一种基于疫情信息管理与分析的方法及系统

1.本发明属于数据处理和计算机软件技术领域，尤其涉及一种基于疫情信息的管理与分析的方法及系统。


背景技术：

2.精准防疫措施对于疫情之下的国民生活更加友好且适用。因此本发明从如何实现判断疫情源头、实时浏览疫情地图、预测疫情传播趋势出发，分析疫情传播链，建立疫情信息管理与分析平台，目的在于将疫情爆发-疫情传播
‑ꢀ
疫情预测三个阶段的信息直观有效地展示，实现疫情的信息化，为有关部门以及广大市民科学有效地精准防疫提供支持。
3.由于java技术的不断成熟，所以它在本次疫情管理系统中是非常重要的，本系统的开发主要是基于服务端采用java、 b/s结构和mysql数据库进行开发设计的。通过对这些技术进行使用，从而保证了系统的完整性和简单性。并且在数据库中保证数据的安全性和稳定性。
4.疫情管理与分析系统通过和数据库管理系统协作来实现数据的管理与分析，其中疫情来源分析采用rossmo模型进行分析，rossmo模型最初被提出是运用在犯罪学中，用此概率模型对连环犯罪案中的凶手进行居住位置的确定，在本发明中类比此例，可以用来确认疫情爆发来源。疫情预测采用seir 模型进行预测，seir模型在流行病学、基础研究等领域被广泛应用，并取得了一些较为显著的研究成果，seir模型根据传染病的传播扩散原理，利用微分方程组建立模型，预测传染病的传播规律和发展趋势。


技术实现要素：

5.本发明针对上述问题，为了提高疫情管理的效率，提供一种基于疫情信息管理的方法及系统。本发明成果可以应用于疫情管理的相关领域，为有关部门科学抗议防疫提供支持。为实现上述目的，本发明包括如下步骤：
6.s1：用户信息管理模块，用户可以实现登录和注册，进入系统，其中管理员用户可以进入后台对登录的用户进行管理，以及对整个系统的疫情数据进行添加、删除、修改、查询；
7.s2：疫情信息浏览模块，用于展示研究区域的疫情信息，通过echarts技术用直方图、表格等方式展示研究区域疫情的变化情况，包括确诊人数、疑似人数、隔离人数、治愈人数、死亡人数，同时为方便市民浏览更多信息，提供一键跳转功能，点击后直接跳转到疫情每日新闻通报页面，疫情新闻来自管理员的后台录入；
8.s3：疫情地图浏览模块，用于实现对当前用户的定位，用地图的方式将获取的原始疫情数据(确诊病例的位置、确诊时间、行程轨迹等相关描述)，用户通过地图可查看确诊病例和封控小区的空间分布情况和周边环境，获取周边最近的门诊医院、超市菜场等民生信息，实现疫情数据的地图可视化；
9.s4：疫情风险等级判断模块，系统通过展示确诊人员的公开行动轨迹，准确定位到
确诊病例常住的小区和场所，通过对疫情案例的空间分析，综合分析出当前用户区域的疫情风险等级，为小区居民提供科学防护依据，引导市民进行相应的隔离处置措施；
10.s5：疫情来源分析模块，通过上述获得的研究区域不同确诊患者的地理位置，其中，经纬度数据经过数据归一化处理建立rossmo数学模型，求得病源在第ij个区域的可能性，从而确定病源范围，预测其最可能的地理位置；
11.s6：疫情预测分析模块，通过获得的疫情原始数据，建立 seir模型，确定研究区域易感人群、潜伏人群、感染人群、移除人群的数量，对疫情的传播进行模拟，预测本轮疫情的发展情况。
12.进一步的，所述的步骤s1包括以下步骤：
13.(1)前端采用ajax方法将登录信息发送到后端，shiro框架完成后端登录确认。
14.(2)后端读取用户名和密码，进行登录确认：首先从数据库中读取相应帐号密码，若没有该帐号，则传回空值，若有，用户信息被读取；然后，无论成功与否，都会传回包含登录验证成功或失败的信息；最后，通过控制类来判定是否能进行登陆跳转或返回登录界面。
15.所述的s2包括以下步骤：
16.(1)数据获取：从目标区域卫生健康委员会获取目标区域每日确诊人数、疑似人数、隔离人数、治愈人数、死亡人数。
17.(2)数据录入：将获取的数据存储于my sql数据库。
18.(3)数据展示：客户端通过ajax发送请求；控制层controller 接收请求；获取mysql数据，转为json格式并返回给客户端；客户端接收数据后显示。
19.进一步的，所述的步骤s3包括以下步骤：
20.(1)数据获取：从目标区域卫生健康委员会爬取目标区域从疫情爆发到疫情结束，一个完整周期内的疫情原始数据，具体的使用数据项包括患者编号、日期、地点名称、经纬度坐标 (poi地址解析)和详细的轨迹描述。
21.(2)数据处理：对获取到的自然语言的数据(如患者id、日期、所在地点)进行结构的调整，转化为半结构化数据或结构化数据，经纬度坐标通过百度地图api接口geocoder()进行地址解析得到。
22.(3)数据清洗：部分患者的轨迹点分布于非当前研究区域，也有的地址存在部分“同名”现象，使用百度api进行地址解析时，对范围的界定设为当前研究区域，都会有一部分轨迹点位置出现错误，因此通过对解析错误点使用“百度坐标拾取系统”进行经纬度修改。
23.(4)数据入库：将上述获得的疫情数据录入mysql数据库。
24.(5)数据显示：创建地图，调用百度地图api，实现对当前用户的定位，并且在地图中展示步骤3.4所述的疫情信息。
25.进一步的，所述的步骤s4包括以下步骤：
26.(1)创建基本地图，设置地图中心点坐标为当前研究区域，缩放级别为12，开启滚轮缩放，添加地图样式控件、缩放/平移控件和鹰眼缩略图控件。
27.(2)显示所有轨迹点，通过遍历数据库中关于轨迹点的记录，取出索引值为3和4的分别代表经纬度坐标并创建点击事件(event)将该点的索引值为1和2的值取出保存在信息窗口，并作为解释信息在系统中显示。
28.(3)创建疫情热力图，在系统中引入heatmap_min.js文件，后将轨迹点的经纬度坐标遍历提取，对按钮添加点击事件。
29.进一步的，所述的步骤s5包括以下步骤：
30.(1)将需要处理的地区划分为i
×
j个小区域，构建rossmo 公式，如下：
[0031][0032]
b＝r＝l/2.5n
ꢀꢀꢀ
(2)
[0033][0034]
式中：p
ij
是病源在区域ij的可能性；n是疫情发生总数； xi,yi是区域ij的坐标；xn,yn是第n个地点的坐标；b是缓冲区域的半径；φ是权重系数；k,f,g是参数，用来调节距离影响。
[0035]
(2)通过rossmo公式，可以得到病源在各个区域的可能性矩阵p
ij
，令k＝1得到p
ij
矩阵。
[0036]
(3)不同情况p
ij
的最大值不同，p
ij
元素范围不同，使得最后概率分布图差别很大，因此需要将p
ij
中的元素进行归一化处理。具体过程如下：
[0037]
令：
[0038]
则：p
ij
＝p
ij
×
h≤1
ꢀꢀꢀ
(5)
[0039]
即：
[0040]
(4)根据处理后的p
ij
矩阵，通过matlab画出概率分布图。
[0041]
(5)概率分布图与疫情地图叠合分析，推测研究区域此次疫情爆发的源头，将此源头通过地图标记的方式在系统中展示。
[0042]
进一步的，所述的步骤s6包括以下步骤：
[0043]
(1)模型的建立：分为控制前阶段和控制后阶段。
[0044]
控制前阶段：
[0045]
(a)正常人
‑‑
疑似患者
[0046]
在控制之前，病人还没有被隔离，所以病情发展快，设每个感染者接触r个正常人，如果t时刻病人数量为i(t)，则新增疑似患者人数为：δe＝r
·
i(t)
·
δt。
[0047]
(b)疑似患者
‑‑
潜伏期
[0048]
疑似患者中有病毒携带者，也有非病毒携带者，病毒携带者会进入潜伏期。设疑似患者中病毒携带者占比为λ，设t时刻疑似患者为e(t)，潜伏期患者为q(t)，则q(t)＝e(t)
·
λ，新增潜伏期人数为：δq＝δe
·
λ。
[0049]
(c)潜伏期
‑‑
确诊患者
[0050]
设潜伏期病人变成确诊病人以指数形式出现的特性为β1。新增确诊数：δq＝δe
·
λ，如果潜伏期天数从a1到a2，就会出现一个稳定的状态，那么，随着时间的推移，潜伏期
病人数量会以指数形式递增，每天有1-(1-1/(a
2-a1))e-t
的人变为确诊患者，即β1＝1-(1-1/(a
2-a1))e-t
。所以新增患者人数：
[0051]
δi＝(1-(1-1/(a
2-a1))e-t
)
·
δq
·
δt。
[0052]
(d)确诊患者
‑‑
治愈、死亡
[0053]
假设t是离开系统的治愈者和死亡者，治疗时间为a3，则a3天后病人死亡或者痊愈，被治愈的人会产生抗体，不考虑再会被感染，因此，被治愈的人和死亡的人退出模型。设退出率为 a3，则有退出人数δt＝i(t)
·
β2·
δt。β2的求解方法与β1相同，即随着天数的增加退出传染系统的人数也越来越多，则β2＝1-(1-1/(1-a3))e-t
。故新退出传染系统的人数：δt＝(1-1/a3)e-t
i(t)
·
δt。
[0054]
根据上述(a)
‑‑
(d)的式子可以推出：
[0055][0056]
所以得出以下公式：
[0057][0058]
控制后阶段：
[0059]
在控制后的疫情发展中，所有的确诊接受治疗，所有的疑似被隔离，只有没有被隔离的感染者仍然具有感染别人的可能性。对疫情在δt时期的发展和变化进行分析：
[0060]
(a)正常人
‑‑
疑似患者
[0061]
在控制之后，病人被隔离，因此，病毒的传播速度会变慢，病人每天会接触到δe＝r
′
·
i(t)
·
δt个正常人，受隔离的程度影响，接触率r
′
变小，r
′
与隔离强度p有关，呈指数分布，所以 r
′
＝r
·
e-pt
，故新增疑似患者的数目：δe＝r
·
e-pt
i(t)
·
δt。
[0062]
(b)疑似患者
‑‑
潜伏期
[0063]
控制后阶段，疑似患者中病毒携带者占疑似患者的比例不会改变。假设t时刻疑似患者人数为e(t)，潜伏期患者人数为 q(t)＝e(t)
·
u，新增潜伏期人数为：δq(t)＝δe
·
u。
[0064]
(c)潜伏期
‑‑
确诊患者
[0065]
潜伏期患者变为确诊患者的过程与控制前时刻相同，所以新增患者人数：δi＝(1-(1-1/(a
2-a1))e-t
)
·
δq
·
δt。
[0066]
(d)确诊患者
‑‑
治愈者、死亡者
[0067]
退出传染系统的人数不变，新增退出传染系统的人数：δt＝(1-1/a3)e-t
i(t)
·
δt。
[0068]
根据上述(a)
‑‑
(d)可进一步求得出：
[0069][0070]
所以得出以下公式：
[0071][0072]
(2)模型求解
[0073]
对该模型采用matlab中的ode函数进行求解。首先，将模型进行规范化，引入相关的参数，建立微分方程组；其次通过调用ode函数，获得解向量；然后用plot函数绘制解向量，就可以得出不同群体随时间的变化。
[0074]
(3)模型导入
[0075]
将概率分布图与疫情地图综合分析，推测研究区域此次疫情发展的趋势，将各个人群数量随时间的变化用图的方式在系统中展示。
[0076]
本发明提供的系统前端框架采用bootstrap lay ui组件，后端采用java语言，辅助以ssm框架，数据库采用mysql；系统包括用户信息管理模块、疫情信息浏览模块、疫情地图浏览模块、疫情风险等级判断模块、疫情来源分析模块、疫情预测分析模块，其中疫情信息浏览运用echarts技术进行图表展示，疫情来源分析采用rossmo模型进行分析，疫情预测采用 seir模型进行预测。发明在于提供一种疫情管理效果好、疫情分析预测准确、可以直观高效地管理与分析疫情数据的信息管理与分析的方法及系统。
附图说明
[0077]
本发明内容的描述与下面附图相结合将变得明显和容易理解，其中：
[0078]
图1为本发明一种基于疫情信息管理与分析的方法及系统流程图。
具体实施方式
[0079]
按图1所示步骤，对本发明一种基于疫情信息管理与分析的方法及系统进行详细说明。
[0080]
步骤1：用户信息管理模块。包括以下具体步骤：
[0081]
(1)前端采用ajax方法将登录信息发送到后端，shiro框架完成后端登录确认。
[0082]
(2)后端读取用户名和密码，进行登录确认：首先从数据库中读取相应帐号密码，若没有该帐号，则传回空值，若有，用户信息被读取；然后，无论成功与否，都会传回包含登录验证成功或失败的信息；最后，通过控制类来判定是否能进行登陆跳转或返回登录界面。
[0083]
步骤2：疫情信息浏览模块。包括以下具体步骤：
[0084]
(1)数据获取：从目标区域卫生健康委员会获取目标区域每日确诊人数、疑似人
数、隔离人数、治愈人数、死亡人数。
[0085]
(2)数据录入：将获取的数据存储于my sql数据库。
[0086]
(3)数据展示：客户端通过ajax发送请求；控制层controller 接收请求；获取mysql数据，转为json格式并返回给客户端；客户端接收数据后显示。
[0087]
步骤3：疫情地图浏览模块。包括以下具体步骤：
[0088]
(1)数据获取：从目标区域卫生健康委员会爬取目标区域从疫情爆发到疫情结束，一个完整周期内的疫情原始数据，具体的使用数据项包括患者编号、日期、地点名称、经纬度坐标 (poi地址解析)和详细的轨迹描述。
[0089]
(2)数据处理：对获取到的自然语言的数据(如患者id、日期、所在地点)进行结构的调整，转化为半结构化数据或结构化数据，经纬度坐标通过百度地图api接口geocoder()进行地址解析得到。
[0090]
(3)数据清洗：部分患者的轨迹点分布于非当前研究区域，也有的地址存在部分“同名”现象，使用百度api进行地址解析时，对范围的界定设为当前研究区域，都会有一部分轨迹点位置出现错误，因此通过对解析错误点使用“百度坐标拾取系统”进行经纬度修改。
[0091]
(4)数据入库：将上述获得的疫情数据录入mysql数据库。
[0092]
(5)数据显示：创建地图，调用百度地图api，实现对当前用户的定位，并且在地图中展示步骤(4)所述的疫情信息。
[0093]
步骤4：疫情风险等级判断模块。包括以下具体步骤：
[0094]
(1)创建基本地图，设置地图中心点坐标为当前研究区域，缩放级别为12，开启滚轮缩放，添加地图样式控件、缩放/平移控件和鹰眼缩略图控件。
[0095]
(2)显示所有轨迹点，通过遍历数据库中关于轨迹点的记录，取出索引值为3和4的分别代表经纬度坐标并创建点击事件(event)将该点的索引值为1和2的值取出保存在信息窗口，并作为解释信息在系统中显示。
[0096]
(3)创建疫情热力图，在系统中引入heatmap_min.js文件，后将轨迹点的经纬度坐标遍历提取，对按钮添加点击事件。
[0097]
步骤5：疫情来源分析模块。包括以下具体步骤：
[0098]
(1)将需要处理的地区划分为i
×
j个小区域，构建rossmo 公式，如下：
[0099][0100]
b＝r＝l/2.5n
ꢀꢀꢀ
(2)
[0101][0102]
式中：p
ij
是病源在区域ij的可能性；n是疫情发生总数； xi,yi是区域ij的坐标；xn,yn是第n个地点的坐标；b是缓冲区域的半径；φ是权重系数；k,f,g是参数，用来调节距离影响。
[0103]
(2)通过rossmo公式，可以得到病源在各个区域的可能性矩阵p
ij
，令k＝1得到p
ij
矩阵。
[0104]
(3)不同情况p
ij
的最大值不同，p
ij
元素范围不同，使得最后概率分布图差别很大，因此需要将p
ij
中的元素进行归一化处理。具体过程如下：
[0105]
令：
[0106]
则：p
ij
＝p
ij
×
h≤1
ꢀꢀꢀ
(5)
[0107]
即：
[0108]
(4)根据处理后的p
ij
矩阵，通过matlab画出概率分布图。
[0109]
(5)概率分布图与疫情地图叠合分析，推测研究区域此次疫情爆发的源头，将此源头通过地图标记的方式在系统中展示。
[0110]
步骤6：疫情预测分析模块。包括以下具体步骤：
[0111]
(1)模型的建立：分为控制前阶段和控制后阶段。
[0112]
控制前阶段：
[0113]
(a)正常人
‑‑
疑似患者
[0114]
在控制之前，病人还没有被隔离，所以病情发展快，设每个感染者接触r个正常人，如果t时刻病人数量为i(t)，则新增疑似患者人数为：δe＝r
·
i(t)
·
δt。
[0115]
(b)疑似患者
‑‑
潜伏期
[0116]
疑似患者中有病毒携带者，也有非病毒携带者，病毒携带者会进入潜伏期。设疑似患者中病毒携带者占比为λ，设t时刻疑似患者为e(t)，潜伏期患者为q(t)，则q(t)＝e(t)
·
λ，新增潜伏期人数为：δq＝δe
·
λ。
[0117]
(c)潜伏期
‑‑
确诊患者
[0118]
设潜伏期病人变成确诊病人以指数形式出现的特性为β1。新增确诊数：δq＝δe
·
λ，如果潜伏期天数从a1到a2，就会出现一个稳定的状态，那么，随着时间的推移，潜伏期病人数量会以指数形式递增，每天有1-(1-1/(a
2-a1))e-t
的人变为确诊患者，即β1＝1-(1-1/(a
2-a1))e-t
。所以新增患者人数：
[0119]
δi＝(1-(1-1/(a
2-a1))e-t
)
·
δq
·
δt。
[0120]
(d)确诊患者
‑‑
治愈、死亡
[0121]
假设t是离开系统的治愈者和死亡者，治疗时间为a3，则a3天后病人死亡或者痊愈，被治愈的人会产生抗体，不考虑再会被感染，因此，被治愈的人和死亡的人退出模型。设退出率为 a3，则有退出人数δt＝i(t)
·
β2·
δt。β2的求解方法与β1相同，即随着天数的增加退出传染系统的人数也越来越多，则β2＝1-(1-1/(1-a3))e-t
。故新退出传染系统的人数：δt＝(1-1/a3)e-t
i(t)
·
δt。
[0122]
根据上述(a)
‑‑
(d)的式子可以推出：
[0123]
[0124]
所以得出以下公式：
[0125][0126]
控制后阶段：
[0127]
在控制后的疫情发展中，所有的确诊接受治疗，所有的疑似被隔离，只有没有被隔离的感染者仍然具有感染别人的可能性。对疫情在δt时期的发展和变化进行分析：
[0128]
(a)正常人
‑‑
疑似患者
[0129]
在控制之后，病人被隔离，因此，病毒的传播速度会变慢，病人每天会接触到δe＝r
′
·
i(t)
·
δt个正常人，受隔离的程度影响，接触率r
′
变小，r
′
与隔离强度p有关，呈指数分布，所以 r
′
＝r
·
e-pt
，故新增疑似患者的数目：δe＝r
·
e-pt
i(t)
·
δt。
[0130]
(b)疑似患者
‑‑
潜伏期
[0131]
控制后阶段，疑似患者中病毒携带者占疑似患者的比例不会改变。假设t时刻疑似患者人数为e(t)，潜伏期患者人数为q(t)＝e(t)
·
u，新增潜伏期人数为：δq(t)＝δe
·
u。
[0132]
(c)潜伏期
‑‑
确诊患者
[0133]
潜伏期患者变为确诊患者的过程与控制前时刻相同，所以新增患者人数：δi＝(1-(1-1/(a
2-a1))e-t
)
·
δq
·
δt。
[0134]
(d)确诊患者
‑‑
治愈者、死亡者
[0135]
退出传染系统的人数不变，新增退出传染系统的人数：δt＝(1-1/a3)e-t
i(t)
·
δt。
[0136]
根据上述(a)
‑‑
(d)可进一步求得出：
[0137][0138]
所以得出以下公式：
[0139][0140]
(2)模型求解
[0141]
对该模型采用matlab中的ode函数进行求解。首先，将模型进行规范化，引入相关的参数，建立微分方程组；然后通过调用ode函数，获得解向量；最后用plot函数绘制解向量，就可以得出不同群体随时间的变化。
[0142]
(3)模型导入
[0143]
将概率分布图与疫情地图综合分析，推测研究区域此次疫情发展的趋势，将各个
人群数量随时间的变化用图的方式在系统中展示。
[0144]
本发明提供的系统前端框架采用bootstrap lay ui组件，后端采用java语言，辅助以ssm框架，数据库采用mysql；系统包括用户信息管理模块、疫情信息浏览模块、疫情地图浏览模块、疫情风险等级判断模块、疫情来源分析模块、疫情预测分析模块，其中疫情信息浏览运用echarts技术进行图表展示，疫情来源分析采用rossmo模型进行分析，疫情预测采用 seir模型进行预测。发明在于提供一种疫情管理效果好、疫情分析预测准确、可以直观高效地管理与分析疫情数据的信息管理与分析的方法及系统。
[0145]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。