…，rn}>。在此，tl是时间,Ul是用户，LI是位置，rl,…，rn是报告属性。例如，报告属性可以包括对关于第一用户的健康条件的问题的回答，和诸如生命体征之类的传感器数据的收集等等。第二用户的报告可以被数学地表示为R2 = <tl，U2，LI，{rjr..，rk}>。在此，tl是时间，U2是用户，LI是位置，rj, -,rk是报告属性。
[0035]Cl可以表示第一位置LI的环境信息。环境信息可以包括第一位置的参数，比如温度、水质、疾病爆发的报告和其他报告。环境可以被数学地表示为Cl =〈[tl..tm], LI, {cl,…，cn}>。在此,tl是1〈 = i〈 = m的时间,LI是位置,cl,…，cn是环境属性。
[0036]图1中剩余的位置L2、L3和L4包括来自用户Ul和U2的旅行报告R3-R6，以及位置L2、L3和L4的环境信息C2-C5。
[0037]使用前述信息，该方法可以将访问区中正在报告的条件Ri (例如，发烧、腹泻、心跳过速等)与访问区中的环境信息参数Ci (例如，温度、水质、疾病爆发报告，其他报告)和用户简档参数Pi (例如，年龄、疾病史、健康行为等)关联起来。然后，该方法计算在Ri与Ci与Pi之间的相关概率。该计算的细节将在后面参考本发明的数学模型进行论述。
[0038]该方法可以用计算得到的Ri与Ci与Pi的相关概率导出推荐规则，Ri与Ci与Pi的相关概率例如描述在条件Ci下具有简档Pi的最终用户最可能报告Ri ;从而，这个人会应用推荐的行动Xi来避免该条件。
[0039]该方法可以基于在定义区域中的Ri与Ci与Pi的关系来实施推断，并且将来自不同区域的类似条件关联以预期条件和事件，并且报告现存的和未来的热点和疾病区域。
[0040]该方法还可以实施对与条件和简档有关的个人报告的分析和情况推断，并且应用推荐规则来在用户旅行过程中或在返程时识别对个人的可能的风险因素。该信息可以被卫生当局用于推荐和预防处理。
[0041]本发明方法的前述方面将参考图2A和2B被更完全地阐明，图中示出了一个根据本发明的示例性实施例的系统架构。
[0042]如图2A中所示，提供了一个旅行健康操作中心。该操作中心可以实施为服务器。旅行健康操作中心接收来自各种源的旅行健康数据。这些源可以包括可运行在旅行者的移动装置(例如智能电话)上的旅行健康助理应用程序、例如可穿戴每日活动跟踪器的传感器、水质传感器、政府旅游机构和可以提供与一般场所中的个人的健康相关联的信息的其他外部数据源。
[0043]进一步与旅行健康操作中心通信的是旅行健康存储库、健康环境存储库、用户简档存储库和健康推荐存储库。旅行健康操作中心可以执行操作1，其中，来自旅行应用程序、传感器、机构和其他数据源的原始数据被存储并且被使得对于存储库是可访问的。
[0044]旅行健康存储库可以存储从多个用户2提供的报告，健康环境存储库可以存储与多个位置3相关联的环境信息，用户简档存储库可以存储多个用户简档4，健康推荐存储库可以存储对特定环境5中具有特定简档的用户的推荐。例如，健康推荐可以被数学地表示为X =〈 {xl,…，xn}，{pl,…，pn}，{cl,…，cn} >, pi是简档属性，c j是环境属性，xi是推荐。
[0045]现在转到图2B，将描述根据本发明的示例性实施例的用于对来自旅行健康个人助理的环境化报告的概率评估的方法，该评估由旅行健康操作中心实施。
[0046]特别地，该方法用来自存储库2和3的输入，并且可以计算环境和报告6的影响，建议严重程度作为被报告事故和环境信息的结合。例如，如果许多旅行者报告腹泻，这又与某位置关于水质的信息相符，则该特殊位置与影响因子相关联(可能10分之9)。同样，如果对于特定位置几乎没有不好的报告或不好的环境信息，则严重程度因子低(可能10分之I)。然后，这由影响因子6a来评定等级。
[0047]如同刚描述的操作，该方法采取来自存储库2和4的输入，并且可以计算简档和报告7的影响。此处的例子是老年人(用户简档)和特定位置中的腹泻报告的结合较之有年轻人的相同报告(可能10分之6)来说具有较高的影响因子(可能10分之6)。再次，该模型的输出由严重程度7a评定等级。
[0048]该方法采用来自存储库2-4的输入，计算环境、简档和报告8的影响，并且将其结合成总体严重程度等级8a。
[0049]为了正确地计算位置和用户简档的影响，采用了通过本发明的数学公式(稍后论述)描述的因果关系模型。该因果关系模型是必要的，因为它允许不同环境的真实影响被识别，它同时还考虑到不同因子的影响。在方法步骤6中解释的方面的情况下(位置影响)，例如，计算出在给定环境中多长时间从用户提交一次某种疾病报告，其中，该频率可以是每小时、每天等提交的报告的数量。基于该信息，用时间上的平均发生率将影响因子分配给位置，可能用基于指数平滑的技术给近来的报告较高的权重。
[0050]该方法采用来自存储库2、4和5的输入，以确定哪个推荐和指导将被应用于特定环境9中的特定用户，并且在给出的特定结果的情况下，它对所有结合9a评定等级。例如，进入与关于热天的许多不好的健康关系报告相关联的位置的老年人被推荐不要进入该区域(因为在数学模型的结果下，危险的可能性很高)。该推荐对于寒冷天气中的年轻人是不同的。
[0051]在10中，8和9的信息被整合(最高等级的)以进行最终计算，即哪个是给定情况的最相关的推荐。换言之，10的方法建议个性化和环境化的旅行健康(也使用推荐规则10a)，并且通过旅行帮助助理应用程序提供给旅行者10b。尽管正在考虑更多的参数，但是相同的技术被用来计算位置和用户简档的影响因子以评估推荐的影响因子。
[0052]在11中，总体影响被评估，并且通过总体报告提供公众观点。例如，热点可以在11中被识别并且在Ila中与推荐一起被传递给旅行者。热点可以是通过不同计算6-10得出的具有最高总体影响因子的位置。这些信息对卫生机构和公共用途是有用的。
[0053]在12中，该方法计算推荐是否已经被遵循(例如，它测量旅行者是否不顾警告进入一个位置)，以及是否它因此影响到他们的行为。如果测量没有足够被遵循，则在13中该方法向推荐程序1a提供反馈回路，从而可能改变比其他的推荐更适当的推荐。在此，可以通过并入新的人工参数来解释用户反馈，该参数基本描述了正面反馈的百分比。
[0054]现在，提供一个包括在此公开的系统和方法的说明性方案。
[0055]试想卫生当局提供旅行应用程序来识别并缓解传染病的爆发。用这个应用程序，最终用户可以例如通过提供他们在给定环境中的体温和总体幸福感，来在其旅行时提供关于其健康状况的信息。
[0056]假设在位置LI中有旅行者A，其健康由于在靠近位置LI的咖啡店中吃了被感染的食物而受到危害。旅行者A更冒险地尝试风险更大的行为和食物。此外，旅行者A所访问的区域人迹罕至并且未在地图上标注，由于环境知识的缺乏以及环境的动态，关于该地区的危害影响几乎一无所知。