CN116313143A - 一种大规模群体传染病检测仿真建模方法、装置及设备 - Google Patents
一种大规模群体传染病检测仿真建模方法、装置及设备 Download PDFInfo
- Publication number
- CN116313143A CN116313143A CN202310219509.4A CN202310219509A CN116313143A CN 116313143 A CN116313143 A CN 116313143A CN 202310219509 A CN202310219509 A CN 202310219509A CN 116313143 A CN116313143 A CN 116313143A
- Authority
- CN
- China
- Prior art keywords
- model
- detection
- infectious disease
- system model
- entity
- 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.)
- Pending
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Mathematical Analysis (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种大规模群体传染病检测仿真建模方法、装置及设备,属于公共卫生应急领域的传染病检测应急仿真技术领域,方法为:将大规模群体传染病检测体系抽象为管道滤波器结构模式,进而确定模型实体类型构成;基于管道滤波器结构和群体传染病检测领域知识,确定模型实体的交互关系和顺序;围绕大规模群体传染病检测方案优化的仿真需求,确定实体基本属性、状态参数;基于大规模群体传染病检测领域知识,建立实体行为决策模型;基于典型场景进行模型可行性、有效性验证和确认。采用本方法中基于管道滤波器结构对大规模群体传染病检测体系进行抽象形成采、运、检、控实体模型类皆具备可描述性及可测度,使得本方法可在实际状况中得以实施。
Description
技术领域
本发明涉及公共卫生应急领域的传染病检测应急仿真技术领域,更具体地说,它涉及一种大规模群体传染病检测仿真建模方法、装置及设备。
背景技术
随着数字化、智能化时代的到来,体系仿真技术以其低成本、低风险等优势,在应急领域具有十分广阔的应用前景。病毒、战争和饥荒是人类发展的三大障碍,公共卫生应急领域就是人类与病毒对抗的战场。如何提高公共卫生应急处置效果,已成为人类共同面对的重要课题之一。传染病检测是公共卫生应急处置的重要环节之一,通过对大规模人群的传染病检测,以摸清病毒传播情况底数,为传染病疫情处置应对提供决策支持。
由于开展大规模人群的传染病检测实战演练,需要动用大量的人力、物力和时间,且不具有低成本可重复性,这对传染病检测方案制定和人员培训造成了极大的困难。体系仿真技术恰是破解这一难题的有效手段途径。将体系仿真技术应用于传染病检测应急领域,即传染病检测模拟演练。其中,传染病检测仿真建模就是对传染病检测体系的仿真建模。开展传染病检测仿真建模研究,已经成为推动公共卫生领域应急仿真技术应用的急需。目前,针对大规模人群的传染病检测仿真研究,还没有看到公开的报道和相关文献,无法满足当前公共卫生应急领域的仿真技术应用需要。
发明内容
本发明要解决的技术问题是针对现有技术的上述不足,本发明的目的一是提供一种大规模群体传染病检测仿真建模方法。
本发明的目的二是提供一种大规模群体传染病检测仿真建模装置。
本发明的目的三是提供一种计算机设备。
为了实现上述目的一,本发明提供一种大规模群体传染病检测仿真建模方法,其特征在于,包括以下步骤:
步骤S1.概念模型构建,将大规模群体传染病检测体系抽象为管道滤波器结构模式,进而确定模型实体类型构成;
步骤S2.实体交互视图建模,基于管道滤波器结构和群体传染病检测领域知识,确定模型实体的交互关系和顺序;
步骤S3.实体参数化建模,围绕大规模群体传染病检测方案优化的仿真需求,确定实体基本属性、状态参数;
步骤S4.实体行为决策建模,基于大规模群体传染病检测领域知识,建立实体行为决策模型;
步骤S5.模型验证和确认,基于典型场景进行模型可行性、有效性验证和确认。
作为进一步地改进,所述步骤S1的实体类型构成包括采样系统模型、运输系统模型、检测系统模型和指挥机构模型。
进一步地,所述步骤S2的实体交互关系及顺序,具体如下:
步骤S21.指挥机构模型根据应急预防工作内容要求,针对检测对象制定传染病检测工作安排,包括样本采集任务、样本转运任务和样本检测任务;
步骤S22.采样系统模型接收指挥机构模型的样本采集任务,向检测对象采集样本后,将分集的处理样本交给运输系统模型;
步骤S23.运输系统模型接收指挥机构模型的样本转运任务,从指定地点的采样系统模型装载样本,运送到指定地点的检测系统模型;
步骤S24.检测系统模型接收指挥机构模型的样本检测任务,进行样本检测后将结果反馈给指挥机构模型;
步骤S25.指挥机构模型根据样本检测结果,针对检测对象进行应急处置决策。
进一步地,所述步骤S3的实体基本属性、状态参数,具体如下:
采样系统模型的基本属性包括采样吞吐量、地理位置、采样工作台数量、配属物资成本和配属人员数量;采样系统模型的状态参数包括采样系统模型忙/闲、已采样数量;
运输系统模型的基本属性包括转运时间、单次转运样本数;运输系统模型的状态参数包括车辆当前位置、车辆忙/闲和车辆行驶速度;
检测系统模型的基本属性包括吞吐量、人员数、设备数;检测系统模型的状态参数包括检测系统模型忙/闲、已检测数量;
指挥机构模型的基本属性包括责任区域、传染检测任务目标、传染检测任务对象、拥有车辆数等;指挥机构模型的状态参数包括派遣车辆数、应急处置状态。
进一步地,所述步骤S4的实体行为决策模型,具体如下:
采样系统模型是管道滤波器结构的入口端,其功能/任务是对待检测人口对象进行样本采集,如果采样系统模型处于忙的状态,则累计工作时间和检测人数;
运输系统模型是管道滤波器结构的管道部分,其功能/任务为样本转运;
检测系统模型是管道滤波器结构的滤波部分,其功能/任务是对采集的样本进行传染病感染情况检测;
指挥机构模型是管道滤波器结构的管控部分,其功能/任务是对采、运、检过程进行平衡管控,确保传染病检测任务目标的达成。
进一步地,对采、运、检过程进行平衡管控的平衡优化目标函数为:
其中,Vcollect为样本采集速度,Vtrans为样本转运速度,Vtest为样本检测速度,λc为采运平衡门限,λt为运检平衡门限,λct为采检平衡门限。
为了实现上述目的二,本发明提供一种大规模群体传染病检测仿真建模装置,所述装置包括:
概念建模模块,用于构建基于管控滤波器结构的大规模群体传染病检测概念模型,输出实体构成列表;
实体交互视图模块,用于基于管道滤波结构和传染病检测领域,输出模型实体的交互关系和顺序;
实体参数化建模模块,用于确定实体基本属性、状态参数;
实体行为决策建模模块,用于基于传染病检测领域知识建立实体行为决策模型;
检测案例模块,用于基于典型场景进行模型可行性、有效性验证和确认。
为了实现上述目的三,本发明提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的一种大规模群体传染病检测仿真建模方法。
有益效果
本发明与现有技术相比,具有的优点为:
1)将大规模群体的传染病检测问题抽象为管道滤波器结构,进而将实体类型抽象为采、运、检、管四类,有效简化了仿真建模流程,提高了建模效率。
2)将参数化方法应用于传染病检测实体建模,围绕仿真目的确定实体基本属性和状态参数,只需要对实体模型进行参数化配置调整即可完成模型重配,使得传染病检测实体建模具有灵活、适应性强、可泛化和扩展等特点,显著降低了建模的难度。
3)基于管道滤波器模型和传染病检测交互视图,建立传染病检测行为决策模型,使得实体模型集成度更高,传染病检测行为逻辑直观可视,提高了建模的可解释性。
附图说明
图1为本发明的流程示意图;
图2为大规模群体传染病检测原理图;
图3为大规模群体传染病检测体系构成及交互图;
图4为基于管控滤波器结构的采-运-检-控模型框架图;
图5为一个实施例中大规模群体传染病检测场景示例图;
图6为一个实施例中大规模群体传染病检测模拟仿真日志示意图。
具体实施方式
下面结合附图中的具体实施例对本发明做进一步的说明。
参阅图1~图6,一种大规模群体传染病检测仿真建模方法,包括以下步骤S1~步骤S5:
步骤S1.概念模型构建,将大规模群体传染病检测体系抽象为管道滤波器结构模式,进而确定模型实体类型构成;
步骤S2.实体交互视图建模,基于管道滤波器结构和群体传染病检测领域知识,确定模型实体的交互关系和顺序;
步骤S3.实体参数化建模,围绕大规模群体传染病检测方案优化的仿真需求,确定实体基本属性、状态参数;
步骤S4.实体行为决策建模,基于大规模群体传染病检测领域知识,建立实体行为决策模型;
步骤S5.模型验证和确认,基于典型场景进行模型可行性、有效性验证和确认。
步骤S1的实体类型构成包括采样系统模型、运输系统模型、检测系统模型和指挥机构模型。大规模群体传染病检测的一般流程包括采样、转运和检测三个核心环节。传染病检测体系是由基于“人、车、物、场和对象”的采-运-检体系,用于支持传染病应急处置,原理如图2所示。其中,“人、车、物、场”构成了传染病检测的主体;检测对象是传染病检测的客体。
步骤S2的实体交互关系及顺序,具体如下步骤S21~步骤S25:
步骤S21.指挥机构模型根据应急预防工作内容要求,针对检测对象制定传染病检测工作安排,包括样本采集任务、样本转运任务和样本检测任务;
步骤S22.采样系统模型接收指挥机构模型的样本采集任务,向检测对象采集样本后,将分集的处理样本交给运输系统模型;
步骤S23.运输系统模型接收指挥机构模型的样本转运任务,从指定地点的采样系统模型装载样本,运送到指定地点的检测系统模型;
步骤S24.检测系统模型接收指挥机构模型的样本检测任务,进行样本检测后将结果反馈给指挥机构模型;
步骤S25.指挥机构模型根据样本检测结果,针对检测对象进行应急处置决策。
大规模群体传染病检测体系的功能目标:在一定时空约束下,优化运用检测资源,完成对检测对象的检测任务。传染病检测体系的输入的公共卫生应急处置任务(检测子任务);传染病检测体系的输出的公共卫生应急处置效果(检测效果)。大规模群体传染病检测体系构成及交互,如图3所示。
步骤S3的实体基本属性、状态参数,具体如下:
采样系统模型的基本属性包括采样吞吐量、地理位置、采样工作台数量、配属物资成本和配属人员数量;采样系统模型的状态参数包括采样系统模型忙/闲、已采样数量;
运输系统模型的基本属性包括转运时间、单次转运样本数;运输系统模型的状态参数包括车辆当前位置、车辆忙/闲和车辆行驶速度;
检测系统模型的基本属性包括吞吐量、人员数、设备数;检测系统模型的状态参数包括检测系统模型忙/闲、已检测数量;
指挥机构模型的基本属性包括责任区域、传染检测任务目标、传染检测任务对象、拥有车辆数等;指挥机构模型的状态参数包括派遣车辆数、应急处置状态。
步骤S4的实体行为决策模型,具体如下:
采样系统模型是管道滤波器结构的入口端,其功能/任务是对待检测人口对象进行样本采集,如果采样系统模型处于忙的状态,则累计工作时间和检测人数;
运输系统模型是管道滤波器结构的管道部分,其功能/任务为样本转运;
检测系统模型是管道滤波器结构的滤波部分,其功能/任务是对采集的样本进行传染病感染情况检测;
指挥机构模型是管道滤波器结构的管控部分,其功能/任务是对采、运、检过程进行平衡管控,确保传染病检测任务目标的达成。
在一个实施例中,综合大规模群体传染病检测体系的复杂特性,可将其抽象为管道滤波器,滤波的对象就是待检测人口,构建采样系统模型、运输系统模型、检测系统模型。每类模型考虑功能/任务、属性和状态三个要素。基于该三类模型,采样面向对象方法构建具体采-运-检对象实体。模型类设计框架,如图4所示。
采样系统模型是管道滤波器结构的入口端,其功能/任务是对待检测人口对象进行样本采集。按照采样点模型功能/任务,需要配置的属性包括:采样吞吐量,即单位时间内采样的人数;采样地理位置,即采样点的位置坐标;采样工作台的数量,即采样点的采样规模;配属的物资及物资的成本;配属的采样、保障人员。采样系统模型实例化为具体采样点对象时,其状态随仿真时钟推进动态变化,涉及的主要状态参数包括:采样点的忙/闲,以及已采样的人口数量。
运输系统模型是管道滤波器结构的管道部分,其功能/任务为样本转运。运输系统模型需要配置的主要属性包括采样点到检测机构的转运时间,以及一次转运的样本数量。运输系统模型实例化为具体车辆时,其状态随仿真时钟推进动态改变,涉及的主要状态参数包括:车辆的当前位置,即地理位置坐标;车辆的忙/闲;车辆的行驶速度。
检测系统模型是管道滤波器结果的滤波部分,其功能/任务是对采集的样本进行传染病感染情况检测。检测系统模型需要配置主要属性是吞吐量,即单位时间内检测的样本数量。检测系统模型实例化为具体检测机构时,其状态随仿真时钟推进动态改变,涉及的主要状态参数包括检测系统模型的忙/闲,以及已检测的人口数量。
步骤S4的实体行为决策模型中对采、运、检过程进行平衡管控的平衡优化目标函数为:
其中,Vcollect为样本采集速度,Vtrans为样本转运速度,Vtest为样本检测速度,λc为采运平衡门限,λt为运检平衡门限,λct为采检平衡门限。
一种大规模群体传染病检测仿真建模装置,装置包括:
概念建模模块,用于构建基于管控滤波器结构的大规模群体传染病检测概念模型,输出实体构成列表;
实体交互视图模块,用于基于管道滤波结构和传染病检测领域,输出模型实体的交互关系和顺序;
实体参数化建模模块,用于确定实体基本属性、状态参数;
实体行为决策建模模块,用于基于传染病检测领域知识建立实体行为决策模型;
检测案例模块,用于基于典型场景进行模型可行性、有效性验证和确认,模拟场景如图5所示,仿真日志记录如图6所示。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述的一种大规模群体传染病检测仿真建模方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种大规模群体传染病检测仿真建模方法,其特征在于,包括以下步骤:
步骤S1.概念模型构建,将大规模群体传染病检测体系抽象为管道滤波器结构模式,进而确定模型实体类型构成;
步骤S2.实体交互视图建模,基于管道滤波器结构和群体传染病检测领域知识,确定模型实体的交互关系和顺序;
步骤S3.实体参数化建模,围绕大规模群体传染病检测方案优化的仿真需求,确定实体基本属性、状态参数;
步骤S4.实体行为决策建模,基于大规模群体传染病检测领域知识,建立实体行为决策模型;
步骤S5.模型验证和确认,基于典型场景进行模型可行性、有效性验证和确认。
2.根据权利要求1所述的一种大规模群体传染病检测仿真建模方法,其特征在于,所述步骤S1的实体类型构成包括采样系统模型、运输系统模型、检测系统模型和指挥机构模型。
3.根据权利要求2所述的一种大规模群体传染病检测仿真建模方法,其特征在于,所述步骤S2的实体交互关系及顺序,具体如下:
步骤S21.指挥机构模型根据应急预防工作内容要求,针对检测对象制定传染病检测工作安排,包括样本采集任务、样本转运任务和样本检测任务;
步骤S22.采样系统模型接收指挥机构模型的样本采集任务,向检测对象采集样本后,将分集的处理样本交给运输系统模型;
步骤S23.运输系统模型接收指挥机构模型的样本转运任务,从指定地点的采样系统模型装载样本,运送到指定地点的检测系统模型;
步骤S24.检测系统模型接收指挥机构模型的样本检测任务,进行样本检测后将结果反馈给指挥机构模型;
步骤S25.指挥机构模型根据样本检测结果,针对检测对象进行应急处置决策。
4.根据权利要求2所述的一种大规模群体传染病检测仿真建模方法,其特征在于,所述步骤S3的实体基本属性、状态参数,具体如下:
采样系统模型的基本属性包括采样吞吐量、地理位置、采样工作台数量、配属物资成本和配属人员数量;采样系统模型的状态参数包括采样系统模型忙/闲、已采样数量;
运输系统模型的基本属性包括转运时间、单次转运样本数;运输系统模型的状态参数包括车辆当前位置、车辆忙/闲和车辆行驶速度;
检测系统模型的基本属性包括吞吐量、人员数、设备数;检测系统模型的状态参数包括检测系统模型忙/闲、已检测数量;
指挥机构模型的基本属性包括责任区域、传染检测任务目标、传染检测任务对象、拥有车辆数等;指挥机构模型的状态参数包括派遣车辆数、应急处置状态。
5.根据权利要求2所述的一种大规模群体传染病检测仿真建模方法,其特征在于,所述步骤S4的实体行为决策模型,具体如下:
采样系统模型是管道滤波器结构的入口端,其功能/任务是对待检测人口对象进行样本采集,如果采样系统模型处于忙的状态,则累计工作时间和检测人数;
运输系统模型是管道滤波器结构的管道部分,其功能/任务为样本转运;
检测系统模型是管道滤波器结构的滤波部分,其功能/任务是对采集的样本进行传染病感染情况检测;
指挥机构模型是管道滤波器结构的管控部分,其功能/任务是对采、运、检过程进行平衡管控,确保传染病检测任务目标的达成。
7.一种大规模群体传染病检测仿真建模装置,其特征在于,所述装置包括:
概念建模模块,用于构建基于管控滤波器结构的大规模群体传染病检测概念模型,输出实体构成列表;
实体交互视图模块,用于基于管道滤波结构和传染病检测领域,输出模型实体的交互关系和顺序;
实体参数化建模模块,用于确定实体基本属性、状态参数;
实体行为决策建模模块,用于基于传染病检测领域知识建立实体行为决策模型;
检测案例模块,用于基于典型场景进行模型可行性、有效性验证和确认。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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6中任一项所述的一种大规模群体传染病检测仿真建模方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310219509.4A CN116313143A (zh) | 2023-03-03 | 2023-03-03 | 一种大规模群体传染病检测仿真建模方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310219509.4A CN116313143A (zh) | 2023-03-03 | 2023-03-03 | 一种大规模群体传染病检测仿真建模方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116313143A true CN116313143A (zh) | 2023-06-23 |
Family
ID=86828252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310219509.4A Pending CN116313143A (zh) | 2023-03-03 | 2023-03-03 | 一种大规模群体传染病检测仿真建模方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116313143A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116644869A (zh) * | 2023-07-27 | 2023-08-25 | 中南大学湘雅医院 | 一种实时数据分析与公共卫生事件预测系统 |
-
2023
- 2023-03-03 CN CN202310219509.4A patent/CN116313143A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116644869A (zh) * | 2023-07-27 | 2023-08-25 | 中南大学湘雅医院 | 一种实时数据分析与公共卫生事件预测系统 |
CN116644869B (zh) * | 2023-07-27 | 2023-11-10 | 中南大学湘雅医院 | 一种实时数据分析与公共卫生事件预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zamli et al. | Design and implementation of a t-way test data generation strategy with automated execution tool support | |
CN116313143A (zh) | 一种大规模群体传染病检测仿真建模方法、装置及设备 | |
Zhu et al. | Multi-UAV rapid-assessment task-assignment problem in a post-earthquake scenario | |
Hsieh | Robustness analysis of non-ordinary Petri nets for flexible assembly/disassembly processes based on structural decomposition | |
Kaufman et al. | Supporting cost-effective watershed management strategies for Chesapeake Bay using a modeling and optimization framework | |
Calle et al. | Optimal selection of monitoring sites in cities for SARS-CoV-2 surveillance in sewage networks | |
Katona et al. | Parallel ant colony algorithm for shortest path problem | |
Raghavan et al. | Asynchronous evolutionary shape optimization based on high-quality surrogates: application to an air-conditioning duct | |
Gupta et al. | Quality of life, big data and the power of statistics | |
Zhang et al. | A queuing system for inert construction waste management on a reverse logistics network | |
Riggio et al. | Leveraging structural health monitoring data through avatars to extend the service life of mass timber buildings | |
Ngoc-Nguyen et al. | Damage assessment of suspension footbridge using vibration measurement data combined with a hybrid bee-genetic algorithm | |
Rodrigues et al. | Model-driven approach for building efficient wireless sensor and actuator network applications | |
Kahloul et al. | Formal study of reconfigurable manufacturing systems: A high level Petri nets based approach | |
Jassim et al. | Determining the environmental impact of material hauling with wheel loaders during earthmoving operations | |
Tarasyuk et al. | Performance analysis of concurrent systems in algebra dtsiPBC | |
Izdebski et al. | Planning international transport using the heuristic algorithm | |
Ling et al. | Business process model alignment: An approach to support fast discovering complex matches | |
Donovan et al. | Estimating landscape carrying capacity through maximum clique analysis | |
Liu et al. | An algorithm for the mixed transportation network design problem | |
Jiang et al. | On the design of minimal-cost pipeline systems satisfying hard/soft real-time constraints | |
KR100994203B1 (ko) | 이벤트 룰 기반의 도시 통합 관제 서비스 시스템 및 방법 | |
Charitopoulos et al. | Creating customized CGRAs for scientific applications | |
Pardalos et al. | Advances in randomized parallel computing | |
Hagiya et al. | Analysis of synchronous and asynchronous cellular automata using abstraction by temporal logic |
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 |