[發明專利]一種新型冠狀病毒肺炎疫情多級預警方法及系統

有效

• 申請號: 202010796553.8
• 申請日: 2020-08-10
• 公開（公告）號: CN111916218B
• 公開（公告）日: 2022-07-22
• 發明（設計）人: 張學旺;馮家琦;崔一輝;李洋洋;殷梓杰;付康
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G16H50/70
• 分類號: G16H50/70;G16H50/80;G06K9/62
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 楊柳岸

1.一種新型冠狀病毒肺炎疫情多級預警方法，其特征在于：該方法包括以下步驟：

步驟一：獲取全國、省市、自治區、直轄市以及城市每日人口流動比例數據；

步驟11：從百度地圖遷徙大數據平臺網址：http://qianxi.baidu.com/獲取源代碼；

步驟12：利用Python集成開發環境Pycharm，采用Python爬蟲庫Requests、Urllib庫，分別獲取百度地圖遷徙大數據平臺全國、省市以及城市之間每日人口流動數據，并生成csv格式的文件保存在本地主機；

步驟二：獲取全國新冠肺炎疫情預警數據

獲取全國每日人口流動比例數據后，結合新冠肺炎疫情群體態勢預測算法獲取的全國每日新增確診數據以及各省市行政區劃代碼數據，通過擴展的K-Means Clustering算法得出全國新冠肺炎疫情預警數據：

步驟21：將生成的csv格式的百度地圖遷徙大數據平臺全國每日人口流動數據與全國新冠肺炎疫情群體態勢確診病例預測數據相乘，得到各省市受到新冠肺炎疫情影響的數據；

步驟22：將全國34個省市進行編碼處理，每個處理成一個34維的向量，只包含0和1，并與步驟21得到的新冠肺炎影響數據構成一個坐標點，34個省市坐標點構成一個數據集；

步驟23：采用歐式距離計算任意兩個省市之間的距離：

步驟24：確定K值，隨機選取K個省市份的坐標作為聚類中心；

步驟25：對數據集中每一個坐標點，采用公式(1)計算其與每一個聚類中心的歐式距離，并將其劃分到歐式距離近的聚類中心所屬的集合；

步驟26：把所有數據歸好集合后，共有k個集合；然后重新計算每個集合的聚類中心；如果新聚類中心和原聚類中心之間的歐式距離變化不大，并且趨于收斂，就認為K-MeansClustering已經達到期望的結果，算法終止；如果新聚類中心和原聚類中心歐式距離變化很大，需要重復迭代步驟24～25，直到收斂；

步驟27：根據K-Means Clustering算法收斂后得到的結果，得出全國各省市新冠肺炎疫情等級，根據新冠肺炎疫情等級提前進行預警；

步驟三：獲取省市新冠肺炎疫情預警數據

獲取省市每日人口流動比例數據后，結合新冠肺炎疫情群體態勢預測算法獲取的省市每日新增確診數據以及各省市行政區劃代碼數據，通過擴展的K-Means Clustering算法得出各省市新冠肺炎疫情預警數據：

步驟31：將生成的csv格式的百度地圖遷徙大數據平臺各省市每日人口流動比例數據與各省市新冠肺炎疫情群體態勢確診病例預測數據相乘，得到各省市受到其他省市新冠肺炎疫情影響的數據；

步驟32：將全國34個省市進行編碼處理，每個省市處理成一個34維的向量，將目標省市編碼向量與其影響的其他33個省市編碼向量相加，標記具體是某個省市新冠肺炎疫情產生的影響數據，并與步驟41得到的新冠肺炎影響數據構成一個坐標點，這些坐標點構成一個數據集；

步驟33：確定K值，隨機選取K個省市份的坐標作為聚類中心；

步驟34：對數據集中每一個坐標點，采用公式(1)計算其與每一個聚類中心的歐式距離，并將其劃分到歐式距離近的聚類中心所屬的集合；

步驟35：把所有數據歸好集合后，共有k個集合；然后重新計算每個集合的聚類中心；如果新聚類中心和原聚類中心之間的歐式距離變化不大，并且趨于收斂，認為K-MeansClustering已經達到期望的結果，算法終止；如果新聚類中心和原聚類中心歐式距離變化很大，需要迭代步驟34～35，直到收斂；

步驟36：根據K-Means Clustering算法收斂后得到的結果，分別得出各省市受到其他省市新冠肺炎疫情影響等級，根據新冠肺炎疫情等級提前進行預警；

步驟四：城市新冠肺炎疫情預警數據

獲取各城市每日人口流動比例數據后，結合新冠肺炎疫情群體態勢預測算法獲取的城市每日新增確診數據以及城市行政區劃代碼數據，通過擴展的K-Means Clustering算法得出城市新冠肺炎疫情預警數據；

步驟41：將生成的csv格式的百度地圖遷徙大數據平臺城市之間每日人口流動比例數據與城市新冠肺炎疫情群體態勢確診病例預測數據相乘，得到各城市受到其他城市新冠肺炎疫情影響數據；

步驟42：將全國334個城市進行編碼處理，每個城市處理成一個334維的向量，其次將目標城市編碼向量與其影響的其他333個城市編碼向量相加，標記具體是某個城市新冠肺炎疫情產生的影響數據，并與步驟41得到的新冠肺炎影響數據構成一個坐標點，這些坐標點構成一個數據集；

步驟43：確定K值，隨機選取K個省市份的坐標作為聚類中心；

步驟44：對數據集中每一個坐標點，采用公式(1)計算其與每一個聚類中心的歐式距離，并將其劃分到歐式距離近的聚類中心所屬的集合；

步驟45：把所有數據歸好集合后，共有k個集合；然后重新計算每個集合的聚類中心；如果新聚類中心和原聚類中心之間的歐式距離變化不大，并且趨于收斂，就認為K-MeansClustering已經達到期望的結果，算法終止；如果新聚類中心和原聚類中心歐式距離變化很大，需要重復迭代步驟44～45，直到收斂；

步驟46：根據K-Means Clustering算法收斂后得到的結果，得出全國各城市受到其他城市新冠肺炎疫情影響等級，根據新冠肺炎疫情等級提前進行預警；

步驟五：建立新冠肺炎疫情多級預警系統

新冠肺炎疫情多級預警系統采用服務器端和客戶端分離模式開發；服務器端和各種類型的客戶端通過接口API的形式進行交互；Web客戶端使用Vue.js框架、通過Axios獲取服務器端的新冠肺炎疫情預警數據，通過Model-View-ViewModel，即MVVM的開發模式來實現業務邏輯；使用百度開源庫Echarts對數據進行可視化展現；移動客戶端與Web客戶端采用Echarts對數據進行可視化展現；服務器端的接口層、業務層和數據層使用Java語言開發，技術框架采用SpringBoot+Mybatis框架；服務器端的算法層使用Python語言開發，數據存儲和存取控制選擇MySQL數據庫；利用Spring Security技術實現系統的訪問控制，只允許授權用戶訪問系統。