CN117172501A - 一种基于数据挖掘的物资分配系统 - Google Patents
一种基于数据挖掘的物资分配系统 Download PDFInfo
- Publication number
- CN117172501A CN117172501A CN202311223946.XA CN202311223946A CN117172501A CN 117172501 A CN117172501 A CN 117172501A CN 202311223946 A CN202311223946 A CN 202311223946A CN 117172501 A CN117172501 A CN 117172501A
- Authority
- CN
- China
- Prior art keywords
- latency
- abnormal
- geographic area
- degree
- users
- 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
- 239000000463 material Substances 0.000 title claims abstract description 35
- 238000007418 data mining Methods 0.000 title claims abstract description 8
- 230000005012 migration Effects 0.000 claims abstract description 55
- 238000013508 migration Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 131
- 230000005856 abnormality Effects 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 4
- 230000002547 anomalous effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 15
- 230000010485 coping Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 72
- 208000035473 Communicable disease Diseases 0.000 description 17
- 208000015181 infectious disease Diseases 0.000 description 16
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000013506 data mapping Methods 0.000 description 2
- 239000012567 medical material Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据处理领域,尤其涉及一种基于数据挖掘的物资分配系统,当计算机程序被处理器执行时,实现以下步骤:根据指定地理区域对应的原始异常等级映射得到原始迁移困难程度,根据潜伏期异常用户数量获取到指定地理区域内潜伏期异常用户对应的潜伏程度,根据潜伏程度获取到对应的潜伏优先级,根据潜伏优先级获取到异常传播程度,并进一步获取到目标地理区域的输入异常程度以对目标地理区域进行物资分配,通过考虑不同异常等级的指定地理区域的迁移困难程度以及潜伏优先级对目标地理区域的输入异常程度的影响,提高了输入异常程度的评估准确性,进而提高了该目标地理区域的物资的分配准确性,以及对输入异常风险的应对能力。
Description
技术领域
本发明涉及数据处理领域,特别是涉及一种基于数据挖掘的物资分配系统。
背景技术
在出现传染病、自然灾害等威胁群众安全性和社会稳定性的事件时,评估各个地理区域的异常程度并据此进行物资分配,来提高各个地理区域对异常情况的应对能力,成为摆在政府、科学界及民众面前重大而急迫的任务。例如,针对具有潜伏期的传染病,潜伏期期间的人员流动会为人员输入地区带来较大的风险,因此,需要评估地区之间的人员迁移对人员输入地区带来的输入风险,来提高物资的分配准确性,进而提高各个地区对输入风险的应对能力,为开展针对性的监测与防控提供决策依据。
在现阶段的物资分配方法中,主要基于迁入的人群符合指定地理区域的人群分布,且发病风险与指定地理区域发病率相一致的假设,通过指定地理区域的新增病例数、总人口数以及指定地理区域向人口输入地区迁入的人口规模数,来计算人口输入地区的输入异常情况,进而进行医疗物资的分配。
由于不同指定地理区域的风险程度不一致,采取的防控措施差异对患者外溢的影响较大,且传染病的潜伏期为一个时间段,不同潜伏天数对输入异常情况的影响也较大,上述方法难以准确地衡量指定地理区域的人群迁移对人口输入地区带来的输入异常情况,导致输入异常情况的评估准确性较低,无法为医疗物资的分配提供可靠的数据基础。
因此,在物资分配任务中,如何提高输入异常程度的评估准确性,进而提高物资的分配准确性成为亟待解决的问题。
发明内容
针对上述技术问题,本发明采用的技术方案为一种基于数据挖掘的物资分配系统,所述系统包括:数据库、处理器和存储有计算机程序的存储器,其中,数据库包括:
区域用户总数量集P={P1,P2,……,Py,……,Pk},第y个指定地理区域对应的用户总数量Py包括第y个指定地理区域中的正常用户、实际异常用户以及潜伏期异常用户,正常用户是指未发生异常的用户,实际异常用户是指发生异常并表现出异常状态的用户,潜伏期异常用户是指发生异常且会在异常潜伏期内表现出异常状态的用户,y=1,2,……,k,k为指定地理区域的总数量;
用户迁移数量集Q={Q1,Q2,……,Qy,……,Qk},Qy是指第y个指定地理区域向目标地理区域进行迁移的用户数量;
区域原始异常等级集A={A1,A2,……,Ay,……,Ak},Ay是指第y个指定地理区域对应的原始异常等级;
潜伏期异常用户数量列表集N={N1,N2,……,Ny,……,Nk},第y个指定地理区域对应的潜伏期异常用户数量列表Ny={ny1,ny2,……,nyx,……,nyz},nyx是指在第x个潜伏期时间点下第y个指定地理区域对应的潜伏期异常用户的数量,潜伏期时间点是指潜伏期异常用户处于异常潜伏期的天数,x=1,2,……,z,z是指潜伏期时间点的总数量;
实际异常用户数量列表集R={R1,R2,……,Ry,……,Rk},第y个指定地理区域对应的实际异常用户数量列表Ry={Ry1,Ry2,……,Ryx,……,Ryz},Ryx是在第x个潜伏期时间点下第y个指定地理区域对应的实际异常用户数量;
异常等级和迁移困难程度之间的映射表C0和预设的用户数量参数V;
当计算机程序被处理器执行时,实现以下步骤:
S1,根据A和C0映射得到原始迁移困难程度集YC={YC1,YC2,……,YCy,……,YCk},其中,第y个指定区域对应的原始迁移困难程度YCy是指Ay在C0中对应的迁移困难程度;
S2,根据N获取到指定地理区域内潜伏期异常用户对应的潜伏程度列表集g={g1,g2,……,gy,……,gk},其中,gy是指第y个指定地理区域内潜伏期异常用户对应的潜伏程度列表,gy={gy1,gy2,……,gyx,……,gyz},gyx是指在第x个潜伏期时间点下第y个指定地理区域内潜伏期异常用户对应的潜伏程度,gyx符合如下条件:
gyx=nyx/(∑z i=1nyi);
S3,根据g获取到指定地理区域内潜伏期异常用户对应的潜伏优先级集G={G1,G2,……,Gy,……,Gk},其中,Gy是指第y个指定地理区域内潜伏期异常用户对应的潜伏优先级,Gy是由gy拟合得到的关于潜伏期时间点s的函数;
S4,根据G获取到异常传播程度列表集D={D1,D2,……,Dy,……,Dk},其中,Dy是指第y个指定地理区域对应的异常传播程度列表,Dy={Dy1,Dy2,……,Dyx,……,Dyz},Dyx是指在第x个潜伏期时间点下第y个指定地理区域对应的异常传播程度,Dyx符合如下条件:
Dyx=1-∑x s=1Gy;
S5,根据YC、D、R、P、Q和V,获取到目标地理区域的输入异常程度W,W符合如下条件:
;
S6,根据W对目标地理区域进行物资分配。
本发明至少具有以下有益效果:根据A和C0映射得到原始迁移困难程度集YC={YC1,YC2,……,YCy,……,YCk},根据N获取到指定地理区域内潜伏期异常用户对应的潜伏程度列表集g={g1,g2,……,gy,……,gk},根据g获取到指定地理区域内潜伏期异常用户对应的潜伏优先级集G={G1,G2,……,Gy,……,Gk},根据G获取到异常传播程度列表集D={D1,D2,……,Dy,……,Dk},根据YC、D、R、P、Q和V,获取到目标地理区域的输入异常程度W,根据W对目标地理区域进行物资分配,通过考虑不同异常等级的指定地理区域的迁移困难程度以及潜伏优先级对目标地理区域的输入异常程度的影响,提高了输入异常程度的评估准确性,进而提高了该目标地理区域的物资的分配准确性,以及对输入异常风险的应对能力。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于数据挖掘的物资分配系统的执行计算机程序的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,本实施例一提供了一种基于数据挖掘的物资分配系统,系统包括:数据库、处理器和存储有计算机程序的存储器,其中,数据库中包括:
区域用户总数量集P={P1,P2,……,Py,……,Pk},第y个指定地理区域对应的用户总数量Py包括第y个指定地理区域中的正常用户、异常用户以及潜伏期异常用户,正常用户是指未发生异常的用户,异常用户是指发生异常并表现出异常状态的用户,潜伏期异常用户是指发生异常且会在异常潜伏期内表现出异常状态的用户,y=1,2,……,k,k为指定地理区域的总数量;
用户迁移数量集Q={Q1,Q2,……,Qy,……,Qk},Qy是指第y个指定地理区域向目标地理区域进行迁移的用户数量;
区域原始异常等级集A={A1,A2,……,Ay,……,Ak},Ay是指第y个指定地理区域对应的原始异常等级;
潜伏期异常用户数量列表集N={N1,N2,……,Ny,……,Nk},第y个指定地理区域对应的潜伏期异常用户数量列表Ny={ny1,ny2,……,nyx,……,nyz},nyx是指在第x个潜伏期时间点下第y个指定地理区域对应的潜伏期异常用户的数量,潜伏期时间点是指潜伏期异常用户处于异常潜伏期的天数,x=1,2,……,z,z是指潜伏期时间点的总数量;
实际异常用户数量列表集R={R1,R2,……,Ry,……,Rk},第y个指定地理区域对应的实际异常用户数量列表Ry={Ry1,Ry2,……,Ryx,……,Ryz},Ryx是在第x个潜伏期时间点下第y个指定地理区域对应的实际异常用户数量;
异常等级和迁移困难程度之间的映射表C0和预设的用户数量参数V;
当计算机程序被处理器执行时,实现以下步骤:
S1,根据A和C0映射得到原始迁移困难程度集YC={YC1,YC2,……,YCy,……,YCk},其中,第y个指定区域对应的原始迁移困难程度YCy是指Ay在C0中对应的迁移困难程度。
其中,指定地理区域可以是具有一定数量的异常用户的地理区域,指定地理区域中的用户向目标地理区域进行用户迁移,导致目标地理区域的异常程度增加。因此,本实施例通过评估各个指定地理区域向目标地理区域进行用户迁移时的输入异常程度,可以提高对目标地理区域进行物资分配的准确性。
正常用户是指未发生异常的用户,实际异常用户是指发生异常并表现出异常状态的用户,潜伏期异常用户是指发生异常并会在异常潜伏期内由正常状态转换为异常状态的用户,nyx是指在第x个潜伏期时间点下第y个指定地理区域对应的潜伏期异常用户的数量,潜伏期时间点是指潜伏期异常用户处于异常潜伏期的天数,区域原始异常等级可以是根据对应的指定地理区域中的异常用户数量、异常用户的区域聚集情况等信息预设的异常等级,可以用来表征对应的指定地理区域中的异常风险情况,并作为评定目标地理区域的输入异常程度的基础。
例如,在传染病的迁移和感染场景中,正常用户是指未感染传染病的用户,实际异常用户可以是指感染了传染病且已经表现出对应的传染病症状的用户,潜伏期异常用户可以是指感染了传染病但未表现出对应的传染病症状的用户,该潜伏期异常用户会在传染病潜伏期中的某个潜伏期时间点下表现出对应的传染病病症,潜伏期时间点可以是潜伏期异常用户对应的潜伏期天数,区域原始异常等级可以是根据对应的指定地理区域中的传染病发病人数、发病患者区域聚集情况等信息预设的原始异常等级,可以用来表征对应的指定地理区域中的传染病风险情况,并作为评定目标地理区域的输入异常程度的基础。
异常等级和迁移困难程度之间的映射表C0中包括若干个异常等级,以及与每个异常等级唯一对应的迁移困难程度,其中,指定地理区域的异常等级越高,对应的异常反控措施越严格,导致迁移困难程度越高。
因此,本实施例首先根据A和C0映射得到原始迁移困难程度集YC={YC1,YC2,……,YCy,……,YCk},其中,第y个指定区域对应的原始迁移困难程度YCy是指Ay在C0中对应的迁移困难程度,可以用来表征第y个指定地理区域中的用户向目标地理区域进行迁移的困难程度。
对应地,第y个指定地理区域中的用户向目标地理区域进行迁移的困难程度越高,第y个指定地理区域向目标地理区域输入的异常程度越低。
本实施例根据A和C0映射得到原始迁移困难程度集YC,为评估指定地理区域向目标地理区域输入的异常程度提高了基础。
S2,根据N获取到指定地理区域内潜伏期异常用户对应的潜伏程度列表集g={g1,g2,……,gy,……,gk},其中gy是指第y个指定地理区域内潜伏期异常用户对应的潜伏程度列表集,gy={gy1,gy2,……,gyx,……,gyz},gyx是指在第x个潜伏期时间点下第y个指定地理区域内潜伏期异常用户对应的潜伏程度,gyx符合如下条件:
gyx=nyx/(∑z i=1nyi)。
其中,潜伏程度可以用来表征潜伏期异常用户在对应的潜伏期时间点表现出异常状态的概率。具体地,nyx是指在第x个潜伏期时间点下第y个指定地理区域对应的潜伏期异常用户的数量,则nyx在所有的潜伏期时间点下第y个指定地理区域对应的潜伏期异常用户的总数量中的占比越多,可以表征第y个指定地理区域内的用户在第x个潜伏期时间点时发生异常的概率越高。
因此,本实施例得到在第x个潜伏期时间点下第y个指定地理区域内潜伏期异常用户对应的潜伏程度gyx=nyx/(∑x i=1nyi),然后遍历x=1,2,……,z,可以得到第y个指定地理区域内潜伏期异常用户对应的潜伏程度集gy{gy1,gy2,……,gyx,……,gyz},进一步遍历y=1,2,……,k,可以得到指定地理区域内潜伏期异常用户对应的潜伏程度集g={g1,g2,……,gy,……,gk},作为评估指定地理区域向目标地理区域输入的异常程度的基础。
本实施例根据N获取到指定地理区域内潜伏期异常用户对应的潜伏程度集g={g1,g2,……,gy,……,gk},来表征各个指定地理区域内的用户在各个潜伏期时间点时发生异常的概率,为评估指定地理区域向目标地理区域输入的异常程度提高了基础。
S3,根据g获取到指定地理区域内潜伏期异常用户对应的潜伏优先级集G={G1,G2,……,Gy,……,Gk},其中,Gy是指第y个指定地理区域内潜伏期异常用户对应的潜伏优先级,Gy是由gy拟合得到的关于潜伏期时间点s的函数。
其中,根据gy,可以拟合得到第y个指定地理区域内潜伏期异常用户对应的潜伏优先级Gy,因此,Gy是由gy拟合得到的关于潜伏期时间点s的函数,并通过遍历y=1,2,……,k,得到指定地理区域内潜伏期异常用户对应的潜伏优先级集G={G1,G2,……,Gy,……,Gk},作为目标地理区域输入异常程度的评估基础。
本实施例根据g获取到指定地理区域内潜伏期异常用户对应的潜伏优先级集G={G1,G2,……,Gy,……,Gk},为评估指定地理区域向目标地理区域输入的异常程度提高了基础。
S4,根据G获取到异常传播程度列表集D={D1,D2,……,Dy,……,Dk},其中,Dy是指第y个指定地理区域对应的异常传播程度列表,Dy={Dy1,Dy2,……,Dyx,……,Dyz},Dyx是指在第x个潜伏期时间点下第y个指定地理区域对应的异常传播程度,Dyx符合如下条件:
Dyx=1-∑x s=1Gy。
其中,Dyx是指在第x个潜伏期时间点下第y个指定地理区域对应的异常传播程度,用来表征在k个指定地理区域向目标地理区域进行用户迁移之前的前x天时,第y个指定地理区域中的用户在迁移至目标地理区域后发生异常,从而造成目标地理区域的异常传播风险增加的程度。
例如,在传染病的迁移和感染场景中,对于第y个指定地理区域中在迁移至目标地理区域之前的前x天处于传染病潜伏期的人员,若该人员发病的潜伏期为1天至x天,则该人员会在输入至目标地理区域之前发病,从而在指定地理区域的传染病管控措施下禁止向其他地区迁移,使得该人员不会造成目标地理区域的传播风险增加。
因此,Dyx=1-∑x s=1Gy,通过遍历x=1,2,……,z,可以得到第y个指定地理区域对应的异常传播程度列表集Dy={Dy1,Dy2,……,Dyx,……,Dyz},进一步地,通过遍历y=1,2,……,k,可以得到异常传播程度列表集D={D1,D2,……,Dy,……,Dk},作为后续目标地理区域的输入异常情况的评估基础和物资的分配基础。
本实施例基于第y个指定地理区域中的用户在迁移至目标地理区域之前的前x天不发生异常的概率之和,得到第x个潜伏期时间点下第y个指定地理区域对应的异常传播程度,并进一步得到D作为后续目标地理区域的输入异常情况的评估基础和物资的分配基础,提高了对目标地理区域进行输入异常评估的准确性和物资的分配准确性。
S5,根据YC、D、R、P、Q和V,获取到目标地理区域的输入异常程度W,W符合如下条件:
。
其中,Ryx是指在第x个潜伏期时间点下第y个指定地理区域对应的实际异常用户数量,Dyx是指在第x个潜伏期时间点下第y个指定地理区域对应的异常传播程度,Qy是指第y个指定地理区域向目标地理区域进行迁移的用户数量,Py是指第y个指定地理区域对应的区域用户总数量,在本实施例中,Ryx、Dyx、和Qy V/Py越大,第y个指定地理区域向目标地理区域进行用户迁移导致目标地理区域的输入异常程度越大,因此,Ryx、Dyx、和Qy/>V/Py均与目标地理区域的输入异常程度W呈正相关。
YCy是指第y个指定地理区域对应的原始迁移困难程度,YCy越大,第y个指定地理区域中目标用户受到的异常反控措施越严格,第y个指定地理区域向目标地理区域进行用户迁移导致目标地理区域的输入异常程度越小,因此,YCy与目标地理区域的输入异常程度W呈负相关。
因此,本实施例中通过遍历k个指定地理区域对目标地理区域的输入异常程度的影响,可以计算得到目标地理区域的输入异常程度,W越大,表征k个指定地理区域的用户迁移会导致目标地理区域的异常程度更高。
其中,V为预设的用户数量参数,用于调整W的取值范围,可以根据实际情况进行设定。
在一个具体的实施方式中,设置V=1000。
本实施例在YC、D、R、P和Q的基础上评估k个指定地理区域的用户迁移导致目标地理区域的异常程度的增大程度,作为目标地理区域的物资的分配基础,提高了物资的分配准确性。
S6,根据W对目标地理区域进行物资分配。
其中,W越大,表征k个指定地理区域的用户迁移导致目标地理区域的异常程度更高,对应地,在进行物资的分配时,需要分配给该目标地理区域更多的物资,以提高该目标地理区域对输入异常风险的应对能力。
在一个具体的实施方式中,当计算机程序被处理器执行时,还实现以下步骤:
S7,根据G和A获取到指定地理区域对应的优化后的异常等级集B={B1,B2,……,By,……,Bk},其中,By是指第y个指定区域对应的优化后的异常等级,By符合如下条件:
By=Ay+1-4/(e^(α∑z-1 m=0((∫m m+1Gydt)/m))+1),t∈[m,m+1],m=0,1,……,z-1,α是指By的响应速率参数;
S8,根据B和C0映射得到优化后的迁移困难程度集C={C1,C2,……,Cy,……,Ck},其中,Cy是指By在C0中对应的迁移困难程度;
S9,根据C、D、R、P、Q和V,获取到目标地理区域的优化后的输入异常程度W0,W0符合如下条件:
;
S10,根据W0对目标地理区域进行物资分配。
其中,原始异常等级可以是根据对应的指定地理区域中的传染病发病人数、发病患者区域聚集情况等信息预设的原始异常等级,为了提高出输入异常程度的评定准确性,本实施例以G和A为基础,优化每个指定地理区域的异常等级的评定结果,得到优化后的异常等级集B,作为评定目标地理区域的输入异常程度的数据基础。
第y个指定地理区域中,潜伏期较短的用户会因为在迁移至目标地理区域之前表现为异常状态而受到管控,而潜伏期较长的用户在迁移至目标地理区域之前表现为异常状态的概率更小,对应迁移至目标地理区域的风险更大,导致第y个指定地理区域的异常程度更高。
因此,本实施例根据Gy来优化原始异常等级Ay,得到对应的优化后的异常等级By=Ay+1-4/(e^(α∑z-1 m=0((∫m m+1Gydt)/m))+1),其中,t∈[m,m+1],m=0,1,……,z-1,α是指By的响应速率参数,用来调整By随着y的变化发生对应变化的响应速率,对应地,α越小,By随着y的变化发生对应变化的响应速率越小,使得By的有效变化区间越大。
然后,根据B和C0映射得到优化后的迁移困难程度集C={C1,C2,……,Cy,……,Ck},并进一步根据C、D、R、P和Q,获取到目标地理区域的优化后的输入异常程度,以根据W0对目标地理区域进行物资分配,从而提高了输入异常程度以及物资分配的准确性。
其中,z和α的具体数值可以根据实际情况进行设定。
在一个具体的实施方式中,z=14。
在一个具体的实施方式中,α=1。
在一个具体的实施方式中,Ay为[1,J]范围内的整数,其中,J为原始异常等级的最大值。
其中,Ay是指第y个指定地理区域对应的原始异常等级,本实施例以整数作为具体的原始异常等级,例如,使用1,2,……,J作为原始异常等级的具体数值,以提高数据的统一性,提高数据映射过程中的简便性。
在一个具体的实施方式中,By的取值范围为[0,J+1]。
其中,By=Ay+1-4/(e^(α∑z-1 m=0((∫m m+1Gydt)/m))+1),则在Ay为[1,J]范围内的整数的基础上,By的取值范围为[0,J+1]。
在一个具体的实施方式中,S8具体包括如下步骤:
S81,获取到By对应的取整异常程度By 0,By 0符合如下条件:
By 0=U(By),U()为取整函数;
S82,将C0中By 0对应的迁移困难程度确定为Cy;
S83,遍历B={B1,B2,……,By,……,Bk},得到C={C1,C2,……,Cy,……,Ck}。
其中,为了提高C0的数据统一性和简洁性,提高数据映射的效率,本实施例的C0中的异常等级和迁移困难程度均为整数。对应地,对By进行取整,可以得到取整异常程度By 0=U(By),U()为取整函数,在本实施例中,U()可以是四舍五入取整函数。
然后将C0中By 0对应的迁移困难程度确定为Cy ,通过遍历y=1,2,……,k,可以得到优化后的迁移困难程度集C,作为后续目标地理区域的输入异常情况的评估基础。
本实施例通过优化每个指定地理区域的异常等级,进一步得到优化后的迁移困难程度集C,作为后续目标地理区域的输入异常情况的评估基础,提高了每个指定地理区域的异常等级的评定准确性,提高了对目标地理区域的进行输入异常的评估准确性和物资的分配准确性。
本实施例根据A和C0映射得到原始迁移困难程度集YC={YC1,YC2,……,YCy,……,YCk},根据N获取到指定地理区域内潜伏期异常用户对应的潜伏程度列表集g={g1,g2,……,gy,……,gk},根据g获取到指定地理区域内潜伏期异常用户对应的潜伏优先级集G={G1,G2,……,Gy,……,Gk},根据G获取到异常传播程度列表集D={D1,D2,……,Dy,……,Dk},根据YC、D、R、P、Q和V,获取到目标地理区域的输入异常程度W,根据W对目标地理区域进行物资分配,通过考虑不同异常等级的指定地理区域的迁移困难程度以及潜伏优先级对目标地理区域的输入异常程度的影响,提高了输入异常程度的评估准确性,进而提高了该目标地理区域的物资的分配准确性,以及对输入异常风险的应对能力。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员还应理解,可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明开的范围由所附权利要求来限定。
Claims (8)
1.一种基于数据挖掘的物资分配系统,其特征在于,所述系统包括:数据库、处理器和存储有计算机程序的存储器,其中,所述数据库包括:
区域用户总数量集P={P1,P2,……,Py,……,Pk},第y个指定地理区域对应的用户总数量Py包括第y个指定地理区域中的正常用户、实际异常用户以及潜伏期异常用户,所述正常用户是指未发生异常的用户,所述实际异常用户是指发生异常并表现出异常状态的用户,所述潜伏期异常用户是指发生异常并会在异常潜伏期内由正常状态转换为异常状态的用户,y=1,2,……,k,k为指定地理区域的总数量;
用户迁移数量集Q={Q1,Q2,……,Qy,……,Qk},Qy是指第y个指定地理区域向目标地理区域进行迁移的用户数量;
区域原始异常等级集A={A1,A2,……,Ay,……,Ak},Ay是指第y个指定地理区域对应的原始异常等级;
潜伏期异常用户数量列表集N={N1,N2,……,Ny,……,Nk},第y个指定地理区域对应的潜伏期异常用户数量列表Ny={ny1,ny2,……,nyx,……,nyz},nyx是指在第x个潜伏期时间点下第y个指定地理区域对应的潜伏期异常用户的数量,所述潜伏期时间点是指所述潜伏期异常用户处于异常潜伏期的天数,x=1,2,……,z,z是指潜伏期时间点的总数量;
实际异常用户数量列表集R={R1,R2,……,Ry,……,Rk},第y个指定地理区域对应的实际异常用户数量列表Ry={Ry1,Ry2,……,Ryx,……,Ryz},Ryx是在第x个潜伏期时间点下第y个指定地理区域对应的实际异常用户数量;
异常等级和迁移困难程度之间的映射表C0和预设的用户数量参数V;
当所述计算机程序被处理器执行时,实现以下步骤:
S1,根据A和C0映射得到原始迁移困难程度集YC={YC1,YC2,……,YCy,……,YCk},其中,第y个指定区域对应的原始迁移困难程度YCy是指Ay在C0中对应的迁移困难程度;
S2,根据N获取到指定地理区域内潜伏期异常用户对应的潜伏程度列表集g={g1,g2,……,gy,……,gk},其中,gy是指所述第y个指定地理区域内潜伏期异常用户对应的潜伏程度列表,gy={gy1,gy2,……,gyx,……,gyz},gyx是指在第x个潜伏期时间点下所述第y个指定地理区域内潜伏期异常用户对应的潜伏程度,gyx符合如下条件:
gyx=nyx/(∑z i=1nyi);
S3,根据g获取到指定地理区域内潜伏期异常用户对应的潜伏优先级集G={G1,G2,……,Gy,……,Gk},其中,Gy是指所述第y个指定地理区域内潜伏期异常用户对应的潜伏优先级,Gy是由gy拟合得到的关于潜伏期时间点s的函数;
S4,根据G获取到异常传播程度列表集D={D1,D2,……,Dy,……,Dk},其中,Dy是指所述第y个指定地理区域对应的异常传播程度列表,Dy={Dy1,Dy2,……,Dyx,……,Dyz},Dyx是指在第x个潜伏期时间点下所述第y个指定地理区域对应的异常传播程度,Dyx符合如下条件:
Dyx=1-∑x s=1Gy;
S5,根据YC、D、R、P、Q和V,获取到所述目标地理区域的输入异常程度W,W符合如下条件:
;
S6,根据W对所述目标地理区域进行物资分配。
2.根据权利要求1所述的系统,其特征在于,当所述计算机程序被处理器执行时,还实现以下步骤:
S7,根据G和A获取到指定地理区域对应的优化后的异常等级集B={B1,B2,……,By,……,Bk},其中,By是指第y个指定区域对应的优化后的异常等级,By符合如下条件:
By=Ay+1-4/(e^(α∑z-1 m=0((∫m m+1Gydt)/m))+1),t∈[m,m+1],m=0,1,……,z-1,α是指By的响应速率参数;
S8,根据B和C0映射得到优化后的迁移困难程度集C={C1,C2,……,Cy,……,Ck},其中,Cy是指By在C0中对应的迁移困难程度;
S9,根据C、D、R、P、Q和V,获取到所述目标地理区域的优化后的输入异常程度W0,W0符合如下条件:
;
S10,根据W0对所述目标地理区域进行物资分配。
3.根据权利要求2所述的系统,其特征在于,z=14。
4.根据权利要求2所述的系统,其特征在于,α=1。
5.根据权利要求2所述的系统,其特征在于,Ay为[1,J]范围内的整数,其中,J为原始异常等级的最大值。
6.根据权利要求3所述的系统,其特征在于,By的取值范围为[0,J+1]。
7.根据权利要求2所述的系统,其特征在于,S8具体包括如下步骤:
S81,获取到By对应的取整异常程度By 0,By 0符合如下条件:
By 0=U(By),U()为取整函数;
S82,将C0中By 0对应的迁移困难程度确定为Cy;
S83,遍历B={B1,B2,……,By,……,Bk},得到C={C1,C2,……,Cy,……,Ck}。
8.根据权利要求1所述的系统,其特征在于,V=1000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311223946.XA CN117172501B (zh) | 2023-09-21 | 2023-09-21 | 一种基于数据挖掘的物资分配系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311223946.XA CN117172501B (zh) | 2023-09-21 | 2023-09-21 | 一种基于数据挖掘的物资分配系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117172501A true CN117172501A (zh) | 2023-12-05 |
CN117172501B CN117172501B (zh) | 2024-09-06 |
Family
ID=88941206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311223946.XA Active CN117172501B (zh) | 2023-09-21 | 2023-09-21 | 一种基于数据挖掘的物资分配系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117172501B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180218057A1 (en) * | 2015-05-01 | 2018-08-02 | The Government of the United States of America, as represented by the Secretary of Homeland Security | System and method for monitoring and analyzing animal related data |
CN110348728A (zh) * | 2019-07-04 | 2019-10-18 | 湖南水利水电职业技术学院 | 一种水库型水源地保护与生态补偿的监督管理系统 |
CN111161887A (zh) * | 2020-03-30 | 2020-05-15 | 广州地理研究所 | 基于人口迁徙大数据的流行病疫区返程人群规模预测方法 |
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 |
CN112529289A (zh) * | 2020-12-07 | 2021-03-19 | 北京嘀嘀无限科技发展有限公司 | 人流扩散风险的预测方法、装置、电子设备及存储介质 |
CN112530559A (zh) * | 2020-11-09 | 2021-03-19 | 河北工程大学 | 一种突发公共卫生事件医疗物资智能调配系统 |
CN112633681A (zh) * | 2020-12-22 | 2021-04-09 | 中山大学 | 一种基于疫情传播风险的疫苗分配方法、系统及装置 |
CN112820414A (zh) * | 2021-01-29 | 2021-05-18 | 南威软件股份有限公司 | 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 |
CN113096787A (zh) * | 2021-04-19 | 2021-07-09 | 大连理工大学 | 数据驱动疫情检测和医疗资源分配的联合决策系统与方法 |
CN113223678A (zh) * | 2021-03-19 | 2021-08-06 | 中国信息通信研究院 | 一种医疗物资保障调度系统 |
CN114360740A (zh) * | 2022-01-11 | 2022-04-15 | 内蒙古科技大学 | 一种面向跨境电商网络的疫情传播风险评估方法 |
CN115424710A (zh) * | 2022-08-22 | 2022-12-02 | 东南大学 | 传染病医疗物资分配方法 |
CN115442262A (zh) * | 2022-08-01 | 2022-12-06 | 阿里巴巴(中国)有限公司 | 一种资源评估方法、装置、电子设备及存储介质 |
CN115547465A (zh) * | 2022-05-15 | 2022-12-30 | 兰州大学 | 基于区域疫情传播风险分级的疫苗分配系统 |
US20230098491A1 (en) * | 2021-09-29 | 2023-03-30 | Southern University Of Science And Technology | Assessment method and device for infectious disease transmission, computer equipment and storage medium |
US20230170098A1 (en) * | 2020-04-22 | 2023-06-01 | The Fourth Paradigm (Beijing) Tech Co Ltd | Simulation system and simulation method, and epidemic deduction simulation system and simulation method |
CN116433045A (zh) * | 2023-03-23 | 2023-07-14 | 国网四川省电力公司物资公司 | 一种电力应急物资的精准供应管理方法及系统 |
CN116453661A (zh) * | 2022-09-28 | 2023-07-18 | 中国人民解放军海军军医大学 | 一种基于供需关系的应急医疗资源配置方法及系统 |
CN116562746A (zh) * | 2023-07-10 | 2023-08-08 | 深圳市辉熙智能科技有限公司 | 一种被服物流站点的被服数据监控方法及相关装置 |
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
- 2023-09-21 CN CN202311223946.XA patent/CN117172501B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180218057A1 (en) * | 2015-05-01 | 2018-08-02 | The Government of the United States of America, as represented by the Secretary of Homeland Security | System and method for monitoring and analyzing animal related data |
CN110348728A (zh) * | 2019-07-04 | 2019-10-18 | 湖南水利水电职业技术学院 | 一种水库型水源地保护与生态补偿的监督管理系统 |
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 |
CN111161887A (zh) * | 2020-03-30 | 2020-05-15 | 广州地理研究所 | 基于人口迁徙大数据的流行病疫区返程人群规模预测方法 |
US20230170098A1 (en) * | 2020-04-22 | 2023-06-01 | The Fourth Paradigm (Beijing) Tech Co Ltd | Simulation system and simulation method, and epidemic deduction simulation system and simulation method |
CN112530559A (zh) * | 2020-11-09 | 2021-03-19 | 河北工程大学 | 一种突发公共卫生事件医疗物资智能调配系统 |
CN112529289A (zh) * | 2020-12-07 | 2021-03-19 | 北京嘀嘀无限科技发展有限公司 | 人流扩散风险的预测方法、装置、电子设备及存储介质 |
CN112633681A (zh) * | 2020-12-22 | 2021-04-09 | 中山大学 | 一种基于疫情传播风险的疫苗分配方法、系统及装置 |
CN112820414A (zh) * | 2021-01-29 | 2021-05-18 | 南威软件股份有限公司 | 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 |
CN113223678A (zh) * | 2021-03-19 | 2021-08-06 | 中国信息通信研究院 | 一种医疗物资保障调度系统 |
CN113096787A (zh) * | 2021-04-19 | 2021-07-09 | 大连理工大学 | 数据驱动疫情检测和医疗资源分配的联合决策系统与方法 |
US20230098491A1 (en) * | 2021-09-29 | 2023-03-30 | Southern University Of Science And Technology | Assessment method and device for infectious disease transmission, computer equipment and storage medium |
CN114360740A (zh) * | 2022-01-11 | 2022-04-15 | 内蒙古科技大学 | 一种面向跨境电商网络的疫情传播风险评估方法 |
CN115547465A (zh) * | 2022-05-15 | 2022-12-30 | 兰州大学 | 基于区域疫情传播风险分级的疫苗分配系统 |
CN115442262A (zh) * | 2022-08-01 | 2022-12-06 | 阿里巴巴(中国)有限公司 | 一种资源评估方法、装置、电子设备及存储介质 |
CN115424710A (zh) * | 2022-08-22 | 2022-12-02 | 东南大学 | 传染病医疗物资分配方法 |
CN116453661A (zh) * | 2022-09-28 | 2023-07-18 | 中国人民解放军海军军医大学 | 一种基于供需关系的应急医疗资源配置方法及系统 |
CN116433045A (zh) * | 2023-03-23 | 2023-07-14 | 国网四川省电力公司物资公司 | 一种电力应急物资的精准供应管理方法及系统 |
CN116562746A (zh) * | 2023-07-10 | 2023-08-08 | 深圳市辉熙智能科技有限公司 | 一种被服物流站点的被服数据监控方法及相关装置 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN117172501B (zh) | 2024-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Generalized logistic growth modeling of the COVID-19 outbreak: comparing the dynamics in the 29 provinces in China and in the rest of the world | |
KR101757844B1 (ko) | 요청된 정보를 삭제하기 위한 방법들 및 시스템들 | |
Cormode | Personal privacy vs population privacy: learning to attack anonymization | |
US8589330B2 (en) | Predicting or recommending a users future location based on crowd data | |
WO2016168476A1 (en) | A method to detect malicious behavior by computing the likelihood of data accesses | |
JP2018510422A (ja) | 危険行動を特定するための方法及び装置 | |
US20230239362A1 (en) | Managing contact-control privileges via managing client device interfaces | |
WO2022160702A1 (zh) | 榜单生成方法及装置 | |
CN113342603B (zh) | 告警数据处理方法、装置、计算机设备和存储介质 | |
KR102057622B1 (ko) | 콘텐츠 관리 시스템 | |
CN117172501B (zh) | 一种基于数据挖掘的物资分配系统 | |
US11106539B2 (en) | Rule book based retention management engine | |
CN110187954B (zh) | 应用镜像推送方法、装置、计算机设备及存储介质 | |
CN117056620A (zh) | 一种基于职业信息处理业务的方法、装置、设备及介质 | |
KR101825294B1 (ko) | 인간관계와 시간성이 높은 서비스를 위한 스토리지 서버의 데이터 구분 방법 및 장치 | |
CN109597923A (zh) | 核密度估计方法、装置、存储介质和电子设备 | |
CN113392130B (zh) | 数据处理方法、装置及设备 | |
JP2018156332A (ja) | 生成装置、生成方法および生成プログラム | |
CN113127187B (zh) | 用于集群扩缩容的方法和装置 | |
CN113609454A (zh) | 一种异常交易检测方法和装置 | |
Gyimah | Migration and fertility behavior in Sub-Saharan Africa: The case of Ghana | |
CN106792757A (zh) | 一种面向事件检测的传感网部署优化方法与装置 | |
CN113535038A (zh) | 前端菜单树生成方法、装置、计算机设备及存储介质 | |
US20220222302A1 (en) | Method for processing web requests | |
CN116015785B (zh) | 信息安全防护方法及电子设备、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 |