KR101885031B1 - 교통 네트워크에 기반하여 질병 위험 지역을 감시하고 정보를 제공하는 장치 및 방법 - Google Patents
교통 네트워크에 기반하여 질병 위험 지역을 감시하고 정보를 제공하는 장치 및 방법 Download PDFInfo
- Publication number
- KR101885031B1 KR101885031B1 KR1020170064134A KR20170064134A KR101885031B1 KR 101885031 B1 KR101885031 B1 KR 101885031B1 KR 1020170064134 A KR1020170064134 A KR 1020170064134A KR 20170064134 A KR20170064134 A KR 20170064134A KR 101885031 B1 KR101885031 B1 KR 101885031B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- analysis
- traffic
- network
- module
- Prior art date
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 47
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims description 99
- 238000012544 monitoring process Methods 0.000 title claims description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 132
- 208000015181 infectious disease Diseases 0.000 claims abstract description 131
- 208000035473 Communicable disease Diseases 0.000 claims abstract description 120
- 238000004088 simulation Methods 0.000 claims abstract description 54
- 238000003012 network analysis Methods 0.000 claims abstract description 53
- 230000033001 locomotion Effects 0.000 claims abstract description 52
- 230000007480 spreading Effects 0.000 claims abstract description 15
- 238000003892 spreading Methods 0.000 claims abstract description 15
- 238000009792 diffusion process Methods 0.000 claims description 32
- 230000037361 pathway Effects 0.000 claims description 18
- 230000002265 prevention Effects 0.000 claims description 12
- 230000035755 proliferation Effects 0.000 claims description 9
- 231100001261 hazardous Toxicity 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 44
- 239000003795 chemical substances by application Substances 0.000 description 17
- 238000007405 data analysis Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000013480 data collection Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000002458 infectious effect Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 208000025370 Middle East respiratory syndrome Diseases 0.000 description 5
- 241000287107 Passer Species 0.000 description 4
- 241000282412 Homo Species 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 3
- 206010057190 Respiratory tract infections Diseases 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 230000000241 respiratory effect Effects 0.000 description 3
- 229920001621 AMOLED Polymers 0.000 description 2
- 208000007212 Foot-and-Mouth Disease Diseases 0.000 description 2
- 241000710198 Foot-and-mouth disease virus Species 0.000 description 2
- 241000127282 Middle East respiratory syndrome-related coronavirus Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000012517 data analytics Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 201000010740 swine influenza Diseases 0.000 description 2
- 208000002979 Influenza in Birds Diseases 0.000 description 1
- 238000012351 Integrated analysis Methods 0.000 description 1
- 241000237536 Mytilus edulis Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 206010064097 avian influenza Diseases 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 244000240602 cacao Species 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000020638 mussel Nutrition 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G06F17/30861—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Child & Adolescent Psychology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
본 발명의 다양한 실시예들에 따른 교통 네트워크에 기반하여 질병 위험 지역을 감시하고 정보를 제공하는 장치는, 대중 교통을 포함하는 교통수단을 이용하는 사용자 정보들을 제1 수집하여 이동 정보를 제공하는 교통 모듈과, 질병 감염된 사용자 정보들을 제2 수집하여 감염자의 의료정보를 제공하는 의료 모듈 및 이동 정보 및 의료 정보를 융합하여 질병의 확산 경로를 예측하는 분석/예측 모듈을 포함할 수 있다. 분석/예측 모듈은, 교통 모듈로부터 이동정보들을 수집하고, 의료 모듈로부터 의료정보를 수집하여 빅데이터 웨어하우스를 구축하고, 수집된 빅 데이터들에서 감염자의 의료 정보와 교통 정보를 융합하며, 인카운터 네트워크 분석을 통해 감염자와 접촉된 감염 위험 그룹을 설정하며, 미시적 교통 시뮬레이션을 통해 개별 에이전트의 행동을 시뮬레이션하여 전염병 위험 지역 및 확산 경로를 예측하며, 전염병 확산을 모니터링할 수 있다.
Description
본 발명은 교통 네트워크에 기반하여 질병 감염자의 통행 패턴을 분석하고, 분석된 결과를 토대로 질병 확산 지역을 예측하고 질병 위험 지역을 감시하며, 예측을 바탕으로 일반이용자에게 실시간으로 관련정보를 제공 할 수 있는 장치 및 방법에 관한 것이다.
최근 들어 기후변화 및 급격한 도시화, 인구 및 사회구조의 변화 등과 더불어 전염병(예를들면, 신종플루, 구제역, 조류 인플렌자, 메르스 등) 발병 및 그에 대한 피해가 점점 늘어나는 추세이며, 이에 따라 대중 교통의 이용자수가 감소할 수 있다. 예를들면, 바이러스에 의한 호흡기 감염증 메르스(MERS-CoV) 발병(2015년 5월 28일 최초 발병되어 격리)이 대중교통 이용 기피현상의 요인으로 작용하여 2014년까지 증가추세이던 대중교통 이용자수가 2015년 감소하였다.
일반적으로 전염병은 이동하는 사람에 의해 확산될 수 있으며, 이로인해 전염병 확산 상태 및 확산 예측의 분석이 어려울 수 있다. 또한 실시간 전염병 정보 제공의 한계 및 교통시스템과의 연계 부족으로 실시간으로 전염병을 감시 및 예측하기 어렵다.
본 발명의 다양한 실시예들은 대중교통 네트워크 분석 및 이용객 통행패턴 분석에 기반하여 미시적으로 전염병의 확산을 예측할 수 있는 장치 및 방법을 제공할 수 있다.
본 발명의 다양한 실시예들은 활동 기반 교통 모델 시뮬레이션을 통한 전염병 확신 위험 지역, 위험 루트, 대안 경로 등의 실시간 정보 제공할 수 있는 장치 및 방법을 제공할 수 있다.
본 발명의 다양한 실시예들은 스케일-프리 네트워크 분석(scale-free network analysis) 및 인카운터 네트워크 분석(encounter network analysis) 기법에 기반하여 통행 패턴 분석을 통한 미시적 전염병 확산 관리 장치 및 방법을 제공할 수 있다.
본 발명의 다양한 실시예들은 활동 기반 모델을 통한 미시적 교통 시뮬레이션에 기반하여 전염병 확산 위험지역, 위험 루트, 대안 경로 등 실시간 정보를 제공할 수 있는 장치 및 방법을 제공할 수 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 교통 네트워크에 기반하여 질병 위험 지역을 감시하고 정보를 제공하는 장치는, 대중 교통을 포함하는 교통수단을 이용하는 사용자 정보들을 제1 수집하여 이동 정보를 제공하는 교통 모듈과, 질병 감염된 사용자 정보들을 제2 수집하여 감염자의 의료정보를 제공하는 의료 모듈 및 이동 정보 및 의료 정보를 융합하여 질병의 확산 경로를 예측하는 분석/예측 모듈을 포함할 수 있다. 분석/예측 모듈은, 교통 모듈로부터 이동정보들을 수집하고, 의료 모듈로부터 의료정보를 수집하여 빅데이터 웨어하우스를 구축하고, 수집된 빅 데이터들에서 감염자의 의료 정보와 교통 정보를 융합하며, 인카운터 네트워크 분석을 통해 감염자와 접촉된 감염 위험 그룹을 설정하며, 미시적 교통 시뮬레이션을 통해 개별 에이전트의 행동을 시뮬레이션하여 전염병 위험 지역 및 확산 경로를 예측하며, 전염병 확산을 모니터링할 수 있다.
다양한 실시예들에 따른 교통 네트워크에 기반하여 질병 위험 지역을 감시하는 방법이, 대중 교통을 포함하는 교통수단을 이용하는 사용자 정보들을 제1 수집하여 이동 정보를 수집하는 단계와, 질병 감염된 사용자 정보들을 제2 수집하여 감염자의 의료정보를 수집하는 네트워크 분석 단계와, 상기 수집된 이동 정보 및 의료정보의 빅데이터 웨어하우스를 구축하고, 수집된 빅 데이터들에서 감염자의 의료 정보와 교통 정보를 융합하는 단계와, 인카운터 네트워크 분석을 통해 감염자와 접촉된 감염 위험 그룹을 설정하는 단계 및 미시적 교통 시뮬레이션을 통해 개별 에이전트의 행동을 시뮬레이션하여 전염병 위험 지역 및 확산 경로를 예측하며, 전염병 확산을 모니터링하는 단계를 포함할 수 있다.
다양한 실시예들에 따른 교통 네트워크에 기반하여 질병 위험 지역을 감시하고 정보를 제공하는 장치가, 교통 모듈로부터 수집되는 이동정보들과 의료 모듈로부터 수집되는 의료정보를 융합하고, 인카운터 네트워크 분석을 통해 감염자와 접촉된 감염 위험 그룹을 설정하여 전염병 위험 지역 및 확산 경로를 예측하며, 전염병 확산을 모니터링하는 분석/예측 모듈과, 이동 경로의 전염병 정보를 요청하는 사용자 장치 및 상기 분석/예측 모듈에서 전염병 정보들을 수신하며, 상기 사용자 장치에서 전염병 정보 요청시 상기 이동 경로의 전염병 위험 지역, 확산 예측 경로 정보를 상기 사용자 장치에 전송하는 정보 제공 모듈을 포함할 수 있다.
다양한 실시예들에 따른 교통 네트워크에 기반하여 질병 위험 지역을 감시하는 방법이, 교통 모듈로부터 수집되는 이동정보들과 의료 모듈로부터 수집되는 의료정보를 융합하고, 인카운터 네트워크 분석을 통해 감염자와 접촉된 감염 위험 그룹을 설정하여 전염병 위험 지역 및 확산 경로를 예측하며, 전염병 확산을 모니터링하는 단계와, 사용자 장치로부터 출발지 및 목적지를 포함하는 이동 경로의 전염병 정보 요청을 수신하는 단계 및 상기 사용자 장치의 이동 경로의 전염병 위험 지역 및/또는 확산 예측 경로 정보를 생성하여 상기 사용자 장치에 전송하는 단계를 포함할 수 있다.
본 발명에 따르면, 대중 교통의 이용자 정보 및 감염자 정보에 기반하여 전염 질병의 확산을 예측하고, 전염병 위험 지역 및 우회 정보들을 대중교통 이용객들에게 제공할 수 있다. 다양한 실시예들은 대중 교통 이용객들의 통행 패턴 분석을 통해 전염병 경로를 예측할 수 있다. 먼저 이용객 통행 패턴분석을 통해 미시적인 전염병 지역 및 확산 경로를 예측하여 대중 교통의 신뢰성을 증대시킬 수 있으며, 전염병 확산 지역, 위험 루트, 대안 경로 등을 실시간으로 제공하여 건강 복지를 향상시킬 수 있다.
도 1은 본 발명의 다양한 실시예들에 따른 질병 예측 시스템의 구성을 도시하는 도면이다
도 2는 다양한 실시예들에 따른 전염병 분석 및 예측 시스템의 예를 도시하는 도면이다.
도 3은 본 발명의 다양한 실시예들에 따른 분석/예측 모듈의 동작을 설명하기 위한 도면이다.
도 4a - 도 4c는 스케일-프리 네트워크 기법을 이용하여 대중 교통 네트워크를 분석하는 방법을 설명하기 위한 도면이다.
도 5a - 도 5d는 본 발명의 다양한 실시예들에 따른 인카운터 네트워크 기법을 설명하기 위한 도면이다.
도 6은 다양한 실시예들에 따라 네트워크 기법을 사용한 인간 인간 활동 기반의 시뮬레이션을 수행하는 예를 도시하는 도면이다.
도 7은 다양한 실시예들에 따른 분석/예측 모듈의 교통 및 의료 데이터에 기반하여 전염병 확산 경로를 예측하는 동작 절차를 도시하는 흐름도이다.
도 8은 다양한 실시예들에 따른 분석/예측 모듈의 동작을 도시하는 흐름도이다.
도 9는 다양한 실시예들에 따라 전염병 정보를 제공하는 동작을 도시하는 흐름도이다.
도 10a - 도 10b는 다양한 실시예들에 따라 사용자 장치에서 표시되는 전염병 관련 정보의 예를 도시하는 도면이다.
도 2는 다양한 실시예들에 따른 전염병 분석 및 예측 시스템의 예를 도시하는 도면이다.
도 3은 본 발명의 다양한 실시예들에 따른 분석/예측 모듈의 동작을 설명하기 위한 도면이다.
도 4a - 도 4c는 스케일-프리 네트워크 기법을 이용하여 대중 교통 네트워크를 분석하는 방법을 설명하기 위한 도면이다.
도 5a - 도 5d는 본 발명의 다양한 실시예들에 따른 인카운터 네트워크 기법을 설명하기 위한 도면이다.
도 6은 다양한 실시예들에 따라 네트워크 기법을 사용한 인간 인간 활동 기반의 시뮬레이션을 수행하는 예를 도시하는 도면이다.
도 7은 다양한 실시예들에 따른 분석/예측 모듈의 교통 및 의료 데이터에 기반하여 전염병 확산 경로를 예측하는 동작 절차를 도시하는 흐름도이다.
도 8은 다양한 실시예들에 따른 분석/예측 모듈의 동작을 도시하는 흐름도이다.
도 9는 다양한 실시예들에 따라 전염병 정보를 제공하는 동작을 도시하는 흐름도이다.
도 10a - 도 10b는 다양한 실시예들에 따라 사용자 장치에서 표시되는 전염병 관련 정보의 예를 도시하는 도면이다.
본 발명의 상세한 설명에 앞서, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다.
현재 GPS 데이터 분석, 전염병 확산 예측시스템 구축 등을 다양한 네트워크 분석과 연계하여 전염병의 확산을 예측하고, 이를 토대로 전염병을 감시하는 방법들을 연구하고 있다. 본 발명의 다양한 실시예들은 교통 네트워크 정보 및 전염병 감염자의 통행 패턴에 기반하여 전염병의 확산 경로를 예측할 수 있는 장치 및 방법을 제공할 수 있다. 또한 본 발명의 다양한 실시예들은 전염병 확산경로예측을 통해 위험 지역 및 확산 예측지역 등의 정보를 시민들에게 보다 정확하게 제공하고, 지속적인 모니터링을 실시하여 시민 건강복지를 증진할 수 있는 장치 및 방법을 제공할 수 있다. 이로인해 시민들의 대중교통에 대한 신뢰도가 향상되어 대중교통을 이용하는 승객을 증가시킬 수 있다.
다양한 실시예들은 교통 네트워크 및 전염병과 관련된 빅데이터를 구축하고, 이를 분석(data analytics)할 수 있는 방법을 제안한다. 또한 가구통행실태 조사자료, 스마트카드 및 GPS 데이터, 의료데이터 등의 데이터를 수집하여 데이터 웨어하우스를 구축할 수 있는 방법을 제안한다. 다양한 실시예들은 대중교통 네트워크 분석을 통해 전염병의 확산 예측 모델을 제공할 수 있다. 이를 위하여 인카운터(encounter) 그룹 별 접촉단계, 감염 위험도 간의 관계분석 및 확산 경로 분석 프로세스를 구축하고, scale-free network를 이용한 대중교통 이용객 집중 지역 분석 및 방재 우선 순위를 수립할 수 있다. 다양한 실시예들은 데이터 분석(data analytics) 기법을 활용한 인간 활동 기반의 시뮬레이션을 제공할 수 있다. 이를 위하여, 전염병 확산 정도에 따른 실시간 교통상황이 통행자의 이동행태에 미치는 영향을 분석하고, 활동 기반 시뮬레이션 플랫폼 구축 및 실시간 전염병 확산에 대한 단계별 정보 제공 전략을 수립할 수 있다. 다양한 실시예들은 활동 기반 시뮬레이션과 네트워크 분석을 통해 전염병 확산을 모니터링할 수 있는 방법을 제공할 수 있다. 이를 위하여, 단계별 정보제공 전략 등의 시나리오에 따른 미시적 교통 시뮬레이션 분석을 평가할 수 있으며, 미시적 교통 시뮬레이션을 통한 전염병 확산 모니터링 시스템의 성능 평가 및 적용 가능성을 검토할 수 있다.
따라서 다양한 실시예들에 따르면, 먼저 전염병 감염자의 통행패턴을 분석할 수 있는 인카운터 네트워크 분석에 기반한 미시적 교통 시뮬레이션 분석을 통하여 활동기반모형을 구축하고 전염병 확산경로를 예측하여 전염병 확산 예방의 효율성을 향상시킬 수 있다. 두 번째로 실시간으로 운영자 및 통행자에게 관련정보를 제공하여 통행 및 전염병 확산 예방에 관한 효율을 높일 수 있다. 세 번째로 통행 및 확산 예방 효율성의 증가로 전염병 확산과 같은 돌발 상황에서 통행 안전성 향상 효과와 통행시간 절감효과 등 사회적 비용 절감 효과를 기대할 수 있다. 네 번째로 교통 및 의료 데이터의 분석 기술, 데이터 마이닝 기술, 교통 시뮬레이션 분석 기술을 하나의 기술로 융합하여 도시 교통 및 전염병 확산 예방의 실질적 효율 향상에 활용할 수 있다.
이하의 설명에서 “질병”은 전염병을 예로들어 설명될 것이다. “교통”이라는 용어는 “대중 교통”을 포함하는 용어로 사용될 수 있으며, 대중 교통은 교통 카드를 사용하는 교통 수단의 의미로 사용될 것이다. 또한 “스마트 카드”는 교통 카드를 포함하는 의미로 사용될 수 있다. 또한 이하의 설명에서 “이동 정보”는 사용자의 이동에 관련된 정보를 포함하는 정보가 될 수 있으며, 교통 정보를 포함할 수 있다. “교통 정보”는 교통 카드의 사용에 의해 생성되는 정보가 될 수 있으며, 의료 정보는 질병(예를들면 전염병) 감염자의 정보를 포함하는 정보가 될 수 있다.
도 1은 본 발명의 다양한 실시예들에 따른 질병 예측 시스템의 구성을 도시하는 도면이다.
도 1을 참조하면, 질병 예측 시스템은 분석/예측 모듈(100), 교통 모듈(110), 질병 인식 모듈(120), 정보 제공 모듈(150), 사용자 장치(160)를 포함할 수 있다.
이동 인식 모듈(110)은 이동 정보를 발생할 수 있는 적어도 하나의 장치를 포함할 수 있다. 정보는 사용자 정보, 이동 시간 정보, 이동 위치 정보 등을 포함할 수 있다. 이동 정보는 대중 교통, 기차, 비행기, 선박 등을 이용할 때 발생될 수 있으며, 사회 관계망 정보(social media crawling), GPS 정보들을 포함할 수 있다. 예를들면, 교통 스마트 카드(smart card)는 교통카드 및 신용 카드를 겸용할 수 있으며, 또는 교통 카드의 기능만 수행할 수 도 있다. 사용자는 교통 스마트 카드를 사용하여 대중 교통(버스, 지하철, 택시 등)을 이용할 수 있다. 사용자가 스마트 카드를 사용할 때, 이동 인식 모듈(110)은 사용자 정보, 승차 및 하차 시간, 승차 및 하차 위치 등의 정보들을 포함할 수 있다.
질병 인식 모듈(120)은 의료 정보를 발생할 수 있다. 여기서 의료 정보는 전염성이 있는 질병이 될 수 있다. 예를들면, 의료 정보는 SARS 및 MERS 등과 같은 호흡기 전염병이 될 수 있다. 질병 인식 모듈(120)은 전염될 수 있는 질병을 가진 사용자의 관련 정보를 제공할 수 있다. 질병 인식 모듈(120)은 사용자의 프라이버시에 관련하여 최소의 정보를 의료 정보로 제공할 수 있다. 예를들면, 의료 정보는 사용자의 이름 및 개인 정보(예를들면 주민등록번호의 일부)를 포함할 수 있다.
분석/예측 모듈(100)은 이동 정보 및 의료 정보를 수신하며, 이동 정보 및 의료 정보들을 분석하여 위험 지역을 설정하고, 질병 확산 지역을 예측할 수 있다. 이동 정보 및 의료 정보는 빅 데이터가 될 수 있다. 따라서 분석/예측 모듈(100)은 슈퍼 컴퓨터 SSCC(social science computing cluster)일 수 있다. 분석/예측 모듈(100)은 이동 정보 및 의료 정보에 기반하여 인카운트 네트워크 분석 및 스케일-프리 네트워크 분석을 할 수 있다. 분석/예측 모듈(100)은 인카운터 네트워크 분석을 통해 그룹별 접촉 단계 및 감염 위험도 간의 관계를 분석하고, 이를 토대로 확산 경로 분석 프로세스를 구축할 수 있다. 또한 분석/예측 모듈(100)은 스케일-프리 네트워크 분석을 통해 교통 이용객(예를들면 대중 교통 이용객)의 집중 지역 및 방재 우선 순위를 수립할 수 있다. 분석/예측 모듈(100)은 질병 감염자의 의료 정보와 교통 정보를 융합하여 이를 토대로 질병 감염자의 통행 패턴을 분석하여 감염자와 비감염자의 접촉 정도에 따른 감염 위험 네트워크를 스케일-프리 네트워크 및 인카운터 네트워크 분석 기법을 통해 구축할 수 있다. 분석/예측 모듈(100)은 스케일-프리 네트워크 및 인카운터 네트워크 분석 기법을 이용하여 질병 감염자와 감염 예상자의 통행 패턴을 분석 및 예측하여 질병 확산 위험 지역을 설정할 수 있다.
분석/예측 모듈(100)은 스케일-프리 네트워크 분석을 생략할 수 있다. 그러면 분석/예측 모듈(100)은 인카운터 네트워크 분석을 통해 감염자와 비감염자의 접촉여부 및 접촉가능성에 따라 감염확률을 예측할 수 있다.
정보 제공 모듈(150)은 다수의 사용자 장치(160)들과 연결될 수 있으며, 분석/예측 모듈(100)에서 설정된 질병 확산 위험 지역을 사용자 장치(160)에 제공하고, 위험 지역을 우회할 수 있는 경로 정보들을 제공할 수 있다.
이하의 설명에서 질병이라는 용어는 전염병과 같은 의미의 용어로 혼용되어 사용될 것이다. 이동 정보라는 용어는 교통 정보와 같은 의미의 용어로 혼용되어 사용될 것이다.
일반적으로 전염병이 발생되면, 대중 교통의 승객 수가 감소될 수 있다. 서울시 통계 자료에 의하면 대중 교통 이용자수는 2014년까지 증가추세를 보이다가 2015년 감소한 것으로 분석되었으며, 버스와 지하철 모두 감소하는 것으로 나타났다. 대중 교통 이용자 수의 감소 요인으로는 대중 교통 요금인상, 저유가 현상 등이 있으나, 2015년 5월 28일 최초 발병환자 격리된 바이러스에 의한 호흡기 감염증 메르스(Middle East Respiratory Syndrome Coronavirus ; MERS-CoV) 발병에 따른 대중교통 이용 기피현상도 큰 요인으로 작용 한 것으로 분석된다. 2016년 상반기까지의 지하철 및 버스 스마트카드 집계량을 분석해 본 결과 지하철의 상반기 이용량은 1,324백만 통행으로 최대치였던 2014년의 1,317백만 통행을 뛰어넘는 수치로 지하철 이용자는 증가하였으나, 버스의 경우 아직 메르스 발병 이전의 통행 수요를 회복하지 못하고 있는 것으로 나타났다. 2016년 이후 대중교통 이용객 수는 서서히 회복 추세에 있으나, 2014년 수준으로 회복되기까지는 상당한 시간이 소요될 것으로 판단되며, 이는 대중교통 신뢰도 회복에 영향을 미칠 수 있다. 따라서, 전염병확산 경로에 대한 철저한 시뮬레이션을 통해 시민들의 대중교통에 대한 신뢰도를 향상하고, 아울러 전염병확산 예측을 통하여 정확한 정보를 제공할 필요가 있다.
최근 신종플루, 구제역, 메르스 등 전염병에 대한 피해가 점점 늘어남에 따라 전염병확산 관리에 대한 정부의 지속적인 투자가 이루어지고 있지만, 아직까지 대면조사 등의 원초적인 방법을 통한 전염병확산 경로분석만 이루어질 뿐 전염병확산 예측에 대한 연구는 미비한 상황이다. 전염병의 경우 타인과의 접촉에 의해 이루어지는 경우가 대부분이므로, 통행자들의 통행패턴 또는 타인과의 접촉 정도에 대한 연구가 이루어져야 한다.
국내 대중교통 시스템은 스마트카드 데이터를 통하여 통행자들의 통행패턴을 미시적으로 분석할 수 있다는 장점을 가지고 있으며, 통행패턴 및 타인과의 접촉 정도 분석에 따라 전염병 확산경로에 관한 예측 분석이 가능할 수 있다. 또한 의료데이터는 환자들의 내원 시간, 주거주소 등 환자들의 개별통행정보를 포함하고 있기 때문에 대중교통을 이용하는 환자들의 통행패턴을 데이터 분석(Data analytics) 기법을 통해 분석할 수 있다. 미시적 교통 시뮬레이션을 활용한 시나리오 분석을 통하여 실제 통행자들에게 맞춤형 교통소통정보를 제공함으로써 도시응급의료체계 운영 방안의 정책적 판단의 근거가 될 수 있다.
도 2는 다양한 실시예들에 따른 전염병 분석 및 예측 시스템의 예를 도시하는 도면이다.
도 2를 참조하면, 전염병 분석 및 예측 시스템은 이동 인식 모듈(110), 질병 인식 모듈(120), 분석/예측 모듈(100)을 포함할 수 있다. 이동 인식 모듈(110)은 스마트카드 데이터(smartcard data) 수집 모듈(101), 이동 데이터(travel diary survey data) 수집모듈(112), 사회 관계망(social media crawling system) 데이터 수집 모듈(113), GPS(global positioning system) 데이터 수집 모듈(114)들을 포함할 수 있다. 질병 인식 모듈(120)은 SARS 데이터 수집 모듈(121), MERS 데이터 수집 모듈(122) 들을 포함할 수 있다. 예측/분석 모듈(100)은 GIS(Geographic Information System) 분석 모듈(210), 네트워크 분석 모듈(220), 교통 모형 분석 모듈(230), 모니터링 모듈(240)을 포함할 수 있다.
이동 인식 모듈(110)을 살펴보면, 스마트카드 데이터 수집 모듈(111)은 스마트 카드 및/또는 신용카드 등을 사용할 수 있는 교통 수단에서 발생되는 데이터들을 수집할 수 있다. 여기서 교통 수단은 버스, 지하철, 택시 등과 같은 대중 교통이 될 수 있다. 이동 데이터 수집 모듈(112)은 신분증(예를들면, 주민등록증, 여권 등)을 사용하면서 이동하는 수단이 될 수 있다. 이때의 이동 수단은 비행기, 선박 등이 될 수 있다. 사회 관계망 데이터 수집 모듈(113)은 사회 관계망 통신을 수행할 수 있는 수단이 될 수 있다. 사회 관계망 통신은 모바일 통신을 포함할 수 있다. 사회 관계망 통신은 모바일 단말 장치를 이용하여 수행할 수 있는 통신 (음성, 데이터 등), 카카오 톡 등과 같은 SNS(social network service) 통신을 포함할 수 있다. GPS 데이터 수집 모듈(114)은 GPS 통신 기능을 포함하는 전자장치들로부터 수신되는 사용자의 정보가 될 수 있다. 각 데이터 수집모듈(111-114)들에 수집되는 이동 관련 데이터는 사용자 정보, 이동 위치(시작 및 종료 위치), 이동 시간 등의 정보들을 포함할 수 있다.
질병 인식 모듈(120)은 의료 기관이 될 수 있다. SARS 데이터 수집 모듈(121)은 SARS 감염 환자 및/또는 감염 의심 환자가 인식되면, 환자의 정보를 수집할 수 있다. MERS 데이터 수집 모듈(122)은 MERS 감염 환자 및/또는 감염 의심 환자가 인식되면, 환자의 정보를 수집할 수 있다.
예측/분석 모듈(100)은 이동 인식 모듈(110)에서 수집되어 전송되는 이동 관련 데이터들 및 질병 인식 모듈(120)에서 수집되어 전송되는 질병 관련 데이터들을 수신하여 분석할 수 있다. 예측/분석 모듈(100)은 수집되는 이동 및 전염병 관련 데이터들을 분석하여 전염병 위험 지역 및 확산 예측 지역을 설정할 수 있다.
GIS 분석 모듈(210)은 전염병 위험 지역 및 확산 예측 지역을 지도 정보로 표시할 수 있다. GIS(Geographic Information System)는 인간 생활에 필요한 지리정보를 컴퓨터 데이터로 변환하여 효율적으로 활용하기 위한 정보시스템을 의미할 수 있다. 정보시스템이란 의사결정에 필요한 정보를 생성하기 위한 제반 과정으로서 정보를 수집, 관측, 측정하고 컴퓨터에 입력하여 저장, 관리하며 저장된 정보를 분석하여 의사결정에 반영할 수 있는 시스템이 될 수 있다. GIS는 지리적 위치를 갖고 있는 전염병 위험 지역 및/또는 확산 예측 지역에 대한 위치 자료(spatial data)와 속성자료(attribute data)를 통합·관리하여 지도, 도표 및 그림들과 같은 여러 형태의 정보를 제공할 수 있다. GIS는 모든 정보를 수치의 형태로 표현할 수 있다. 모든 지리 정보가 수치 데이터의 형태로 저장되어 사용자가 원하는 정보를 선택하여 필요한 형식에 맞추어 출력할 수 있다. 이는 이차원 개념의 정적인 상태를 삼차원 이상의 동적인 지리정보의 제공이 가능할 수 있다. GIS는 다량의 자료를 컴퓨터 기반으로 구축하여 정보를 빠르게 검색할 수 있으며 도형자료와 속성자료를 쉽게 결합시키고 통합 분석 환경을 제공할 수 있다. 본 발명의 다양한 실시예에 따르면, 분석/예측 모듈(100)은 교통 정보 및 의료 정보를 통합 관리하여 전염병 위험 지역 및 확산 예측 지역에 따른 지도, 도표 및 이미지 등과 같은 다양한 정보들을 제공할 수 있다.
네트워크 분석 모듈(220)은 이동 관련 데이터와 전염병 관련 데이터들을 융합 분석하여 감염자와 비감염자와 접촉 정도에 따른 감염 위험 네트워크를 구축할 수 있다. 감염 위험 네트워크는 스케일- 프리 네트워크 분석 기법 및 인카운터 네트워크 분석 기법을 이용하여 구축할 수 있다. 스케일-프리 네트워크 분석 기법은 네트워크를 이루는 노드(node)들 중 소수의 허브(hub) 노드가 전체 네트워크의 구조를 지배하며, 네트워크를 좁은 세상(small world)으로 만들어 준다는 이론이다. 스몰 네트워크(small network)는 무작위 네트워크(random network)와 정규 네트워크(regular network)의 속성을 모두 닮고 있는 네트워크가 될 수 있다. 다양한 실시예들에서, 버스 및 지하철 네트워크에 대하여 스케일-프리 네트워크 기법을 적용할 수 있다. 예를들면, 서울시 지하철의 경우, 몇 개의 지하철 역사가 전체 이동량의 대부분을 차지할 수 있다. 예를들면, 지하철 역들 중에서 통행량이 많은 강남역, 잠실역, 신림역, 서울역 등이 허브 노드가 될 수 있다. 인카운터 네트워크 기법은 통행자(예를들면, 감염자 또는 감염 의심자)들의 통행 패턴과 타인과의 접촉 정도가 네트워크 형태로 표현되는 기법으로 전염병 관련 데이터와 이동 관련 데이터들의 조합(융합분석)을 통해 통행 패턴에 따라 전염병 위험 지역 및 확산 예측 지역을 분석할 수 있다.
활동기반 교통 모형(MATSim, multi-agent transport simulation) 분석 모듈(230)은 분석 및 예측된 전염병 위험 지역 및 확산 예측 지역에 관련된 시뮬레이션을 수행할 수 있다. MATSim은 대규모 에이전트 기반 전송 시뮬레이션을 구현하기 위한 프레임 워크이다. The framework consists of severel modules which can be combined or used stand-alone. 프레임 워크는 결합 될 수 있거나 독립형으로 사용될 수있는 조각 모듈로 구성될 수 있으며, Modules can be replaced by own implementations to test single aspects of your own work.모듈은 자신의 작업으로 단일 측면을 테스트하기 위해 자체 구현으로 대체 될 수 있다. 현재Currently, MATSim offers a framework for demand-modeling, agent-based mobility-simulation (traffic flow simulation), re-planning, a controler to iteratively run simulations as well as methods to analyze the output generated by the modules. MATSim은 수요 모델링, 에이전트 기반 이동성 시뮬레이션 (트래픽 흐름 시뮬레이션), 리플래닝, 모듈을 통해 생성 된 출력을 분석하는 방법뿐만 아니라 시뮬레이션을 반복적으로 실행하는 컨트롤러를 위한 프레임 워크를 제공할 수 있다. MATSim 분석 모듈은 빠른 동적 및 에이전트 기반의 트래픽 시뮬레이션을 수행할 수 있다.
모니터링 모듈(240)은 GIS 분석, 네트워크 분석 및 MATSim을 통해 분석된 결과들을 토대로 전염병 경로를 예측하고, 모니터링할 수 있다.
도 1 및 도 2와 같은 같은 본 발명의 다양한 실시예들에 따른 분석/예측 모듈은 빅데이터 구축 및 데이터 분석(data analytics) 방법을 통해 전염병 경로를 예측할 수 있다. 분석/예측 모듈(100)은 가구통행실태조사, 스마트카드 데이터, GPS 데이터 등의 이동에 관련된 데이터들을 수집하여 데이터 웨어하우스를 구축하고, 데이터 분석 기법을 통해 수집된 대용량 데이터의 활용성을 제고할 수 있다. 또한 데이터 기법을 활용한 전염병 관련 데이터 분석에 따라 감염자 및 감염 예상자의 통행패턴분석을 통해 전염병확산 경로를 추적 및 예측할 수 있다.
본 발명의 다양한 실시예들에 따른 분석/예측 모듈(100)은 대중교통 네트워크 분석에 기반하여 전염병 확산을 예측할 수 있다. - 국내에서도 스마트카드 데이터의 활용성이 높아짐에 따라 통행패턴, 대중교통 서비스 평가 등에 대한 연구가 이루어지고 있지만, 대중교통 네트워크에 대한 근본적인 연구는 이루어지지 않고 있음.
네트워크 분석 기법은 스케일-프리 네트워크 분석 기법 및 인카운터 네트워크 분석 기법이 될 수 있다. 버스 및 지하철 등과 같은 대중교통 네트워크에 대한 스케일-프리 네트워크 기법의 적용은 대중 교통의 네트워크의 행태 및 특성을 파악하여 새로운 관점에서 현재 대중교통 네트워크를 진단할 수 있다. 대중 교통의 스케일-프리 네트워크 기법은 먼저 허브 역할을 수행하는 버스정류장 및 역사들과 스마트카드의 통행량 데이터를 비교 분석함으로써 승차 또는 환승 지점의 적절성을 판단할 수 있고, 두 번째로 노드(node) 간의 평균 거리 분석을 통해 대중교통 취약 지점을 분석할 수 있다. 인카운터 분석 기법은 사회구성원간의 물리적 또는 사회적 관계 정도를 분석하는 기법으로 본 발명의 다양한 실시예들에서는 접촉 정도에 따른 감염위험 네트워크 구축 및 분석을 통해 전염병확산 경로예측을 수행할 수 있다. 특정 감염인자를 중심으로 인카운터 네트워크 분석을 통하여 감염 위험 그룹을 설정할 수 있으며, 만남의 빈도, 만남의 지속시간 등의 지표분석을 통해 전염병 확산 위험지역 설정, 효과적인 전염병확산 방지대책 수립 등을 수행할 수 있다. 따라서 분석/예측 모듈(100)은 스케일-프리 네트워크 및 인카운터 네트워크 기법들에 기반하여 감염자 및 감염 예상자의 이동 패턴을 분석하고 예측하여 전염병 확산 위험지역 설정, 효과적인 전염병확산 방지대책을 수립할 수 있다.
분석/예측 모듈(100)은 활동 기반 시뮬레이션과 네트워크분석을 통해 전염병 확산을 예측하고 모니터링 할 수 있다. 분석/예측 모듈(100)은 미시적 교통 시뮬레이션에서 개별 에이전트의 의사결정에 영향을 끼치는 성별, 나이 등 자신의 고유속성을 가지며, 다른 에이전트들과 정보를 주고받는 과정을 통하여 의사 결정을 수행할 수 있다. 그리고 정보 제공 모듈(150)은 미시적 교통 시뮬레이션 모형을 통해 전염병 확산 상황 시 개별 에이전트의 행동을 시뮬레이션하여 이용자들에게 제공함으로써 실시간 위험통행경로 및 대안 경로 정보제공 등 보다 효율적으로 전염병 확산관리를 수행할 수 있다.
다양한 실시예들에 따르면, 대중교통 및 의료 관련 빅데이터를 구축하고, 구축된 빅데이터에 기반하는 활동기반 시뮬레이이션과 네트워크 분석 기법을 통해 대중교통 네트워크를 통한 전염병 확산을 예측할 수 있다. 이를 통하여 대중 교통 상의 전염병 확산경로에 대한 철저한 시뮬레이션을 통해 시민들의 대중교통에 대한 신뢰도를 향상하고, 아울러 전염병확산 예측을 통하여 정확한 정보를 제공할 수 있다. 다양한 실시예들은 각 통행자들의 통행 패턴과 타인과의 접촉 정도가 네트워크 형태로 표현되는 인카운터 네트워크(encounter network)를 활용하여 활동 기반 교통 모형을 구축하고, 이를 이용하여 미시적인 통행자 패턴을 정밀하게 추정하여 전염병 경로를 분석하고 확산 경로를 예측할 수 있다. 또한 다양한 실시예들은 스케일-프리 네트워크(scale-free network)의 룰을 적용하여 전염병 확산을 예방할 수 있다. 예를들면, 스케일-프리 네트워크의 80/20 룰을 적용하여 대중교통 이용객의 80%가 집중되어 있는 주요 역사를 전염병 발생시 집중 관리할 수 있으며, 네트워크 상의 connected cutting 기법을 적용하여 필요시 이용객들을 통제하면 전염 예방 효과를 크게 볼 수 있다.
도 3으 본 발명의 다양한 실시예들에 따른 분석/예측 모듈의 동작을 설명하기 위한 도면이다.
도 3을 참조하면, 분석/예측 모듈의 동작은 빅데이터를 구축하는 단계(310), 네트워크 기법에 기반하여 분석하는 단계(320), 분석된 결과에 따라 인간 활동 기반의 시뮬레이션을 수행하는 단계(330) 및 시뮬레이션 결과에 따라 전염병 확산을 모니터링하는 단계(340)를 포함할 수 있다.
다양한 실시예들에 따르면, 교통 네트워크에 기반하여 질병 위험 지역을 예측하는 동작은 하기 <표 1>과 같은 특징을 가질 수 있다.
| 방법 | 비고 |
| 빅데이터 구축 및 데이터 분석(data analytics) | 가구통행실태조사, 스마트카드 및 GPS 데이터, 의료데이터 등의 데이터를 수집하여 데이터 웨어하우스를 구축 통행목적, 통행빈도, 통행수단, 통행시간, 통행거리, 통행경로 등의 개인별 통행특성에 대한 분석 합성 인구 생성 알고리즘을 통해 의료 데이터의 통행 특성을 대표하는 가상 인구 집단을 구축 O(origin)-D(destination) 패턴에 기반한 감염자들의 공간적인 분포 분석 및 최적 경로 알고리즘을 통한 이동 경로 예측 기법 연구 |
| 대중교통 네트워크 분석을 통한 전염병 확산 예측모델 연구 | 인카운터 그룹별 접촉 단계 및 감염 위험도 간의 관계 분석 및 확산 경로 분석 프로세스 구축 scale-free network를 이용한 대중교통 이용객 집중지역 분석 및 방재우선순위 수립 |
| 데이터 분석 기법을 활용한 인간 활동기반 시뮬레이션 수행 | 전염병 확산 정도에 따른 실시간 교통상황이 통행자의 이동행태에 미치는 영향 분석 활동 기반 시뮬레이션 플랫폼 구축 및 실시간 전염병 확산에 대한 단계별 정보 제공 전략 수립 |
| 활동기반 시뮬레이션과 네트워크분석을 통한 전염확산 경로 예측 | 단계별 정보제공 전략 등의 시나리오에 따른 미시적 교통시뮬레이션 분석 평가 미시적 교통시뮬레이션을 통한 전염병 확산 모니터링 시스템의 성능평가 및 적용가능성 검토 |
분석/예측 모듈은 상기 310 단계에서 빅데이터 구축 및 데이터 분석할 수 있다.
빅 데이터 구축을 위하여, 다양한 분야에서 활용되고 있는 빅데이터의 특성에 대한 연구 및 문헌 고찰을 할 수 있다. 병원 방문 환자의 이동 경로 파악을 위한 의료 데이터를 수집하고, 선정된 적용 대상 지역의 가구통행 실태 조사 자료, 스마트카드 데이터, BIS/BMS(bus information system/bus management system) 데이터, 지하철 데이터, 택시 데이터 등의 교통 빅 데이터 구축할 수 있다. 그리고 구축된 데이터 분석을 위해 구축된 빅데이터의 처리 및 가공을 할 수 있다. 수집된 대량의 빅 데이터로부터 전염병 환자 개인의 이동 경로 추적 및 이동 경로 패턴 분석을 위한 정확하고 신뢰성 있는 데이터 분석 기법을 연구하고, 이동 중 환자와 접촉(encounter)한 잠재적 감염자의 이동 경로 추적을 위한 모델링 기법을 모색할 수 있다. 예를들면, 환자의 이동 중 교통수단 전환에 따른 각 교통데이터의 결합 분석을 위한 데이터 분석 기법을 연구하고, 개인의 통행 목적, 통행 빈도, 통행 수단, 통행 시간, 통행 거리, 통행 경로 등의 개인별 통행 특성 분석을 위한 데이터 분석 기법을 연구할 수 있다.
데이터 분석 기법을 활용한 빅데이터 분석 및 통행 패턴 분석은 다음과 같이 수행할 수 있다. 먼저 통행 패턴 분석을 위한 교통데이터의 수집은 가구 통행 실태 조사, 스마트 카드 데이터, GPS 데이터 등의 빅 데이터를 수집하여 데이터 웨어하우스를 구축할 수 있다. 두 번째로 교통 데이터 분석을 위한 교통 데이터 전처리 프로세스를 수행할 수 있다. 수도권의 통행 특성 및 제약 조건을 고려한 교통데이터의 잡음(noise)을 제거하고, 통행시간, 통행거리, 통행수단, 환승 여부 등 통행자들의 통행특성을 파악할 수 있는 데이터 변형 및 가공 알고리즘을 처리할 수 있다. 예를들면, 20-80 룰(rule)을 활용하여 수도권의 통행 특성을 나타내는 교통데이터의 유효 범주를 설정할 수 있다.
감염자 통행 특성 분석을 위한 교통 데이터와 의료데이터를 융합할 수 있다. 먼저 통행특성 추출을 위한 데이터 분석 기법을 살펴보면, 합성 인구 생성 알고리즘을 통해 의료데이터의 통행특성을 대표하는 가상인구집단을 구축하고, 데이터 분석을 통한 의료데이터의 통행특성을 추출한 후, 추출된 의료 데이터의 교통특성과 가공된 교통 데이터의 교통특성을 비교 분석할 수 있다. 두 번째로 의료 데이터의 통행 특성에 대한 공간적 분포 분석 및 이동경로를 예측하는 방법은 의료데이터의 O(origin)-D(destination) 패턴에 기반한 감염자들의 공간적인 분포분석 및 최적경로 알고리즘을 통해 이동 경로를 예측할 수 있다.
분석/예측 모듈은 상기 320단계에서의 대중 교통 네트워크 분석을 통해 전염병 확산을 예측할 수 있다. 네트워크 분석은 스케일-프리 네트워크 분석 및 인카운터 네트워크 분석 기법이 사용될 수 있다.
먼저 스케일-프리 네트워크를 이용하여 대중교통 네트워크 분석을 살펴본다. 도 4a - 도 4c는 스케일-프리 네트워크 기법을 이용하여 대중 교통 네트워크를 분석하는 방법을 설명하기 위한 도면이다.
버스 및/또는 지하철 등과 같은 대중 교통 노선 데이터에 가중치를 부여하면, 버스 정류장 및/또는 지하철 역을 연결하는 대중교통의 노선 분포가 멱함수 법칙을 따르는 것으로 밝혀졌다. 대부분의 멱함수를 따르는 스케일-프리 네트워크에 적용되는 80/20 법칙은 도 4a에 도시된 바와 같이, 상위 20%의 사람이 전체 부의 80%를 가지고 있다는 Pareto`s law과 동일한 말로, 20%의 소수가 대부분의 네트워크의 역할을 수행한다는 것을 시사하며, 이는 교통분야의 스케일-프리 네트워크 적용에 있어 중요한 부분이 될 수 있다.
예를들면, 서울시 스마트 카드 데이터를 이용하여 OD를 구축하면, 도 4b와 같이 스케일-프리 네트워크의 특징인 스몰 월드 네트워크(small world network)가 형성됨을 알 수 있다. 또한 도 4c와 같이 서울시 스마트카드 데이터를 이용해 지하철역에 따른 이용객수를 분석한 결과를 살펴보면, 분포는 멱법칙(power-law)에 따르는 것으로 나타났고, 스케일-프리 네트워크의 특징인 80/20법칙을 따르는 것으로 분석됨을 알 수 있다.
서울시 대중교통 네트워크 특성 분석을 살펴보면, 디그리(degree)와 트랜스퍼 능력(transfer capacity) 지표 및 환승 통행량 분포를 통해서 환승 통행량이 높은 혼잡 지역을 선별할 수 있다. 강북지역의 경우, 네트워크 지표가 높은 버스정류장에서 대부분의 환승 통행이 이루어지고 있는 반면에, 강남 지역의 경우 비교적 낮은 지표를 갖는 특정 지역에서 환승 통행이 빈번하게 발생함을 알 수 있다. 대표적으로 높은 값의 네트워크 분석 지표를 갖지 않는 지역에서 환승 통행이 이루지는 곳은 지하철 2호선 라인이 통과하는 관악구 지역과 분당선이 통과하는 강남구 지역임을 확인할 수 있었다. 따라서 이러한 결과를 바탕으로 전염병 발생시 위험지역 및 방재지역의 우선순위를 설정하고 그 결과에 따라 체계적인 방재대책을 수립 할 수 있다. 스케일-프리 네트워크의 80/20 룰을 적용하여, 전염병 발생시 대중교통 이용객의 80%가 집중되어 있는 주요 역사 및/또는 버스 정류장들을 집중 관리하고 네트워크상의 커넥티드 커팅(connected cutting) 기법을 적용하여 필요시 이용객들을 통제하면, 전염병 예방 효과를 크게 할 수 있다. 예를들면, 서울시의 경우, 강남, 잠실, 신림, 서울역 등 주요 역에 80% 이상의 지하철 이용객이 집중되고 있는 것을 알 수 있었다. 따라서 메르스와 같은 감염 질병 발생시 주요한 역사들만 집중적으로 관리 하더라도 매우 큰 예방효과를 가져올 수 있으며, 대중교통 전반에 걸쳐 이러한 분석을 확대 적용할 필요성이 있다.
스케일-프리 네트워크로 구분할 수 있는 또 다른 이론은 우발적 실패(random failure)로, 네트워크에 임의적인 공격을 가했을 때 네트워크의 링크 특성 변화에 대하여 분석하는 방법론이 될 수 있다. 의료 및 재난으로 인한 긴급상황 발생시 우발적 실패 이론을 대중교통 네트워크 분석에 접목하면, 활용성이 더 커질 수 있다.
두번째로 인카운터 네트워크 기법을 살펴본다. 도 5a - 도 5d는 본 발명의 다양한 실시예들에 따른 인카운터 네트워크 기법을 설명하기 위한 도면이다.
대중교통, 친환경 교통 수단에 대한 도시의 수단 분담율이 점점 늘어남에 따라 스마트카드 이용률 또한 지속적으로 증가하고 있다. 따라서, 통행자들의 통행패턴에 대한 정교한 분석이 가능하다 할 수 있다. 인카운터 네트워크 분석은 각 통행자들의 통행 패턴과 타인과의 접촉 정도가 네트워크 형태로 표현되는 기법이다. 따라서 의료 데이터와 스마트카드 데이터의 조합을 통해 통행 패턴에 따라 전염병 확산경로를 예측할 수 있으며, 타인과의 접촉 정도에 따라 전염병 확산 위험 지역 및 위험 경로 등을 분석할 수 있다는 장점을 가지고 있다. 다양한 실시예들에서 인카운터 네트워크 분석 기법을 통하여 감염위험그룹을 파악할 수 있으며, 감염자뿐만 아니라 2차, 3차 감염자, 감염 예상자들의 통행특성에 대한 분석을 수행 할 수 있다.
다양한 실시예들에 따르면, 분석/예측 모듈은 수집된 각 빅 데이터인 수도권 가구 통행 실태 조사, 스마트 카드 데이터, 택시 운행 데이터, GPS 데이터 등의 각 데이터들을 인카운터 네트워크를 통해 분석할 수 있다. 도 5a는 버스 또는 지하철 승하차의 인카운터 네트워크 모델링의 예를 도시하는 도면이다. 도 5a를 참조하면, tr은 승차 시간(ride time)을 나타나며, ta는 하차 시간(alight time)을 나타낸다. 또한 M은 감염자가 될 수 있으며, N은 비감염자가 될 수 있다. 도 5a는 감염자 M이 trM 시간에 버스에 탑승하고, taM 시간에서 버스에 하차한 예를 도시하고 있다. 그리고 비 감염자 N이 trN 시간에 버스에 탑승하고, taN 시간에서 버스에 하차한 예를 도시하고 있다. 이런 경우, M과 N은 A 버스정류소(bus stop A)에서 B 버스정류소(bus stop B) 구간에서 접촉(encounter)될 수 있다. 이런 경우, 감염자 M과 만나는 비감염자 N은 감염 예상인자가 될 수 있다.
분석/예측 모듈은 도시의 각 교통 수단별(버스, 지하철, 택시 등) 인카운터 네트워크 모델링들을 구축할 수 있다. 도 5b - 도 5d는 인카운터 네트워크 분석을 한 통행 특성 분석을 설명하기 위한 도면이다. 교통 수단별 통행자들 간의 인카운터 조건을 만족하는 인카운터 알고리듬을 생성할 수 있다. 예를들면, 도 5a와 같이 감염자(super spreader)가 접촉한 그룹을 분석하여 2차 감염 그룹(potential secondary super spreader)들을 포함하는 인카운터 네트워크를 모델링할 수 있다. 그리고 도 5c와 같이 2차 감염 그룹의 인원을 분석하고, 도 5d와 같이 감염 그룹 내 구성권간 접촉 시간을 분석하여, 인카운터 네트워크 분석을 통한 통행 특성을 분석할 수 있다. 위와 같이 통행 특성에 따른 인카운터 그룹을 생성하고, 그룹별 접촉 단계 및 감염 위험도 간의 관계를 분석할 수 있다. 인카운터 알고리듬을 통한 시간 인카운터 네트워크 모델을 생성하고, 인카운터 네트워크 모델 생성을 통한 감염 통행 패턴을 분석할 수 있다.
상기한 바와 같이 인카운터 네트워크를 통해 통행 특성을 분석하여, 감염자 추적 및 접촉자 파악을 위한 통행 특성을 분석할 수 있다. 예를들면, 인카운터 네트워크 모델과 빅 데이터를 이용한 개인별 및/또는 집단별 통행 특성을 분석할 수 있다. 또한 인카운터 네트워크를 통해 통행자의 접촉 인원, 접촉 시간, 접촉 거리 등을 분석하여 감염자 추적 및 잠재적 감염자의 추적을 위한 실시간 모니터링의 분석 자료로 이용할 수 있다.
상기한 바와 같이 스케일-프리 네트워크 및 인카운터 네트워크 모델링을 통해 전염병 예측을 위한 알고리듬을 생성할 수 있다. 인카운터 네트워크를 통해 그룹 내 감염 위험자들에 관한 통행특성 분석할 수 있으며, 질병의 감염률에 따른 예상 감염 분석프로세스 구축 및 확산 경로를 예측할 수 있다. 또한 전염병 확산에 따른 사회기반시설 네트워크의 상호의존관계 분석을 위한 응급의료체계와 연계할 수 있으며, 전염병 경로 예측시스템의 전염병 확산 시나리오 분석 및 응급의료체계와의 효율적인 연계방안을 통하여 각종 돌발상황에 유연하게 대처할 수 있다.
분석/예측 모듈은 상기 330단계에서 네트워크분석 기법에 의해 생성된 결과를 이용하여 인간 활동 기반 시뮬레이션을 수행할 수 있다. 도 6은 다양한 실시예들에 따라 네트워크 기법을 사용한 인간 활동 기반의 시뮬레이션을 수행하는 예를 도시하는 도면이다.
상기 활동기반 시뮬레이션 플랫폼의 현실적인 모형 구축을 위해서는 현실을 최대한 반영할 수 있는 입력 데이터들이 필요할 수 있다. 교통수요관리(TDM)에 대한 관심이 높아지면서 통행수요에 대한 보다 근원적인 이해의 필요성이 부각되었고, 교통 활동에 대한 시간-공간적 접근을 시도하고 있다. 즉, 인간이 교통과 통행에 관련하여 “어떻게” 행동하는가 하는 방식에서 벗어나 “왜” 그렇게 행동하는가 하는 원인 분석(causality)의 미시적 측면으로 관심이 증가하고 있다. 이러한 활동기반 모형의 구축을 위해서 분석대상 지역을 대표할 수 있는 에이전트(agent)들의 집단, 즉 모집단이 필요할 수 있다. 통계자료는 에이전트(즉 모집단)의 속성을 현실과 가장 유사하게 묘사할 수 있는 중요한 자료가 될 수 있다. 활동 기반 모형(Activity-based model)에서는 개개인의 통행 활동을 3차원의 동적(dynamic) 지도에 도식화하여 시각적으로 표현할 수 있다.
도 6을 참조하면, 분석/예측 모듈은 인카운터 네트워크 분석 단계(610)에서 감염 통행 패턴을 분석하고, 전염병 확산 경로 예측 단계(620)에서 감염 통행 패턴에 분석하여 전염병 확산 경로를 예측할 수 있다. 이후 분석/예측 모듈은 인간 활동 기반 시뮬레이션 단계(630)에서 활동 기반 모형을 바탕으로 시뮬레이션하여 시간과 정보 제공에 따라 교통 흐름을 추적하기 위한 미시적인 활동기반 시뮬레이션 플랫폼을 구축할 수 있다.
모집단 합성(Synthetic)의 정의 및 역할을 살펴보면, 합성인구(synthetic population)는 활동기반 접근법에서 교통수요 추정을 위해 모형에서 적용되는 사회경제적으로 동일한 특성을 지닌 개별 에이전트(Agent)를 의미할 수 있으며, 에이전트는 인간의 행동특성과 개별특성이 반영된 시뮬레이션 상에서 인간을 대신하여 인간처럼 판단하고 활동하도록 설계된 가상의 모집단으로 설명할 수 있다. 각각의 에이전트들은 빅 데이터를 통해 설계된 사실적인 활동 스케쥴을 가지고 통행 활동 시뮬레이션이 이루어지기 때문에 모형의 정확성을 위해서는 구축된 빅 데이터를 통한 모집단 생성과정이 중요할 수 있다. 트립 패턴(trip pattern) 분석에 있어 하루, 일주일, 또는 한 달의 연속 측정된 관측 자료를 이용하여 통행을 연속적인 일상생활중의 한 행위로 간주하여 통행자의 일상 활동계획을 대상으로 할 수 있다. 통행 행위 자체를 습관적 통행, 강제적 통행, 선택적 통행, 회피성 통행 등으로 분류하여 모형에 사용되는 변수는 인간의 생활주기에 토대를 두고, 특정장소에서 체재기간, 조사기간 동안의 총 통행횟수, 통행 중 정지횟수 등을 포함할 수 있다. 따라서 활동 기반 모형(Activity-based model) 이론을 바탕으로 시뮬레이션하여 개별 통행자들의 통행패턴 알아볼 수 있으며, 재난 재해 및 유고시 최적의 대피 경로 선택 등을 통해 대응시스템을 구축할 수 있다.
활동기반 시뮬레이션을 활용한 통행특성 분석은 다음과 같을 수 있다. 분석 대상 지역의 공간적 특성, 감염자 및 감염위험자의 통행특성을 만족하는 개별 에이전트 생성 알고리즘 개발 및 통행 모집단 주행특성 편의(bias) 문제 해결 기법을 도출할 수 있다. 전염병 확산 정도에 따른 실시간 교통상황이 통행자의 이동행태에 미치는 영향을 분석할 수 있다. 시간과 정보 제공에 따라 교통 흐름을 추적하기 위한 미시적인 활동기반 시뮬레이션 플랫폼 구축할 수 있다.
MATSim(Multi-Agent Transportation Simulation)을 이용한 인간 활동기반 시뮬레이션 수행은 빅데이터와 MATSim의 연계 분석을 포함할 수 있다. 즉, 빅데이터를 입력자료로 사용하여 MATSim으로부터 유형별, 시간대별 교통특성 분석 결과를 산출하고, 대규모의 네트워크에 좀 더 정확하고 정밀한 데이터 마이닝 기법을 이용하여 현실적인 모형을 구축할 수 있다.
분석/예측 모듈은 상기 340 단계에서 활동기반 시뮬레이션과 네트워크분석을 통한 전염병 확산을 모니터링할 수 있다. 전염병 분석/예측 분석 시스템은 네트워크 기법 및 활동기반 시뮬레이션을 통해 실시간 전염병 확산 모니터링 기능을 수행할 수 있다. 그리고 분석/예측 모듈은 전염 확산 모니터링 체계를 이용하여 실시간 감염 예상 경로를 파악할 수 있으며, 파악된 결과에 기반하여 전염 위험지역을 경보 및 차단할 수 있다. 또한 예상되는 돌발상황의 유형을 구분하고 고찰하여 적절한 시나리오를 구현할 수 있다. 분석/예측 모듈은 수집된 교통 분야의 빅데이터를 네트워크 분석 기법을 적용한 인간 활동기반 시뮬레이션을 이용한 시나리오 분석을 통해 통행자들의 최적 경로 선택 시스템 및 교통 분석 시스템, 쇼크웨이브 판단 시스템 등을 제공할 수 있다.도 7은 다양한 실시예들에 따른 분석/예측 모듈의 교통 및 의료 데이터에 기반하여 전염병 확산 경로를 예측하는 동작 절차를 도시하는 흐름도이다.
도 7을 참조하면, 분석/예측 모듈(100)은 전염병의 확산 경로 분석 및 예측을 할 수 있다. 분석/예측 모듈(100)은 711단계에서 스마트 카드 및 의료 빅 데이터들을 실시간으로 수집할 수 있으며, 713단계에서 빅데이터 상의 공간 정보 데이터를 추출할 수 있으며, 715단계에서 활동기반 교통 모형을 이용하여 감염자의 통행 경로를 분석 및 예측할 수 있다. 이후 분석/예측 모듈(100)은 719단계에서 인카운터 네트워크 분석 결과 및 감염자의 통행 경로 분석 결과를 이용하여 질병 확산 예측 결과(예를들면, 접촉 위험도, 감염 확률, 위험 지역 등)를 생성할 수 있다.
이와 같이, 질병 확산 예측 결과를 생성한 후, 분석/예측 모듈(100)은 실시간 모니터링 동작을 수행할 수 있으며 생성된 결과 값을 정보 제공 모듈(150)에 전달할 수 있다. 정보 제공 모듈(150)은 사용자 장치들과 연결될 수 있으며, 사용자 장치들에 실시간으로 전염병 위험 지역 및 이에 관련된 정보들을 제공할 수 있다. 정보 제공 모듈(150)에서 제공될 수 있는 정보들은 전염병 감염 위험 지역 정보(751), 위험 지역 또는 감염 예측 지역을 우회할 수 있는 대중 교통 우회 경로 정보(753), 대중 교통 운행 수단 정보(755), 대중 교통 운행 노선 정보(757), 대중 교통 운행 거리 및 시간 정보(759), 전염병 감염 위험 지수 정보(761) 등이 될 수 있다.
도 8은 다양한 실시예들에 따른 분석/예측 모듈의 동작을 도시하는 흐름도이다.
도 8을 참조하면, 분석/예측 모듈(100)은 811단계에서 스마트 카드 데이터를 수집하고, 813단계에서 의료 관련 데이터들을 수집할 수 있다. 의료 관련 데이터는 전염병(예를들면 호흡기 전염병 관련 질병) 정보가 될 수 있다. 811단계 및 813단계의 동작은 도 7의 711단계 동작이 될 수 있다. 분석/예측 모듈(100)은 821단계에서 수집된 스마트 카드 데이터로부터 대중 교통 이용객의 이동 패턴 정보를 추출할 수 있으며, 823단계에서 의료 관련 데이터로부터 환자의 공간 정보 데이터를 추출할 수 있다. 821 단계 및 823 단계의 동작은 도 7의 713 단계의 동작이 될 수 있다.
분석/예측 모듈(100)은 831단계에서 인카운터 네트워크를 구축할 수 있다. 이때 분석/예측 모듈(100)은 스케일-프리 네트워크 기법을 통해 인카운터 네트워크 기법에 적용할 정보들을 특정 지역으로 설정할 수도 있다. 인카운터 네트워크를 구축한 후, 분석/예측 모듈(100)은 715단계에서 몬테카를로 시뮬레이션(Monte-carlo simulation)을 수행할 수 있다. 확률 모형(stochastic model)은 변수의 관계가 확실하여 예측치를 정확하게 찾을 수 있는 확정모형(deterministic model)과는 달리 예측하고자 하는 결과의 많은 부분을 정확하게 예측하기 어렵다. 일반적으로 확정모형에서는 분석적 해(analytical solution)을 찾는 것이 가능하지만, 확률모형에서는 분석적인 방법으로 해를 찾는 것이 불가능 한 경우가 많을 수 있다. 전염병 경로를 예측하는 방법은 실제 상황에서 실험이 비실용적이거나 불가능할 수 있으며, 수학적인 표현이 불가능하거나 표현이 가능하더라도 해를 구하기가 곤란할 수 있다. 따라서 분석/예측 모델(100)은 인카운터 네트워크를 구축한 후, 715단계에서 인카운터 네트워크 결과값을 토대로 몬테카를로 시뮬레이션을 수회 반복할 수 있다. 이후 분석/예측 모듈(100)은 835단계에서 몬테카를로 시뮬레이션 결과를 기반으로 확률적 전염병 이동 경로 및 감염 위험 지수를 산출할 수 있다. 831 단계 - 835단계의 동작은 도 7의 715 단계의 동작이 될 수 있다.
분석/예측 모듈(100)은 841단계에서 인카운터 네트워크 분석 결과 값에 기반하여 활동기반 교통 모형의 대중 교통 네트워크를 구축할 수 있으며, 843단계에서 확률적 전염병 이동 경로를 바탕으로 대중 교통 네트워크 상의 구체적인 이동 경로를 시뮬레이션할 수 있다. 841단계 및 843 단계의 동작은 도 7의 717 단계의 동작이 될 수 있다.
이후 분석/예측 모듈(100)은 851 단계에서 대중 교통 이동 경로에 따른 전염병 확산 예측 결과 값을 생성할 수 있다. 도 8의 851단계 동작은 도 7의 719 단계의 동작이 될 수 있다.
도 9는 다양한 실시예들에 따라 전염병 정보를 제공하는 동작을 도시하는 흐름도이다. 도 10a - 도 10b는 다양한 실시예들에 따라 사용자 장치에서 표시되는 전염병 관련 정보의 예를 도시하는 도면이다.
도 9를 참조하면, 사용자 장치(160)는 정보 제공 모듈(150)과 인터넷 망을 통해 통신할 수 있는 장치가 될 수 있다. 예를들면, 사용자 장치(160)는 전자 장치가 될 수 있다. 예를들면, 전자 장치(110)는 스마트폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 영상 전화기, 데스크탑 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), 워크테이션(workstation), 서버, PDA(personal digital assistant), PMP(portable multimedia player), 또는 웨어러블 디바이스(wearable device) 중 적어도 하나를 포함할수 있다. 또한 전자 장치(100)는 가전 제품(home appliance)일 수 있다. 가전 제품은, 텔레비전, DVD(digital video disk) 플레이어, 셋톱 박스(set-top box), 홈 오토매이션 컨트롤 패널(home automation control panel), 보안 컨트롤 패널(security control panel) 중 적어도 하나를 포함할 수 있다.
전자 장치는 프로세서, 메모리, 통신부, 입력부 및 표시부들이 포함할 수 있으며, 이들 구성의 일부, 또는 이들 구성에 다른 구성 요소들이 추가될 수 있다. 메모리는 다양한 실시예들에 따른 어플리케이션을 실행하기 위한 프로그램들을 저장할 수 있다. 예를들면, 정보 제공 모듈(150)에 제공되는 전염병 정보들을 표시하기 위한 어플리케이션을 저장할 수 있다. 또한 메모리는 어플리케이션 실행 중에 발생되는 데이터들을 저장할 수 있다. 프로세서는 운영체제 또는 응용 프로그램을 구동하여 프로세서에 연결된 다수의 하드웨어 또는 소프트웨어 구성요소들을 제어할 수 있다. 통신부는 셀룰러 통신 모듈 및/또는 근거리 통신 모듈을 포함할 수 있으며, 인터넷 망(270)을 통해 서비스 제공 장치(250)와 통신 기능을 수행할 수 있다. 근거리 통신 모듈은 WiFi(wireless fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), NFC(near field communication), 자력 시큐어 트랜스미션(Magnetic Secure Transmission), 라디오 프리퀀시(RF), 또는 보디 에어리어 네트워크(BAN) 중 적어도 하나를 포함할 수 있다. 공중 통신 모듈은 LTE(long term evolution), LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), 또는 GSM(Global System for Mobile Communications) 등 중 적어도 하나를 사용하는 셀룰러 통신을 포함할 수 있다. 입력부는 키보드 또는 키패드를 포함할 수 있으며, 사용자에 의해 명령어 및/또는 키 데이터 등을 발생할 수 있다. 명령어는 부동산 정보의 선택, 선택된 부동산 정보의 표시를 제어하기 위한 명령어 등이 될 수 있다. 표시부는 부동산 정보를 표시할 수 있다. 표시부는 액정 표시부(liquid crystal display) 또는 LED(OLED(organic light-emitting diode), AMOLED(active matrix organic light-emitting diode) 등) 표시부로 구성될 수 있다.
사용자 장치(160)은 911 단계에서 정보 제공 모듈(150)에 접속하여 전염병에 관련된 정보 제공을 요청할 수 있다. 이때 사용자 장치(160)의 정보 요청 정보는 사용자의 이동에 관련된 정보를 포함할 수 있다. 예를들면, 사용자는 출발지 및 목적지를 포함하는 이동 정보와 함께 이동되는 경로 상의 전염병에 관련된 정보 제공을 요청할 수 있다. 정보 제공 모듈(150)는 사용자 장치(160)으로부터 전염병에 관련된 정보 제공이 요청되면, 이를 인식하고 913 단계에서 정보 제공을 요청한 사용자의 위치 정보를 확인하고, 915 단계에서 사용자의 이동 경로 상에 관련된 전염병 위험 지역 및 확산 예측될 경로 정보를 생성할 수 있다. 그리고 사용자 장치(160)의 이동 경로가 전염병 위험 지역 및/또는 확산 예측 지역을 포함하는 경우, 정보 제공 모듈(917)은 917단계에서 우회 경로를 포함하는 정보를 생성할 수 있다. 정보 제공 모듈(150)은 919 단계에서 생성된 전염병 관련 정보들을 사용자 장치에 전송할 수 있다.
사용자 장치(160)은 수신되는 전염병 관련 정보들을 도 10a - 도 10b와 같이 표시부에 표시할 수 있다. 따라서 사용자는 표시되는 전염병 관련 정보를 확인하고, 자신의 이동 경로를 설정할 수 있다. 도 10a는 사용자 장치(160)에 표시되는 전염병 관련 정보의 예로써, 감염 위험 지역(1011), 감염 위험 경로(1013)를 표시하고, 이들을 회피하여 이동할 수 있는 우회경로(1015)를 표시할 수 있으며, 전염병에 안전한 안전구역(1017)을 표시할 수 있다.
또한 다양한 실시예들에 따르면, 정보 제공 모듈(150)은 네비게이션 시스템과 연동하여 전염병 관련 정보를 제공할 수 있다. 예를들면, 사용자가 전자장치를 구동하여 출발지 및 목적지를 포함하는 이동 경로 정보를 입력하면, 정보 제공 모듈(150)은 네비게이션 시스템을 통해 이를 수신하고, 913 단계 - 917 단계를 수행하면서 사용자의 이동 경로 상에 관련된 전염병 관련 정보를 생성할 수 있다. 정보 제공 모듈(150)은 전염병 관련 정보를 사용자 장치(160)에 직접 전송할 수 있다. 또는 정보 제공 모듈(150)은 전염병 관련 정보를 네비게이션 시스템에 전송하고, 네비게이션 시스템은 이동 경로에 관련되는 네이비게이션 정보와 함께 전염병 관련 정보를 함께 전송할 수 있다.
정보 제공 모듈(150)이 전염병 관련 정보를 919단계에서 전송하면, 사용자 장치(160)은 이를 수신하여 도 10b와 같이 지도의 이동 경로 상에 전염병 관련 정보를 표시할 수 있다. 이때 표시되는 전염병 관련정보는 참조번호 1051- 1055에 도시된 바와 같이 감염 위험 지수를 표시하여 사용자가 이동 경로를 선택할 수 있도록 할 수 있다. 예를들면, 경로 1(1051)은 안전 경로인 경로3(1055)에 비해 도착 시간은 빠르지만 감염 위험지수가 매우 높게 설정되어, 경로 1(1051)을 통해 이동하면 감염될 확률이 높음을 사용자에게 알릴 수 있다. 따라서 사용자는 도 10b와 같이 표시되는 네비게이션 정보(감염 위험 지수를 포함하는 정보)를 확인하고, 시간이 더 걸리더라도 안전 경로인 경로3(1055)을 선택할 수 있다.
상기한 바와 같이 다양한 실시예들은 교통 및 의료 데이터를 구축하고, 네트워크 분석을 통해 전염병 확산 예측 모델을 구현할 수 있으며, 활동 기반 시뮬레이션을 이용한 전염 경로 모니터링을 할 수 있다. 교통 및 의료 데이터 구축 방법은 교통 및 의료 데이터의 웨어하우스를 구축하고, 개인별 통행 특성을 분석하며, 합성인구 생성 알고리듬을 이용한 가상 인구 집단을 구축하고, 최적 경로 알고리듬을 이용한 이동 경로 예측 기법을 연구할 수 있다. 네트워크 분석 기법은 인카운터 및 스케일-프리 네트워크 기법을 포함할 수 있다. 인카운터 네트워크 기법을 통해 인카운터 그룹별 접촉 단계 및 감염 위험도 간의 관계 분석 및 확산 경로 분석 예측 프로세스를 구축할 수 있으며, 스케일-프리 네트워크 기법을 통해 대중 교통 이용객 집중 지역을 분석하여 방재 우선 순위를 수립할 수 있다. 전염 확산 모니터링 방법은 활동 기반 시뮬레이션 구축 및 단계별 정보 제공 전략을 수립할 수 있으며, 전염 시나리오에 따른 분석 및 평가 기능을 수행할 수 있으며, 미시적 교통 시뮬레이션을 통한 전염병 확산 모니터링 시스템의 성능 평가 및 적용 가능성을 제공할 수 있다.
상기한 바와 같이 다양한 실시예들은 대중 교통 이용객들의 통행 패턴 분석을 통해 전염병 경로를 예측할 수 있다. 먼저 이용객 통행 패턴을 통해 미시적 전염병 지역 및 확산 예측 경로를 분석하여 대중 교통의 신뢰성을 증대시킬 수 있으며, 전염병 확산 지역, 위험 루트, 대안 경로 등을 실시간으로 제공하여 건강 복지를 향상시킬 수 있다.
이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.
Claims (12)
- 교통 네트워크에 기반하여 질병 위험 지역을 감시하는 장치에 있어서,
대중 교통을 포함하는 교통수단을 이용하는 사용자 정보들을 수집하여, 대중교통 사용자의 통행 패턴 분석을 위한 대중교통 환승 통행 정보를 포함하는 이동 정보를 제공하는 교통 모듈;
질병 감염된 사용자 정보들을 수집하여, 대중교통을 이용해 병원을 방문한 환자의 통행 패턴 분석을 위한 의료 데이터를 포함하는 감염자의 의료 정보를 제공하는 의료 모듈; 및
상기 이동 정보 및 상기 의료 정보를 융합하여 질병의 확산 경로를 예측하는 분석/예측 모듈을 포함하며,
상기 분석/예측 모듈은
상기 교통 모듈 및 상기 의료 모듈로부터 상기 이동 정보 및 상기 의료 정보를 수집하여 빅데이터의 데이터 웨어하우스를 구축하고, 수집된 빅데이터에 기초해 감염자의 의료 정보 및 교통 정보를 융합하며, 상기 융합된 정보에 기초하는 인카운터 네트워크 분석을 통해 감염자의 통행 패턴, 감염자와 타인 간의 접촉 정도, 및 감염자에 접촉된 감염 위험 그룹을 분석하며, 상기 인카운터 네트워크 분석 결과값에 기초하는 미시적 교통 시뮬레이션 분석을 통해 개별 에이전트의 행동을 시뮬레이션하여 전염병 위험 지역 및 확산 경로를 예측하며, 전염병 확산을 모니터링하는 것을 특징으로 하는
장치.
- 제1항에 있어서,
상기 분석/예측 모듈은
스케일-프리 네트워크 분석을 통해 환승 통행량이 높은 혼잡지역을 선별하여 위험지역 및 방재 지역의 우선 순위를 설정하는 것을 특징으로 하는
장치.
- 제1항에 있어서,
상기 분석/예측 모듈은
상기 인카운터 네트워크 분석시 동일한 정류장 및/또는 역사에서 감염자의 대중 교통 이용 시간에 접촉되는 비감염자의 대중 교통 이용시간을 분석하여 인카운터 그룹을 생성하고, 인카운터 그룹별 접촉단계 및 감염 위험도 간의 관계를 분석하여 인카운터 네트워크 모델을 생성하는 것을 특징으로 하는
장치.
- 교통 네트워크에 기반하여 질병 위험 지역을 감시하는 방법에 있어서,
대중 교통을 포함하는 교통수단을 이용하는 사용자 정보들을 수집하여, 대중교통 사용자의 통행 패턴 분석을 위한 대중교통 환승 통행 정보를 포함하는 이동 정보를 수집하는 단계;
질병 감염된 사용자 정보들을 수집하여, 대중교통을 이용해 병원을 방문한 환자의 통행 패턴 분석을 위한 의료 데이터를 포함하는 감염자의 의료 정보를 수집하는 네트워크 분석 단계;
상기 이동 정보 및 상기 의료 정보에 관한 빅데이터의 데이터 웨어하우스를 구축하고, 수집된 빅데이터에 기초해 감염자의 의료 정보 및 교통 정보를 융합하는 단계;
상기 융합된 정보에 기초하는 인카운터 네트워크 분석을 통해, 감염자의 통행 패턴, 감염자와 타인 간의 접촉 정도, 및 감염자에 접촉된 감염 위험 그룹을 분석하는 단계; 및
상기 인카운터 네트워크 분석 결과값에 기초하는 미시적 교통 시뮬레이션 분석을 통해 개별 에이전트의 행동을 시뮬레이션하여, 전염병 위험 지역 및 확산 경로를 예측하며 전염병 확산을 모니터링하는 단계
를 포함하는 방법.
- 제4항에 있어서,
상기 네트워크 분석 단계는
스케일-프리 네트워크 분석을 통해 환승 통행량이 높은 혼잡지역을 선별하여 위험지역 및 방재 지역의 우선 순위를 설정하는 단계를 더 포함하는 방법.
- 제4항에 있어서,
상기 네트워크 분석 단계는
상기 인카운터 네트워크 분석시 동일한 정류장 및/또는 역사에서 감염자의 대중 교통의 이용 시간에 접촉되는 비감염자의 대중 교통 이용시간을 분석하여, 인카운터 그룹을 생성하는 단계; 및
인카운터 그룹별 접촉단계 및 감염 위험도 간의 관계를 분석하여, 인카운터 네트워크 모델을 생성하는 단계를 포함하는
방법.
- 교통 네트워크에 기반하여 질병 위험 지역을 감시하는 장치에 있어서,
대중교통 사용자의 통행 패턴 분석을 위한 대중교통 환승 통행 정보를 포함하며 교통 모듈로부터 수집되는 이동 정보와 대중교통을 이용해 병원을 방문한 환자의 통행 패턴 분석을 위한 의료 데이터를 포함하며 의료 모듈로부터 수집되는 의료 정보를 융합하고, 상기 융합된 정보에 기초하는 인카운터 네트워크 분석을 통해 감염자의 통행 패턴, 감염자와 타인 간의 접촉 정도, 및 감염자에 접촉된 감염 위험 그룹을 분석하여 전염병 위험 지역 및 확산 경로를 예측하며, 전염병 확산을 모니터링하는 분석/예측 모듈;
이동 경로의 전염병 정보를 요청하는 사용자 장치; 및
상기 사용자 장치로부터 전염병 정보 요청을 수신하는 경우에, 상기 분석/예측 모듈로부터 수신되는 정보를 이용해 상기 이동 경로의 전염병 위험 지역 및 확산 예측 경로 정보를 상기 사용자 장치에 전송하는 정보 제공 모듈을 포함하는
장치.
- 제7항에 있어서,
상기 정보 제공 모듈은
상기 사용자 장치로부터 수신되는 출발 및 목적지 정보에 기반하는 이동 경로의 전염병 위험 지역 및 확산 예측 경로가 분석되고 상기 이동 경로에 상기 전염병 위험 지역 또는 상기 확산 예측 경로가 포함되면, 우회 경로 정보를 상기 사용자 장치에 전송하는
장치.
- 제7항에 있어서,
상기 정보 제공 모듈은 네비게이션 시스템을 통해 상기 사용자 장치의 이동 경로 정보를 수신하면 상기 사용자 장치에 전염병 위험 지역 및 우회 경로를 포함하는 경로 정보를 상기 네비게이션 시스템을 통해 제공하며,
상기 경로 정보는 경로의 감염 위험 지수 정보를 포함하는
장치.
- 교통 네트워크에 기반하여 질병 위험 지역을 감시하는 방법에 있어서,
대중교통 사용자의 통행 패턴 분석을 위한 대중교통 환승 통행 정보를 포함하며 교통 모듈로부터 수집되는 이동 정보와 대중교통을 이용해 병원을 방문한 환자의 통행 패턴 분석을 위한 의료 데이터를 포함하며 의료 모듈로부터 수집되는 의료 정보를 융합하고, 상기 융합된 정보에 기초하는 인카운터 네트워크 분석을 통해 감염자의 통행 패턴, 감염자와 타인 간의 접촉 정도, 및 감염자에 접촉된 감염 위험 그룹을 분석하여 전염병 위험 지역 및 확산 경로를 예측하며, 전염병 확산을 모니터링하는 단계;
사용자 장치로부터 출발지 및 목적지를 포함하는 이동 경로의 전염병 정보 요청을 수신하는 단계; 및
상기 사용자 장치의 이동 경로에 관한 전염병 위험 지역 및/또는 확산 예측 경로 정보를 생성하여 상기 사용자 장치에 전송하는 단계
를 포함하는 방법.
- 제10항에 있어서,
상기 사용자 장치에 전송하는 단계는
상기 사용자 장치로부터 수신되는 출발 및 목적지 정보에 기반하는 이동 경로의 전염병 위험 지역 및 확산 예측 경로가 분석되고 상기 이동 경로에 상기 전염병 위험 지역 또는 상기 확산 예측 경로가 포함되면, 우회 경로 정보를 상기 사용자 장치에 전송하는 단계를 포함하는
방법.
- 제10항에 있어서,
상기 사용자 장치에 전송하는 단계는
상기 사용자 장치의 이동 경로 정보가 네비게이션 시스템을 통해 수신되면, 상기 사용자 장치에 전염병 위험 지역 및 우회 경로를 포함하는 경로 정보를 상기 네비게이션 시스템을 통해 제공하는 단계를 포함하며,
상기 경로 정보는 대응 경로의 감염 위험 지수 정보를 포함하는
방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170064134A KR101885031B1 (ko) | 2017-05-24 | 2017-05-24 | 교통 네트워크에 기반하여 질병 위험 지역을 감시하고 정보를 제공하는 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170064134A KR101885031B1 (ko) | 2017-05-24 | 2017-05-24 | 교통 네트워크에 기반하여 질병 위험 지역을 감시하고 정보를 제공하는 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101885031B1 true KR101885031B1 (ko) | 2018-08-03 |
Family
ID=63250345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170064134A KR101885031B1 (ko) | 2017-05-24 | 2017-05-24 | 교통 네트워크에 기반하여 질병 위험 지역을 감시하고 정보를 제공하는 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101885031B1 (ko) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110147419A (zh) * | 2019-04-25 | 2019-08-20 | 中国科学院深圳先进技术研究院 | 基于地铁空间的传染病扩散分析方法及系统 |
| CN111755124A (zh) * | 2020-07-01 | 2020-10-09 | 电子科技大学 | 一种用于疫情时期的学生返校管理方法 |
| JP2021508896A (ja) * | 2020-03-09 | 2021-03-11 | 中国民用航空総局第二研究所Ｔｈｅ Ｓｅｃｏｎｄ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｒｅ Ｏｆ Ｃａａｃ | 疫病期間中の公共場所における潜在感染者の追跡方法、装置及びシステム |
| CN112712903A (zh) * | 2021-01-15 | 2021-04-27 | 杭州中科先进技术研究院有限公司 | 一种基于人机物三元空间协同感知的传染病监测方法 |
| CN112750536A (zh) * | 2020-12-25 | 2021-05-04 | 南京医科大学 | 世界各国新发呼吸道传染病的风险评估系统 |
| KR20210080829A (ko) | 2019-12-23 | 2021-07-01 | 디노플러스 (주) | Ict기반 감염병 자가격리자 원격 감시시스템 |
| KR20210132445A (ko) | 2020-04-27 | 2021-11-04 | 주식회사 원더풀플랫폼 | 크래들을 이용한 격리자 관리 방법 및 시스템 |
| KR20210132456A (ko) | 2020-04-27 | 2021-11-04 | 주식회사 원더풀플랫폼 | 격리자 관리 방법 및 시스템 |
| KR20210142924A (ko) | 2020-05-19 | 2021-11-26 | 주식회사 원더풀플랫폼 | 웨어러블 및 크래들을 이용한 격리자 관리 방법 및 시스템 |
| KR20210143510A (ko) | 2020-05-20 | 2021-11-29 | 강석휘 | 결속끈 마감처리 장치 |
| WO2022020629A1 (en) * | 2020-07-22 | 2022-01-27 | Pandemic Insights, Inc. | Enriching geographic-information systems with geolocation attributes to enhance accuracy of pandemic-bio-surveillance multi pathogen systems |
| CN114694848A (zh) * | 2022-02-22 | 2022-07-01 | 灌云县四队中心卫生院 | 一种用于疫情防控的电子信息采集系统 |
| KR20220138656A (ko) * | 2021-04-06 | 2022-10-13 | 서울시립대학교 산학협력단 | 질병 감염 위험도에 기반한 대중교통 경로 안내 장치, 대중교통 경로 안내 방법 및 대중교통 경로 안내 시스템 |
| KR20230039837A (ko) * | 2021-09-13 | 2023-03-22 | 고려대학교 산학협력단 | 감염병 시뮬레이션 장치 및 방법 |
| CN117594248A (zh) * | 2023-12-02 | 2024-02-23 | 北京中数睿智科技有限公司 | 一种适用于多方联控的大数据处理方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110028902A (ko) * | 2009-09-14 | 2011-03-22 | 엘지전자 주식회사 | 휴대 단말기에서 네비게이션과 관련된 정보를 제공하는 방법 및 그 휴대 단말기 |
| KR101522683B1 (ko) * | 2014-07-08 | 2015-05-27 | 렉스젠(주) | 객체 추적 및 분석을 위한 프로파일링 장치 및 그 방법 |
| KR20160052891A (ko) * | 2014-10-29 | 2016-05-13 | 주식회사 큐브인 | 상황 인식 기반 지능형 피난안내 시스템 |
| KR20170053145A (ko) * | 2015-11-05 | 2017-05-15 | 고려대학교 산학협력단 | 전염병 예방과 확산 방지를 위한 전염병 추적 관리 시스템 |
-
2017
- 2017-05-24 KR KR1020170064134A patent/KR101885031B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110028902A (ko) * | 2009-09-14 | 2011-03-22 | 엘지전자 주식회사 | 휴대 단말기에서 네비게이션과 관련된 정보를 제공하는 방법 및 그 휴대 단말기 |
| KR101522683B1 (ko) * | 2014-07-08 | 2015-05-27 | 렉스젠(주) | 객체 추적 및 분석을 위한 프로파일링 장치 및 그 방법 |
| KR20160052891A (ko) * | 2014-10-29 | 2016-05-13 | 주식회사 큐브인 | 상황 인식 기반 지능형 피난안내 시스템 |
| KR20170053145A (ko) * | 2015-11-05 | 2017-05-15 | 고려대학교 산학협력단 | 전염병 예방과 확산 방지를 위한 전염병 추적 관리 시스템 |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110147419A (zh) * | 2019-04-25 | 2019-08-20 | 中国科学院深圳先进技术研究院 | 基于地铁空间的传染病扩散分析方法及系统 |
| KR20210080829A (ko) | 2019-12-23 | 2021-07-01 | 디노플러스 (주) | Ict기반 감염병 자가격리자 원격 감시시스템 |
| JP2021508896A (ja) * | 2020-03-09 | 2021-03-11 | 中国民用航空総局第二研究所Ｔｈｅ Ｓｅｃｏｎｄ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｒｅ Ｏｆ Ｃａａｃ | 疫病期間中の公共場所における潜在感染者の追跡方法、装置及びシステム |
| KR20210132445A (ko) | 2020-04-27 | 2021-11-04 | 주식회사 원더풀플랫폼 | 크래들을 이용한 격리자 관리 방법 및 시스템 |
| KR20210132456A (ko) | 2020-04-27 | 2021-11-04 | 주식회사 원더풀플랫폼 | 격리자 관리 방법 및 시스템 |
| KR20210142924A (ko) | 2020-05-19 | 2021-11-26 | 주식회사 원더풀플랫폼 | 웨어러블 및 크래들을 이용한 격리자 관리 방법 및 시스템 |
| KR20220038641A (ko) | 2020-05-20 | 2022-03-29 | 강석휘 | 결속끈 마감처리 장치 |
| KR20210143510A (ko) | 2020-05-20 | 2021-11-29 | 강석휘 | 결속끈 마감처리 장치 |
| CN111755124A (zh) * | 2020-07-01 | 2020-10-09 | 电子科技大学 | 一种用于疫情时期的学生返校管理方法 |
| CN111755124B (zh) * | 2020-07-01 | 2024-01-26 | 电子科技大学 | 一种用于疫情时期的学生返校管理方法 |
| WO2022020620A1 (en) * | 2020-07-22 | 2022-01-27 | Pandemic Insights, Inc. | Personal and corporate pathogen-risk assessment with pandemic-bio-surveillance multi pathogen systems |
| WO2022020628A1 (en) * | 2020-07-22 | 2022-01-27 | Pandemic Insights, Inc. | Privacy-protecting pandemic-bio-surveillance multi pathogen systems |
| WO2022020629A1 (en) * | 2020-07-22 | 2022-01-27 | Pandemic Insights, Inc. | Enriching geographic-information systems with geolocation attributes to enhance accuracy of pandemic-bio-surveillance multi pathogen systems |
| US11397861B2 (en) | 2020-07-22 | 2022-07-26 | Pandemic Insights, Inc. | Privacy-protecting pandemic-bio-surveillance multi pathogen systems |
| US11586825B2 (en) | 2020-07-22 | 2023-02-21 | Pandemic Insights, Inc. | Geolocation pathogen-risk assessment with pandemic-bio-surveillance multi pathogen systems |
| CN112750536A (zh) * | 2020-12-25 | 2021-05-04 | 南京医科大学 | 世界各国新发呼吸道传染病的风险评估系统 |
| CN112750536B (zh) * | 2020-12-25 | 2024-03-29 | 南京医科大学 | 世界各国新发呼吸道传染病的风险评估系统 |
| CN112712903A (zh) * | 2021-01-15 | 2021-04-27 | 杭州中科先进技术研究院有限公司 | 一种基于人机物三元空间协同感知的传染病监测方法 |
| KR20220138656A (ko) * | 2021-04-06 | 2022-10-13 | 서울시립대학교 산학협력단 | 질병 감염 위험도에 기반한 대중교통 경로 안내 장치, 대중교통 경로 안내 방법 및 대중교통 경로 안내 시스템 |
| KR102518725B1 (ko) * | 2021-04-06 | 2023-04-05 | 서울시립대학교 산학협력단 | 질병 감염 위험도에 기반한 대중교통 경로 안내 장치, 대중교통 경로 안내 방법 및 대중교통 경로 안내 시스템 |
| KR102597572B1 (ko) * | 2021-09-13 | 2023-11-03 | 고려대학교 산학협력단 | 감염병 시뮬레이션 장치 및 방법 |
| KR20230039837A (ko) * | 2021-09-13 | 2023-03-22 | 고려대학교 산학협력단 | 감염병 시뮬레이션 장치 및 방법 |
| CN114694848B (zh) * | 2022-02-22 | 2023-11-14 | 灌云县四队中心卫生院 | 一种用于疫情防控的电子信息采集系统 |
| CN114694848A (zh) * | 2022-02-22 | 2022-07-01 | 灌云县四队中心卫生院 | 一种用于疫情防控的电子信息采集系统 |
| CN117594248A (zh) * | 2023-12-02 | 2024-02-23 | 北京中数睿智科技有限公司 | 一种适用于多方联控的大数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101885031B1 (ko) | 교통 네트워크에 기반하여 질병 위험 지역을 감시하고 정보를 제공하는 장치 및 방법 | |
| Ghayvat et al. | Recognizing suspect and predicting the spread of contagion based on mobile phone location data (counteract): a system of identifying covid-19 infectious and hazardous sites, detecting disease outbreaks based on the internet of things, edge computing, and artificial intelligence | |
| Wang et al. | Spatial epidemiology of networked metapopulation: An overview | |
| Wang et al. | Modeling emergency medical response to a mass casualty incident using agent based simulation | |
| US20170024531A1 (en) | Systems and methods for near-real or real-time contact tracing | |
| Chen et al. | Optimal team deployment in urban search and rescue | |
| US9141762B2 (en) | System and method for analyzing and controlling epidemics | |
| Na et al. | A disaster evacuation network model for transporting multiple priority evacuees | |
| Laskowski et al. | Agent-based simulation of emergency departments with patient diversion | |
| Lee et al. | Advancing public health and medical preparedness with operations research | |
| Bóta et al. | Identifying critical components of a public transit system for outbreak control | |
| Tsui et al. | Tracking infectious disease spread for global pandemic containment | |
| Arino | Describing, modelling and forecasting the spatial and temporal spread of COVID-19: A short review | |
| Park et al. | Analysis of travel mobility under Covid-19: Application of network science | |
| Silva et al. | A city cluster risk-based approach for Sars-CoV-2 and isolation barriers based on anonymized mobile phone users' location data | |
| Yang et al. | Computational decision-support tools for urban design to improve resilience against COVID-19 and other infectious diseases: A systematic review | |
| Karaarslan et al. | An artificial intelligence–based decision support and resource management system for COVID-19 pandemic | |
| Zhao et al. | Cyber-physical spatial temporal analytics for digital twin-enabled smart contact tracing | |
| Wang et al. | Large-scale emergency medical services scheduling during the outbreak of epidemics | |
| Karatas et al. | Transportation and location planning during epidemics/pandemics: Emerging problems and solution approaches | |
| Jia et al. | Spatial decision support systems for hospital layout design: A review | |
| Zhu et al. | Using a hybrid simulation model to assess the impacts of combined COVID-19 containment measures in a high-speed train station | |
| Talekar et al. | Cohorting to isolate asymptomatic spreaders: An agent-based simulation study on the Mumbai Suburban Railway | |
| Tang et al. | A topology-based evaluation of resilience on urban road networks against epidemic spread: Implications for COVID-19 responses | |
| Vogel et al. | Mining mobile datasets to enable the fine-grained stochastic simulation of Ebola diffusion |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |