CN115662650A - 基于大数据精准定位的密接用户打捞方法 - Google Patents
基于大数据精准定位的密接用户打捞方法 Download PDFInfo
- Publication number
- CN115662650A CN115662650A CN202211071997.0A CN202211071997A CN115662650A CN 115662650 A CN115662650 A CN 115662650A CN 202211071997 A CN202211071997 A CN 202211071997A CN 115662650 A CN115662650 A CN 115662650A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- confirmed
- motion
- close
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000033001 locomotion Effects 0.000 claims abstract description 222
- 238000012163 sequencing technique Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000002265 prevention Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000011084 recovery Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000012790 confirmation Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000005541 medical transmission Effects 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请公开了一种基于大数据精准定位的密接用户打捞方法,属于疫情防控技术领域,本申请根据采集到的确诊用户的XDR数据和MR数据,对所述确诊用户进行定位,得到所述确诊用户在预设时段内的目标位置轨迹;对该目标位置轨迹进行分析得到所述确诊用户在该预设时段内的运动状态,根据其运动状态,得到其对应的目标运动场景,从该目标运动场景中排查密接用户,即,本申请快速定位了确诊用户的活动轨迹,并快速锁定到确诊用户在不同运动状态对应运动场景,能够快速准确地排查到密接用户。因此,本申请能够提高对打捞的效率。
Description
技术领域
本申请涉及疫情防控技术领域,尤其涉及一种基于大数据精准定位的密 接用户打捞方法。
背景技术
目前,疫情防控主要采用人工流调方式,对与确诊病例相处在同一个空 间、同一单位、同一建筑的密接者进行摸排和检测来切断疫情传播链。而通 过流调方式排查密接用户,耗费较大人力,即排查效率低,且对同一空间下 的密接用户进行排查时,容易出现遗漏。
因此,现有技术中存在对密接用户进行排查时效率太低。
发明内容
本申请的主要目的在于提供一种基于大数据精准定位的密接用户打捞方 法,旨在解决对密接用户进行打捞时效率太低的技术问题。
为实现上述目的,本申请提供一种基于大数据精准定位的密接用户打捞 方法,所述基于大数据精准定位的密接用户打捞方法包括以下步骤:
采集确诊用户的XDR数据和MR数据;
基于所述确诊用户的XDR数据和MR数据,对所述确诊用户进行定位, 得到所述确诊用户在预设时段内的目标位置轨迹;
从所述目标位置轨迹中,分析得到所述确诊用户在所述预设时段内的运 动状态;
基于所述运动状态,确定所述运动状态对应目标运动场景下的密接用户。
在本申请的一种可能的实施方式中,所述运动状态包括驻留状态和非驻 留状态,所述从所述目标位置轨迹中,分析得到所述确诊用户在所述预设时 段内的运动状态的步骤,包括:
在预设区域范围内按预设栅格粒度对所述目标位置轨迹中的第一位置点 进行栅格化;
计算所述确诊用户在所述第一位置点所属栅格内的驻留时长;
若所述驻留时长大于预设驻留时长,则确定所述确诊用户在所述第一位 置点的运动状态为驻留状态;
若所述驻留时长大于所述预设驻留时长,且远离所述第一位置点所属栅 格第一预设距离,则确定所述运动状态为非驻留状态。
在本申请的一种可能的实施方式中,所述基于所述运动状态,确定所述 运动状态对应目标运动场景下的密接用户的步骤,包括:
若所述运动状态为驻留状态,则确定所述第一位置点为驻留点;
将所述驻留点所在位置与实时地理图层数据进行匹配,得到所述确诊用 户所在第一运动场景;
确定所述第一运动场景下的常驻用户以及进入所述驻留点所属栅格内的 流动用户,将所述常驻用户以及流动用户作为所述第一运动场景下的密接用 户。
在本申请的一种可能的实施方式中,所述从所述目标位置轨迹中,分析 得到所述确诊用户在所述预设时段内的运动状态的步骤之后,所述方法还包 括:
若所述运动状态为非驻留状态,则将所述目标位置轨迹中的第一位置点 按时间排序,并进行分段处理,得到多段第一位置轨迹;
计算所述确诊用户在每段第一位置轨迹中的平均运动速度;
从所述多段第一位置轨迹中筛选出多段第二位置轨迹,其中,所述多段 第二位置轨迹中的所述平均运动速度大于预设运动速度;
从所述多段第一位置轨迹中筛选出多段第三位置轨迹,其中,所述多段 第三位置轨迹中的所述平均运动速度小于预设运动速度。
在本申请的一种可能的实施方式中,所述基于所述运动状态,确定所述 运动状态对应目标运动场景下的密接用户的步骤,包括:
将所述多段第二位置轨迹中的第二位置点按时间排序,得到所述确诊用 户的第一运动轨迹;
将所述第一运动轨迹中的第二位置点与实时路网信息数据进行匹配,得 到所述确诊用户所在第二运动场景;
确定所述确诊用户在所述第二运动场景下的交通出行轨迹,将与所述交 通出行轨迹相同的同行用户作为所述第二运动场景下的密接用户。
在本申请的一种可能的实施方式中,所述基于所述运动状态,确定所述 运动状态对应目标运动场景下的密接用户的步骤,包括:
将所述多段第三位置轨迹中的第三位置点按时间排序,得到所述确诊用 户的第二运动轨迹;
将所述第二运动轨迹中的第三位置点与所述实时路网信息数据进行匹配, 得到所述确诊用户所在第三运动场景;
确定在离所述第三位置点所属栅格第二预设距离范围内的疑似密接用户;
获取所述疑似密接用户的MR数据;
基于所述确诊用户和疑似密接用户的MR数据,确定所述确诊用户的高 度伴随用户,将所述高度伴随用户作为所述第三运动场景下的密接用户。
在本申请的一种可能的实施方式中,所述基于所述确诊用户和疑似密接 用户的MR数据,确定所述确诊用户的高度伴随用户的步骤,包括:
将在同一时间点采集到的所述确诊用户的MR数据中的基站小区场强数 据,以及所述疑似密接用户的MR数据中的基站小区场强数据,分别放入所 述确诊用户的第一数据集合,以及所述疑似密接用户的第二数据集合;
计算所述第一数据集合以及所述第二数据集合的相似度;
若所述相似度大于预设相似度阈值,则确定所述疑似密接用户为所述高 度伴随用户。
本申请还提供一种基于大数据精准定位的密接用户打捞装置,所述装置 包括:
采集模块,用于采集确诊用户的XDR数据和MR数据;
定位模块,用于基于所述确诊用户的XDR数据和MR数据,对所述确诊 用户进行定位,得到所述确诊用户在预设时段内的目标位置轨迹;
分析模块,用于从所述目标位置轨迹中,分析得到所述确诊用户在所述 预设时段内的运动状态;
排查模块,用于基于所述运动状态,确定所述运动状态对应目标运动场 景下的密接用户。
本申请还提供一种基于大数据精准定位的密接用户打捞设备,所述设备 包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基 于大数据精准定位的密接用户打捞程序,所述基于大数据精准定位的密接用 户打捞程序配置为实现如上述任一项所述的基于大数据精准定位的密接用户 打捞方法的步骤。
本申请还提供一种存储介质,所述存储介质上存储有基于大数据精准定 位的密接用户打捞程序,所述基于大数据精准定位的密接用户打捞程序被处 理器执行时实现如上述任一项所述的基于大数据精准定位的密接用户打捞方 法的步骤。
本申请提供一种基于大数据精准定位的密接用户打捞方法,与现有技术 中通过流调方式排查密接用户相比,本申请根据采集到的确诊用户的XDR数 据和MR数据,对所述确诊用户进行定位,得到所述确诊用户在预设时段内 的目标位置轨迹;对该目标位置轨迹进行分析得到所述确诊用户在该预设时 段内的运动状态,根据其运动状态,得到其对应的目标运动场景,从该目标 运动场景中排查密接用户,即,本申请快速定位了确诊用户的活动轨迹,并 快速锁定到确诊用户在不同运动状态对应运动场景,能够快速准确地排查到密接用户。因此,本申请能够提高对密接用户的打捞效率。
附图说明
图1为本申请一种基于大数据精准定位的密接用户打捞方法的第一实施 例的流程示意图;
图2为本申请第一实施例的基于大数据精准定位的密接用户打捞方法的 第一场景示意图;
图3为本申请第一实施例的基于大数据精准定位的密接用户打捞方法的 第一场景示意图;
图4为本申请第一实施例的基于大数据精准定位的密接用户打捞方法的 第一场景示意图;
图5为本申请第一实施例的基于大数据精准定位的密接用户打捞方法的 第一场景示意图;
图6为本申请第一实施例的基于大数据精准定位的密接用户打捞方法的 第一场景示意图;
图7是本申请实施例方案涉及的硬件运行环境的基于大数据精准定位的 密接用户打捞设备的结构示意图;
图8为本申请第一实施例的基于大数据精准定位的密接用户打捞装置示 意图;
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步 说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限 定本申请。
本申请实施例提供了一种基于大数据精准定位的密接用户打捞方法,参 照图1,图1为本申请一种基于大数据精准定位的密接用户打捞方法的第一实 施例的流程示意图。
在本实施例中,所述基于大数据精准定位的密接用户打捞方法包括:
步骤S10:采集确诊用户的XDR数据和MR数据;
步骤S20:基于所述确诊用户的XDR数据和MR数据,对所述确诊用户 进行定位,得到所述确诊用户在预设时段内的目标位置轨迹;
步骤S30:从所述目标位置轨迹中,分析得到所述确诊用户在所述预设时 段内的运动状态;
步骤S40:基于所述运动状态,确定所述运动状态对应目标运动场景下的 密接用户。
本实施例旨在:提高对密接用户的打捞效率。
在本实施例中,根据采集到的确诊用户的XDR数据和MR数据,对所述 确诊用户进行定位,得到所述确诊用户在预设时段内的目标位置轨迹;对该 目标位置轨迹进行分析,得到所述确诊用户在该预设时段内的运动状态,所 述运动状态包括驻留状态和非驻留状态,对所述确诊用户在所述目标位置轨 迹中的位置点进行栅格化,根据所述确诊用户在所述位置点所属栅格内的驻 留时长,来确定所述确诊用户的运动状态。根据其运动状态,得到其对应的 目标运动场景,从该目标运动场景中排查密接用户,即,本申请快速定位了 确诊用户的活动轨迹,并快速锁定到确诊用户在不同运动状态对应运动场景, 能够快速准确地排查到密接用户。因此,本申请能够提高对基于大数据精准 定位的密接用户打捞效率。
在本实施例中,若确定所述第一位置点的运动状态为驻留状态,则确定 所述第一位置点为驻留点;即,确诊用户在该驻留点停留时长过长,该驻留 点存在疾病传播可能性较大;将所述驻留点所在位置与实时地理图层数据进 行匹配,得到所述确诊用户所在第一运动场景;该第一运动场景可以理解为 驻留点的位置,即可将驻留点的常驻用户列入密接用户。
在本实施例中,基于确诊用户的精准定位将处于同一时空的密接人员进 行筛选,根据确诊用户的目标位置轨迹识别确诊用户的驻留地、出行方式和 线路,可以辅助疫情防控人员的流调工作,也可以基于运营商大数据提取确 诊用户的驻留地、出行方式和线路各场景下的密接人员,相比于传统人工流 调方式,更加高效,更加全面,准确率更高,可快速将病毒扩散传播风险降 到最低。
作为一种示例,所述基于大数据精准定位的密接用户打捞方法应用于基 于大数据精准定位的密接用户打捞系统,所述基于大数据精准定位的密接用 户打捞系统从属于基于大数据精准定位的密接用户打捞设备。
作为一种示例,所述基于大数据精准定位的密接用户打捞方法的应用场 景可以是驻留场景、交通出行场景以及非交通出行场景。
具体步骤如下:
步骤S10:采集确诊用户的XDR数据和MR数据;
作为一种示例,密接用户可以包括确诊用户驻留点的常驻用户、与其交 通出行轨迹相同的同行用户以及高度伴随用户。
作为一种示例,确诊用户为已确认感染疾病的用户。
作为一种示例,XDR(External Data Representation,外部数据表示法)数 据可以是从S1-MME和S1-U接口获取的用户面数据、控制面以及业务面的信 令数据。
作为一种示例,MR数据(Measurement Report,测量报告数据)包括用 户终端地理位置信息、终端的服务小区、和邻区信息,及其场强(信号强度)。
作为一种示例,采集预设时段内的确诊用户的XDR数据和MR数据。
需要说明的是,所述在采集确诊用户的XDR数据和MR数据之前,已获 取所述确诊用户的授权,并已告知所述确诊用户采集到的XDR数据和MR数 据用于对所述确诊用户进行精准定位从而对密接用户进行排查,且采集到的 确诊用户的XDR数据和MR数据不会用于其他与本申请无关的场景。
步骤S20:基于所述确诊用户的XDR数据和MR数据,对所述确诊用户 进行定位,得到所述确诊用户在预设时段内的目标位置轨迹;
作为一种示例,基于所述确诊用户的XDR数据和MR数据,以及OOT 定位方式或指纹库定位方式,对所述确诊用户进行精准定位。
作为一种示例,OOT定位方式为当用户终端应用程序与应用服务器之间 进行数据传输时,用户终端应用程序以http协议在上行中上报给该应用服务 器,应用服务器以http协议在下行中以压缩包形式将经纬度发送至所述用户 终端,即可从S1_U等接口提取经纬度信息;或者用户终端的地图应用程序等 进行数据传输时,地图应用服务器将经纬度发送至用户终端时,即可提取经 纬度信息。
作为一种示例,由于用户不是时刻都在使用手机,因此当无法使用OOT 方式对所述确诊用户在某个时间点进行定位时,可以使用指纹库方式对所述 确诊用户进行定位。
具体地,所述指纹库定位方式为按基站的分布情况以及经纬度对预设区 域进行栅格化,获取每个栅格内的各小区的场强,存入指纹库中,将确诊用 户的MR数据中的服务小区和邻区信息,及其场强与所述指纹库内的信息进 行比对,匹配度最高的栅格即为所述确诊用户所在位置(经纬度),再结合 XDR数据以及MR数据,即可对所述确诊用户进行精准定位(时间、经纬度 等)。
作为一种示例,定位到不同时间点的所述确诊用户的第一位置点后,即 可将各时间点下的第一位置点按时间顺序排列,得到所述确诊用户在预设时 段内的目标位置轨迹。
作为一种示例,所述预设时段内可以是7天内、3天内或者24小时内等, 具体不做限定。
作为一种示例,如图2所示,所述目标位置轨迹可以表示为所述确诊用 户在所述预设时段内每个MR数据采集时间点以及对应的第一位置点。
步骤S30:从所述目标位置轨迹中,分析得到所述确诊用户在所述预设时 段内的运动状态;
在本实施例中,所述运动状态包括驻留状态和非驻留状态,所述从所述 目标位置轨迹中,分析得到所述确诊用户在所述预设时段内的运动状态的步 骤,包括:
步骤S31:在预设区域范围内按预设栅格粒度对所述目标位置轨迹中的第 一位置点进行栅格化;
作为一种示例,所述预设栅格粒度可以是1米、5米和10米等,具体不 做限定。
作为一种示例,所述预设区域范围内可以使100米、200米和500米等, 具体不做限定。
作为一种示例,可以是在500米范围内按10米的栅格粒度对所述目标位 置轨迹中的每个第一位置点进行栅格化。
步骤S32:计算所述确诊用户在所述第一位置点所属栅格内的驻留时长;
作为一种示例,计算所述确诊用户在每个第一位置点所属栅格内的驻留 时长;
作为一种示例,如图2所示,若所述确诊用户在t4至t5时段内所处栅格 不变,则可计算得到确诊用户在该栅格对应的第一位置点的停留时长为(t5-t4)。
步骤S33:若所述驻留时长大于预设驻留时长,则确定所述确诊用户在所 述第一位置点的运动状态为驻留状态;
作为一种示例,所述预设驻留时长可以是5分钟、8分钟以及10分钟等, 具体不做限定。
作为一种示例,若所述确诊用户在该第一位置点所属栅格内的停留时长 为(t5-t4)大于5分钟,则确定所述确诊用户在该第一位置点的运动状态为驻 留状态。
步骤S34:若所述驻留时长大于所述预设驻留时长,且远离所述第一位置 点所属栅格第一预设距离,则确定所述运动状态为非驻留状态。
作为一种示例,若所述确诊用户在该第一位置点所属栅格内的停留时长 为(t5-t4)小于5分钟,且该确诊用户已离开所述栅格,且在所述栅格的500 外,则确定所述确诊用户的运动状态为非驻留状态。
作为一种示例,若所述确诊用户在该第一位置点所属栅格内的停留时长 为(t5-t4)小于5分钟,且该确诊用户离开过该栅格,则继续在当前停留时长 的基础上进行累加,其运动状态暂定。
步骤S40:基于所述运动状态,确定所述运动状态对应目标运动场景下的 密接用户。
作为一种示例,所述运动状态与目标运动场景的对应关系可以是驻留状 态与第一运动场景(驻留地)、非驻留状态与第二运动场景(交通出行场景) 和第三运动场景(非交通出行场景)。
作为一种示例,若上述得到的确诊用户在所述第一位置点的运动状态为 驻留状态,则可从所述驻留状态对应的驻留地中确定密接用户;若上述得到 的确诊用户在所述第一位置点的运动状态为非驻留状态,则可从所述非驻留 状态对应的交通出行场景或非交通出行场景中确定密接用户。
在本实施例中,通过根据采集到的确诊用户的XDR数据和MR数据,以 及OOT定位方法和指纹库定位方法对所述确诊用户进行定位,得到所述确诊 用户在预设时段内的目标位置轨迹;对该目标位置轨迹进行分析,得到所述 确诊用户在该预设时段内的运动状态,所述运动状态包括驻留状态和非驻留 状态,对所述确诊用户在所述目标位置轨迹中的位置点进行栅格化,根据所 述确诊用户在所述位置点所属栅格内的驻留时长,来确定所述确诊用户的运 动状态。根据其运动状态,得到其对应的目标运动场景,从该目标运动场景 中排查密接用户,即,本申请快速定位了确诊用户的活动轨迹,并快速锁定 到确诊用户在不同运动状态对应运动场景,能够快速准确地排查到密接用户。 因此,本申请能够提高对密接用户的打捞效率。
进一步地,基于本申请中第一实施例,提供本申请的第二实施例,该实 施例的应用场景为,当在确诊用户的目标位置轨迹中找到确诊用户在一些驻 留点驻留过时,如果准确获得驻留点的驻留场景以及如何从该驻留场景中排 查密接用户。
所述基于所述运动状态,确定所述运动状态对应目标运动场景下的密接 用户的步骤,包括:
步骤A1:若所述运动状态为驻留状态,则确定所述第一位置点为驻留点;
作为一种示例,若所述运动状态为驻留状态,则确定所述确诊用户处于 驻留状态所在的第一位置点为驻留点。
步骤A2:将所述驻留点所在位置与实时地理图层数据进行匹配,得到所 述确诊用户所在第一运动场景;
作为一种示例,所述实时地理图层数据为将空间信息按其几何特征及属 性划分的实时地图。
作为一种示例,获取实时地理图层数据,将所述驻留点所在位置与实时 地理图层数据进行匹配,即可得到所述第一运动场景;具体地,所述第一运 动场景可以是一个建筑或一个空间。
作为一种示例,如图2所示,所述MR数据采样点t4-t5、t12-t15、t18-19 对应的第一位置点为第一运动场景。
步骤A3:确定所述第一运动场景下的常驻用户以及进入所述驻留点所属 栅格内的流动用户,将所述常驻用户以及流动用户作为所述第一运动场景下 的密接用户。
作为一种示例,为了节省人力,在确诊用户的驻留场景确定后,可以通 过获取所述驻留点所在栅格内的基站在一段时间内(几个小时、1个月或者几 个月等)的通讯数据,基于同一用户的通讯时长,筛选出白天或者晚上的常 驻用户,将所述常驻用户作为该驻留场景下的密接用户;并通过获取同一时 段内的XDR数据以及MR数据,通过OOT定位或指纹库定位的方式对进入 所述驻留点所属栅格内的流动用户进行定位的方式,排查到所述密接用户。
作为一种示例,通过获取所述常驻用户以及流动用户的通讯数据,得到 驻留场景下的密接用户的IMSI(国际移动用户识别码)号码,以通知所述密 接用户。
作为一种示例,实际上,根据上述基于大数据精准定位的密接用户打捞 方法确定了确诊用户的驻留场景,即可辅助流调人员进行快速排查。
在本实施例中,若确定所述第一位置点的运动状态为驻留状态,则确定 所述第一位置点为驻留点;即,确诊用户在该驻留点停留时长过长,该驻留 点存在疾病传播可能性较大;将所述驻留点所在位置与实时地理图层数据进 行匹配,得到所述确诊用户所在第一运动场景;该第一运动场景可以理解为 驻留点的位置,即可将驻留点的常驻用户列入密接用户。快速确定所述第一 运动场景后,可以辅助流调人员精准排查所述确诊用户。
进一步地,基于本申请中第一实施例以及第二实施例,提供本申请的第 三实施例,该实施例中的应用场景为,确诊用户的目标位置轨迹中除了可能 驻留在上述驻留点,还可能在运动过程中与密接用户有过接触,如何准确获 得所述运动过程中的非驻留场景,以及如何从该非驻留场景中排查密接用户。
在本实施例中,所述从所述目标位置轨迹中,分析得到所述确诊用户在 所述预设时段内的运动状态的步骤之后,所述方法还包括:
步骤S50:若所述运动状态为非驻留状态,则将所述目标位置轨迹中的第 一位置点按时间排序,并进行分段处理,得到多段第一位置轨迹;
作为一种示例,所述第一位置轨迹中的第一位置点包含驻留点、第二位 置点以及第三位置点。
作为一种示例,如图3所示,所述目标位置轨迹可以表示为所述确诊用 户在所述预设时段内每个MR数据采集时间点以及对应的第一位置点。
作为一种示例,所述非驻留状态可以是交通出行状态或非交通出行状态。
作为一种示例,所述多段第一位置轨迹是将所述目标位置轨迹按预设时 长进行分段处理得到的,具体地,所述预设时长可以是5分钟和10分钟等。
步骤S60:计算所述确诊用户在每段第一位置轨迹中的平均运动速度;
作为一种示例,如图2所示,从第2个MR数据采样点(t2)开始,计算 每个采样点与前1个采样点的距离差和时间差,并用距离差和时间差计算出 运动速度,作为当前MR数据采样点(t2)的瞬时速度S1;计算出所述确诊 用户在以10分钟时长进行分段处理的每段第一位置轨迹的平均运动速度S2, 即,平均运动速度S2为每段第一位置轨迹中各MR数据采样点的瞬时速度的 平均值。
步骤S70:从所述多段第一位置轨迹中筛选出多段第二位置轨迹,其中, 所述多段第二位置轨迹中的所述平均运动速度大于预设运动速度;
作为一种示例,所述预设运动速度可以是20公里/小时和25公里/小时等。
作为一种示例,按照用户平均运动速度S2大于20公里/小时进行筛选, 从所述多段第一位置轨迹中筛选出多段第二位置轨迹。
步骤S80:从所述多段第一位置轨迹中筛选出多段第三位置轨迹,其中, 所述多段第三位置轨迹中的所述平均运动速度小于预设运动速度。
作为一种示例,按照用户平均运动速度S2小于20公里/小时进行筛选, 从所述多段第一位置轨迹中筛选出多段第三位置轨迹。
在本实施例中,所述基于所述运动状态,确定所述运动状态对应目标运 动场景下的密接用户的步骤,包括:
步骤B1:将所述多段第二位置轨迹中的第二位置点按时间排序,得到所 述确诊用户的第一运动轨迹;
作为一种示例,如图4所示,将所述多段第二位置轨迹中的第二位置点 按时间排序,得到所述确诊用户的第一运动轨迹。
步骤B2:将所述第一运动轨迹中的第二位置点与实时路网信息数据进行 匹配,得到所述确诊用户所在第二运动场景;
作为一种示例,所述实时路网信息数据包含高速公路、城市快速路、城 市主干道、城市次干道、城市支路、乡村道路、自行车道、人行道路以及内 部道路等信息。
作为一种示例,所述第二运动场景为交通出行场景,即,确定所述确诊 用户乘坐的交通工具。
作为一种示例,获取实时路网信息数据,将所述第二位置点与所述实时 路网信息数据进行匹配,确定所述确诊用户所在第二运动场景。
作为一种示例,如图4所示,所述MR数据采样点t2-t4、t5-t7、t10-t12、 t15-t18对应的第二位置点为第二运动场景。
步骤B3:确定所述确诊用户在所述第二运动场景下的交通出行轨迹,将 与所述交通出行轨迹相同的同行用户作为所述第二运动场景下的密接用户。
作为一种示例,将确诊用户在所述第二运动场景下的交通出行轨迹,与 实时公共交通出行路线进行匹配,确定确诊用户的交通出行方式及车辆信息, 针对公交、地铁等公共交通出行方式,确定出行轨迹与该公交、地铁路线相 同的同行用户,通过所述同行用户的通讯数据,得到所述同行用户的IMSI号 码,以供通知所述同行用户。并将所述同行用户作为所述第二运动场景下的 密接用户。
在本实施例中,所述基于所述运动状态,确定所述运动状态对应目标运 动场景下的密接用户的步骤,包括:
步骤C1:将所述多段第三位置轨迹中的第三位置点按时间排序,得到所 述确诊用户的第二运动轨迹;
作为一种示例,如图5所示,将所述多段第三位置轨迹中的第三位置点 按时间排序,得到所述确诊用户的第二运动轨迹;
步骤C2:将所述第二运动轨迹中的第三位置点与所述实时路网信息数据 进行匹配,得到所述确诊用户所在第三运动场景;
作为一种示例,所述第三运动场景为非交通出行场景,即,可以是确定 所述确诊用户通过步行或骑行非机动车所经过的道路或者建筑物。
作为一种示例,如图5所示,所述MR数据采样点t1-t2、t7-t10对应的第 三位置点为第三运动场景。
作为一种示例,获取实时路网信息数据,将所述第三位置点与所述实时 路网信息数据进行匹配,确定所述确诊用户所在第三运动场景。
步骤C3:确定在离所述第三位置点所属栅格第二预设距离范围内的疑似 密接用户;
作为一种示例,所述第二预设距离可以是离所述第三位置点所属栅格100 米、200米或500米等。
作为一种示例,以500米栅格为粒度初步筛选疑似密接用户。
步骤C4:获取所述疑似密接用户的MR数据;
作为一种示例,获取上述初步筛选得到的疑似密接用户的MR数据。
步骤C5:基于所述确诊用户和疑似密接用户的MR数据,确定所述确诊 用户的高度伴随用户,将所述高度伴随用户作为所述第三运动场景下的密接 用户。
作为一种示例,所述高度伴随用户为与所述确诊用户经过的道路或建筑 等场景基本相同的用户。
作为一种示例,基于所述确诊用户和疑似密接用户的MR数据,确定所 述确诊用户的高度伴随用户,将所述高度伴随用户作为所述第三运动场景下 的密接用户。并通过获取所述高度伴随用户的通讯数据,得到其IMSI号码, 以供流调人员通知所述高度伴随用户。
在本实施例中,所述基于所述确诊用户和疑似密接用户的MR数据,确 定所述确诊用户的高度伴随用户的步骤,包括:
步骤D1:将在同一时间点采集到的所述确诊用户的MR数据中的基站小 区场强数据,以及所述疑似密接用户的MR数据中的基站小区场强数据,分 别放入所述确诊用户的第一数据集合,以及所述疑似密接用户的第二数据集 合;
作为一种示例,获取确诊用户与任一所述疑似密接用户所述预设时段内 在同一时间点采集到的MR数据中服务的基站小区场强数据集合:X、Y。
作为一种示例,所述X为在一定时段内在同一时间点采集到的,所述确 诊用户的MR数据中的基站小区场强数据;所述Y为在一定时段内在同一时 间点采集到的,所述任一所述疑似密接用户的MR数据中的基站小区场强数 据。
作为一种示例,如图6所示,由于同一时间点采集到的小区信息不止一 个(服务小区以及其他邻区),因此,将这两个场强数据集合用图表绘出, 图表横坐标为小区1、小区2……小区7;纵坐标为小区的信号强度(小区场 强)。
步骤D2:计算所述第一数据集合以及所述第二数据集合的相似度;
将采样点X、Y相似度记为r(X,Y),则所述r(X,Y)的计算方式 为:
其中,areax表示确诊用户的MR数据中的基站小区场强数据的信号面积;
areay表示疑似密接用户的MR数据中的基站小区场强数据的信号面积;
Δareai表示二者重叠部分的面积。
即,确诊用户与疑似密接用户之间的相似度为所有同一时间点MR数据 的采样点处的相似度的算术平均值。
步骤D3:若所述相似度大于预设相似度阈值,则确定所述疑似密接用户 为所述高度伴随用户。
作为一种示例,依据所述相似度判断疑似人员的密切程度;若在单位时 间内所述相似度大于预设相似度阈值,则确定所述疑似密接用户为所述高度 伴随用户。
在本实施例中,若所述第一位置点中,若确定所述第一位置点的运动状 态为非驻留状态,则将所述目标位置轨迹中的第一位置点按时间排序,并进 行分段处理,得到多段第一位置轨迹;通过计算每段轨迹的评价运动速度, 能够筛选出确诊用户的运动轨迹,对该运动轨迹的位置点进行分析,能够得 到第二运动场景(交通出行场景)以及第三运动场景(非交通出行场景); 并得到交通出行场景和非交通出行场景下的密接用户。以快速排查与所述确 诊用户在非驻留状态下可能接触到的密接用户。
参照图7,图7是本申请实施例方案涉及的硬件运行环境的设备结构示意 图。
如图7所示,该基于大数据精准定位的密接用户打捞设备可以包括:处 理器1001,存储器1005,通信总线1002。通信总线1002用于实现处理器1001 和存储器1005之间的连接通信。
可选地,该基于大数据精准定位的密接用户打捞设备还可以包括用户接 口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、WiFi 模块等等。用户接口可以包括显示屏(Display)、输入子模块比如键盘 (Keyboard),可选用户接口还可以包括标准的有线接口、无线接口。网络 接口可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术用户可以理解,图7中示出的基于大数据精准定位的密接用 户打捞设备结构并不构成对基于大数据精准定位的密接用户打捞设备的限定, 可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布 置。
如图7所示,作为一种存储介质的存储器1005中可以包括操作系统、网 络通信模块以及基于大数据精准定位的密接用户打捞程序。操作系统是管理 和控制基于大数据精准定位的密接用户打捞设备硬件和软件资源的程序,支 持基于大数据精准定位的密接用户打捞程序以及其它软件和/或程序的运行。 网络通信模块用于实现存储器1005内部各组件之间的通信,以及与基于大数 据精准定位的密接用户打捞系统中其它硬件和软件之间通信。
在图7所示的基于大数据精准定位的密接用户打捞设备中,处理器1001 用于执行存储器1005中存储的基于大数据精准定位的密接用户打捞程序,实 现上述任一项所述的基于大数据精准定位的密接用户打捞方法的步骤。
本申请基于大数据精准定位的密接用户打捞设备具体实施方式与上述基 于大数据精准定位的密接用户打捞方法各实施例基本相同,在此不再赘述。
本申请还提供一种基于大数据精准定位的密接用户打捞装置,如图8所 示,所述基于大数据精准定位的密接用户打捞装置包括:
采集模块10,用于采集确诊用户的XDR数据和MR数据;
定位模块20,用于基于所述确诊用户的XDR数据和MR数据,对所述 确诊用户进行定位,得到所述确诊用户在预设时段内的目标位置轨迹;
分析模块30,用于从所述目标位置轨迹中,分析得到所述确诊用户在所 述预设时段内的运动状态;
排查模块40,用于基于所述运动状态,确定所述运动状态对应目标运动 场景下的密接用户。
可选地,在本申请的一种可能的实施方式中,所述运动状态包括驻留状 态和非驻留状态,所述分析模块30包括:
栅格单元,用于在预设区域范围内按预设栅格粒度对所述目标位置轨迹 中的第一位置点进行栅格化;
计算单元,用于计算所述确诊用户在所述第一位置点所属栅格内的驻留 时长;
第一确定单元,用于若所述驻留时长大于预设驻留时长,则确定所述确 诊用户在所述第一位置点的运动状态为驻留状态;
第二确定单元,用于若所述驻留时长大于所述预设驻留时长,且远离所 述第一位置点所属栅格第一预设距离,则确定所述运动状态为非驻留状态。
可选地,在本申请的一种可能的实施方式中,所述排查模块40包括:
第三确定单元,用于若所述运动状态为驻留状态,则确定所述第一位置 点为驻留点;
第一匹配单元,用于将所述驻留点所在位置与实时地理图层数据进行匹 配,得到所述确诊用户所在第一运动场景;
第四确定单元,用于确定所述第一运动场景下的常驻用户以及进入所述 驻留点所属栅格内的流动用户,将所述常驻用户以及流动用户作为所述第一 运动场景下的密接用户。
可选地,在本申请的一种可能的实施方式中,所述从所述目标位置轨迹 中,分析得到所述确诊用户在所述预设时段内的运动状态的步骤之后,所述 装置还包括:
分段模块,用于若所述运动状态为非驻留状态,则将所述目标位置轨迹 中的第一位置点按时间排序,并进行分段处理,得到多段第一位置轨迹;
计算模块,用于计算所述确诊用户在每段第一位置轨迹中的平均运动速 度;
第一筛选模块,用于从所述多段第一位置轨迹中筛选出多段第二位置轨 迹,其中,所述多段第二位置轨迹中的所述平均运动速度大于预设运动速度;
第二筛选模块,用于从所述多段第一位置轨迹中筛选出多段第三位置轨 迹,其中,所述多段第三位置轨迹中的所述平均运动速度小于预设运动速度。
可选地,在本申请的一种可能的实施方式中,所述排查模块40还包括:
第一排序单元,用于将所述多段第二位置轨迹中的第二位置点按时间排 序,得到所述确诊用户的第一运动轨迹;
第二匹配单元,用于将所述第一运动轨迹中的第二位置点与实时路网信 息数据进行匹配,得到所述确诊用户所在第二运动场景;
第五确定单元,用于确定所述确诊用户在所述第二运动场景下的交通出 行轨迹,将与所述交通出行轨迹相同的同行用户作为所述第二运动场景下的 密接用户。
可选地,在本申请的一种可能的实施方式中,所述排查模块40还包括:
第二排序单元,用于将所述多段第三位置轨迹中的第三位置点按时间排 序,得到所述确诊用户的第二运动轨迹;
第三匹配单元,用于将所述第二运动轨迹中的第三位置点与所述实时路 网信息数据进行匹配,得到所述确诊用户所在第三运动场景;
第六确定单元,用于确定在离所述第三位置点所属栅格第二预设距离范 围内的疑似密接用户;
获取单元,用于获取所述疑似密接用户的MR数据;
第七确定单元,用于基于所述确诊用户和疑似密接用户的MR数据,确 定所述确诊用户的高度伴随用户,将所述高度伴随用户作为所述第三运动场 景下的密接用户。
可选地,在本申请的一种可能的实施方式中,所述第七确定单元用于将 在同一时间点采集到的所述确诊用户的MR数据中的基站小区场强数据,以 及所述疑似密接用户的MR数据中的基站小区场强数据,分别放入所述确诊 用户的第一数据集合,以及所述疑似密接用户的第二数据集合;还用于计算 所述第一数据集合以及所述第二数据集合的相似度;还用于若所述相似度大 于预设相似度阈值,则确定所述疑似密接用户为所述高度伴随用户。
本申请基于大数据精准定位的密接用户打捞装置的具体实施方式与上述 基于大数据精准定位的密接用户打捞方法各实施例基本相同,在此不再赘述。
本申请还提供一种存储介质,所述存储介质上存储有基于大数据精准定 位的密接用户打捞程序,所述基于大数据精准定位的密接用户打捞程序被处 理器执行时实现如上述任一项所述的基于大数据精准定位的密接用户打捞方 法的步骤。
本申请存储介质具体实施方式与上述基于大数据精准定位的密接用户打 捞各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变 体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品 或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是 还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的 情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过 程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术用户可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的 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,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、 磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机, 服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是 利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间 接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于大数据精准定位的密接用户打捞方法,其特征在于,所述方法包括以下步骤:
采集确诊用户的XDR数据和MR数据;
基于所述确诊用户的XDR数据和MR数据,对所述确诊用户进行定位,得到所述确诊用户在预设时段内的目标位置轨迹;
从所述目标位置轨迹中,分析得到所述确诊用户在所述预设时段内的运动状态;
基于所述运动状态,确定所述运动状态对应目标运动场景下的密接用户。
2.如权利要求1所述的基于大数据精准定位的密接用户打捞方法,所述运动状态包括驻留状态和非驻留状态,其特征在于,所述从所述目标位置轨迹中,分析得到所述确诊用户在所述预设时段内的运动状态的步骤,包括:
在预设区域范围内按预设栅格粒度对所述目标位置轨迹中的第一位置点进行栅格化;
计算所述确诊用户在所述第一位置点所属栅格内的驻留时长;
若所述驻留时长大于预设驻留时长,则确定所述确诊用户在所述第一位置点的运动状态为驻留状态;
若所述驻留时长大于所述预设驻留时长,且远离所述第一位置点所属栅格第一预设距离,则确定所述运动状态为非驻留状态。
3.如权利要求2所述的基于大数据精准定位的密接用户打捞方法,其特征在于,所述基于所述运动状态,确定所述运动状态对应目标运动场景下的密接用户的步骤,包括:
若所述运动状态为驻留状态,则确定所述第一位置点为驻留点;
将所述驻留点所在位置与实时地理图层数据进行匹配,得到所述确诊用户所在第一运动场景;
确定所述第一运动场景下的常驻用户以及进入所述驻留点所属栅格内的流动用户,将所述常驻用户以及流动用户作为所述第一运动场景下的密接用户。
4.如权利要求2所述的基于大数据精准定位的密接用户打捞方法,其特征在于,所述从所述目标位置轨迹中,分析得到所述确诊用户在所述预设时段内的运动状态的步骤之后,所述方法还包括:
若所述运动状态为非驻留状态,则将所述目标位置轨迹中的第一位置点按时间排序,并进行分段处理,得到多段第一位置轨迹;
计算所述确诊用户在每段第一位置轨迹中的平均运动速度;
从所述多段第一位置轨迹中筛选出多段第二位置轨迹,其中,所述多段第二位置轨迹中的所述平均运动速度大于预设运动速度;
从所述多段第一位置轨迹中筛选出多段第三位置轨迹,其中,所述多段第三位置轨迹中的所述平均运动速度小于预设运动速度。
5.如权利要求4所述的基于大数据精准定位的密接用户打捞方法,其特征在于,所述基于所述运动状态,确定所述运动状态对应目标运动场景下的密接用户的步骤,包括:
将所述多段第二位置轨迹中的第二位置点按时间排序,得到所述确诊用户的第一运动轨迹;
将所述第一运动轨迹中的第二位置点与实时路网信息数据进行匹配,得到所述确诊用户所在第二运动场景;
确定所述确诊用户在所述第二运动场景下的交通出行轨迹,将与所述交通出行轨迹相同的同行用户作为所述第二运动场景下的密接用户。
6.如权利要求4所述的基于大数据精准定位的密接用户打捞方法,其特征在于,所述基于所述运动状态,确定所述运动状态对应目标运动场景下的密接用户的步骤,包括:
将所述多段第三位置轨迹中的第三位置点按时间排序,得到所述确诊用户的第二运动轨迹;
将所述第二运动轨迹中的第三位置点与所述实时路网信息数据进行匹配,得到所述确诊用户所在第三运动场景;
确定在离所述第三位置点所属栅格第二预设距离范围内的疑似密接用户;
获取所述疑似密接用户的MR数据;
基于所述确诊用户和疑似密接用户的MR数据,确定所述确诊用户的高度伴随用户,将所述高度伴随用户作为所述第三运动场景下的密接用户。
7.如权利要求6所述的基于大数据精准定位的密接用户打捞方法,其特征在于,所述基于所述确诊用户和疑似密接用户的MR数据,确定所述确诊用户的高度伴随用户的步骤,包括:
将在同一时间点采集到的所述确诊用户的MR数据中的基站小区场强数据,以及所述疑似密接用户的MR数据中的基站小区场强数据,分别放入所述确诊用户的第一数据集合,以及所述疑似密接用户的第二数据集合;
计算所述第一数据集合以及所述第二数据集合的相似度;
若所述相似度大于预设相似度阈值,则确定所述疑似密接用户为所述高度伴随用户。
8.一种基于大数据精准定位的密接用户打捞装置,其特征在于,所述装置包括:
采集模块,用于采集确诊用户的XDR数据和MR数据;
定位模块,用于基于所述确诊用户的XDR数据和MR数据,对所述确诊用户进行定位,得到所述确诊用户在预设时段内的目标位置轨迹;
分析模块,用于从所述目标位置轨迹中,分析得到所述确诊用户在所述预设时段内的运动状态;
排查模块,用于基于所述运动状态,确定所述运动状态对应目标运动场景下的密接用户。
9.一种基于大数据精准定位的密接用户打捞设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于大数据精准定位的密接用户打捞程序,所述基于大数据精准定位的密接用户打捞程序配置为实现如权利要求1至7中任一项所述的基于大数据精准定位的密接用户打捞方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有基于大数据精准定位的密接用户打捞程序,所述基于大数据精准定位的密接用户打捞程序被处理器执行时实现如权利要求1至7任一项所述的基于大数据精准定位的密接用户打捞方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211071997.0A CN115662650B (zh) | 2022-09-02 | 2022-09-02 | 基于大数据精准定位的密接用户打捞方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211071997.0A CN115662650B (zh) | 2022-09-02 | 2022-09-02 | 基于大数据精准定位的密接用户打捞方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115662650A true CN115662650A (zh) | 2023-01-31 |
CN115662650B CN115662650B (zh) | 2024-04-26 |
Family
ID=84984432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211071997.0A Active CN115662650B (zh) | 2022-09-02 | 2022-09-02 | 基于大数据精准定位的密接用户打捞方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115662650B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108683527A (zh) * | 2018-04-25 | 2018-10-19 | 武汉虹信技术服务有限责任公司 | 一种基于mr和xdr的用户感知深度检测方法 |
CN109756887A (zh) * | 2018-12-28 | 2019-05-14 | 深圳市名通科技股份有限公司 | 高铁伴随移动端识别方法、装置及计算机可读存储介质 |
CN111311018A (zh) * | 2020-03-04 | 2020-06-19 | 苏州远征魂车船技术有限公司 | 传染疫情精准管控系统 |
CN111341463A (zh) * | 2020-03-17 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 疫情排查方法、装置、计算机设备和存储介质 |
CN111370135A (zh) * | 2020-03-04 | 2020-07-03 | 苏州远征魂车船技术有限公司 | 一种传染疫情精准管控系统 |
CN111640515A (zh) * | 2020-05-26 | 2020-09-08 | 深圳市通用互联科技有限责任公司 | 区域的疫情风险确定方法、装置、计算机设备和存储介质 |
CN111885484A (zh) * | 2020-07-22 | 2020-11-03 | 中国联合网络通信集团有限公司 | 疫情疑似人员追踪方法、系统、计算机设备及存储介质 |
CN112711710A (zh) * | 2021-01-05 | 2021-04-27 | 北京红山信息科技研究院有限公司 | 多号码终端的追踪方法、系统、服务器和存储介质 |
CN112804647A (zh) * | 2021-01-05 | 2021-05-14 | 北京红山信息科技研究院有限公司 | 基于通信的目标用户追踪方法、系统、服务器和存储介质 |
WO2021196003A1 (zh) * | 2020-03-31 | 2021-10-07 | 世强先进(深圳)科技股份有限公司 | 一种基于定位技术的传染病疫情预警方法及系统 |
CN113851227A (zh) * | 2020-06-28 | 2021-12-28 | 浙江宇视科技有限公司 | 一种人员追踪方法、装置、设备 |
CN114286280A (zh) * | 2020-09-17 | 2022-04-05 | 河北领卓科技有限公司 | 一种基于手机信令排查密切接触人群的大数据分析方法 |
KR20220089441A (ko) * | 2020-12-21 | 2022-06-28 | 디토닉 주식회사 | 이동통신사 데이터를 활용한 빅데이터 기반 역학조사 지원 시스템 및 방법 |
WO2022135197A1 (zh) * | 2020-12-22 | 2022-06-30 | 华为技术有限公司 | 一种疫情预测的方法及电子设备 |
CN114881146A (zh) * | 2022-05-09 | 2022-08-09 | 深圳市名通科技股份有限公司 | 基于通信网络的终端运动状态识别方法、装置及存储介质 |
-
2022
- 2022-09-02 CN CN202211071997.0A patent/CN115662650B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108683527A (zh) * | 2018-04-25 | 2018-10-19 | 武汉虹信技术服务有限责任公司 | 一种基于mr和xdr的用户感知深度检测方法 |
CN109756887A (zh) * | 2018-12-28 | 2019-05-14 | 深圳市名通科技股份有限公司 | 高铁伴随移动端识别方法、装置及计算机可读存储介质 |
CN111311018A (zh) * | 2020-03-04 | 2020-06-19 | 苏州远征魂车船技术有限公司 | 传染疫情精准管控系统 |
CN111370135A (zh) * | 2020-03-04 | 2020-07-03 | 苏州远征魂车船技术有限公司 | 一种传染疫情精准管控系统 |
CN111341463A (zh) * | 2020-03-17 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 疫情排查方法、装置、计算机设备和存储介质 |
WO2021196003A1 (zh) * | 2020-03-31 | 2021-10-07 | 世强先进(深圳)科技股份有限公司 | 一种基于定位技术的传染病疫情预警方法及系统 |
CN111640515A (zh) * | 2020-05-26 | 2020-09-08 | 深圳市通用互联科技有限责任公司 | 区域的疫情风险确定方法、装置、计算机设备和存储介质 |
CN113851227A (zh) * | 2020-06-28 | 2021-12-28 | 浙江宇视科技有限公司 | 一种人员追踪方法、装置、设备 |
CN111885484A (zh) * | 2020-07-22 | 2020-11-03 | 中国联合网络通信集团有限公司 | 疫情疑似人员追踪方法、系统、计算机设备及存储介质 |
CN114286280A (zh) * | 2020-09-17 | 2022-04-05 | 河北领卓科技有限公司 | 一种基于手机信令排查密切接触人群的大数据分析方法 |
KR20220089441A (ko) * | 2020-12-21 | 2022-06-28 | 디토닉 주식회사 | 이동통신사 데이터를 활용한 빅데이터 기반 역학조사 지원 시스템 및 방법 |
WO2022135197A1 (zh) * | 2020-12-22 | 2022-06-30 | 华为技术有限公司 | 一种疫情预测的方法及电子设备 |
CN114724727A (zh) * | 2020-12-22 | 2022-07-08 | 华为技术有限公司 | 一种疫情预测的方法及电子设备 |
CN112804647A (zh) * | 2021-01-05 | 2021-05-14 | 北京红山信息科技研究院有限公司 | 基于通信的目标用户追踪方法、系统、服务器和存储介质 |
CN112711710A (zh) * | 2021-01-05 | 2021-04-27 | 北京红山信息科技研究院有限公司 | 多号码终端的追踪方法、系统、服务器和存储介质 |
CN114881146A (zh) * | 2022-05-09 | 2022-08-09 | 深圳市名通科技股份有限公司 | 基于通信网络的终端运动状态识别方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
彭迪;张晓玮;刘玉;张明龙;: "基于运营商数据的疫情流向感知分析", 信息通信, no. 03, 15 March 2020 (2020-03-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN115662650B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109996186B (zh) | 一种网络覆盖问题识别方法及装置、可读取存储介质 | |
CN111615054B (zh) | 人口分析方法及装置 | |
EP2494536B1 (en) | Method and apparatus for traffic management | |
CN114173356B (zh) | 网络质量的检测方法、装置、设备及存储介质 | |
Becker et al. | Route classification using cellular handoff patterns | |
Caceres et al. | Deriving origin–destination data from a mobile phone network | |
Janecek et al. | Cellular data meet vehicular traffic theory: location area updates and cell transitions for travel time estimation | |
WO2017133627A1 (zh) | 用户通勤轨迹管理方法、装置及系统 | |
Wang et al. | Estimating dynamic origin-destination data and travel demand using cell phone network data | |
CN109561391B (zh) | 基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法 | |
CN103593974B (zh) | 一种基于定位信息的公交载客量采集方法 | |
CN108171993B (zh) | 一种基于手机信令大数据的高速公路车辆速度计算方法 | |
US8788185B2 (en) | Method and system for estimating traffic information by using integration of location update events and call events | |
CN107767669A (zh) | 基于WiFi和蓝牙识别的公交线路客流OD估计方法 | |
CN104978858A (zh) | 一种基于手机信令的高速公路实时路况监测方法 | |
CN110516866A (zh) | 一种用于城市轨交地铁拥挤度的实时估计方法 | |
CN105096584A (zh) | 一种交通决策支持方法、装置及系统 | |
Costanzo | An arduino based system provided with GPS/GPRS shield for real time monitoring of traffic flows | |
CN108573265B (zh) | 人流量统计方法及统计系统 | |
CN115662650A (zh) | 基于大数据精准定位的密接用户打捞方法 | |
KR100911478B1 (ko) | 위치 등록 메시지를 이용한 도로 통행 속도 분석 방법 및장치 | |
Li et al. | Intersection congestion analysis based on cellular activity data | |
AT&T | Route Classification using Cellular Handoff Patterns | |
CN111352964B (zh) | 获取兴趣点信息的方法、装置、设备及存储介质 | |
Wepulanon et al. | Pedestrian facility usage monitoring using multiple sources of data |
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 |