CN113889284B - 一种基于公共交通知识图谱的传染病接触目标追踪方法 - Google Patents

一种基于公共交通知识图谱的传染病接触目标追踪方法 Download PDF

Info

Publication number
CN113889284B
CN113889284B CN202111086108.3A CN202111086108A CN113889284B CN 113889284 B CN113889284 B CN 113889284B CN 202111086108 A CN202111086108 A CN 202111086108A CN 113889284 B CN113889284 B CN 113889284B
Authority
CN
China
Prior art keywords
passengers
infectious disease
knowledge graph
public transportation
trip
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
Application number
CN202111086108.3A
Other languages
English (en)
Other versions
CN113889284A (zh
Inventor
李健
陈�田
张懿木
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202111086108.3A priority Critical patent/CN113889284B/zh
Publication of CN113889284A publication Critical patent/CN113889284A/zh
Application granted granted Critical
Publication of CN113889284B publication Critical patent/CN113889284B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于公共交通知识图谱的传染病接触目标追踪方法，具体包括以下步骤：S1、采用自上而下与自下而上结合的构建方式，基于出行链模型构建公交知识图谱；S2、获取多个乘客的出行数据，根据公交知识图谱确定乘客的出行顺序，并确定乘客之间的传染病接触类型；S3、提取多个乘客的出行数据中感染者的出行数据，并进行标记，选取预设比例的感染者进行追踪，根据乘客之间的传染病接触类型，定位交通***中的二次感染个体。与现有技术相比，本发明具有减少数据冗余，有利于数据扩展，提高存在多个场景转换和递归查询时判断传染病接触目标的准确性，在大规模联系网络中实现有效且快速的追踪等优点。

Description

一种基于公共交通知识图谱的传染病接触目标追踪方法
技术领域
本发明涉及交通大数据挖掘与交通应急管理领域，尤其是涉及一种基于公共交通知识图谱的传染病接触目标追踪方法。
背景技术
公共交通工具和车站由于其相对封闭的空间和高客运量，成为病毒传播的关键模式。许多国家对公共交通实施各种控制措施，包括定期消毒、强制戴口罩、降低社交距离能力、改变运营时间表，甚至完全暂停服务。然而，相较于总体管控策略，及时发现和隔离感染个体的目标针对策略更加有效。而目前，如何从大规模非结构化出行数据中高效挖掘准确知识以缓解疾病方面仍然存在挑战。
在传染病学领域，通常采用人工接触者追踪，但对于大规模调查的应用手动跟踪效率低下，而具有固定路线和运行时间表的智能卡数据被认为有助于在公共交通***中捕获接触者和追踪感染。以往研究通常使用关系数据库，但考虑到关系型数据库的数据结构，联系人存储在乘客对之间，因此不适用于直接表示实际的网络结构，并且可能导致在执行用于联系追踪的多个递归连接和查询时性能不佳。
知识图谱是近年来被广泛应用的技术，对高效构建高分辨率联系网络具有重要意义。知识图谱不同于传统的关系数据库，采用节点和边的形式存储数据，通常支持数百亿个节点和边的网络规模，能够直观地表示现实世界中的任何事物，并从理论上构建一个语义丰富的网络。
发明内容
本发明的目的就是为了克服上述现有技术存在的关系数据库在执行用于联系追踪的多个递归连接和查询时性能不佳的缺陷而提供一种基于公共交通知识图谱的传染病接触目标追踪方法。
本发明的目的可以通过以下技术方案来实现：
一种基于公共交通知识图谱的传染病接触目标追踪方法，具体包括以下步骤：
S1、采用自上而下与自下而上结合的构建方式，基于出行链模型构建公交知识图谱；
S2、获取多个乘客的出行数据，根据公交知识图谱确定乘客的出行顺序，并确定乘客之间的传染病接触类型；
S3、提取多个乘客的出行数据中感染者的出行数据，并进行标记，选取预设比例的感染者进行追踪，根据乘客之间的传染病接触类型，定位交通***中的二次感染个体。
所述公交知识图谱中将本体作为模式层，对应的数据映射为实体和关系。
进一步地，所述公交知识图谱从乘客的出行数据中提取实体和关系，并作为数据层导入图形数据库。
所述步骤S1中构建公交知识图谱的过程还包括整合从智能卡、自动车辆定位(AVL)设备、班次记录以及公共汽车、快速公交(BRT)和地铁***的路线单中收集的多源数据。
所述步骤S2中公交知识图谱简化为边图G＝(V，E)，对应的节点V1与节点Vn的连接路径如下所示：
Figure GDA0003364593620000021
节点V1与节点Vn之间的关系Ec如下所示：
Figure GDA0003364593620000022
其中，E1、E2…En-1为公交知识图谱中的边，
Figure GDA0003364593620000023
表示为组合运算符。
进一步地，所述乘客的出行顺序中若出行三次，对应的表示关系如下所示：
Figure GDA0003364593620000024
其中，Tp表示乘客p在一天内的一系列出行，
Figure GDA0003364593620000025
表示乘客一天内的第nth次出行，ET表示下一个行程，ET＝1表示两次出行记录之间有换乘，ET＝0表示两次出行记录之间没有换乘。
进一步地，所述乘客的出行顺序中第一次旅行
Figure GDA0003364593620000026
和最后一次旅行
Figure GDA0003364593620000027
的表示关系如下所示：
Figure GDA0003364593620000028
Figure GDA0003364593620000029
其中，
Figure GDA00033645936200000210
表示存在，
Figure GDA00033645936200000211
表示不存在；
对于连续出行链(即连续乘车)两端的行程，综合关系由上下文表示，具体如下所示：
Figure GDA0003364593620000031
其中，transfer＝1表示乘客在行程中换乘一次。
所述乘客之间的传染病接触类型包括直接接触和间接接触，具体关系如下所示：
Figure GDA0003364593620000032
其中，Vp1、Vp2和Vp3分别表示乘客p1、p2和p3所对应的节点，EDC表示直接接触，EIC表示间接接触。
进一步地，所述直接接触包括共同乘车和共同候车，表示关系如下：
Figure GDA0003364593620000033
Figure GDA0003364593620000034
其中，EH表示有一次出行，
Figure GDA0003364593620000035
表示乘客p的某一次出行，ER表示乘坐车辆的行为，EB表示在车站上车的行为，Vvehicle表示车辆场景，Vstation表示车站场景。
进一步地，两名乘客乘坐同一辆公共交通工具定义为共同乘车，判定公式如下所示：
Figure GDA0003364593620000036
其中，，j，k∈{1，2}，j≠k，ECR表示共同乘坐，
Figure GDA0003364593620000037
表示乘客j该次出行的乘车时间，
Figure GDA0003364593620000038
表示乘客k该次出行的下车时间；
两名乘客在预设的候车时间间隔阈值内在同一车站上车，则定义为共同候车，判定公式如下所示：
Figure GDA0003364593620000039
其中，ECW表示共同候车，Tthreshold表示候车时间间隔阈值；
出行顺序中存在直接接触和间接接触的出行联系如下所示：
Figure GDA00033645936200000310
其中，EA∈{ECR，ECW}，
Figure GDA00033645936200000311
表示乘客p的第nth出行。
所述步骤S3中将公交知识图谱中所有感染者所在的节点标记为“感染”，选择预设比例的感染者的节点作为索引病例，标记为“索引”，根据乘客之间的传染病接触类型进行追踪，若有其他乘客所在的节点被搜索到，则被标记为“选中”，同时也被标记为“发现”，其他节点被标记为“未选中”。
与现有技术相比，本发明具有以下有益效果：
本发明通过利用出行链模型，整合基于智能卡和公共交通***的多源数据，基于公共交通图谱重建一个语义丰富的公共交通***的接触网络，从构建的知识图中提取有针对性的简化联系网络，减少数据冗余，并有利于数据扩展，基于个体接触特征的感染风险预测模型来模拟接触网络中的疫情传播，基于已经检测到的病例有效定位交通***中的二次感染个体，支持有效的疫情传播建模和有效的数字接触追踪，有效提高了存在多个场景转换和递归查询时判断传染病接触目标的准确性，在大规模联系网络中实现有效且快速的追踪。
附图说明
图1为本发明的流程示意图；
图2为本发明实施例中数字接触追踪的示意图，其中图2(a)～图2(e)为从索引节点追踪感染者以及确定密切接触者的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
如图1所示，一种基于公共交通知识图谱的传染病接触目标追踪方法，具体包括以下步骤：
S1、采用自上而下与自下而上结合的构建方式，基于出行链模型构建公交知识图谱；
S2、获取多个乘客的出行数据，根据公交知识图谱确定乘客的出行顺序，并确定乘客之间的传染病接触类型；
S3、提取多个乘客的出行数据中感染者的出行数据，并进行标记，选取预设比例的感染者进行追踪，根据乘客之间的传染病接触类型，定位交通***中的二次感染个体。
公交知识图谱中将本体作为模式层，对应的数据映射为实体和关系。
公交知识图谱从乘客的出行数据中提取实体和关系，并作为数据层导入图形数据库。
步骤S1中构建公交知识图谱的过程还包括整合从智能卡、自动车辆定位(AVL)设备、班次记录以及公共汽车、快速公交(BRT)和地铁***的路线单中收集的多源数据。
步骤S2中公交知识图谱简化为边图G＝(V，E)，对应的节点V1与节点Vn的连接路径如下所示：
Figure GDA0003364593620000051
节点V1与节点Vn之间的关系Ec如下所示：
Figure GDA0003364593620000052
其中，E1、E2…En-1为公交知识图谱中的边，
Figure GDA0003364593620000053
表示为组合运算符。
乘客的出行顺序中若出行三次，对应的表示关系如下所示：
Figure GDA0003364593620000054
其中，Tp表示乘客p在一天内的一系列出行，
Figure GDA0003364593620000055
表示乘客一天内的第nth次出行，ET表示下一个行程，ET＝1表示两次出行记录之间有换乘，ET＝0表示两次出行记录之间没有换乘。
乘客的出行顺序中第一次旅行
Figure GDA0003364593620000056
和最后一次旅行
Figure GDA0003364593620000057
的表示关系如下所示：
Figure GDA0003364593620000058
Figure GDA0003364593620000059
其中，
Figure GDA00033645936200000510
表示存在，
Figure GDA00033645936200000511
表示不存在；
对于连续出行链(即连续乘车)两端的行程，综合关系由上下文表示，具体如下所示：
Figure GDA00033645936200000512
其中，transfer＝1表示乘客在行程中换乘一次。
乘客之间的传染病接触类型包括直接接触和间接接触，具体关系如下所示：
Figure GDA00033645936200000513
其中，Vp1、Vp2和Vp3分别表示乘客p1、p2和p3所对应的节点，EDC表示直接接触，EIC表示间接接触。
直接接触包括共同乘车和共同候车，表示关系如下：
Figure GDA00033645936200000514
Figure GDA00033645936200000515
其中，EH表示有一次出行，
Figure GDA0003364593620000061
表示乘客p的某一次出行，ER表示乘坐车辆的行为，EB表示在车站上车的行为，Vvehicle表示车辆场景，Vstation表示车站场景。
两名乘客乘坐同一辆公共交通工具定义为共同乘车，判定公式如下所示：
Figure GDA0003364593620000062
其中，，j，k∈{1，2}，j≠k，ECR表示共同乘坐，
Figure GDA0003364593620000063
表示乘客j该次出行的乘车时间，
Figure GDA0003364593620000064
表示乘客k该次出行的下车时间；
两名乘客在预设的候车时间间隔阈值内在同一车站上车，则定义为共同候车，判定公式如下所示：
Figure GDA0003364593620000065
其中，ECW表示共同候车，Tthreshold表示候车时间间隔阈值；
出行顺序中存在直接接触和间接接触的出行联系如下所示：
Figure GDA0003364593620000066
其中，EA∈{ECR，ECW}，
Figure GDA0003364593620000067
表示乘客p的第nth出行。
步骤S3中将公交知识图谱中所有感染者所在的节点标记为“感染”，选择预设比例的感染者的节点作为索引病例，标记为“索引”，根据乘客之间的传染病接触类型进行追踪，若有其他乘客所在的节点被搜索到，则被标记为“选中”，同时也被标记为“发现”，其他节点被标记为“未选中”。
基于知识图谱的数字接触追踪算法：
Figure GDA0003364593620000068
Figure GDA0003364593620000071
此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (8)

1.一种基于公共交通知识图谱的传染病接触目标追踪方法，其特征在于，具体包括以下步骤：
S1、采用自上而下与自下而上结合的构建方式，基于出行链模型构建公交知识图谱；
S2、获取多个乘客的出行数据，根据公交知识图谱确定乘客的出行顺序，并确定乘客之间的传染病接触类型；
S3、提取多个乘客的出行数据中感染者的出行数据，并进行标记，选取预设比例的感染者进行追踪，根据乘客之间的传染病接触类型，定位交通***中的二次感染个体；
所述步骤S2中公交知识图谱简化为边图G＝(V，E)，对应的节点V1与节点Vn的连接路径如下所示：
Figure FDA0003555463520000011
节点V1与节点Vn之间的关系Ec如下所示：
Figure FDA0003555463520000012
其中，E1、E2…En-1为公交知识图谱中的边，
Figure FDA0003555463520000013
表示为组合运算符；
所述乘客的出行顺序中若出行三次，对应的表示关系如下所示：
Figure FDA0003555463520000014
其中，Tp表示乘客p在一天内的一系列出行，
Figure FDA0003555463520000015
表示乘客一天内的第nth次出行，ET表示下一个行程，ET＝1表示两次出行记录之间有换乘，ET＝0表示两次出行记录之间没有换乘。
2.根据权利要求1所述的一种基于公共交通知识图谱的传染病接触目标追踪方法，其特征在于，所述公交知识图谱中将本体作为模式层，对应的数据映射为实体和关系。
3.根据权利要求2所述的一种基于公共交通知识图谱的传染病接触目标追踪方法，其特征在于，所述公交知识图谱从乘客的出行数据中提取实体和关系，并作为数据层导入图形数据库。
4.根据权利要求1所述的一种基于公共交通知识图谱的传染病接触目标追踪方法，其特征在于，所述乘客的出行顺序中第一次旅行
Figure FDA0003555463520000021
和最后一次旅行
Figure FDA00035554635200000217
的表示关系如下所示：
Figure FDA0003555463520000023
Figure FDA0003555463520000024
其中，
Figure FDA0003555463520000025
表示存在，
Figure FDA0003555463520000026
表示不存在；
对于连续出行链两端的行程，综合关系由上下文表示，具体如下所示：
Figure FDA0003555463520000027
其中，transfer＝1表示乘客在行程中换乘一次。
5.根据权利要求2所述的一种基于公共交通知识图谱的传染病接触目标追踪方法，其特征在于，所述乘客之间的传染病接触类型包括直接接触和间接接触，具体关系如下所示：
Figure FDA0003555463520000028
其中，Vp1、Vp2和Vp3分别表示乘客p1、p2和p3所对应的节点，EDC表示直接接触，EIC表示间接接触。
6.根据权利要求5所述的一种基于公共交通知识图谱的传染病接触目标追踪方法，其特征在于，所述直接接触包括共同乘车和共同候车，表示关系如下：
Figure FDA0003555463520000029
Figure FDA00035554635200000210
其中，EH表示有一次出行，
Figure FDA00035554635200000211
表示乘客p的某一次出行，ER表示乘坐车辆的行为，EB表示在车站上车的行为，Vvehicle表示车辆场景，Vstation表示车站场景。
7.根据权利要求6所述的一种基于公共交通知识图谱的传染病接触目标追踪方法，其特征在于，所述共同乘车的判定公式如下所示：
Figure FDA00035554635200000212
其中，j，k∈{1，2}，j≠k，ECR表示共同乘坐，
Figure FDA00035554635200000213
表示乘客j该次出行的乘车时间，
Figure FDA00035554635200000214
表示乘客k该次出行的下车时间；
所述共同候车的判定公式如下所示：
Figure FDA00035554635200000215
其中，ECW表示共同候车，Tthreshold表示候车时间间隔阈值；
出行顺序中存在直接接触和间接接触的出行联系如下所示：
Figure FDA00035554635200000216
其中，EA∈{ECR，ECW}，
Figure FDA0003555463520000031
表示乘客p的第nth出行。
8.根据权利要求1所述的一种基于公共交通知识图谱的传染病接触目标追踪方法，其特征在于，所述步骤S3中将公交知识图谱中所有感染者所在的节点标记为“感染”，选择预设比例的感染者的节点作为索引病例，标记为“索引”，根据乘客之间的传染病接触类型进行追踪，若有其他乘客所在的节点被搜索到，则被标记为“选中”，同时也被标记为“发现”，其他节点被标记为“未选中”。
CN202111086108.3A 2021-09-16 2021-09-16 一种基于公共交通知识图谱的传染病接触目标追踪方法 Active CN113889284B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111086108.3A CN113889284B (zh) 2021-09-16 2021-09-16 一种基于公共交通知识图谱的传染病接触目标追踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111086108.3A CN113889284B (zh) 2021-09-16 2021-09-16 一种基于公共交通知识图谱的传染病接触目标追踪方法

Publications (2)

Publication Number Publication Date
CN113889284A CN113889284A (zh) 2022-01-04
CN113889284B true CN113889284B (zh) 2022-07-05

Family

ID=79009682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111086108.3A Active CN113889284B (zh) 2021-09-16 2021-09-16 一种基于公共交通知识图谱的传染病接触目标追踪方法

Country Status (1)

Country Link
CN (1) CN113889284B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117690600B (zh) * 2024-02-01 2024-04-30 北方健康医疗大数据科技有限公司 基于知识图谱的传染病预测方法、***、终端及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111383771A (zh) * 2020-02-26 2020-07-07 汤一平 基于流行传染病病毒场的防控***
CN113241188A (zh) * 2021-04-14 2021-08-10 大连理工大学 一种开放体系下新发传染病的跨区域传播预测方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147419B (zh) * 2019-04-25 2022-07-19 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***
CN110400065B (zh) * 2019-07-12 2021-10-22 北京交通大学 基于传染病模型的轨道交通***风险链群构建方法
CN112883195B (zh) * 2019-11-29 2024-03-05 中国科学技术大学 个体出行的交通知识图谱构建方法及***
CN111446000B (zh) * 2020-02-26 2023-12-22 汤一平 基于流行传染病病毒场追溯传染源的***
CN111428045A (zh) * 2020-03-06 2020-07-17 北京明略软件***有限公司 一种构建知识图谱的方法、装置、计算机存储介质及终端
CN111524612B (zh) * 2020-04-26 2023-04-07 腾讯科技（深圳）有限公司 传染病溯源方法、装置、计算机设备和存储介质
CN111933299B (zh) * 2020-08-14 2023-09-15 中国工商银行股份有限公司 传染病感染风险评估方法和装置、电子设备以及存储介质
CN112511982B (zh) * 2020-11-19 2021-11-09 同济大学 一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法
CN112786210B (zh) * 2021-01-15 2021-10-08 华南师范大学 一种疫情传播追踪方法及***
CN113256987B (zh) * 2021-06-30 2021-10-29 深圳市城市交通规划设计研究中心股份有限公司 基于多源数据融合的居民出行链生成方法及共乘查询方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111383771A (zh) * 2020-02-26 2020-07-07 汤一平 基于流行传染病病毒场的防控***
CN113241188A (zh) * 2021-04-14 2021-08-10 大连理工大学 一种开放体系下新发传染病的跨区域传播预测方法

Also Published As

Publication number Publication date
CN113889284A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN105788260B (zh) 一种基于智能公交***数据的公交乘客od推算方法
CN107241512B (zh) 基于手机数据的城际交通出行方式判断方法和设备
CN106874432B (zh) 一种公共交通乘客出行时空轨迹提取方法
CN108846514B (zh) 一种突发事件下轨道交通客流疏散需求预测方法
CN111653099B (zh) 基于手机信令数据的公交客流od获取方法
Ding et al. Network-matched trajectory-based moving-object database: Models and applications
CN103838868B (zh) 一种基于多公交线路运行数据融合的城市公交到站时间预测方法
CN113889284B (zh) 一种基于公共交通知识图谱的传染病接触目标追踪方法
CN112511982B (zh) 一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法
CN113569977B (zh) 一种基于手机信令数据的出行目的识别方法
Chen et al. A knowledge graph-based method for epidemic contact tracing in public transportation
CN107798440B (zh) 一种基于线路候选集的地铁接驳巴士线路规划方法
Kong et al. The method and application of big data mining for mobile trajectory of taxi based on MapReduce
Hettikankanama et al. Integrating smart transportation system for a proposed smart city: a mapping study
Li et al. Estimating crowd flow and crowd density from cellular data for mass rapid transit
CN116504050A (zh) 一种基于多模式公共交通出行数据的特殊事件城市分区方法
Jang et al. Pedestrian mode identification, classification and characterization by tracking mobile data
CN104778355B (zh) 基于广域分布交通***的异常轨迹检测方法
CN112052405B (zh) 一种基于司机经验的寻客区域推荐方法
CN111626502B (zh) 一种动态城市交通路网的通勤路径规划方法
CN112883195B (zh) 个体出行的交通知识图谱构建方法及***
Li et al. Research on decision support for public transport operations and management for epidemic prevention and control of infectious diseases
CN108960684B (zh) 一种基于不完全轨迹片段的公交乘客闭合出行链挖掘方法
Huang et al. Simulation of urban non-motorized traffic: A agent-based modeling approach based on big data of bike sharing and social force model
CN114238491A (zh) 一种基于异质图的多模式交通运行态势关联规则挖掘方法

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