[發(fā)明專利]一種基于區(qū)縣疫情大數(shù)據(jù)的疫情預(yù)防系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010841087.0
• 申請(qǐng)日: 2020-08-20
• 公開（公告）號(hào): CN112652401A
• 公開（公告）日: 2021-04-13
• 發(fā)明（設(shè)計(jì)）人: 馮永玖;童小華;謝歡;陳鵬;劉世杰;金雁敏;許雄;柳思聰;王超;魏超;晏雄鋒;肖長(zhǎng)江;郭藝友
• 申請(qǐng)（專利權(quán)）人: 同濟(jì)大學(xué)
• 主分類號(hào): G16H50/80
• 分類號(hào): G16H50/80;G06F16/951
• 代理公司: 上海科盛知識(shí)產(chǎn)權(quán)代理有限公司 31225
• 代理人: 應(yīng)小波

本發(fā)明涉及一種基于區(qū)縣疫情大數(shù)據(jù)的疫情預(yù)防系統(tǒng)，包括：數(shù)據(jù)采集模塊，用于獲取系統(tǒng)輸入數(shù)據(jù)；數(shù)據(jù)庫(kù)；存儲(chǔ)模塊；區(qū)縣疫情分級(jí)模塊，用于根據(jù)數(shù)據(jù)采集模塊采集的數(shù)據(jù)對(duì)區(qū)縣疫情進(jìn)行分級(jí)處理；疫情擴(kuò)散分析模塊，用于根據(jù)數(shù)據(jù)采集模塊采集的數(shù)據(jù)分析各區(qū)縣疫情的擴(kuò)散情況；人員感染風(fēng)險(xiǎn)判斷模塊，用于根據(jù)數(shù)據(jù)采集模塊采集的數(shù)據(jù)對(duì)各區(qū)縣人員的感染風(fēng)險(xiǎn)進(jìn)行判斷；可視化模塊，用于進(jìn)行數(shù)據(jù)可視化以及疫情預(yù)警；服務(wù)器端；所述的數(shù)據(jù)采集模塊、數(shù)據(jù)庫(kù)、存儲(chǔ)模塊、區(qū)縣疫情分級(jí)模塊、疫情擴(kuò)散分析模塊、人員感染風(fēng)險(xiǎn)判斷模塊和可視化模塊分別與服務(wù)器端相連。與現(xiàn)有技術(shù)相比，本發(fā)明具有等優(yōu)點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明涉及疫情預(yù)防系統(tǒng)，尤其是涉及一種基于區(qū)縣疫情大數(shù)據(jù)的疫情預(yù)防系統(tǒng)。

背景技術(shù)

目前許多在線疫情網(wǎng)站均提供了地級(jí)市級(jí)別的疫情數(shù)據(jù)統(tǒng)計(jì)及歷史累計(jì)數(shù)據(jù)分析等功能。但在同一地級(jí)市內(nèi)的確診病例分布并不均勻，且確診病例多表現(xiàn)為親屬之間的聚集性感染。如果因?yàn)榈丶?jí)市的總體確診病例數(shù)量而將該地級(jí)市轄區(qū)內(nèi)所有人員均列為感染風(fēng)險(xiǎn)人員，不僅會(huì)錯(cuò)誤的估計(jì)人員的感染風(fēng)險(xiǎn)國(guó)內(nèi)大部分地級(jí)市均出現(xiàn)了疫情數(shù)據(jù)，也不利于進(jìn)行有效的人員感染風(fēng)險(xiǎn)分級(jí)，從而影響不同感染風(fēng)險(xiǎn)級(jí)別的人員流動(dòng)控制，所以亟需一種能夠?qū)^(qū)縣級(jí)疫情進(jìn)行分析的疫情監(jiān)控預(yù)防系統(tǒng)。

發(fā)明內(nèi)容

本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種實(shí)現(xiàn)區(qū)縣級(jí)的疫情監(jiān)控和預(yù)防、實(shí)用性強(qiáng)的基于區(qū)縣疫情大數(shù)據(jù)的疫情預(yù)防系統(tǒng)。

本發(fā)明的目的可以通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)：

一種基于區(qū)縣疫情大數(shù)據(jù)的疫情預(yù)防系統(tǒng)，其特征在于，包括：

數(shù)據(jù)采集模塊，用于獲取系統(tǒng)輸入數(shù)據(jù)；

數(shù)據(jù)庫(kù)；存儲(chǔ)模塊；

區(qū)縣疫情分級(jí)模塊，用于根據(jù)數(shù)據(jù)采集模塊采集的數(shù)據(jù)對(duì)區(qū)縣疫情進(jìn)行分級(jí)處理；

疫情擴(kuò)散分析模塊，用于根據(jù)數(shù)據(jù)采集模塊采集的數(shù)據(jù)分析各區(qū)縣疫情的擴(kuò)散情況；

人員感染風(fēng)險(xiǎn)判斷模塊，用于根據(jù)數(shù)據(jù)采集模塊采集的數(shù)據(jù)對(duì)各區(qū)縣人員的感染風(fēng)險(xiǎn)進(jìn)行判斷；

可視化模塊，用于進(jìn)行數(shù)據(jù)可視化以及疫情預(yù)警；

服務(wù)器端；

所述的數(shù)據(jù)采集模塊、數(shù)據(jù)庫(kù)、存儲(chǔ)模塊、區(qū)縣疫情分級(jí)模塊、疫情擴(kuò)散分析模塊、人員感染風(fēng)險(xiǎn)判斷模塊和可視化模塊分別與服務(wù)器端相連。

優(yōu)選地，所述的數(shù)據(jù)采集模塊采集的數(shù)據(jù)包括各區(qū)縣疫情數(shù)據(jù)、區(qū)縣間的人口遷徙數(shù)據(jù)以及各區(qū)縣內(nèi)人員的定位數(shù)據(jù)。

更加優(yōu)選地，所述的各區(qū)縣疫情數(shù)據(jù)通過(guò)既有的疫情數(shù)據(jù)平臺(tái)獲取；所述的區(qū)縣間人口遷徙數(shù)據(jù)由網(wǎng)絡(luò)爬蟲通過(guò)既有的人口出行遷徙數(shù)據(jù)平臺(tái)獲取；所述的各區(qū)縣內(nèi)人員的定位數(shù)據(jù)通過(guò)既有的人員定位數(shù)據(jù)平臺(tái)獲取。

更加優(yōu)選地，所述的疫情數(shù)據(jù)包括各區(qū)縣單日新增病例數(shù)、各區(qū)縣14天累計(jì)確診病例數(shù)和各區(qū)縣14天內(nèi)有新增病例累計(jì)天數(shù)。

更加優(yōu)選地，所述的區(qū)縣疫情分級(jí)模塊中感染風(fēng)險(xiǎn)等級(jí)的判斷方法為：

低感染風(fēng)險(xiǎn)等級(jí)：?jiǎn)稳招略龃_診病例數(shù)、14天累計(jì)確診病例數(shù)和14天內(nèi)有新增病例累計(jì)天數(shù)均為零；

較低感染風(fēng)險(xiǎn)等級(jí)：?jiǎn)稳招略龃_診病例數(shù)范圍為，14天累計(jì)確診病例數(shù)范圍為，14天內(nèi)有新增病例累計(jì)天數(shù)范圍為；

中感染風(fēng)險(xiǎn)等級(jí)：?jiǎn)稳招略龃_診病例數(shù)范圍為，14天累計(jì)確診病例數(shù)范圍為，14天內(nèi)有新增病例累計(jì)天數(shù)范圍為；

較高感染風(fēng)險(xiǎn)等級(jí)：?jiǎn)稳招略龃_診病例數(shù)范圍為，14天累計(jì)確診病例數(shù)范圍為，14天內(nèi)有新增病例累計(jì)天數(shù)范圍為；

高感染風(fēng)險(xiǎn)等級(jí)：?jiǎn)稳招略龃_診病例數(shù)范圍為，14天累計(jì)確診病例數(shù)范圍為，14天內(nèi)有新增病例累計(jì)天數(shù)范圍為。

優(yōu)選地，所述的疫情擴(kuò)散分析模塊具體為二維元胞自動(dòng)機(jī)。

優(yōu)選地，所述的人員感染風(fēng)險(xiǎn)判斷模塊中人員感染風(fēng)險(xiǎn)的判斷方法為：