CN111584090B - 一种流行病疫情扩散风险可视化方法 - Google Patents
一种流行病疫情扩散风险可视化方法 Download PDFInfo
- Publication number
- CN111584090B CN111584090B CN202010236973.0A CN202010236973A CN111584090B CN 111584090 B CN111584090 B CN 111584090B CN 202010236973 A CN202010236973 A CN 202010236973A CN 111584090 B CN111584090 B CN 111584090B
- Authority
- CN
- China
- Prior art keywords
- epidemic situation
- epidemic
- population
- city
- risk coefficient
- 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
- 238000007794 visualization technique Methods 0.000 title claims abstract description 17
- 238000009792 diffusion process Methods 0.000 claims abstract description 138
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000012800 visualization Methods 0.000 claims abstract description 11
- 238000012502 risk assessment Methods 0.000 claims description 20
- 230000002354 daily effect Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 201000010099 disease Diseases 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000007123 defense Effects 0.000 abstract description 5
- 230000002265 prevention Effects 0.000 abstract description 5
- 230000003616 anti-epidemic effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007480 spreading Effects 0.000 description 3
- 238000003892 spreading Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000025721 COVID-19 Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009351 contact transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F16/26—Visual data mining; Browsing structured data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种流行病疫情扩散风险可视化方法，通过对每个网格的人口流动数据、常住人口数据、企业POI数据和医疗机构POI数据进行等级划分，获得第一疫情扩散风险系数、第二疫情扩散风险系数、第三疫情扩散风险系数和第四疫情扩散风险系数，并进行加权计算得到每个网格的总疫情扩散风险系数；根据所述发病率和所述输出人群规模，得到每个网格的疫情输入风险系数，根据每个网格的总疫情扩散风险系数和疫情输入风险系数，得到每个网格的疫情扩散风险值并对所述目标行政区域进行疫情扩散风险可视化。本发明综合考虑了目标城市输入病例风险、地区扩散风险和医院防御风险，精准直观地展示了目标行政区域的抗疫能力，为相关部分的精准防控提供数据支撑。
Description
技术领域
本发明涉及流行病预防和控制领域，尤其是涉及一种流行病疫情扩散风险可视化方法。
背景技术
流行病是指可以感染众多人口的传染病。
对于传染性较强的流行病，其可通过直接传播、气溶胶传播和接触传播，具有较强的传染性，严重影响了人民群众的生活、工作，以及社会经济的发展。
目前，针对COVID-19疫情扩散的风险主要根据城市确诊病例的人数及该市的人口数量进行疫情扩散风险的评估，但该风险评估方法的准确性较低；并且，当下各种疫情信息繁多且复杂，人们难以得到当前疫情的扩散情况。
发明内容
本申请实施例提供了一种流行病疫情扩散风险可视化方法，能够有效提高流行病疫情扩散风险评估的准确性并进行可视化，便于制定疫情管控策略。所述技术方案如下：
第一方面，本申请实施例提供了一种流行病疫情扩散风险可视化方法，包括以下步骤：
对目标行政区域的地理信息进行1km×1km网格的离散化处理；
从地图应用程序接口的位置大数据中获取目标行政区域内人口的每日移动轨迹，并根据每个网格的地理坐标，获取每个网格内每日迁入和迁出的人口数量，得到每个网格的人口流动数据；
从地图应用程序接口的POI大数据中获取目标行政区域内的企业POI数据，并根据每个网格的地理坐标，获取每个网格的企业POI数据；
从地图应用程序接口的POI大数据中获取目标行政区域内的医疗机构POI数据，并根据每个网格的地理坐标，获取每个网格的医疗机构POI数据；
对目标行政区域内的常住人口数据进行面到面克里金插值，得到每个网格的常住人口数据；
对所述人口流动数据进行等级划分，得到与所述人口流动数据的等级对应的第一疫情扩散风险系数；对所述常住人口数据进行等级划分，得到与所述常住人口数据的等级对应的第二疫情扩散风险系数；对所述企业POI数据进行等级划分，得到与所述企业POI数据的等级对应的第三疫情扩散风险系数；对所述医疗机构POI数据进行等级划分，得到与所述医疗机构POI数据的等级对应的第四疫情扩散风险系数；其中，流动人口数据值越大，所述第一疫情扩散风险系数越大；常住人口数据值越大，所述第二疫情扩散风险系数越大；企业POI数据值越大，所述第三疫情扩散风险系数越大；医疗机构POI数据值越大，所述第四疫情扩散风险系数越小；
对所述第一疫情扩散风险系数、第二疫情扩散风险系数、第三疫情扩散风险系数和第四疫情扩散风险系数进行加权计算，得到每个网格的总疫情扩散风险系数；
获取疫情发生区域内各市的发病率，获取从所述疫情发生区域各市到所述目标行政区域内各市的输出人群规模，根据所述发病率和所述输出人群规模，获得所述目标行政区域内各市的输入风险系数；
根据目标行政区域各市中每个网格的常住人口数量占该市常住人口数量的比例和该市的输入风险系数，得到每个网格的疫情输入风险系数；
根据每个网格的总疫情扩散风险系数和疫情输入风险系数，得到每个网格的疫情扩散风险值；将每个网格的疫情扩散风险值输入至GIS***中，得到所述目标行政区域的疫情风险评估GIS地图，并向用户呈现所述疫情风险评估GIS地图。
可选的，获取从所述疫情发生区域各市到所述目标行政区域内各市的输出人群规模的步骤包括：
从地图应用程序接口的人口迁移大数据中获取疫情期间疫情发生区域各市每日的总输出人群规模和各市每日输出至目标行政区域内各市的输出人群规模占该市的总输出人群规模的比例；
按照以下公式获取疫情期间每日疫情发生区域内各市到目标行政区域内各市的输出人群规模：
qianxi_ratei,j,t＝qianxii,t×ratei,j,t
其中，i为疫情发生区域内各市，j为目标省内各市，t为日期，qianxii,t为疫情发生区域i市第t日的总输出人群规模；ratei,j,t为第t日从i市到j市的输出人群规模占i市总输出人群规模的比例，qianxi_ratei,j,t为第t日疫情发生区域内i市到目标行政区域内j市的输出人群规模；
按照以下公式，获取疫情期间从所述疫情发生区域各市到所述目标行政区域内各市的输出人群规模：
其中，T1、T2为疫情发生期间的起始日期和结束日期，qianxii,j为i市到j市的输出人群规模。
可选的，获得所述目标行政区域内各市的输入风险系数的步骤包括：
按照以下公式，获取从所述疫情发生区域各市到所述目标行政区域内各市的输入风险系数：
riski,j＝RATEi×qianxii,j
其中，qianxii,j为i市到j市的输出人群规模，RATEi为疫情发生区域i市的发病率；
按照以下公式，获得所述目标行政区域内各市的输入风险系数：
其中，riskj为目标行政区域内j市的输入风险系数，n为疫情发生区域的城市数量。
可选的，所述获取每个网格的疫情输入风险系数的步骤包括：
按照以下公式，获取每个网格常住人口占目标行政区域内各市常住人口的比例：
其中，
为第k个网格常住人口占目标行政区域内j市常住人口比例，
为目标行政区域内j市第k个网格的常住人口，popj为目标行政区域内j市常住人口；
按照以下公式，获取每个网格的疫情输入风险系数：
其中，
为目标行政区域内j市对应的第k个网格的输入风险系数，riskj为目标行政区域内j市的输入风险系数，k为网格编号。
可选的，所述疫情发生区域包括i个城市，所述疫情发生区域的各个城市的发病率按照以下公式计算：
其中，i为疫情发生区域各市；RATEi为i市的疫情发病率；casei为i市的确诊病例数；popi为i市的常住人口数。
可选的，对所述人口流动数据进行等级划分，得到与所述人口流动数据的等级对应的第一疫情扩散风险系数的步骤包括:
根据预设的人口流动数据与预设等级和疫情扩散风险系数的对应关系，获取第一疫情扩散风险系数；
对所述常住人口数据进行等级划分，得到与所述常住人口数据的等级对应的第二疫情扩散风险系数的步骤包括:
根据预设的常住人口数据与预设等级和疫情扩散风险系数的对应关系，获取第二疫情扩散风险系数；
对所述企业POI数据进行等级划分，得到与所述企业POI数据的等级对应的第三疫情扩散风险系数的步骤包括：
根据预设的企业POI数据与预设等级和疫情扩散风险系数的对应关系，获取第三疫情扩散风险系数；
对所述医疗机构POI数据进行等级划分，得到与所述医疗机构POI数据的等级对应的第四疫情扩散风险系数的步骤包括:
根据预设的医疗机构POI数据与预设等级和疫情扩散风险系数的对应关系，获取第四疫情扩散风险系数。第二方面，本申请实施例提供了一种流行病疫情扩散风险可视化装置，包括：
离散化模块，用于对目标行政区域的地理信息进行1km×1km网格的离散化处理；
疫情扩散风险系数获取模块，用于从地图应用程序接口的位置大数据中获取目标行政区域内人口的每日移动轨迹，并根据每个网格的地理坐标，获取每个网格内每日迁入和迁出的人口数量，得到每个网格的人口流动数据；从地图应用程序接口的POI大数据中获取目标行政区域内的企业POI数据，并根据每个网格的地理坐标，获取每个网格的企业POI数据；从地图应用程序接口的POI大数据中获取目标行政区域内的医疗机构POI数据，并根据每个网格的地理坐标，获取每个网格的医疗机构POI数据；对目标行政区域内的常住人口数据进行面到面克里金插值，得到每个网格的常住人口数据；对所述人口流动数据进行等级划分，得到与所述人口流动数据的等级对应的第一疫情扩散风险系数；对所述常住人口数据进行等级划分，得到与所述常住人口数据的等级对应的第二疫情扩散风险系数；对所述企业POI数据进行等级划分，得到与所述企业POI数据的等级对应的第三疫情扩散风险系数；对所述医疗机构POI数据进行等级划分，得到与所述医疗机构POI数据的等级对应的第四疫情扩散风险系数；其中，流动人口数据值越大，所述第一疫情扩散风险系数越大；常住人口数据值越大，所述第二疫情扩散风险系数越大；企业POI数据值越大，所述第三疫情扩散风险系数越大；医疗机构POI数据值越大，所述第四疫情扩散风险系数越小；
加权计算模块，用于对所述第一疫情扩散风险系数、第二疫情扩散风险系数、第三疫情扩散风险系数和第四疫情扩散风险系数进行加权计算，得到每个网格的总疫情扩散风险系数；
输入风险系数获取模块，用于获取疫情发生区域内各市的发病率，获取从所述疫情发生区域各市到所述目标行政区域内各市的输出人群规模，根据所述发病率和所述输出人群规模，获得所述目标行政区域内各市的输入风险系数；
网格输入风险系数获取模块，用于根据目标行政区域各市中每个网格的常住人口数量占该市常住人口数量的比例和该市的输入风险系数，得到每个网格的疫情输入风险系数；
风险评估模块，用于根据每个网格的总疫情扩散风险系数和疫情输入风险系数，得到每个网格的疫情扩散风险值；将每个网格的疫情扩散风险值输入至GIS***中，得到所述目标行政区域的疫情风险评估GIS地图，并向用户呈现所述疫情风险评估GIS地图。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述流行病疫情扩散风险可视化方法的步骤。
第四方面，本申请实施例提供了一种计算机设备，其特征在于：包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述流行病疫情扩散风险可视化方法的步骤。
在本申请实施例中，通过对每个网格的人口流动数据、常住人口数据、企业POI数据和医疗机构POI数据进行等级划分，获得人口流动数据、常住人口数据、企业POI数据和医疗机构POI数据对应的第一疫情扩散风险系数、第二疫情扩散风险系数、第三疫情扩散风险系数和第四疫情扩散风险系数，并进行加权计算得到每个网格的总疫情扩散风险系数；根据所述发病率和所述输出人群规模，获得所述目标行政区域内各市的输入风险系数，再根据目标行政区域各市中每个网格的常住人口数量占该市常住人口数量的比例，得到每个网格的疫情输入风险系数，根据每个网格的总疫情扩散风险系数和疫情输入风险系数，得到每个网格的疫情扩散风险值并向用户呈现疫情风险评估GIS地图，实现目标行政区域疫情风险评估的可视化，综合考虑了目标城市输入性病例的风险、地区扩散风险和医院防御风险，在网格尺度下，精准直观地展示了目标行政区域的抗疫能力，为相关部分的精准防控提供数据支撑。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明一个示例性的实施例中一种流行病疫情扩散风险可视化方法的流程图；
图2为本发明一个示例性的实施例中步骤S2的流程图；
图3为本发明一个示例性的实施例中步骤S4的流程图；
图4为本发明一个示例性的实施例中一种流行病疫情扩散风险可视化装置的结构示意图；
图5为本发明一个示例性的实施例中疫情扩散风险系数获取模块2的结构示意图；
图6为本发明一个示例性的实施例中输入风险系数获取模块4的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅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，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“若干个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1，本申请实施例提供了一种流行病疫情扩散风险可视化方法，包括以下步骤：
步骤S1：对目标行政区域的地理信息进行1km×1km网格的离散化处理；
所述目标行政区域可以是省份，也可以是某一个地理区域，例如珠三角地区。
具体地，将所述目标行政区域的地理信息，离散为1km×1km的网格地图。
步骤S2：获取每个网格的人口流动数据、常住人口数据、企业POI数据和医疗机构POI数据，对所述人口流动数据进行等级划分，得到与所述人口流动数据的等级对应的第一疫情扩散风险系数；对所述常住人口数据进行等级划分，得到与所述常住人口数据的等级对应的第二疫情扩散风险系数；对所述企业POI数据进行等级划分，得到与所述企业POI数据的等级对应的第三疫情扩散风险系数；对所述医疗机构POI数据进行等级划分，得到与所述医疗机构POI数据的等级对应的第四疫情扩散风险系数；
其中，每个网格的人口流动数据可以是指该网格地理区域范围内的迁入迁出人口数量，可以通过获取该地区人员的每日定位数据进行确定。
每个网格的常住人口数据可以是指在该网格地理区域范围内常住人口数量，所述常住人口可以是指在居住地居住超过半年以上的外来人员或本地居民。
所述每个网格的企业POI数据可以包括企业的地理位置信息及企业数量。
所述每个网格的医疗机构POI数据可以包括医疗机构的地理位置信息及医疗机构数量。
步骤S3：对所述第一疫情扩散风险系数、第二疫情扩散风险系数、第三疫情扩散风险系数和第四疫情扩散风险系数进行加权计算，得到每个网格的总疫情扩散风险系数；
具体地，可以根据以下公式，得到每个网格的总疫情扩散风险系数：
proliferation＝f(pop_move,company,hospital,pop_permanent)
式中，proliferation为每个网格的总疫情扩散风险系数，pop_move为第一疫情扩散风险系数，pop_permanent为第二疫情扩散风险系数，company为第三疫情扩散风险系数，hospital为第四疫情扩散风险系数，所述f为加权平均函数，所述权重值可以根据实际需求进行设定。
步骤S4：获取疫情发生区域内各市的发病率，获取从所述疫情发生区域各市到所述目标行政区域内各市的输出人群规模，根据所述发病率和所述输出人群规模，获得所述目标行政区域内各市的输入风险系数；
所述疫情发生区域内各市的发病率可以是确诊病例数在常住人口所占比例。
所述输出人群规模指的是在疫情发生期间从所述疫情发生区域各市到所述目标行政区域内各市的人口与该市总人口的占比。
通过计算发病率和所述输出人群规模，可以获得所述目标行政区域内各市的输入风险系数。
步骤S5：根据目标行政区域各市中每个网格的常住人口数量占该市常住人口数量的比例和该市的输入风险系数，得到每个网格的疫情输入风险系数；
步骤S6：根据每个网格的总疫情扩散风险系数和疫情输入风险系数，得到每个网格的疫情扩散风险值；将每个网格的疫情扩散风险值输入至GIS***中，得到所述目标行政区域的疫情风险评估GIS地图，并向用户呈现所述疫情风险评估GIS地图。
具体地，按照以下公式，得到每个网格的疫情扩散风险值：
其中，
为目标行政区域j市对应的第k个网格的疫情扩散风险值，
为目标行政区域j市对应的第k个网格的总疫情扩散风险系数，
为目标行政区域j市对应的第k个网格的疫情输入风险系数。
所述疫情风险评估GIS地图可以是根据每个网格的疫情扩散风险值在地图上进行标识得到，从而对目标行政区域的疫情风险进行可视化。
地学信息***(Geographic Information System或Geo－Information system，GIS)是一种特定的十分重要的空间信息***。它是在计算机硬、软件***支持下，对整个或部分地球表层(包括大气层)空间中的有关地理分布数据进行采集、储存、管理、运算、分析、显示和描述的技术***。在本申请实施例中，通过将每个网格的疫情扩散风险值输入至GIS***中，在地图中显示图标或数字的方式，向用户呈现所述疫情风险评估GIS地图，实现目标行政区域疫情风险评估的可视化。
在本申请实施例中，通过对每个网格的人口流动数据、常住人口数据、企业POI数据和医疗机构POI数据进行等级划分，获得人口流动数据、常住人口数据、企业POI数据和医疗机构POI数据对应的第一疫情扩散风险系数、第二疫情扩散风险系数、第三疫情扩散风险系数和第四疫情扩散风险系数，并进行加权计算得到每个网格的总疫情扩散风险系数；根据所述发病率和所述输出人群规模，获得所述目标行政区域内各市的输入风险系数，再根据目标行政区域各市中每个网格的常住人口数量占该市常住人口数量的比例，得到每个网格的疫情输入风险系数，根据每个网格的总疫情扩散风险系数和疫情输入风险系数，得到每个网格的疫情扩散风险值并向用户呈现疫情风险评估GIS地图，实现目标行政区域疫情风险评估的可视化，综合考虑了目标城市输入性病例的风险、地区扩散风险和医院防御风险，在网格尺度下，精准直观地展示了目标行政区域的抗疫能力，为相关部分的精准防控提供数据支撑。
在一个示例性的实施例中，对所述人口流动数据进行等级划分，得到与所述人口流动数据的等级对应的第一疫情扩散风险系数的步骤包括:
根据预设的人口流动数据与预设等级和疫情扩散风险系数的对应关系，获取第一疫情扩散风险系数；其中，流动人口数据值越大，所述第一疫情扩散风险系数越大；
针对每个网格的人口流动数据，根据人口流动数据值越大，疫情扩散风险等级越高的准则，进行等级划分并根据等级确定相应的疫情扩散风险系数，其中，人口流动数据值与预设等级和疫情扩散风险系数的对应关系可以根据实际需求进行确定。所述人口流动数据值可以是人口流动数量，例如，可以根据每个网格的人口流动数据值大于500人、大于300人、大于100人、大于1人划分为I、II、III、IV四个预设等级，对于四个等级分别赋予第一疫情扩散风险系数1,0.5,0.25,0。所述第一疫情扩散风险系数即表示人口流动数据对应的疫情扩散风险系数。
对所述常住人口数据进行等级划分，得到与所述常住人口数据的等级对应的第二疫情扩散风险系数的步骤包括:
根据预设的常住人口数据与预设等级和疫情扩散风险系数的对应关系，获取第二疫情扩散风险系数；其中，常住人口数据值越大，所述第二疫情扩散风险系数越大；
针对每个网格的常住人口数据，根据常住人口数据值越大，疫情扩散风险等级越高的准则，对每个网格常住人口数据进行等级划分并根据等级确定相应的疫情扩散风险系数，其中，常住人口数据值与预设等级和疫情扩散风险系数的对应关系可以根据实际需求进行确定。
优选地，所述常住人口数据值可以是常住人口密度。例如，可以根据每个网格的常住人口密度大于1000人/km2、大于500人/km2、大于100人/km2、大于1人/km2划分为I、II、III、IV四个预设等级，并赋予第二疫情扩散风险系数1,0.5,0.25,0。所述第二疫情扩散风险系数即表示常住人口数据对应的疫情扩散风险系数。
对所述企业POI数据进行等级划分，得到与所述企业POI数据的等级对应的第三疫情扩散风险系数的步骤包括：
根据预设的企业POI数据与预设等级和疫情扩散风险系数的对应关系，获取第三疫情扩散风险系数；其中，企业POI数据值越大，所述第三疫情扩散风险系数越大；
针对每个网格的企业POI数据，按照企业POI数据值越大，人群聚集越大，疫情扩散风险越高的准则进行等级划分并根据等级确定相应的疫情扩散风险系数，其中，企业POI数据值与预设等级和疫情扩散风险系数的对应关系可以根据实际需求进行确定。企业POI数据值可以是企业数量，例如，可以根据公司企业数量大于100家、大于50家、大于10家、大于1家划分为I、II、III、IV四个预设等级，并赋予第三疫情扩散风险系数1,0.5,0.25,0；所述第三疫情扩散风险系数即表示企业POI数据对应的疫情扩散风险系数。
对所述医疗机构POI数据进行等级划分，得到与所述医疗机构POI数据的等级对应的第四疫情扩散风险系数的步骤包括:
根据预设的医疗机构POI数据与预设等级和疫情扩散风险系数的对应关系，获取第四疫情扩散风险系数；其中，医疗机构POI数据值越大，所述第四疫情扩散风险系数越小。
针对每个网格的医疗机构POI数据，按照医疗机构POI数据值越大，防御风险越高，疫情扩散风险越低的准则，进行等级划分并根据等级确定相应的疫情扩散风险系数，其中，医疗机构POI数据值与预设等级和疫情扩散风险系数的对应关系可以根据实际需求进行确定。医疗机构POI数据值可以是医疗机构数量，例如，可以根据医疗机构医院数量大于3家、大于2家、大于1家、等于0家划分为I、II、III、IV四个预设等级，并赋予第四疫情扩散风险系数-1,-0.5,-0.25,0。所述第四疫情扩散风险系数即表示医疗机构POI数据对应的疫情扩散风险系数。
请参阅图2，在一个示例性的实施例中，所述获取每个网格的人口流动数据、常住人口数据、企业POI数据和医疗机构POI数据的步骤包括：
步骤S201：从地图应用程序接口的位置大数据中获取目标行政区域内人口的每日移动轨迹，并根据每个网格的地理坐标，获取每个网格内每日迁入和迁出的人口数量，得到每个网格的人口流动数据；
所述目标行政区域内人口的每日移动轨迹可以通过获取当日不同时间段人口的位置定位数据得到，根据每个网格的地理位置和人口的每日移动轨迹，得到在该网格地理区域范围内的人员的迁入迁出数量，所述每个网格内的每日迁入和迁出人口的数量即为每个网格的人口流动数据。
优选的，所述地图应用程序接口的位置大数据可以是指腾讯地图的位置大数据。
步骤S202：从地图应用程序接口的POI大数据中获取目标行政区域内的企业POI数据，并根据每个网格的地理坐标，获取每个网格的企业POI数据；
步骤S203：从地图应用程序接口的POI大数据中获取目标行政区域内的医疗机构POI数据，并根据每个网格的地理坐标，获取每个网格的医疗机构POI数据；
所述地图应用程序接口的POI大数据可以是指高德地图的POI大数据。
步骤S204：对目标行政区域内的常住人口数据进行面到面克里金插值，得到每个网格的常住人口数据。
克里金插值法可通过对测量值进行加权得到待测位置的数值，在本申请实施例中，利用面到面克里金插值法对目标行政区域内的常住人口数据进行插值，得到1km网格的常住人口数据。其中，所述常住人口数据包括常住人口密度，所述常住人口数据可以从国家***或各地***的人口统计数据中获取。
在一个例子中，所述面到面克里金插值的相关参数可以按照以下方式进行设置：在对目标行政区域的地图多边形进行离散化的时候，将cellsize设为0.01,其中，0.01°约等于1km，去卷积过程采用Exp指数模型，最大样本数为100，ngroup设置为12。
每个网格的人口流动数据、常住人口数据、企业POI数据和医疗机构POI数据，可用于从网格尺度评估每个网格的疫情扩散风险情况，提高流行病疫情扩散风险可视化的精度和准确性。
请参阅图3，在一个示例性的实施例中，获取从所述疫情发生区域各市到所述目标行政区域内各市的输出人群规模：
步骤S401：从地图应用程序接口的人口迁移大数据中获取疫情期间疫情发生区域各市每日的总输出人群规模和各市每日输出至目标行政区域内各市的输出人群规模占该市的总输出人群规模的比例；
所述地图应用程序接口的人口迁移大数据可以是指百度人口迁移大数据。
步骤S402：按照以下公式获取疫情期间每日疫情发生区域内各市到目标行政区域内各市的输出人群规模：
qianxi_ratei,j,t＝qianxii,t×ratei,j,t
其中，i为疫情发生区域内各市，j为目标省内各市，t为日期，qianxii,t为疫情发生区域i市第t日的总输出人群规模；ratei,j,t为第t日从i市到j市的输出人群规模占i市总输出人群规模的比例，qianxi_ratei,j,t为第t日疫情发生区域内i市到目标行政区域内j市的输出人群规模；
步骤S403：按照以下公式，获取疫情期间从所述疫情发生区域各市到所述目标行政区域内各市的输出人群规模：
其中，T1、T2为疫情发生期间的起始日期和结束日期，qianxii,j为i市到j市的输出人群规模。
在一个示例性的实施例中，获得所述目标行政区域内各市的输入风险系数的步骤包括：
按照以下公式，获取从所述疫情发生区域各市到所述目标行政区域内各市的输入风险系数：
riski,j＝RATEi×qianxii,j
其中，qianxii,j为i市到j市的输出人群规模，RATEi为疫情发生区域i市的发病率；
按照以下公式，获得所述目标行政区域内各市的输入风险系数：
其中，riskj为目标行政区域内j市的输入风险系数，n为疫情发生区域的城市数量。
根据疫情发生区域的发病率与目标行政区域输入人口规模，直观地展示该市的输入病例在输入人口中的比例，为该市制定疫情防控策略提供数据支撑。
在一个示例性的实施例中，所述获取每个网格的疫情输入风险系数的步骤包括：
按照以下公式，获取每个网格常住人口占目标行政区域内各市常住人口的比例：
其中，
为第k个网格常住人口占目标行政区域内j市常住人口比例，
为目标行政区域内j市第k个网格的常住人口，popj为目标行政区域内j市常住人口；
按照以下公式，获取每个网格的疫情输入风险系数：
其中，
为目标行政区域内j市对应的第k个网格的输入风险系数，riskj为目标行政区域内j市的输入风险系数，k为网格编号。
通过计算疫情发生区域的输入风险系数在该市网格常住人口中的占比，得到网格尺度的疫情输入风险系数，提高流行病疫情扩散风险可视化的精度和准确性。
在一个示例性的实施例中，所述疫情发生区域包括i个城市，所述疫情发生区域的各个城市的发病率按照以下公式计算：
其中，i为疫情发生区域各市；RATEi为i市的疫情发病率；casei为i市的确诊病例数；popi为i市的常住人口数。
请参阅图4，本申请实施例提供了一种流行病疫情扩散风险可视化装置，包括：
离散化模块1，用于对目标行政区域的地理信息进行1km×1km网格的离散化处理；
疫情扩散风险系数获取模块2，用于获取每个网格的人口流动数据、常住人口数据、企业POI数据和医疗机构POI数据，对所述人口流动数据进行等级划分，得到与所述人口流动数据的等级对应的第一疫情扩散风险系数；对所述常住人口数据进行等级划分，得到与所述常住人口数据的等级对应的第二疫情扩散风险系数；对所述企业POI数据进行等级划分，得到与所述企业POI数据的等级对应的第三疫情扩散风险系数；对所述医疗机构POI数据进行等级划分，得到与所述医疗机构POI数据的等级对应的第四疫情扩散风险系数；
加权计算模块3，用于对所述第一疫情扩散风险系数、第二疫情扩散风险系数、第三疫情扩散风险系数和第四疫情扩散风险系数进行加权计算，得到每个网格的总疫情扩散风险系数；
输入风险系数获取模块4，用于获取疫情发生区域内各市的发病率，获取从所述疫情发生区域各市到所述目标行政区域内各市的输出人群规模，根据所述发病率和所述输出人群规模，获得所述目标行政区域内各市的输入风险系数；
网格输入风险系数获取模块5，用于根据目标行政区域各市中每个网格的常住人口数量占该市常住人口数量的比例和该市的输入风险系数，得到每个网格的疫情输入风险系数；
风险评估模块6，用于根据每个网格的总疫情扩散风险系数和疫情输入风险系数，得到每个网格的疫情扩散风险值；将每个网格的疫情扩散风险值输入至GIS***中，得到所述目标行政区域的疫情风险评估GIS地图，并向用户呈现所述疫情风险评估GIS地图。
请参阅图5，在一个示例性的实施例中，所述疫情扩散风险系数获取模块2包括：
第一数据获取单元201，用于从地图应用程序接口的位置大数据中获取目标行政区域内人口的每日移动轨迹，并根据每个网格的地理坐标，获取每个网格内每日迁入和迁出的人口数量，得到每个网格的人口流动数据；
第二数据获取单元202，用于从从地图应用程序接口的POI大数据中获取目标行政区域内的企业POI数据，并根据每个网格的地理坐标，获取每个网格的企业POI数据；
其中，所述企业POI数据中包括每个企业的地理坐标；
第三数据获取单元203，用于从从地图应用程序接口的POI大数据中获取目标行政区域内的医疗机构POI数据，并根据每个网格的地理坐标，获取每个网格的医疗机构POI数据；
其中，所述医疗机构POI数据中包括每个医疗机构的地理坐标；
第四数据获取单元204，用于从对目标行政区域内的常住人口数据进行面到面克里金插值，得到每个网格的常住人口数据。
在一个示例性的实施例中，疫情扩散风险系数获取模块2包括：
第一疫情扩散风险系数获取单元，用于根据预设的人口流动数据与预设等级和疫情扩散风险系数的对应关系，获取第一疫情扩散风险系数；其中，流动人口数据值越大，所述第一疫情扩散风险系数越大；
第二疫情扩散风险系数获取单元，用于根据预设的常住人口数据与预设等级和疫情扩散风险系数的对应关系，获取第二疫情扩散风险系数；其中，常住人口数据值越大，所述第二疫情扩散风险系数越大；
第三疫情扩散风险系数获取单元，用于根据预设的企业POI数据与预设等级和疫情扩散风险系数的对应关系，获取第三疫情扩散风险系数；其中，企业POI数据值越大，所述第三疫情扩散风险系数越大；
第四疫情扩散风险系数获取单元，用于根据预设的医疗机构POI数据与预设等级和疫情扩散风险系数的对应关系，获取第四疫情扩散风险系数；其中，医疗机构POI数据值越大，所述第四疫情扩散风险系数越小。
请参阅图6，在一个示例性的实施例中，所述输入风险系数获取模块4包括：
第一人群规模获取单元401，用于从地图应用程序接口的人口迁移大数据中获取疫情期间疫情发生区域各市每日的总输出人群规模和各市每日输出至目标行政区域内各市的输出人群规模占该市的总输出人群规模的比例；
第二人群规模获取单元402，用于按照以下公式获取疫情期间每日疫情发生区域内各市到目标行政区域内各市的输出人群规模：
qianxi_ratei,j,t＝qianxii,t×ratei,j,t
其中，i为疫情发生区域内各市，j为目标省内各市，t为日期，qianxii,t为疫情发生区域i市第t日的总输出人群规模；ratei,j,t为第t日从i市到j市的输出人群规模占i市总输出人群规模的比例，qianxi_ratei,j,t为第t日疫情发生区域内i市到目标行政区域内j市的输出人群规模。
第三人群规模获取单元403，用于按照以下公式，获取疫情期间从所述疫情发生区域各市到所述目标行政区域内各市的输出人群规模：
其中，T1、T2为疫情发生期间的起始日期和结束日期，qianxii,j为i市到j市的输出人群规模。
在一个示例性的实施例中，所述输入风险系数获取模块4包括：
第一风险系数获取单元，用于按照以下公式，获取从所述疫情发生区域各市到所述目标行政区域内各市的输入风险系数：
riski,j＝RATEi×qianxii,j
其中，qianxii,j为i市到j市的输出人群规模，RATEi为疫情发生区域i市的发病率；
第二风险系数获取单元，用于按照以下公式，获得所述目标行政区域内各市的输入风险系数：
其中，riskj为目标行政区域内j市的输入风险系数，n为疫情发生区域的城市数量。
在一个示例性的实施例中，所述网格输入风险系数获取模块5包括：
网格人口比例获取单元，用于按照以下公式，获取每个网格常住人口占目标行政区域内各市常住人口的比例：
其中，
为第k个网格常住人口占目标行政区域内j市常住人口比例，
为目标行政区域内j市第k个网格的常住人口，popj为目标行政区域内j市常住人口；
网格输入风险系数获取单元，用于按照以下公式，获取每个网格的疫情输入风险系数：
其中，
为目标行政区域内j市对应的第k个网格的输入风险系数，riskj为目标行政区域内j市的输入风险系数，k为网格编号。
本申请实施例提供了一种计算机可读存储介质，其上储存有计算机程序，其特征在于：该计算机程序被处理器执行时实现如上述任意一项所述流行病疫情扩散风险可视化方法的步骤。
本申请可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其它数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其它类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其它内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其它光学存储、磁盒式磁带，磁带磁盘存储或其它磁性存储设备或任何其它非传输介质，可用于存储可以被计算设备访问的信息。
本申请实施例提供了一种计算机设备，其特征在于：包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述流行病疫情扩散风险可视化方法的步骤。
在本申请实施例中，充分利用了互联网大数据，综合考虑了疫情发生区域各市迁徙到目标行政区域各市人口规模的输入风险、目标行政区域各地人口流动的扩散风险以及医疗机构医院的防御风险，能快速地估算出网格尺度的疫情扩散风险值，并给出疫情扩散风险的可视化图，给相关部门针对疫情的精准防控提供数据支持。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。
Claims (9)
1.一种流行病疫情扩散风险可视化方法，其特征在于，包括以下步骤：
对目标行政区域的地理信息进行1km×1km网格的离散化处理；
从地图应用程序接口的位置大数据中获取目标行政区域内人口的每日移动轨迹，并根据每个网格的地理坐标，获取每个网格内每日迁入和迁出的人口数量，得到每个网格的人口流动数据；
从地图应用程序接口的POI大数据中获取目标行政区域内的企业POI数据，并根据每个网格的地理坐标，获取每个网格的企业POI数据；
从地图应用程序接口的POI大数据中获取目标行政区域内的医疗机构POI数据，并根据每个网格的地理坐标，获取每个网格的医疗机构POI数据；
对目标行政区域内的常住人口数据进行面到面克里金插值，得到每个网格的常住人口数据；
对所述人口流动数据进行等级划分，得到与所述人口流动数据的等级对应的第一疫情扩散风险系数；对所述常住人口数据进行等级划分，得到与所述常住人口数据的等级对应的第二疫情扩散风险系数；对所述企业POI数据进行等级划分，得到与所述企业POI数据的等级对应的第三疫情扩散风险系数；对所述医疗机构POI数据进行等级划分，得到与所述医疗机构POI数据的等级对应的第四疫情扩散风险系数；其中，流动人口数据值越大，所述第一疫情扩散风险系数越大；常住人口数据值越大，所述第二疫情扩散风险系数越大；企业POI数据值越大，所述第三疫情扩散风险系数越大；医疗机构POI数据值越大，所述第四疫情扩散风险系数越小；对所述第一疫情扩散风险系数、第二疫情扩散风险系数、第三疫情扩散风险系数和第四疫情扩散风险系数进行加权计算，得到每个网格的总疫情扩散风险系数；
获取疫情发生区域内各市的发病率，获取从所述疫情发生区域各市到所述目标行政区域内各市的输出人群规模，根据所述发病率和所述输出人群规模，获得所述目标行政区域内各市的输入风险系数；
根据目标行政区域各市中每个网格的常住人口数量占该市常住人口数量的比例和该市的输入风险系数，得到每个网格的疫情输入风险系数；
根据每个网格的总疫情扩散风险系数和疫情输入风险系数，得到每个网格的疫情扩散风险值；将每个网格的疫情扩散风险值输入至GIS***中，得到所述目标行政区域的疫情风险评估GIS地图，并向用户呈现所述疫情风险评估GIS地图。
2.根据权利要求1所述的流行病疫情扩散风险可视化方法，其特征在于，获取从所述疫情发生区域各市到所述目标行政区域内各市的输出人群规模的步骤包括：
从地图应用程序接口的人口迁移大数据中获取疫情期间疫情发生区域各市每日的总输出人群规模和各市每日输出至目标行政区域内各市的输出人群规模占该市的总输出人群规模的比例；
按照以下公式获取疫情期间每日疫情发生区域内各市到目标行政区域内各市的输出人群规模：
qianxi_ratei,j,t＝qianxii,t×ratei,j,t
其中，i为疫情发生区域内各市，j为目标省内各市，t为日期，qianxii,t为疫情发生区域i市第t日的总输出人群规模；ratei,j,t为第t日从i市到j市的输出人群规模占i市总输出人群规模的比例，qianxi_ratei,j,t为第t日疫情发生区域内i市到目标行政区域内j市的输出人群规模；
按照以下公式，获取疫情期间从所述疫情发生区域各市到所述目标行政区域内各市的输出人群规模：
其中，T1、T2为疫情发生期间的起始日期和结束日期，qianxii,j为i市到j市的输出人群规模。
3.根据权利要求2所述的流行病疫情扩散风险可视化方法，其特征在于，获得所述目标行政区域内各市的输入风险系数的步骤包括：
按照以下公式，获取从所述疫情发生区域各市到所述目标行政区域内各市的输入风险系数：
riski,j＝RATEi×qianxii,j
其中，qianxii,j为i市到j市的输出人群规模，RATEi为疫情发生区域i市的发病率；
按照以下公式，获得所述目标行政区域内各市的输入风险系数：
其中，riskj为目标行政区域内j市的输入风险系数，n为疫情发生区域的城市数量。
4.根据权利要求3所述的流行病疫情扩散风险可视化方法，其特征在于，所述获取每个网格的疫情输入风险系数的步骤包括：
按照以下公式，获取每个网格常住人口占目标行政区域内各市常住人口的比例：
其中，
为第k个网格常住人口占目标行政区域内j市常住人口比例，
为目标行政区域内j市第k个网格的常住人口，popj为目标行政区域内j市常住人口；
按照以下公式，获取每个网格的疫情输入风险系数：
其中，
为目标行政区域内j市对应的第k个网格的输入风险系数，riskj为目标行政区域内j市的输入风险系数，k为网格编号。
5.根据权利要求1所述的流行病疫情扩散风险可视化方法，其特征在于，所述疫情发生区域的各市的发病率按照以下公式计算：
其中，i为疫情发生区域各市；RATEi为i市的疫情发病率；casei为i市的确诊病例数；popi为i市的常住人口数。
6.根据权利要求1所述的流行病疫情扩散风险可视化方法，其特征在于，对所述人口流动数据进行等级划分，得到与所述人口流动数据的等级对应的第一疫情扩散风险系数的步骤包括:
根据预设的人口流动数据与预设等级和疫情扩散风险系数的对应关系，获取第一疫情扩散风险系数；
对所述常住人口数据进行等级划分，得到与所述常住人口数据的等级对应的第二疫情扩散风险系数的步骤包括:
根据预设的常住人口数据与预设等级和疫情扩散风险系数的对应关系，获取第二疫情扩散风险系数；
对所述企业POI数据进行等级划分，得到与所述企业POI数据的等级对应的第三疫情扩散风险系数的步骤包括：
根据预设的企业POI数据与预设等级和疫情扩散风险系数的对应关系，获取第三疫情扩散风险系数；
对所述医疗机构POI数据进行等级划分，得到与所述医疗机构POI数据的等级对应的第四疫情扩散风险系数的步骤包括:
根据预设的医疗机构POI数据与预设等级和疫情扩散风险系数的对应关系，获取第四疫情扩散风险系数。
7.一种流行病疫情扩散风险可视化装置，其特征在于，包括：
离散化模块，用于对目标行政区域的地理信息进行1km×1km网格的离散化处理；
疫情扩散风险系数获取模块，用于从地图应用程序接口的位置大数据中获取目标行政区域内人口的每日移动轨迹，并根据每个网格的地理坐标，获取每个网格内每日迁入和迁出的人口数量，得到每个网格的人口流动数据；从地图应用程序接口的POI大数据中获取目标行政区域内的企业POI数据，并根据每个网格的地理坐标，获取每个网格的企业POI数据；从地图应用程序接口的POI大数据中获取目标行政区域内的医疗机构POI数据，并根据每个网格的地理坐标，获取每个网格的医疗机构POI数据；对目标行政区域内的常住人口数据进行面到面克里金插值，得到每个网格的常住人口数据；对所述人口流动数据进行等级划分，得到与所述人口流动数据的等级对应的第一疫情扩散风险系数；对所述常住人口数据进行等级划分，得到与所述常住人口数据的等级对应的第二疫情扩散风险系数；对所述企业POI数据进行等级划分，得到与所述企业POI数据的等级对应的第三疫情扩散风险系数；对所述医疗机构POI数据进行等级划分，得到与所述医疗机构POI数据的等级对应的第四疫情扩散风险系数；其中，流动人口数据值越大，所述第一疫情扩散风险系数越大；常住人口数据值越大，所述第二疫情扩散风险系数越大；企业POI数据值越大，所述第三疫情扩散风险系数越大；医疗机构POI数据值越大，所述第四疫情扩散风险系数越小；
加权计算模块，用于对所述第一疫情扩散风险系数、第二疫情扩散风险系数、第三疫情扩散风险系数和第四疫情扩散风险系数进行加权计算，得到每个网格的总疫情扩散风险系数；
输入风险系数获取模块，用于获取疫情发生区域内各市的发病率，获取从所述疫情发生区域各市到所述目标行政区域内各市的输出人群规模，根据所述发病率和所述输出人群规模，获得所述目标行政区域内各市的输入风险系数；
网格输入风险系数获取模块，用于根据目标行政区域各市中每个网格的常住人口数量占该市常住人口数量的比例和该市的输入风险系数，得到每个网格的疫情输入风险系数；
风险评估模块，用于根据每个网格的总疫情扩散风险系数和疫情输入风险系数，得到每个网格的疫情扩散风险值；将每个网格的疫情扩散风险值输入至GIS***中，得到所述目标行政区域的疫情风险评估GIS地图，并向用户呈现所述疫情风险评估GIS地图。
8.一种计算机可读存储介质，其上储存有计算机程序，其特征在于：该计算机程序被处理器执行时实现如权利要求1-6任意一项所述流行病疫情扩散风险可视化方法的步骤。
9.一种计算机可读存储介质，其特征在于：包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-6中任意一项所述流行病疫情扩散风险可视化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010236973.0A CN111584090B (zh) | 2020-03-30 | 2020-03-30 | 一种流行病疫情扩散风险可视化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010236973.0A CN111584090B (zh) | 2020-03-30 | 2020-03-30 | 一种流行病疫情扩散风险可视化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111584090A CN111584090A (zh) | 2020-08-25 |
| CN111584090B true CN111584090B (zh) | 2021-09-14 |
Family
ID=72111451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010236973.0A Active CN111584090B (zh) | 2020-03-30 | 2020-03-30 | 一种流行病疫情扩散风险可视化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111584090B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132490B (zh) * | 2020-11-23 | 2021-04-23 | 中电科新型智慧城市研究院有限公司 | 城市传染病高风险社区识别方法、装置、电子设备及介质 |
| 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*** |
| CN112802611A (zh) * | 2021-02-04 | 2021-05-14 | 天博电子信息科技有限公司 | 一种基于疫情风险模型的可视化区域防控方法 |
| CN113380422B (zh) * | 2021-05-24 | 2024-06-18 | 首都医科大学 | 一种疫情规模预测方法、装置、电子设备及存储介质 |
| CN115223726A (zh) * | 2022-07-29 | 2022-10-21 | 浙江欧歌科技股份有限公司 | 基于大数据分析的多点触发疫情监测和预警*** |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013120199A1 (en) * | 2012-02-13 | 2013-08-22 | Kamran Khan | Warning system for infectious diseases and method therefor |
| CN107220482B (zh) * | 2017-05-09 | 2019-09-17 | 清华大学 | 呼吸道传染病风险评估***及评估方法 |
-
2020
- 2020-03-30 CN CN202010236973.0A patent/CN111584090B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111584090A (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111584090B (zh) | 一种流行病疫情扩散风险可视化方法 | |
| McCoy et al. | Wildfire risk, salience & housing demand | |
| Samat et al. | Modelling land use changes at the peri-urban areas using geographic information systems and cellular automata model | |
| de Castro Pena et al. | Assessing the conservation status of species with limited available data and disjunct distribution | |
| Dennis et al. | Indexing butterfly abundance whilst accounting for missing counts and variability in seasonal pattern | |
| Hubbell | Tropical rain forest conservation and the twin challenges of diversity and rarity | |
| Mota-Vargas et al. | The importance of defining the geographic distribution of species for conservation: The case of the Bearded Wood-Partridge | |
| Schloss et al. | Systematic conservation planning in the face of climate change: bet-hedging on the Columbia Plateau | |
| Isaac et al. | Butterfly abundance in a warming climate: patterns in space and time are not congruent | |
| JP2003287574A (ja) | 地震被害予測システム、方法、およびプログラム | |
| McCluskey et al. | Detecting and validating residential housing submarkets: A geostatistical approach for use in mass appraisal | |
| Preisler et al. | Near-term probabilistic forecast of significant wildfire events for the Western United States | |
| Watson et al. | A general theory for preferential sampling in environmental networks | |
| Beni et al. | A GIS‐based approach in support of an assessment of Food Safety Risks | |
| Andrews et al. | Integrating historical observations alters projections of eastern North American spruce–fir habitat under climate change | |
| JP2021196850A (ja) | リアルタイム内水氾濫浸水予測システム、リアルタイム内水氾濫浸水予測装置、リアルタイム内水氾濫浸水予測方法、リアルタイム内水氾濫浸水予測プログラム及びコンピュータで読み取り可能な記録媒体並びに記憶した機器 | |
| Van Rensburg et al. | Spatial congruence between ecotones and range‐restricted species: implications for conservation biogeography at the sub‐continental scale | |
| Hejduková et al. | A Model of Internal Migration: An Extended Neo-classical Migration Model and Evaluation of Regional Migration Determinants in Poland. | |
| Pandey et al. | Geomatics approach for assessment of respiratory disease mapping | |
| Salimian et al. | Assessment of the uncertainties of global climate models in the evaluation of standardized precipitation and runoff indices: a case study | |
| KR101744776B1 (ko) | 지도 검색 기록을 이용한 유동인구 추정 장치 및 방법 | |
| Le Rest et al. | Volunteer-based surveys offer enhanced opportunities for biodiversity monitoring across broad spatial extent | |
| White et al. | Population responses of the Endangered White-breasted Thrasher Ramphocinclus brachyurus to a tourist development in Saint Lucia–conservation implications from a spatial modelling approach | |
| Panthi et al. | GIS technology and its application in fisheries sector | |
| Hu et al. | Framework for prioritizing geospatial data processing tasks during extreme weather events |
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 | ||
| CB02 | Change of applicant information |
Address after: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Applicant after: Guangzhou Institute of geography, Guangdong Academy of Sciences Applicant after: Guangdong Provincial Laboratory of marine science and engineering of South China (Guangzhou) Address before: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Applicant before: GUANGZHOU INSTITUTE OF GEOGRAPHY Applicant before: Guangdong Provincial Laboratory of marine science and engineering of South China (Guangzhou) |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |