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 PDFInfo
- 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
Links
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 31
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000010276 construction Methods 0.000 claims abstract description 4
- 101100100125 Mus musculus Traip gene Proteins 0.000 claims description 39
- 239000000284 extract Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000008676 import Effects 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 241000700605 Viruses Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 239000000725 suspension Substances 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
- G06F16/30—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
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:
节点V1与节点Vn之间的关系Ec如下所示:
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:
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:
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:
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:
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:
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:
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:
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:
节点V1与节点Vn之间的关系Ec如下所示:
乘客的出行顺序中若出行三次,对应的表示关系如下所示:
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:
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:
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:
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:
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:
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:
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:
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:
节点V1与节点Vn之间的关系Ec如下所示:
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:
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。
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”。
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)
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)
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)
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 |
-
2021
- 2021-09-16 CN CN202111086108.3A patent/CN113889284B/zh active Active
Patent Citations (2)
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 |