CN114694850B - 一种面向地铁网络的疫情密接人群追溯方法 - Google Patents

一种面向地铁网络的疫情密接人群追溯方法 Download PDF

Info

Publication number
CN114694850B
CN114694850B CN202210378899.5A CN202210378899A CN114694850B CN 114694850 B CN114694850 B CN 114694850B CN 202210378899 A CN202210378899 A CN 202210378899A CN 114694850 B CN114694850 B CN 114694850B
Authority
CN
China
Prior art keywords
passenger
witness
transfer
time
direct
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210378899.5A
Other languages
English (en)
Other versions
CN114694850A (zh
Inventor
谢良惠
宫大庆
张真继
刘世峰
张兴华
闫晓杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202210378899.5A priority Critical patent/CN114694850B/zh
Publication of CN114694850A publication Critical patent/CN114694850A/zh
Application granted granted Critical
Publication of CN114694850B publication Critical patent/CN114694850B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9038—Presentation of query results

Landscapes

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

Abstract

本发明公开了一种面向地铁网络的疫情密接人群追溯方法。该方法包括：针对判断密接者的问题进行建模；依据乘客以绝对优势路径出行为假设确定直达证人和换乘证人，进而搜索并验证目标乘客的行程轨迹，其中所述直达证人是以直达线路出行的证人，所述换乘证人是以单次换乘线路出行的证人；判断目标乘客的行程轨迹是否与感染者存在车次和乘车时间上的交叉，以确定目标乘客是否为密接者。利用本发明能够主动识别地铁乘客中的疫情密接者，有利于采取有效措施防范疫情蔓延和传播。

Description

一种面向地铁网络的疫情密接人群追溯方法
技术领域
本发明涉及信息挖掘技术领域，更具体地，涉及一种面向地铁网络的疫情密接人群追溯方法。
背景技术
疫情追溯是疫情防控工作中的重要环节之一，流调工作人员需要迅速掌握疫情密切接触者信息并采取相关措施，以有效防范疾病蔓延和传播。例如，对同时段暴露于通风不良、相对密闭的同一空间内(不局限于诊疗环境)的所有人群均可以纳入密接范围。由于地铁场景具有内部空间半封闭、人群高度密集、客流高速流动、换乘站点不确定等特点，使之成为疫情追溯工作的重点和难点。目前，地铁疫情追溯主要采取以下方案。
1)、采取车厢二维码的方式建立“同乘信息系统”。如在地铁每节车厢张贴二维码，通过广播等形式提醒乘客在车厢处扫码，以实现乘客行程轨迹的有效跟踪。当有感染者乘车时，通过查询“同乘信息系统”，快速追溯同乘人员。这种方式要求每位乘客在乘坐每一趟列车时(包括换乘后所乘坐的列车)均需扫码才能建立有效的同乘信息系统，通过广播等形式提醒乘客在车厢处扫码不具备强制性，乘客的主动性不强，尤其是高峰期间车厢极其拥挤，扫码也存在一定的困难。
2)、采用新闻发布会等形式发布感染者活动轨迹，提醒市民对照自查。这种方式要求市民具有极强的主动性，并且不适用于无法及时关注发布会的市民。
3)、利用自动售检票系统(Automatic Fare Collection System，以下简称AFC)数据追溯乘客出行轨迹。AFC数据记录了乘客的进、出时间和站点，但无法直接获取乘客的出行轨迹。因此，国内外学者开展了一系列出行轨迹识别研究工作，主要是从AFC数据中提取出行信息的时间元素，利用极大似然法估计、聚类等方法，将乘客匹配到最可能的出行路径。这种地铁乘客出行轨迹识别方法，主要建立在地铁客流预测、运营优化和清分清算等研究目的的基础上，只提供了乘客“最可能”的出行轨迹，缺乏疫情追溯所需的准确度。此外，对于疫情追溯而言，相较于查准率，查全率也是重要的评价指标，现有技术并未对此进行考虑。
综上，如何高效的排查疫情密接人群仍是一项巨大的挑战。
发明内容
本发明的目的是克服上述现有技术的缺陷，提供一种面向地铁网络的疫情密接人群追溯方法。该方法包括以下步骤：
针对判断密接者的问题进行建模；
依据乘客以绝对优势路径出行为假设确定直达证人和换乘证人，进而搜索并验证目标乘客的行程轨迹，其中所述直达证人是以直达线路出行的证人，所述换乘证人是以单次换乘线路出行的证人；
判断目标乘客的行程轨迹是否与感染者存在车次和乘车时间上的交叉，以确定目标乘客是否为密接者；
其中，所述针对判断密接者的问题进行建模包括：
若感染者X在
Figure BDA0003591875750000021
时刻进入
Figure BDA0003591875750000022
站，于
Figure BDA0003591875750000023
时刻在
Figure BDA0003591875750000024
站出站，共换乘l次，分别乘坐
Figure BDA0003591875750000025
车次的列车，
Figure BDA0003591875750000026
为感染者X乘坐
Figure BDA0003591875750000027
车次的发车和到达时间，则感染者X的行程表示为：
Figure BDA0003591875750000028
乘客P在
Figure BDA0003591875750000029
时刻进入
Figure BDA00035918757500000210
站，于
Figure BDA00035918757500000211
时刻在
Figure BDA00035918757500000212
站出站，共换乘k次，分别乘坐
Figure BDA00035918757500000213
车次的列车，
Figure BDA00035918757500000214
分别为乘客P乘坐
Figure BDA00035918757500000215
车次的发车和到达时间，则乘客P的行程表示为：
Figure BDA00035918757500000216
若乘客P乘坐的车次
Figure BDA00035918757500000217
与感染者X乘坐的车次
Figure BDA00035918757500000218
在乘坐车次和乘车时间上有交叉，则乘客P为密接乘客，其中，1≤m≤l+1，1≤n≤k+1。
与现有技术相比，本发明的优点在于，在复杂的地铁网络中，利用少部分可确定出行链的乘客信息，推导目标乘客的可能出行轨迹；通过建立出行链数组验证目标乘客与感染者行程是否有交叉，从而快速判断目标乘客是否为密接乘客；主动向密接乘客提示风险，并为疫情防控工作人员提供信息，以便采取进一步防控措施，进而有效防范疫情蔓延和传播。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
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是根据本发明一个实施例的面向地铁网络的疫情密接人群追溯方法的流程图；
图2是根据本发明一个实施例的密接乘客行程轨迹示意图；
图3是根据本发明一个实施例的典型出站客流情况示意图；
图4是根据本发明一个实施例的面向地铁网络的疫情密接人群追溯方法的流程图；
图5是根据本发明一个实施例的基于证人证明的启发式树搜索的示意图。
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。
参见图1所示，所提供的面向地铁网络的疫情密接人群追溯方法包括以下步骤。
步骤S110，面向地铁网络，针对判断密接者的问题进行建模。
若感染者(或无症状感染者)X在
Figure BDA0003591875750000041
时刻进入
Figure BDA0003591875750000042
站，于
Figure BDA0003591875750000043
时刻在
Figure BDA0003591875750000044
站出站，共换乘l次，分别乘坐
Figure BDA0003591875750000045
车次的列车，
Figure BDA0003591875750000046
为感染者X乘坐
Figure BDA0003591875750000047
车次的发车和到达时间(其中，1≤m≤l+1，m为整数)，则感染者X的行程可表达为
Figure BDA0003591875750000048
乘客P在
Figure BDA0003591875750000049
时刻进入
Figure BDA00035918757500000410
站，于
Figure BDA00035918757500000411
时刻在
Figure BDA00035918757500000412
站出站，共换乘k次，分别乘坐
Figure BDA00035918757500000413
车次的列车，
Figure BDA00035918757500000414
分别为乘客P乘坐
Figure BDA00035918757500000415
车次的发车和到达时间(其中，1≤n≤k+1，n为整数)，则乘客P的行程可表示为
Figure BDA00035918757500000416
若乘客P乘坐的车次
Figure BDA00035918757500000417
与感染者X乘坐的
Figure BDA00035918757500000418
在乘坐车次和乘车时间上有交叉，则乘客P为密接乘客。如图2所示，乘客P和感染者X均经过A站乘车至B站，若乘客P乘坐的车次
Figure BDA00035918757500000419
车次与感染者X乘坐的
Figure BDA00035918757500000420
车次一致，则乘客P为密接乘客。
在上述情景中，感染者X的行程可以通过流行病学调查和AFC数据相结合来确定。对于其他乘客，仅能通过AFC数据获取乘客的进出站时间和站点，其所乘坐的路线和车次是未知的，因此需要准确识别其他乘客的行程轨迹。
一般来说，乘客的出行链是难以复原的。但是，当乘客的出发站和到达站满足以下条件时，乘客的出行链将是简单而确定的。一是出发站和到达站间有直达的线路，并且直达线路是其最短的路径；二是出发站和到达站之间没有直达线路，但有唯一的单次换乘路径，且单次换乘路径是最短路径。以上乘客的最短路径不论是换乘次数、乘坐时间都较其他路径有着绝对优势，例如根据行程时间也可判断这些乘客只能以最短路径出行，也就是说，这些乘客的出行路径是确定的。
此外，乘客在进站候车时，可能会由于车厢拥挤而无法登车发生滞留，但在出站时，一般会尽快出站。图3显示了出站客流情况，其中纵坐标表示乘客数量，横坐标表示一天中的时间点。从图3可以看出，一班班车次的乘客如潮汐般出站，有着明显的间隔，以此可判断乘客出站前乘坐的车次。
在确定这些乘客的出行路径和车次后，其出行链的各个环节被复原出来，即刷卡时间、进站时间(从闸机步行走向站台和候车)、上车时间、下车时间、换乘时间(步行和候车)、换乘线路的上车时间、换乘线路的下车时间、出站时间(从站台步行走向闸机)均被确定。在每一个乘车环节，这些乘客都像“证人”一般证明了在某时刻刷卡进站是否可能乘坐某个车次的列车、在某天从某个车次下车后是否可能换乘至另一个车次、从某站进站至少要花费多长时间才能到达站台、从某站出站至少要花费多长时间等。这为验证其他乘客在刷卡进站至刷卡出站的行程时间约束下是否能以某条路径出行提供了丰富的信息。
在本文实施例中，以直达线路出行的证人称为“直达证人”，行程表示为
Figure BDA0003591875750000051
以单次换乘线路出行的证人称为“换乘证人”，行程可表示为
Figure BDA0003591875750000052
对于目标乘客而言，验证是否能以目标行程
Figure BDA0003591875750000053
出行，要验证其目标行程的各个环节是否能找到证人，即需满足以下条件：
Figure BDA0003591875750000054
其中，
Figure BDA0003591875750000055
为从O站进站的所有直达证人的最小进站时间，
Figure BDA0003591875750000056
为
Figure BDA0003591875750000057
时间范围内进入O站的所有直达证人的集合(
Figure BDA0003591875750000058
为
Figure BDA0003591875750000059
车次的发车间隔)，
Figure BDA00035918757500000510
为乘客P第n次换乘时的所有换乘证人的集合(1≤n≤k，n为整数)，
Figure BDA00035918757500000511
为
Figure BDA00035918757500000512
时间范围内从D站出站的所有直达证人的集合(
Figure BDA0003591875750000061
为
Figure BDA0003591875750000062
车次的发车间隔)，
Figure BDA0003591875750000063
为从D站出站的所有直达证人的最小出站时间。
若目标乘客的目标行程为真，并且与感染者行程有交叉，则目标乘客为密接乘客。由此，疫情追溯问题转化为搜索目标乘客的可能行程以及验证是否与感染者行程有交叉的问题。
步骤S120，根据直达证人和换乘证人确定目标乘客的行程轨迹，并验证目标乘客是否为密接者。
在地铁网络中每天有数以百万计的乘客，其中大部分乘客的出行时间和出行路径与感染者的行程是不存在交叉可能的，为了缩减可能是密接者的乘客数量，首先应排除掉该部分乘客以减少计算量。接下来，通过直达证人和换乘证人提供的证明，生成目标乘客的出行链，并验证出行链的可行性以及是否与感染者行程存在交叉。若发现密接乘客，则采取进一步措施。参见4所示，确定密接者的具体步骤如下：
步骤S121，初步筛查目标乘客。
当乘客的进出站时间与感染者的进出站时间不重叠时，乘客的任何行程不可能与感染者行程交叉。因此，排除符合以下条件的乘客：
Figure BDA0003591875750000064
当乘客的所有可能出行路径与感染者的出行路径不重叠时，乘客的任何行程不可能与感染者行程交叉。因此，排除符合以下条件的乘客：
Figure BDA0003591875750000065
其中，RP为乘客OD间所有的可能出行路径经过的站点集合(可以通过地图API推荐的公共交通线路获取)，RX为感染者X经过的站点集合。
步骤S122，执行基于证人证明的启发式树搜索，以确定目标乘客的行程轨迹。
具体地，通过证人反推目标乘客的可能行程，步骤如下：
Step1，将
Figure BDA0003591875750000066
时间范围内从D站离开的所有直达证人
Figure BDA0003591875750000067
的出站车次作为
Figure BDA0003591875750000068
若
Figure BDA0003591875750000069
则将该车次为根节点，否则返回空值；
Step2，将在第k个换乘站换乘至
Figure BDA00035918757500000610
车次的换乘证人
Figure BDA00035918757500000611
的换乘前车次作为
Figure BDA0003591875750000071
将在第k-1个换乘站换乘至
Figure BDA0003591875750000072
车次的换乘证人
Figure BDA0003591875750000073
的换乘前车次作为
Figure BDA0003591875750000074
……；将在第1个换乘站换乘至
Figure BDA0003591875750000075
车次的换乘证人
Figure BDA0003591875750000076
的换乘前车次作为
Figure BDA0003591875750000077
若
Figure BDA0003591875750000078
且
Figure BDA0003591875750000079
则该车次为叶节点；
Step3，生成目标乘客行程
Figure BDA00035918757500000710
以图5所示为例，通过出站的直达证人确定车次a为根节点，通过换乘证人确定车次a的换乘前车次为车次b或车次c，并依次确定车次b的换乘前车次为车次d、车次c的换乘前车次为车次e和车次f。假设仅车次e满足
Figure BDA00035918757500000711
或
Figure BDA00035918757500000712
的条件，则乘客可能乘坐的车次为e→c→a，即
Figure BDA00035918757500000713
Figure BDA00035918757500000714
步骤S123，验证目标乘客是否为密接乘客。
例如，如果存在
Figure BDA00035918757500000715
Figure BDA00035918757500000716
使得以下条件满足，则目标乘客为密接乘客：
Figure BDA00035918757500000717
其中，1≤n≤k+1，1≤m≤l+1，n、m为整数。
步骤S130，根据防控需要提示密接者的相关信息。
在常态化疫情防控中，乘客通过扫码二维码实名绑定公交卡，填报姓名、联系方式等信息(例如，目前部分城市已进行实名认证)。在发现密接乘客后，系统查询其联系方式，主动向其发送短信提示风险，并为疫情防控工作人员提供相关信息，以便采取进一步防控措施，有效防范疫情蔓延和传播。
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++、Python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 (5)

1.一种面向地铁网络的疫情密接人群追溯方法，包括以下步骤：
针对判断密接者的问题进行建模；
依据乘客以绝对优势路径出行为假设确定直达证人和换乘证人，进而搜索并验证目标乘客的行程轨迹，其中所述直达证人是以直达线路出行的证人，所述换乘证人是以单次换乘线路出行的证人；
判断目标乘客的行程轨迹是否与感染者存在车次和乘车时间上的交叉，以确定目标乘客是否为密接者；
其中，所述针对判断密接者的问题进行建模包括：
若感染者X在
Figure FDA0004071564180000011
时刻进入
Figure FDA0004071564180000012
站，于
Figure FDA0004071564180000013
时刻在
Figure FDA0004071564180000014
站出站，共换乘l次，分别乘坐
Figure FDA0004071564180000015
车次的列车，
Figure FDA0004071564180000016
为感染者X乘坐
Figure FDA0004071564180000017
车次的发车和到达时间，则感染者X的行程表示为：
Figure FDA0004071564180000018
乘客P在
Figure FDA0004071564180000019
时刻进入
Figure FDA00040715641800000110
站，于
Figure FDA00040715641800000111
时刻在
Figure FDA00040715641800000112
站出站，共换乘k次，分别乘坐
Figure FDA00040715641800000113
车次的列车，
Figure FDA00040715641800000114
分别为乘客P乘坐
Figure FDA00040715641800000115
车次的发车和到达时间，则乘客P的行程表示为：
Figure FDA00040715641800000116
若乘客P乘坐的车次
Figure FDA00040715641800000117
与感染者X乘坐的车次
Figure FDA00040715641800000118
在乘坐车次和乘车时间上有交叉，则乘客P为密接乘客；
其中，根据以下步骤确定目标乘客的行程轨迹：
根据以下公式排除与感染者的进出站时间不重叠的乘客：
Figure FDA00040715641800000119
根据以下公式排除与感染者的出行路径不重叠的乘客：
Figure FDA00040715641800000120
其中，RP为乘客OD间所有的可能出行路径经过的站点集合，RS为感染者X经过的站点集合；
基于证人证明的启发式树搜索目标乘客的行程轨迹；
其中，所述基于证人证明的启发式树搜索目标乘客的行程轨迹包括以下步骤：
将
Figure FDA0004071564180000021
时间范围内从D站离开的所有直达证人
Figure FDA0004071564180000022
的出站车次作为
Figure FDA0004071564180000023
若
Figure FDA0004071564180000024
则将该车次为根节点，否则返回空值；
将在第k个换乘站换乘至
Figure FDA0004071564180000025
车次的换乘证人
Figure FDA0004071564180000026
的换乘前车次作为
Figure FDA0004071564180000027
将在第k-1个换乘站换乘至
Figure FDA0004071564180000028
车次的换乘证人
Figure FDA0004071564180000029
的换乘前车次作为
Figure FDA00040715641800000210
以此类推，将在第1个换乘站换乘至
Figure FDA00040715641800000211
车次的换乘证人
Figure FDA00040715641800000212
的换乘前车次作为
Figure FDA00040715641800000213
若
Figure FDA00040715641800000214
且
Figure FDA00040715641800000215
则该车次为叶节点；
生成目标乘客行程轨迹，表示为：
Figure FDA00040715641800000216
其中，所述判断目标乘客的行程轨迹是否与感染者存在车次和乘车时间上的交叉，以确定目标乘客是否为密接者包括：
如果存在
Figure FDA00040715641800000217
Figure FDA00040715641800000218
使得以下条件满足，则目标乘客为密接者：
Figure FDA00040715641800000219
其中，1≤n≤k+1，1≤m≤l+1，n、m为整数；
其中，根据以下步骤验证目标乘客的行程轨迹：
以直达线路出行的证人作为直达证人，行程表示为：
Figure FDA00040715641800000220
以单次换乘线路出行的证人作为换乘证人，行程表示为：
Figure FDA00040715641800000221
对于目标乘客，根据以下条件验证是否以目标行程
Figure FDA00040715641800000222
出行：
Figure FDA00040715641800000223
其中，
Figure FDA00040715641800000224
为从O站进站的所有直达证人的最小进站时间，
Figure FDA00040715641800000225
为
Figure FDA0004071564180000031
时间范围内进入O站的所有直达证人的集合，
Figure FDA0004071564180000032
为
Figure FDA0004071564180000033
车次的发车间隔，
Figure FDA0004071564180000034
为乘客P第n次换乘时的所有换乘证人的集合，
Figure FDA0004071564180000035
为
Figure FDA0004071564180000036
时间范围内从D站出站的所有直达证人的集合，
Figure FDA0004071564180000037
为
Figure FDA0004071564180000038
车次的发车间隔，
Figure FDA0004071564180000039
为从D站出站的所有直达证人的最小出站时间。
2.根据权利要求1所述的方法，其特征在于，感染者的行程通过流行病学调查和AFC数据相结合确定，对于其他乘客，通过AFC数据获取乘客的进出站时间和进出站的站点。
3.根据权利要求1所述的方法，其特征在于，还包括：对于确定为密接者的乘客，利用预存储的联系方式，主动向其提示风险，并为疫情防控工作人员提供相关信息。
4.一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现根据权利要求1至3中任一项所述方法的步骤。
5.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述的方法的步骤。
CN202210378899.5A 2022-04-12 2022-04-12 一种面向地铁网络的疫情密接人群追溯方法 Active CN114694850B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210378899.5A CN114694850B (zh) 2022-04-12 2022-04-12 一种面向地铁网络的疫情密接人群追溯方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210378899.5A CN114694850B (zh) 2022-04-12 2022-04-12 一种面向地铁网络的疫情密接人群追溯方法

Publications (2)

Publication Number Publication Date
CN114694850A CN114694850A (zh) 2022-07-01
CN114694850B true CN114694850B (zh) 2023-03-21

Family

ID=82142349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210378899.5A Active CN114694850B (zh) 2022-04-12 2022-04-12 一种面向地铁网络的疫情密接人群追溯方法

Country Status (1)

Country Link
CN (1) CN114694850B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117290618B (zh) * 2023-11-27 2024-03-01 江西鹭鹭行科技有限公司 城市、城际轨道交通的时空伴随人群搜寻方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111584091B (zh) * 2020-04-29 2023-10-24 北京交通大学 一种城轨线路级密切接触者交叉感染风险辨识方法和装置
CN115691826A (zh) * 2020-12-29 2023-02-03 医渡云（北京）技术有限公司 根据密接图谱确定疫情传播路径方法、装置、设备和介质
CN113035366B (zh) * 2021-03-24 2023-01-13 南方科技大学 密接人群识别方法、装置、电子设备及存储介质
CN113871023A (zh) * 2021-07-07 2021-12-31 厦门市美亚柏科信息股份有限公司 基于社会行为的传染病追踪方法、装置、设备及介质

Also Published As

Publication number Publication date
CN114694850A (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
JP6058139B2 (ja) 公共輸送機関ナビゲータ
Golestan et al. Vehicle localization in vanets using data fusion and v2v communication
KR101582283B1 (ko) 전철 네트워크의 승객 이동경로 추정 방법
US10593133B2 (en) Determining a current position of a vehicle in real-time
CN110874668B (zh) 一种轨道交通od客流预测方法、系统及电子设备
CN109547930B (zh) 基于运营商数据的城市轨道交通客流来源分析的方法及装置
CN114694850B (zh) 一种面向地铁网络的疫情密接人群追溯方法
US9372086B2 (en) Control system for indicating if people can reach locations that satisfy a predetermined set of conditions and requirements
CN108876028B (zh) 一种基于生存分析的公共交通周转时间预测方法及装置
CN109470257B (zh) 一种基于区块链技术的迷路人员指引方法
Zhang et al. Optimized skip-stop metro line operation using smart card data
US10890460B2 (en) Navigation and location validation for optimizing vehicle-based transit systems
CN105303245A (zh) 交通分析系统以及交通分析方法
CN114820264A (zh) 公共交通工具换乘数据处理方法、装置、设备、存储介质
Hua et al. Network survivability and recoverability in urban rail transit systems under disruption
CN115545363A (zh) 区域轨道交通站点维修调度方法、系统及电子设备
CN111201555B (zh) 生成一个或多个交通工具的调度信息的方法及其设备
CN115691128B (zh) 一种基于多源公交数据联合挖掘的公交站点客流推算方法
KR20230041920A (ko) 열차 운행 지연을 해소하기 위한 실시간 스케줄링 방법 및 장치
Al-Kuwari et al. Forensic tracking and mobility prediction in vehicular networks
CN112348230B (zh) 一种地铁乘客出行路径识别方法
CN107121145A (zh) 一种交通信息处理方法及装置
US10546307B2 (en) Method, apparatuses, and computer program products for automatically detecting levels of user dissatisfaction with transportation routes
CN112052276A (zh) 乘车路线的挖掘方法和装置
CN111489024A (zh) 出行方案推荐方法、装置、设备及存储介质

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