CN113539512B - 传染病传播趋势的预测方法及装置、存储介质、电子设备 - Google Patents

传染病传播趋势的预测方法及装置、存储介质、电子设备 Download PDF

Info

Publication number
CN113539512B
CN113539512B CN202110827251.7A CN202110827251A CN113539512B CN 113539512 B CN113539512 B CN 113539512B CN 202110827251 A CN202110827251 A CN 202110827251A CN 113539512 B CN113539512 B CN 113539512B
Authority
CN
China
Prior art keywords
contact
list information
position information
target
movement
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
Application number
CN202110827251.7A
Other languages
English (en)
Other versions
CN113539512A (zh
Inventor
焦晓康
焦增涛
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.)
Yidu Cloud Beijing Technology Co Ltd
Original Assignee
Yidu Cloud Beijing Technology Co Ltd
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 Yidu Cloud Beijing Technology Co Ltd filed Critical Yidu Cloud Beijing Technology Co Ltd
Priority to CN202110827251.7A priority Critical patent/CN113539512B/zh
Publication of CN113539512A publication Critical patent/CN113539512A/zh
Application granted granted Critical
Publication of CN113539512B publication Critical patent/CN113539512B/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
    • G16H50/30—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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开属于数据处理技术领域，涉及一种集会活动中传染病传播趋势的预测方法及装置、存储介质、电子设备。该方法包括：获取集会场馆中的传染源人数，并对处于集会场馆中的参会人员进行位置初始化得到各个参会人员的初始位置信息；对初始位置信息进行移动模拟处理得到当前位置信息，并根据当前位置信息进行人员接触判定得到接触列表信息；对接触列表信息进行传染可能性计算得到目标接触数，并对目标接触数进行传染概率计算得到目标传染概率；对目标传染概率、目标接触数和传染源人数进行集会传播计算得到集会场馆中的已传染人数。本公开能够细粒度地模拟多个影响因素对集会活动中疫情发展带来的影响，提升了疫情传播的预测准确性。

Description

传染病传播趋势的预测方法及装置、存储介质、电子设备
技术领域
本公开涉及数据处理技术领域，尤其涉及一种集会活动中传染病传播趋势的预测方法与集会活动中传染病传播趋势的预测装置、计算机可读存储介质及电子设备。
背景技术
当大规模传染病进入了常态化防控的阶段，为了在保障疫情可控的情况下提高群众生活质量，恢复大型会议和集会活动十分必要。通常会宏观的以地区、城市或者国家为单位，进行传染人数的估算以及对区域疫情发展的预估。更精细的说，通过已发生的聚集性活动估算其他聚集活动的传染人数，从而对未发生的聚集性活动带来的疫情传播进行预估。这些预估方式主要是基于经典的SEIR流行病传播模型进行感染人数的预估。除此之外，还可以模拟个体的随机移动，再通过SEIR模型的参数映射完成基于个体移动的疫情仿真。
但是，通过已发生的聚集性活动估算其他聚集活动的传染人数和对未发生的聚集性活动进行预估的方式的考量因素有限，无法考虑到聚集活动中的人群拥挤程度、具体移动情况和聚集活动的持续时间等等。这种不够精细的预估方式会造成结果偏差大的缺陷，不足以体现聚集活动对疫情传播带来的真实影响。而基于经典数学理论的个体仿真方法也很难精准地模拟出疫情的传播情况，导致对疫情传播影响的预估准确度不足。
鉴于此，本领域亟需开发一种新的集会活动中传染病传播趋势的预测方法及装置。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种集会活动中传染病传播趋势的预测方法、集会活动中传染病传播趋势的预测装置、计算机可读存储介质及电子设备，进而至少在一定程度上克服由于相关技术的限制而导致的对疫情影响预估不准确的技术问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种集会活动中传染病传播趋势的预测方法，所述方法包括：获取集会场馆中的传染源人数，并对处于所述集会场馆中的参会人员进行位置初始化得到所述参会人员的初始位置信息；
对所述初始位置信息进行移动模拟处理得到当前位置信息，并根据所述当前位置信息进行人员接触判定得到接触列表信息；
对所述接触列表信息进行传染可能性计算得到目标接触数，并对所述目标接触数进行传染概率计算得到目标传染概率；
对所述目标传染概率、所述目标接触数和所述传染源人数进行集会传播计算得到所述集会场馆中的已传染人数。
在本公开的一种示例性实施例中，所述方法还包括：
获取与所述已传染人数对应的社区传播效力和传染病生成时长；
对所述社区传播效力、所述传染病生成时长和所述已传染人数进行社区传播计算得到社区传染人数。
在本公开的一种示例性实施例中，所述对所述初始位置信息进行移动模拟处理得到当前位置信息，包括：
对所述初始位置信息进行步长分布采样得到当前移动步长，并对所述初始位置信息进行角度分布采样得到当前行走角度；
对所述初始位置信息进行移动判定处理得到移动判定结果，并对所述移动判定结果、所述当前移动步长和所述当前行走角度进行移动模拟处理得到当前位置信息。
在本公开的一种示例性实施例中，所述对所述初始位置信息进行步长分布采样得到当前移动步长，包括：
对所述参会人员进行移动属性设定得到所述参会人员的单次移动步长，并按照所述单次移动步长生成所述参会人员的移动步长分布；
按照所述移动步长分布进行步长分布采样得到当前移动步长。
在本公开的一种示例性实施例中，所述对所述参会人员进行移动属性设定得到所述参会人员的单次移动步长，并按照所述单次移动步长生成所述参会人员的移动步长分布，包括：
对所述参会人员进行人员分类处理得到第一类人员和第二类人员，并分别对所述第一类人员和所述第二类人员进行移动属性设定得到所述两类单次移动步长；
按照所述两类单次移动步长中的一种生成一种移动步长分布，并按照所述两类单次移动步长中的另一种生成另一种移动步长分布。
在本公开的一种示例性实施例中，所述根据所述当前位置信息进行人员接触判定得到接触列表信息，包括：
获取与所述当前位置信息对应的传播风险距离和深度接触距离，并根据所述当前位置信息和所述传染风险距离进行接触风险判定得到风险列表信息；
对所述风险列表信息和所述深度接触距离进行深度接触判定得到深度列表信息，并对所述风险列表信息和所述深度列表信息进行迭代接触判定得到接触列表信息。
在本公开的一种示例性实施例中，所述对所述风险列表信息和所述深度列表信息进行迭代接触判定得到接触列表信息，包括：
获取在所述集会场馆中进行的会议时长以及与所述会议时长对应的迭代次数；
按照所述会议时长和所述迭代次数对所述风险列表信息和所述深度列表信息进行迭代接触判定得到接触列表信息，所述接触列表信息包括普通列表信息和深度列表信息。
在本公开的一种示例性实施例中，所述对所述接触列表信息进行传染可能性计算得到目标接触数，包括：
获取与所述普通列表信息对应的普通接触数以及与所述深度列表信息对应的深度接触数，并对所述普通列表信息或所述深度列表信息进行列表统计处理得到列表个数；
对所述普通接触数、所述深度接触数和所述列表个数进行传染可能性计算得到目标接触数。
在本公开的一种示例性实施例中，所述对所述目标接触数进行传染概率计算得到目标传染概率，包括：
基于经典传染病模型，对所述目标接触数进行传染概率计算得到初始传染概率；
获取与所述初始传染概率对应的影响因素，并对所述影响因素和所述初始传染概率进行概率校正计算得到目标传染概率。
在本公开的一种示例性实施例中，所述对所述目标传染概率、所述目标接触数和所述传染源人数进行集会传播计算得到所述集会场馆中的已传染人数，包括：
获取与已传染人数对应的计算次数和置信区间，并按照所述计算次数对所述目标传染概率、所述目标接触数和所述传染源人数进行集会传播计算得到多个待定传染人数；
对所述多个待定传染人数进行平均计算得到平均传染人数，并基于所述置信区间对所述平均传染人数进行可靠度计算得到所述集会场馆中的已传染人数。
根据本公开的一个方面，提供一种集会活动中传染病传播趋势的预测装置，所述装置包括：信息获取模块，被配置为获取集会场馆中的传染源人数，并对处于所述集会场馆中的参会人员进行位置初始化得到所述参会人员的初始位置信息；
接触判定模块，被配置为对所述初始位置信息进行移动模拟处理得到当前位置信息，并根据所述当前位置信息进行人员接触判定得到接触列表信息；
概率计算模块，被配置为对所述接触列表信息进行传染可能性计算得到目标接触数，并对所述目标接触数进行传染概率计算得到目标传染概率；
人数预测模块，被配置为对所述目标传染概率、所述目标接触数和所述传染源人数进行集会传播计算得到所述集会场馆中的已传染人数。
根据本公开的一个方面，提供一种电子设备，包括：处理器和存储器；其中，存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现上述任意示例性实施例的集会活动中传染病传播趋势的预测方法。
根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意示例性实施例中的集会活动中传染病传播趋势的预测方法。
由上述技术方案可知，本公开示例性实施例中的集会活动中传染病传播趋势的预测方法、集会活动中传染病传播趋势的预测装置、计算机存储介质及电子设备至少具备以下优点和积极效果：
在本公开的示例性实施例提供的方法及装置中，通过目标传染概率、目标接触数和传染源人数对集会活动中的已传染人数进行预估，为预估疫情规模提供了估算方式，提升了疫情传播的预测准确性，还能在保障常态化疫情可控的情况下，提高群众的生活质量。更进一步的，通过位置初始化和传染概率计算能够在传染病传播趋势的预估过程中，将集会场馆和影响传染病传播的因素考虑进去，细粒度地模拟多个影响因素对集会活动中疫情发展带来的影响，通过调整影响因素调整集会活动带来的疫情影响效果，以对必要集会活动的合理开放和限流政策提供指导性的意见。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出本公开示例性实施例中一种集会活动中传染病传播趋势的预测方法的流程示意图；
图2示意性示出本公开示例性实施例中长方形场馆内的人员分布示例图；
图3示意性示出本公开示例性实施例中移动模拟处理的方法的流程示意图；
图4示意性示出本公开示例性实施例中步长分布采样的方法的流程示意图；
图5示意性示出本公开示例性实施例中得到移动步长分布的方法的流程示意图；
图6示意性示出本公开示例性实施例中人员接触判定的方法的流程示意图；
图7示意性示出本公开示例性实施例中迭代接触判定的方法的流程示意图；
图8示意性示出本公开示例性实施例中传染可能性计算的方法的流程示意图；
图9示意性示出本公开示例性实施例中传染概率计算的方法的流程示意图；
图10示意性示出本公开示例性实施例中计算已传染人数的方法的流程示意图；
图11示意性示出本公开示例性实施例中社区传播计算的方法的流程示意图；
图12示意性示出本公开示例性实施例中应用场景下预测集会活动中传染病传播趋势的方法的流程示意图；
图13示意性示出本公开示例性实施例中一种集会活动中传染病传播趋势的预测装置的结构示意图；
图14示意性示出本公开示例性实施例中一种用于实现集会活动中传染病传播趋势的预测方法的电子设备；
图15示意性示出本公开示例性实施例中一种用于实现集会活动中传染病传播趋势的预测方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
针对相关技术中存在的问题，本公开提出了一种集会活动中传染病传播趋势的预测方法。图1示出了集会活动中传染病传播趋势的预测方法的流程图，如图1所示，集会活动中传染病传播趋势的预测方法至少包括以下步骤：
步骤S110.获取集会场馆中的传染源人数，并对处于集会场馆中的参会人员进行位置初始化得到参会人员的初始位置信息。
步骤S120.对初始位置信息进行移动模拟处理得到当前位置信息，并根据当前位置信息进行人员接触判定得到接触列表信息。
步骤S130.对接触列表信息进行传染可能性计算得到目标接触数，并对目标接触数进行传染概率计算得到目标传染概率。
步骤S140.对目标传染概率、目标接触数和传染源人数进行集会传播计算得到集会场馆中的已传染人数。
在本公开的示例性实施例中，通过目标传染概率、目标接触数和传染源人数对集会活动中的已传染人数进行预估，为预估疫情规模提供了估算方式，提升了疫情传播的预测准确性，还能在保障常态化疫情可控的情况下，提高群众的生活质量。更进一步的，通过位置初始化和传染概率计算能够在传染病传播趋势的预估过程中，将集会场馆和影响传染病传播的因素考虑进去，细粒度地模拟多个影响因素对集会活动中疫情发展带来的影响，通过调整影响因素调整集会活动带来的疫情影响效果，以对必要集会活动的合理开放和限流政策提供指导性的意见。
下面对集会活动中传染病传播趋势的预测方法的各个步骤进行详细说明。
在步骤S110中，获取集会场馆中的传染源人数，并对处于集会场馆中的参会人员进行位置初始化得到参会人员的初始位置信息。
在本公开的示例性实施例中，该传染源人数为处于集会场馆内，且携带传染病的人数。
进一步的，根据处于集会场馆中的参会人员的总人数和场馆结构设定可以对每一个集会场馆内的参会人员进行位置初始化。其中，位置初始化服从正态分布，该正态分布的均值可以是集会场馆的边长的二分之一，而标准差可以是集会场馆的变长的六分之一。除此之外，位置初始化也可以遵照其他的分布，可以根据实际情况进行设定，本示例性实施例对此不做特殊限定。
举例而言，当集会场馆为环形的演讲场馆或者酒吧时，参数人员位置初始化后可以是具备一个中心簇的分布结构；当集会场馆为座谈会的举办地点时，参会人员位置初始化后可以是均匀分布的结构；当集会场馆为博览会的举办场馆时，参会人员位置初始化后可以是多个中心簇的人员分布结构。
图2示出了长方形场馆内的人员分布示例图，如图2所示，在该长方形场馆内，人员分布为一个中心簇的分布结构。
进一步的，通过集会场馆的结构设计构建平面直角坐标系。对于每个参会人员，设定对应的活动范围只能在机会场馆所允许的活动空间内，可以通过直角坐标系的x轴和y轴进行限定。因此，通过位置初始化后的参会人员在该直角坐标系内的位置可以得到各个参会人员的初始位置信息。
值得说明的是，对于非矩形结构的集会场馆，也可以通过x轴和y轴的取值限定，构造对应的允许活动范围。
其中，在代理人基模型(Agent-Based Model，ABM)中，每个参会人员可以看做一个agent(代理人)。Agent-Based模型即是代表个别角色的代理人在动态社会系统中的电脑模拟。每个代理人都是一个实体，代表了个人、团体或组织，各个代理人自主决定自己的行为，并与其他代理人产生相互作用。在复杂网络的研究中，通常假设各个代理人都是利己主义的，基于自身的利益去决定行为。而从宏观来看，各个代理人的不同行为共同形成了网络中的宏观结构。
在步骤S120中，对初始位置信息进行移动模拟处理得到当前位置信息，并根据当前位置信息进行人员接触判定得到接触列表信息。
在本公开的示例性实施例中，得到初始位置信息之后，可以对初始位置信息进行移动模拟处理。
在可选的实施例中，图3示出了移动模拟处理的方法的流程示意图，如图3所示，该方法至少包括以下步骤：在步骤S310中，对所述初始位置信息进行步长分布采样得到当前移动步长，并对初始位置信息进行角度分布采样得到当前行走角度。
在得到初始位置信息之后，可以对初始位置信息进行步长分布采样得到对应的当前移动步长。
在进行步长分布采样时，可以对参会人员进行不同的移动属性设定，以按照不同的移动步长分布进行采样。
进一步的，还可以对初始位置信息进行角度分布采样得到当前行走角度。
由于当前行走角度也具备随机性，因此可以设定当前行走角度服从0°到359°的随机分布。进一步的，对该随机分布进行随机采样可以得到当前行走角度。除此之外，根据实际情况也可以设定当前行走角度服从泊松分布或者其他分布类型，旨在模拟人类真实的移动情况，本示例性实施例对此不做特殊限定。
在步骤S320中，对初始位置信息进行移动判定处理得到移动判定结果，并对移动判定结果、当前移动步长和当前行走角度进行移动模拟处理得到当前位置信息。
在每个参会人员进行当前位置信息确定时，也不一定会产生移动。因此，还可以对初始位置信息进行移动判定处理。
具体的，移动判定处理可以从[0,1]分布中进行随机采样获得移动判定结果，来决定该参会人员是否进行移动。
进一步的，每个参会人员在集会场馆中的当前位置信息为：
x＝cos(θ)×L×s
y＝sin(θ)×L×s
除此之外，还可以判断当前位置信息是否属于步骤S110中的允许活动范围内。当当前位置信息不属于步骤S110中的允许活动范围内时，可以拒绝本地移动，认为该参会人员不进行移动，以得到各个参会人员移动的x轴和y轴的实际位移。
在本示例性实施例中，通过对初始位置信息进行移动模拟处理可以得到各个参会人员的当前位置信息，确定出的当前位置信息随机性强且准确度高，移动模拟效果好。
其中，步骤S310中对初始位置信息进行步长分布采样得到当前移动步长时，可以根据不同的参会人员进行采样。
在可选的实施例中，图4示出了步长分布采样的方法的流程示意图，如图4所示，该方法至少包括以下步骤：在步骤S410中，对参会人员进行移动属性设定得到参会人员的单次移动步长，并按照单次移动步长生成参会人员的移动步长分布。
其中，参会人员的移动设定可以设定为两类，一类参会人员的单次移动步长与成年人的常规行走步长一致，另一类参会人员的单次移动步长可以比成年人的常规行走步长更加频繁。
并且，按照不同的单次移动步长生成不同参会人员对应的移动步长分布。
在步骤S420中，按照移动步长分布进行步长分布采样得到当前移动步长。
在得到各类参会人员的移动步长分布之后，可以分别在各类参会人员的移动步长分布中进行采样得到每个参会人员对应且独立的当前移动步长。
具体的，第一类人员在均值等于1.5米，标准差等于0.75的正态分布中进行采样；第二类人员在均值等于0.7米，标准差等于0.35的正态分布中进行采样。
在本示例性实施例中，通过移动步长分布确定每个参会人员的当前移动步长，随机性强，准确度高。其中，步骤S410中移动步长分布可以按照不同的两类参会人员得到。
在可选的实施例中。图5示出了得到移动步长分布的方法的流程示意图，如图5所示，该方法至少包括以下步骤：在步骤S510中，对参会人员进行人员分类处理得到第一类人员和第二类人员，并分别对第一类人员和第二类人员进行移动属性设定得到两类单次移动步长。
不同人群的参会人员的移动属性有所不同。一般的，可以将参会人员分为第一类人员和第二类人员。其中，第一类人员可以是服务类人员，服务类人员具有更高的移动性；而第二类人员可以是普通的集会人员。
通常，成年人行走步长为0.7米，因此可以按照不同的移动步长对两类参会人员进行移动属性的设定。由于第一类人员的移动更加频繁，因此可以设定为1.5米，同时，将第二类人员的单次移动步长可以设置为0.7米。
在步骤S520中，按照两类单次移动步长中的一种生成一种移动步长分布，并按照两类单次移动步长中的另一种生成另一种移动步长分布。
由于参会人员的行走具备一定的随机性，因此每个参会人员的移动步长服从正态分布。根据实际成年人行走的模拟，设定该正态分布的均值等于步长，而标准差等于步长的二分之一。
具体的，由于两类参会人员的步长不同，因此第一类人员服从的正态分布为均值等于1.5米，标准差等于0.75的正态分布；第二类人员服从的正太分布为均值等于0.7米，标准差等于0.35的正态分布。
除此之外，也可以根据实际情况将该正态分布设定为泊松分布，或者其他分类类型，旨在模拟参会人员的真实移动情况，本示例性实施例对此不做特殊限定。
在本示例性实施例中，对参会人员进行人员分类处理得到各类参会人员的移动步长分布，人员划分细致准确，保证了当前移动步长的准确性。
在得到各个参会人员的当前位置信息之后，还可以对当前位置信息进行人员接触判定。
在可选的实施例中，图6示出了人员接触判定的方法的流程示意图，如图6所示，该方法至少包括以下步骤：在步骤S610中，获取与当前位置信息对应的传播风险距离和深度接触距离，并根据当前位置信息和传染风险距离进行接触风险判定得到风险列表信息。
其中，传播风险距离为认定传染病具有传播风险的距离。举例而言，当两个agent的直线距离为1.8m以内的接触才具备传播风险时，该传播风险距离为1.8m。
其中，两个agent的距离判定可以使用欧式距离，亦即方圆1.8m内存在其他agent即为满足传播风险距离，亦即使用圆形距离进行接触判定。除此之外，也可以设定当前agent为中心的方形区域或长方形区域内，是否存在其他agent的方式判定接触，本示例性实施例对此不做特殊限定。
深度接触距离为认定两个agent产生深度接触的距离。举例而言，当两个agent持续接触三次时，且每次接触距离小于0.5m时，认定两者产生深度接触，此时深度接触距离为0.5m。
进一步的，当根据每个agent的当前位置信息判定直线距离为1.8m内存在其他参会人员时，可以确定该参会人员为与该agent产生接触的人员，并记录可以表征该人员的agent ID(Identity document，身份标识号)得到风险列表信息。举例而言，该agent ID可以为唯一表征列表个数的标识信息，例如工号、姓名、进场时间等。
在步骤S620中，对风险列表信息和深度接触距离进行深度接触判定得到深度列表信息，并对风险列表信息和深度列表信息进行迭代接触判定得到接触列表信息。
同时，还可以对每个agent的列表个数进行持续判定。当agent与列表个数之间的距离已经三次小于0.5米，判定该agent与该列表个数产生深度接触，还可以将该列表个数确定为与该agent深度接触的人员，并另外记录与每个agent产生深度接触的agent ID得到深度列表信息。
进一步的，对风险列表信息和深度列表信息进行迭代接触判定。
在可选的实施例中，图7示出了迭代接触判定的方法的流程示意图，如图7所示，该方法至少包括以下步骤：在步骤S710中，获取在集会场馆中进行的会议时长以及与会议时长对应的迭代次数。
其中，会议时长可以是集会场馆内的会议持续时长，也可以是会议从开始进场到结束出场整体持续时长，本示例性实施例对此不做特殊限定。
在实际场景中，每个小时对agent的风险列表信息和深度列表信息的迭代次数很难精准量化，因此按照不同的迭代次数设定对每小时后产生的更新后风险列表信息和深度列表信息中包含的参会人数总量进行评估，最终发现在设定每小时迭代次数为50次时，产生的风险列表信息和深度列表信息的人员的变化率比较符合实际认知，因此迭代次数可以设定为50。其中，迭代次数可以表征每个小时内的迭代次数。
在步骤S720中，按照会议时长和迭代次数对风险列表信息和深度列表信息进行迭代接触判定得到接触列表信息，接触列表信息包括普通列表信息和深度列表信息。
在获取到会议时长和迭代次数之后，可以按照迭代次数对每小时内的风险列表信息和深度列表信息进行迭代得到每一次迭代后的接触列表信息，该接触列表信息中都会记录每个agent是否有新的列表个数。在每一次迭代后的接触列表信息中包括普通列表信息和深度列表信息。
并且，在按照迭代次数迭代完一个小时得到该小时内的接触列表信息之后，若会议时长为多个小时，还要进行下一小时的迭代得到对应的接触列表信息。
因此，接触列表信息中包括的普通列表信息和深度列表信息的个数等于会议时长与迭代次数的乘积。
值得说明的是，迭代次数足够大时，产生的接触列表信息变化相对稳定。具体来说，当会议时长为4个小时以上时，接触列表信息的结果更加可靠。
在本示例性实施例中，通过人员接触判定可以得到多次迭代后的接触列表信息，接触列表信息可靠稳定，为目标接触数的计算提供了准确的数据基础。
在步骤S130中，对接触列表信息进行传染可能性计算得到目标接触数，并对目标接触数进行传染概率计算得到目标传染概率。
在本公开的示例性实施例中，得到接触列表信息之后，可以对接触列表信息进行传染可能性计算。
在可选的实施例中，图8示出了传染可能性计算的方法的流程示意图，如图8所示，该方法至少包括以下步骤：在步骤S810中，获取与普通列表信息对应的普通接触数以及与深度列表信息对应的深度接触数，并对普通列表信息或深度列表信息进行列表统计处理得到列表个数。
一般的，与普通列表信息对应的普通接触数设定为1，与深度列表信息对应的深度接触数设定为2。除此之外，也可以根据实际情况设定其他数目的普通接触数和深度接触数。
进一步的，对普通列表信息的个数进行列表统计处理得到列表个数，该列表个数等于会议时长与迭代次数的乘积。除此之外，也可以是对深度列表信息进行列表统计处理得到该列表个数。
在步骤S820中，对普通接触数、深度接触数和列表个数进行传染可能性计算得到目标接触数。
在得到列表个数之后，可以按照公式(1)进行传染可能性计算：
Figure GDA0003263113740000151
其中，k为平均每个agent产生具备传染可能的目标接触数，L1[agent ID]为每一个agent产生的普通列表信息，L2[agent ID]为每一个agent产生的深度列表信息。其中，L1[agent ID]乘以1，1即为普通接触数；L2[agent ID]乘以2,2即为深度接触数。
值得说明的是，当集会场馆内的传染源agent越多，k值的稳定性更高。
在本示例性实施例中，通过传染可能性计算可以得到目标接触数，计算方式简单准确，目标接触数的数值更具备稳定性。
进一步的，还可以对目标接触数进行传染概率计算得到对应的目标传染概率。
在可选的实施例中，图9示出了传染概率计算的方法的流程示意图，如图9所示，该方法至少包括以下步骤：在步骤S910中，基于经典传染病模型，对目标接触数进行传染概率计算得到初始传染概率。
该经典传染病模型可以是SIR信息传播模型。在传染病传播的研究过程中，经常采用流行病学传播模型作为信息传播的模型，例如经典的SI模型、SIS模型、SIR模型或SEIR模型。其中，在SIR信息传播模型中，一般将人群分类三类人群，分别是S易感者(Susceptible)，指没有得病，但是易被感染的人群；I感染者(Infective)指可以使S人群感染的人群，R移除者(Remove)指被隔离或者因被治愈而获得抵抗力的一类人群。
以A地区的传染病为例，根据A地区早期疫情情况，结合SIR模型可以有：
Figure GDA0003263113740000152
其中，β为一个具有感染性的人与易感人群接触后易感者被感染，并进入潜伏期的平均概率。β＝kb，k即为目标接触数，表征感染者平均每天可以接触到的人数，根据早期A地区社区密切接触者的统计，该k值可以设定为5。b为初始传染概率，表征每次接触史传染概率。
考虑到初始感染者为1人，即I(0)＝1，可得
Figure GDA0003263113740000161
其中，γ2为传染病生成时长的倒数。该传染病生成时长为潜伏期时长与发病到确认的时长的总和。
因此，可以计算出A地区的传染病的初始传染概率b＝0.0543009418817。
在步骤S920中，获取与初始传染概率对应的影响因素，并对影响因素和初始传染概率进行概率校正计算得到目标传染概率。
在得到初始传染概率之后，还可能存在影响初始传染概率的影响因素，例如佩戴口罩、注射疫苗和变异株等。
一般的，口罩佩戴后的异常传染可能性降低30％。因此，结合口罩佩戴率可以得到初始传染概率在口罩影响下的实际衰减率为θ1。
在疫苗有效的情况下，根据疫苗的接种率，也可以计算疫苗条件影响下的初始传染概率的衰减率为θ2。
并且，也考虑到变异株的传播效力。基于现有流行病学统计，可以获得变异株相较于普通株的传播效力为α。
在影响因素的影响下，可以得到目标传染概率bfin8l＝6×θ1×θ2×b。
在本示例性实施例中，通过对初始传染概率的影响因素的概率校正计算可以得到目标传染概率，目标传染概率的计算将多个影响因素考虑进去，与实际情况的符合程度更高，保证了目标传染概率的计算准确性。
在步骤S140中，对目标传染概率、目标接触数和传染源人数进行集会传播计算得到集会场馆中的已传染人数。
在本公开的示例性实施例中，在没有干预的情况下，在一个全都是易感人群的环境中，平均一个患者在患病周期可以传染的人数可以记为R；。
基于R；的定义，可以得到R0∝b×k×T。其中，b为目标传染概率bfinal，表征每次接触的传染率；k为目标接触数，表征感染者与易感者的平均接触数，T是生成时长，亦即生成时长为潜伏期时长与发病到确认的时长的总和。一般的，可以将T取单位时间1。进一步的，结合已经获取到的传染源人员base，可以对目标传染概率、目标接触数和传染源人数进行集会传播计算得到该集会场馆内的已传染人数。
在可选的实施例中，图10示出了计算已传染人数的方法的流程示意图，如图10所示，该方法至少包括以下步骤：在步骤S1010中，获取与已传染人数对应的计算次数和置信区间，并按照计算次数对目标传染概率、目标接触数和传染源人数进行集会传播计算得到多个待定传染人数。
其中，计算次数可以是为了多次计算集会场馆内的感染人数设定的，一般的，可以设置为50次，也可以是其他数值，本示例性实施例对此不做特殊限定。具体的，已传染人数Infected＝base×k×b×1。
进一步的，由于移动模拟处理是基于特定分布的采样，具有一定的不确定性。因此，针对每一个真实场景，还可以进行50次的集会活动中的传染病传染趋势预测，以得到50个预测的待定传染人数。
在步骤S1020中，对多个待定感染人数进行平均计算得到平均传染人数，并基于置信区间对平均传染人数进行可靠度计算得到集会场馆中的已传染人数。
举例而言，在得到50个待定传染人数之后，可以对50个传染人数进行求平均计算得到平均传染人数。
进一步的，置信区间可以是为估计集会场馆中的最终已传染人数设定的估计区间，以在预估已传染人数时进行一定程度上的容错。其中，置信区间可以设置为95％，也可以根据实际情况进行其他数值设置，本示例性实施例对此不做特殊限定。
因此，可以根据置信区间对平均传染人数进行95％的置信区间的可靠度计算得到集会场馆中的已传染人数。
在本示例性实施例中，通过对多个待定传染人数进行平均计算和可靠度计算得到已传染人数，从计算方式的角度最大程度上保证已传染人数的准确性和有效性，以保证已传染人数的重要参考价值。
由于疫情最终会走向常态化的阶段，因此还可以对集会场馆中的已传染人数进行社区传播计算得到后续在社区内造成的社区传染人数。
在可选的实施例中，图11示出了社区传播计算的方法的流程示意图，如图11所示，该方法至少包括以下步骤：在步骤S1110中，获取与已传染人数对应的社区传播效力和传染病生成时长。
其中，社区传播效力为疫情过往社区传播的效力，记录为Rt。在A地区的传染病中，
Figure GDA0003263113740000181
且R0＝3.4，因此/>
Figure GDA0003263113740000182
显然，社区传播效力一般为已知条件。
传染病多生成时长为潜伏期时长与发病到确认的时长的总和，也是已知条件。
在步骤S1120中，对社区传播效力、传染病生成时长和已传染人数进行社区传播计算得到社区传染人数。
在得到社区传播效力和传染病生成时长之后，可以对社区传播效力、传染病生成时长和已传染人数进行社区传播计算得到社区传染人数。
具体的，社区传播人数
Figure GDA0003263113740000183
其中，Total(t)表示第t天的社区传染人数。当t＝1时，Total(t)表示集会场馆内的已传染人数。由于社区传播是集会活动的第二天开始的，因此指数使用t-1。
其中，对社区传播人数的计算除了使用社区传播效力进行估算之外，也可以使用其他估算方式，主要逻辑为基于当前的已传染人数和当前传播效力推算未来每日社区的社区传染人数即可，本示例性实施例对此不做特殊限定。
在本示例性实施例中，通过社区传播计算可以对集会活动后每日新增的社区传染人数进行预测，准确获知每日社区感染的人数，大致估算当前疫情的规模，对必要集会的合理开放提供指导性的意见。
下面结合一应用场景对本公开实施例中集会活动中传染病传播趋势的预测方法做出详细说明。
图12示出了应用场景下预测集会活动中传染病传播趋势的方法的流程示意图，如图12所示，在步骤S1210中，人员和场馆的初始化。
该传染源人数为处于集会场馆内，且携带传染病的人数。
进一步的，根据处于集会场馆中的参会人员的总人数和场馆结构设定可以对每一个集会场馆内的参会人员进行位置初始化。其中，位置初始化服从正态分布，该正态分布的均值可以是集会场馆的边长的一半，而标准差可以是集会场馆的变长的六分之一。除此之外，位置初始化也可以遵照其他的分布，可以根据实际情况进行设定，本示例性实施例对此不做特殊限定。
举例而言，当集会场馆为环形的演讲场馆或者酒吧时，参数人员位置初始化后可以是具备一个中心簇的分布结构；当集会场馆为座谈会的举办地点时，参会人员位置初始化后可以是均匀分布的结构；当集会场馆为博览会的举办场馆时，参会人员位置初始化后可以是多个中心簇的人员分布结构。
进一步的，通过集会场馆的结构设计构建平面直角坐标系。对于每个参会人员，设定对应的活动范围只能在机会场馆所允许的活动空间内，可以通过直角坐标系的x轴和y轴进行限定。因此，通过位置初始化后的参会人员在该直角坐标系内的位置可以得到各个参会人员的初始位置信息。
值得说明的是，对于非矩形结构的集会场馆，也可以通过x轴和y轴的取值限定，构造对应的允许活动范围。
在步骤S1220中，人员移动属性的设定和模拟。
不同人群的参会人员的移动属性有所不同。一般的，可以将参会人员分为第一类人员和第二类人员。其中，第一类人员可以是服务类人员，服务类人员具有更高的移动性；而第二类人员可以是普通的集会人员。
通常，成年人行走步长为0.7米，因此可以按照不同的移动步长对两类参会人员进行移动属性的设定。由于第一类人员的移动更加频繁，因此可以设定为1.5米，同时，将第二类人员的单次移动步长可以设置为0.7米。
由于参会人员的行走具备一定的随机性，因此每个参会人员的移动步长服从正态分布。根据实际成年人行走的模拟，设定该正态分布的均值等于步长，而标准差等于步长的二分之一。
具体的，由于两类参会人员的步长不同，因此第一类人员服从的正态分布为均值等于1.5米，标准差等于0.75的正态分布；第二类人员服从的正太分布为均值等于0.7米，标准差等于0.35的正态分布。
除此之外，也可以根据实际情况将该正态分布设定为泊松分布，或者其他分类类型，旨在模拟参会人员的真实移动情况，本示例性实施例对此不做特殊限定。
在得到各类参会人员的移动步长分布之后，可以分别在各类参会人员的移动步长分布中进行采样得到每个参会人员对应且独立的当前移动步长。
具体的，第一类人员在均值等于1.5米，标准差等于0.75的正态分布中进行采样；第二类人员在均值等于0.7米，标准差等于0.35的正态分布中进行采样。
进一步的，还可以对初始位置信息进行角度分布采样得到当前行走角度。
由于当前行走角度也具备随机性，因此可以设定当前行走角度服从0°到359°的随机分布。进一步的，对该随机分布进行随机采样可以得到当前行走角度。
在每个参会人员进行当前位置信息确定时，也不一定会产生移动。因此，还可以对初始位置信息进行移动判定处理。
具体的，移动判定处理可以从[0,1]分布中进行随机采样获得移动判定结果，来决定该参会人员是否进行移动。
进一步的，每个参会人员在集会场馆中的当前位置信息为：
x＝cos(θ)×L×s
y＝sin(θ)×L×s
除此之外，还可以判断当前位置信息是否属于步骤S110中的允许活动范围内。当当前位置信息不属于步骤S110中的允许活动范围内时，可以拒绝本地移动，认为该参会人员不进行移动，以得到各个参会人员移动的x轴和y轴的实际位移。
在步骤S1230中，人员移动和密接判定。
在得到各个参会人员的当前位置信息之后，还可以对当前位置信息进行人员接触判定。
传播风险距离为认定传染病具有传播风险的距离。举例而言，当两个agent的直线距离为1.8m以内的接触才具备传播风险时，该传播风险距离为1.8m。
深度接触距离为认定两个agent产生深度接触的距离。举例而言，当两个agent持续接触三次时，且每次接触距离小于0.5m时，认定两者产生深度接触，此时深度接触距离为0.5m。
进一步的，当根据每个agent的当前位置信息判定直线距离为1.8m内存在其他参会人员时，可以确定该参会人员为与该agent产生接触的人员，并记录可以表征该人员的agent ID得到风险列表信息。举例而言，该agent ID可以为唯一表征列表个数的标识信息，例如工号、姓名、进场时间等。
同时，还可以对每个agent的列表个数进行持续判定。当agent与列表个数之间的距离已经三次小于0.5米，判定该agent与该列表个数产生深度接触，还可以将该列表个数确定为与该agent深度接触的人员，并另外记录与每个agent产生深度接触的agent ID得到深度列表信息。
进一步的，对风险列表信息和深度列表信息进行迭代接触判定。
会议时长可以是集会场馆内的会议持续时长，也可以是会议从开始进场到结束出场整体持续时长，本示例性实施例对此不做特殊限定。
在实际场景中，每个小时对agent的风险列表信息和深度列表信息的迭代次数很难精准量化，因此按照不同的迭代次数设定对每小时后产生的更新后风险列表信息和深度列表信息中包含的参会人数总量进行评估，最终发现在设定每小时迭代次数为50次时，产生的风险列表信息和深度列表信息的人员的变化率比较符合实际认知，因此迭代次数可以设定为50。其中，迭代次数可以表征每个小时内的迭代次数。
在获取到会议时长和迭代次数之后，可以按照迭代次数对每小时内的风险列表信息和深度列表信息进行迭代得到每一次迭代后的接触列表信息，该接触列表信息中都会记录每个agent是否有新的列表个数。在每一次迭代后的接触列表信息中包括普通列表信息和深度列表信息。
并且，在按照迭代次数迭代完一个小时得到该小时内的接触列表信息之后，若会议时长为多个小时，还要进行下一小时的迭代得到对应的接触列表信息。
因此，接触列表信息中包括的普通列表信息和深度列表信息的个数等于会议时长与迭代次数的乘积。
值得说明的是，迭代次数足够大时，产生的接触列表信息变化相对稳定。具体来说，当会议时长为4个小时以上时，接触列表信息的结果更加可靠。
在步骤S1240中，计算平均接触数。
一般的，与普通列表信息对应的普通接触数设定为1，与深度列表信息对应的深度接触数设定为2。除此之外，也可以根据实际情况设定其他数目的普通接触数和深度接触数。
进一步的，对普通列表信息的个数进行列表统计处理得到列表个数，该列表个数等于会议时长与迭代次数的乘积。除此之外，也可以是对深度列表信息进行列表统计处理得到该列表个数。
在得到列表个数之后，可以按照公式(1)进行传染可能性计算得到目标接触数k，亦即平均接触数。
值得说明的是，当集会场馆内的传染源agent越多，k值的稳定性更高。
在步骤S1250中，统计获得无防护的单次接触传播率。
进一步的，还可以对目标接触数进行传染概率计算得到对应的目标传染概率。
基于经典传染病模型，对目标接触数进行传染概率计算得到初始传染概率。该经典传染病模型可以是SIR信息传播模型。
以A地区的传染病为例，根据A地区早期疫情情况，结合SIR模型可以有：
Figure GDA0003263113740000221
其中，β为一个具有感染性的人与易感人群接触后易感者被感染，并进入潜伏期的平均概率。β＝kb，k即为目标接触数，表征感染者平均每天可以接触到的人数，根据早期A地区社区密切接触者的统计，该k值可以设定为5。b为初始传染概率，表征每次接触史传染概率。
考虑到初始感染者为1人，即I(0)＝1，可得
Figure GDA0003263113740000231
其中，γ2为传染病生成时长的倒数，亦即可以基于实际病例的统计获得γ2的值。该传染病生成时长为潜伏期时长与发病到确认的时长的总和。
因此，在已知实际传播天数t和对应的传播总人数I(t)，且k与γ2已知，e为自然对数的情况下，可以计算出A地区的传染病的初始传染概率b。
在步骤S1260中，口罩、疫苗和毒株的影响。
在得到初始传染概率之后，还可能存在影响初始传染概率的影响因素，例如佩戴口罩、注射疫苗和变异株等。
一般的，口罩佩戴后的异常传染可能性降低30％。因此，结合口罩佩戴率可以得到初始传染概率在口罩影响下的实际衰减率为θ1。
在疫苗有效的情况下，根据疫苗的接种率，也可以计算疫苗条件影响下的初始传染概率的衰减率为θ2。
并且，也考虑到变异株的传播效力。基于现有流行病学统计，可以获得变异株相较于普通株的传播效力为α。
在步骤S1270中，计算场馆内单次接触传播率。
在影响因素的影响下，可以得到目标传染概率bfinal＝α×θ1×θ2×b，亦即场馆内单次接触传播率。
在步骤S1280中，计算集会当日传播规模。
在没有干预的情况下，在一个全都是易感人群的环境中，平均一个患者在患病周期可以传染的人数可以记为R0。
基于R0的定义，可以得到R0∝b×k×T。其中，b为目标传染概率bfinal，表征每次接触的传染率；k为目标接触数，表征感染者与易感者的平均接触数，T是生成时长，亦即生成时长为潜伏期时长与发病到确认的时长的总和。一般的，可以将T取单位时间1。并且，结合已经获取到的传染源人员base，可以对目标传染概率、目标接触数和传染源人数进行集会传播计算得到该集会场馆内的已传染人数。
具体的，已传染人数Infected＝base×k×b×1。
进一步的，由于移动模拟处理是基于特定分布的采样，具有一定的不确定性。因此，针对每一个真实场景，还可以进行50次的集会活动中的传染病传染趋势预测，以得到50个预测的已传染人数。并且，计算50个预测的易感染人数的均值和95％的置信区间，以进行一定程度上的容错。
在步骤S1290中，计算后续社区每日传播规模。
由于疫情最终会走向常态化的阶段，因此还可以对集会场馆中的已传染人数进行社区传播计算得到后续在社区内造成的社区传染人数。
其中，社区传播效力为疫情过往社区传播的效力，记录为Rt。在A地区的传染病中，
Figure GDA0003263113740000241
且R0＝3.4，因此/>
Figure GDA0003263113740000242
显然，社区传播效力一般为已知条件。
传染病多生成时长为潜伏期时长与发病到确认的时长的总和，也是已知条件。
在得到社区传播效力和传染病生成时长之后，可以对社区传播效力、传染病生成时长和已传染人数进行社区传播计算得到社区传染人数。
具体的，社区传播人数
Figure GDA0003263113740000243
其中，Total(t)表示第t天的社区传染人数。当t＝1时，Total(t)表示集会场馆内的已传染人数。由于社区传播是集会活动的第二天开始的，因此指数使用t-1。
其中，根据图12的预测方法可以确定集会活动中传染病传播趋势的预测方法的输入参数和输出参数如表1所示：
Figure GDA0003263113740000244
Figure GDA0003263113740000251
表1
表1中的输入参数也是针对传染病的政策建议的来源，有了这些输入参数，再结合最终的输出参数可以了解集会活动的最终影响结果，也可以通过调整政策建议的输入参数观察传染病疫情效力的变化，从而保证必要聚集场所开放的同时，让传染病疫情的发展保持在可控范围内。
在本公开的示例性实施例中，基于个体模拟一场集会活动中疫情的传播情况和后续社区传播的趋势，帮助政府或组织机构对活动开放和疫情可控进行平衡，为开展必要集会活动提供政策建议，保障必要集会活动的合理开放。
当集会活动引起疫情传播时，那么可以根据集会活动的情况和社区传播天数估算当前疫情规模，从而根据疫情轻重实施不同程度的管控措施，保障疫情的可控性。
此外，在本公开的示例性实施例中，还提供一种集会活动中传染病传播趋势的预测装置。图13示出了集会活动中传染病传播趋势的预测装置的结构示意图，如图13所示，集会活动中传染病传播趋势的预测装置1300可以包括：信息获取模块1310、接触判定模块1320、概率计算模块1330和人数预测模块1340。其中：
信息获取模块1310，被配置为获取集会场馆中的传染源人数，并对处于集会场馆中的参会人员进行位置初始化得到参会人员的初始位置信息；接触判定模块1320，被配置为对初始位置信息进行移动模拟处理得到当前位置信息，并根据当前位置信息进行人员接触判定得到接触列表信息；概率计算模块1330，被配置为对接触列表信息进行传染可能性计算得到目标接触数，并对目标接触数进行传染概率计算得到目标传染概率；人数预测模块1340，被配置为对目标传染概率、目标接触数和传染源人数进行集会传播计算得到集会场馆中的已传染人数。
在本公开的一种示例性实施例中，集会活动中传染病传播趋势的预测方法还包括：
获取与已传染人数对应的社区传播效力和传染病生成时长；
对社区传播效力、传染病生成时长和已传染人数进行社区传播计算得到社区传染人数。
在本公开的一种示例性实施例中，对初始位置信息进行移动模拟处理得到当前位置信息，包括：
对初始位置信息进行步长分布采样得到当前移动步长，并对初始位置信息进行角度分布采样得到当前行走角度；
对初始位置信息进行移动判定处理得到移动判定结果，并对移动判定结果、当前移动步长和当前行走角度进行移动模拟处理得到当前位置信息。
在本公开的一种示例性实施例中，对初始位置信息进行步长分布采样得到当前移动步长，包括：
对参会人员进行移动属性设定得到参会人员的单次移动步长，并按照单次移动步长生成参会人员的移动步长分布；
按照移动步长分布进行步长分布采样得到当前移动步长。
在本公开的一种示例性实施例中，对参会人员进行移动属性设定得到参会人员的单次移动步长，并按照单次移动步长生成参会人员的移动步长分布，包括：
对参会人员进行人员分类处理得到第一类人员和第二类人员，并分别对第一类人员和第二类人员进行移动属性设定得到两类单次移动步长；
按照两类单次移动步长中的一种生成一种移动步长分布，并按照两类单次移动步长中的另一种生成另一种移动步长分布。
在本公开的一种示例性实施例中，根据当前位置信息进行人员接触判定得到接触列表信息，包括：
获取与当前位置信息对应的传播风险距离和深度接触距离，并根据当前位置信息和传染风险距离进行接触风险判定得到风险列表信息；
对风险列表信息和深度接触距离进行深度接触判定得到深度列表信息，并对风险列表信息和深度列表信息进行迭代接触判定得到接触列表信息。
在本公开的一种示例性实施例中，对风险列表信息和深度列表信息进行迭代接触判定得到接触列表信息，包括：
获取在集会场馆中进行的会议时长以及与会议时长对应的迭代次数；
按照会议时长和迭代次数对风险列表信息和深度列表信息进行迭代接触判定得到接触列表信息，接触列表信息包括普通列表信息和深度列表信息。
在本公开的一种示例性实施例中，对接触列表信息进行传染可能性计算得到目标接触数，包括：
获取与普通列表信息对应的普通接触数以及与深度列表信息对应的深度接触数，并对普通列表信息或深度列表信息进行列表统计处理得到列表个数；
对普通接触数、深度接触数和列表个数进行传染可能性计算得到目标接触数。
在本公开的一种示例性实施例中，对目标接触数进行传染概率计算得到目标传染概率，包括：
基于经典传染病模型，对目标接触数进行传染概率计算得到初始传染概率；
获取与初始传染概率对应的影响因素，并对影响因素和初始传染概率进行概率校正计算得到目标传染概率。
在本公开的一种示例性实施例中，对目标传染概率、目标接触数和传染源人数进行集会传播计算得到集会场馆中的已传染人数，包括：
获取与已传染人数对应的计算次数和置信区间，并按照计算次数对目标传染概率、目标接触数和传染源人数进行集会传播计算得到多个待定传染人数；
对多个待定传染人数进行平均计算得到平均传染人数，并基于置信区间对平均传染人数进行可靠度计算得到集会场馆中的已传染人数。
上述集会活动中传染病传播趋势的预测装置1300的具体细节已经在对应的集会活动中传染病传播趋势的预测方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了集会活动中传染病传播趋势的预测装置1300的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
下面参照图14来描述根据本发明的这种实施例的电子设备1400。图14显示的电子设备1400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图14所示，电子设备1400以通用计算设备的形式表现。电子设备1400的组件可以包括但不限于：上述至少一个处理单元1410、上述至少一个存储单元1420、连接不同系统组件(包括存储单元1420和处理单元1410)的总线1430、显示单元1440。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1410执行，使得所述处理单元1410执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
存储单元1420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)1421和/或高速缓存存储单元1422，还可以进一步包括只读存储单元(ROM)1423。
存储单元1420还可以包括具有一组(至少一个)程序模块1425的程序/实用工具1424，这样的程序模块1425包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1400也可以与一个或多个外部设备1600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1400交互的设备通信，和/或与使得该电子设备1400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1450进行。并且，电子设备1400还可以通过网络适配器1460与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1440通过总线1430与电子设备1400的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图15所示，描述了根据本发明的实施例的用于实现上述方法的程序产品1500，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品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为但不限于电、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。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，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。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (12)

1.一种集会活动中传染病传播趋势的预测方法，其特征在于，所述方法包括：
获取集会场馆中的传染源人数，并对处于所述集会场馆中的参会人员进行位置初始化得到所述参会人员的初始位置信息；
对所述初始位置信息进行移动模拟处理得到当前位置信息，并根据所述当前位置信息进行人员接触判定得到接触列表信息；
对所述接触列表信息进行传染可能性计算得到目标接触数，并对所述目标接触数进行传染概率计算得到目标传染概率；
对所述目标传染概率、所述目标接触数和所述传染源人数进行集会传播计算得到所述集会场馆中的已传染人数；
其中，所述对所述初始位置信息进行移动模拟处理得到当前位置信息，包括：
对所述初始位置信息进行步长分布采样得到当前移动步长，并对所述初始位置信息进行角度分布采样得到当前行走角度；
对所述初始位置信息进行移动判定处理得到移动判定结果，并对所述移动判定结果、所述当前移动步长和所述当前行走角度进行移动模拟处理得到当前位置信息。
2.根据权利要求1所述的集会活动中传染病传播趋势的预测方法，其特征在于，所述方法还包括：
获取与所述已传染人数对应的社区传播效力和传染病生成时长；
对所述社区传播效力、所述传染病生成时长和所述已传染人数进行社区传播计算得到社区传染人数。
3.根据权利要求1所述的集会活动中传染病传播趋势的预测方法，其特征在于，所述对所述初始位置信息进行步长分布采样得到当前移动步长，包括：
对所述参会人员进行移动属性设定得到所述参会人员的单次移动步长，并按照所述单次移动步长生成所述参会人员的移动步长分布；
按照所述移动步长分布进行步长分布采样得到当前移动步长。
4.根据权利要求3所述的集会活动中传染病传播趋势的预测方法，其特征在于，所述对所述参会人员进行移动属性设定得到所述参会人员的单次移动步长，并按照所述单次移动步长生成所述参会人员的移动步长分布，包括：
对所述参会人员进行人员分类处理得到第一类人员和第二类人员，并分别对所述第一类人员和所述第二类人员进行移动属性设定得到两类单次移动步长；
按照所述两类单次移动步长中的一种生成一种移动步长分布，并按照所述两类单次移动步长中的另一种生成另一种移动步长分布。
5.根据权利要求1所述的集会活动中传染病传播趋势的预测方法，其特征在于，所述根据所述当前位置信息进行人员接触判定得到接触列表信息，包括：
获取与所述当前位置信息对应的传播风险距离和深度接触距离，并根据所述当前位置信息和所述传播风险距离进行接触风险判定得到风险列表信息；
对所述风险列表信息和所述深度接触距离进行深度接触判定得到深度列表信息，并对所述风险列表信息和所述深度列表信息进行迭代接触判定得到接触列表信息。
6.根据权利要求5所述的集会活动中传染病传播趋势的预测方法，其特征在于，所述对所述风险列表信息和所述深度列表信息进行迭代接触判定得到接触列表信息，包括：
获取在所述集会场馆中进行的会议时长以及与所述会议时长对应的迭代次数；
按照所述会议时长和所述迭代次数对所述风险列表信息和所述深度列表信息进行迭代接触判定得到接触列表信息，所述接触列表信息包括普通列表信息和深度列表信息。
7.根据权利要求1所述的集会活动中传染病传播趋势的预测方法，其特征在于，所述对所述接触列表信息进行传染可能性计算得到目标接触数，包括：
获取与普通列表信息对应的普通接触数以及与深度列表信息对应的深度接触数，并对所述普通列表信息或所述深度列表信息进行列表统计得到列表个数；
对所述普通接触数、所述深度接触数和所述列表个数进行传染可能性计算得到目标接触数。
8.根据权利要求1所述的集会活动中传染病传播趋势的预测方法，其特征在于，所述对所述目标接触数进行传染概率计算得到目标传染概率，包括：
基于经典传染病模型，对所述目标接触数进行传染概率计算得到初始传染概率；
获取与所述初始传染概率对应的影响因素，并对所述影响因素和所述初始传染概率进行概率校正计算得到目标传染概率。
9.根据权利要求1所述的集会活动中传染病传播趋势的预测方法，其特征在于，所述对所述目标传染概率、所述目标接触数和所述传染源人数进行集会传播计算得到所述集会场馆中的已传染人数，包括：
获取与已传染人数对应的计算次数和置信区间，并按照所述计算次数对所述目标传染概率、所述目标接触数和所述传染源人数进行集会传播计算得到多个待定传染人数；
对所述多个待定传染人数进行平均计算得到平均传染人数，并基于所述置信区间对所述平均传染人数进行可靠度计算得到所述集会场馆中的已传染人数。
10.一种集会活动中传染病传播趋势的预测装置，其特征在于，包括：
信息获取模块，被配置为获取集会场馆中的传染源人数，并对处于所述集会场馆中的参会人员进行位置初始化得到所述参会人员的初始位置信息；
接触判定模块，被配置为对所述初始位置信息进行移动模拟处理得到当前位置信息，并根据所述当前位置信息进行人员接触判定得到接触列表信息；包括：对所述初始位置信息进行步长分布采样得到当前移动步长，并对所述初始位置信息进行角度分布采样得到当前行走角度；对所述初始位置信息进行移动判定处理得到移动判定结果，并对所述移动判定结果、所述当前移动步长和所述当前行走角度进行移动模拟处理得到当前位置信息；
概率计算模块，被配置为对所述接触列表信息进行传染可能性计算得到目标接触数，并对所述目标接触数进行传染概率计算得到目标传染概率；
人数预测模块，被配置为对所述目标传染概率、所述目标接触数和所述传染源人数进行集会传播计算得到所述集会场馆中的已传染人数。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被发送器执行时实现权利要求1-9中任意一项所述的集会活动中传染病传播趋势的预测方法。
12.一种电子设备，其特征在于，包括：
发送器；
存储器，用于存储所述发送器的可执行指令；
其中，所述发送器被配置为经由执行所述可执行指令来执行权利要求1-9中任意一项所述的集会活动中传染病传播趋势的预测方法。
CN202110827251.7A 2021-07-21 2021-07-21 传染病传播趋势的预测方法及装置、存储介质、电子设备 Active CN113539512B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110827251.7A CN113539512B (zh) 2021-07-21 2021-07-21 传染病传播趋势的预测方法及装置、存储介质、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110827251.7A CN113539512B (zh) 2021-07-21 2021-07-21 传染病传播趋势的预测方法及装置、存储介质、电子设备

Publications (2)

Publication Number Publication Date
CN113539512A CN113539512A (zh) 2021-10-22
CN113539512B true CN113539512B (zh) 2023-06-16

Family

ID=78120316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110827251.7A Active CN113539512B (zh) 2021-07-21 2021-07-21 传染病传播趋势的预测方法及装置、存储介质、电子设备

Country Status (1)

Country Link
CN (1) CN113539512B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113611429B (zh) * 2021-05-12 2024-06-07 中国人民解放军军事科学院军事医学研究院 传染病的传播推演方法、装置及电子设备
CN114068034A (zh) * 2021-11-16 2022-02-18 医渡云（北京）技术有限公司 数据的预测方法、装置、电子设备及计算机可读介质
CN114743690A (zh) * 2022-05-05 2022-07-12 医渡云（北京）技术有限公司 传染病的预警方法、装置、介质及电子设备

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107277763B (zh) * 2017-05-05 2019-12-06 中国科学院深圳先进技术研究院 一种传染病防控方法及系统
WO2021016391A1 (en) * 2019-07-23 2021-01-28 The Broad Institute, Inc. Health data aggregation and outbreak modeling
WO2021107709A1 (ko) * 2019-11-29 2021-06-03 연세대학교 산학협력단 질병 감염 또는 보유 확률 계산 방법 및 장치, 질병 검사 대상자 출력 방법 및 장치
CN111027525B (zh) * 2020-03-09 2020-06-30 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
CN111370137A (zh) * 2020-03-17 2020-07-03 腾讯科技（深圳）有限公司 疫情告警方法、装置、计算机设备和存储介质
CN111524611B (zh) * 2020-04-24 2023-03-03 腾讯科技（深圳）有限公司 构建传染病趋势预测模型的方法、预测方法、装置及设备
CN111415755A (zh) * 2020-04-30 2020-07-14 重庆金瓯科技发展有限责任公司 一种用于流行病防护的辅助监测系统
CN112835877B (zh) * 2020-08-20 2022-06-14 同济大学 一种面向公共突发事务的疫情大数据清理方法
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
CN112365998A (zh) * 2020-11-12 2021-02-12 医渡云（北京）技术有限公司 传染病传播规模模拟方法、装置与电子设备

Also Published As

Publication number Publication date
CN113539512A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN113539512B (zh) 传染病传播趋势的预测方法及装置、存储介质、电子设备
US11687384B2 (en) Real-time synthetically generated video from still frames
Li et al. Integrated CNN and federated learning for COVID-19 detection on chest X-ray images
US20170300657A1 (en) Computerized Event Simulation Using Synthetic Populations
Yang et al. Effect of specific non-pharmaceutical intervention policies on SARS-CoV-2 transmission in the counties of the United States
US20210074436A1 (en) Mobile automation control of disease spread
CN113161006B (zh) 密接人员感染风险评估方法、装置、电子设备及存储介质
CN111739653A (zh) 传染病传播的评估方法、装置、计算机设备和存储介质
Schneider et al. Epidemic management and control through risk-dependent individual contact interventions
Mesa et al. Quantifying the impact of vaccine hesitancy in prolonging the need for Non-Pharmaceutical Interventions to control the COVID-19 pandemic
CN114068034A (zh) 数据的预测方法、装置、电子设备及计算机可读介质
Xue et al. Modeling the impact of social distancing on the COVID-19 pandemic in a low transmission setting
Berke et al. Using mobile phone data to estimate dynamic population changes and improve the understanding of a pandemic: A case study in Andorra
Moxley et al. Application of elastic net regression for modeling COVID-19 sociodemographic risk factors
Gupta et al. Wellness detection using clustered federated learning
CN114068033A (zh) 数据的预测方法、装置、电子设备及计算机可读介质
CN114068035A (zh) 传染病的干预动作调整方法及装置、存储介质、电子设备
CN111680798A (zh) 联合学习模型系统和方法、装置和计算机可读存储介质
US20220114219A1 (en) Determining device assistant manner of reply
Lin et al. Control strategies against COVID-19 in China: Significance of effective testing in the long run
US20220384054A1 (en) Tool to quantify airborne-disease transmission risk in a workplace setting
US20240153645A1 (en) Detecting infection sources
CN113327684B (zh) 基于兵棋推演的疫情模拟方法、装置及计算机可读介质
Han et al. Disease Simulation in Airport Scenario Based on Individual Mobility Model
Hernandez-Vargas et al. Modelling and Control of Epidemics Across Scales

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