CN113658716B - 基于约束子图计算的新冠肺炎感染人群分析方法及系统 - Google Patents
基于约束子图计算的新冠肺炎感染人群分析方法及系统 Download PDFInfo
- Publication number
- CN113658716B CN113658716B CN202110851425.3A CN202110851425A CN113658716B CN 113658716 B CN113658716 B CN 113658716B CN 202110851425 A CN202110851425 A CN 202110851425A CN 113658716 B CN113658716 B CN 113658716B
- Authority
- CN
- China
- Prior art keywords
- new
- crowd
- data
- contact
- infected
- 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 40
- 206010035664 Pneumonia Diseases 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000004364 calculation method Methods 0.000 title claims abstract description 21
- FMGBNISRFNDECK-CZSBRECXSA-N Coronatine Chemical compound CC[C@H]1C[C@]1(C(O)=O)NC(=O)C1=C[C@H](CC)C[C@@H]2C(=O)CC[C@H]12 FMGBNISRFNDECK-CZSBRECXSA-N 0.000 title claims abstract description 14
- FMGBNISRFNDECK-UHFFFAOYSA-N coronatine Natural products CCC1CC1(C(O)=O)NC(=O)C1=CC(CC)CC2C(=O)CCC12 FMGBNISRFNDECK-UHFFFAOYSA-N 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000002265 prevention Effects 0.000 claims abstract description 24
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 17
- 230000014509 gene expression Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 5
- 201000010099 disease Diseases 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000005180 public health Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000005065 mining Methods 0.000 abstract description 2
- 238000002955 isolation Methods 0.000 description 8
- 238000013480 data collection Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001681 protective effect Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 241000711573 Coronaviridae Species 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 150000007523 nucleic acids Chemical class 0.000 description 3
- 102000039446 nucleic acids Human genes 0.000 description 3
- 108020004707 nucleic acids Proteins 0.000 description 3
- 208000025721 COVID-19 Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011534 incubation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000004816 latex Substances 0.000 description 1
- 229920000126 latex Polymers 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Remote Sensing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于公共卫生服务技术领域，具体涉及一种基于约束子图计算的新冠肺炎感染人群分析方法及系统，该方法步骤为：S1、新冠数据收集与清洗；S2、构建新冠肺炎场景下的人群图模型；S3、分析计算人群被感染概率指数；S4、发现潜在的感染人群并输出。本发明采用约束子图计算挖掘技术，综合多方面感染因素，通过定义计算被感染概率指数的方法，更有效的挖掘出潜在的新冠肺炎感染人群；基于被感染概率指数指标，设计新冠肺炎感染人群分析系统，设定不同级别的防疫应对举措，精确通知到管理部门和个体人群，为公共卫生防疫工作提供极大的助力，降低新冠感染概率，保护公众生命安全。
Description
技术领域
本发明属于公共卫生服务技术领域，具体涉及一种基于约束子图计算的新冠肺炎感染人群分析方法及系统。
背景技术
新型冠状病毒肺炎（Corona Virus Disease 2019，COVID-19），简称“新冠肺炎”，世界卫生组织命名为“2019冠状病毒病”，是指2019新型冠状病毒感染导致的肺炎。
在新冠感染人群分析发现方面，目前已有健康码用于对可能感染的人群进行标识，其基本原理是利用基站定位技术；另外也有根据列车班次查找与感染者同班次的潜在感染乘客。采用以上两种方法，主要考虑单一因素，因此在发现潜在感染人群方面存在一定的缺陷。
发明内容
为了解决现有技术中存在的上述技术问题，本发明提出了一种基于约束子图计算的新冠肺炎感染人群分析方法及系统，其具体技术方案如下：
基于约束子图计算的新冠肺炎感染人群分析方法，包括以下步骤：
S1、新冠数据收集与清洗；
S2、构建新冠肺炎场景下的人群图模型；
S3、分析计算人群被感染概率指数；
S4、发现潜在的感染人群并输出。
进一步的，所述新冠数据为多源异构数据包括：新闻媒体报道、感染统计表格、人群出行轨迹、手机用户定位。
进一步的，所述数据清洗包括：各类文档接口读取数据、检查剔除无效值、语义抽取、语义匹配融合，具体过程为：首先将新冠数据根据其文件类型，输入到对应文档接口进行数据读取；然后检查数据，剔除数据中的无效值；之后结合疫情语义词库中定义的与新冠疫情相关的关键词，对各类文档数据进行语义抽取；最后，根据语义抽取的结果，对各类文档数据之间的关系进行匹配后，融合原有的建模数据，形成新的建模数据。
进一步的，所述人群图模型是基于清洗后的数据进行构建，还包括节点、节点属性、边和边属性；其中，人个体被定义为图节点，人的年龄、所在地防疫措施力度、年度医院就诊次数、患病状态被作为节点属性；人个体之间的接触被定义为边，接触的时间、接触是否有防护作为边属性；人群图模型还带有时间标签，用于模型的人群图状态随着时间发生变化。
进一步的，所述步骤S3中的计算人群被感染概率指数的表达式为：
其中表示t时刻个人p被感染的概率，K1表示个人节点与已知感染人群直接接触的边数，K2表示个人节点与已知感染人群二级间接接触的边数，/>和/>分别表示直接接触边的权重和二级间接接触边的权重，/>和/>分别表示在直接接触过程中个人自身因素和二级间接接触过程中个人自身因素；/>表示感染概率衰减系数，该感染概率衰减系数/>=0.96，具体为：新冠肺炎平均潜伏周期为7天，根据指数衰减公式/>，因此当时间间隔为1小时的情况下/>。
进一步的，所述的直接接触和二级间接接触的个人自身因素表达式分别为：
直接接触过程中个人自身因素：，其中A表示年龄系数，正比于个体年龄；S表示健康系数，正比于年度医院就诊次数；U表示局部防控措施系数，正比于所处地区的防控举措力度；
二级间接接触过程中个人自身因素：，其中/>表示二级间接接触过程中两个个体的个人自身因素。
进一步的，直接接触和二级间接接触的接触边权重的具体表达式分别为：
直接接触边的权重： ，其中，H表示个体接触防护系数，k值表示包含两个点的所有k-边约束子图中的最大k值；
二级间接接触边的权重：，/>和/>表示二级间接接触过程中的接触权重。
基于约束子图计算的新冠肺炎感染人群分析系统，包括：
数据模块，用于接收新冠肺炎相关的多源异构数据和数据清洗；
图建模模块，用于将清洗后的数据构建带有多元属性的人群图模型；
分析计算模块，用于计算人群被感染概率指数，分析感染人群；
输出模块，用于对分析结果进行可视化展示，并给出分级的防疫建议；
进一步的，所述数据模块，包括数据收集子模块和数据清洗子模块，所述数据收集子模块部署在各数据采集点，数据清洗子模块部署在系统服务器端。
进一步的，所述输出模块，包括可视化展示子模块和防疫建议子模块；所述可视化展示子模块用于在统计信息的基础上，结合地理信息展示高感染概率的人群分布；所述防疫建议子模块用于根据被感染概率指数等级，给防疫管理部门分级的防疫建议，通过短信给对应个人防护建议。
本发明采用约束子图计算挖掘技术，综合多方面感染因素，通过定义计算被感染概率指数的方法，更有效的挖掘出潜在的新冠肺炎感染人群；基于被感染概率指数指标，设计新冠肺炎感染人群分析系统，设定不同级别的防疫应对举措，精确通知到管理部门和个体人群，为公共卫生防疫工作提供极大的助力，降低新冠感染概率，保护公众生命安全。
附图说明
图1为本发明的基于约束子图计算的新冠肺炎感染人群分析方法的流程图；
图2为本发明的数据清洗流程图；
图3为本发明的构建新冠肺炎场景下人群图模型的示意图；
图4为本发明的被感染概率指数计算原理图；
图5为本发明的k-边约束子图原理图；
图6为本发明的基于约束子图计算的新冠肺炎感染人群分析系统的示意图；
图7为本发明的防疫建议子模块的建议内容图。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白，以下结合说明书附图和实施例，对本发明作进一步详细说明。
如图1所示，本发明的基于约束子图计算的新冠肺炎感染人群分析方法，包括以下步骤：
S1、新冠数据收集与清洗；
S2、构建新冠肺炎场景下的人群图模型；
S3、分析计算人群被感染概率指数；
S4、发现潜在的感染人群并输出。
如图2所示，步骤S1中收集的数据为多源异构数据包括：新闻媒体报道、感染统计表格、人群出行轨迹、手机用户定位。
所述步骤S1中数据清洗包括：各类文档接口读取数据、检查剔除无效值、语义抽取、语义匹配融合，具体为：首先将来自不同渠道的数据根据其文件类型，输入到不同的文档接口进行数据读取；然后对检查数据，剔除数据中的无效值；之后结合疫情语义词库中定义的与新冠疫情相关的关键词，对各类文档数据进行语义抽取；最后，根据语义抽取的结果，对各类数据之间的关系进行匹配后，融合原有的建模数据，形成新的建模数据用于后续构建图模型。
如图3所示，步骤S2中人群图模型是基于S1中清洗后的数据进行构建，包括节点、节点属性、边和边属性；其中，人个体被定义为图节点，人的年龄、所在地防疫措施力度、年度医院就诊次数、患病状态被作为节点属性；人个体之间的接触被定义为边，接触的时间、接触是否有防护等作为边属性。
步骤S2中人群图模型还带有时间的标签，图状态随着时间发生变化。本发明实施例采用的图状态变化时间间隔是1小时。
如图4所示，步骤S3中计算人群被感染概率指数公式如下：
其中表示t时刻个人p被感染的概率，K1表示个人节点与已知感染人群直接接触的边数，K2表示个人节点与已知感染人群二级间接接触的边数，/>和/>分别表示直接接触边的权重和二级间接接触边的权重，/>和/>分别表示在直接接触过程中个人自身因素和二级间接接触过程中个人自身因素；/>表示感染概率衰减系数，该感染概率衰减系数/>=0.96，具体为：新冠肺炎平均潜伏周期为7天，根据指数衰减公式/>，因此当时间间隔为1小时的情况下/>。
所述的直接接触和二级间接接触的个人自身因素表达式分别为：
直接接触过程中个人自身因素：，其中A表示年龄系数，正比于个体年龄，取值在0.1-1之间；S表示健康系数，正比于年度医院就诊次数，取值在0.1-1之间；U表示局部防控措施系数，正比于所处地区的防控举措力度，分为四级响应，分别对应取值0.2、0.5、0.8、1；
二级间接接触过程中个人自身因素：，其中/>表示二级间接接触过程中两个个体的个人自身因素。
如图5所示，直接接触和二级间接接触的接触边权重计算公式分别为：
直接接触边的权重： ，其中，H表示个体接触防护系数，如无防护则H=1，简单戴口罩手套H=0.8，穿上隔离，防护面具以及护目镜H=0.5, 带n95口罩同时带乳胶手套穿防护衣防护面具H=0.2；k值表示包含两个点的所有k-边约束子图中的最大k值，k-边约束子图意义在于删除任意k-1条边之后任然能够连通，对应到实际的接触中，k值越大表示两个节点的接触更加紧密，互相感染的可能性越大，对应的权重越高；
二级间接接触边的权重：，/>和/>示二级间接接触过程中的接触权重。
如图6所示，本发明提供的基于约束子图计算的新冠肺炎感染人群分析系统，包括：
数据模块，用于接收新冠肺炎相关的多源异构数据和数据清洗；
图建模模块，用于将清洗后的数据构建带有多元属性的人群图模型；
分析计算模块，用于计算人群被感染概率指数，分析感染人群；
输出模块，用于对分析结果进行可视化展示，并给出分级的防疫建议；
所述数据模块，包括数据收集和数据清洗两个子模块；其中，数据收集子模块部署在各数据采集点，数据清洗模块部署在系统服务器端。
所述输出模块，包括可视化展示子模块和防疫建议子模块。
所述可视化展示子模块在统计信息的基础上，结合地理信息展示高感染概率的人群分布。
如图7所示，所述防疫建议子模块根据被感染概率指数等级，给防疫管理部门分级的防疫建议；通过短信给对应个人防护建议。具体来说，当被感染概率指数值大于0.7时，建议管理部门对该个人在专门医院进行重点隔离，并对其所在环境进行消毒，所在小区进行居家隔离，所有与其接触者进行核酸检测；建议该个人就地等待被送隔离点，停止所有社交接触其他人；当被感染概率指数值处于0.3-0.7之间时，建议管理部门对该个人在指定临时集中地区进行隔离观察，并进行核酸检测，通知与其接触者进行居家隔离；建议该个人立即去指定隔离点，停止社交接触其他人；当被感染概率指数值处于0.3-0.05之间时，建议管理部门对该个人和密切接触者进行居家隔离观察，并进行核酸检测，建议该个人立即居家隔离点，停止非必要社交接触其他人；当被感染概率指数值小于0.05时，默认为感染风险低，可正常进行社交活动。
以上所述，仅为本发明的优选实施案例，并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明，对于熟悉本领域的人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等，均应包含在本发明的保护范围之内。
Claims (6)
1.基于约束子图计算的新冠肺炎感染人群分析方法，其特征在于，包括以下步骤：
S1、新冠数据收集与清洗；
S2、构建新冠肺炎场景下的人群图模型；
S3、分析计算人群被感染概率指数；
所述步骤S3中的计算人群被感染概率指数的表达式为：
其中Sp(t)表示t时刻个人p被感染的概率，K1表示个人节点与已知感染人群直接接触的边数，K2表示个人节点与已知感染人群二级间接接触的边数，α和β分别表示直接接触边的权重和二级间接接触边的权重，P和PP分别表示在直接接触过程中个人自身因素和二级间接接触过程中个人自身因素；δ表示感染概率衰减系数，该感染概率衰减系数δ＝0.96，具体为：新冠肺炎平均潜伏周期为7天，根据指数衰减公式e-7≈0，因此当时间间隔为1小时的情况下
S4、发现潜在的感染人群并输出。
2.如权利要求1所述的基于约束子图计算的新冠肺炎感染人群分析方法，其特征在于，所述新冠数据为多源异构数据包括：新闻媒体报道、感染统计表格、人群出行轨迹、手机用户定位。
3.如权利要求1所述的基于约束子图计算的新冠肺炎感染人群分析方法，其特征在于，所述数据清洗包括：各类文档接口读取数据、检查剔除无效值、语义抽取、语义匹配融合，具体过程为：首先将新冠数据根据其文件类型，输入到对应文档接口进行数据读取；然后检查数据，剔除数据中的无效值；之后结合疫情语义词库中定义的与新冠疫情相关的关键词，对各类文档数据进行语义抽取；最后，根据语义抽取的结果，对各类文档数据之间的关系进行匹配后，融合原有的建模数据，形成新的建模数据。
4.如权利要求1所述的基于约束子图计算的新冠肺炎感染人群分析方法，其特征在于，所述人群图模型是基于清洗后的数据进行构建，还包括节点、节点属性、边和边属性；其中，人个体被定义为图节点，人的年龄、所在地防疫措施力度、年度医院就诊次数、患病状态被作为节点属性；人个体之间的接触被定义为边，接触的时间、接触是否有防护作为边属性；人群图模型还带有时间标签，用于代表人群图模型状态随着时间发生变化。
5.如权利要求1所述的基于约束子图计算的新冠肺炎感染人群分析方法，其特征在于，所述的直接接触和二级间接接触的个人自身因素表达式分别为：
直接接触过程中个人自身因素：P＝A*S*U，其中A表示年龄系数，正比于个体年龄；S表示健康系数，正比于年度医院就诊次数；U表示局部防控措施系数，正比于所处地区的防控举措力度；
二级间接接触过程中个人自身因素：PP＝P1*P2，其中P1、P2表示二级间接接触过程中两个个体的个人自身因素。
6.如权利要求1所述的基于约束子图计算的新冠肺炎感染人群分析方法，其特征在于，直接接触和二级间接接触的接触边权重的具体表达式分别为：
直接接触边的权重：a＝H*k/(k+1)，其中，H表示个体接触防护系数，k值表示包含两个点的所有k-边约束子图中的最大k值；
二级间接接触边的权重：β＝α1-α2，α1和α2表示二级间接接触过程中的接触权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110851425.3A CN113658716B (zh) | 2021-07-27 | 2021-07-27 | 基于约束子图计算的新冠肺炎感染人群分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110851425.3A CN113658716B (zh) | 2021-07-27 | 2021-07-27 | 基于约束子图计算的新冠肺炎感染人群分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113658716A CN113658716A (zh) | 2021-11-16 |
| CN113658716B true CN113658716B (zh) | 2024-02-23 |
Family
ID=78478791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110851425.3A Active CN113658716B (zh) | 2021-07-27 | 2021-07-27 | 基于约束子图计算的新冠肺炎感染人群分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113658716B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019038271A1 (en) * | 2017-08-21 | 2019-02-28 | Koninklijke Philips N.V. | PREDICTION, PREVENTION AND CONTROL OF INFECTIOUS TRANSMISSION IN A HEALTH CARE FACILITY USING A REAL-TIME LOCALIZATION SYSTEM AND A NEW GENERATION SEQUENCING |
| KR20200015280A (ko) * | 2018-08-03 | 2020-02-12 | (주) 프로큐라티오 | 폐렴의 발병 확률 결정 방법 |
| CN111445997A (zh) * | 2020-04-02 | 2020-07-24 | 南京三眼精灵信息技术有限公司 | 基于机器学习算法的传染病动力学模型及分析方法 |
| CN112365996A (zh) * | 2020-11-10 | 2021-02-12 | 中科海微(北京)科技有限公司 | 一种疾病传播防控方法及系统 |
| CN112786210A (zh) * | 2021-01-15 | 2021-05-11 | 华南师范大学 | 一种疫情传播追踪方法及系统 |
-
2021
- 2021-07-27 CN CN202110851425.3A patent/CN113658716B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019038271A1 (en) * | 2017-08-21 | 2019-02-28 | Koninklijke Philips N.V. | PREDICTION, PREVENTION AND CONTROL OF INFECTIOUS TRANSMISSION IN A HEALTH CARE FACILITY USING A REAL-TIME LOCALIZATION SYSTEM AND A NEW GENERATION SEQUENCING |
| KR20200015280A (ko) * | 2018-08-03 | 2020-02-12 | (주) 프로큐라티오 | 폐렴의 발병 확률 결정 방법 |
| CN111445997A (zh) * | 2020-04-02 | 2020-07-24 | 南京三眼精灵信息技术有限公司 | 基于机器学习算法的传染病动力学模型及分析方法 |
| CN112365996A (zh) * | 2020-11-10 | 2021-02-12 | 中科海微(北京)科技有限公司 | 一种疾病传播防控方法及系统 |
| CN112786210A (zh) * | 2021-01-15 | 2021-05-11 | 华南师范大学 | 一种疫情传播追踪方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113658716A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vallejo Jr et al. | Policy responses and government science advice for the COVID 19 pandemic in the Philippines: January to April 2020 | |
| US20210043330A1 (en) | Information providing method, server, voice recognition device, non-transitory computer-readable recording medium storing information providing program, and information providing system | |
| Sadilek et al. | Modeling spread of disease from social interactions | |
| Yeung et al. | Face off: Polarized public opinions on personal face mask usage during the COVID-19 pandemic | |
| Dai et al. | Probable longer incubation period for elderly COVID-19 cases: analysis of 180 contact tracing data in Hubei Province, China | |
| Rosa et al. | Event detection system based on user behavior changes in online social networks: Case of the covid-19 pandemic | |
| Wang et al. | Super-factors associated with transmission of occupational COVID-19 infection among healthcare staff in Wuhan, China | |
| CN108417274A (zh) | 流行病预测方法、系统及设备 | |
| CN110349372B (zh) | 居家养老人员活动异常预警方法和装置 | |
| Jin et al. | Occupational risk factors of contracting COVID-19 among health workers: A systematic review | |
| WO2021237113A1 (en) | Personal pandemic proximity index system and method | |
| Mosteiro et al. | Machine learning for violence risk assessment using Dutch clinical notes | |
| Khairulnissa et al. | Emerging themes in Facebook and twitter before movement control order (MCO) in Malaysia | |
| Gao et al. | Early indicators of human activity during COVID-19 period using digital trace data of population activities | |
| Hikmawati et al. | Multi-criteria recommender system model for lockdown decision of Covid-19 | |
| McLarnon et al. | The COVID-19 athlete passport: a tool for managing athlete COVID-19 status surrounding the Tokyo 2020 Olympic games | |
| CN113658716B (zh) | 基于约束子图计算的新冠肺炎感染人群分析方法及系统 | |
| Rao et al. | Analyzing cyberchondriac Google Trends data to forecast waves and avoid friction: lessons from COVID-19 in India | |
| Balasegaram et al. | Patterns of early transmission of pandemic influenza in London–link with deprivation | |
| Sathik et al. | Social network analysis in an online blogosphere | |
| Sayer et al. | Suicide attempts in NSW: associated mortality and morbidity | |
| Ario et al. | Timing of onset of symptom for COVID-19 from publicly reported confirmed cases in Uganda | |
| CN112365994A (zh) | 一种传染病数据监控处理方法、系统及存储介质 | |
| Singh et al. | Understanding Covid-19 Situation Using Mathematical Modeling: English | |
| Zineb et al. | Survey of Global Efforts to Fight Covid-19: Standardization, Territorial Intelligence, AI and Countries’ Experiences |
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 |