CN117272217B - 一种地理区域的异常分析系统 - Google Patents
一种地理区域的异常分析系统 Download PDFInfo
- Publication number
- CN117272217B CN117272217B CN202311567283.3A CN202311567283A CN117272217B CN 117272217 B CN117272217 B CN 117272217B CN 202311567283 A CN202311567283 A CN 202311567283A CN 117272217 B CN117272217 B CN 117272217B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- refers
- area
- obtaining
- preset
- 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
- 230000002159 abnormal effect Effects 0.000 claims abstract description 211
- 238000009792 diffusion process Methods 0.000 claims abstract description 85
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000005856 abnormality Effects 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 239000012567 medical material Substances 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Remote Sensing (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及数据处理领域,尤其涉及一种地理区域的异常分析系统,当计算机程序被处理器执行时,实现以下步骤:根据第一地理区域和异常用户流调数据获取到第二异常扩散程度,结合预设的第一映射表获取到第一异常等级,进而结合相邻地理区域获取到第二异常等级,并结合预设的第二映射表获取到异常扩散风险系数,从而获取到异常影响半径以及预设区域的异常程度。可知,根据异常用户流调数据分析第一地理区域的异常扩散风险系数,并结合相邻地理区域分析第二地理区域的异常扩散风险系数,进而获取到每个地理区域的异常影响半径,提高了预设区域的异常分析准确性,为决策者分配医疗物资、配置医务人员等工作提供了重要的数据支持。
Description
技术领域
本发明涉及数据处理领域,特别是涉及一种地理区域的异常分析系统。
背景技术
在出现传染病等异常事件时,通过模型算法细化异常风险区域的分析精度,可以为决策者分配医疗物资、配置医务人员等工作提供重要的数据支持。
现阶段通常根据地理区域中异常用户的数量判断地理区域的异常等级,以进行异常风险区域的分析,但是实际地理区域中异常等级的影响因素复杂多样,上述基于异常用户的数量进行地理区域的异常分析时的准确性较低,难以对医疗物资和医务人员的配置提供有效指导。
因此,如何提高地理区域的异常分析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地理区域的异常分析系统,系统包括处理器和存储有计算机程序的存储器,其特征在于,存储器中存储有第一地理区域A={A1,A2,……,Ai,……,Am}、第二地理区域B={B1,B2,……,Bj,……,Bn}、A对应的异常用户流调数据C={C1,C2,……,Ci,……,Cm}、B对应的相邻地理区域D={D1,D2,……,Dj,……,Dn}、预设的关于第二异常扩散程度和异常等级的第一映射表Y1、预设的关于异常等级和异常扩散风险系数的第二映射表Y2;
其中,Ai是指预设区域中包含的第i个第一地理区域,Bj是指预设区域中包含的第j个第二地理区域,第一地理区域是指流调过程中的异常用户停留过的区域,第二地理区域是指流调过程中的异常用户未停留过的区域,Ai对应的异常用户流调数据Ci={Ci1,Ci2,Ci3},Ci1是指异常用户在Ai中停留的总时间,Ci2是指Ai中的用户总数量,Ci3是指异常用户在Ai中接触的其他用户的平均数量,Bj对应的相邻地理区域Dj={Dj1,Dj2,……,Djt,……,Djk},Djt是指Bj对应的第t个相邻地理区域,i=1,2,……,m,m是指第一地理区域的总数量,j=1,2,……,n,n是指第二地理区域的总数量,t=1,2,……,k,k是指第j个第二地理区域的相邻地理区域的总数量;
当计算机程序被处理器执行时,实现以下步骤:
S1,根据A和C,获取到A对应的第一异常扩散程度E={E1,E2,……,Ei,……,Em},其中,Ei是指Ai对应的第一异常扩散程度,Ei符合如下条件:
Ei=α1×Ci1+α2×Ci2+α3×Ci3,其中,α1是指预设的停留时间优先级,α2是指预设的用户数量优先级,α3是指预设的用户接触数量优先级。
S2,对E进行归一化处理,获取到E对应的第二异常扩散程度E0={E0 1,E0 2,……,E0 i,……,E0 m},其中,E0 i是指对Ei进行归一化处理后获取到的第二异常扩散程度。
S3,根据E0和Y1,获取到A对应的第一异常等级F1={F11,F12,……,F1i,……,F1m},其中,F1i是指Ai对应的异常等级,通过在Y1中查找E0 i对应的异常等级得到。
S4,根据D和F1,获取到B对应的第二异常等级F2={F21,F22,……,F2j,……,F2n},其中,F2j是指Bj对应的异常等级,S4包括如下步骤:
S41,根据D和F1,获取到D对应的相邻区域异常等级列表f={f1,f2,……,fj,……,fn},其中,Bj对应的相邻区域异常等级列表fj={fj1,fj2,……,fjt,……,fjk},fjt是指Djt对应的异常等级;
S42,若1≤min(fj)<s,则获取到F2j=min(fj)+1,其中,min()是指取最小值函数;
S43,若min(fj)=s,则获取到F2j=0。
S5,根据F1、F2和Y2,获取到A对应的第一异常扩散风险系数δ1={δ11,δ12,……,δ1i,……,δ1m}和B对应的第二异常扩散风险系数δ2={δ21,δ22,……,δ2j,……,δ2n},其中,δ1i是指Ai对应的异常扩散风险系数,通过在Y2中查找F1i对应的异常扩散风险系数得到,δ2j是指Bj对应的异常扩散风险系数,通过在Y2中查找F2j对应的异常扩散风险系数得到。
S6,根据δ1和δ2,获取到A和B对应的异常影响半径R={R11,R12,……,R1i,……,R1m,R21,R22,……,R2j,……,R2n},Ai对应的异常影响半径R1i符合如下条件:
R1i=μ×τ×δ1i×lg(ε1i×ρ1i+1),其中,μ是指预设的异常扩散修正系数,τ是指预设的基础异常半径,ε1i是指Ai对应的用户生活水平系数,ρ1i是指Ai对应的用户密度;
Bj对应的异常影响半径R2j符合如下条件:
R2j=μ×τ×δ2j×lg(ε2j×ρ2j+1),其中,ε2j是指Bj对应的用户生活水平系数,ρ2j是指Bj对应的用户密度。
S7,根据A、B、δ1、δ2和R,获取到预设区域对应的第一异常程度H,其中,H符合如下条件:
H=∑i=1 m(δ1i×R1i)+∑j=1 n(δ2j×R2j)。
本发明与现有技术相比具有明显的有益效果,借由上述技术方案,本发明提供的地理区域的异常分析系统可达到相当的技术进步性及实用性,并具有产业上的广泛利用价值,其至少具有以下有益效果:根据A和C,获取到A对应的第一异常扩散程度E={E1,E2,……,Ei,……,Em},对E进行归一化处理,获取到E对应的第二异常扩散程度E0={E0 1,E0 2,……,E0 i,……,E0 m},根据E0和Y1,获取到A对应的第一异常等级F1={F11,F12,……,F1i,……,F1m},根据D和F1,获取到B对应的第二异常等级F2={F21,F22,……,F2j,……,F2n},根据F1、F2和Y2,获取到A对应的第一异常扩散风险系数δ1={δ11,δ12,……,δ1i,……,δ1m}和B对应的第二异常扩散风险系数δ2={δ21,δ22,……,δ2j,……,δ2n},根据δ1和δ2,获取到A和B对应的异常影响半径R={R11,R12,……,R1i,……,R1m,R21,R22,……,R2j,……,R2n},根据A、B、δ1、δ2和R获取到预设区域对应的第一异常程度H。可知,根据异常用户流调数据来分析第一地理区域的异常等级和第一异常扩散风险系数,并结合相邻地理区域来分析第二地理区域的异常等级和第二异常扩散风险系数,进而获取到每个地理区域的异常影响半径,从而获取到第一异常程度以完成对预设区域的异常分析,提高了预设区域的异常分析准确性。
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地理区域的异常分析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。
本实施例一提供了一种地理区域的异常分析系统,系统包括处理器和存储有计算机程序的存储器,其特征在于,存储器中存储有第一地理区域A={A1,A2,……,Ai,……,Am}、第二地理区域B={B1,B2,……,Bj,……,Bn}、A对应的异常用户流调数据C={C1,C2,……,Ci,……,Cm}、B对应的相邻地理区域D={D1,D2,……,Dj,……,Dn}、预设的关于第二异常扩散程度和异常等级的第一映射表Y1、预设的关于异常等级和异常扩散风险系数的第二映射表Y2;
其中,Ai是指预设区域中包含的第i个第一地理区域,Bj是指预设区域中包含的第j个第二地理区域,第一地理区域是指流调过程中的异常用户停留过的区域,第二地理区域是指流调过程中的异常用户未停留过的区域,Ai对应的异常用户流调数据Ci={Ci1,Ci2,Ci3},Ci1是指异常用户在Ai中停留的总时间,Ci2是指Ai中的用户总数量,Ci3是指异常用户在Ai中接触的其他用户的平均数量,Bj对应的相邻地理区域Dj={Dj1,Dj2,……,Djt,……,Djk},Djt是指Bj对应的第t个相邻地理区域,i=1,2,……,m,m是指第一地理区域的总数量,j=1,2,……,n,n是指第二地理区域的总数量,t=1,2,……,k,k是指第j个第二地理区域的相邻地理区域的总数量;
当计算机程序被处理器执行时,实现以下步骤,如图1所示:
S1,根据A和C,获取到A对应的第一异常扩散程度E={E1,E2,……,Ei,……,Em},其中,Ei是指Ai对应的第一异常扩散程度,Ei符合如下条件:
Ei=α1×Ci1+α2×Ci2+α3×Ci3,其中,α1是指预设的停留时间优先级,α2是指预设的用户数量优先级,α3是指预设的用户接触数量优先级。
其中,第一地理区域是指流调过程中的异常用户停留过的区域,第二地理区域是指流调过程中的异常用户未停留过的区域,相邻地理区域是在地理位置上相邻的地理区域,因此,本实施例可以根据异常用户流调数据来分析第一地理区域的异常扩散程度,并进一步根据与第二地理区域相邻的第一地理区域的异常扩散程度,来分析第二地理区域的异常扩散程度,以进行异常区域的分析。
具体地,首先根据A和C获取到A对应的第一异常扩散程度E={E1,E2,……,Ei,……,Em},其中,Ai对应的第一异常扩散程度Ei=α1×Ci1+α2×Ci2+α3×Ci3。
预设的停留时间优先级α1、预设的用户数量优先级α2和预设的用户接触数量优先级α3的具体数值可以由实施者根据实际情况进行调整,以满足不同异常情况下异常扩散程度的计算,提高异常扩散程度的准确性。
本实施例根据A和C,获取到A对应的第一异常扩散程度E={E1,E2,……,Ei,……,Em},根据异常用户流调数据来分析第一地理区域的异常扩散程度,提高了第一异常扩散程度的准确性。
S2,对E进行归一化处理,获取到E对应的第二异常扩散程度E0={E0 1,E0 2,……,E0 i,……,E0 m},其中,E0 i是指对Ei进行归一化处理后获取到的第二异常扩散程度。
其中,为了对第一地理区域的异常等级进行量化评定,本实施例对E进行归一化处理,获取到E对应的第二异常扩散程度E0={E0 1,E0 2,……,E0 i,……,E0 m}作为判断异常等级的基础,以基于归一化后在[0,1]范围内的第二异常扩散程度来提高异常等级的评定效率。
在一具体实施方式中,E0 i符合如下条件:
E0 i=Ei/∑i=1 m(Ei)。
S3,根据E0和Y1,获取到A对应的第一异常等级F1={F11,F12,……,F1i,……,F1m},其中,F1i是指Ai对应的异常等级,通过在Y1中查找E0 i对应的异常等级得到。
其中,Y1是关于第二异常扩散程度和异常等级的映射表,通过在Y1中查找E0 i对应的异常等级,获取到Ai对应的第一异常等级F1i,用来表征Ai的异常程度。
进一步遍历E0={E0 1,E0 2,……,E0 i,……,E0 m},可以获取到A对应的第一异常等级F1={F11,F12,……,F1i,……,F1m}。
在一具体实施方式中,F1i∈[1,s],其中,s是指最大异常等级。
其中,异常等级的具体数值可以由实施者根据实际情况进行设定,例如,本实施例设定异常等级的具体数值为1,2,……,s,则F1i∈[1,s]。
本实施例根据E0和Y1,获取到A对应的第一异常等级F1={F11,F12,……,F1i,……,F1m},将第二异常扩散程度量化为对应的
S4,根据D和F1,获取到B对应的第二异常等级F2={F21,F22,……,F2j,……,F2n},其中,F2j是指Bj对应的异常等级,S4包括如下步骤:
S41,根据D和F1,获取到D对应的相邻区域异常等级列表f={f1,f2,……,fj,……,fn},其中,Bj对应的相邻区域异常等级列表fj={fj1,fj2,……,fjt,……,fjk},fjt是指Djt对应的异常等级;
S42,若1≤min(fj)<s,则获取到F2j=min(fj)+1,其中,min()是指取最小值函数;
S43,若min(fj)=s,则获取到F2j=0;。
其中,本实施例根据B对应的相邻地理区域D={D1,D2,……,Dj,……,Dn},以及A对应的第一异常等级F1={F11,F12,……,F1i,……,F1m},来分析第二地理区域的异常扩散程度,获取到B对应的第二异常等级F2={F21,F22,……,F2j,……,F2n}。
具体地,首先根据D和F1,获取到Bj对应的相邻区域异常等级列表fj={fj1,fj2,……,fjt,……,fjk},其中,fjt是指Bj对应的第t个相邻地理区域的异常等级。
若1≤min(fj)<s,则确定Bj对应的异常等级比相邻区域异常等级列表fj中最小的异常等级大一级,因此,获取到F2j=min(fj)+1。
若min(fj)=s,则确定Bj不属于异常区域,本实施例设定F2j=0,作为分析异常区域的基础。
在一具体实施方式中,F2j∈[1,s]。
本实施例根据D和F来分析第二地理区域的异常扩散程度,获取到B对应的第二异常等级F2={F21,F22,……,F2j,……,F2n},作为对A和B进行异常区域分析的基础,提高了异常区域分析的准确性。
S5,根据F1、F2和Y2,获取到A对应的第一异常扩散风险系数δ1={δ11,δ12,……,δ1i,……,δ1m}和B对应的第二异常扩散风险系数δ2={δ21,δ22,……,δ2j,……,δ2n},其中,δ1i是指Ai对应的异常扩散风险系数,通过在Y2中查找F1i对应的异常扩散风险系数得到,δ2j是指Bj对应的异常扩散风险系数,通过在Y2中查找F2j对应的异常扩散风险系数得到。
其中,Y2是关于异常等级和异常扩散风险系数的映射表,通过在Y2中查找F1i对应的异常扩散风险系数,获取到Ai对应的第一异常扩散风险系数δ1i,用来表征Ai的异常扩散风险,通过在Y2中查找F2j对应的异常扩散风险系数,获取到Bj对应的第二异常扩散风险系数δ2j,用来表征Bj的异常扩散风险。
进一步遍历F1和F2,可以获取到A对应的第一异常扩散风险系数δ1={δ11,δ12,……,δ1i,……,δ1m}和B对应的第二异常扩散风险系数δ2={δ21,δ22,……,δ2j,……,δ2n},作为分析异常区域的基础。
在一具体实施方式中,若0<F2j≤F2u≤S,则δ2j≥δ2u,其中,u=1,2,……,n。
其中,异常等级的数值越小,表征对应地理区域的异常风险越高,因此,若0<F2j≤F2u≤S,则δ2j≥δ2u。
在一具体实施方式中,若F2j=0,则δ2j=0。
其中,若min(fj)=s,则确定Bj不属于异常区域,且F2j=0,对应地,δ2j=0。
本实施例根据F1、F2和Y2,获取到A对应的第一异常扩散风险系数δ1={δ11,δ12,……,δ1i,……,δ1m}和B对应的第二异常扩散风险系数δ2={δ21,δ22,……,δ2j,……,δ2n},为分析对应地理区域的异常影响半径提供了数据基础。
S6,根据δ1和δ2,获取到A和B对应的异常影响半径R={R11,R12,……,R1i,……,R1m,R21,R22,……,R2j,……,R2n},Ai对应的异常影响半径R1i符合如下条件:
R1i=μ×τ×δ1i×lg(ε1i×ρ1i+1),其中,μ是指预设的异常扩散修正系数,τ是指预设的基础异常半径,ε1i是指Ai对应的用户生活水平系数,ρ1i是指Ai对应的用户密度;
Bj对应的异常影响半径R2j符合如下条件:
R2j=μ×τ×δ2j×lg(ε2j×ρ2j+1),其中,ε2j是指Bj对应的用户生活水平系数,ρ2j是指Bj对应的用户密度。
其中,预设的异常扩散修正系数越大、预设的基础异常半径越大、用户生活水平系数越大、用户密度越大以及异常扩散风险系数越大,对应地理区域的异常影响半径越大,因此,本实施例获取到Ai对应的异常影响半径R1i=μ×τ×δ1i×lg(ε1i×ρ1i+1),以及Bj对应的异常影响半径R2j=μ×τ×δ2j×lg(ε2j×ρ2j+1),进一步获取到A和B对应的异常影响半径R={R11,R12,……,R1i,……,R1m,R21,R22,……,R2j,……,R2n},作为衡量地理区域异常的基础。
本实施例根据δ1和δ2,获取到A和B对应的异常影响半径R={R11,R12,……,R1i,……,R1m,R21,R22,……,R2j,……,R2n},为衡量地理区域的异常程度提供了数据基础,进而提高了地理区域的异常分析准确性。
在一具体实施方式中,存储器中还存储有A对应的第一异常用户数量L1={L11,L12,……,L1i,……,L1m}和B对应的第二异常用户数量L2={L21,L22,……,L2j,……,L2n},S6还包括如下步骤:
根据δ1、δ2、L1和L2,获取到A和B对应的第二异常影响半径R0={R0 11,R0 12,……,R0 1i,……,R0 1m,R0 21,R0 22,……,R0 2j,……,R0 2n},Ai对应的第二异常影响半径R0 1i符合如下条件:
R0 1i=μ×τ×δ1i×lg(ε1i×ρ1i×L1i+1);
Bj对应的第二异常影响半径R0 2j符合如下条件:
R0 2j=μ×τ×δ2j×lg(ε2j×ρ2j×L2j+1)。
其中,地理区域中的异常用户数量越多,对应地理区域的异常影响半径越大,因此,为了提高异常影响半径的准确性以及异常区域图的准确性,本实施例结合A对应的第一异常用户数量L1={L11,L12,……,L1i,……,L1m}和B对应的第二异常用户数量L2={L21,L22,……,L2j,……,L2n},获取到A和B对应的第二异常影响半径R0={R0 11,R0 12,……,R0 1i,……,R0 1m,R0 21,R0 22,……,R0 2j,……,R0 2n},进而根据A、B和R0获取到第二异常区域图。
本实施例结合地理区域中的异常用户数量获取到每个地理区域对应的更新后的异常影响半径,提高了异常影响半径的准确性,从而提高了预设区域的异常分析准确性。
S7,根据A、B、δ1、δ2和R,获取到预设区域对应的第一异常程度H,其中,H符合如下条件:
H=∑i=1 m(δ1i×R1i)+∑j=1 n(δ2j×R2j)。
其中,本实施例基于每个地理区域对应的异常扩散风险系数及其对应的异常影响半径,可以获取到预设区域对应的第一异常程度,来评估该预设区域的异常情况。具体地,第一异常程度H=∑i=1 m(δ1i×R1i)+∑j=1 n(δ2j×R2j)。
在一具体实施方式中,S7还包括如下步骤:
根据A、B、δ1、δ2和R0,获取到预设区域对应的第二异常程度H0,其中,H0符合如下条件:
H0=∑i=1 m(δ1i×R0 1i)+∑j=1 n(δ2j×R0 2j)。
本发明实施例根据A和C,获取到A对应的第一异常扩散程度E={E1,E2,……,Ei,……,Em},对E进行归一化处理,获取到E对应的第二异常扩散程度E0={E0 1,E0 2,……,E0 i,……,E0 m},根据E0和Y1,获取到A对应的第一异常等级F1={F11,F12,……,F1i,……,F1m},根据D和F1,获取到B对应的第二异常等级F2={F21,F22,……,F2j,……,F2n},根据F1、F2和Y2,获取到A对应的第一异常扩散风险系数δ1={δ11,δ12,……,δ1i,……,δ1m}和B对应的第二异常扩散风险系数δ2={δ21,δ22,……,δ2j,……,δ2n},根据δ1和δ2,获取到A和B对应的异常影响半径R={R11,R12,……,R1i,……,R1m,R21,R22,……,R2j,……,R2n},根据A、B、δ1、δ2和R获取到预设区域对应的第一异常程度H。可知,根据异常用户流调数据来分析第一地理区域的异常等级和第一异常扩散风险系数,并结合相邻地理区域来分析第二地理区域的异常等级和第二异常扩散风险系数,进而获取到每个地理区域的异常影响半径,从而获取到第一异常程度以完成对预设区域的异常分析,提高了预设区域的异常分析准确性。
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)
1.一种地理区域的异常分析系统,所述系统包括处理器和存储有计算机程序的存储器,其特征在于,所述存储器中存储有第一地理区域A={A1,A2,……,Ai,……,Am}、第二地理区域B={B1,B2,……,Bj,……,Bn}、A对应的异常用户流调数据C={C1,C2,……,Ci,……,Cm}、B对应的相邻地理区域D={D1,D2,……,Dj,……,Dn}、预设的关于第二异常扩散程度和异常等级的第一映射表Y1、预设的关于异常等级和异常扩散风险系数的第二映射表Y2;
其中,Ai是指预设区域中包含的第i个第一地理区域,Bj是指预设区域中包含的第j个第二地理区域,第一地理区域是指流调过程中的异常用户停留过的区域,第二地理区域是指流调过程中的异常用户未停留过的区域,Ai对应的异常用户流调数据Ci={Ci1,Ci2,Ci3},Ci1是指异常用户在Ai中停留的总时间,Ci2是指Ai中的用户总数量,Ci3是指异常用户在Ai中接触的其他用户的平均数量,Bj对应的相邻地理区域Dj={Dj1,Dj2,……,Djt,……,Djk},Djt是指Bj对应的第t个相邻地理区域,i=1,2,……,m,m是指第一地理区域的总数量,j=1,2,……,n,n是指第二地理区域的总数量,t=1,2,……,k,k是指第j个第二地理区域的相邻地理区域的总数量;
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C,获取到A对应的第一异常扩散程度E={E1,E2,……,Ei,……,Em},其中,Ei是指Ai对应的第一异常扩散程度,Ei符合如下条件:
Ei=α1×Ci1+α2×Ci2+α3×Ci3,其中,α1是指预设的停留时间优先级,α2是指预设的用户数量优先级,α3是指预设的用户接触数量优先级;
S2,对E进行归一化处理,获取到E对应的第二异常扩散程度E0={E0 1,E0 2,……,E0 i,……,E0 m},其中,E0 i是指对Ei进行归一化处理后获取到的第二异常扩散程度;
S3,根据E0和Y1,获取到A对应的第一异常等级F1={F11,F12,……,F1i,……,F1m},其中,F1i是指Ai对应的异常等级,通过在Y1中查找E0 i对应的异常等级得到;
S4,根据D和F1,获取到B对应的第二异常等级F2={F21,F22,……,F2j,……,F2n},其中,F2j是指Bj对应的异常等级,S4包括如下步骤:
S41,根据D和F1,获取到D对应的相邻区域异常等级列表f={f1,f2,……,fj,……,fn},其中,Bj对应的相邻区域异常等级列表fj={fj1,fj2,……,fjt,……,fjk},fjt是指Djt对应的异常等级,fjk是指Bj对应的第k个相邻地理区域Djk对应的异常等级;
S42,若1≤min(fj)<s,则获取到F2j=min(fj)+1,其中,min()是指取最小值函数;
S43,若min(fj)=s,则获取到F2j=0;
S5,根据F1、F2和Y2,获取到A对应的第一异常扩散风险系数δ1={δ11,δ12,……,δ1i,……,δ1m}和B对应的第二异常扩散风险系数δ2={δ21,δ22,……,δ2j,……,δ2n},其中,δ1i是指Ai对应的异常扩散风险系数,通过在Y2中查找F1i对应的异常扩散风险系数得到,δ2j是指Bj对应的异常扩散风险系数,通过在Y2中查找F2j对应的异常扩散风险系数得到;
S6,根据δ1和δ2,获取到A和B对应的异常影响半径R={R11,R12,……,R1i,……,R1m,R21,R22,……,R2j,……,R2n},Ai对应的异常影响半径R1i符合如下条件:
R1i=μ×τ×δ1i×lg(ε1i×ρ1i+1),其中,μ是指预设的异常扩散修正系数,τ是指预设的基础异常半径,ε1i是指Ai对应的用户生活水平系数,ρ1i是指Ai对应的用户密度;
Bj对应的异常影响半径R2j符合如下条件:
R2j=μ×τ×δ2j×lg(ε2j×ρ2j+1),其中,ε2j是指Bj对应的用户生活水平系数,ρ2j是指Bj对应的用户密度;
S7,根据A、B、δ1、δ2和R,获取到所述预设区域对应的第一异常程度H,其中,H符合如下条件:
H=∑i=1 m(δ1i×R1i)+∑j=1 n(δ2j×R2j)。
2.根据权利要求1所述的系统,其特征在于,E0 i符合如下条件:
E0 i=Ei/∑i=1 m(Ei)。
3.根据权利要求1所述的系统,其特征在于,F1i∈[1,s],其中,s是指最大异常等级。
4.根据权利要求3所述的系统,其特征在于,F2j∈[1,s]。
5.根据权利要求4所述的系统,其特征在于,若0<F2j≤F2u≤S,则δ2j≥δ2u,其中,u=1,2,……,n。
6.根据权利要求1或5所述的系统,其特征在于,若F2j=0,则δ2j=0。
7.根据权利要求1所述的系统,其特征在于,所述存储器中还存储有A对应的第一异常用户数量L1={L11,L12,……,L1i,……,L1m}和B对应的第二异常用户数量L2={L21,L22,……,L2j,……,L2n},S6还包括如下步骤:
根据δ1、δ2、L1和L2,获取到A和B对应的第二异常影响半径R0={R0 11,R0 12,……,R0 1i,……,R0 1m,R0 21,R0 22,……,R0 2j,……,R0 2n},Ai对应的第二异常影响半径R0 1i符合如下条件:
R0 1i=μ×τ×δ1i×lg(ε1i×ρ1i×L1i+1);
Bj对应的第二异常影响半径R0 2j符合如下条件:
R0 2j=μ×τ×δ2j×lg(ε2j×ρ2j×L2j+1)。
8.根据权利要求7所述的系统,其特征在于,S7还包括如下步骤:
根据A、B、δ1、δ2和R0,获取到所述预设区域对应的第二异常程度H0,其中,H0符合如下条件:
H0=∑i=1 m(δ1i×R0 1i)+∑j=1 n(δ2j×R0 2j)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311567283.3A CN117272217B (zh) | 2023-11-23 | 2023-11-23 | 一种地理区域的异常分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311567283.3A CN117272217B (zh) | 2023-11-23 | 2023-11-23 | 一种地理区域的异常分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117272217A CN117272217A (zh) | 2023-12-22 |
CN117272217B true CN117272217B (zh) | 2024-01-26 |
Family
ID=89208444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311567283.3A Active CN117272217B (zh) | 2023-11-23 | 2023-11-23 | 一种地理区域的异常分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272217B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105338541A (zh) * | 2014-06-30 | 2016-02-17 | 华为技术有限公司 | 一种基于移动无线网络数据的异常轨迹检测方法及装置 |
CN111915884A (zh) * | 2020-06-18 | 2020-11-10 | 北京航空航天大学 | 交通网络行为描述方法、装置、电子设备及存储介质 |
CN115292331A (zh) * | 2022-10-09 | 2022-11-04 | 淄博青禾检测科技有限公司 | 一种异常地理区域的获取方法、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11586609B2 (en) * | 2020-09-15 | 2023-02-21 | International Business Machines Corporation | Abnormal event analysis |
-
2023
- 2023-11-23 CN CN202311567283.3A patent/CN117272217B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105338541A (zh) * | 2014-06-30 | 2016-02-17 | 华为技术有限公司 | 一种基于移动无线网络数据的异常轨迹检测方法及装置 |
CN111915884A (zh) * | 2020-06-18 | 2020-11-10 | 北京航空航天大学 | 交通网络行为描述方法、装置、电子设备及存储介质 |
CN115292331A (zh) * | 2022-10-09 | 2022-11-04 | 淄博青禾检测科技有限公司 | 一种异常地理区域的获取方法、设备及介质 |
Non-Patent Citations (2)
Title |
---|
A Comprehensive Monitoring Approach of Abnormal Problems for the Ecological Environment in Qinling Region;Huai Zhao et al.;《IEEE Xplore》;全文 * |
网格化管理的区域流行病学调查系统设计;崔树峰 等;中国卫生信息管理杂志(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117272217A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kwak et al. | Statistical data preparation: management of missing values and outliers | |
Pietrusewsky | Metric analysis of skeletal remains: methods and applications | |
JP6571914B2 (ja) | 情報の複数のドメインを組合せることによる仕事の実施データ内の異常の検知 | |
Richter | Detecting change in dynamic fitness landscapes | |
Chen et al. | Calibrating non-probability surveys to estimated control totals using LASSO, with an application to political polling | |
CN109960886B (zh) | 一种空气舒适度评价方法、装置及空气调节设备 | |
McMahon et al. | Ecological validity of trait emotion regulation strategy measures. | |
Pico-Espinosa et al. | Trajectories of pain intensity over 1 year in adults with disabling subacute or chronic neck pain | |
CN113420204B (zh) | 目标用户确定方法、装置、电子设备及存储介质 | |
CN117196353A (zh) | 基于大数据的环境污染评估与监测方法及系统 | |
Kong | Rank reversal and rank preservation in TOPSIS | |
CN117272217B (zh) | 一种地理区域的异常分析系统 | |
Huang et al. | Characterizing expected benefits of biomarkers in treatment selection | |
Lovecchio et al. | Optimizing the definition of proximal junctional kyphosis: a sensitivity analysis | |
CN112397204B (zh) | 一种预测高原病的方法、装置、计算机设备和存储介质 | |
Rivest et al. | Capture-recapture methods for estimating the size of a population: dealing with variable capture probabilities | |
CN106656943B (zh) | 一种网络用户属性的匹配方法及装置 | |
CN112613718B (zh) | 一种特定场所风险评估方法及装置 | |
CN115565653A (zh) | 一种健康体检动态排队推荐方法、设备及介质 | |
CN114577988A (zh) | 一种纯蒸汽取样方法及系统 | |
CN105320748B (zh) | 一种匹配用户的主观标准的检索方法与检索系统 | |
JP7047178B1 (ja) | 情報処理システム、コンピュータプログラム、及び情報処理方法 | |
WO2020135936A1 (en) | A computer implemented method, a system and computer program for determining personalized parameters for a user | |
CN117557044B (zh) | 一种基于物联网平台的建筑作业环境监控方法及设备 | |
Bareinz et al. | Media Information Processing of Economic Statistics and Policy Preferences During the COVID-19 Crisis |
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 |