CN116705342B - 一种呼吸道传染病风险控制决策方法及系统 - Google Patents
一种呼吸道传染病风险控制决策方法及系统 Download PDFInfo
- Publication number
- CN116705342B CN116705342B CN202310687882.2A CN202310687882A CN116705342B CN 116705342 B CN116705342 B CN 116705342B CN 202310687882 A CN202310687882 A CN 202310687882A CN 116705342 B CN116705342 B CN 116705342B
- Authority
- CN
- China
- Prior art keywords
- infectious disease
- objection
- degree label
- label
- degree
- 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
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 131
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012954 risk control Methods 0.000 title claims abstract description 21
- 230000000241 respiratory effect Effects 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 68
- 230000004927 fusion Effects 0.000 claims abstract description 61
- 230000002265 prevention Effects 0.000 claims abstract description 38
- 230000006806 disease prevention Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000010485 coping Effects 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005541 medical transmission 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种呼吸道传染病风险控制决策方法及系统,该方法包括:采集专家组在统一标准下对传染病的防控措施的正反意见;对正反意见数据集进行特征提取,得到支持程度标签和反对程度标签;根据支持程度标签和反对程度标签构造原始信息融合矩阵;对原始信息融合矩阵进行标准化处理,得到满足约束条件的信息融合矩阵;将所述满足约束条件的信息融合矩阵进行直觉模糊c均值聚类,得到类簇和类簇中心;根据类簇和类簇中心构建传染病防控措施决策库,并根据新出现的传染病的类簇中心和所述传染病防控措施决策库中对应传染病的类簇中心的距离得到传染病应对策略。实施该方法,可实现传染病防控措施快速生成,及时响应。
Description
技术领域
本发明涉及控制决策领域,尤其涉及一种呼吸道传染病风险控制决策方法及系统。
背景技术
近年来,在疫情防控期间各地区出台了各种各样的疫情防控政策,积累了很多应对突发疫情的防控措施经验,然而面对不同的传染病传播,不能将以前的防控措施直接照搬,需要考虑不同地区的经济环境、传染病严重程度、各专家的意见等因素,为此,在面对突如其来的传染病时,如何快速有效的做出科学决策是目前急需解决的问题。
发明内容
为了解决上述技术问题,本发明的目的是提供一种呼吸道传染病风险控制决策方法及系统,能够融合各专家对同一决策的正反意见,快速做出科学有效的风险控制决策。
本发明所采用的第一技术方案是:一种呼吸道传染病风险控制决策方法,包括以下步骤:
采集专家组在统一标准下对传染病的防控措施的正反意见,得到正反意见数据集;
对所述正反意见数据集进行特征提取,得到支持程度标签和反对程度标签;
根据所述支持程度标签和反对程度标签构造原始信息融合矩阵;
对所述原始信息融合矩阵进行标准化处理,得到满足约束条件的信息融合矩阵;
根据设定的传染病的特征指标,将所述满足约束条件的信息融合矩阵进行直觉模糊c均值聚类,得到类簇和类簇中心;
根据所述类簇和类簇中心构建传染病防控措施决策库,并根据新出现的传染病的类簇中心和所述传染病防控措施决策库中对应传染病的类簇中心的距离得到传染病应对策略。
在本技术方案中,对同一种传染病的不同防控方案进行正反意见采集,并进行信息融合构建原始信息融合矩阵,接着对原始信息融合矩阵进行标准化处理,在这一过程中保持熵不变,得到满足约束条件的信息融合矩阵,接着对其进行聚类处理得到决策库,对于新出现的传染病,根据其类簇中心与决策库中的类簇中心之间的距离大小选出最佳决策,实现对突发疫情的快速应对。
进一步,所述采集专家组在统一标准下对传染病防控措施的正反意见,得到正反意见数据集这一步骤,具体包括:
根据传染病种类建立传染病集合,并根据传染病建立与其对应的防控模式集合;
专家根据所述统一标准对传染病对应的防控模式进行打分,得到正反意见数据集。
进一步,所述对所述正反意见数据集进行特征提取,得到支持程度标签和反对程度标签这一步骤,其具体包括:
采用加权平均值算法计算传染病对应的防控措施的支持程度和反对程度;
将所述支撑程度和所述反对程度投影至预设区间;
考虑传染病的出现的时间特征,根据投影后的支持程度和反对程度构建所述支持程度标签和所述反对程度标签。
进一步,所述对所述原始信息融合矩阵进行标准化处理,得到满足约束条件的信息融合矩阵这一步骤,其具体包括:
设定所述支持程度标签和所述反对程度标签的约束条件;
根据所述约束条件进行支持程度标签标准化,得到满足约束条件的支持程度标签;
根据所述约束条件进行反对程度标签标准化,得到满足约束条件的反对程度标签;
根据所述满足约束条件的支持程度标签和所述满足约束条件的反对程度标签构建满足约束条件的信息融合矩阵。
进一步,所述根据所述约束条件进行支持程度标签标准化,得到满足约束条件的支持程度标签这一步骤之前,还包括:
计算所述原始信息融合矩阵的熵分量。
进一步,所述根据所述约束条件进行支持程度标签标准化,得到满足约束条件的支持程度标签这一步骤,具体为:
若所述原始信息融合矩阵中存在不满足所述约束条件的数据,则检索传染病的防控策略的支持程度标签的最大值的样本索引;
对所述最大值的样本索引所在列的支持程度标签进行标准化;
计算所有传染病的防控措施的支持程度标签的比例系数;
根据所述比例系数对所有传染病的防控措施的支持程度标签进行标准化,得到满足约束条件的支持程度标签。
进一步,所述根据所述约束条件进行反对程度标签标准化,得到满足约束条件的反对程度标签这一步骤,具体包括:
根据所述满足约束条件的支持程度标签和所述原始信息融合矩阵的熵分量推导出反对程度标签的修正公式;
根据所述反对程度标签的修正公式对所述反对程度标签进行标准化,得到满足约束条件的反对程度标签。
本发明所采用的第二技术方案是:一种呼吸道传染病风险控制决策系统,包括:
采集数据模块,采集专家组在统一标准下对传染病的防控措施的正反意见,得到正反意见数据集;
特征提取模块,对所述正反意见数据集进行特征提取,得到支持程度标签和反对程度标签;
矩阵构造模块,根据所述支持程度标签和反对程度标签构造原始信息融合矩阵;
矩阵标准化模块,对所述原始信息融合矩阵进行标准化处理,得到满足约束条件的信息融合矩阵;
均值聚类模块,根据设定的传染病的特征指标,将所述满足约束条件的信息融合矩阵进行直觉模糊c均值聚类,得到类簇和类簇中心;
决策模块,根据所述类簇和类簇中心构建传染病防控措施决策库,并根据新出现的传染病的类簇中心和所述传染病防控措施决策库中对应传染病的类簇中心的距离得到传染病应对策略。
本发明提供的一种呼吸道传染病风险控制决策方法及系统的有益效果是:本发明采集传染病的各个应对策略的专家组不同意见,并进行特征提取得到支持程度标签和反对程度标签,再根据支持程度标签和反对程度标签构建原始信息融合矩阵,接着对原始信息融合矩阵进行标准化处理,得到满足约束条件的信息融合矩阵,然后对其进行聚类处理得到类簇中心和类簇,在此基础上构建决策库,在面对新传染病时,计算新传染病的类簇中心与决策库中的类簇中心的距离来得到最终的决策,以此来实现面对突发传染病时能够快速科学的作出决策。
附图说明
图1是本发明一种呼吸道传染病风险控制决策方法的步骤流程图;
图2是本发明原始信息融合矩阵示意图;
图3是本发明一种呼吸道传染病风险控制决策系统的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示,本发明提供了一种呼吸道传染病风险控制决策方法,该方法包括以下步骤:
101、采集专家组在统一标准下对传染病的防控措施的正反意见,得到正反意见数据集。
在本实施例中,搜集出现过的传染病种类,构建传染病数据集,表示为X={x1,x2,…,xn},其中xj表示第j种传染病,j=1、2、…、n。针对每一种传染病收集各个地区采取的应对措施,构建防控模式数据集,表示为其中/>表示第j种传染病在第i个地区采取的防控措施。如表1所示,让多位专家在统一标准的评判表上对某一地区采取的防控措施进行评价,得到针对传染病xj在第i个地区采取的防控措施的支持/反对程度,然后将传染病xj在第i个地区采取的防控措施的专家评分进行汇总,如表2所示,得到传染病xj在第i个地区采取的防控措施的正反意见数据集。
表1传染病xj是否解除封控专家评判表
表2传染病xj专家意见汇总表
102、对所述正反意见数据集进行特征提取,得到支持程度标签和反对程度标签。
对上一步骤得到的所述正反意见数据集求平均,得到针对传染病xj在第i个地区采取的防控措施的支持程度和反对程度。具体来说,对每一个所述正反意见数据集的支持评分求算数平均数,得到专家对传染病xj在第i个地区采取的防控措施的支持程度,用表示;对每一个所述正反意见数据集中的支持评分求算数平均数,得到专家对传染病xj的在第i个地区采取的防控措施的反对程度,用/>表示,然后将传染病xj在各个地区采取的防控措施的所述支持程度和所述反对程度投影至[0,1]区间,然后引入传染病发生的时期特征,构建支持程度标签和反对程度标签,具体表示如下:
其中,表示tk时期下,专家对传染病xj在i地区采取的防控措施的支持程度标签,/>表示tk时期下专家对传染病xj在i地区采取的防控措施的反对程度标签。
然后将所述支持程度标签和反对程度标签/>分别记为/>和
103、根据所述支持程度标签和反对程度标签构造原始信息融合矩阵。
将上一步骤得到的所述支持程度标签和所述反对程度标签进行融合,得到融合防控专家意见集,具体表示为其中x∈X,简写为/>由于专家在做出对某一传染病在某个地区采取的防控措施的支持/反对意见时,不会考虑由此得到的所述支持程度标签和所述反对程度标签之间的关系,所以得到的所述融合防控专家意见集可能存在/>的情况,导致无法进行聚类,因此接下来需要构造原始信息融合矩阵/>如图2所示,并对其进行标准化处理。
104、对所述原始信息融合矩阵进行标准化处理,得到满足约束条件的信息融合矩阵。
在本实施例中,所述约束条件包括强约束条件、弱约束条件和无约束条件,具体表示如表3所示。在此基础上,对所述原始信息融合矩阵进行标准化处理,具体而言包括对专家支持程度标签和专家反对程度标签进行标准化。
在对专家支持程度标签标准化过程中,先计算所述原始信息融合矩阵的熵分量,在本实施例中,选用直觉模糊集熵值函数进行计算,计算公式具体表示为:
每个样本的熵分量表示为:
其中,Eij(tk)表示tk时期的原始信息融合矩阵的熵分量,tk表示传染病发生的时间特征,c表示地区数量,n表示传染病的种类数量,表示专家对tk时期传染病xj在i地区采取的防控措施的支持程度,/>指tk时期下专家对传染病xj在i地区采取的防控措施的反对程度标签。
在计算熵分量之后,检索所述原始信息融合矩阵中/>最大值的样本索引/>具体而言,若存在/>不满足约束条件(1),则通过下列公式检索所述原始信息融合矩阵中/>最大值所在的样本索引/>为索引/>对应的样本,所述下列公式表示为:
接着计算所有列第i行与第/>列的第i行的比例系数/>具体的计算公式为:
特别的,当时,有
接着对第列进行标准化处理,具体来说,对第/>列的/>进行标准化,表达式为:
需要说明的是,上述公式采用的是赋值思想。
然后将所有列的专家支持程度j=1,2,…,n,根据所述比例系数/>进行标准化处理,具体计算公式为:
按照上述步骤重复处理,直至将所有样本xj均满足所述强约束条件(1),得到最终的专家支持程度标签标准化后的矩阵
表3约束条件与定义表达
对专家反对程度标签标准化首先根据标准化后的专家支持程度标签和原始信息融合矩阵的每个样本的熵分量推导出对反对程度标签进行标准化的公式:
值得注意的是,在经过原始信息融合矩阵标准化之后,得到的满足约束条件的信息融合矩阵的熵不变,并且保留了专家评判之间的关系信息。
105、根据设定的传染病的特征指标,将所述满足约束条件的信息融合矩阵进行直觉模糊c均值聚类,得到类簇和类簇中心。
在得到标准化后的信息融合矩阵之后,对每个传染病xj设置特征指标,在本实施例中,设置3个特征指标,表示为wj={wj1,wj2,wj3},其中wj1表示新增确诊病例数,wj2表示基本再生数,wj3表示有效再生数,按照三个特征指标对标准化后的信息融合矩阵进行普通集合直觉模糊c均值聚类,得到c个类簇clusterj(tk),j=1,2,...,c和类簇中心vi(tk),i=1,2,...,c,vi(tk)反应了与第i个地区关联度高的多个传染病的特征指标的中心情况。再计算时期tk,k=1,2,...,K下,类簇clusterj(tk)的决策方案y(vi(tk)),i=1,2,...,c,其代表了时期tk下第i个地区对多个传染病采取的总体历史决策,进而得到传染病防控决策库,如表4所示。计算公式具体为:
其中,y(xj(tk)))表示时期tk下,传染病xj的历史决策,M表示检索众数操作。
表4传染病防控措施决策库
106、根据所述类簇和类簇中心构建传染病防控措施决策库,并根据新出现的传染病的类簇中心和所述传染病防控措施决策库中对应传染病的类簇中心的距离得到传染病应对策略。
当在新时期tK+1下,出现了新的传染病xn+1,将tK+1时期下,采集到的关于所有传染病的专家意见转化为原始信息融合矩阵,随后进行标准化处理,得到强约束矩阵对/>做相同直觉模糊c均值聚类,得到c个类簇中心vi(tK+1),i=1,2,…,c,传染病xn+1所在类簇的中心为v-1,计算v-1与“传染病防控措施决策库”类簇中心vi(tk),(i=1,2,...,c),(k=1,2,...,K)之间的欧式距离d-1i(tk),计算公式为:
d-1i(tk)=||v-1-vi(tk)||,(i=1,2,…,c),(k=1,2,…,K)
将距离d-1i(tk)最小的决策作为该传染病xn+1的决策方案y(vi(tK+1)),以此快速得到对应的处理方式,为决策者提供科学可靠的支撑。其中,timi为dik,k=1,2,...,K中最小值所对应的时期索引,具体表示为:
如图3所示,一种呼吸道传染病风险控制决策系统,包括:
采集数据模块,采集专家组在统一标准下对传染病的防控措施的正反意见,得到正反意见数据集;
特征提取模块,对所述正反意见数据集进行特征提取,得到支持程度标签和反对程度标签;
矩阵构造模块,根据所述支持程度标签和反对程度标签构造原始信息融合矩阵;
矩阵标准化模块,对所述原始信息融合矩阵进行标准化处理,得到满足约束条件的信息融合矩阵;
均值聚类模块,根据设定的传染病的特征指标,将所述满足约束条件的信息融合矩阵进行直觉模糊c均值聚类,得到类簇和类簇中心;
决策模块,根据所述类簇和类簇中心构建传染病防控措施决策库,并根据新出现的传染病的类簇中心和所述传染病防控措施决策库中对应传染病的类簇中心的距离得到传染病应对策略。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种呼吸道传染病风险控制决策方法,其特征在于,包括以下步骤:
采集专家组在统一标准下对传染病的防控措施的正反意见,得到正反意见数据集;
对所述正反意见数据集进行特征提取,得到支持程度标签和反对程度标签;
根据所述支持程度标签和反对程度标签构造原始信息融合矩阵;
对所述原始信息融合矩阵进行标准化处理,得到满足约束条件的信息融合矩阵;
根据设定的传染病的特征指标,将所述满足约束条件的信息融合矩阵进行直觉模糊c均值聚类,得到类簇和类簇中心;
根据所述类簇和类簇中心构建传染病防控措施决策库,并根据新出现的传染病的类簇中心和所述传染病防控措施决策库中对应传染病的类簇中心的距离得到传染病应对策略;
所述对所述正反意见数据集进行特征提取,得到支持程度标签和反对程度标签这一步骤,其具体包括:
采用加权平均值算法计算传染病对应的防控措施的支持程度和反对程度;
将所述支持程度和所述反对程度投影至预设区间;
考虑传染病的出现的时间特征,根据投影后的支持程度和反对程度构建所述支持程度标签和所述反对程度标签。
2.根据权利要求1所述一种呼吸道传染病风险控制决策方法,其特征在于,所述采集专家组在统一标准下对传染病的防控措施的正反意见,得到正反意见数据集这一步骤,具体包括:
根据传染病种类建立传染病集合,并根据传染病建立与其对应的防控模式集合;
专家根据所述统一标准对传染病对应的防控模式进行打分,得到正反意见数据集。
3.根据权利要求2所述一种呼吸道传染病风险控制决策方法,其特征在于,所述对所述原始信息融合矩阵进行标准化处理,得到满足约束条件的信息融合矩阵这一步骤,其具体包括:
设定所述支持程度标签和所述反对程度标签的约束条件;
根据所述约束条件进行支持程度标签标准化,得到满足约束条件的支持程度标签;
根据所述约束条件进行反对程度标签标准化,得到满足约束条件的反对程度标签;
根据所述满足约束条件的支持程度标签和所述满足约束条件的反对程度标签构建满足约束条件的信息融合矩阵。
4.根据权利要求3所述一种呼吸道传染病风险控制决策方法,其特征在于,所述根据所述约束条件进行支持程度标签标准化,得到满足约束条件的支持程度标签这一步骤之前,还包括:
计算所述原始信息融合矩阵的熵分量。
5.根据权利要求4所述一种呼吸道传染病风险控制决策方法,其特征在于,所述根据所述约束条件进行支持程度标签标准化,得到满足约束条件的支持程度标签这一步骤,具体包括:
若所述原始信息融合矩阵中存在不满足所述约束条件的数据,则检索传染病的防控策略的支持程度标签的最大值的样本索引;
对所述最大值的样本索引所在列的支持程度标签进行标准化;
计算所有传染病的防控措施的支持程度标签的比例系数;
根据所述比例系数对所有传染病的防控措施的支持程度标签进行标准化,得到满足约束条件的支持程度标签。
6.根据权利要求5所述一种呼吸道传染病风险控制决策方法,其特征在于,所述根据所述约束条件进行反对程度标签标准化,得到满足约束条件的反对程度标签这一步骤,具体包括:
根据所述满足约束条件的支持程度标签和所述原始信息融合矩阵的熵分量推导出反对程度标签的修正公式;
根据所述反对程度标签的修正公式对所述反对程度标签进行标准化,得到满足约束条件的反对程度标签。
7.一种呼吸道传染病风险控制决策系统,其特征在于,包括:
采集数据模块,采集专家组在统一标准下对传染病的防控措施的正反意见,得到正反意见数据集;
特征提取模块,对所述正反意见数据集进行特征提取,得到支持程度标签和反对程度标签;
矩阵构造模块,根据所述支持程度标签和反对程度标签构造原始信息融合矩阵;
矩阵标准化模块,对所述原始信息融合矩阵进行标准化处理,得到满足约束条件的信息融合矩阵;
均值聚类模块,根据设定的传染病的特征指标,将所述满足约束条件的信息融合矩阵进行直觉模糊c均值聚类,得到类簇和类簇中心;
决策模块,根据所述类簇和类簇中心构建传染病防控措施决策库,并根据新出现的传染病的类簇中心和所述传染病防控措施决策库中对应传染病的类簇中心的距离得到传染病应对策略;
所述对所述正反意见数据集进行特征提取,得到支持程度标签和反对程度标签,其具体包括:采用加权平均值算法计算传染病对应的防控措施的支持程度和反对程度;将所述支持程度和所述反对程度投影至预设区间;考虑传染病的出现的时间特征,根据投影后的支持程度和反对程度构建所述支持程度标签和所述反对程度标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310687882.2A CN116705342B (zh) | 2023-06-12 | 2023-06-12 | 一种呼吸道传染病风险控制决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310687882.2A CN116705342B (zh) | 2023-06-12 | 2023-06-12 | 一种呼吸道传染病风险控制决策方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116705342A CN116705342A (zh) | 2023-09-05 |
CN116705342B true CN116705342B (zh) | 2024-02-02 |
Family
ID=87823417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310687882.2A Active CN116705342B (zh) | 2023-06-12 | 2023-06-12 | 一种呼吸道传染病风险控制决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116705342B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961851A (zh) * | 2019-02-25 | 2019-07-02 | 南京理工大学 | 一种基于改进k均值聚类的疾病危险因素提取方法 |
EP3945474A1 (en) * | 2020-07-28 | 2022-02-02 | Seong Min Yoon | A decision support system and method thereof |
CN115098487A (zh) * | 2022-07-13 | 2022-09-23 | 浙江欧歌科技股份有限公司 | 一种多维的传染病数据分析治理系统 |
CN115798734A (zh) * | 2023-01-09 | 2023-03-14 | 杭州杏林信息科技有限公司 | 基于大数据的新发突发传染病防控方法、装置及储存介质 |
-
2023
- 2023-06-12 CN CN202310687882.2A patent/CN116705342B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961851A (zh) * | 2019-02-25 | 2019-07-02 | 南京理工大学 | 一种基于改进k均值聚类的疾病危险因素提取方法 |
EP3945474A1 (en) * | 2020-07-28 | 2022-02-02 | Seong Min Yoon | A decision support system and method thereof |
CN115098487A (zh) * | 2022-07-13 | 2022-09-23 | 浙江欧歌科技股份有限公司 | 一种多维的传染病数据分析治理系统 |
CN115798734A (zh) * | 2023-01-09 | 2023-03-14 | 杭州杏林信息科技有限公司 | 基于大数据的新发突发传染病防控方法、装置及储存介质 |
Non-Patent Citations (5)
Title |
---|
Dynamic Metric Accelerated Method for Fuzzy Clustering;SHENGBING XU.et al;IEEE Access;166838-166854 * |
Vague距离及其在医疗诊断系统中的应用研究;姜华;周珍;;中国数字医学(第01期);第26-29页 * |
基于乘积偏好关系的专家模糊核聚类赋权方法;王泽洲;陈云翔;项华春;;火力与指挥控制;第42卷(第05期);第56-62页 * |
基于交叉熵测度的成对约束模糊核聚类算法;徐圣兵等;应用科技;第47卷(第1期);第81-87页 * |
基于情报流程优化的应急决策生成与优化研究;陈祖琴;蒋勋;;情报理论与实践;第41卷(第12期);第133-138页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116705342A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021218003A1 (zh) | 一种雷达嵌入式健康管理系统 | |
WO2021120934A1 (zh) | 一种基于卷积神经网络的DRGs自动分组方法 | |
US20040267686A1 (en) | News group clustering based on cross-post graph | |
CN101516099B (zh) | 一种传感器网络异常检测方法 | |
WO2022198761A1 (zh) | 一种基于决策树和改进smote算法的哮喘病诊断系统 | |
CN111401785A (zh) | 一种基于模糊关联规则的电力系统设备故障预警方法 | |
CN109626161A (zh) | 一种电梯故障诊断方法 | |
CN112700185B (zh) | 基于仿生智能优化的物流路线规划方法及系统 | |
CN113609770B (zh) | 基于分段线性拟合hi及lstm的滚动轴承rul预测方法 | |
CN116705342B (zh) | 一种呼吸道传染病风险控制决策方法及系统 | |
CN116226103A (zh) | 一种基于FPGrowth算法进行政务数据质量检测的方法 | |
CN115130847A (zh) | 一种设备画像建模方法及系统 | |
CN111339385A (zh) | 基于cart的舆情类型识别方法及系统、存储介质、电子设备 | |
CN110597792A (zh) | 基于同期线损数据融合的多级冗余数据融合方法及装置 | |
CN117012356B (zh) | 一种基于运筹学的手术分配方法和系统 | |
Yao et al. | Medicare fraud detection using wtbagging algorithm | |
CN113052186A (zh) | 一种基于影像学的新冠肺炎诊断和病情追踪方法及系统 | |
CN117216713A (zh) | 故障定界方法、装置、电子设备和存储介质 | |
KR101085066B1 (ko) | 대용량 다속성 데이터집합에서 의미 있는 지식 탐사를 위한 연관 분류 방법 | |
CN109800384B (zh) | 一种基于粗糙集信息决策表的基本概率赋值计算方法 | |
CN110703183A (zh) | 一种智能电能表故障数据分析方法及系统 | |
CN113240225B (zh) | 基于模糊最劣指标的输变电工程造价风险定级方法 | |
CN113064579B (zh) | 一种基于异构语言信息的系统设计方法 | |
CN114978575B (zh) | 医疗联网设备的安全等级确定方法 | |
CN111240915B (zh) | 一种面向硬盘故障预测的特征选择方法及硬盘故障预测方法 |
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 |