CN113611429B - 传染病的传播推演方法、装置及电子设备 - Google Patents
传染病的传播推演方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113611429B CN113611429B CN202110518461.8A CN202110518461A CN113611429B CN 113611429 B CN113611429 B CN 113611429B CN 202110518461 A CN202110518461 A CN 202110518461A CN 113611429 B CN113611429 B CN 113611429B
- Authority
- CN
- China
- Prior art keywords
- infectious disease
- environment
- data
- transmission
- training
- 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
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 383
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 328
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000005541 medical transmission Effects 0.000 title claims abstract description 38
- 230000005540 biological transmission Effects 0.000 claims abstract description 118
- 238000004088 simulation Methods 0.000 claims abstract description 102
- 230000004044 response Effects 0.000 claims abstract description 15
- 239000012678 infectious agent Substances 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 137
- 239000013598 vector Substances 0.000 claims description 58
- 230000002265 prevention Effects 0.000 claims description 45
- 230000033001 locomotion Effects 0.000 claims description 24
- 230000000694 effects Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 239000000443 aerosol Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000003203 everyday effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 230000000241 respiratory effect Effects 0.000 description 4
- 241000700605 Viruses Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 244000052769 pathogen Species 0.000 description 2
- 230000001717 pathogenic effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 206010057190 Respiratory tract infections Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000014599 transmission of virus Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Abstract
本申请公开一种传染病的传播推演方法、装置及电子设备，该方法包括：响应于进行传染病传播推演的请求，搭建需要进行传染病传播推演的模拟环境；获取所述传染病的传播属性参数；为所述模拟环境分配所述传染病的感染者，根据预设传染病预测模型、所述传播属性参数和所述模拟环境，预测所述传染病在所述模拟环境中的感染数据；展示所述传染病在所述模拟环境中的感染数据。
Description
技术领域
本公开涉及人工智能技术领域，更具体的，涉及一种传染病的传播推演方法、传染病的传播推演装置及电子设备。
背景技术
在疫情防控工作中，对疫情发生的第一现场进行模拟还原十分重要。然而，传统的传染病模型研究常用的是基于SIR、SEIR的动力学方程和微分方程方法，其更适用于从统计意义上对大范围人群进行分析，对于微观场景例如学校，医院，商场，游轮等的个体疾病传播缺乏有力的分析工具。
发明内容
本公开实施例的一个目的是提供一种传染病的传播推演的新的技术方案。
根据本公开的第一方面，提供一种传染病的传播推演方法，其包括：
响应于进行传染病传播推演的请求，搭建需要进行传染病传播推演的模拟环境；
获取所述传染病的传播属性参数；
为所述模拟环境分配所述传染病的感染者，根据预设传染病预测模型、所述传播属性参数和所述模拟环境，预测所述传染病在所述模拟环境中的感染数据；
展示所述传染病在所述模拟环境中的感染数据。
可选地，所述模拟环境用于模拟所对应的真实环境中的各人员活动轨迹、各人员间的接触、人员与传播所述传染病的物体间的接触之中的任意一项或多项。
可选地，所述响应于进行传染病传播推演的请求，搭建需要进行传染病传播推演的模拟环境，包括：
响应于进行传染病传播推演的请求，提供搭建需要进行传染病传播推演的模拟环境的配置界面；
根据通过所述配置界面输入的配置信息，搭建需要进行传染病传播推演的所述模拟环境；
其中，所述配置界面涉及关于所述真实环境的环境数据的配置项，
所述环境数据至少包括所述真实环境中的各人员属性信息、各人员活动轨迹信息和传播所述传染病的物体信息之中的任意一项或多项。
可选地，所述环境数据至少包括所述真实环境中的各人员属性信息，所述根据通过所述配置界面输入的配置信息，搭建需要进行传染病传播推演的所述模拟环境，包括：
根据所述真实环境中的各人员属性信息，在所述模拟环境中分配各人员，并标识对应人员的属性；
或者，
所述环境数据至少包括各人员活动轨迹信息和传播所述传染病的物体信息，所述根据通过所述配置界面输入的配置信息，搭建需要进行传染病传播推演的所述模拟环境，包括：
根据所述真实环境中的各人员活动轨迹信息和传播所述传染病的物体信息，制定所述模拟环境中的各人员活动规则、各人员间的接触规则和人员与传播所述传染病的物体间的接触规则。
可选地，所述获取所述传染病的传播属性参数，包括：
获取所述传染病的传播方式；
基于所述传播方式，获得所述传染病的传播属性参数。
可选地，所述获取所述传染病的传播属性参数，包括：
根据影响所述传染病的传播属性参数的特征向量，获取所述模拟环境中的所述特征向量的向量值；
获取所述特征向量与所述传染病的传播属性参数间的防控干预模型；
根据所述防控干预模型和所述向量值，预测所述模拟环境中的所述传染病的传播属性参数。
可选地，所述特征向量包括影响所述传染病的传播属性参数的多个特征，所述多个特征至少包括防控系数、防控手段、防控区域、防控时间段中的任意一个或多个。
可选地，所述获取所述特征向量与所述传染病的传播属性参数间的防控干预模型，包括：
收集不同真实环境的所述特征向量的向量值作为训练数据；
收集所述训练数据对应的所述传染病的传播属性参数；
根据所述训练数据及其对应的所述传染病的传播属性参数，训练得到所述防控干预模型。
可选地，所述根据所述训练数据及其对应的真实传播属性参数，训练得到所述防控干预模型，包括：
根据所述训练数据及其对应的所述传染病的传播属性参数生成训练样本；
利用至少一种模型训练算法，基于所述训练样本来训练出防控干预模型。
可选地，所述感染数据至少包括：预设时间段内的新增病例数、及所述预设时间段内的新增死亡病例数。
可选地，在根据预设传染病预测模型、所述传播属性参数和所述模拟环境，预测所述传染病在所述模拟环境中的感染数据之前，所述方法还包括：
收集不同真实环境的环境数据及所述传染病的传播属性参数作为训练数据；
收集所述训练数据对应的所述传染病的真实感染数据；
根据所述训练数据及其对应的真实感染数据，训练得到所述传染病预测模型。
可选地，所述根据所述训练数据及其对应的真实感染数据，训练得到所述传染病预测模型，包括：
根据所述训练数据及其对应的真实感染数据生成训练样本；
利用至少一种模型训练算法，基于所述训练样本来训练出传染病预测模型。
可选地，所述方法还包括：
获取预测出的所述传染病在所述模拟环境中的感染数据；
获取所述传染病在所述模拟环境对应的真实环境中的真实感染数据；
根据预测出的所述感染数据及其对应的所述真实感染数据，获得所述传染病预测模型的评判值；
在所述评判值小于或等于设定的评判阈值的情况下，修正所述传染病预测模型。
可选地，所述展示所述传染病在所述模拟环境中的感染数据，包括：
响应于获取所述传染病在所述模拟环境中的感染数据的请求，获取设定的显示模式；
按照所述显示模式显示所述感染数据。
可选地，所述方法还包括：
响应于设置显示模式的操作，提供设置入口；
获取通过所述设置入口输入的显示模式；
更新所述设定的显示模式为所述输入的显示模式。
根据本公开的第二方面，还提供一种传染病的传播推演装置，其包括：
搭建模块，用于响应于进行传染病传播推演的请求，搭建需要进行传染病传播推演的模拟环境；
获取模块，获取所述传染病的传播属性参数；
预测模块，用于为所述模拟环境分配所述传染病的感染者，根据预设传染病预测模型、所述传播属性参数和所述模拟环境，预测所述传染病在所述模拟环境中的感染数据；
展示模块，用于展示所述传染病在所述模拟环境中的感染数据。
可选地，所述模拟环境用于模拟所对应的真实环境中的各人员活动轨迹、各人员间的接触、人员与传播所述传染病的物体间的接触之中的任意一项或多项。
可选地，所述搭建模块，包括：
响应于进行传染病传播推演的请求，提供搭建需要进行传染病传播推演的模拟环境的配置界面；
根据通过所述配置界面输入的配置信息，搭建需要进行传染病传播推演的所述模拟环境；
其中，所述配置界面涉及关于所述真实环境的环境数据的配置项，
所述环境数据至少包括所述真实环境中的各人员属性信息、各人员活动轨迹信息和传播所述传染病的物体信息之中的任意一项或多项。
可选地，所述环境数据至少包括所述真实环境中的各人员属性信息，所述搭建模块，用于：
根据所述真实环境中的各人员属性信息，在所述模拟环境中分配各人员，并标识对应人员的属性；
所述环境数据至少包括各人员活动轨迹信息和传播所述传染病的物体信息，所述搭建模块，用于：
根据所述真实环境中的各人员活动轨迹信息和传播所述传染病的物体信息，制定所述模拟环境中的各人员活动规则、各人员间的接触规则和人员与传播所述传染病的物体间的接触规则。
可选地，所述获取模块，用于：
获取所述传染病的传播方式；
基于所述传播方式，获得所述传染病的传播属性参数。
可选地，所述获取模块，用于：
根据影响所述传染病的传播属性参数的特征向量，获取所述模拟环境中的所述特征向量的向量值；
获取所述特征向量与所述传染病的传播属性参数间的防控干预模型；
根据所述防控干预模型和所述向量值，预测所述模拟环境中的所述传染病的传播属性参数。
可选地，所述特征向量包括影响所述传染病的传播属性参数的多个特征，所述多个特征至少包括防控系数、防控手段、防控区域、防控时间段中的任意一个或多个。
可选地，所述获取模块，用于：
收集不同真实环境的所述特征向量的向量值作为训练数据；
收集所述训练数据对应的所述传染病的传播属性参数；
根据所述训练数据及其对应的所述传染病的传播属性参数，训练得到所述防控干预模型。
可选地，所述获取模块，用于：
根据所述训练数据及其对应的所述传染病的传播属性参数生成训练样本；
利用至少一种模型训练算法，基于所述训练样本来训练出防控干预模型。
可选地，所述感染数据至少包括：预设时间段内的新增病例数、及所述预设时间段内的新增死亡病例数。
可选地，所述获取模块，用于：
收集不同真实环境的环境数据及所述传染病的传播属性参数作为训练数据；
收集所述训练数据对应的所述传染病的真实感染数据；
根据所述训练数据及其对应的真实感染数据，训练得到所述传染病预测模型。
可选地，所述获取模块，用于：
根据所述训练数据及其对应的真实感染数据生成训练样本；
利用至少一种模型训练算法，基于所述训练样本来训练出传染病预测模型。
可选地，所述装置还包括修正模块，用于：
获取预测出的所述传染病在所述模拟环境中的感染数据；
获取所述传染病在所述模拟环境对应的真实环境中的真实感染数据；
根据预测出的所述感染数据及其对应的所述真实感染数据，获得所述传染病预测模型的评判值；
在所述评判值小于或等于设定的评判阈值的情况下，修正所述传染病预测模型。
可选地，所述展示模块，用于：
响应于获取所述传染病在所述模拟环境中的感染数据的请求，获取设定的显示模式；
按照所述显示模式显示所述感染数据。
可选地，所述装置还包括更新模块，用于：
响应于设置显示模式的操作，提供设置入口；
获取通过所述设置入口输入的显示模式；
更新所述设定的显示模式为所述输入的显示模式。
根据本公开的第三方面，还提一种包括至少一个计算装置和至少一个存储装置的电子设备，其中，所述至少一个存储装置用于存储指令，所述指令用于控制所述至少一个计算装置执行根据以上第一方面所述的方法；或者，所述设备通过所述计算装置和所述存储装置实现根据以上第二方面所述的装置。
根据本公开的第四方面，还提供一种计算机可读存储介质，其中，其上存储有计算机程序，所述计算机程序在被处理器执行时实现如以上第一方面所述的方法。
本公开的一个有益效果在于，根据本公开实施例的方法、装置和电子设备，其能够针对不同微观场景搭建对应的模拟环境，并在该模拟环境内分配传染病的感染者后，会根据预设传染病预测模型、传染病的传播属性参数和该模拟环境，预测传染病在该模拟环境中的感染数据，进而展示传染病在模拟环境中的感染数据，即，其能够模拟微观场景下的疫情发展趋势，进而推荐防控措施。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是根据本公开实施例的电子设备的硬件结构示意图；
图2是根据本公开实施例的传染病的传播推演方法的流程示意图；
图3是根据本公开另一实施例的传染病的传播推演方法的流程示意图；
图4是根据本公开实施例的传染病的传播推演装置的原理框图；
图5是根据本公开实施例的电子设备的原理框图；
图6是根据本公开实施例的电子设备的硬件结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
<硬件配置>
本公开实施例的方法可以由至少一台电子设备实施，即，用于实施该方法的装置4000可以布置在该至少一台电子设备上。图1示出了任意电子设备的硬件结构。图1所示的电子设备可以是便携式电脑、台式计算机、工作站、服务器等，也可以是任意的具有处理器等计算装置和存储器等存储装置的其他设备，在此不做限定。
如图1所示，该电子设备1000可以包括处理器1100、存储器1200、接口装置1300、通信装置1400、显示装置1500、输入装置1600、扬声器1700、麦克风1800等等。其中，处理器1100用于执行计算机程序。该计算机程序可以采用比如x86、Arm、RISC、MIPS、SSE等架构的指令集编写。存储器1200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1300例如包括USB接口、耳机接口等。通信装置1400例如能够进行有线或无线通信，具体地可以包括Wifi通信、蓝牙通信、2G/3G/4G/5G通信等。显示装置1500例如是液晶显示屏、触摸显示屏等。输入装置1600例如可以包括触摸屏、键盘、体感输入等。电子设备1000可以通过扬声器1700输出语音信息，及可以通过麦克风1800采集语音信息等。
图1所示的电子设备仅仅是说明性的并且决不意味着对本发明、其应用或使用的任何限制。应用于本公开的实施例中，电子设备1000的所述存储器1200用于存储指令，所述指令用于控制所述处理器1100进行操作以执行本公开实施例的传染病的传播推演方法。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。
在一个实施例中，提供了一种包括至少一个计算装置和至少一个存储装置的电子设备，该至少一个存储装置用于存储指令，该指令用于控制该至少一个计算装置执行根据本公开任意实施例的方法。
该设备可以包括至少一台图1所示的电子设备1000，以提供至少一个例如是处理器的计算装置和至少一个例如是存储器的存储装置，在此不做限定。
<方法实施例>
图2是根据本公开实施例的传染病的传播推演方法的流程示意图，该方法由电子设备1000执行，如图2所示，该方法可以包括如下步骤S2100～S2400：
步骤S2100，响应于进行传染病传播推演的请求，搭建需要进行传染病传播推演的模拟环境。
以上传染病可以是呼吸道传染病。当然，也可以是其他类型的传染病，本实施例在此不做限定。
本实施例中，例如可以是响应于进行传染病传播推演的请求，提供搭建需要进行传染病传播推演的模拟环境的配置界面；进而根据通过配置界面输入的配置信息，搭建需要进行传染病传播推演的模拟环境。
配置界面涉及关于真实环境的环境数据的配置项，环境数据至少包括真实环境中的各人员属性信息、各人员活动轨迹信息和传播传染病的物体信息之中的任意一项或多项。
以上模拟环境是对所对应的真实环境的模拟，该真实环境可以是各种微观环境，例如但不限于包括学校、医院、商场、游轮等，当然，本申请并不限于此。该模拟环境用于模拟所对应的真实环境中的各人员活动轨迹、各人员间的接触、人员与传播传染病的物体间的接触之中的任意一项或多项。
以上人员属性信息可以包括人员性别、年龄、职业等人员自身属性信息。
以上人员活动轨迹信息可以包括人员在所对应的真实环境中每天的活动轨迹，例如人员每天所接触的其他人员和传播传染病的物体、人员每天所经过的区域、人员每天所参加的活动等。
以上传播传染病的物体信息可以包括人员每天所接触到的传播传染病的非生物媒介。
在一个例子中，环境数据至少包括真实环境中的各人员属性信息，在此，本步骤S2100中根据通过配置界面输入的配置信息，搭建需要进行传染病传播推演的模拟环境可以进一步包括：根据真实环境中的各人员属性信息，在模拟环境中分配各人员，并标识对应人员的属性。
本例子中，其可以根据真实环境中的各人员属性信息，分配对应的模拟环境中的个体属性。以真实环境为轮船为例，可以是根据该轮船上人员的实际总人数和每个人员的人员属性信息，为模拟环境分配人员及对应的人员属性。
在一个例子中，环境数据至少包括各人员活动轨迹信息和传播传染病的物体信息，在此，本步骤S2100中根据通过配置界面输入的配置信息，搭建需要进行传染病传播推演的模拟环境可以进一步包括：根据真实环境中的各人员活动轨迹信息和传播传染病的物体信息，制定模拟环境中的各人员活动规则、各人员间的接触规则和人员与传播传染病的物体间的接触规则。
继续以真实环境为轮船为例，可以是根据该轮船上每个人员的人员活动轨迹信息和传播传染病的非生物媒介信息，制定模拟环境中的人员活动规则和/或人际接触规则，也就是说，本实施例中的模拟环境的搭建考虑到了真实环境中的非生物媒介信息和人际接触信息。
在响应于进行传染病传播推演的请求，搭建需要进行传染病传播推演的模拟环境之后，进入：
步骤S2200，获取传染病的传播属性参数。
以传染病为呼吸道传染病为例，该传染病的传播属性参数可以包括接触相关信息、环境相关信息、病患相关信息、物品相关信息、病原体相关信息中的任意一项或多项。
以上接触相关信息例如但不限于包括：接触时间、接触强度、接触频率、人接触污染物品之后被病毒感染概率。
以上环境相关信息例如但不限于包括：不同空间环境下气溶胶存在的时间、通风对气溶胶的影响、物体表面病毒存活时间、消杀对于物体表面的病毒的影响。
以上病患相关信息例如但不限于包括：咳嗽的频率(污染空气环境的周期)、是否戴口罩、口罩防护性能(影响气溶胶在环境中的存在时间)、是否戴手套。
以上物品相关信息例如但不限于包括：人物之间接触频率，人物之间病毒传播概率。
以上病原体相关信息例如但不限于包括：人际传染率，产生气溶胶的传染性。
在一个例子中，本步骤S2200中获取传染病的传播属性参数可以进一步包括如下步骤S2210～S2220：
步骤S2210a，获取传染病的传播方式。
继续以传染病为呼吸道传染病为例，该呼吸道传染病的传播方式包括接触、飞沫、气溶胶这三种传播方式。
步骤S2220a，基于传播方式，获得传染病的传播属性参数。
可以理解的是，不同的传播方式对应不同的传播属性参数。例如对于呼吸道传染病而言，传染病的传播属性参数需要考虑物品和气溶胶。
在一个例子中，本步骤S2200中获取传染病的传播属性参数可以进一步包括如下步骤S2210b～S2230b：
步骤S2210b，根据影响传染病的传播属性参数的特征向量，获取模拟环境中的特征向量的向量值。
特征向量X包括影响传染病的传播属性参数的多个特征xj，j的取值为1至p的自然数，p表示特征向量X具有的特征的总数。多个特征至少包括防控系数、防控手段、防控区域和防控时间段中的任意一个或多个。
以上防控系数与防控手段成反比，即，防控手段越高，对应的防控系数越小。例如，环境的疫情防控属于高度管控，即完全切断该环境与其他环境间的交通，且该环境内管控大幅增加，此时，对应的防控系数可以为0.0001。又例如，环境的疫情防控属于中等管控，即该环境与其他环境间的人口迁徙人数变为原十分之一，且该环境内管控略微增强，此时，对应的防控系数可以为0.05。再例如，环境的疫情防控属于无管控，即，该环境与其他环境间的人口迁徙人数不变，且该环境内无管控，此时，对应的防控系数可以为1。
以上防控时间段是指该防控手段所实施的防控时间，即，该防控手段的有效实施时间段。
以上防控区域是指实施防控手段的区域，以模拟环境为轮船为例，该防控区域即为轮船，也可以是轮船中的某一个区域。
示例性地，例如，特征向量可以具有4个特征，即以上p＝4，此时，可以将特征向量表示为X＝(x1,x2,x3,x4)，其中，x1,x2,x3,x4可以分别是防控系数、防控手段、防控区域、防控时间段。当然，特征向量X中还可以包括影响传染病的传播属性参数的其他特征。
步骤S2210b，获取特征向量与传染病的传播属性参数间的防控干预模型。
该防控干预模型的输入即为特征向量X，输出即为由特征向量X决定的传染病的传播属性参数。
本实施例中，本步骤S2210b中获取特征向量与传染病的传播属性参数间的防控干预模型可以进一步包括如下步骤S2211～S2213：
步骤S2211，收集不同真实环境的特征向量的向量值作为训练数据。
训练数据的数量越多，训练结果也通常越精准，但训练数据达到一定数量后，训练结果的精度的增加将变的越来越缓慢，直至取向稳定。在此，可以兼顾训练结果的精度和数据处理成本确定所需的训练数据的数量。
步骤S2212，收集训练数据对应的传染病的传播属性参数。
步骤S2213，根据训练数据及其对应的传染病的传播属性参数，训练得到防控干预模型。
本步骤S2213中根据训练数据及其对应的真实传播属性参数，训练得到防控干预模型可以进一步包括：根据训练数据及其对应的传染病的传播属性参数生成训练样本；利用至少一种模型训练算法，基于训练样本来训练出防控干预模型。
本实施例中，可以是根据自动机器学习技术通过对训练数据进行特征抽取和特征组合以获得各目标特征后，结合该训练数据对应的传染病的传播属性参数生成训练样本，并利用至少一种模型训练算法，基于训练样本来训练出防控干预模型。
以上模型训练算法例如可以是LR(逻辑回归)算法、GBDT(梯度提升决策树)算法、HE-TreeNet(高维离散嵌入式的树网络和NN(神经网络)算法之中的至少一个。
在获取传染病的传播属性参数之后，进入：
步骤S2300，为模拟环境分配传染病的感染者，根据预设传染病预测模型、传播属性参数和模拟环境，预测传染病在模拟环境中的感染数据。
本实施例中，在根据以上步骤搭建需要进行传染病传播推演的模拟环境和对应的传染病的传播属性参数之后，便可根据本步骤S2300为模拟环境分配传染病的感染者，进而根据预设传染病预测模型、传播属性参数和模拟环境，预测传染病在模拟环境中的感染数据。进一步地，其可以根据所预测出的传染病在模拟环境中的感染数据，调整以上的传染病的传播属性参数，以对防控干预模型进行调整，进而推荐最优防控措施，以降低传染病在模拟环境中的感染数据。
以上为模拟环境分配传染病的感染者可以包括：在该模拟环境中指定任意人员作为感染者，和/或，在模拟环境中新引入外来感染者。
以上传染病预测模型输入即为传染病的传播属性参数及模拟环境，输出即为传染病在模拟环境的感染数据。
以上感染数据至少包括：预设时间段内的新增病例数、及预设时间段内的新增死亡病例数。该预设时间段可以是根据实际场景和实际需求设置的时间段，例如该预设时间段可以为每天，在此，可以是预测传染病在模拟环境中每天的新增病例数、及每天的新增死亡病例数。
在为模拟环境分配传染病的感染者，根据预设传染病预测模型、传播属性参数和模拟环境，预测传染病在模拟环境中的感染数据之后，进入：
步骤S2400，展示传染病在模拟环境中的感染数据。
本实施例中，在获得传染病在模拟环境中的感染数据后，便可根据本步骤展示传染病在模拟环境中的感染数据。本步骤S2400中展示传染病在模拟环境中的感染数据可以包括：响应于获取传染病在模拟环境中的感染数据的请求，获取设定的显示模式；按照显示模式显示感染数据。
以上显示模式可以是图形形式。
该实施例中，其可以根据获取传染病在模拟环境中的感染数据的请求，按照设定的显示模式显示感染数据，以使得显示输出具有更友好的可视性。
根据本公开实施例的方法，其能够针对不同微观场景搭建对应的模拟环境，并根据预设传染病预测模型、传染病的传播属性参数和该模拟环境，预测传染病在该模拟环境中的感染数据，进而展示传染病在模拟环境中的感染数据，即，其能够模拟微观场景下的疫情发展趋势，进而推荐防控措施。
在一个实施例中，该传染病的传播推演方法还包括：响应于设置显示模式的操作，提供设置入口；获取通过设置入口输入的显示模式；更新设定的显示模式为输入的显示模式。
该实施例中，设置入口可以是输入框、下拉列表、语音输入入口等能够供用户输入信息的任意入口，在此不做限定。
该实施例中，其允许工作人员根据需要设置显示模式及根据需要在不同显示模式之间切换，例如，设置显示模式为图形模式，提供信息输出的可视性。
在一个实施例中，在执行以上步骤S2400根据预设传染病预测模型、传播属性参数和模拟环境，预测传染病在模拟环境中的感染数据之前，该传染病的传播推演方法还可以进一步包括如下步骤S2410～S2430：
步骤S2410，收集不同真实环境的环境数据及传染病的传播属性参数作为训练数据。
训练数据的数量越多，训练结果也通常越精准，但训练数据达到一定数量后，训练结果的精度的增加将变的越来越缓慢，直至取向稳定。在此，可以兼顾训练结果的精度和数据处理成本确定所需的训练数据的数量。
步骤S2420，收集训练数据对应的传染病的真实感染数据。
步骤S2430，根据训练数据及其对应的真实感染数据，训练得到传染病预测模型。
本步骤S2213中根据训练数据及其对应的真实感染数据，训练得到传染病预测模型可以进一步包括：根据训练数据及其对应的真实感染数据生成训练样本；利用至少一种模型训练算法，基于训练样本来训练出传染病预测模型。
本实施例中，可以是根据自动机器学习技术通过对训练数据进行特征抽取和特征组合以获得各目标特征后，结合该训练数据对应的真实感染数据生成训练样本，并利用至少一种模型训练算法，基于训练样本来训练出传染病预测模型。
以上传染病预测模型例如可以是以上LR(逻辑回归)算法、GBDT(梯度提升决策树)算法、HE-TreeNet(高维离散嵌入式的树网络和NN(神经网络)算法之中的至少一个。
根据本实施例，其能够使用真实数据去训练传染病预测模型，进而根据训练好的传染病预测模型去预测传染病在模拟环境中的感染人数，从而可以提高所预测出的传染病在模拟环境中的感染数据的准确性。
在一个实施例中，在执行以上步骤S2400中根据预设传染病预测模型、传播属性参数和模拟环境，预测传染病在模拟环境中的感染数据之后，如图3所示，该传染病的传播推演方法还可以进一步包括如下步骤S3100～S3400：
步骤S3100，获取预测出的传染病在模拟环境中的感染数据。
步骤S3200，获取传染病在模拟环境对应的真实环境中的真实感染数据。
步骤S3300，根据预测出的感染数据及其对应的真实感染数据，获得传染病预测模型的评判值。
传染病预测模型的评判值用以判断传染病预测模型的好坏。以上评判值包括均方误差(Mean Squared Error，MSE)、平均绝对误差(Mean Absolute Error，MAE)、平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)、R2、AUC、KS、召回率Recall、准确率Precision、精确率Accuracy、f1、Logloss之中的至少一项。
步骤S3400，在评判值小于或等于设定的评判阈值的情况下，修正传染病预测模型。
该步骤S3400中，可以是设置一个评判阈值，以根据该评判阈值判断传染病预测模型是否有效。例如可以是在评判值超过评判阈值的情况下，判断传染病预测模型有效，也可以是在评判值未超过评判阈值的情况下，判断传染病预测模型无效。
该例子在根据评判值判断传染病预测模型无效的情况下，可以通过修正传染病预测模型，例如调整传染病的传播属性参数以重新训练得到传染病预测模型，使得预测的感染数据越来越准确。
本实施例中，其在预测出传染病在模拟环境中的感染数据之后，通过获取传染病在模拟环境对应的真实环境中的真实感染数据，并将预测出的感染数据与真实感染数据相比较以得到评判值，进而在根据评判值判断传染病预测模型无效的情况下，可以修正传染病预测模型，从而，能够确保所预测出的感染数据的准确性。
<例子>
接下来以轮船为例，示出一个例子的传染病的传播推演方法，在本例中，该传染病的传播推演方法可以如下步骤：
步骤S3010，响应于进行传染病传播推演的请求，提供搭建需要进行传染病传播推演的模拟环境的配置界面。
步骤S3020，根据通过配置界面输入的配置信息，搭建需要进行传染病传播推演的模拟环境。
配置界面涉及关于真实环境的环境数据的配置项，环境数据至少包括真实环境中的各人员属性信息、各人员活动轨迹信息和传播传染病的物体信息之中的任意一项或多项。
步骤S3030，根据真实环境中的各人员属性信息，在模拟环境中分配各人员，并标识对应人员的属性。以及，根据真实环境中的各人员活动轨迹信息和传播传染病的物体信息，制定模拟环境中的各人员活动规则、各人员间的接触规则和人员与传播传染病的物体间的接触规则。
步骤S3040，获取传染病的传播属性参数。
步骤S3050，为模拟环境分配传染病的感染者，根据预设传染病预测模型、传播属性参数和模拟环境，预测传染病在模拟环境中的感染数据。
步骤S3060，获取预测出的传染病在模拟环境中的感染数据。
步骤S3070，获取所传染病在模拟环境对应的真实环境中的真实感染数据。
步骤S3080，根据预测出的感染数据及其对应的真实感染数据，获得传染病预测模型的评判值；
步骤S3090，在评判值小于或等于设定的评判阈值的情况下，修正传染病预测模型例如修正以上传染病的传播属性参数。
<装置实施例>
在本实施例中，还提供一种传染病的传播推演装置4000，如图4所示，传染病的传播推演装置4000包括搭建模块4100、获取模块4200、预测模块4300和展示模块4400，用于实施本实施例中提供的传染病的传播推演方法，该目传染病的传播推演装置4000的各模块可以由软件实现，也可以由硬件实现，在此不做限定。
搭建模块4100，用于响应于进行传染病传播推演的请求，搭建需要进行传染病传播推演的模拟环境。
获取模块4200，获取所述传染病的传播属性参数。
预测模块4300，用于为所述模拟环境分配所述传染病的感染者，根据预设传染病预测模型、所述传播属性参数和所述模拟环境，预测所述传染病在所述模拟环境中的感染数据。
展示模块4400，用于展示所述传染病在所述模拟环境中的感染数据。
在一个实施例中，所述模拟环境用于模拟所对应的真实环境中的各人员活动轨迹、各人员间的接触、人员与传播所述传染病的物体间的接触之中的任意一项或多项。
在一个实施例中，搭建模块4100，用于：响应于进行传染病传播推演的请求，提供搭建需要进行传染病传播推演的模拟环境的配置界面；根据通过所述配置界面输入的配置信息，搭建需要进行传染病传播推演的所述模拟环境；其中，所述配置界面涉及关于所述真实环境的环境数据的配置项，所述环境数据至少包括所述真实环境中的各人员属性信息、各人员活动轨迹信息和传播所述传染病的物体信息之中的任意一项或多项。
在一个实施例中，所述环境数据至少包括所述真实环境中的各人员属性信息，搭建模块4100，用于：根据所述真实环境中的各人员属性信息，在所述模拟环境中分配各人员，并标识对应人员的属性。
所述环境数据至少包括各人员活动轨迹信息和传播所述传染病的物体信息，搭建模块4100，用于：根据所述真实环境中的各人员活动轨迹信息和传播所述传染病的物体信息，制定所述模拟环境中的各人员活动规则、各人员间的接触规则和人员与传播所述传染病的物体间的接触规则。
在一个实施例中，获取模块4200，用于：获取所述传染病的传播方式；基于所述传播方式，获得所述传染病的传播属性参数。
在一个实施例中，获取模块4200，用于：根据影响所述传染病的传播属性参数的特征向量，获取所述模拟环境中的所述特征向量的向量值；获取所述特征向量与所述传染病的传播属性参数间的防控干预模型；根据所述防控干预模型和所述向量值，预测所述模拟环境中的所述传染病的传播属性参数。
在一个实施例中，所述特征向量包括影响所述传染病的传播属性参数的多个特征，所述多个特征至少包括防控系数、防控手段、防控区域、防控时间段中的任意一个或多个。
在一个实施例中，获取模块4200，用于：收集不同真实环境的所述特征向量的向量值作为训练数据；收集所述训练数据对应的所述传染病的传播属性参数；根据所述训练数据及其对应的所述传染病的传播属性参数，训练得到所述防控干预模型。
在一个实施例中，获取模块4200，用于：收集不同真实环境的所述特征向量的向量值作为训练数据；收集所述训练数据对应的所述传染病的传播属性参数；根据所述训练数据及其对应的所述传染病的传播属性参数，训练得到所述防控干预模型。
在一个实施例中，所述感染数据至少包括：预设时间段内的新增病例数、及所述预设时间段内的新增死亡病例数。
在一个实施例中，获取模块4100，用于：收集不同真实环境的环境数据及所述传染病的传播属性参数作为训练数据；收集所述训练数据对应的所述传染病的真实感染数据；根据所述训练数据及其对应的真实感染数据，训练得到所述传染病预测模型。
在一个实施例中，获取模块4100，用于：根据所述训练数据及其对应的真实感染数据生成训练样本；利用至少一种模型训练算法，基于所述训练样本来训练出传染病预测模型。
在一个实施例中，装置4000还包括修正模块(图中未示出)，用于：获取预测出的所述传染病在所述模拟环境中的感染数据；获取所述传染病在所述模拟环境对应的真实环境中的真实感染数据；根据预测出的所述感染数据及其对应的所述真实感染数据，获得所述传染病预测模型的评判值；
在所述评判值小于或等于设定的评判阈值的情况下，修正所述传染病预测模型。
<设备实施例>
与上述方法实施例相对应，在本实施例中，还提供一种电子设备，如图5所示，其可以包括根据本公开任意实施例的传染病的传播推演装置4000，用于实施本公开任意实施例的传染病的传播推演方法。
如图6所示，该电子设备5000还可以包括处理器5200和存储器5100，该存储器5100用于存储可执行的指令；该处理器5200用于根据指令的控制运行电子设备以执行根据本公开任意实施例的传染病的传播推演方法。
以上装置4000的各个模块可以由处理器5200运行该指令以执行根据本公开任意实施例的方法来实现。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (28)
1.一种传染病的传播推演方法，包括：
响应于进行传染病传播推演的请求，搭建需要进行传染病传播推演的模拟环境；其中，所述模拟环境是对所对应的微观环境的模拟；
获取所述传染病的传播属性参数；
为所述模拟环境分配所述传染病的感染者，根据预设传染病预测模型、所述传播属性参数和所述模拟环境，预测所述传染病在所述模拟环境中的感染数据；
展示所述传染病在所述模拟环境中的感染数据；
其中，所述获取所述传染病的传播属性参数包括：获取所述传染病的传播方式；基于所述传播方式，获得所述传染病的传播属性参数；或者，
所述获取所述传染病的传播属性参数包括：根据影响所述传染病的传播属性参数的特征向量，获取所述模拟环境中的所述特征向量的向量值；获取所述特征向量与所述传染病的传播属性参数间的防控干预模型；根据所述防控干预模型和所述向量值，预测所述模拟环境中的所述传染病的传播属性参数。
2.根据权利要求1所述的方法，其中，所述模拟环境用于模拟所对应的真实环境中的各人员活动轨迹、各人员间的接触、人员与传播所述传染病的物体间的接触之中的任意一项或多项。
3.根据权利要求2所述的方法，其中，所述响应于进行传染病传播推演的请求，搭建需要进行传染病传播推演的模拟环境，包括：
响应于进行传染病传播推演的请求，提供搭建需要进行传染病传播推演的模拟环境的配置界面；
根据通过所述配置界面输入的配置信息，搭建需要进行传染病传播推演的所述模拟环境；
其中，所述配置界面涉及关于所述真实环境的环境数据的配置项，
所述环境数据至少包括所述真实环境中的各人员属性信息、各人员活动轨迹信息和传播所述传染病的物体信息之中的任意一项或多项。
4.根据权利要求3所述的方法，其中，
所述环境数据至少包括所述真实环境中的各人员属性信息，所述根据通过所述配置界面输入的配置信息，搭建需要进行传染病传播推演的所述模拟环境，包括：
根据所述真实环境中的各人员属性信息，在所述模拟环境中分配各人员，并标识对应人员的属性；
或者，
所述环境数据至少包括各人员活动轨迹信息和传播所述传染病的物体信息，所述根据通过所述配置界面输入的配置信息，搭建需要进行传染病传播推演的所述模拟环境，包括：
根据所述真实环境中的各人员活动轨迹信息和传播所述传染病的物体信息，制定所述模拟环境中的各人员活动规则、各人员间的接触规则和人员与传播所述传染病的物体间的接触规则。
5.根据权利要求1所述的方法，其中，所述特征向量包括影响所述传染病的传播属性参数的多个特征，所述多个特征至少包括防控系数、防控手段、防控区域、防控时间段中的任意一个或多个。
6.根据权利要求5所述的方法，其中，所述获取所述特征向量与所述传染病的传播属性参数间的防控干预模型，包括：
收集不同真实环境的所述特征向量的向量值作为训练数据；
收集所述训练数据对应的所述传染病的传播属性参数；
根据所述训练数据及其对应的所述传染病的传播属性参数，训练得到所述防控干预模型。
7.根据权利要求6所述的方法，其中，所述根据所述训练数据及其对应的真实传播属性参数，训练得到所述防控干预模型，包括：
根据所述训练数据及其对应的所述传染病的传播属性参数生成训练样本；
利用至少一种模型训练算法，基于所述训练样本来训练出防控干预模型。
8.根据权利要求1所述的方法，其中，所述感染数据至少包括：预设时间段内的新增病例数、及所述预设时间段内的新增死亡病例数。
9.根据权利要求1所述的方法，其中，在根据预设传染病预测模型、所述传播属性参数和所述模拟环境，预测所述传染病在所述模拟环境中的感染数据之前，所述方法还包括：
收集不同真实环境的环境数据及所述传染病的传播属性参数作为训练数据；
收集所述训练数据对应的所述传染病的真实感染数据；
根据所述训练数据及其对应的真实感染数据，训练得到所述传染病预测模型。
10.根据权利要求9所述的方法，其中，所述根据所述训练数据及其对应的真实感染数据，训练得到所述传染病预测模型，包括：
根据所述训练数据及其对应的真实感染数据生成训练样本；
利用至少一种模型训练算法，基于所述训练样本来训练出传染病预测模型。
11.根据权利要求9所述的方法，其中，所述方法还包括：
获取预测出的所述传染病在所述模拟环境中的感染数据；
获取所述传染病在所述模拟环境对应的真实环境中的真实感染数据；
根据预测出的所述感染数据及其对应的所述真实感染数据，获得所述传染病预测模型的评判值；
在所述评判值小于或等于设定的评判阈值的情况下，修正所述传染病预测模型。
12.根据权利要求1所述的方法，其中，所述展示所述传染病在所述模拟环境中的感染数据，包括：
响应于获取所述传染病在所述模拟环境中的感染数据的请求，获取设定的显示模式；
按照所述显示模式显示所述感染数据。
13.根据权利要求12所述的方法，其中，所述方法还包括：
响应于设置显示模式的操作，提供设置入口；
获取通过所述设置入口输入的显示模式；
更新所述设定的显示模式为所述输入的显示模式。
14.一种传染病的传播推演装置，包括：
搭建模块，用于响应于进行传染病传播推演的请求，搭建需要进行传染病传播推演的模拟环境；其中，所述模拟环境是对所对应的微观环境的模拟；
获取模块，获取所述传染病的传播属性参数；
预测模块，用于为所述模拟环境分配所述传染病的感染者，根据预设传染病预测模型、所述传播属性参数和所述模拟环境，预测所述传染病在所述模拟环境中的感染数据；
展示模块，用于展示所述传染病在所述模拟环境中的感染数据；
其中，所述获取模块，具体用于获取所述传染病的传播方式；基于所述传播方式，获得所述传染病的传播属性参数；或者，
所述获取模块，具体用于根据影响所述传染病的传播属性参数的特征向量，获取所述模拟环境中的所述特征向量的向量值；获取所述特征向量与所述传染病的传播属性参数间的防控干预模型；根据所述防控干预模型和所述向量值，预测所述模拟环境中的所述传染病的传播属性参数。
15.根据权利要求14所述的装置，其中，所述模拟环境用于模拟所对应的真实环境中的各人员活动轨迹、各人员间的接触、人员与传播所述传染病的物体间的接触之中的任意一项或多项。
16.根据权利要求15所述的装置，其中，所述搭建模块，用于：
响应于进行传染病传播推演的请求，提供搭建需要进行传染病传播推演的模拟环境的配置界面；
根据通过所述配置界面输入的配置信息，搭建需要进行传染病传播推演的所述模拟环境；
其中，所述配置界面涉及关于所述真实环境的环境数据的配置项，
所述环境数据至少包括所述真实环境中的各人员属性信息、各人员活动轨迹信息和传播所述传染病的物体信息之中的任意一项或多项。
17.根据权利要求16所述的装置，其中，所述环境数据至少包括所述真实环境中的各人员属性信息，所述搭建模块，用于：
根据所述真实环境中的各人员属性信息，在所述模拟环境中分配各人员，并标识对应人员的属性；
所述环境数据至少包括各人员活动轨迹信息和传播所述传染病的物体信息，所述搭建模块，用于：
根据所述真实环境中的各人员活动轨迹信息和传播所述传染病的物体信息，制定所述模拟环境中的各人员活动规则、各人员间的接触规则和人员与传播所述传染病的物体间的接触规则。
18.根据权利要求14所述的装置，其中，所述特征向量包括影响所述传染病的传播属性参数的多个特征，所述多个特征至少包括防控系数、防控手段、防控区域、防控时间段中的任意一个或多个。
19.根据权利要求18所述的装置，其中，所述获取模块，用于：
收集不同真实环境的所述特征向量的向量值作为训练数据；
收集所述训练数据对应的所述传染病的传播属性参数；
根据所述训练数据及其对应的所述传染病的传播属性参数，训练得到所述防控干预模型。
20.根据权利要求19所述的装置，其中，所述获取模块，用于：
根据所述训练数据及其对应的所述传染病的传播属性参数生成训练样本；
利用至少一种模型训练算法，基于所述训练样本来训练出防控干预模型。
21.根据权利要求14所述的装置，其中，所述感染数据至少包括：预设时间段内的新增病例数、及所述预设时间段内的新增死亡病例数。
22.根据权利要求14所述的装置，其中，所述获取模块，用于：
收集不同真实环境的环境数据及所述传染病的传播属性参数作为训练数据；
收集所述训练数据对应的所述传染病的真实感染数据；
根据所述训练数据及其对应的真实感染数据，训练得到所述传染病预测模型。
23.根据权利要求22所述的装置，其中，所述获取模块，用于：
根据所述训练数据及其对应的真实感染数据生成训练样本；
利用至少一种模型训练算法，基于所述训练样本来训练出传染病预测模型。
24.根据权利要求22所述的装置，其中，所述装置还包括修正模块，用于：
获取预测出的所述传染病在所述模拟环境中的感染数据；
获取所述传染病在所述模拟环境对应的真实环境中的真实感染数据；
根据预测出的所述感染数据及其对应的所述真实感染数据，获得所述传染病预测模型的评判值；
在所述评判值小于或等于设定的评判阈值的情况下，修正所述传染病预测模型。
25.根据权利要求14所述的装置，其中，所述展示模块，用于：
响应于获取所述传染病在所述模拟环境中的感染数据的请求，获取设定的显示模式；
按照所述显示模式显示所述感染数据。
26.根据权利要求25所述的装置，其中，所述装置还包括更新模块，用于：
响应于设置显示模式的操作，提供设置入口；
获取通过所述设置入口输入的显示模式；
更新所述设定的显示模式为所述输入的显示模式。
27.一种包括至少一个计算装置和至少一个存储装置的设备，其中，所述至少一个存储装置用于存储指令，所述指令用于控制所述至少一个计算装置执行根据权利要求1至13中任一项所述的方法；或者，所述设备通过所述计算装置和所述存储装置实现根据权利要求14至26中任一项所述的装置。
28.一种计算机可读存储介质，其中，其上存储有计算机程序，所述计算机程序在被处理器执行时实现如权利要求1至13中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110518461.8A CN113611429B (zh) | 2021-05-12 | 传染病的传播推演方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110518461.8A CN113611429B (zh) | 2021-05-12 | 传染病的传播推演方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113611429A CN113611429A (zh) | 2021-11-05 |
| CN113611429B true CN113611429B (zh) | 2024-06-07 |
Family
ID=
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103793619A (zh) * | 2014-02-27 | 2014-05-14 | 成都医学院 | 一种新型传染病空间扩散模拟方法 |
| CN105335604A (zh) * | 2015-08-31 | 2016-02-17 | 吉林大学 | 面向流行病防控的人口动态接触结构建模与发现方法 |
| CN109859854A (zh) * | 2018-12-17 | 2019-06-07 | 中国科学院深圳先进技术研究院 | 传染病预测方法、装置、电子设备及计算机可读介质 |
| KR101960504B1 (ko) * | 2017-12-18 | 2019-07-15 | 세종대학교산학협력단 | 전염병 확산 예측 모델링 장치 및 방법 |
| CN111063449A (zh) * | 2020-01-20 | 2020-04-24 | 罗晖 | 一种基于大数据的流行病预测防控系统 |
| CN111383771A (zh) * | 2020-02-26 | 2020-07-07 | 汤一平 | 基于流行传染病病毒场的防控系统 |
| CN111403050A (zh) * | 2020-04-02 | 2020-07-10 | 广东高航知识产权运营有限公司 | 一种基于大数据的城市人口疾病监测系统 |
| CN112201362A (zh) * | 2020-10-19 | 2021-01-08 | 中国计量大学 | 一种新冠肺炎疫情传播预测方法 |
| CN112331357A (zh) * | 2020-09-18 | 2021-02-05 | 广州优飞信息科技有限公司 | 传染病传播模型的参数拟合方法和相关装置 |
| CN112382405A (zh) * | 2020-11-02 | 2021-02-19 | 北京机电工程研究所 | 结构化新冠肺炎疫情预测和评估方法、装置、设备及介质 |
| CN112435759A (zh) * | 2020-11-24 | 2021-03-02 | 医渡云（北京）技术有限公司 | 疫情数据预测方法及装置、电子设备和存储介质 |
| CN112529329A (zh) * | 2020-12-21 | 2021-03-19 | 广东珠江智联信息科技股份有限公司 | 基于bp算法和seir模型的传染病预测方法 |
| CN112669989A (zh) * | 2021-03-22 | 2021-04-16 | 南栖仙策(南京)科技有限公司 | 一种引入专家知识的传染病传播模型构建方法 |
| CN112669977A (zh) * | 2020-12-11 | 2021-04-16 | 重庆邮电大学 | 一种干预的seird-ca传染病时空扩散模拟与预测方法 |
| KR20210043230A (ko) * | 2019-10-11 | 2021-04-21 | (주)아레스 | 감염병 확산 위치 예측 시뮬레이션 장치 및 시스템 및 방법 |
| EP3817005A1 (en) * | 2019-11-01 | 2021-05-05 | Koninklijke Philips N.V. | System for infection diagnosis |
| CN113223732A (zh) * | 2021-01-21 | 2021-08-06 | 杭州智尔科技有限公司 | 一种精准防控传染性病毒的方法、装置及服务器 |
| WO2021196152A1 (zh) * | 2020-04-01 | 2021-10-07 | 中国科学院深圳先进技术研究院 | 城市内部传染病扩散模拟方法、系统及电子设备 |
| CN113539512A (zh) * | 2021-07-21 | 2021-10-22 | 医渡云（北京）技术有限公司 | 传染病传播趋势的预测方法及装置、存储介质、电子设备 |
| KR20210147329A (ko) * | 2020-05-28 | 2021-12-07 | 주이스 주식회사 | 감염병 확산방지 개방형 플랫폼 시스템 |
| WO2022155982A1 (zh) * | 2021-01-22 | 2022-07-28 | 中国科学院深圳先进技术研究院 | 一种传染病传播模拟方法、系统、终端以及存储介质 |
| CN116825377A (zh) * | 2023-03-14 | 2023-09-29 | 东北大学 | 一种具有无症状感染者传染病的通用预测方法 |
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103793619A (zh) * | 2014-02-27 | 2014-05-14 | 成都医学院 | 一种新型传染病空间扩散模拟方法 |
| CN105335604A (zh) * | 2015-08-31 | 2016-02-17 | 吉林大学 | 面向流行病防控的人口动态接触结构建模与发现方法 |
| KR101960504B1 (ko) * | 2017-12-18 | 2019-07-15 | 세종대학교산학협력단 | 전염병 확산 예측 모델링 장치 및 방법 |
| CN109859854A (zh) * | 2018-12-17 | 2019-06-07 | 中国科学院深圳先进技术研究院 | 传染病预测方法、装置、电子设备及计算机可读介质 |
| KR20210043230A (ko) * | 2019-10-11 | 2021-04-21 | (주)아레스 | 감염병 확산 위치 예측 시뮬레이션 장치 및 시스템 및 방법 |
| EP3817005A1 (en) * | 2019-11-01 | 2021-05-05 | Koninklijke Philips N.V. | System for infection diagnosis |
| CN111063449A (zh) * | 2020-01-20 | 2020-04-24 | 罗晖 | 一种基于大数据的流行病预测防控系统 |
| CN111383771A (zh) * | 2020-02-26 | 2020-07-07 | 汤一平 | 基于流行传染病病毒场的防控系统 |
| WO2021196152A1 (zh) * | 2020-04-01 | 2021-10-07 | 中国科学院深圳先进技术研究院 | 城市内部传染病扩散模拟方法、系统及电子设备 |
| CN111403050A (zh) * | 2020-04-02 | 2020-07-10 | 广东高航知识产权运营有限公司 | 一种基于大数据的城市人口疾病监测系统 |
| KR20210147329A (ko) * | 2020-05-28 | 2021-12-07 | 주이스 주식회사 | 감염병 확산방지 개방형 플랫폼 시스템 |
| CN112331357A (zh) * | 2020-09-18 | 2021-02-05 | 广州优飞信息科技有限公司 | 传染病传播模型的参数拟合方法和相关装置 |
| CN112201362A (zh) * | 2020-10-19 | 2021-01-08 | 中国计量大学 | 一种新冠肺炎疫情传播预测方法 |
| CN112382405A (zh) * | 2020-11-02 | 2021-02-19 | 北京机电工程研究所 | 结构化新冠肺炎疫情预测和评估方法、装置、设备及介质 |
| CN112435759A (zh) * | 2020-11-24 | 2021-03-02 | 医渡云（北京）技术有限公司 | 疫情数据预测方法及装置、电子设备和存储介质 |
| CN112669977A (zh) * | 2020-12-11 | 2021-04-16 | 重庆邮电大学 | 一种干预的seird-ca传染病时空扩散模拟与预测方法 |
| CN112529329A (zh) * | 2020-12-21 | 2021-03-19 | 广东珠江智联信息科技股份有限公司 | 基于bp算法和seir模型的传染病预测方法 |
| CN113223732A (zh) * | 2021-01-21 | 2021-08-06 | 杭州智尔科技有限公司 | 一种精准防控传染性病毒的方法、装置及服务器 |
| WO2022155982A1 (zh) * | 2021-01-22 | 2022-07-28 | 中国科学院深圳先进技术研究院 | 一种传染病传播模拟方法、系统、终端以及存储介质 |
| CN112669989A (zh) * | 2021-03-22 | 2021-04-16 | 南栖仙策(南京)科技有限公司 | 一种引入专家知识的传染病传播模型构建方法 |
| CN113539512A (zh) * | 2021-07-21 | 2021-10-22 | 医渡云（北京）技术有限公司 | 传染病传播趋势的预测方法及装置、存储介质、电子设备 |
| CN116825377A (zh) * | 2023-03-14 | 2023-09-29 | 东北大学 | 一种具有无症状感染者传染病的通用预测方法 |
Non-Patent Citations (9)
| Title |
|---|
| 2007年周口市585例新发现HIV感染者流行病学调查;张林;程卫民;訾雪梅;张海燕;;河南预防医学杂志;20091025(第05期);全文 * |
| Energy-Efficient and Secure IoT architecture based on a Wireless Sensor Network Using Machine Learning to Predict Mortality Risk of patients with CoVID-19;Rajesh Kumar;《International Conference on Communication and Electronics Systems 》;20210608(第6期);1853-1861 * |
| 基于元胞自动机的个体移动异质性传染病传播模型;谭欣欣;戴钦武;史鹏燕;王丽燕;刚家泰;;大连理工大学学报;20131122(第06期);全文 * |
| 基于时空序列的传染病发展趋势预测;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20210915(第9期);E055-25 * |
| 多因素制约下的SIR传染病模型的元胞自动机仿真模拟研究;郑三强;韩晓卓;;广东工业大学学报;20180718(第05期);全文 * |
| 张林 ; 程卫民 ; 訾雪梅 ; 张海燕 ; .2007年周口市585例新发现HIV感染者流行病学调查.河南预防医学杂志.2009,(第05期),全文. * |
| 新疆伊犁州艾滋病流行预测分析;陈学玲;马媛媛;胡晓远;陈晶;倪明健;;疾病预防控制通报;20180408(第02期);全文 * |
| 突发公共卫生事件下应急医疗资源配置与疫情发展及防控的耦合关系--基于混合系统仿真的研究;朱虹丽;《万方数据》;20230822(第8期);全文 * |
| 谭欣欣 ; 戴钦武 ; 史鹏燕 ; 王丽燕 ; 刚家泰 ; .基于元胞自动机的个体移动异质性传染病传播模型.大连理工大学学报.2013,(第06期),全文. * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chhatwal et al. | Economic evaluations with agent-based modelling: an introduction | |
| SA519400842B1 (ar) | أنظمة محاكاة سلوكية سيبرانية قائمة على أساس الواقعية الافتراضية | |
| US20170300657A1 (en) | Computerized Event Simulation Using Synthetic Populations | |
| Serrano et al. | A survey of twitter rumor spreading simulations | |
| Akkilic et al. | Numerical treatment on the new fractional-order SIDARTHE COVID-19 pandemic differential model via neural networks | |
| Khamis et al. | AI and robotics in the fight against COVID-19 pandemic | |
| Xue et al. | Modeling the impact of social distancing on the COVID-19 pandemic in a low transmission setting | |
| Aseeri et al. | Modelling-based simulator for forecasting the spread of COVID-19: A case study of Saudi Arabia | |
| Rincon et al. | A dynamic emotional model for agent societies | |
| CN115394455A (zh) | 基于空间聚类离散格网的传染病时空扩散预测方法及装置 | |
| CN113611429B (zh) | 传染病的传播推演方法、装置及电子设备 | |
| Bongiorno et al. | A multi-layer network model to assess school opening policies during a vaccination campaign: a case study on COVID-19 in France | |
| CN113611429A (zh) | 传染病的传播推演方法、装置及电子设备 | |
| Lee | Human crowd evacuation framework and analysis using look-ahead-based reinforcement learning algorithm | |
| 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 | |
| Stachoň et al. | The possibilities of using virtual environments in research on wayfinding | |
| Tamaddon Jahromi et al. | Predicting the airborne microbial transmission via human breath particles using a gated recurrent units neural network | |
| Demers et al. | Managing disease outbreaks: The importance of vector mobility and spatially heterogeneous control | |
| US20220384054A1 (en) | Tool to quantify airborne-disease transmission risk in a workplace setting | |
| Bădică et al. | Multi-agent Spatial SIR-Based Modeling and Simulation of Infection Spread Management | |
| Abadeer et al. | Simulating infection transmission: A case study of COVID-19 | |
| Swanson et al. | COVID-19 aerosol transmission simulation-based risk analysis for in-person learning | |
| Bampa et al. | EpidRLearn: Learning Intervention Strategies for Epidemics with Reinforcement Learning | |
| Sun et al. | A crowd model with multiple individual parameters to represent individual behaviour in crowd simulation | |
| Gupta | Optimal & Game Theoretic Feedback Design for Efficient Human Performance in Human-Supervised Autonomy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |