CN113611407B - 一种针对公交车辆内部的新型冠状病毒感染情况评估方法 - Google Patents
一种针对公交车辆内部的新型冠状病毒感染情况评估方法 Download PDFInfo
- Publication number
- CN113611407B CN113611407B CN202110938892.XA CN202110938892A CN113611407B CN 113611407 B CN113611407 B CN 113611407B CN 202110938892 A CN202110938892 A CN 202110938892A CN 113611407 B CN113611407 B CN 113611407B
- Authority
- CN
- China
- Prior art keywords
- individual
- vehicle
- infected
- infection
- bus
- 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
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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Air-Conditioning For Vehicles (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种针对公交车辆内部的新型冠状病毒感染情况评估方法,包括如下内容:一、获取基础数据,包括:交通工具尺寸参数、多智能体属性参数和控制措施参数;二、建立针对公交车辆内部的多智能体病毒传播模型;三、对病毒传播模型进行参数标定与模型验证;四、基于病毒传播模型对公交车辆疫情防控措施进行评估。与现有技术相比,本发明的积极效果是:本发明基于Wells‑Riley理论建立的多智能体模型,既能精细地描述公交车辆内不同位置的乘客感染情况,又能捕捉不同病毒防控措施下感染人数在时间上的变化规律,并提出具有针对性的防疫措施。
Description
技术领域
本发明涉及一种针对公交车辆内部的新型冠状病毒感染情况评估方法。
背景技术
新型冠状病毒(COVID-19)出现以来,人类生命安全受到严重威胁,世界经济遭受沉重打击。研究表明现代化的交通工具是导致病毒快速扩散的主要原因,一个国家或地区的交通运输量越多,病毒感染者数量越多。通过研究病毒的传播特征及其影响因素,可以为突发性重大传染病疫情的控制提供科学、完善、精细化的防控策略。
许多学者希望通过研究病毒的传播特征及其影响因素来控制疫情的扩散。目前关于病毒传播模型的研究方法主要分为两类,一类以SIR(Susceptible-Infected-Recovery)模型为基础,它是一种简单而有效的数学模型,可以宏观地描述某一区域的感染情况;另一类以Wells-Riley方程为基础,它使用量子的概念来描述病毒传染性,被广泛用于研究传染性呼吸道疾病,可以描述微观场景的感染情况。
针对第一类方法,潘理虎等对SIR模型进行改进,基于多智能体模型仿真技术,描述个体健康、潜伏、隔离、发病、确诊、治愈和死亡等不同状态间的转换,模拟不同控制措施下的病毒扩散趋势。Fang和Marino等基于SEIR(Susceptible-Exposed-Infected-Recovery)模型模拟了COVID-19病毒的爆发,分析了不同控制措施对疫情控制效果的影响。Michael等通过无标度网络、随机网络和小世界网络描述个体间的接触关系,基于SEIR模型建立了能模拟新冠病毒大流行传播规律的多智能体模型。Gharakhanlou等基于SEIRD模型,建立了多智能体模型,研究关闭部分场所、控制社交距离等策略对疫情控制的影响。张宇等考虑了铁路列车内病毒密度、乘客接触等因素,改进了SEIR模型并用于研究COVID-19病毒沿高铁线路传播的情况。这种基于SIR的改进模型利用已有数据标定模型参数,能快速描述病毒感染情况,但是只适用于宏观场景的趋势描述。
第二种方法基于量子的概念,考虑了病原体的传染性、传染源强度和生物衰变等因素,可以在微观场景下描述病毒的交互作用。针对第二类方法,Yan等假设空气中的飞沫由乘客通过咳嗽释放,利用拉格朗日方法对其运输特性建模,结合Wells-Riley公式,基于波音737飞机座舱尺寸,建立仿真模型,估计乘客感染风险。Andrade等利用Wells-Riley公式在三间不同的健身房评估流感和肺结核的传播风险,Cheong等探讨了急诊室内建筑特征对病原体扩散的影响,二者都证明了提高通风率是防止病毒扩散的有效方法。Zemouri等通过修正Wells-Riley公式估计了季节性流感病毒、冠状病毒、麻疹病毒等空气传染疾病的传播概率,经过敏感性分析,室内空气质量对传播概率的影响较大,其次是患者传染性,医用口罩对呼吸道的防护作用最小。谢国等假设高速列车车厢内的病毒呈高斯分布,模拟了封闭车厢内的COVID-19病毒传播。Sun等修正了Wells-Riley公式中的距离公式,讨论了不同场景下社交距离和通风情况对COVID-19病毒传播的影响。
综上所述,尽管已有许多COVID-19病毒传播特性的研究,但有关公交车辆内部的病毒传播规律的研究仍然很少,且现有的研究都忽略了对个体间差异性的考虑,不能在更高的分辨率下精准预测病毒传播情况。而多智能体模型将人抽象为智能体,通过模拟智能体之间的交互,可以在微观场景下准确估计病毒传播情况。但现有的多智能体模型多用于社区、学校、医院等场所,且大多是基于SIR模型。例如,Silva等使用基于SEIR模型的多智能体模型来模拟某一地区不同控制措施对病毒传播的影响;Cuevas使用多智能体模型来评估病毒在不同开放程度的公司、大学和商店中的传播风险;Araya使用多智能体来研究COVID-19对建筑行业的影响。他们较少考虑感染者从出发地到目的地期间造成的感染,也不能用于描述公交车辆内部的病毒传播场景。
因此,为了研究公交车辆内部的病毒传播特点,本文拟基于Wells-Riley模型,考虑多类影响因素,建立多智能体模型,分析不同控制措施对公交车辆内部病毒传播的影响,为制定公交车辆疫情防控方案提供理论依据。
发明内容
为了克服现有技术的上述缺点,本发明提出了一种针对公交车辆内部的新型冠状病毒感染情况评估方法。
本发明解决其技术问题所采用的技术方案是:一种针对公交车辆内部的新型冠状病毒感染情况评估方法,包括如下内容:
一、获取基础数据,包括:交通工具尺寸参数、多智能体属性参数和控制措施参数;
二、建立针对公交车辆内部的多智能体病毒传播模型;
三、对病毒传播模型进行参数标定与模型验证;
四、基于病毒传播模型对公交车辆疫情防控措施进行评估。
与现有技术相比,本发明的积极效果是:
本发明基于Wells-Riley理论建立的多智能体模型,既能精细地描述公交车辆内不同位置的乘客感染情况,又能捕捉不同防疫措施下感染人数在时间上的变化规律,并提出具有针对性的防控措施。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是模型架构图;
图2是仿真结果图;
图3为不同口罩比例的感染结果图;
图4为不同疫苗接种率的感染结果图;
图5为不同消毒间隔的感染结果图;
图6为不同通风量的感染结果图;
图7为不同载客人数的感染结果图;
图8为不同病毒产生率的感染结果图;
具体实施方式
本发明提出了一种针对公交车辆内部的新型冠状病毒感染情况评估方法,主要涉及两个部分,分别是公交车辆乘客移动规则和基于Wells-Riley理论的COVID-19感染规则。本发明具体实施时的相应步骤主要有:
1.基础数据调查
将交通工具尺寸、多智能体属性和控制措施三类参数输入计算模型,预测公交车辆内部的感染情况,即求解目标车辆运行指定时间后的感染人数。其中,交通工具尺寸参数包括:座位数、车长、车宽、座位宽度、座间距、过道宽度。多智能体属性参数包括:病毒产生率、乘客呼吸率、乘客移动速度、相对感染率、口罩的细菌过滤效率、疫苗有效防御力。控制措施参数包括:车辆运行时间、初始感染人数、载客人数、通风量、戴口罩比例、接种疫苗比例。
所述基础数据及其调查类型、获取方式如表1所示:
表1基础数据、调查类型及获取方式
2.模型假设
本发明做如下两点假设:
1)进站时会检测乘客体温,所以不考虑已有病状的感染者,只考虑易感染者(健康个体)和处于潜伏期的感染者;
2)车辆运行后,乘客位置固定,不再不移动;
3.构建理论模型
3.1建模思想
为了研究新型冠状病毒在公交车辆内的传播规律,本文结合多智能模型,加入对乘客分布、移动规则、感染规则的考虑,建立COVID-19在公交车辆内的多智能体传播模型。模型分为初始化阶段和迭代阶段,具体如图1所示,以秒为单位更新迭代方案,通过输入各类参数,可以最终得到感染人数。
3.2模型初始化
在初始化阶段通过输入交通工具尺寸参数、多智能体属性参数、初始感染人数和载客人数,可以生成人群集合和个体坐标。该阶段分为人群初始化、乘客分布、口罩和疫苗分配3步,具体如下:
1)人群初始化:由于进站时会检测体温,所以在提出的模型中不考虑已有病状的感染者,只将人群分为易感者(健康个体)和处于潜伏期的感染者。为了模拟现实中的潜伏期感染者的分布情况,首先根据易感者人数、个体移动速度、呼吸率等初始化易感者人群,然后向易感者人群中随机插入感染者,最终生成t时刻的人群集合。
2)乘客分布:公交车辆内部的人群分布与交通工具尺寸参数和个体排队顺序相关。因此,将有座位的乘客按照固定间距的均匀分布进行设置,没有座位的乘客按照随机分布进行设置。根据站立空间面积和站立乘客人数计算站立人群密度,如果每平米大于8人则将排在后面的乘客剔出人群集合。
3)口罩和疫苗分配:为了在仿真中提供更加现实的效果,人群集合必须是异质性的。基于此,本文将根据给定的乘客戴口罩比例和疫苗接种比例,对于每一个个体,在0~1之间随机生成小数。若乘客戴口罩比例或疫苗接种比例大于随机小数,则判定此个体戴口罩或已经接种疫苗。
3.3模型迭代阶段
3.3.1移动规则
为描述公交车辆内部的乘客移动规则,本文将其分为经停站阶段和车辆运行阶段两个部分。经停站阶段会考虑乘客上下车的长距离和短距离移动规则;车辆运行阶段假设乘客位置固定,不再移动。本文制定的具体移动规则如下:
1)判断车辆运行状态。如果是经停站阶段则根据移动规则更新个体坐标,如果是车辆运行阶段则不再更新位置坐标。
2)判断个体是否在目标位置。选取指定数量的乘客按照上下车规则分配目标位置,根据分配的目标位置进行移动。如果个体不在目标位置,则需判断当前个体与目标位置的距离是否大于单次移动距离,如果大于单次移动距离,个体按照长距离移动规则,采用单次移动距离更新当前坐标;如果小于单次移动距离则直接移动到目标位置。如果个体在目标位置,则按照短距离移动规则,采用反向移动保持和其他个体的社交距离。
个体当前坐标和目标位置的距离公式如下:
式中,di为当前位置与目标位置的距离;xi与yi分别为当前位置的x与y坐标;xd与yd为目标位置的x与y坐标。
3)判断排队顺序。判断个体的排队顺序是否为第一位,若是,则直接执行上下车移动操作,无需排队;若不是,则等待前面个体执行一次位置更新后,当前个体才会开始移动。
3.3.2感染概率与规则
1)感染概率公式
为描述公交车辆内部的微观病毒传播场景,本文基于Wells-Riley公式对多智能模型进行改进,其基本公式如式(2)所示:
式中,P为感染概率;C为车厢中新的感染人数;S为车厢中的易感者人数;I为车厢中初始感染人数;q为感染者的病毒产生率;p为个体的呼吸率;t为个体的呼吸时间;Q为车厢内的通风量;r为有效接触率,指易感者暴露于有效致病感染因子的比例。
结合多智能体模型的特点,本文对有效接触率r的影响因素进行扩充。考虑到COVID-19病毒的传播特性和现实中口罩和疫苗对传播的影响,增加了对飞沫直径、数量分布、传输特性、口罩渗透系数和是否接种疫苗的考虑。因此,健康个体在感染者影响下的有效接触率如式(3)所示:
式中,qj为感染者aj的病毒产生率;pi为健康个体ai的呼吸率;tt为健康个体ai的呼吸时间;β1i、β2i为健康个体ai关于性别、年龄的相对感染率。β3i为健康个体ai所佩戴口罩的细菌过滤效率,β3j为感染者aj所佩戴口罩的细菌过滤效率,β3=0时表示细菌能够完全渗透人的呼吸区,口罩完全不起作用。β4i为健康个体ai所接种疫苗的有效防御力,如果没有接种疫苗则β4i=0;Q为车厢内的通风量;Pd为感染者aj呼出飞沫的残余百分比,具体公式为:
Pd=(-19.19ln(d)+43.276)/100 (4)
式中,d为飞沫传输距离。
综上所述,健康个体在所有感染者的影响下被感染的概率为:
2)感染规则
传统Wells-Riley模型中病毒随机传播且各处浓度相同,而本文假设病毒浓度与飞沫传播距离负相关,通过计算某一健康个体与任一感染者间的距离,即得到飞沫传输距离d,进而进一步计算得到健康个体受车厢内所有感染者影响的总感染概率。为了更真实地体现人群的异质性(不同个体的年龄、健康状况),在初始化阶段,程序随机分配给个体一个0~1之间的随机数,当感染概率小于随机数时,个体仍是健康的;反之,将个体从易感者人群中剔除,加入感染人群。
4.主要变量与参数设置
为了验证模型的有效性,本发明选择两起由于乘坐公交车辆而引发的聚集性感染案例,分别用于模型的参数标定与精度验证。因两起案例都是由同一个人引发,所以假设病毒产生率相同。在案例1中,该患者乘坐49座全封闭空调客运汽车2小时,导致同车7人发病;而案例2中,该患者乘坐18座全封闭空调客运汽车约1小时,导致同车2人发病。数据主要来源于统计年鉴、行业规范、疫情数据统计网站及相关参考文献等,例如,车辆载客数参考《机动车运行安全技术条件》(GB7258-1997);病毒产生率通过数据拟合方法获得;乘客呼吸率参考呼吸道传染病方面文献;关于性别的病毒相对感染率参考https://api.globalhealth5050.org/docs/进行换算;关于年龄的病毒相对感染率参考统计年鉴。
各主要变量、符号及详细参数数值设置如表2所示。
表2模型详细参数
如表1所示,参数主要分为交通工具尺寸参数、多智能体参数和控制措施参数。交通工具尺寸参数用于确定个体的排队位置、目标位置和可移动空间;多智能体参数包含病毒产生率、呼吸率和移动速度等,用于描述多智能体的固有属性;控制措施参数表示可以通过人为控制来影响感染结果的参数。
5.参数标定与模型验证
不同疾病和不同感染者的病毒产生率是不同的,在其他参数确定的情况下,还需要对病毒产生率进行标定。经过500次蒙特卡洛仿真试验后,发现当感染者的病毒产生率为150quanta/h时,仿真感染人数与实际感染人数较为契合,此时的仿真结果如图2(a)所示。将标定的病毒产生率带入到案例2中,得到的仿真结果如图2(b)所示。
从图2(a)中可以看出,案例1中的车辆运行2小时后,感染人数的上分位数为15人、下分位数为2人、中位数为8人,符合实际情况。由图2(b)可知,随着时间的增加,案例2的感染人数逐渐增加,车辆运行1小时后,感染人数的上分位数为4人、下分位数为1人、中位数为3人,与实际感染人数3人较吻合,证明了模型的有效性。
6.影响因素分析
为研究不同控制措施对COVID-19传播的影响,本发明根据所建立的模型,采用控制变量法,分析感染人数与各因素的作用关系,并提出具有针对性的防疫建议。
具体实施案例:利用本发明的评估方法的具体实施的相应步骤进行不同控制措施(戴口罩比例、接种疫苗比例、通风量、载客人数和病毒产生率)对COVID-19感染仿真。每次参数的改变都进行500次蒙特卡洛仿真试验,根据结果求出感染人数的中位数,如图3—8所示。
1)车辆运行时间
如图3—8所示,保持其他参数不变,任意改变某一个参数,随着车辆运行时间的增加,感染人数都会增加,并且在运行时间超过一小时后感染人数会有突增现象。
2)戴口罩比例
保持其他参数不变,改变乘客戴口罩的比例,结果见图3。由图3(a)可知,口罩比例的增加对抑制病毒传播有十分显著的作用。当全员戴口罩时,几乎可以保证无新增感染人数。如图3(b)所示,当戴口罩比例小于0.5时,车辆运行时间越短,对病毒传播的抑制效果越显著;当戴口罩比例在0.5~0.8之间时,随着比例的增加,感染人数急剧下降;当戴口罩比例大于0.8时,初始感染者造成的新增感染人数趋于零。
3)接种疫苗比例
设置乘客戴口罩的比例为0,改变乘客接种疫苗的比例,结果见图4。由图4(a)可知,乘客接种疫苗的比例与感染人数呈负相关性。由图4(b)可知,当车辆运行时间较低时,疫苗接种比例的变化对于最终感染人数的抑制作用不明显;当车辆运行时间较长时,抑制作用较为明显。
4)消毒间隔
设置乘客戴口罩的比例和疫苗接种比例为0,改变车厢消毒时间间隔,结果见图5。由图5(a)可知,消毒时间间隔的减小对抑制病毒传播有较为显著的作用。当消毒时间间隔为0.5h时,可以保证无新增感染人数。由图5(b)可知,当车辆运行时间较短时,降低消毒时间间隔对抑制病毒传播的作用不明显;随着车辆运行时间增长,降低消毒间隔的抑制效果会逐渐增加;车辆运行时间超过4h后,消毒时间间隔的变化对抑制病毒传播效果几乎相同。
5)通风量
设置乘客戴口罩的比例和疫苗接种比例为0,不进行消毒操作,改变车厢通风量,结果见图6。由图6(a)可知,车厢通风量对病毒传播虽然有抑制作用,但效果不显著。由图6(b)可知,当车辆运行时间较短时,增加通风量对抑制病毒传播有一定的作用;随着时间增长,增加通风量对病毒传播的抑制效果会降低。
6)载客人数
保持其他参数不变,改变车辆载客人数,结果见图7。由图7(a)可知,载客人数越多,最终感染人数和感染速率都会增加。由图7(b)可知,载客人数与感染速率正相关,尤其是当车辆运行时间较长时,载客人数与感染人数的呈正线性关系。
7)病毒产生率
由图8(a)可知,当感染者的病毒产生率较低时,感染人数的增长曲线较平缓,短时间内无新增感染病例;但病毒产生率较高时,感染人数的呈指数增长。由图8(b)可知,若运行时间超过3小时,病毒感染率即使很小,感染人数依然会急剧增加,即病毒感染率对车辆运行时间较为敏感。
综上所述,车辆运行时间超过1小时,病毒将会快速扩散,尽量保证车辆运营期间每小时消毒一次;车辆运行时间较短时,提高戴口罩比例能有效抑制病毒传播,时间较长时,提高疫苗接种比例、减少载客人数对降低感染人数有显著作用;运行时间超过3小时后,病毒感染率即使很小,感染人数依然会急剧增加,车辆消毒的时间间隔不能超过3小时。
Claims (8)
1.一种针对公交车辆内部的新型冠状病毒感染情况评估方法,其特征在于:包括如下内容:
一、获取基础数据,包括:交通工具尺寸参数、多智能体属性参数和控制措施参数;其中,所述多智能体属性参数包括:感染者病毒产生率、乘客呼吸率、乘客移动速度、不同性别的相对感染率、不同年龄的相对感染率、不同口罩的细菌过滤效率、疫苗有效防御力;所述控制措施参数包括:车辆运行时间、初始感染人数、载客人数、通风量、戴口罩比例、接种疫苗比例;
二、建立针对公交车辆内部的多智能体病毒传播模型:
(一)模型初始化阶段:输入交通工具尺寸参数、多智能体属性参数、初始感染人数和载客人数,生成人群集合和个体坐标;其中,模型初始化包括:
1)人群初始化:首先根据易感者人数、个体移动速度、呼吸率初始化易感者人群,然后向易感者人群中随机插入感染者,最终生成t时刻的人群集合;
2)乘客分布:将有座位的乘客按照固定间距的均匀分布进行设置,没有座位的乘客按照随机分布进行设置;根据站立空间面积和站立乘客人数计算站立人群密度,如果每平米大于8人则将排在后面的乘客剔出人群集合;
3)口罩和疫苗分配:根据给定的乘客戴口罩比例和疫苗接种比例,对于每一个个体,在0~1之间生成一个随机小数;若乘客戴口罩比例或疫苗接种比例大于随机小数,则判定此个体戴口罩或已经接种疫苗
(二)模型迭代阶段:
(1)确定公交车辆内部的乘客移动规则;
(2)计算健康个体受车厢内所有感染者影响的总感染概率;
(3)根据感染规则确定感染者并更新人群集合;
三、对病毒传播模型进行参数标定与模型验证;
四、基于病毒传播模型对公交车辆疫情防控措施进行评估。
2.根据权利要求1所述的一种针对公交车辆内部的新型冠状病毒感染情况评估方法,其特征在于:确定公交车辆内部的乘客移动规则的方法为:
1)判断车辆运行状态:如果是经停站阶段则根据移动规则更新个体坐标,如果是车辆运行阶段则不再更新位置坐标;
2)判断个体是否在目标位置:选取指定数量的乘客按照上下车规则分配目标位置,根据分配的目标位置进行移动:
①如果个体不在目标位置,则判断个体当前位置与目标位置的距离是否大于单次移动距离:如果大于单次移动距离,则采用单次移动距离更新当前坐标;如果小于单次移动距离,则直接移动到目标位置;
②如果个体在目标位置,则采用反向移动保持和其他个体的社交距离;
3)判断个体的排队顺序是否为第一位:若是,则直接执行上下车移动操作,无需排队;若不是,则等待前面个体执行一次位置更新后,当前个体才会开始移动。
5.根据权利要求4所述的一种针对公交车辆内部的新型冠状病毒感染情况评估方法,其特征在于:按如下公式计算感染者aj呼出飞沫的残余百分比Pd:
Pd=(-19.19ln(d)+43.276)/100
式中,d为飞沫传输距离。
6.根据权利要求1所述的一种针对公交车辆内部的新型冠状病毒感染情况评估方法,其特征在于:根据感染规则确定感染者的方法为:通过计算某一健康个体与任一感染者间的距离,得到健康个体受车厢内所有感染者影响的总感染概率;判断总感染概率是否小于系统在初始化阶段随机分配给该个体的一个0~1之间的随机数:如果小于,则判断该个体仍是健康的;如果大于,则将该个体从易感者人群中剔除,加入感染人群。
7.根据权利要求1所述的一种针对公交车辆内部的新型冠状病毒感染情况评估方法,其特征在于:所述交通工具尺寸参数包括:座位数、车长、车宽、座位宽度、座位间距、过道宽度。
8.根据权利要求7所述的一种针对公交车辆内部的新型冠状病毒感染情况评估方法,其特征在于:基于病毒传播模型对公交车辆疫情防控措施进行评估的方法为:采用控制变量法,改变车辆运行时间、戴口罩比例、接种疫苗比例、消毒时间间隔、通风量、载客人数和病毒产生率,评估不同控制措施对最终感染人数的影响,并提出具有针对性的防疫措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110938892.XA CN113611407B (zh) | 2021-08-16 | 2021-08-16 | 一种针对公交车辆内部的新型冠状病毒感染情况评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110938892.XA CN113611407B (zh) | 2021-08-16 | 2021-08-16 | 一种针对公交车辆内部的新型冠状病毒感染情况评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113611407A CN113611407A (zh) | 2021-11-05 |
CN113611407B true CN113611407B (zh) | 2023-03-21 |
Family
ID=78308726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110938892.XA Active CN113611407B (zh) | 2021-08-16 | 2021-08-16 | 一种针对公交车辆内部的新型冠状病毒感染情况评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113611407B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114582522A (zh) * | 2022-03-04 | 2022-06-03 | 中国人民解放军军事科学院军事医学研究院 | 基于高斯扩散的传染病气溶胶传播建模仿真方法及系统 |
CN115789904B (zh) * | 2023-02-06 | 2023-05-09 | 中国海洋大学 | 抑制新冠肺炎传播风险的智能风量控制系统及控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111514358A (zh) * | 2020-04-03 | 2020-08-11 | 九九医疗科技(深圳)有限公司 | 交通工具空调消杀毒系统及其控制方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8560339B2 (en) * | 2007-04-02 | 2013-10-15 | Kamran Khan | System and method to predict the global spread of infectious agents via commercial air travel |
CN111383771B (zh) * | 2020-02-26 | 2023-12-22 | 汤一平 | 基于流行传染病病毒场的防控系统 |
CN111627563B (zh) * | 2020-05-22 | 2023-04-11 | 种鹏云 | 一种交通运输对covid-19传播影响的评估方法 |
CN111863271B (zh) * | 2020-06-08 | 2024-03-12 | 浙江大学 | 一种新冠肺炎的重大传染病传播风险预警及防控分析系统 |
US20210407689A1 (en) * | 2020-06-28 | 2021-12-30 | Robert George Coghlan | Unified process for transmissible viral pathogens radial proximity real-time virtual global positioning plotting and social distancing computerized advanced advisory registry driven platform medical service |
CN112287513B (zh) * | 2020-09-10 | 2022-09-16 | 浙江大学 | 减少车厢内传染概率的铁路客运乘客车厢分配优化方法 |
CN112542250A (zh) * | 2020-11-04 | 2021-03-23 | 温州大学 | 基于优化seird模型的全球新冠病毒传播预测方法 |
CN112963949B (zh) * | 2021-02-23 | 2022-02-01 | 东南大学 | 基于人员实时检测的防疫节能智能通风控制系统及方法 |
CN113096821B (zh) * | 2021-04-14 | 2024-02-06 | 大连理工大学 | 一种基于多仓室模型动态特征的流行病动力学预测方法 |
CN113241188B (zh) * | 2021-04-14 | 2024-02-06 | 大连理工大学 | 一种开放体系下新发传染病的跨区域传播预测方法 |
-
2021
- 2021-08-16 CN CN202110938892.XA patent/CN113611407B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111514358A (zh) * | 2020-04-03 | 2020-08-11 | 九九医疗科技(深圳)有限公司 | 交通工具空调消杀毒系统及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113611407A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113611407B (zh) | 一种针对公交车辆内部的新型冠状病毒感染情况评估方法 | |
Ai et al. | Tracer gas is a suitable surrogate of exhaled droplet nuclei for studying airborne transmission in the built environment | |
Gupta et al. | Risk assessment of airborne infectious diseases in aircraft cabins | |
Zhu et al. | An advanced numerical model for the assessment of airborne transmission of influenza in bus microenvironments | |
Zhao et al. | Airborne transmission of COVID‐19 virus in enclosed spaces: an overview of research methods | |
Cheng et al. | Predominant airborne transmission and insignificant fomite transmission of SARS-CoV-2 in a two-bus COVID-19 outbreak originating from the same pre-symptomatic index case | |
Ronchi et al. | Fire evacuation in high-rise buildings: a review of human behaviour and modelling research | |
Hegland et al. | Sequential voluntary cough and aspiration or aspiration risk in Parkinson’s disease | |
Liu et al. | Evaluation of different air distribution systems in a commercial airliner cabin in terms of comfort and COVID-19 infection risk | |
Soltanzadeh et al. | Performance evaluation of refuge floors in combination with egress components in high-rise buildings | |
Dai et al. | Association between the infection probability of COVID-19 and ventilation rates: An update for SARS-CoV-2 variants | |
Zafarnejad et al. | Assessing school-based policy actions for COVID-19: An agent-based analysis of incremental infection risk | |
Löhner et al. | High-fidelity simulation of pathogen propagation, transmission and mitigation in the built environment | |
CN112287513A (zh) | 减少车厢内传染概率的铁路客运乘客车厢分配优化方法 | |
Yin et al. | Retrospective analysis of multi-drug resistant tuberculosis outbreak during a flight using computational fluid dynamics and infection risk assessment | |
Wu et al. | Numerical study of transient indoor airflow and virus-laden droplet dispersion: Impact of interactive human movement | |
Feng et al. | Multi-scale risk assessment and mitigations comparison for COVID-19 in urban public transport: A combined field measurement and modeling approach | |
Feng et al. | A Wells-Riley based COVID-19 infectious risk assessment model combining both short range and room scale effects | |
Pan et al. | Evaluation of intervention measures in reducing the driver's exposure to respiratory particles in a taxi with infected passengers | |
McCarthy et al. | Long range versus short range aerial transmission of SARS-CoV-2 | |
CN117457231B (zh) | 一种基于马尔可夫链模型的病毒传播风险计算方法及装置 | |
Skogstad et al. | Pulmonary function among professional divers over 12 years and the effect of total number of dives | |
Sooknum et al. | A Mathematical Model for Evaluating the Risk of Airborne Infection Among Bus Passengers Using Ventilation Systems. | |
Gaddis et al. | Agent-Based Modeling to Simulate Aerosolized Transmission of SARS-CoV-2 inside Small Ventilated Spaces. COVID 2023, 3, 937–955 | |
Armand et al. | 3D modelling and simulation of the impact of wearing a mask on the dispersion of particles carrying the SARS-CoV-2 virus in a railway transport coach |
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 |