CN202711253U - 一种传染病聚集性探测与早期预警*** - Google Patents
一种传染病聚集性探测与早期预警*** Download PDFInfo
- Publication number
- CN202711253U CN202711253U CN 201220086696 CN201220086696U CN202711253U CN 202711253 U CN202711253 U CN 202711253U CN 201220086696 CN201220086696 CN 201220086696 CN 201220086696 U CN201220086696 U CN 201220086696U CN 202711253 U CN202711253 U CN 202711253U
- Authority
- CN
- China
- Prior art keywords
- data
- infectious disease
- early warning
- aggregation
- algorithm
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本实用新型提供了一种传染病聚集性探测与早期预警***,包括数据采集***、数据分析处理***和数据记录仪;所述数据记录仪与所述数据采集***进行数据连接,所述数据分析处理***与所述数据采集***连接;该***操作方便,可以方便不同背景技术的人员操作使用。
Description
技术领域
本实用新型涉及保健监测技术领域,特别是涉及一种传染病聚集性探测与早期预警***。
背景技术
对流行性疾病、传染病进行预防控制,有利于创造健康环境,维护社会稳定,保障国家安全,促进人民健康。在传染病预防、疫情监测体系基础上,利用现代的统计和计算机技术对传染病进行早期预警是当今传染病防控的有效手段。传染病统计监测(Statistical Surveillance)是早期预警的基础和核心;同时计算机和统计软件的迅猛发展,使得统计计算大为简化,应用更为广泛。
目前,对于传染病的统计监测,时空扫描统计量和近期异常事件探测(WSARE,What′sStrange About Recent Events)是两种应用最为广泛的统计算法。Kulldorff提出的时空扫描统计量和时空重排扫描统计量具有良好的稳健性和较高的检验效能,是目前应用最为广泛的一种时空聚集性探测方法。多源数据的产生促使时间-空间-人群多维探测方法的发展,恰当的统计模型能有效地融合各种数据源,以得到一个稳健而高效的信息源。Wong等人提出了一种基于规则的异常模式探测方法WSARE,该方法能够充分利用和挖掘多维度的症状监测数据进行早期预警,目前已被美国RODS***和以色列国家疾控中心采纳运用。
对于这两种统计算法的实现,目前都已经开发出了相应的免费软件。SaTScanTM用于实现时空扫描统计量算法,该软件由Martin Kulldorff协同Information Management System Inc进行开发。后期随着方法的发展,又由Takahashi、Yokoyama和Tango等人开发了FlexScan。WSARE软件用于实现WSARE算法,由AUTON lab开发。
目前现有技术实用新型存在方法层面和应用层面的缺陷,具体如下所述:
方法层面:时空扫描统计量能够发现跨区域信号和次级信号,但尚未考虑传染病聚集的人群分布特征,而WSARE可以纳入人口学信息进行分析,并通过基于规则的方法将最近事件与基线分布数据相比较,发现两者间比例变化最大的亚组;但是WSARE将空间信息作为分类变量处理,未能充分利用空间地理信息,而扫描统计量考虑了空间相关性和窗口的几何形态,利用空间信息相对充分。因此,单独应用这两种方法进行传染病的早期预警都有局限性。
应用层面:虽然这两种算法都能通过现有的软件进行实现,但是现有的软件均为英文界面,参数设置复杂,且对原始数据的格式有特殊要求,因此不适于普及应用。除此之外,现有软件的结果均为文本格式,结果不直观,可读性较差。
总之,目前的传染病的统计监测***是单机版的,而且使用操作需要拥有专业技术背景的人员操作。
因而,目前需要本领域技术人员迫切解决的一个技术问题就是:如何找到一种新型的传染病的统计监测***,该***操作简便,可以方便不同背景技术的人员操作使用。
实用新型内容
本实用新型所要解决的一个技术问题是提供一种传染病聚集性探测与早期预警***,该***操作方便,可以方便不同背景技术的人员操作使用。
为了解决上述问题,本实用新型公开了一种传染病聚集性探测与早期预警***,包括数据采集***、数据分析处理***和数据记录仪;所述数据记录仪与所述数据采集***进行数据连接,所述数据分析处理***与所述数据采集***连接。
优选的,所述数据记录仪连接有传感器。
优选的,所述数据分析处理***包括监管模块、***管理模块和风险等级预警模块。
优选的,所述传染病聚集性探测与早期预警***进一步包括信息采集终端,所述信息采集终端采集传染病数据信息并传送到数据分析处理***。
优选的,所述信息采集终端包括电子标签读取器、输入设备、存储卡读取器、存储器或无线传输设备。
优选的,所述的数据连接包括有线数据连接或无线数据连接。
优选的,所述的数据采集***同时与多台数据记录仪进行数据连接。
本实用新型显著优点在于:
1、本实用新型一种传染病聚集性探测与早期预警***将时空聚集性探测模型、地理信息***和Google Maps以及网络直报***进行集成,开发一个集数据预处理、数据分析和结果可视化展示于一体,可操作性强,功能完善的Web***,为***门及疾控机构进行传染病时空聚集性探测与早期提供支持和服务。
2、本实用新型一种传染病聚集性探测与早期预警***中所采用的D方法作为作为一种新的时空扫描统计量被提出,通过标准模拟数据发现,当探测区域人口密度较高,疾病传播范围较大时,D统计量的灵敏度与阳性预测值比基于泊松分布的扫描统计量大,探测效果更好。该方法对于原始的时空扫描统计量算法是一种较好的补充。
3、本实用新型一种传染病聚集性探测与早期预警***通过对于原始算法的重新编程以及默认参数的设置,使得本软件***相对于SaTScanTM和WSARE这两种原始软件更加容易使用,利于其普及和推广。
4、本实用新型一种传染病聚集性探测与早期预警***通过对时空聚集性探测模型和Google Maps的集成,使得专业的预警结果能够直观地展示在地图上,增加了结果的可读性,同时也更加地美观;此外,由于本软件***实现了数据预处理、早期预警分析以及预警结果可视化展示的一体化处理,使得本软件***更加人性化和智能化,大大地提高了工作效率;本软件***还预留了和传染病网络直报***进行对接的接口,使得它和我国现有的传染病监测网络具有较好的兼容性,有很强的实用性,方便本软件***直接应用于我国的各级卫生及疾控部门。
5、本实用新型一种传染病聚集性探测与早期预警***所采用的J2EE技术是目前运用非常广泛的技术,J2EE为搭建具有可伸缩性、灵活性、易维护性的商务***提供了良好的机制,简化且规范了应用***的开发与部署,进而提高可移植性、安全与再用价值;PostgreSQL数据库是免费的高效数据库***,支持很多数据库特性;Jetty是一种轻量级的服务器容器,具有高效性和易用性。B/S框架使得数据的运算与分析都在后台服务器运行,用户只需通过浏览器便能操作所用功能。
总之,本实用新型提供了一种传染病聚集性探测与早期预警***,该***操作方便,可以方便不同背景技术的人员操作使用。
附图说明
为了更清楚地说明本实用新型实施例中的技术方案,下面对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本实用新型的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本实用新型一种传染病聚集性探测与早期预警***的实施例的结构示意图;
图2是本实用新型中传染病聚集性探测与早期预警***的业务流程示意图;
图3是本实用新型中传染病聚集性探测与早期预警***的业务逻辑示意图;
图4是本实用新型中传染病聚集性探测与早期预警***的设计结构示意图;
图5是本实用新型中传染病聚集性探测与早期预警***的模块框架示意图;
图6是本实用新型中近期异常事件探测算法的流程示意图。
具体实施方式
本实用新型实施例提供了一种传染病聚集性探测与早期预警***,该***操作方便,可以方便不同背景技术的人员操作使用。
为使得本实用新型的实用新型目的、特征、优点能够更加的明显和易懂,下面将结合本实用新型实施例中的附图,对本实用新型实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本实用新型一部分实施例,而非全部实施例。基于本实用新型中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本实用新型保护的范围。
本实用新型的核心思想之一是提供了一种传染病聚集性探测与早期预警***,包括数据采集***、数据分析处理***和数据记录仪;所述数据记录仪与所述数据采集***进行数据连接,所述数据分析处理***与所述数据采集***连接;该***操作方便,可以方便不同背景技术的人员操作使用。
为了使本领域的普通技术人员更好地理解本实用新型,下面详细介绍传染病早期预警、时空扫描统计量、近期异常事件探测、传染病网络直报***、地理信息***和J2EE架构、B/S框架、PostgreSQL和Jetty这九个专业术语,具体如下所述:
传染病早期预警:通过收集、整理、分析目标传染病的相关信息资料,评估事件发展趋势与危害程度,在事件发生之前或早期发出警报,使相关责任部门及事件影响目标人群及时做出反应,预防或减少目标传染病的危害。
时空扫描统计量:是一种用于运用于疾病监测领域,可以发现传染病在时间、空间中发病数异常升高的统计方法。最早于1997年由美国学者Kulldorff提出。具体根据扫描窗口的不同,其可以分为圆形、椭圆形和不规则形窗口三种算法。
近期异常事件探测(WSARE,What′s Strange About Recent Events):属于一种数据挖掘的方法,运用于传染病领域,可以发现传染病数据中蕴含的一些异常的规则,从而提示传染病的异常发生。最早于2004年由美国学者Wong提出。根据其历史基线的构造方式,其又可以分为历史数据基线WSARE和贝叶斯网络基线WSARE两种算法。
传染病网络直报***:由中国疾病预防与控制中心(CDC)于2004年组织建立的,对我国39种法定传染病进行网络实时上报和分析的疾病监测***,是我国疾病监测领域中最为重要的一个数据库***。
地理信息***(GIS,geographic information system):在计算机软硬件支持下,把各种地理信息按照空间分布及属性,以一定的格式输入、存储、检索、更新、显示、制图、综合分析和应用的技术***。在传染病监测领域,可以用于展示疾病的空间分布和传播轨迹。
J2EE(Java 2 Platform,Enterprise Edition)架构:J2EE是使用Java支术开发企业级应用的一种事实上的工业标准。J2EE核心是一组技术规范与指南,其中所包含的各类组件、服务架构及技术层次,均有共同的标准及规格,让各种依循J2EE架构的不同平台之间,存在良好的兼容性,解决过去企业后端使用的信息产品彼此之间无法兼容,企业内部或外部难以互通的窘境。J2EE是一个标准,而不是一个现成的产品。
B/S框架(Browser/Server,浏览器/服务器模式):是Web兴起后的一种网络结构模式,WEB浏览器是客户端最主要的应用软件。这种模式统一了客户端,将***功能实现的核心部分集中到服务器上,简化了***的开发、维护和使用。客户机上只要安装一个浏览器(Browser),服务器安装数据库,浏览器便可以通过Web Server同数据库进行数据交互。
PostgreSQL:是一种对象关系型数据库管理***(ORDBMS)。PostgreSQL支持大部分SQL标准并且提供了许多其他现代特性:复杂查询、外键、触发器、视图、事务完整性、多版本并发控制。同样,PostgreSQL可以用许多方法扩展,比如,通过增加新的数据类型、函数、操作符、聚集函数、索引方法、过程语言。
Jetty:是一个开源的servlet容器,它为基于Java的web内容(例如JSP和servlet)提供运行环境。Jetty是使用Java语言编写的,它的API以一组JAR包的形式发布。开发人员可以将Jetty容器实例化成一个对象,可以迅速为一些独立运行(stand-alone)的Java应用提供网络和web连接。
参照图1,示出了本实用新型一种传染病聚集性探测与早期预警***的实施例的结构示意图,具体可以包括:
数据采集***101、数据分析处理***102和数据记录仪103;所述数据记录仪103与所述数据采集***101进行数据连接,所述数据分析处理***102与所述数据采集***101连接。其中,所述数据记录仪连接有传感器。所述数据分析处理***102包括监管模块A1、***管理模块A2和风险等级预警模块A3。所述传染病聚集性探测与早期预警***进一步包括信息采集终端B1,所述信息采集终端B1采集传染病数据信息并传送到数据分析处理***。所述信息采集终端B1包括电子标签读取器C1、输入设备C2、存储卡读取器C3、存储器C4和无线传输设备C5。所述的数据连接包括有线数据连接或无线数据连接。所述的数据采集***同时与多台数据记录仪103进行数据连接。
本实用新型的传染病聚集性探测与早期预警***将时空聚集性探测模型、地理信息***和Google Maps以及网络直报***进行集成,开发一个集数据预处理、数据分析和结果可视化展示于一体,可操作性强,功能完善的Web***,为***门及疾控机构进行传染病时空聚集性探测与早期提供支持和服务。
本实用新型的传染病聚集性探测与早期预警***包括三大主体功能:
数据预处理:包括对原始数据(传染病病例数据、人口数据、地理经纬度数据)的导入、清理和转换工作。处理后的原始数据将按***设计的数据模式进行存储,满足用户的查看需求,并方便数据分析时的查询和访问。
数据分析:利用实际传染病数据、人口数据和地理经纬度数据进行传染病时空聚集性探测分析。主要运用的分析算法包括:前瞻性时空扫描模型算法和近期异常事件探测(WSARE)算法。
结果可视化:将数据分析功能模块运行结果进行可视化展示,为用户提供一个直观的视图查看功能。在真实的行政地图或卫星地图上运用Flash技术展示数据分析的结果,如:传染病分级预警信号、统计信息、暴发轨迹等。
此外,成功开发的***本身将成为一个基础架构稳定、扩展性好、复用性强的软件平台,可以作为将来新应用的开发基础和平台。
本实用新型的传染病聚集性探测与早期预警***具有如下优点:
1)运行稳定:***预期将用于各个层次的疾控***及有兴趣进行传染病聚集性探测和预警的科研机构,***将用于处理大量数据,并可能长时间运行,因此***运行必须保证稳定可靠。
2)计算速度快:为及时发现可能的传染病暴发,为实际防控赢得时间,对传染病数据的分析必须在尽可能短的时间内完成,因此需要结合原始数据,对传染病分析算法(时空扫描算法和近期异常事件探测(WSARE)算法)进行算法优化,保证算法执行速度满足实际业务要求。
3)结果输出直观、美观:***需保证用户能够直观、快速地查看结果,同时尽可能做到结果输出美观。
4)操作简易:***将可能用于较低级别的疾控机构,因此需保证复杂的传染病聚集性探测方法能够在***中简单方便地使用,易于较低学历层次的用户掌握。
5)用户界面友善:用户界面设计应简洁、大方,操作方式和窗口式布局充分考虑用户使用方便,对用户友善。
6)数据精确度
本***的核心是前瞻性时空扫描算法和近期异常事件探测(WSARE)算法的实现,因此为了保证算法的精确性,所有数据都必须明确给出和精确计算,如数值型数据保留6位小数,时间精确到毫秒等。
7)时间特性
为了提高用户的使用体验,在保证算法正确性的前提下,需要对前瞻性时空扫描算法和近期异常事件探测(WSARE)算法进行优化。
8)适应性
在硬件设备与网络正常的情况下,服务器能承受最大的用户并发数目不低于100,达到最大并发数时,CPU使用率平均不高于90%,内存占用率不高于80%。
9)可行性分析
Java是一门高效的面向对象语言,可以容易地优化所有算法。同时,在目前J2EE的技术条件下,缩短响应时间是可行的。
本实用新型的传染病聚集性探测与早期预警***所针对的用户对象是***门或研究机构的相关人员,且***主要功能是算法的实现与结果的展示,因此用户需采用登录方式进入***。***导航页罗列所有算法(包括圆形时空扫描、椭圆形时空扫描、不规则形时空扫描、历史数据基线WSARE和贝叶斯网络基线WSARE),以方便用户选择和切换。所有用户页面需要美观、大方、可操作性强。
参照图2,示出了传染病聚集性探测与早期预警***的业务流程示意图。
从图2中可以看出:
传染病聚集性探测与早期预警***的业务流程步骤具体如下所述:
1)收集传染病数据;
2)对收集到的传染病数据进行数据提取,数据转换,数据清洗和数据加载的数据预处理过程,获得相应的处理后的数据信息;
3)对所获得的相应的处理后的数据信息构建数据仓库,获得相应的传染病数据仓库;
4)对所述传染病数据仓库进行相应的数据分析,获得相应的数据分析结果;
5)针对基层,研究人员和高层管理员三类用户人群,可以注册登录并查询相应的传染病数据,获得相应的数据可视化结果;
其中,所述的数据可视化结果可以以报表和区域预报信号的形式进行表达,可以让用户更直观地获得相应的传染病数据信息。
本实用新型的传染病聚集性探测与早期预警***具有运行速度快、界面友好、可操作性强、简单易用、***稳定和结果输出美观的优点。
参照图3,示出了本实用新型中传染病聚集性探测与早期预警***的业务逻辑示意图。
为保证传染病时空聚集性探测和早期预警集成***开发的高效率和***运行的稳定性和可靠性,***将采用J2EE架构进行设计和开发工作。基于J2EE架构的***能够更好地实现高效的开发,在J2EE架构下开发工作能集中在如何创建业务逻辑上,缩短了开发时间。
在开发过程中,***将遵循功能模块化设计和开发原则。***中的各个功能模块具有独立性,采用“挂架式”的方式集成到***中。各功能模块满足高内聚、低耦合的软件工程设计原则,充分保证***功能的可扩充性,以便将来***升级和加入新的模块和算法。
从图3中可以看出:本实用新型中传染病聚集性探测与早期预警***的业务逻辑,具体如下所述:
1)通过可定制中间数据生成规则,原始数据(只读)转换成中间数据库(非只读);
2)通过调用指定算法进行运算以及基本统计分析的方法,中间数据库(非只读)转换成结果数据(以报告形式输出并保存);
3)通过从地理数据、结果数据中读取指定参数的方法,结果数据(以报告形式输出并保存)转换成可视化展示结果数据。
通过上述一步步的数据转换过程,最初的只读形式的原始数据转换成可视化展示结果数据。
参照图4,示出了本实用新型中传染病聚集性探测与早期预警***的设计结构示意图。
从图4中可以看出:本实用新型中传染病聚集性探测与早期预警***的设计结构,具体如下所述:
1)时空扫描数据预处理经过圆形时空扫描、椭圆形时空扫描和不规则形时空扫描三种方式,最终可以获得时空扫描结果可视化展示数据。
2)近期异常事件探测通过历史数据基线与贝叶斯网络基线两种方式,获得近期异常事件探测结果。
3)注册用户可以自由选择登录本实用新型的传染病聚集性探测与早期预警***来进行时空扫描数据预处理,获得时空扫描结果可视化展示数据的全过程;当注册用户获得所述时空扫描结果可视化展示数据,可以自由地选择退出本实用新型的传染病聚集性探测与早期预警***。
4)注册用户可以自由选择登录本实用新型的传染病聚集性探测与早期预警***来进行近期异常事件探测,获得近期异常事件探测结果的全过程;当注册用户获得所述近期异常事件探测结果,可以自由地选择退出本实用新型的传染病聚集性探测与早期预警***。
参照图5,示出了本实用新型中传染病聚集性探测与早期预警***的模块框架示意图。
从图5中,可以看出:本实用新型中传染病聚集性探测与早期预警***的模块框架具体可以包括:数据预处理模块、算法模块、可视化展示模块、用户管理模块和其它功能模块。
为了本领域的普通技术人员更好地理解本实用新型,下面详细介绍上述模块,具体如下所述:
1)数据预处理模块:
数据预处理模块分为时空扫描数据预处理模块和近期异常事件探测(WSARE)数据预处理模块,这两个子模块主要是从原始病例数据中提取符合筛选条件的病例,并进行格式化处理。时空扫描数据预处理模块还同时对地理数据和人口数据进行清理和筛选。
数据预处理模块功能描述
针对人口和地理数据的预处理比较简单,仅仅是提取需要的地理数据;针对病例数据的预处理需要根据针对的病种、地理区域、职业、年龄、最小预警尺度等参数进行筛选,提取符合条件的病例并进行规范化,规范化的过程是指提取病例的性别、年龄、职业、病例录入日期、现住地址编码、病种、病例分类等信息。规范化后的病例数据需要提供下载,并在日志窗口中可查看预处理过程的汇总结果,如提取出的病例数、过滤掉的病例数、预处理成功与否等。
数据预处理主要指对数据进行数据抽取、数据转换、数据清洗及数据加载的过程。
数据的预处理是构建数据仓库的重要一环。它从数据库中抽取数据并按照一定的要求将数据进行转换和清洗,最后将高质量的数据装载到数据仓库中,为数据分析模块提供数据源和决策分析。
时空扫描统计量模型所需数据的预处理
时空扫描统计量需要病例信息、人口信息、地理信息三类数据,需对这三类数据进行预处理。
原始病例数据包含“卡片ID”、“卡片状态”、“报告医院所在地区国标编码”、“卡片编号”、“身份证号码”、“报告时病例分类”、“姓名”、“性别”、“监护人姓名”、“出生日期”、“发病日期”、“诊断时间”、“患者工作单位”、“现住地址”、“现住地址国标编码”、“现住详细地址”、“职业”、“死亡日期”、“报告人”、“填卡医生”、“医生填卡日期”、“疾病名称”、“接触者有无相同症状”、“备注”、“报告卡生成时间”、“县区审核时间”、“地市审核时间”、“省级审核时间”、“订正终审时间”、“终审死亡时间”、“删除时间”、“报告地区”、“报告单位”、“补卡时间”、“审核状态”、“单位类型”、“卡片来源”37个变量。
原始人口数据包括“地区编码”、“地区名称”、“年龄”、“男性人口数”、“女性人口数”、“产生人口信息年份”、“年龄分段”、“人口总数”。
经预处理后,***将生成规范的病例信息文件、人口数据文件和地理数据文件,并提供给用户下载。
预处理后的病例信息文件
预处理后的病例信息文件包含的变量为:
卡片编号:该病例在传染病网络直报***中的唯一编码;
病例的性别、年龄、职业;
卡片录入日期:该病例进入传染病网络直报***的日期,格式为年/月/日;
地址编码:该病例现住地址的国标编码,为8位数字;
该病例的病种及病例分类。
预处理后的人口数据文件
每一列变量为:
地区国标编码:根据最小预警尺度对原始的8位编码进行了提取,仅保留至最小预警尺度级别,为2-8位数字;
日期:该该人口数据来源的日期;
人口数:该地区内的总人口数。
预处理后地理数据文件
每一列变量为:
地区国标编码:根据最小预警尺度对原始的8位编码进行了提取,仅保留至最小预警尺度级别,为2-8位数字;
经度:该地区的经度,以该地区几何中心的经度确定,精确到小数点后6位。
纬度:该地区的纬度,以该地区几何中心的纬度确定,精确到小数后6位;
X坐标、Y坐标:是由经纬度坐标转换成的投影直角平面坐标,可精确到小数点后3位。
近期异常事件探测(WSARE)所需数据的预处理
近期异常事件探测(WSARE)算法仅需要病例数据,因此仅需要对病例数据进行预处理。原始数据格式同前。预处理后的病例信息文件包含的变量为:
卡片编号:该病例在传染病网络直报***中的唯一编码;
性别:病例的性别;
年龄:根据用户设定的分组标准对原始年龄进行了分段;
职业:病例的职业;
卡片录入日期:该病例进入传染病网络直报***的日期,格式为年/月/日;
地址编码:该病例现住地址的国标编码,为8位数字;
该病例的病种。
2)算法模块:
算法模块包括两大类算法,时空扫描算法和近期异常事件探测(WSARE)算法。根据区域的扫描方式,时空扫描包含三个子算法:圆形时空扫描算法、椭圆形时空扫描和不规则形时空扫描。所有的时空扫描算法都包含LLR方法和D方法两种不同的计算方式以供选择。根据基线构建方法,近期异常事件探测(WSARE)算法包含历史数据基线和贝叶斯网络基线两类算法。
前瞻性时空扫描算法模块功能描述
选择不同的扫描方式(圆形、椭圆形和不规则形),读入时空扫描预处理模块规范化后的病例数据、人口数据和地理数据,可以对蒙特卡罗迭代次数、计算方式(D方法或LLR方法)、研究日期、预警日期等参数进行设定。在算法运行过程中,不能存在溢出等现象,并保证结果完全正确,日志中可以查看算法是否运行成功以及成功后的结果,且算法要尽可能高效。
近期异常事件探测(WSARE)算法模块功能描述
选择历史数据基线或贝叶斯网络基线WSARE算法,读入WSARE预处理模块规范化后的病例数据,对蒙特卡罗迭代次数、历史数据基线、环境变量等参数进行设定。与前瞻性时空扫描算法模块一样,需要保证算法的正确性和高效性。
算法模块首先读取预处理后生成的中间数据或用户已预处理好的数据,然后对数据进行时空聚集性探测。时空聚集性探测模型包括前瞻性时空扫描统计量和近期异常事件探测(WSARE)。该模块主要具有以下特点:
算法中的参数可设置、可调整;
算法运行过程中出现任何异常状况都能终止运算,能生成并输出“错误报告”;
算法性能优化良好,确保了较短的运算时间;
保证了算法的模块化,以确保新算法的载入添加;
关于预警报告的存档:
①每次预警报告提供自动按一定命名规则进行存档;
②可定义自动存档文件夹的保存期限;
③提供另存为功能;
对历史运算结果提供查看功能。
前瞻性时空扫描统计量
表格1中对算法进行了描述,具体如下所述:
表1
1.M=999,A=1,replica=1,temporalsize=7
3.找到所有圆心的LLR,并做降序排列,得到一个LLR序列{LLR}k
6.将上面M次模拟得到的LLR最大值降序排列,得到序列{LLRmax}M
7.for i=1:k
{将3中得{LLR}k的第i个值取出***{LLRmax}M,记它的排名为A,P=A/M+1,并反查该LLR对应的圆心,半径,时间范围,输入以上信息
}
参数设置
根据研究需要设定预警时间段、基线长度、时间及空间窗口、蒙特卡洛模拟次数、检验水准等,***可根据设定的参数对数据进行聚集性探测分析,并根据检验水准报告可能的聚集。同时***提供一套默认参数供快捷分析用。
输出内容
软件运行基本信息;
探测时间段、区域及所用的算法;
可能存在的聚集,包括聚集区域的地理编码、坐标、角度、形状、聚集的时间段、聚集区域的总人口数、聚集区域的总病例数、聚集区域的预期发病数、平均病例数、实际病例数与期望病例数之比、相对危险度、最大似然比、检验统计量、蒙特卡洛排名、P值、预期再次出现聚集的间隔时间等;
聚集性区域包含的病例信息,包括聚集区域编号、病例的卡片编号、性别、年龄、职业、地区编码、卡片录入日期、病种、病例分类等。
聚集性区域病例的基本统计分析
对聚集性区域包含的病例的性别、年龄、职业等进行基本描述,计算其构成。
近期异常事件探测中算法参数设置
历史数据基线WSARE只需根据研究需要设定预警时间段、历史基线生成规则、最大规则成分数、蒙特卡洛模拟次数、检验水准等。贝叶斯网络基线WSARE除设定预警时间段、最大规则成分数、蒙特卡洛模拟次数、检验水准外,还需设定构建贝叶斯网络基线所需环境变量,如节假日、月份、季节、星期等,用户设定后***可提取数据中的相应信息自动生成环境变量。***可根据设定的参数对数据进行聚集性探测分析,并根据检验水准报告可能的聚集。同时***提供一套默认参数供快捷分析用。
输出内容
软件运行基本信息:包括程序运行完成时间、本次运行设定的参数、使用的算法等;
探测时间段及区域;
可能存在的聚集:包括聚集的时间、最近数据的大小、基线数据的大小、得分最小的规则、规则得分、蒙特卡洛检验后的P值等。
3)可视化展示模块:
在结果展示方式上,近期异常事件探测(WSARE)算法的结果由于都是一条最优规则,因此展示方式比较单一,通过提示框的方式进行表现;时空扫描算法的结果需要结合Google地图进行展示,因此相对复杂,涉及到传染病聚集性区域的可视化,可视化参数设定,区域病例的年龄、性别、职业分析,区域病例的下载,所有区域的列表展示,算法运行结果以及区域病例数据下载等等。此外,还需要提供暴发轨迹查看各区域在一定时间段内的变化情况。
结果展示模块功能描述
由于近期异常事件探测(WSARE)算法的结果仅仅是一条规则,因此展示相对简单,以弹出窗口的形式展示;前瞻性时空扫描算法模块展示需要借助Google Maps,在算法运行完成后,需要对预警信号根据P值进行分级,不同级用不同的颜色以示区分,同时,P值越小,其所对应的信号越强,越有意义。同时可读入各行政区域的边界信息以展示预警信号的详细区域。所有的预警信号区域都应该在Google Maps中得到展示(包括2D、3D和2D+3D(地图和卫星图像叠加的混合图层)三种方式),点击各个区域可以看到该区域的一些信息,如:聚集区域的地理编码、经纬度、半径、聚集的时间段、聚集区域的总人口数、聚集区域的总病例数、聚集区域的预期发病数、相对危险度、对数似然比、P值等。显示窗口需要提供预警信号强弱列表,点击其中一个,可以方便定位到地图上,同时,可以查看该区域病例针对性别、年龄和职业的统计分析,针对不同变量采用不同的统计图表描述其特征,如:年龄分布采用条图,性别、职业分布采用饼图等。
由于近期异常事件探测(WSARE)的结果仅为一条最有意义的规则,因此该算法的结果以弹出窗口形式展示。
本***的结果可视化模块主要适用于前瞻性时空扫描方法。通过设置相应的可视化参数,即可将时空扫描探测的聚集信号形象直观地呈现在地图上,同时还可以得到各个聚集信号所包含病例人群分布(性别、职业、年龄)的分析结果以及动态的疾病暴发轨迹。
***可视化参数设置界面提供可视化参数设置功能,可由用户自定义信号的分级数及各级显示的颜色。
***可根据自定义的可视化参数将不同强度的预警信号按照不同的颜色分级定位在地图上。***实现了以Google Maps/Satellite为基础的传染病暴发强度可视化查看功能,和传染病暴发轨迹可视化查看功能。***支持分级展示,并能提供预警信号的详细信息及信号所在区域病例的基本特征分析。
通过点击可视化页面右下角的“查看暴发轨迹”选项,可以通过时间轴显示选中区域及时间段内各个小区域中预警信号的变化。查看信号的暴发轨迹。***支持以自动播放的方式展示动态变化的过程,时间轴类似于视频播放软件的进度条操作。
4)用户管理模块:
用户管理模块,主要包含用户的增加、修改、删除、权限制定等。附加功能包含用户使用***的日志记录展示,步骤进行过程提示,预警能通过内置通讯录以手机短信及Email的形式发送到相应责任人等。
用户登录及管理模块
为保证***及数据安全,用户需通过验证的用户名和密码登录传染病聚集性探测与早期预警集成***。错误的用户名或密码将不能登录***。
登录***后***提供算法导航界面,用户可根据具体需要选择时空扫描或近期异常事件探测(WSARE)算法,并由此进入各自的数据预处理模块。
5)其它功能模块:
暴发轨迹功能描述:
当查看一次结果进行时,可按时间回溯指定预警信号的产生过程,在指定时间段内持续关注该信号,以追溯某预警信号的过去,并关注其未来的发展趋势。
用户管理及附加功能模块功能描述:
由于本***的重心是实现算法,因此用户管理模块相对较少,只需提供简单的用户增加、
修改和删除功能。附加功能也只需要提供接口,供进一步开发利用。
本实用新型的传染病聚集性探测与早期预警***采用B/S框架,即基于Web的三层应用体系结构,数据的运算与分析都在后台服务器运行,用户只需通过浏览器便能操作所用功能。运用J2EE技术进行开发,并结合PostgreSQL数据库,以Jetty作为服务器。J2EE技术是目前运用非常广泛的技术,用于解决企业级***开发;PostgreSQL数据库是免费的高效数据库***,支持很多数据库特性;Jetty是一种轻量级的服务器容器,具有高效性和易用性。因此,采用B/S架构解决方案是可行的。
本实用新型的传染病聚集性探测与早期预警***的接口包括外部接口和内部接口。
本实用新型的传染病聚集性探测与早期预警***的外部接口主要包括:服务器接口、客户端PC接口、网卡接口和网络连线接口。
本实用新型的传染病聚集性探测与早期预警***的***的内部接口主要包括:PostgreSQL接口、JAVA虚拟机接口、服务器(如IIS,TOMCAT)接口、浏览器接口。
本实用新型一种传染病聚集性探测与早期预警***的运行环境控制,具体如下所述:
为了方便部署和高效访问,***服务器端将Web服务器集成在***中。Web服务器模块的核心基于Jetty应用服务器。Jetty是一个符合J2EE的JSP、Servlet标准的Web及应用服务器,采用了基于Java NIO技术的网络访问层,可以达到极高的访问效率,并且支持Continuations技术,能够在Web环境下实现大并发度准实时地客户端/服务器交互。
根据部署情况需要,可以选用Nginx作为前端代理服务器,分担Jetty服务器的压力。在这种方式下,如果客户端请求的是静态页面,则由Nginx服务器响应请求;如果客户端请求动态页面,则由Jetty服务器响应请求;结合***前端采用的GWT技术,可以让***达到非常高的性能。
客户端浏览器:推荐Firefox、Chrome,支持IE浏览器8.0。预装软件:Microsoft Excel 2003版本以上。
本实用新型一种传染病聚集性探测与早期预警***的运行时间:
传染病时空聚集性探测与早期预警集成***运行时间由病例规模和监测点数量决定。分析测试表明,***算法具有较好的伸缩性,随着病例规模和监测点数量增长而线性增加。
考虑到传染病时空聚集性探测与早期预警集成***的运行环境为准实时环境(通常在夜间进行计算),***运行时间能够满足实际运行的需求,达到设计目标。
为了使本领域的普通技术人员更好地理解本实用新型,下面详细介绍本实用新型的数据结构与程序的关系,具体如下所述:
数据结构与程序的关系
数据描述
静态数据
本***中需要的静态数据主要指服务器端启动服务的过程中需要加载的一些地理信息数据,包括全国各省、地市、区县和乡镇的名称、国标编码、行政中心的经纬度、经纬度所对应的平面X、Y坐标,以及各行政区域的边界信息(由若干个经纬度表示)。全国省级、地市级和区县级地理数据以及边界数据包括全国省地理数据、全国地市级地理数据、全国区县级地理数据和全国省级边界数据。
动态数据
本***所涉及的动态数据主要包括用户在使用***时所上传的病例数据、人口数据、地理数据和邻接矩阵数据,数据预处理结束后所产生的病例、人口和地理格式化数据,时空扫描算法和近期异常事件探测(WSARE)算法的运行结果数据,以及算法在运行过程中所产生的临时数据。
原始病例数据包含“卡片ID”,“卡片状态”,“报告医院所在地区国标编码”,“卡片编号”,“身份证号码”,“报告时病例分类”,“姓名”,“性别”,“监护人姓名”,“出生日期”,“发病日期”,“诊断时间”,“患者工作单位”,“现住地址”,“现住地址国标编码”,“现住详细地址”,“职业”,“死亡日期”,“报告人”,“填卡医生”,“医生填卡日期”,“疾病名称”,“接触者有无相同症状”,“备注”,“报告卡生成时间”,“县区审核时间”,“地市审核时间”,“省级审核时间”,“订正终审时间”,“终审死亡时间”,“删除时间”,“报告地区”,“报告单位”,“补卡时间”,“审核状态”,“单位类型”,“卡片来源”37个变量。
用户上载的人口数据包括“地区编码”,“地区名称”,“年龄”,“男性人口数”,“女性人口数”,“产生人口信息年份”,“年龄分段”,“人口总数”。
用户上传的地理数据包括“地区国标编码”,“经度”,“纬度”,“X坐标”,“Y坐标”。
用户上载的邻接矩阵中包含与各区域相邻的区域个数及地区国标编码。
数据库操作
传染病时空聚集性探测与早期预警集成***对数据库的管理操作,主要涉及到用户账户的管理、数据字典的管理和算法运行过程中需要保存在数据库中的临时数据的管理。对数据库的操作仅限于普通的增加,修改和删除。
数据词典
传染病时空聚集性探测与早期预警集成***中数据词典主要包括:
用户账户管理中需要的民族、省、地市、区县名称;
时空扫描和近期异常事件探测(WSARE)算法要处理的若干病种名称;
数据统计分析中的职业名称。
数据读取
运行传染病时空聚集性探测与早期预警集成***的时空扫描算法需要上传病例数据文件、人口数据文件和地理数据文件,运行近期异常事件探测(WSARE)算法只需要上传病例数据文件。所有的文件都只支持GBK或GB2312编码的CSV文件或与CSV格式相同的文本文件。各种类型的文件必须按照统一格式进行编写,以便于服务器端能按照既定的读取方式解析各种类型的数据文件。
表结构
本***主要涉及到的数据库表如下:
①用户表t_user:
表2示出了用户表t_user的数据库表,具体如下所述:
id | project_id | name | gender | department_id | create_time | theme | enable |
ID | 工程ID | 姓名 | 性别 | 部门ID | 创建时间 | 主题 | 是否删除 |
表2
②用户照片表t_user_photo:
表3示出了用户照片表t_user_photo的数据库表,具体如下所述:
id | user_id | image |
ID | 用户ID | 用户照片路径 |
表3
③用户详细信息表t_user_detail:
表4示出了用户详细信息表t_user_detail的数据库表,具体如下所述:
表4
④机构层次表t_department_level:
表5示出了机构层次表t_department_level的数据库表,具体如下所述:
id | name |
ID | 名字 |
表5
⑤机构表t_department:
表6示出了机构表t_department的数据库表,具体如下所述:
表6
⑥数据字典类型表t_dictionary_type:
表7示出了数据字典类型表t_dictionary_type的数据库表,具体如下所述:
id | parent_id | name | description |
ID | 父字典项 | 名 | 描述信息 |
表7
⑦数据字典表t_dictionary:
表8示出了数据字典表t_dictionary的数据库表,具体如下所述:
表8
⑧角色表t_role:
表9示出了角色表t_role的数据库表,具体如下所述:
id | name | visible | transmit |
ID | 名字 | 是否可见 | 是否可传递 |
表9
⑨账户表t_account:
表10示出了账户表t_account的数据库表,具体如下所述:
id | user_id | login | password | login_count |
ID | 账号所有人 | 登录名 | 密码 | 登录次数 |
表10
⑩机构角色表t_department_role:
表11示出了机构角色表t_department_role的数据库表,具体如下所述:
id | department_id | role_id |
ID | 机构 | 角色 |
表11
表12示出了账户机构角色表t_account_role的数据库表,具体如下所述:
id | account_id | department_id | role_id | enabled |
ID | 帐号 | 机构 | 角色 | 是否有效 |
表12
id | user_id | log_date | ip | action |
ID | 用户 | 日期 | 进入***的IP | 动作 |
表13
表14示出了***登录统计表t_login_stat的数据库表,具体如下所述:
id | department_id | count |
ID | 单位部门 | 登录次数 |
表14
上载临时文件表t_temp_file:
表15示出了上载临时文件表t_temp_file的数据库表,具体如下所述:
id | name | ext | upload_time |
ID | 文件名 | 文件路径 | 上传时间 |
表15
表16示出了病例临时数据表t_case_file的数据库表,具体如下所述:
id | name |
ID | 文件名 |
表16
参照图6,示出了本实用新型中近期异常事件探测算法的流程示意图。
从图6中,可以看出:本实用新型中近期异常事件探测算法包括历史数据基线WSARE和贝叶斯网络基线WSARE两种方式,具体如下所述:
历史数据基线WSARE算法流程示意图,具体如下所述:
1)从历史数据中选取指定日期作为检测基线;
2)对比基线数据和近期数据,找出有效的数据;
3)对最佳规则进行随机测试;
4)报告最佳规则及其P值。
贝叶斯网络基线WSARE算法流程示意图,具体如下所述:
1)从历史数据中训练贝叶斯网络;
2)从贝叶斯网络中选择训练样本;
3)对比基线数据和近期数据,找出有效的数据;
4)对最佳规则进行随机测试;
5)报告最佳规则及其P值。
本实用新型的一种传染病聚集性探测与早期预警***具有如下优点:
1)原始创新:本***在时空扫描统计量的算法程序中集成了“D方法”,D方法全称为基于超几何分布扫描统计量(D统计量),是对时空扫描统计量算法的发展,该方法由本项目组首次提出。
2应用创新:在深入研究原始文献的基础上,本***对于时空扫描统计量和近期异常事件探测(WSARE)这两种算法进行了重新的编程实现,并对其中的部分算法进行了优化;除此之外,在大量前期研究的基础之上,本软件***还对这上述两种算法给出了默认的参数设置,提高了其实用性。
3)集成创新:本***成功地将时空聚集性探测模型和Google Maps进行了集成,实现了数据预处理、早期预警分析以及预警结果可视化展示的一体化处理;与此同时,还预留了和传染病网络直报***进行对接的接口,方便本软件***后期直接应用于我国的各级卫生及疾控部门。
4)技术创新:本***。以先进的J2EE架构进行设计和开发工作,并结合PostgreSQL数据库,以Jetty作为服务器。于此同时,本***还采用了B/S框架。
总之,本实用新型提供了一种传染病聚集性探测与早期预警***,该***操作方便,可以方便不同背景技术的人员操作使用。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于***实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上对本实用新型所提供的一种传染病聚集性探测与早期预警***进行了详细介绍,本文中应用了具体个例对本实用新型的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本实用新型的方法及其核心思想;同时,对于本领域的一般技术人员,依据本实用新型的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本实用新型的限制。
Claims (6)
1.一种传染病聚集性探测与早期预警***,其特征在于,包括数据采集***、数据分析处理***和数据记录仪;所述数据记录仪与所述数据采集***进行数据连接,所述数据分析处理***与所述数据采集***连接。
2.如权利要求1所述的***,其特征在于:
所述数据记录仪连接有传感器。
3.如权利要求1所述的***,其特征在于:所述传染病聚集性探测与早期预警***进一步包括信息采集终端,所述信息采集终端采集传染病数据信息并传送到数据分析处理***。
4.如权利要求3所述的***,其特征在于:所述信息采集终端包括电子标签读取器、输入设备、存储卡读取器、存储器或无线传输设备。
5.如权利要求1所述的***,其特征在于:所述的数据连接包括有线数据连接或无线数据连接。
6.如权利要求1所述的***,其特征在于:所述的数据采集***同时与多台数据记录仪进行数据连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201220086696 CN202711253U (zh) | 2012-03-09 | 2012-03-09 | 一种传染病聚集性探测与早期预警*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201220086696 CN202711253U (zh) | 2012-03-09 | 2012-03-09 | 一种传染病聚集性探测与早期预警*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN202711253U true CN202711253U (zh) | 2013-01-30 |
Family
ID=47591534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201220086696 Expired - Fee Related CN202711253U (zh) | 2012-03-09 | 2012-03-09 | 一种传染病聚集性探测与早期预警*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN202711253U (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615884A (zh) * | 2015-02-04 | 2015-05-13 | 中国科学院地理科学与资源研究所 | 一种基于病毒检出率的传染病重症、死亡风险预警***及方法 |
CN106296452A (zh) * | 2016-08-09 | 2017-01-04 | 国网江苏省电力公司无锡供电公司 | 基于智能调度***状态估计结果的综合展示分析方法 |
CN106372425A (zh) * | 2016-08-31 | 2017-02-01 | 广东省疾病预防控制中心 | 一种基于症状比例r值的症状监测预警方法 |
WO2017079938A1 (en) * | 2015-11-12 | 2017-05-18 | Coyote Bioscience Co., Ltd. | Methods and systems for disease monitoring and assessment |
CN109360659A (zh) * | 2018-08-30 | 2019-02-19 | 昆明理工大学 | 一种基于相对风险偏差和空间参量修正的时空扫描统计方法 |
CN112270999A (zh) * | 2020-10-02 | 2021-01-26 | 孙炜 | 一种基于大数据和人工智能的流行病早期发现***和方法 |
-
2012
- 2012-03-09 CN CN 201220086696 patent/CN202711253U/zh not_active Expired - Fee Related
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615884A (zh) * | 2015-02-04 | 2015-05-13 | 中国科学院地理科学与资源研究所 | 一种基于病毒检出率的传染病重症、死亡风险预警***及方法 |
CN104615884B (zh) * | 2015-02-04 | 2017-07-28 | 中国科学院地理科学与资源研究所 | 一种基于病毒检出率的传染病重症、死亡风险预警***及方法 |
WO2017079938A1 (en) * | 2015-11-12 | 2017-05-18 | Coyote Bioscience Co., Ltd. | Methods and systems for disease monitoring and assessment |
CN106296452A (zh) * | 2016-08-09 | 2017-01-04 | 国网江苏省电力公司无锡供电公司 | 基于智能调度***状态估计结果的综合展示分析方法 |
CN106372425A (zh) * | 2016-08-31 | 2017-02-01 | 广东省疾病预防控制中心 | 一种基于症状比例r值的症状监测预警方法 |
CN106372425B (zh) * | 2016-08-31 | 2019-02-12 | 广东省疾病预防控制中心 | 一种基于症状比例r值的症状监测预警方法 |
CN109360659A (zh) * | 2018-08-30 | 2019-02-19 | 昆明理工大学 | 一种基于相对风险偏差和空间参量修正的时空扫描统计方法 |
CN109360659B (zh) * | 2018-08-30 | 2021-09-14 | 昆明理工大学 | 一种基于相对风险偏差和空间参量修正的时空扫描统计方法 |
CN112270999A (zh) * | 2020-10-02 | 2021-01-26 | 孙炜 | 一种基于大数据和人工智能的流行病早期发现***和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103310083B (zh) | 一种传染病聚集性探测与早期预警*** | |
Liu et al. | A new urban vitality analysis and evaluation framework based on human activity modeling using multi-source big data | |
Fonte et al. | Usability of VGI for validation of land cover maps | |
CN202711253U (zh) | 一种传染病聚集性探测与早期预警*** | |
Rehman et al. | Building a data warehouse for twitter stream exploration | |
Zheng et al. | A knowledge representation model based on the geographic spatiotemporal process | |
Li et al. | ODT FLOW: Extracting, analyzing, and sharing multi-source multi-scale human mobility | |
Southall | Rebuilding the Great Britain Historical GIS, Part 1: Building an indefinitely scalable statistical database | |
Zandbergen | Influence of street reference data on geocoding quality | |
Silva et al. | WikiSensing: an online collaborative approach for sensor data management | |
Balduini et al. | Models and practices in urban data science at scale | |
Russo et al. | Estimating air pollution removal and monetary value for urban green infrastructure strategies using web-based applications | |
Yang et al. | Research progress of urban floods under climate change and urbanization: a scientometric analysis | |
Sha et al. | A spatiotemporal data collection of viral cases for COVID-19 rapid response | |
US20140282912A1 (en) | Methods and Systems for Analyzing Public Data | |
Zhang et al. | Design and implementation of energy management system based on spring boot framework | |
Liu et al. | Semantic enhancement of human urban activity chain construction using mobile phone signaling data | |
Nickayin et al. | Soil quality and peri-urban expansion of cities: a mediterranean experience (Athens, Greece) | |
Han et al. | Healthy Cities, A comprehensive dataset for environmental determinants of health in England cities | |
Jones et al. | Urban change in the United States, 1990–2010: A spatial assessment of administrative reclassification | |
Ugliotti et al. | Enhancing risk analysis toward a landscape digital twin framework: A multi-hazard approach in the context of a socio-economic perspective | |
Deng et al. | Refined urban functional zone mapping by integrating open-source data | |
Greenhalgh et al. | Using GIS to explore the potential of business rating data to analyse stock and value change for land administration: A case study of York | |
Lloyd et al. | Exploring change in urban areas using GIS: Data sources, linkages and problems | |
Liu et al. | The Impact of Commercial-Industry Development of Urban Vitality: A Study on the Central Urban Area of Guangzhou Using Multisource Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130130 Termination date: 20170309 |