例间的第二平均观测距离；
根据各年的病例间的第一平均观测距离与疫情规模值，和当前年份的病例间的第二平均观测距离确定对应于目标区域的疫情规模值。
对此，需要说明的是，在本发明中，基于历史各年份在目标区域中的病例的位置信息和疫情规模值进行分析，获得与位置相关且能够对疫情规模进行预测的参考信息。该参考信息为对应于各年份的病例间的平均观测距离(即第一平均观测距离)。基于当前年份在目标区域中的病例的位置信息进行分析，获得与位置相关且能够对疫情规模进行预测的实际信息。该实际信息为对应于当前年份的病例间的平均观测距离(即第二平均观测距离)。
然后根据上述第一平均观测距离和第二平均观测距离进行预设的计算方式得到对应于目标区域的疫情规模值。该计算方式是以第一平均观测距离和第二平均观测距离为数据支持，进行单独计算或与其他数据进行结合计算，从而得到疫情规模值。
本发明进一步的方法，通过对历史各年份和当前年份在区域内的病例的位置信息确定平均观测距离，结合历史各年份的疫情规模，从观测距离上进行疫情规模的预测，能够从较少数据类型的数据为基础对疫情规模进行预测，达到快速预测的目的。
在上述方法的进一步说明中，主要是对根据各年份的病例间的第一平均观测距离和当前年份的病例间的第二平均观测距离确定对应于目标区域的疫情规模值的处理过程进行解释说明，具体如下：
根据各年份的病例间的第一平均观测距离和各年份的疫情规模值确定预测系数；
根据预测系数和当前年份的病例间的第二平均观测距离确定对应于目标区域的疫情规模值。
对此，需要说明的是，在本发明中，首先对历史各年份在目标区域内的所有病例间的平均观测距离和各年份的所有疫情规模值进行分析处理，运算得到预测系数。然后将该预测系数和当前年份在目标区域内的病例间的平均观测距离进行下一步的分析处理，计算得到疫情规模值。
本发明进一步的方法，通过历史各年份份的平均观测距离和疫情规模值确定一个可以对当前年份的疫情规模进行预测的预测系数，通过预测系数的计算得到疫情规模值。
在上述方法的进一步说明中，主要是对各年份在目标区域内的所有病例间的平均观测距离(上述提及的第一平均观测距离和第二平均观测距离均会应用该获取方式)的获取进行解释说明，具体如下：
根据在目标区域中的各病例的位置信息确定每个病例与其最近距离的病例之间的位置距离；
根据各位置距离和目标区域的面积确定平均观测距离。
对此，需要说明的是，在本发明中，由于每个病例都对应配置自身的位置信息(即经纬坐标)，为此，可以确定每个病例与其最近距离的病例之间的位置距离。然后将各病例对应的位置距离结合目标区域的面积进行预设计算方式的运算，得到平均观测距离。
另外，在进一步的说明中，根据各位置距离和目标区域的面积采用以下公式确定平均观测距离；
Figure BDA0003080914840000081
其中，Do为平均观测距离，di为每个病例与其最近距离的病例之间的位置距离，n为疫情规模值。
本发明进一步的方法，通过病例与其最近病例的位置距离作为数据支持，计算得到平均观测距离，能够体现病例聚集的稳定性，使预测结果更符合实际情况。
在上述方法的进一步说明中，主要是对根据各年份的病例间的第一平均观测距离和各年份的疫情规模值确定预测系数的处理过程进行解释说明，具体如下：
根据各年份的病例间的第一平均观测距离确定各第一平均观测距离的平均值；
根据各年份的病例数确定疫情规模值的平均值；
根据各第一平均观测距离的平均值和病例数的平均值确定预测系数。
对此，需要说明的是，在本发明中，由于历史各年份都对应一个平均观测距离，为此，根据历史各年份的病例间的平均观测距离确定各平均观测距离的平均值。由于历史各年份都对应一个病例数，为此，根据各年份的病例数确定疫情规模值的平均值。
然后将各平均观测距离的平均值和疫情规模值的平均值进行预设计算方式的运算，得到预测系数。
另外，在进一步的说明中，根据各第一平均观测距离的平均值和疫情规模值的平均值采用以下公式确定预测系数；
Figure BDA0003080914840000082
其中，r为预测系数，X为第一平均观测距离，
Figure BDA0003080914840000091
为各第一平均观测距离的平均值，Y为疫情规模值，
Figure BDA0003080914840000092
为疫情规模值的平均值。
下面对本发明提供的疫情规模预测装置进行描述，下文描述的疫情规模预测装置与上文描述的疫情规模预测方法可相互对应参照。
图2示出了本发明提供的疫情规模预测装置的结构示意图，参见图2，该装置包括获取模块21和处理模块22，其中：
获取模块21，用于获取历史各年份在目标区域中的病例的位置信息与疫情规模值，以及当前年份在目标区域中的病例的位置信息；
处理模块22，用于根据历史各年份在目标区域中的病例的位置信息与疫情规模值，和当前年份在目标区域中的病例的位置信息确定对应于目标区域的疫情规模值。
在上述装置的进一步说明中，该处理模块在根据历史各年份在目标区域中的病例的位置信息与疫情规模值，和当前年份在目标区域中的病例的位置信息确定对应于所述目标区域的疫情规模值的处理过程中，具体用于：
根据历史各年份在目标区域中的病例的位置信息确定对应于各年份的病例间的第一平均观测距离；
根据当前年份在目标区域中的病例的位置信息确定对应于当前年份的病例间的第二平均观测距离；
根据各年份的病例间的第一平均观测距离与疫情规模值，和当前年份的病例间的第二平均观测距离确定对应于目标区域的疫情规模值。
在上述装置的进一步说明中，该处理模块在根据各年份的病例间的第一平均观测距离与疫情规模值，和当前年份的病例间的第二平均观测距离确定对应于目标区域的疫情规模值的处理过程中，具体用于：
根据各年份的病例间的第一平均观测距离和各年份的疫情规模值确定预测系数；
根据预测系数和当前年份的病例间的第二平均观测距离确定对应于目标区域的疫情规模值。
在上述装置的进一步说明中，该处理模块在获取病例间的平均观测距离的处理过程中，具体用于：
根据在目标区域中的各病例的位置信息确定每个病例与其最近距离的病例之间的位置距离；
根据各位置距离和目标区域的面积确定平均观测距离。
在上述装置的进一步说明中，该处理模块在根据各位置距离和目标区域的面积确定平均观测距离的处理过程中，具体用于：
根据各位置距离和目标区域的面积采用以下公式确定平均观测距离；
Figure BDA0003080914840000101
其中，Do为平均观测距离，di为每个病例与其最近距离的病例之间的位置距离，n为疫情规模值。
在上述装置的进一步说明中，该处理模块在根据各年的病例间的第一平均观测距离和各年份的疫情规模值确定预测系数的处理过程中，具体用于：
根据各年份的病例间的第一平均观测距离确定各第一平均观测距离的平均值；
根据各年份的疫情规模值确定疫情规模值的平均值；
根据各第一平均观测距离的平均值和疫情规模值的平均值确定预测系数。
在上述装置的进一步说明中，该处理模块在根据各第一平均观测距离的平均值和疫情规模值的平均值确定预测系数的处理过程中，具体用于：
根据各第一平均观测距离的平均值和疫情规模值的平均值采用以下公式确定预测系数；
Figure BDA0003080914840000111
其中，r为预测系数，X为第一平均观测距离，
Figure BDA0003080914840000112
为各第一平均观测距离的平均值，Y为疫情规模值，
Figure BDA0003080914840000113
为疫情规模值的平均值。
由于本发明实施例所述装置与上述实施例所述方法的原理相同，对于更加详细的解释内容在此不再赘述。
需要说明的是，本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。
本发明提供的疫情规模预测装置，通过对历史各年份和当前年份在区域内的病例的位置信息，进行疫情规模的预测，能够从较少数据类型的数据为基础对疫情规模进行预测，达到快速预测的目的。
图3示出了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)31、通信接口(Communications Interface)32、存储器(memory)33和通信总线34，其中，处理器31，通信接口32，存储器33通过通信总线34完成相互间的通信。处理器31可以调用存储器33中的逻辑指令，以执行疫情规模预测方法，该方法包括：获取历史各年份在目标区域中的病例的位置信息和疫情规模值，以及当前年份在目标区域中的病例的位置信息；根据历史各年份在目标区域中的病例的位置信息与疫情规模值，和当前年份在目标区域中的病例的位置信息确定对应于目标区域的疫情规模值。
此外，上述的存储器33中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的疫情规模预测方法，该方法包括：获取历史各年份在目标区域中的病例的位置信息与疫情规模值，以及当前年份在目标区域中的病例的位置信息；根据历史各年份在目标区域中的病例的位置信息与疫情规模值，和当前年份在目标区域中的病例的位置信息确定对应于目标区域的疫情规模值。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的疫情规模预测方法，该方法包括：获取历史各年份在目标区域中的病例的位置信息与疫情规模值，以及当前年份在目标区域中的病例的位置信息；根据历史各年份在目标区域中的病例的位置信息与疫情规模值，和当前年份在目标区域中的病例的位置信息确定对应于目标区域的疫情规模值。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种疫情规模预测方法，其特征在于，包括：
获取历史各年份在目标区域中的病例的位置信息与疫情规模值，以及当前年份在目标区域中的病例的位置信息；
根据历史各年份在目标区域中的病例的位置信息与疫情规模值，和当前年份在目标区域中的病例的位置信息确定对应于所述目标区域的疫情规模值。
2.根据权利要求1所述的疫情规模预测方法，其特征在于，所述根据历史各年份在目标区域中的病例的位置信息与疫情规模值，和当前年份在目标区域中的病例的位置信息确定对应于所述目标区域的疫情规模值，包括：
根据历史各年份在目标区域中的病例的位置信息确定对应于各年的病例间的第一平均观测距离；
根据当前年份在目标区域中的病例的位置信息确定对应于当前年份的病例间的第二平均观测距离；
根据各年份的病例间的第一平均观测距离与疫情规模值，和当前年份的病例间的第二平均观测距离确定对应于所述目标区域的疫情规模值。
3.根据权利要求2所述的疫情规模预测方法，其特征在于，所述根据各年份的病例间的第一平均观测距离与疫情规模值，和当前年份的病例间的第二平均观测距离确定对应于所述目标区域的疫情规模值，包括：
根据各年份的病例间的第一平均观测距离和各年份的疫情规模值确定预测系数；
根据所述预测系数和当前年份的病例间的第二平均观测距离确定对应于所述目标区域的疫情规模值。
4.根据权利要求2所述的疫情规模预测方法，其特征在于，病例间的平均观测距离的获取，包括：
根据在目标区域中的各病例的位置信息确定每个病例与其最近距离的病例之间的位置距离；
根据各位置距离和目标区域的面积确定平均观测距离。
5.根据权利要求4所述的疫情规模预测方法，其特征在于，所述根据各位置距离和目标区域的面积确定平均观测距离，包括：
根据各位置距离和目标区域的面积采用以下公式确定平均观测距离；
Figure FDA0003080914830000021
其中，Do为平均观测距离，di为每个病例与其最近距离的病例之间的位置距离，n为疫情规模值。
6.根据权利要求2所述的疫情规模预测方法，其特征在于，所述根据各年份的病例间的第一平均观测距离和各年份的疫情规模值确定预测系数，包括：
根据各年份的病例间的第一平均观测距离确定各第一平均观测距离的平均值；
根据各年份的疫情规模值确定疫情规模值的平均值；
根据各第一平均观测距离的平均值和疫情规模值的平均值确定预测系数。
7.根据权利要求6所述的疫情规模预测方法，其特征在于，所述根据各第一平均观测距离的平均值和疫情规模值的平均值确定预测系数，包括：
根据各第一平均观测距离的平均值和疫情规模值的平均值采用以下公式确定预测系数；
Figure FDA0003080914830000031
其中，r为预测系数，X为第一平均观测距离，
Figure FDA0003080914830000032
为各第一平均观测距离的平均值，Y为疫情规模值，
Figure FDA0003080914830000033
为疫情规模值的平均值。
8.一种疫情规模预测装置，其特征在于，包括：
获取模块，用于获取历史各年份在目标区域中的病例的位置信息与疫情规模值，以及当前年份在目标区域中的病例的位置信息；
处理模块，用于根据历史各年份在目标区域中的病例的位置信息与疫情规模值，和当前年份在目标区域中的病例的位置信息确定对应于所述目标区域的疫情规模值。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述疫情规模预测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述疫情规模预测方法的步骤。
CN202110565700.5A 2021-05-24 2021-05-24 疫情规模预测方法、装置、电子设备及存储介质 Active CN113380423B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110565700.5A CN113380423B (zh) 2021-05-24 2021-05-24 疫情规模预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110565700.5A CN113380423B (zh) 2021-05-24 2021-05-24 疫情规模预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113380423A true CN113380423A (zh) 2021-09-10
CN113380423B CN113380423B (zh) 2024-06-18

Family

ID=77571763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110565700.5A Active CN113380423B (zh) 2021-05-24 2021-05-24 疫情规模预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113380423B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150098402A (ko) * 2014-02-20 2015-08-28 메티스정보주식회사 역병확산 영역 모델링 장치 및 그 방법
CN109582797A (zh) * 2018-12-13 2019-04-05 泰康保险集团股份有限公司 获取疾病分类推荐的方法、装置、介质及电子设备
CN110135351A (zh) * 2019-05-17 2019-08-16 东南大学 基于城市建筑空间数据的建成区边界识别方法及设备
WO2020010710A1 (zh) * 2018-07-13 2020-01-16 平安科技（深圳）有限公司 预测模型的生成方法、装置及计算机可读存储介质
CN111696682A (zh) * 2020-05-26 2020-09-22 平安科技（深圳）有限公司 数据处理方法、装置、电子设备及可读存储介质
CN112002434A (zh) * 2020-10-30 2020-11-27 平安科技（深圳）有限公司 一种数据处理方法、装置、电子设备及存储介质
CN112086203A (zh) * 2020-09-11 2020-12-15 河北工程大学 一种疫情预测方法、装置及终端设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150098402A (ko) * 2014-02-20 2015-08-28 메티스정보주식회사 역병확산 영역 모델링 장치 및 그 방법
WO2020010710A1 (zh) * 2018-07-13 2020-01-16 平安科技（深圳）有限公司 预测模型的生成方法、装置及计算机可读存储介质
CN109582797A (zh) * 2018-12-13 2019-04-05 泰康保险集团股份有限公司 获取疾病分类推荐的方法、装置、介质及电子设备
CN110135351A (zh) * 2019-05-17 2019-08-16 东南大学 基于城市建筑空间数据的建成区边界识别方法及设备
CN111696682A (zh) * 2020-05-26 2020-09-22 平安科技（深圳）有限公司 数据处理方法、装置、电子设备及可读存储介质
CN112086203A (zh) * 2020-09-11 2020-12-15 河北工程大学 一种疫情预测方法、装置及终端设备
CN112002434A (zh) * 2020-10-30 2020-11-27 平安科技（深圳）有限公司 一种数据处理方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113380423B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
US8542637B2 (en) Clustering crowd-sourced data for determining beacon positions
US10474727B2 (en) App recommendation using crowd-sourced localized app usage data
US8577389B2 (en) Filtering and clustering crowd-sourced data for determining beacon positions
CN110826594B (zh) 一种轨迹聚类的方法、设备及存储介质
US20120185458A1 (en) Clustering crowd-sourced data to identify event beacons
JP5049745B2 (ja) 位置情報解析装置、情報配信システムおよび位置情報解析方法
CN108280477A (zh) 用于聚类图像的方法和装置
CN108834077B (zh) 基于用户移动特性的跟踪区划分方法、装置及电子设备
US9787557B2 (en) Determining semantic place names from location reports
CN109059949B (zh) 最短路径的计算方法及装置
CN108770057B (zh) 预定指纹库的确定方法及指纹定位方法、装置、存储介质
CN111860927B (zh) 模型的训练方法、服务请求处理方法、装置、设备及介质
WO2016037346A1 (en) Measuring and diagnosing noise in urban environment
CN113380423A (zh) 疫情规模预测方法、装置、电子设备及存储介质
CN108880835B (zh) 数据分析方法及装置、计算机存储介质
WO2018004083A1 (ko) 지도 검색 기록을 이용한 유동인구 추정 장치 및 방법
CN114299115A (zh) 用于多目标跟踪的方法及装置、存储介质及电子设备
CN114202804A (zh) 行为动作识别方法、装置、处理设备及存储介质
CN113782092A (zh) 一种生存期预测模型的生成方法及装置、存储介质
CN111831930B (zh) 目的地信息的推送方法、装置、电子设备及可读存储介质
CN113706578A (zh) 一种基于轨迹的移动对象伴随关系的确定方法和装置
CN112465331A (zh) 乘车安全控制方法、模型训练方法、装置、设备及介质
JP2011172007A (ja) 影響解析支援装置、該方法、及び該プログラム
CN117372685B (zh) 目标检测方法、装置、电子设备及存储介质
CN114252069B (zh) 健康步行路径规划方法、装置、终端设备及可读存储介质

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