CN113707338B - 景区疫情风险预测与限流方法、装置、设备和存储介质 - Google Patents
景区疫情风险预测与限流方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113707338B CN113707338B CN202111258913.XA CN202111258913A CN113707338B CN 113707338 B CN113707338 B CN 113707338B CN 202111258913 A CN202111258913 A CN 202111258913A CN 113707338 B CN113707338 B CN 113707338B
- Authority
- CN
- China
- Prior art keywords
- scenic spot
- epidemic situation
- data
- epidemic
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 83
- 208000035473 Communicable disease Diseases 0.000 claims abstract description 19
- 208000015181 infectious disease Diseases 0.000 claims abstract description 19
- 230000008929 regeneration Effects 0.000 claims abstract description 19
- 238000011069 regeneration method Methods 0.000 claims abstract description 19
- 238000010606 normalization Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- 230000002265 prevention Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000015654 memory Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 101100295776 Drosophila melanogaster onecut gene Proteins 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
-
- 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
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种景区疫情风险预测与限流方法、装置、设备和存储介质，方法包括：获取预设的历史时段内各单位时间的景区疫情数据，得到样本数据，所述景区疫情数据包括景区所在的县级行政区在确诊患者城市流动网络中的中心度、景区所在的县级行政区的传染病再生数、景区人流量以及景区人流密度；分别根据样本数据中的各景区疫情数据，对各景区疫情数据对应的神经网络模型进行训练；分别根据训练后的各神经网络模型，得到各景区疫情数据的预测值，并根据各景区疫情数据的预测值，计算疫情风险指数；根据疫情风险指数，确定限流比例。本发明可根据景区所在地区的疫情情况动态评估景区疫情风险并划定限流比例，从而最大程度地提高景区的开放效率。
Description
技术领域
本发明涉及预测技术领域，尤其涉及一种景区疫情风险预测与限流方法、装置、设备和存储介质。
背景技术
在疫情影响下，文旅部要求严防疫情通过文化和旅游途径传播扩散，进一步落实A级旅游景区疫情防控要求，严格控制游客接待上限、严格落实门票预约制度等。在疫情扩散的潜在风险下，全国越来越多的景区加入限流的队伍。如今景区采用通过设置参观人数的比例限制来进行限流疫情防控。高风险地区的景区往往直接暂停景区营业，中低风险的地区也会采取30%、50%等类似的限流比例，都可看作是疫情防控常态化背景下，为迎接国内文旅市场复苏回暖而做出的努力。许多景区采用了游览预约的系统，游客通过景区预约客户端或者小程序完成景区预约、门票支付以及门票验证；景区管理方通过系统管理端设置景区限流数量等景区游览相关信息。
然而，在地区、景区直接划定限流比例，而没有按照地区的实际疫情情况与风险进行评估与设定，有些“一刀切”的意味。虽然超前防疫更显安全保险，但某种程度上也给目的地景区经营状况、旅游业复苏带来不小压力。并且，大面积的景区限流政策，叠加跨省游受限、周边游对游客分流等，直接导致传统景区客流锐减，二消转化率等间接降低。
发明内容
本发明所要解决的技术问题是：提供一种景区疫情风险预测与限流方法、装置、设备和存储介质，可根据景区所在地区的疫情情况动态评估景区疫情风险并动态地划定景区限流比例，从而最大程度地提高景区的开放效率。
第一方面，本发明提供了一种景区疫情风险预测与限流方法，包括：
获取预设的历史时段内各单位时间的景区疫情数据，得到样本数据，所述景区疫情数据包括景区所在的县级行政区在确诊患者城市流动网络中的中心度、景区所在的县级行政区的传染病再生数、景区人流量以及景区人流密度；
分别构建各景区疫情数据对应的神经网络模型，并分别根据所述样本数据中的各景区疫情数据，对各神经网络模型进行训练；
分别根据训练后的各神经网络模型，得到各景区疫情数据的预测值，并根据所述各景区疫情数据的预测值，计算疫情风险指数；
根据所述疫情风险指数，确定限流比例。
第二方面，本发明还提供了一种景区疫情风险预测与限流装置，包括：
获取模块，用于获取预设的历史时段内各单位时间的景区疫情数据，得到样本数据，所述景区疫情数据包括景区所在的县级行政区在确诊患者城市流动网络中的中心度、景区所在的县级行政区的传染病再生数、景区人流量以及景区人流密度；
训练模块，用于分别构建各景区疫情数据对应的神经网络模型，并分别根据所述样本数据中的各景区疫情数据，对各神经网络模型进行训练；
预测模块，用于分别根据训练后的各神经网络模型，得到各景区疫情数据的预测值，并根据所述各景区疫情数据的预测值，计算疫情风险指数；
确定模块，用于根据所述疫情风险指数，确定限流比例。
第三方面，本发明还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面提供的景区疫情风险预测与限流方法。
第四方面，本发明还提供了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如第一方面提供的景区疫情风险预测与限流方法。
本发明的有益效果在于：通过获取景区所在地区的实际疫情情况，并进行景区疫情风险的评估与预测，动态地划定安全防疫所需要的景区限流比例，最大程度提高了景区的开放效率，避免了一刀切式限流导致的景区闲置，客流减少，尽可能地减少疫情对景区带来的损失。
附图说明
图1为本发明提供的一种景区疫情风险预测与限流方法的流程图；
图2为本发明提供的一种景区疫情风险预测与限流装置的结构示意图；
图3为本发明提供的一种电子设备的结构示意图；
图4为本发明实施例一的一种景区疫情风险预测与限流方法的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子计算机程序等等。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一信息为第二信息，且类似地，可将第二信息称为第一信息。第一信息和第二信息两者都是信息，但其不是同一信息。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
如图1所示，一种景区疫情风险预测与限流方法，包括：
S101：获取预设的历史时段内各单位时间的景区疫情数据，得到样本数据，所述景区疫情数据包括景区所在的县级行政区在确诊患者城市流动网络中的中心度、景区所在的县级行政区的传染病再生数、景区人流量以及景区人流密度；
S102：分别构建各景区疫情数据对应的神经网络模型，并分别根据所述样本数据中的各景区疫情数据，对各神经网络模型进行训练；
S103：分别根据训练后的各神经网络模型，得到各景区疫情数据的预测值，并根据所述各景区疫情数据的预测值，计算疫情风险指数；
S104：根据所述疫情风险指数，确定限流比例。
由上述描述可知，通过获取景区所在地区的实际疫情情况，并根据实际疫情情况进行景区疫情风险的评估与预测，动态地划定安全防疫所需要的景区限流比例，最大程度提高了景区的开放效率。
在一个可选的实施例中，所述步骤S101之后，所述方法还包括：
分别对所述样本数据中的各景区疫情数据进行归一化处理。
可通过MinMaxScaler()函数进行归一化处理，将数据按照最小值中心化后，再按极差（最大值-最小值）缩放，数据移动了最小值个单位，并且会被收敛到[0,1]之间。通过归一化处理，可减少不同变量之间量级差异带来的干扰。
在一个可选的实施例中，所述步骤S102包括：
构建第一神经网络模型、第二神经网络模型、第三神经网络模型和第四神经网络模型，所述第一神经网络模型、第二神经网络模型、第三神经网络模型和第四神经网络模型均为长短期记忆人工神经网络模型；
根据所述样本数据中各单位时间的中心度，对所述第一神经网络模型进行训练；
根据所述样本数据中各单位时间的传染病再生数，对所述第二神经网络模型进行训练；
根据所述样本数据中各单位时间的景区人流量，对所述第三神经网络模型进行训练；
根据所述样本数据中各单位时间的景区人流密度，对所述第四神经网络模型进行训练。
通过采用LSTM神经网络来进行预测，可以更好地拟合多个输入变量的时间序列预测问题，比传统的线性回归或者ARMA方法预测效果更好。
在一个可选的实施例中，所述步骤S103包括：
获取过去n个单位时间的一景区疫情数据，并加入至输入数据集；
获取所述输入数据集中最新n个单位时间的一景区疫情数据，作为当前输入数据，并将所述当前输入数据输入训练后的所述一景区疫情数据对应的神经网络模型，得到所述最新n个单位时间后的第一个单位时间的所述一景区疫情数据的预测值；
将所述最新n个单位时间后的第一个单位时间的所述一景区疫情数据的预测值加入所述输入数据集，并继续执行所述获取所述输入数据集中最新n个单位时间的一景区疫情数据，作为当前输入数据，并将所述当前输入数据输入训练后的所述一景区疫情数据对应的神经网络模型，得到所述最新n个单位时间后的第一个单位时间的所述一景区疫情数据的预测值的步骤，直至得到未来m个单位时间的所述一景区疫情数据的预测值；
根据预设的各景区疫情数据的权重，对未来同一个单位时间的各景区疫情数据的预测值进行加权求和，得到所述未来同一个单位时间的疫情风险指数。
通过将预测得到的数据加入输入数据，不断迭代进行预测，可得到未来一段时间的预测结果。由于一般而言旅游人流量的周期为一年，因此可以预测得到未来一年内的预测结果，并计算得到未来一年内每个单位时间的疫情风险指数。
在一个可选的实施例中，所述步骤S103之后，所述方法还包括：
对未来m个单位时间的疫情风险指数进行归一化处理，得到未来m个单位时间的归一化后的疫情风险指数。
在一个可选的实施例中，所述对未来m个单位时间的疫情风险指数进行归一化处理，得到未来m个单位时间的归一化后的疫情风险指数，包括：
获取未来m个单位时间的疫情风险指数的最大值，并分别将未来m个单位时间的疫情风险指数除以所述最大值，得到未来m个单位时间的归一化后的疫情风险指数。
通过对未来各单位时间的疫情风险指数进行归一化，便于后续计算限流比例。
在一个可选的实施例中，所述步骤S104包括：
根据限流比例计算公式，分别确定未来m个单位时间的限流比例，所述限流比例计算公式为Sj=（1-Lj）×100%，j=1,2,…,m，Sj为未来第j个单位时间的限流比例，Lj为未来第j个单位时间的归一化后的疫情风险指数。
由上述描述可知，通过基于疫情风险指数动态地划定景区限流比例，可以对疫情的变化及时做出相应对策，在进行安全防疫的同时，最大程度提高了景区的开放效率。
如图2所示，本发明还提供了一种景区疫情风险预测与限流装置，包括：
获取模块201，用于获取预设的历史时段内各单位时间的景区疫情数据，得到样本数据，所述景区疫情数据包括景区所在的县级行政区在确诊患者城市流动网络中的中心度、景区所在的县级行政区的传染病再生数、景区人流量以及景区人流密度；
训练模块202，用于分别构建各景区疫情数据对应的神经网络模型，并分别根据所述样本数据中的各景区疫情数据，对各神经网络模型进行训练；
预测模块203，用于分别根据训练后的各神经网络模型，得到各景区疫情数据的预测值，并根据所述各景区疫情数据的预测值，计算疫情风险指数；
确定模块204，用于根据所述疫情风险指数，确定限流比例。
如图3所示，本发明还提供了一种电子设备，所述电子设备包括：
一个或多个处理器301；
存储装置302，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器301执行，使得所述一个或多个处理器301实现如上所述的景区疫情风险预测与限流方法。
本发明还提供了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如上所述的景区疫情风险预测与限流方法。
实施例一
请参照图4，本发明的实施例一为：一种景区疫情风险预测与限流方法，可应用于景区等场景，该方法可由景区的管理中心来执行。
如图4所示，本实施例提供的一种疫情风险预测与限流方法包括如下步骤：
S401：获取预设的历史时段内各单位时间的景区疫情数据，得到样本数据。
本实施例中，景区疫情数据包括景区所在的县级行政区在确诊患者城市流动网络中的中心度C（可从运营商确诊患者同行程查询工具平台获取）、景区所在的县级行政区的传染病再生数R（即新冠肺炎传染再生数，可从国家和省市卫健委网站获取）、景区人流量F以及景区人流密度ρ；其中，景区人流密度ρ=瞬时承载量/景区面积。同时，本实施例中，一个单位时间为一天。
例如，获取历史一段时间内每天的所述中心度C、传染病再生数R、景区人流量F、景区人流密度ρ，则每天都可得到一组样本数据（Ci，Ri，Fi，ρi），从而得到多组样本数据。
S402：分别对所述样本数据中的各景区疫情数据进行归一化，即分别对步骤S401中获取的所有中心度、传染病再生数、景区人流量和景区人流密度的值进行归一化。
具体地，通过MinMaxScaler()函数进行归一化处理，其归一化公式为：
X’=（X-Xmin）/（Xmax-Xmin）
其中，X表示样本数据中的同一景区疫情数据的值，可将中心度C、传染病再生数R、景区人流量F和景区人流密度ρ依次代入X。
例如，对于中心度，根据公式Ci’=（Ci-Cmin）/（Cmax-Cmin）进行归一化，Ci为样本数据中第i个中心度的值，Ci’为归一化后的第i个中心度的值，Cmax和Cmin分别为样本数据中的中心度的最大值和最小值。
对于传染病再生数、景区人流量和景区人流密度，则以此类推。
S403：分别构建各景区疫情数据对应的神经网络模型，并分别根据所述样本数据中的各景区疫情数据，对各神经网络模型进行训练。
本实施例中，构建四个神经网络模型，分别为第一神经网络模型、第二神经网络模型、第三神经网络模型和第四神经网络模型，四个神经网络模型均为长短期记忆人工神经网络（LSTM）模型，分别对应上述四种景区疫情数据。
然后根据样本数据中各单位时间的一景区疫情数据，并采用MSE函数（均方误差函数）作为损失函数，对所述一景区疫情数据对应的LSTM模型进行训练。具体地，根据样本数据中各单位时间的中心度，对第一神经网络模型进行训练；根据样本数据中各单位时间的传染病再生数，对第二神经网络模型进行训练；根据样本数据中各单位时间的景区人流量，对第三神经网络模型进行训练；根据样本数据中各单位时间的景区人流密度，对第四神经网络模型进行训练。
长短期记忆人工神经网络（LSTM）模型在RNN（循环神经网络）的基础结构上增加了输入门限（Input Gate，it）、输出门限（Output Gate，ot）和遗忘门限（Forget Gate，ft）三个逻辑控制单元，且各自连接到了一个乘法元件上，通过设定神经网络的记忆单元与其他部分连接的边缘处的权值，控制信息流的输入、输出以及细胞单元（Memory cell，ct）的状态，具体定义公式如下：
其中，Wf、Wi、Wo、Wc代表各连接层的权重，bf、bi、bo、bc为四个公式中的偏置值，在随后训练中和上述四个权重（即Wf、Wi、Wo、Wc）一起被确定；sigmoid与tanh为激活函数；xt代表t时刻网络的输入；ht代表t时刻隐藏层的状态，是不断传递的。当t=1时，ct-1=0，ht-1=0。
在LSTM模型的训练过程中，首先将t时刻的数据特征输入至输入层，经过激励函数输出结果。将输出结果、t-1时刻的隐藏层输出和t-1时刻cell单元存储的信息输入LSTM结构的节点中，通过Input Gate、Output Gate、Forget Gate和cell单元的处理，输出数据到下一隐藏层或输出层，输出LSTM结构节点的结果到输出层神经元，然后根据输出层输出的预测值和输入数据的标签值计算反向传播误差，并根据反向传播误差更新各个权值。
本实施例中，采用MSE函数作为损失函数计算反向传播误差，即：
其中，yi表示第i个输入数据的预测值，yi’表示第i个输入数据对应的标签值，n为样本的个数。本实施例中，t时刻的数据的标签值为t+1时刻的数据。例如，假设样本数据中各时间单元的中心度为{C1,C2,…,Cn}，则C1的标签值为C2，C2的标签值为C3，以此类推。
在反向传播中需要最小化损失函数，当反向传播误差loss小于一个预设的阈值即可结束训练。每次反向传播中，将输入数据送入网络以获得激励响应，计算每层的预测值，随后计算响应误差（即MSE函数）。将输入值和响应误差相乘，获得权重的梯度；将这个梯度乘上学习率η，并取反后加到权重上。经过训练可以获得权重Wf、Wi、Wo、Wc和偏置值bf、bi、bo、bc。
S404：分别根据训练后的各神经网络模型，得到各景区疫情数据的预测值，并根据所述各景区疫情数据的预测值，计算疫情风险指数。
训练后的LSTM模型可以根据前t个时刻的数据预测出第t+1时刻的数据，在步骤S403中已经训练好四个LSTM模型，分别用这四个LSTM模型，进行四种景区疫情数据的预测，即：
Ct+1=LSTM（C1,C2,…,Ct）；
Rt+1=LSTM（R1,R2,…,Rt）；
Ft+1=LSTM（F1,F2,…,Ft）；
ρt+1=LSTM（ρ1,ρ2,…,ρt）。
本实施例中，根据第1个至第t个时刻的数据预测得到第t+1时刻的数据后，会继续根据第2个至第t+1时刻的数据预测得到第t+2时刻的数据，根据第2个至第t+2时刻的数据预测得到第t+3时刻的数据，以此类推，不断迭代进行预测，直至预测得到第t+m时刻的数据，从而得到未来m个时刻的预测数据。
具体地，首先，获取过去连续的n个单位时间的一景区疫情数据，并加入至输入数据集。
然后，获取所述输入数据集中最新n个单位时间的一景区疫情数据，作为当前输入数据，并将所述当前输入数据输入训练后的所述一景区疫情数据对应的神经网络模型，得到所述最新n个单位时间后的第一个单位时间的所述一景区疫情数据的预测值；
接着，将所述最新n个单位时间后的第一个单位时间的所述一景区疫情数据的预测值加入所述输入数据集，
之后，继续获取所述输入数据集中最新n个单位时间的一景区疫情数据，作为当前输入数据并输入训练后的所述一景区疫情数据对应的神经网络模型，得到新的一个单位时间的所述一景区疫情数据的预测值，即将预测得到的预测值加入输入数据集，不断迭代进行预测，直至得到未来m个单位时间的所述一景区疫情数据的预测值。
例如，获取过去一年内每天的中心度（即景区所在的县级行政区在确诊患者城市流动网络中的中心度），假设此时的输入数据集为{C1,C2,…,Cn}，则第一次进行预测的输入数据为{C1,C2,…,Cn}；根据这些中心度数据，通过中心度对应的LSTM模型预测得到未来第一天的中心度的预测值Cn+1；接着将Cn+1加入至输入数据集，此时输入数据集为{C1,C2,…,Cn,Cn+1}，其最新的n个数据为{C2,…,Cn,Cn+1}，则第二次进行预测的输入数据为{C2,…,Cn,Cn+1}，预测结果为未来第二天的中心度的预测值Cn+2。以此类推，不断迭代进行预测，直至预测得到未来第m天的中心度的预测值Cn+m，此时即预测了未来m天的预测值{Cn+1,C n+2,…,C n+m}，本实施例中，预测未来一年内每天的中心度的预测值。
通过上述方法，分别预测得到未来m个单位时间的四种景区疫情数据的预测值，然后开始进行疫情风险指数的计算。
具体地，根据预设的各景区疫情数据的权重，对未来同一个单位时间的各景区疫情数据的预测值进行加权求和，得到所述未来同一个单位时间的疫情风险指数。具体公式为：Lj=Cj×w1+Rj×w2+Fj×w3+ρj×w4；其中，Cj、Rj、Fj、ρj分别为未来同一个单位时间的中心度的预测值、传染病再生数的预测值、景区人流量的预测值、景区人流密度的预测值；Lj为未来该单位时间的疫情风险指数；w1、w2、w3、w4分别为中心度、传染病再生数、景区人流量、景区人流密度对应的权重，在实际应用中，可以通过德菲尔专家法进行具体的确定。
进一步地，计算未来m个单位时间的疫情风险指数得到之后，对其进行归一化处理。具体地，获取未来m个单位时间的疫情风险指数中的最大值Lmax，然后将未来各单位时间的疫情风险指数除以所述最大值Lmax，即Lj=Lj/Lmax，j=1,2,…,m。
S405：根据所述疫情风险指数，确定限流比例。
具体地，根据限流比例计算公式，分别确定未来m个单位时间的限流比例，所述限流比例计算公式为Sj=（1-Lj）×100%，j=1,2,…,m，Sj为未来第j个单位时间的限流比例，Lj为未来第j个单位时间的归一化后的疫情风险指数。
景区在确定未来每天的限流比例后，即可根据限流比例对景区进行限流。
本实施例实现了根据景区所在地区的具体疫情情况进行景区疫情风险的评估与预测，动态地划定安全防疫所需要的景区限流比例，最大程度提高了景区的开放效率，避免了一刀切式限流导致的景区闲置，客流减少。通过，采用了LSTM神经网络来进行预测，可以更好地拟合多个输入变量的时间序列预测问题，比传统的线性回归或者ARMA方法预测效果更好。
实施例二
请参照图2，本发明的实施例二为：一种景区疫情风险预测与限流装置，可执行本发明实施例一所提供的景区疫情风险预测与限流方法，具备执行方法相应的功能模块和有益效果。该装置可以由软件/或硬件实现，具体包括：
获取模块201，用于获取预设的历史时段内各单位时间的景区疫情数据，得到样本数据，所述景区疫情数据包括景区所在的县级行政区在确诊患者城市流动网络中的中心度、景区所在的县级行政区的传染病再生数、景区人流量以及景区人流密度；
训练模块202，用于分别构建各景区疫情数据对应的神经网络模型，并分别根据所述样本数据中的各景区疫情数据，对各神经网络模型进行训练；
预测模块203，用于分别根据训练后的各神经网络模型，得到各景区疫情数据的预测值，并根据所述各景区疫情数据的预测值，计算疫情风险指数；
确定模块204，用于根据所述疫情风险指数，确定限流比例。
在一个可选的实施方式中，所述景区疫情风险预测与限流装置还包括：
第一归一化模块，用于分别对所述样本数据中的各景区疫情数据进行归一化处理。
在一个可选的实施方式中，所述训练模块包括：
构建单元，用于构建第一神经网络模型、第二神经网络模型、第三神经网络模型和第四神经网络模型，所述第一神经网络模型、第二神经网络模型、第三神经网络模型和第四神经网络模型均为长短期记忆人工神经网络模型；
第一训练单元，用于根据所述样本数据中各单位时间的中心度，对所述第一神经网络模型进行训练；
第二训练单元，用于根据所述样本数据中各单位时间的传染病再生数，对所述第二神经网络模型进行训练；
第三训练单元，用于根据所述样本数据中各单位时间的景区人流量，对所述第三神经网络模型进行训练；
第四训练单元，用于根据所述样本数据中各单位时间的景区人流密度，对所述第四神经网络模型进行训练。
在一个可选的实施方式中，所述预测模块包括：
第一获取单元，用于获取过去n个单位时间的一景区疫情数据，并加入至输入数据集；
预测单元，用于获取所述输入数据集中最新n个单位时间的一景区疫情数据，作为当前输入数据，并将所述当前输入数据输入训练后的所述一景区疫情数据对应的神经网络模型，得到所述最新n个单位时间后的第一个单位时间的所述一景区疫情数据的预测值；
加入单元，用于将所述最新n个单位时间后的第一个单位时间的所述一景区疫情数据的预测值加入所述输入数据集，并继续执行预测单元所执行的步骤，直至得到未来m个单位时间的所述一景区疫情数据的预测值；
计算单元，用于根据预设的各景区疫情数据的权重，对未来同一个单位时间的各景区疫情数据的预测值进行加权求和，得到所述未来同一个单位时间的疫情风险指数。
在一个可选的实施方式中，所述景区疫情风险预测与限流装置还包括：
第二归一化模块，用于对未来m个单位时间的疫情风险指数进行归一化处理，得到未来m个单位时间的归一化后的疫情风险指数。
在一个可选的实施方式中，所述第二归一化模块具体用于获取未来m个单位时间的疫情风险指数的最大值，并分别将未来m个单位时间的疫情风险指数除以所述最大值，得到未来m个单位时间的归一化后的疫情风险指数。
在一个可选的实施方式中，所述确定模块具体用于根据限流比例计算公式，分别确定未来m个单位时间的限流比例，所述限流比例计算公式为Sj=（1-Lj）×100%，j=1,2,…,m，Sj为未来第j个单位时间的限流比例，Lj为未来第j个单位时间的归一化后的疫情风险指数。
实施例三
请参照图3，本发明的实施例三为：一种电子设备，所述电子设备包括：
一个或多个处理器301；
存储装置302，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器301执行，使得所述一个或多个处理器301实现如上所述的景区疫情风险预测与限流方法实施例中的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
实施例四
本发明的实施例四提供了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如上所述的景区疫情风险预测与限流方法实施例中的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
综上所述，本发明提供的一种景区疫情风险预测与限流方法、装置、设备和存储介质，通过从不同渠道获取景区所在地区的实际疫情数据和景区数据，根据实际疫情情况进行景区疫情风险的评估与预测，并动态地划定安全防疫所需要的景区限流比例，可以对疫情的变化及时做出相应对策，在进行安全防疫的同时，最大程度提高了景区的开放效率，尽可能地减少疫情对景区带来的损失。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（RandomAccess Memory，RAM）、闪存（FLASH）、硬盘或光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
值得注意的是，上述装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种景区疫情风险预测与限流方法，其特征在于，包括：
获取预设的历史时段内各单位时间的景区疫情数据，得到样本数据，所述景区疫情数据包括景区所在的县级行政区在确诊患者城市流动网络中的中心度、景区所在的县级行政区的传染病再生数、景区人流量以及景区人流密度；
分别构建各景区疫情数据对应的神经网络模型，并分别根据所述样本数据中的各景区疫情数据，对各神经网络模型进行训练；
分别根据训练后的各神经网络模型，得到各景区疫情数据的预测值，并根据所述各景区疫情数据的预测值，计算疫情风险指数；
根据所述疫情风险指数，确定限流比例；
所述分别根据训练后的各神经网络模型，得到各景区疫情数据的预测值，并根据所述各景区疫情数据的预测值，计算疫情风险指数，包括：
获取过去n个单位时间的一景区疫情数据，并加入至输入数据集；
获取所述输入数据集中最新n个单位时间的一景区疫情数据，作为当前输入数据，并将所述当前输入数据输入训练后的所述一景区疫情数据对应的神经网络模型，得到所述最新n个单位时间后的第一个单位时间的所述一景区疫情数据的预测值；
将所述最新n个单位时间后的第一个单位时间的所述一景区疫情数据的预测值加入所述输入数据集，并继续执行所述获取所述输入数据集中最新n个单位时间的一景区疫情数据，作为当前输入数据，并将所述当前输入数据输入训练后的所述一景区疫情数据对应的神经网络模型，得到所述最新n个单位时间后的第一个单位时间的所述一景区疫情数据的预测值的步骤，直至得到未来m个单位时间的所述一景区疫情数据的预测值；
根据预设的各景区疫情数据的权重，对未来同一个单位时间的各景区疫情数据的预测值进行加权求和，得到所述未来同一个单位时间的疫情风险指数；
对未来m个单位时间的疫情风险指数进行归一化处理，得到未来m个单位时间的归一化后的疫情风险指数；
所述根据所述疫情风险指数，确定限流比例，包括：
根据限流比例计算公式，分别确定未来m个单位时间的限流比例，所述限流比例计算公式为Sj＝(1-Lj)×100％，j＝1,2,…,m，Sj为未来第j个单位时间的限流比例，Lj为未来第j个单位时间的归一化后的疫情风险指数；
所述对未来m个单位时间的疫情风险指数进行归一化处理，得到未来m个单位时间的归一化后的疫情风险指数，包括：
获取未来m个单位时间的疫情风险指数的最大值，并分别将未来m个单位时间的疫情风险指数除以所述最大值，得到未来m个单位时间的归一化后的疫情风险指数。
2.根据权利要求1所述的景区疫情风险预测与限流方法，其特征在于，所述获取预设的历史时段内各单位时间的景区疫情数据，得到样本数据之后，所述方法还包括：
分别对所述样本数据中的各景区疫情数据进行归一化处理。
3.根据权利要求1所述的景区疫情风险预测与限流方法，其特征在于，所述分别构建各景区疫情数据对应的神经网络模型，并分别根据所述样本数据中的各景区疫情数据，对各神经网络模型进行训练，包括：
构建第一神经网络模型、第二神经网络模型、第三神经网络模型和第四神经网络模型，所述第一神经网络模型、第二神经网络模型、第三神经网络模型和第四神经网络模型均为长短期记忆人工神经网络模型；
根据所述样本数据中各单位时间的中心度，对所述第一神经网络模型进行训练；
根据所述样本数据中各单位时间的传染病再生数，对所述第二神经网络模型进行训练；
根据所述样本数据中各单位时间的景区人流量，对所述第三神经网络模型进行训练；
根据所述样本数据中各单位时间的景区人流密度，对所述第四神经网络模型进行训练。
4.一种景区疫情风险预测与限流装置，其特征在于，包括：
获取模块，用于获取预设的历史时段内各单位时间的景区疫情数据，得到样本数据，所述景区疫情数据包括景区所在的县级行政区在确诊患者城市流动网络中的中心度、景区所在的县级行政区的传染病再生数、景区人流量以及景区人流密度；
训练模块，用于分别构建各景区疫情数据对应的神经网络模型，并分别根据所述样本数据中的各景区疫情数据，对各神经网络模型进行训练；
预测模块，用于分别根据训练后的各神经网络模型，得到各景区疫情数据的预测值，并根据所述各景区疫情数据的预测值，计算疫情风险指数；
确定模块，用于根据所述疫情风险指数，确定限流比例；
所述预测模块包括：
第一获取单元，用于获取过去n个单位时间的一景区疫情数据，并加入至输入数据集；
预测单元，用于获取所述输入数据集中最新n个单位时间的一景区疫情数据，作为当前输入数据，并将所述当前输入数据输入训练后的所述一景区疫情数据对应的神经网络模型，得到所述最新n个单位时间后的第一个单位时间的所述一景区疫情数据的预测值；
加入单元，用于将所述最新n个单位时间后的第一个单位时间的所述一景区疫情数据的预测值加入所述输入数据集，并继续执行预测单元所执行的步骤，直至得到未来m个单位时间的所述一景区疫情数据的预测值；
计算单元，用于根据预设的各景区疫情数据的权重，对未来同一个单位时间的各景区疫情数据的预测值进行加权求和，得到所述未来同一个单位时间的疫情风险指数；
还包括：第二归一化模块，用于对未来m个单位时间的疫情风险指数进行归一化处理，得到未来m个单位时间的归一化后的疫情风险指数；
所述确定模块具体用于根据限流比例计算公式，分别确定未来m个单位时间的限流比例，所述限流比例计算公式为Sj＝(1-Lj)×100％，j＝1,2,…,m，Sj为未来第j个单位时间的限流比例，Lj为未来第j个单位时间的归一化后的疫情风险指数。
5.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的景区疫情风险预测与限流方法。
6.一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，所述计算机程序被处理器执行时实现如权利要求1-3任一项所述的景区疫情风险预测与限流方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111258913.XA CN113707338B (zh) | 2021-10-28 | 2021-10-28 | 景区疫情风险预测与限流方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111258913.XA CN113707338B (zh) | 2021-10-28 | 2021-10-28 | 景区疫情风险预测与限流方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113707338A CN113707338A (zh) | 2021-11-26 |
| CN113707338B true CN113707338B (zh) | 2022-08-30 |
Family
ID=78647194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111258913.XA Active CN113707338B (zh) | 2021-10-28 | 2021-10-28 | 景区疫情风险预测与限流方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113707338B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114155801B (zh) * | 2021-12-10 | 2022-05-31 | 广州番禺职业技术学院 | 多媒体电子导游方法及系统 |
| CN114358667B (zh) * | 2022-03-21 | 2022-06-21 | 创意信息技术股份有限公司 | 一种基于rbf网络学习的景区风险预测模型构建方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016089914A1 (en) * | 2014-12-01 | 2016-06-09 | Clean Sweep Group, Inc. | Method and system for computational epidemiology and environmental services |
| CN110459329A (zh) * | 2019-07-11 | 2019-11-15 | 广东省公共卫生研究院 | 一种登革热风险综合评估方法 |
| WO2019244646A1 (ja) * | 2018-06-18 | 2019-12-26 | 日本電気株式会社 | 疾病リスク予測装置、疾病リスク予測方法および疾病リスク予測プログラム |
| CN112117011A (zh) * | 2020-09-25 | 2020-12-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的传染病早期风险预警方法、装置 |
| CN113113154A (zh) * | 2021-04-16 | 2021-07-13 | 南方科技大学 | 一种传染病防控方法、装置、计算机设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798988B (zh) * | 2020-07-07 | 2022-11-01 | 医渡云（北京）技术有限公司 | 风险区域预测方法、装置、电子设备及计算机可读介质 |
| CN111798991B (zh) * | 2020-07-09 | 2022-09-02 | 重庆邮电大学 | 基于lstm的新冠肺炎疫情群体态势预测方法 |
| CN112201361A (zh) * | 2020-09-01 | 2021-01-08 | 浙江大学山东工业技术研究院 | 一种基于lstm模型的covid-19疫情预测方法 |
| CN112382407A (zh) * | 2020-11-12 | 2021-02-19 | 平安科技（深圳）有限公司 | 一种风险管控方法、装置、电子设备和存储介质 |
-
2021
- 2021-10-28 CN CN202111258913.XA patent/CN113707338B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016089914A1 (en) * | 2014-12-01 | 2016-06-09 | Clean Sweep Group, Inc. | Method and system for computational epidemiology and environmental services |
| WO2019244646A1 (ja) * | 2018-06-18 | 2019-12-26 | 日本電気株式会社 | 疾病リスク予測装置、疾病リスク予測方法および疾病リスク予測プログラム |
| CN110459329A (zh) * | 2019-07-11 | 2019-11-15 | 广东省公共卫生研究院 | 一种登革热风险综合评估方法 |
| CN112117011A (zh) * | 2020-09-25 | 2020-12-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的传染病早期风险预警方法、装置 |
| CN113113154A (zh) * | 2021-04-16 | 2021-07-13 | 南方科技大学 | 一种传染病防控方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113707338A (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yousefi et al. | Chaotic genetic algorithm and Adaboost ensemble metamodeling approach for optimum resource planning in emergency departments | |
| Thomas et al. | Modelling and assessment of critical risks in BOT road projects | |
| CN113707338B (zh) | 景区疫情风险预测与限流方法、装置、设备和存储介质 | |
| Banerjee et al. | The diffusion of microfinance | |
| Ballas et al. | SimBritain: a spatial microsimulation approach to population dynamics | |
| Kammouh et al. | Deterministic and fuzzy-based methods to evaluate community resilience | |
| Bhatta et al. | Errors in variables in multinomial choice modeling: A simulation study applied to a multinomial logit model of travel mode choice | |
| Deng et al. | A hybrid ARIMA-LSTM model optimized by BP in the forecast of outpatient visits | |
| Jordan et al. | Post-tsunami recovery in Tamil Nadu, India: combined social and infrastructural outcomes | |
| Peng et al. | Study of impact factors of willingness to pay regarding water reserve of South-to-North Water Diversion Project in Beijing based on Bayesian network model | |
| Dia 1 et al. | Evaluation of discrete choice and neural network approaches for modelling driver compliance with traffic information | |
| Tacnet et al. | Cautious OWA and evidential reasoning for decision making under uncertainty | |
| Rogelj et al. | Ambient assisted living technologies and environments: Literature review and research agenda | |
| Xue et al. | A volunteer allocation optimization model in response to major natural disasters based on improved Dempster–Shafer theory | |
| Zileska Pancovska et al. | Predicting sustainability assessment at early facilities design phase | |
| CN114912717A (zh) | 基于物联网的智慧城市保障住房申请风险评估方法和系统 | |
| Kabakuş et al. | Comparative analysis of trip generation models according to household characteristics for developed, developing and non-developed provinces in Turkey | |
| Stonewall et al. | Energy use and weatherization practices: Applications for agent-based modeling to support vulnerable populations | |
| CN116843069A (zh) | 一种基于人群活动强度特征的通勤流量估计方法及系统 | |
| Barnett-Howell | Should I Stay or Should I Go: Microeconomic Determinants of Migration | |
| García-Alonso et al. | A macro-economic model to forecast remittances based on Monte-Carlo simulation and artificial intelligence | |
| Moselhi et al. | Neural networks for cost estimating of structural steel buildings | |
| Raghavendra Kumar et al. | Assessment of sustainability index for rural water management using ANN | |
| Das | Appraisal of the linkage among urban infrastructure and human resources and the growth of Information Technology (IT) industry in Indian cities | |
| Ricart et al. | Reinforcing the Hydrosocial Cycle to foster water governance and stakeholders’ interdependence in urban agroecosystems: a local test in Benidorm, Spain |
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 |