CN117290200B - 一种异常程度分析系统 - Google Patents
一种异常程度分析系统 Download PDFInfo
- Publication number
- CN117290200B CN117290200B CN202311567287.1A CN202311567287A CN117290200B CN 117290200 B CN117290200 B CN 117290200B CN 202311567287 A CN202311567287 A CN 202311567287A CN 117290200 B CN117290200 B CN 117290200B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- user
- users
- day
- abnormality
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 111
- 238000009792 diffusion process Methods 0.000 claims abstract description 82
- 238000012545 processing Methods 0.000 claims abstract description 68
- 238000004590 computer program Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 380
- 238000001514 detection method Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 16
- 208000015181 infectious disease Diseases 0.000 description 13
- 208000035473 Communicable disease Diseases 0.000 description 10
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000012567 medical material Substances 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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理领域,尤其涉及一种异常程度分析系统,当计算机程序被处理器执行时,通过异常用户处理数量和异常用户处理上限来表征异常处理区域是否超出处理上限,并根据超出处理上限的程度映射得到第三异常用户对应的第二延误时长,进而在考虑限制异常扩散的手段对第一异常用户、第二异常用户和第三异常用户进行异常扩散的限制程度受到第一延误时长、第二延误时长的延误影响的情况下,评估第一异常用户、第二异常用户和第三异常用户对应的异常扩散限制程度,提高了第一用户对应的每天新增数量的评估准确性,进而提高了目标地理区域的异常程度的分析准确性,为辅助决策者以及异常处理工作者判断实际异常情况提供了有力的支持。
Description
技术领域
本发明涉及数据处理领域,特别是涉及一种异常程度分析系统。
背景技术
疾病防控工作中,研究者们往往会采取各类数学模型来对疫情的发展进行模拟计算,传染病动力学模型在疫情防控以及复盘分析中具有广泛的应用。
在现阶段的动力学模型中,通常在各类疾病限制手段立即执行、医疗物资准备充足的理想情况下将用户分为易感用户、潜伏用户、患病用户、恢复用户四个仓室,将原本复杂的异常传播过程进行简化,以各类用户数量不断变化的状态模拟异常扩散过程,并根据各类用户的数量对地理区域的异常程度进行分析。
但是在疾病的发展过程和防控工作中,疾病限制手段从决定到执行的过程中需要信息的逐层传递以及物资、人员的调度准备,导致疾病限制手段从发布到执行生效需要一定的时间,且由于医疗资源有限,在疾病患者接受治疗的过程中通常存在患者就医延误、疾病检测结果上报延误等各种延误状况,导致基于现有的动力学模型分析地理区域的异常程度时的准确性较低,难以辅助决策者以及疾控工作者判断实际疾病情况。
因此,如何提高地理区域的异常程度的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异常程度分析系统,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目标地理区域中的用户数量L={Io(t),Iq(t),IH(t),S(t)、E(t)、R(t)}、用户增加数量L0={Io 0(t),Iq 0(t),IH 0(t),E0(t)、R0(t)}、异常扩散程度β={βo(t),βq(t),βH(t)}、异常扩散限制程度δ={δo(t),δq(t),δH(t)}、第一延误时长n、目标地理区域中的用户总数量N、IH(t)对应的用户位置W={W1,W2,……,Wi,……,Wv}、异常处理区域的位置Z={Z1,Z2,……,Zj,……,Zu}、Z对应的异常用户处理上限K={K1,K2,……,Kj,……,Ku}、预设的延误时长映射表B;
Io(t)是指未经过异常检测且发生异常的第一异常用户在第t天的用户数量,Iq(t)是指通过异常检测确认发生异常且未接受异常处理的第二异常用户在第t天的用户数量,IH(t)是指通过异常检测确认发生异常且接受异常处理的第三异常用户在第t天的用户数量,S(t)是指未发生异常的第一用户在第t天的用户数量,E(t)是指处于异常潜伏期且会在潜伏期内发生异常的第二用户第t天的用户数量,R(t)是指发生异常后变换为正常状态的第三用户第t天的用户数量,Io 0(t)是指第一异常用户在第t天的用户数量与第一异常用户在第(t-1)天的用户数量的差值,Iq 0(t)是指第二异常用户在第t天的用户数量与第二异常用户在第(t-1)天的用户数量的差值,IH 0(t)是指第三异常用户在第t天的用户数量与第三异常用户在第(t-1)天的用户数量的差值,E0(t)是指第二用户在第t天的用户数量与第二用户在第(t-1)天的用户数量的差值,R0(t)是指第三用户在第t天的用户数量与第三用户在第(t-1)天的用户数量的差值,βo(t)是指Io(t)对应的异常扩散程度,βq(t)是指Iq(t)对应的异常扩散程度,βH(t)是指IH(t)对应的异常扩散程度,δo(t)是指Io(t)对应的异常扩散限制程度,δq(t)是指Iq(t)对应的异常扩散限制程度,δH(t)是指IH(t)对应的异常扩散限制程度,Wi=(x1i,y1i)是指第i个第三异常用户在所述目标地理区域中的地理位置,Zj=(x2j,y2j)是指用于对第三异常用户进行异常处理的第j个异常处理区域的位置,Kj是指第j个异常处理区域的异常用户处理上限,B是指限制异常扩散时的延误程度和限制异常扩散时的延误时长之间的映射表,t为大于0的整数,i=1,2,……,v,v=IH(t),j=1,2,……,u,u是指异常处理区域的总数量;
当计算机程序被处理器执行时,实现以下步骤:
S1,根据W、Z和K,获取到IH(t)和Z之间的匹配程度G={G1,G2,……,Gi,……,Gv},其中,Wi和Z之间的匹配程度Gi={Gi1,Gi2,……,Gij,……,Giu},Wi和Zj之间的匹配程度Gij=((x1i-x2j)2+(y1i-y2j)2)1/2×ln(Kj+1)。
S2,将max(Gi)对应的异常处理区域确定为第i个第三异常用户对应的目标异常处理区域,其中,max()是指取最大值函数。
S3,根据{max(G1),max(G2),……,max(Gi),……,max(Gv)},获取到Z对应的异常用户处理数量P={P1,P2,……,Pj,……,Pu},其中,Pj是指所有第三异常用户中以第j个异常处理区域作为目标异常处理区域的用户数量。
S4,根据K和P,获取到Z对应的延误程度T={T1,T2,……,Tj,……,Tu},第j个异常处理区域对应的延误程度Tj符合如下条件:
若Pj>Kj,则Tj=(Pj-Kj)/Kj;
若Pj≤Kj,则Tj=0。
S5,根据Σj=1 u(Tj)和B获取到第三异常用户对应的第二延误时长mH。
S6,根据β、δ、L、N和mH,获取到第一用户在第t天的用户数量与第一用户在第(t-1)天的用户数量的差值S0(t),其中,S0(t)符合如下条件:
S0(t)=-(δo(t-n-mo)×βo(t)×Io(t)+δq(t-n-mq)×βq(t)×Iq(t)+δH(t-n-mH)×βH(t)×IH(t))×S(t)/N,其中,mo是指预设的第一异常用户对应的第二延误时长,mq是指预设的第二异常用户对应的第二延误时长,δo(t-n-mo)是指第一异常用户在第(t-n-mo)天对应的异常扩散限制程度,δq(t-n-mq)是指第二异常用户在第(t-n-mq)天对应的异常扩散限制程度,δH(t-n-mH)是指第三异常用户在第(t-n-mH)天对应的异常扩散限制程度。
S7,根据L、L0和S0(t),获取到目标地理区域在第t天的异常程度Y(t),其中,Y(t)符合如下条件:
Y(t)=Io(t)+Io 0(t)+Iq(t)+Iq 0(t)+IH(t)+IH 0(t)+E(t)+E0(t)+S(t)+S0(t)-R(t)-R0(t)。
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,本发明提供的异常程度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:通过异常用户处理数量和异常用户处理上限之间的大小比较来表征异常处理区域是否超出处理上限,并计算出超出处理上限的程度作为对应的延误程度,并映射得到第三异常用户对应的第二延误时长mH,进而考虑第一异常用户、第二异常用户和第三异常用户对应的限制异常扩散的手段对第一异常用户、第二异常用户和第三异常用户进行异常扩散的限制程度受到第一延误时长n、第二延误时长mo、mq和mH的延误影响,根据第一异常用户、第二异常用户和第三异常用户分别在第t-n-mo天、第t-n-mq天和第t-n-mH天对应的异常扩散限制程度来评估目标地理区域中第一用户在第t天相比于第(t-1)天的新增数量,提高了第一用户在第t天相比于第(t-1)天的新增数量的评估准确性,进而提高了目标地理区域的异常程度的分析准确性,为辅助决策者以及异常处理工作者判断实际异常情况提供了有力的支持。
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异常程度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。
如图1所示,本实施例一提供了一种异常程度分析系统,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,存储器中存储有目标地理区域中的用户数量L={Io(t),Iq(t),IH(t),S(t)、E(t)、R(t)}、用户增加数量L0={Io 0(t),Iq 0(t),IH 0(t),E0(t)、R0(t)}、异常扩散程度β={βo(t),βq(t),βH(t)}、异常扩散限制程度δ={δo(t),δq(t),δH(t)}、第一延误时长n、目标地理区域中的用户总数量N、IH(t)对应的用户位置W={W1,W2,……,Wi,……,Wv}、异常处理区域的位置Z={Z1,Z2,……,Zj,……,Zu}、Z对应的异常用户处理上限K={K1,K2,……,Kj,……,Ku}、预设的延误时长映射表B;
Io(t)是指未经过异常检测且发生异常的第一异常用户在第t天的用户数量,Iq(t)是指通过异常检测确认发生异常且未接受异常处理的第二异常用户在第t天的用户数量,IH(t)是指通过异常检测确认发生异常且接受异常处理的第三异常用户在第t天的用户数量,S(t)是指未发生异常的第一用户在第t天的用户数量,E(t)是指处于异常潜伏期且会在潜伏期内发生异常的第二用户第t天的用户数量,R(t)是指发生异常后变换为正常状态的第三用户第t天的用户数量,Io 0(t)是指第一异常用户在第t天的用户数量与第一异常用户在第(t-1)天的用户数量的差值,Iq 0(t)是指第二异常用户在第t天的用户数量与第二异常用户在第(t-1)天的用户数量的差值,IH 0(t)是指第三异常用户在第t天的用户数量与第三异常用户在第(t-1)天的用户数量的差值,E0(t)是指第二用户在第t天的用户数量与第二用户在第(t-1)天的用户数量的差值,R0(t)是指第三用户在第t天的用户数量与第三用户在第(t-1)天的用户数量的差值,βo(t)是指Io(t)对应的异常扩散程度,βq(t)是指Iq(t)对应的异常扩散程度,βH(t)是指IH(t)对应的异常扩散程度,δo(t)是指Io(t)对应的异常扩散限制程度,δq(t)是指Iq(t)对应的异常扩散限制程度,δH(t)是指IH(t)对应的异常扩散限制程度,Wi=(x1i,y1i)是指第i个第三异常用户在所述目标地理区域中的地理位置,Zj=(x2j,y2j)是指用于对第三异常用户进行异常处理的第j个异常处理区域的位置,Kj是指第j个异常处理区域的异常用户处理上限,B是指限制异常扩散时的延误程度和限制异常扩散时的延误时长之间的映射表,t为大于0的整数,i=1,2,……,v,v=IH(t),j=1,2,……,u,u是指异常处理区域的总数量;
当计算机程序被处理器执行时,实现以下步骤:
S1,根据W、Z和K,获取到IH(t)和Z之间的匹配程度G={G1,G2,……,Gi,……,Gv},其中,Wi和Z之间的匹配程度Gi={Gi1,Gi2,……,Gij,……,Giu},Wi和Zj之间的匹配程度Gij=((x1i-x2j)2+(y1i-y2j)2)1/2×ln(Kj+1)。
其中,目标地理区域可以是指具有一定数量异常用户的地理区域,第一用户可以是指容易发生异常的用户,第二用户可以是指处于异常潜伏期且会在潜伏期内发生异常的用户,第三用户可以是指发生异常后变换为正常状态的用户,异常用户可以是指正处于异常状态的用户,异常用户包括第一异常用户、第二异常用户和第三异常用户,其中,第一异常用户可以是指未经过异常检测且发生异常的用户;第二异常用户可以是指通过异常检测确认发生异常且未接受异常处理的用户;第三异常用户可以是指通过异常检测确认发生异常且接受异常处理的用户,第三异常用户可以在异常处理区域内接受异常处理。用户发生异常可以是指用户表现出异常状态。异常处理区域可以是指对第三异常用户进行处理以辅助第三异常用户从异常状态转变为正常状态的地理区域,
例如,在传染病的传播场景中,目标地理区域可以是指具有一定数量被感染的用户的地理区域,第一用户可以是指容易被感染的用户,第二用户可以是指处于传染病潜伏期且会在潜伏期内表现出感染状态的患者,第三用户可以是指被感染后变换为正常状态的用户,第一异常用户可以是指未经过传染病检测且表现出感染状态的患者;第二异常用户可以是指通过传染病检测确认被感染且未接受传染病治疗的患者;第三异常用户可以是指通过传染病检测确认被感染且接受传染病治疗的患者,第三异常用户可以异常处理区域内接受传染病治疗。其中,异常处理区域可以是指对第三异常用户进行传染病治疗以辅助第三异常用户从被感染状态转变为非感染状态的地理区域,例如,异常处理区域可以是医院、社区卫生服务中心、卫生院、诊所等医疗机构。
第一异常用户、第二异常用户和第三异常用户可以在不同程度上将异常状态扩散给第一用户,导致第一用户转变为第二用户,进而转变为新的第一异常用户、第二异常用户或者第三异常用户,从而增大了目标地理区域的异常程度。因此,本实施例获取异常扩散程度β={βo(t),βq(t),βH(t)},来判断第一异常用户、第二异常用户和第三异常用户进行异常扩散的程度。其中,βo(t),βq(t),βH(t)均是关于时间t的函数。
为了抑制异常情况的发展以及降低目标地理区域的异常程度,通常会制定限制异常扩散的手段来限制第一异常用户、第二异常用户和第三异常用户进行异常扩散的程度,例如,可以通过对第三异常用户进行异常处理,来对第三异常用户的异常扩散程度进行限制。因此,本市实施例获取异常扩散限制程度δ={δo(t),δq(t),δH(t)}来表征限制异常扩散的手段对异常扩散的限制程度。其中,δo(t),δq(t),δH(t)均是关于时间t的函数。
由于限制异常扩散的手段从决定到执行的过程中需要信息的逐层传递以及物资、人员的调度准备,导致限制异常扩散的手段从发布到执行生效需要一定的时间,因此,本实施例获取第一延误时长n来表征限制异常扩散的手段从发布到执行生效的延误程度。
由于资源有限,在第三异常用户接受异常处理的过程中通常存在处理延误、异常检测结果上报延误等各种延误状况,因此,本实施例根据第三异常用户对应的用户位置W={W1,W2,……,Wi,……,Wv}和异常处理区域的位置Z={Z1,Z2,……,Zj,……,Zu},计算各个第三异常用户的用户位置与各个异常处理区域的位置之间的距离,并结合各个异常处理区域对应的异常用户处理上限K={K1,K2,……,Kj,……,Ku},来判断第三异常用户和异常处理区域之间的匹配程度,作为表征第三异常用户在接受异常处理的过程中对应的延误时长的基础。
具体地,第i个第三异常用户和第j个异常处理区域之间的匹配程度Gij=((x1i-x2j)2+(y1i-y2j)2)1/2×ln(Kj+1),并通过遍历W和Z,获取到匹配程度G={G1,G2,……,Gi,……,Gv},作为判断。
在一具体实施方式中,δo(t)∈[0,1]。
在一具体实施方式中,δo(t)∈[0,1]。
在一具体实施方式中,δH(t)∈[0,1]。
其中,异常扩散限制程度δ={δo(t),δq(t),δH(t)}表征限制异常扩散的手段对异常扩散的限制程度,用来表示限制异常扩散的手段使得第一异常用户、第二异常用户和第三异常用户的异常扩散程度下降至初始的异常扩散程度的百分比,范围为0-100%。
对应地,没有限制异常扩散的手段干预的情况下,第一异常用户、第二异常用户和第三异常用户的异常扩散程度不受到限制,此时δo(t)=δo(t)=δH(t)=1。极端情况下限制异常扩散的手段使得第一异常用户、第二异常用户和第三异常用户完全无法进行异常扩散,此时δo(t)=δo(t)=δH(t)=0。因此,本实施例中δo(t)、δo(t)和δH(t)的取值均在[0,1]范围内。
本实施例根据W、Z和K,获取到IH(t)和Z之间的匹配程度G={G1,G2,……,Gi,……,Gv},为表征第三异常用户在接受异常处理的过程中对应的延误时长提供了数据基础。
S2,将max(Gi)对应的异常处理区域确定为第i个第三异常用户对应的目标异常处理区域,其中,max()是指取最大值函数。
其中,目标地理区域是指对应的第三异常用户接受异常处理的地理区域,由于max(Gi)对应的异常处理区域是与第i个第三异常用户匹配程度最高的异常处理区域,因此,将max(Gi)对应的异常处理区域确定为第i个第三异常用户对应的目标异常处理区域。
S3,根据{max(G1),max(G2),……,max(Gi),……,max(Gv)},获取到Z对应的异常用户处理数量P={P1,P2,……,Pj,……,Pu},其中,Pj是指所有第三异常用户中以第j个异常处理区域作为目标异常处理区域的用户数量。
其中,通过遍历{max(G1),max(G2),……,max(Gi),……,max(Gv)},可以确定每个第三异常用户对应的目标异常处理区域,进一步可以确定每个异常处理区域作为目标异常处理区域的次数,因此,获取到Z对应的异常用户处理数量P={P1,P2,……,Pj,……,Pu},以结合异常用户处理上限K={K1,K2,……,Kj,……,Ku}来表征每个异常处理区域是否超出处理上限以及超出处理上限的程度,进而来表征每个异常处理区域对应的延误时长的基础。
S4,根据K和P,获取到Z对应的延误程度T={T1,T2,……,Tj,……,Tu},第j个异常处理区域对应的延误程度Tj符合如下条件:
若Pj>Kj,则Tj=(Pj-Kj)/Kj;
若Pj≤Kj,则Tj=0。
其中,若Pj>Kj,则表征第j个异常处理区域处理的用户数量超出了可处理用户数量的上限,且Pj-Kj越大,表征超出处理上限的程度越大,该异常处理区域出现处理延误的程度越大,因此,第j个异常处理区域对应的延误程度Tj=(Pj-Kj)/Kj。
若Pj≤Kj,则表征第j个异常处理区域处理的用户数量未超出可处理用户数量的上限,因此,该异常处理区域不会出现处理延误,对应地,Tj=0。
本实施例通过Pj和Kj之间的大小比较来表征异常处理区域是否超出处理上限,并计算出超出处理上限的程度作为对应的延误程度,提高了每个异常处理区域对应的延误程度的准确性。
S5,根据Σj=1 u(Tj)和B获取到第三异常用户对应的第二延误时长mH。
其中,B是指限制异常扩散时的延误程度和限制异常扩散时的延误时长之间的映射表,在B中查询Σj=1 u(Tj)对应的延误时长,并将Σj=1 u(Tj)对应的延误时长作为第三异常用户对应的第二延误时长mH,以表征异常处理区域在对第三异常用户进行异常处理时出现处理延误的时长,从而准确判断第三异常用户对应的限制异常扩散的手段对第三异常用户进行异常扩散的限制程度,以提高目标地理区域的异常程度的分析准确性。
S6,根据β、δ、L、N、S(t)和mH,获取到第一用户在第t天的用户数量与第一用户在第(t-1)天的用户数量的差值S0(t),其中,S0(t)符合如下条件:
S0(t)=-(δo(t-n-mo)×βo(t)×Io(t)+δq(t-n-mq)×βq(t)×Iq(t)+δH(t-n-mH)×βH(t)×IH(t))×S(t)/N,其中,mo是指预设的第一异常用户对应的第二延误时长,mq是指预设的第二异常用户对应的第二延误时长,δo(t-n-mo)是指第一异常用户在第(t-n-mo)天对应的异常扩散限制程度,δq(t-n-mq)是指第二异常用户在第(t-n-mq)天对应的异常扩散限制程度,δH(t-n-mH)是指第三异常用户在第(t-n-mH)天对应的异常扩散限制程度。
其中,第一异常用户、第二异常用户和第三异常用户可以在不同程度上将异常状态扩散给第一用户,导致第一用户转变为第二用户,因此,第一用户的数量随着第一异常用户、第二异常用户和第三异常用户的异常扩散逐渐减少。
由于限制异常扩散的手段从决定到执行的过程中需要信息的逐层传递以及物资、人员的调度准备,导致限制异常扩散的手段从发布到执行生效需要一定的时间,因此,第一异常用户、第二异常用户和第三异常用户统一对应的限制异常扩散的手段对第一异常用户、第二异常用户和第三异常用户进行异常扩散的限制程度受到第一延误时长n的延误影响。
同时,由于资源有限,在第三异常用户接受异常处理的过程中通常存在处理延误、异常检测结果上报延误等各种延误状况,因此,第三异常用户对应的限制异常扩散的手段对第三异常用户进行异常扩散的限制程度受到第二延误时长mH的延误影响;且第一异常用户对应的限制异常扩散的手段对第一异常用户进行异常扩散的限制程度受到预设的第二延误时长mo的延误影响,第二异常用户对应的限制异常扩散的手段对第二异常用户进行异常扩散的限制程度受到预设的第二延误时长mq的延误影响。
因此,本实施例根据β、δ、L、N、S(t)和mH,结合mo和mq,获取到第一用户在第t天的用户数量与第一用户在第(t-1)天的用户数量的差值S0(t)=-(δo(t-n-mo)×βo(t)×Io(t)+δq(t-n-mq)×βq(t)×Iq(t)+δH(t-n-mH)×βH(t)×IH(t))×S(t)/N,作为评估目标地理区域的异常程度的基础。
本实施例考虑第一异常用户、第二异常用户和第三异常用户对应的限制异常扩散的手段对第一异常用户、第二异常用户和第三异常用户进行异常扩散的限制程度受到第一延误时长n、第二延误时长mo、mq和mH的延误影响,根据第一异常用户、第二异常用户和第三异常用户分别在第t-n-mo天、第t-n-mq天和第t-n-mH天对应的异常扩散限制程度来评估目标地理区域中第t天的第一用户相比于第(t-1)天的第一用户的新增数量,提高了S0(t)的评估准确性。
S7,根据L、L0和S0(t),获取到目标地理区域在第t天的异常程度Y(t),其中,Y(t)符合如下条件:
Y(t)=Io(t)+Io 0(t)+Iq(t)+Iq 0(t)+IH(t)+IH 0(t)+E(t)+E0(t)+S(t)+S0(t)-R(t)-R0(t)。
其中,第一用户的数量越多,第一用户转变为第二用户,进而转变为第一异常用户、第二异常用户和第三异常用户的数量增多的概率越大,因此,第一用户的数量、第二用户的数量、第一异常用户的数量、第二异常用户的数量和第三异常用户的数量与目标地理区域的异常程度成正相关关系。而第三用户的数量越多,表征异常用户变换为正常状态的数量越多,因此,第三用户的数量与目标地理区域的异常程度成负相关关系。
因此,本实施例中根据L、L0和S0(t),获取到目标地理区域在第t天的异常程度Y(t)=Io(t)+Io 0(t)+Iq(t)+Iq 0(t)+IH(t)+IH 0(t)+E(t)+E0(t)+S(t)+S0(t)-R(t)-R0(t),从而提高了目标地理区域的异常程度的分析准确性。
在一具体实施方式中,存储器中还包括恢复正常概率μ={μo,μq,μH}、第二用户由异常潜伏状态转换为异常状态所对应的表现异常概率η、第二用户中进行异常检测的异常检测比例γ、第二用户中进行异常检测的用户中接受异常处理的异常处理比例φ,其中,μo是指第一异常用户由异常状态变换为正常状态所对应的恢复正常概率,μq是指第二异常用户由异常状态变换为正常状态所对应的恢复正常概率,μH是指第三异常用户由异常状态变换为正常状态所对应的恢复正常概率;
当计算机程序被处理器执行时,还实现以下步骤:
S01,
根据S0(t)、η和E(t),获取到第二用户在第t天的用户数量与第二用户在第(t-1)天的用户数量的差值E0(t)=-S0(t)-η×E(t);
S02,根据μo、Io(t)、η、γ和E(t),获取到第一异常用户在第t天的用户数量与第一异常用户在第(t-1)天的用户数量的差值Io 0(t)=(1-γ)η×E(t)-μo×Io(t);
S03,根据μq、Io(t)、Iq(t)、γ和φ,获取到第二异常用户在第t天的用户数量与第二异常用户在第(t-1)天的用户数量的差值Iq 0(t)=(1-φ)×γ×η×E(t)-μq×Iq(t);
S04,根据μH、Io(t)、IH(t)、γ和φ,获取到第三异常用户在第t天的用户数量与第三异常用户在第(t-1)天的用户数量的差值IH 0(t)=φ×γ×η×E(t)-μH×IH(t);
S05,根据μ和L,获取到第三用户在第t天的用户数量与第三用户在第(t-1)天的用户数量的差值R0(t)=μo×Io(t)+μq×Iq(t)+μH×IH(t)。
其中,第二用户在第t天的用户数量与第二用户在第(t-1)天的用户数量的差值可以根据第t天新增的第二用户的数量与发生异常的第二用户的数量的差值得到,因此,本实施例根据S0(t)、η和E(t),获取到第二用户在第t天的用户数量与第二用户在第(t-1)天的用户数量的差值E0(t)=-S0(t)-η×E(t)。
第二用户发生异常后,其中未经过异常检测且发生异常的第二用户转变为第一异常用户,因此,第一异常用户在第t天的用户数量与第一异常用户在第(t-1)天的用户数量的差值可以根据第t天新增的发生异常的第二用户的数量与通过异常检测确认发生异常的第二用户的数量的差值,以及与恢复正常的第一异常用户的数量的差值获取,因此,本实施例根据μo、Io(t)、η、γ和E(t),获取到第一异常用户在第t天的用户数量与第一异常用户在第(t-1)天的用户数量的差值Io 0(t)=(1-γ)η×E(t)-μo×Io(t)。
第二用户发生异常后,其中通过异常检测确认发生异常的第二用户转变为第二异常用户或第三异常用户,进一步地,根据异常处理比例φ可以将其划分为未接受异常处理的第二异常用户以及接受异常处理的第三异常用户,因此,本实施例根据μq、Io(t)、Iq(t)、γ和φ,获取到第二异常用户在第t天的用户数量与第二异常用户在第(t-1)天的用户数量的差值Iq 0(t)=(1-φ)×γ×η×E(t)-μq×Iq(t),且μH、Io(t)、IH(t)、γ和φ,获取到第三异常用户在第t天的用户数量与第三异常用户在第(t-1)天的用户数量的差值IH 0(t)=φ×γ×η×E(t)-μH×IH(t)。
第一异常用户、第二异常用户和第三异常用户在恢复正常后转变为第三用户,因此,本实施例根据恢复正常概率μ={μo,μq,μH}和L,获取到第三用户在第t天的用户数量与第三用户在第(t-1)天的用户数量的差值R0(t)=μo×Io(t)+μq×Iq(t)+μH×IH(t)。
本实施例获取到E0(t)、Io 0(t)、Iq 0(t)、IH 0(t)和R0(t)作为分析目标地理区域的异常程度的数据基础,提高了异常程度的分析准确性。
在一具体实施方式中,存储器中还包括异常优先级Q={q1,q2,q3,q4,q5,q6},其中,q1是指第一异常用户对应的异常优先级,q2是指第二异常用户对应的异常优先级,q3是指第三异常用户对应的异常优先级,q4是指第一用户对应的异常优先级,q5是指第二用户对应的异常优先级,q6是指第三用户对应的异常优先级;
S7还包括如下步骤:
S71,根据L、L0、S0(t)和Q,获取到目标地理区域在第t天的更新后的异常程度Y0(t),其中,Y0(t)符合如下条件:
Y0(t)=q1×(Io(t)+Io 0(t))+q2×(Iq(t)+Iq 0(t))+q3×(IH(t)+IH 0(t))+q4×(E0(t)+E(t))+q5×(S0(t)+S(t))+q6×(R0(t)+R(t))。
其中,为了提高异常程度的准确性,本实施例获取异常优先级Q={q1,q2,q3,q4,q5,q6},结合L、L0和S0(t)获取到目标地理区域在第t天的更新后的异常程度Y0(t)=q1×(Io(t)+Io 0(t))+q2×(Iq(t)+Iq 0(t))+q3×(IH(t)+IH 0(t))+q4×(E0(t)+E(t))+q5×(S0(t)+S(t))+q6×(R0(t)+R(t))。
在一具体实施方式中,q1>q2>q3>q4>q5>0。
其中,由于第一用户的数量、第二用户的数量、第一异常用户的数量、第二异常用户的数量和第三异常用户的数量与目标地理区域的异常程度成正相关关系,因此,q1、q2、q3、q4和q5均大于0。
进一步地,由于异常用户、第二用户和第一用户的异常程度逐渐降低,且第一异常用户未经过异常检测、第二异常用户经过异常检测且未接受异常处理、第三异常用户经过异常检测且接受异常处理,因此,第一异常用户、第二异常用户、第三异常用户、第二用户、第一用户的异常优先级逐渐降低,即q1>q2>q3>q4>q5>0。
在一具体实施方式中,q6<0。
其中,由于第三用户的数量与目标地理区域的异常程度成负相关关系,因此,q6<0。
本实施例通过异常用户处理数量和异常用户处理上限之间的大小比较来表征异常处理区域是否超出处理上限,并计算出超出处理上限的程度作为对应的延误程度,并映射得到第三异常用户对应的第二延误时长mH,进而考虑第一异常用户、第二异常用户和第三异常用户对应的限制异常扩散的手段对第一异常用户、第二异常用户和第三异常用户进行异常扩散的限制程度受到第一延误时长n、第二延误时长mo、mq和mH的延误影响,根据第一异常用户、第二异常用户和第三异常用户分别在第t-n-mo天、第t-n-mq天和第t-n-mH天对应的异常扩散限制程度来评估目标地理区域中第一用户在第t天相比于第(t-1)天的新增数量,提高了中第一用户在第t天相比于第(t-1)天的新增数量的评估准确性,进而提高了目标地理区域的异常程度的分析准确性,为辅助决策者以及异常处理工作者判断实际异常情况提供了有力的支持。
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)
1.一种异常程度分析系统,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目标地理区域中的用户数量L={Io(t),Iq(t),IH(t),S(t)、E(t)、R(t)}、用户增加数量L0={Io 0(t),Iq 0(t),IH 0(t),E0(t)、R0(t)}、异常扩散程度β={βo(t),βq(t),βH(t)}、异常扩散限制程度δ={δo(t),δq(t),δH(t)}、第一延误时长n、所述目标地理区域中的用户总数量N、IH(t)对应的用户位置W={W1,W2,……,Wi,……,Wv}、异常处理区域的位置Z={Z1,Z2,……,Zj,……,Zu}、Z对应的异常用户处理上限K={K1,K2,……,Kj,……,Ku}、预设的延误时长映射表B;
Io(t)是指未经过异常检测且发生异常的第一异常用户在第t天的用户数量,Iq(t)是指通过异常检测确认发生异常且未接受异常处理的第二异常用户在第t天的用户数量,IH(t)是指通过异常检测确认发生异常且接受异常处理的第三异常用户在第t天的用户数量,S(t)是指未发生异常的第一用户在第t天的用户数量,E(t)是指处于异常潜伏期且会在潜伏期内发生异常的第二用户第t天的用户数量,R(t)是指发生异常后变换为正常状态的第三用户第t天的用户数量,Io 0(t)是指第一异常用户在第t天的用户数量与第一异常用户在第(t-1)天的用户数量的差值,Iq 0(t)是指第二异常用户在第t天的用户数量与第二异常用户在第(t-1)天的用户数量的差值,IH 0(t)是指第三异常用户在第t天的用户数量与第三异常用户在第(t-1)天的用户数量的差值,E0(t)是指第二用户在第t天的用户数量与第二用户在第(t-1)天的用户数量的差值,R0(t)是指第三用户在第t天的用户数量与第三用户在第(t-1)天的用户数量的差值,βo(t)是指Io(t)对应的异常扩散程度,βq(t)是指Iq(t)对应的异常扩散程度,βH(t)是指IH(t)对应的异常扩散程度,δo(t)是指Io(t)对应的异常扩散限制程度,δq(t)是指Iq(t)对应的异常扩散限制程度,δH(t)是指IH(t)对应的异常扩散限制程度,Wi=(x1i,y1i)是指第i个第三异常用户在所述目标地理区域中的地理位置,Zj=(x2j,y2j)是指用于对第三异常用户进行异常处理的第j个异常处理区域的位置,Kj是指第j个异常处理区域的异常用户处理上限,B是指限制异常扩散时的延误程度和限制异常扩散时的延误时长之间的映射表,t为大于0的整数,i=1,2,……,v,v=IH(t),j=1,2,……,u,u是指异常处理区域的总数量;
当所述计算机程序被处理器执行时,实现以下步骤:
S1,根据W、Z和K,获取到IH(t)和Z之间的匹配程度G={G1,G2,……,Gi,……,Gv},其中,Wi和Z之间的匹配程度Gi={Gi1,Gi2,……,Gij,……,Giu},Wi和Zj之间的匹配程度Gij=((x1i-x2j)2+(y1i-y2j)2)1/2×ln(Kj+1);
S2,将max(Gi)对应的异常处理区域确定为所述第i个第三异常用户对应的目标异常处理区域,其中,max()是指取最大值函数;
S3,根据{max(G1),max(G2),……,max(Gi),……,max(Gv)},获取到Z对应的异常用户处理数量P={P1,P2,……,Pj,……,Pu},其中,Pj是指所有第三异常用户中以第j个异常处理区域作为目标异常处理区域的用户数量;
S4,根据K和P,获取到Z对应的延误程度T={T1,T2,……,Tj,……,Tu},所述第j个异常处理区域对应的延误程度Tj符合如下条件:
若Pj>Kj,则Tj=(Pj-Kj)/Kj;
若Pj≤Kj,则Tj=0;
S5,根据Σj=1 u(Tj)和B获取到第三异常用户对应的第二延误时长mH;
S6,根据β、δ、L、N和mH,获取到第一用户在第t天的用户数量与第一用户在第(t-1)天的用户数量的差值S0(t),其中,S0(t)符合如下条件:
S0(t)=-(δo(t-n-mo)×βo(t)×Io(t)+δq(t-n-mq)×βq(t)×Iq(t)+δH(t-n-mH)×βH(t)×IH(t))×S(t)/N,其中,mo是指预设的第一异常用户对应的第二延误时长,mq是指预设的第二异常用户对应的第二延误时长,δo(t-n-mo)是指第一异常用户在第(t-n-mo)天对应的异常扩散限制程度,δq(t-n-mq)是指第二异常用户在第(t-n-mq)天对应的异常扩散限制程度,δH(t-n-mH)是指第三异常用户在第(t-n-mH)天对应的异常扩散限制程度;
S7,根据L、L0和S0(t),获取到所述目标地理区域在第t天的异常程度Y(t),其中,Y(t)符合如下条件:
Y(t)=Io(t)+Io 0(t)+Iq(t)+Iq 0(t)+IH(t)+IH 0(t)+E(t)+E0(t)+S(t)+S0(t)-R(t)-R0(t)。
2.根据权利要求1所述的系统,其特征在于,所述存储器中还包括恢复正常概率μ={μo,μq,μH}、第二用户由异常潜伏状态转换为异常状态所对应的表现异常概率η、第二用户中进行异常检测的异常检测比例γ、第二用户中进行异常检测的用户中接受异常处理的异常处理比例φ,其中,μo是指第一异常用户由异常状态变换为正常状态所对应的恢复正常概率,μq是指第二异常用户由异常状态变换为正常状态所对应的恢复正常概率,μH是指第三异常用户由异常状态变换为正常状态所对应的恢复正常概率;
当所述计算机程序被处理器执行时,还实现以下步骤:
S01,根据S0(t)、η和E(t),获取到第二用户在第t天的用户数量与第二用户在第(t-1)天的用户数量的差值E0(t)=-S0(t)-η×E(t);
S02,根据μo、Io(t)、η、γ和E(t),获取到第一异常用户在第t天的用户数量与第一异常用户在第(t-1)天的用户数量的差值Io 0(t)=(1-γ)η×E(t)-μo×Io(t);
S03,根据μq、Io(t)、Iq(t)、γ和φ,获取到第二异常用户在第t天的用户数量与第二异常用户在第(t-1)天的用户数量的差值Iq 0(t)=(1-φ)×γ×η×E(t)-μq×Iq(t);
S04,根据μH、Io(t)、IH(t)、γ和φ,获取到第三异常用户在第t天的用户数量与第三异常用户在第(t-1)天的用户数量的差值IH 0(t)=φ×γ×η×E(t)-μH×IH(t);
S05,根据μ和L,获取到第三用户在第t天的用户数量与第三用户在第(t-1)天的用户数量的差值R0(t)=μo×Io(t)+μq×Iq(t)+μH×IH(t)。
3.根据权利要求1所述的系统,其特征在于,所述存储器中还包括异常优先级Q={q1,q2,q3,q4,q5,q6},其中,q1是指第一异常用户对应的异常优先级,q2是指第二异常用户对应的异常优先级,q3是指第三异常用户对应的异常优先级,q4是指第一用户对应的异常优先级,q5是指第二用户对应的异常优先级,q6是指第三用户对应的异常优先级;
S7还包括如下步骤:
S71,根据L、L0、S0(t)和Q,获取到所述目标地理区域在第t天的更新后的异常程度Y0(t),其中,Y0(t)符合如下条件:
Y0(t)=q1×(Io(t)+Io 0(t))+q2×(Iq(t)+Iq 0(t))+q3×(IH(t)+IH 0(t))+q4×(E0(t)+E(t))+q5×(S0(t)+S(t))+q6×(R0(t)+R(t))。
4.根据权利要求3所述的系统,其特征在于,q1>q2>q3>q4>q5>0。
5.根据权利要求3所述的系统,其特征在于,q6<0。
6.根据权利要求1所述的系统,其特征在于,δo(t)∈[0,1]。
7.根据权利要求1所述的系统,其特征在于,δq(t)∈[0,1]。
8.根据权利要求1所述的系统,其特征在于,δH(t)∈[0,1]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311567287.1A CN117290200B (zh) | 2023-11-23 | 2023-11-23 | 一种异常程度分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311567287.1A CN117290200B (zh) | 2023-11-23 | 2023-11-23 | 一种异常程度分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117290200A CN117290200A (zh) | 2023-12-26 |
CN117290200B true CN117290200B (zh) | 2024-01-23 |
Family
ID=89253800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311567287.1A Active CN117290200B (zh) | 2023-11-23 | 2023-11-23 | 一种异常程度分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117290200B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111932001A (zh) * | 2020-07-28 | 2020-11-13 | 深圳市数字城市工程研究中心 | 一种基于多目标优化的应急医疗资源分配方法 |
CN113077907A (zh) * | 2021-03-25 | 2021-07-06 | 湘潭大学 | 一种新型传染病道路传染概率计算模型 |
CN113192645A (zh) * | 2021-03-16 | 2021-07-30 | 郑州大学 | 一种基于离散格网的传染病时空扩散演变和人为防控仿真方法 |
CN113780635A (zh) * | 2021-08-24 | 2021-12-10 | 广东省公共卫生研究院 | 一种小空间尺度传染病时空传播模式的预测方法 |
KR102357236B1 (ko) * | 2021-06-25 | 2022-02-08 | 주식회사 빅스터 | 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템 |
CN114496287A (zh) * | 2021-12-09 | 2022-05-13 | 深圳先进技术研究院 | 初始暴发位置致传染病时空传播风险定量评估方法及系统 |
CN115394455A (zh) * | 2022-05-31 | 2022-11-25 | 北京乾图科技有限公司 | 基于空间聚类离散格网的传染病时空扩散预测方法及装置 |
CN116910661A (zh) * | 2023-09-08 | 2023-10-20 | 奇点数联(北京)科技有限公司 | 一种基于数据驱动的医疗物资分配系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11350889B2 (en) * | 2013-10-10 | 2022-06-07 | Aura Home, Inc. | Covid-19 risk and illness assessment method |
US20220199266A1 (en) * | 2020-12-10 | 2022-06-23 | DataRobot, Inc. | Systems and methods for using machine learning with epidemiological modeling |
-
2023
- 2023-11-23 CN CN202311567287.1A patent/CN117290200B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111932001A (zh) * | 2020-07-28 | 2020-11-13 | 深圳市数字城市工程研究中心 | 一种基于多目标优化的应急医疗资源分配方法 |
CN113192645A (zh) * | 2021-03-16 | 2021-07-30 | 郑州大学 | 一种基于离散格网的传染病时空扩散演变和人为防控仿真方法 |
CN113077907A (zh) * | 2021-03-25 | 2021-07-06 | 湘潭大学 | 一种新型传染病道路传染概率计算模型 |
KR102357236B1 (ko) * | 2021-06-25 | 2022-02-08 | 주식회사 빅스터 | 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템 |
CN113780635A (zh) * | 2021-08-24 | 2021-12-10 | 广东省公共卫生研究院 | 一种小空间尺度传染病时空传播模式的预测方法 |
CN114496287A (zh) * | 2021-12-09 | 2022-05-13 | 深圳先进技术研究院 | 初始暴发位置致传染病时空传播风险定量评估方法及系统 |
CN115394455A (zh) * | 2022-05-31 | 2022-11-25 | 北京乾图科技有限公司 | 基于空间聚类离散格网的传染病时空扩散预测方法及装置 |
CN116910661A (zh) * | 2023-09-08 | 2023-10-20 | 奇点数联(北京)科技有限公司 | 一种基于数据驱动的医疗物资分配系统 |
Non-Patent Citations (1)
Title |
---|
A data driven agent-based model that recommends non-pharmaceutical interventions to suppress Coronavirus disease 2019 resurgence in megacities;Yin L. 等;Journal of the Royal Society Interface;第18卷(第181期);第1-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117290200A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cauchemez et al. | Real-time estimates in early detection of SARS | |
Haukoos et al. | Advanced statistics: bootstrapping confidence intervals for statistics with “difficult” distributions | |
JP2014216009A (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 | |
Drikvandi et al. | Diagnosing misspecification of the random‐effects distribution in mixed models | |
US11461584B2 (en) | Discrimination device and machine learning method | |
Kunin et al. | GeneTRACE–reconstruction of gene content of ancestral species | |
CN113012803A (zh) | 计算机设备、系统、可读存储介质及医学数据分析方法 | |
Mavrevski | Selection and comparison of regression models: estimation of torque-angle relationships | |
CN117290200B (zh) | 一种异常程度分析系统 | |
Van der Laan et al. | Empirical Bayes and resampling based multiple testing procedure controlling tail probability of the proportion of false positives. | |
JPWO2016084326A1 (ja) | 情報処理システム、情報処理方法、及び、プログラム | |
Karsanti et al. | Deep learning-based patient visits forecasting using long short term memory | |
Mokashi et al. | Performance comparison of MSER-5 and N-Skart on the simulation start-up problem | |
JP6689176B2 (ja) | センサネットワーク分析装置、センサネットワーク分析方法及びセンサネットワーク分析プログラム | |
Breton | An estimate of unidentified and total us coronavirus cases by state on April 11, 2020 | |
CN109614878B (zh) | 一种模型训练、信息预测方法及装置 | |
EP3848939A1 (en) | Processing a classifier | |
Ribeiro et al. | Forecasting incidence of tuberculosis cases in Brazil based on various univariate time-series models | |
Odhiambo et al. | A smooth test of Goodness-of-Fit for the Weibull distribution: an application to an HIV retention data | |
JP2022006919A (ja) | 動作認識システム、方法及びプログラム | |
Lachenbruch et al. | Lot consistency as an equivalence problem | |
JP6954346B2 (ja) | パラメータ推定装置、パラメータ推定方法、及びプログラム | |
Saliaj et al. | Artificial Neural Networks for COVID-19 Time Series Forecasting | |
JP2006309571A (ja) | コンピュータ演算処理方法および残存リスク判定装置 | |
Galyean | Orthogonal PSF taxonomy for human reliability analysis |
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 |