一种基于实时交通流数据的疫情预警分析方法及系统与流程

1.本发明涉及一种基于实时交通流数据的疫情预警分析方法及系统，属于交通大数据技术领域。


背景技术：

2.疫情风险检测对于城市交通管理有着重要的意义，疫情往往在短时间实现大面积的传播，对传播情况的无法了解、无法监测、无法预测更使得疫情传染控制难度更大，现有的疫情预警分析都是基于人工去做疫情流调，对于城市级的海量数据，人工做疫情流调并不能提前发现隐藏的风险，无法快速对可能的传染源进行有效检测，基于t+1的延迟对于疫情的控制也存在严重的滞后性，无法快速的进行预警。
3.中国专利文件cn112131392a公开了一种基于知识图谱的公共卫生疫情预警系统及方法，属于计算机网络技术领域，其技术方案的要点是方法包括以下步骤：步骤s1，构建基于公共卫生疫情知识图谱的预警模型；步骤s2，获取公共卫生疫情知识图谱所需的实体与关系；步骤s3，通过信息抽取与语义分析技术，在获取信息的基础上进行知识抽取，接入公共卫生疫情知识图谱中使用；步骤s4，知识推理，通过现有的知识机构，对获取的实体之间的关系进行发掘推理，通过权重算法得出信息真实性。该方法是对疫情的真实性进行判断，无法对传染病确诊患者及其所接触人员进行快速预警布控。


技术实现要素：

4.针对现有技术的不足，本发明提供一种基于实时交通流数据的疫情预警分析方法及系统，可以快速计算城市级海量数据危险程度，基于网约车数据、进出城车辆轨迹数据、市内车辆轨迹数据和公共交通数据的海量数据进行实时数据融合、建模、计算，实时输出涉疫实体的知识网络图谱和风险等级，对于阻止疫情扩散有着重要指导意义。
5.本发明的技术方案如下：
6.一种基于实时交通流数据的疫情预警分析方法，步骤如下：
7.(1)收集网约车数据、结构化之后的卡口数据、道路数据、区域数据(如城市主要商圈、医院、景区)，按照警、车、人、物、路、事件六个不同的数据域进行建模和数据分类处理；
8.(2)将分类好的网约车数据、卡口数据、道路数据、区域数据进行空间关系匹配；
9.(3)利用匹配好的空间数据构建实体与实体之间的关系数据；
10.(4)将关系数据同步到图数据库中，同步过程中将关系数据经过程序转化为三元组格式即实体—关系—实体，如(王某—拥有—车牌号为123的小汽车)，以实体为点，关系为线构建知识网络图谱，通过箭头标示实体的影响关系；
11.(5)前端检索查询实体的危险指数，对超过阈值的实体主动发出预警。
12.优选的，步骤(1)中，结构化之后的卡口数据是指：道路摄像头采集的数据经过第三方厂家将图片信息提取为文本信息，包括车牌号、经纬度坐标信息；
13.网约车数据包括车牌号、轨迹；
14.道路数据包括道路经纬度点组成的线形状点；
15.区域数据包括商圈、医院、学校边界点组成的面形状点。
16.优选的，步骤(1)中，建模是指：对网约车数据、结构化之后的卡口数据、道路数据、区域数据进行融合，并放在对应的警、车、人、物、路、事件数据域中。(此处主要是将数据分门别类，网约车数据属于车，把网约车的轨迹数据存在车域中，结构化之后的的卡口数据存在物域中，道路数据、区域数据存在路域中)
17.优选的，步骤(1)中，分类处理是指：把数据分为事实时序数据、静态维度数据、变化状态数据三种类型。如网约车轨迹数据是事实时序数据，网约车的车牌号是静态维度数据，网约车的支付状态是变化的状态数据，这三类数据分表存放。
18.事实时序数据是指：数据随时间增长不断产生且不再变化，如网约车轨迹随时间产生之后不再改变。
19.静态维度数据是指：某一物体或人的自然属性，且一段时间内不会变化。如道路信息、手机号码、身份证号码。
20.变化状态数据是指：某一事件的状态会短期内随着时间变化，如订单的支付状态。
21.优选的，步骤(2)中，空间关系匹配是指：根据车的经纬度轨迹数据和静态道路数据进行包含距离上的空间关联，关联方法为判断车轨迹点到道路的距离，距离取值取决于路的宽度，如小于路宽则表示车曾经经过此道路。
22.优选的，步骤(3)中，实体分为静态实体和动态实体；
23.动态实体：可以进行空间移动的个体，如人、车；
24.静态实体：无法进行空间移动的个体如道路、商场、医院。
25.优选的，步骤(3)中，关系数据是指实体与实体之间的相关接触信息，如某人乘坐某车、某人居住某小区。
26.优选的，步骤(4)中，图数据库是指以图结构来存储和查询数据的数据库。
27.图数据库是一个使用图结构进行语义查询的数据库，它使用节点、边和属性来表示和存储数据。该系统的关键概念是图，它直接将存储中的数据项，与数据节点和节点间表示关系的边的集合相关联。这些关系允许直接将存储区中的数据链接在一起，并且在许多情况下，可以通过一个操作进行检索。图数据库将数据之间的关系作为优先级。查询图数据库中的关系很快，因为它们永久存储在数据库本身中。可以使用图数据库直观地显示关系，使其对于高度互连的数据非常有用，常见的图数据库有titan、neo4j、orientdb、janusgraph、 hugegraph、trinity。
28.优选的，步骤(5)中，危险指数分为实时动态实体危险指数、实时静态实体危险指数，计算方式如下：
29.实时动态实体危险指数＝动态实体入度+动态实体出度
30.实时静态实体危险指数＝(静态实体入度+静态实体出度)*tti
31.入度：一个实体受其他实体影响的次数，出度：一个实体影响其他实体的次数，tti为一个区域或者道路的拥堵指数。(tti是计算所得)
32.当危险指数≥平均值时，对实体发出预警，平均值为3度关系内实体危险指数总和与实体个数的比值。
33.一种基于实时交通流数据的疫情预警分析系统，包括数据收集模块、空间关系匹
配模块、关系数据构建模块、关系数据同步模块和预警模块，其中，
34.数据收集模块用于收集和分类处理收集网约车数据、结构化之后的卡口数据、道路数据、区域数据；
35.空间关系匹配模块用于将分类好的网约车数据、卡口数据、道路数据、区域数据进行空间关系匹配；
36.关系数据构建模块用于建实体与实体之间的关系数据；
37.关系数据同步模块用于将关系数据同步到图数据库中，同步过程中将关系数据经过程序转化为三元组格式；
38.预警模块用于查询实体的危险指数，对超过阈值的实体主动发出预警。
39.本发明的有益效果在于：
40.1、本发明可以快速计算城市级海量数据危险程度，对整个城市的疫情情况有清晰的了解，对阻止疫情扩散有着重要指导意义。
41.2、本发明通过通过实时计算技术，快速计算实体的危险程序，相比传统方法，对疫情的扩散提供更精确、更有效的依据。
42.3、本发明可以对关键点传播节点、家庭聚集性传播信息可以进行深度的挖掘和分析。
附图说明
43.图1为本发明的流程示意图；
44.图2为本发明的知识网络图谱示例图；
45.图3为本发明实施例1中的病历活动轨迹图。
具体实施方式
46.下面通过实施例并结合附图对本发明做进一步说明，但不限于此。
47.实施例1：
48.如图1-3所示，本实施例提供一位个体如下的社会活动，城内行为轨迹：城内出发地
‑‑ꢀ
(乘坐)
‑‑
网约车
‑‑
(途径)
‑‑
某路段
‑‑
(停留)
‑‑
商场(商场内滞留有传染病接触人员b)；
49.基于实时交通流数据的疫情预警分析方法，步骤如下：
50.(1)收集网约车数据、结构化之后的卡口数据、道路数据、区域数据(如城市主要商圈、医院、景区)，按照警、车、人、物、路、事件六个不同的数据域进行建模和数据分类处理；
51.(2)将分类好的网约车数据、卡口数据、道路数据、区域数据进行空间关系匹配；
52.(3)利用匹配好的空间数据构建实体与实体之间的关系数据；
53.(4)将关系数据同步到图数据库中，同步过程中将关系数据经过程序转化为三元组格式即实体—关系—实体，如(王某—拥有—车牌号为123的小汽车)，以实体为点，关系为线构建知识网络图谱，通过箭头标示实体的影响关系；
54.(5)前端检索查询实体的危险指数、对超过阈值的实体主动发出预警。
55.步骤(1)中，结构化之后的卡口数据是指：道路摄像头采集的数据经过第三方厂家将图片信息提取为文本信息，包括车牌号、经纬度坐标信息；
56.网约车数据包括车牌号、轨迹；
57.道路数据包括道路经纬度点组成的线形状点；
58.区域数据包括商圈、医院、学校边界点组成的面形状点。
59.步骤(1)中，建模是指：对网约车数据、结构化之后的卡口数据、道路数据、区域数据进行融合，并放在对应的警、车、人、物、路、事件数据域中。(此处主要是将数据分门别类，网约车数据属于车，把网约车的轨迹数据存在车域中，结构化之后的的卡口数据存在物域中，道路数据、区域数据存在路域中)
60.步骤(1)中，分类处理是指：把数据分为事实时序数据、静态维度数据、变化状态数据三种类型。如网约车轨迹数据是事实时序数据，网约车的车牌号是静态维度数据，网约车的支付状态是变化的状态数据，这三类数据分表存放。
61.事实时序数据是指：数据随时间增长不断产生且不再变化，如网约车轨迹随时间产生之后不再改变。
62.静态维度数据是指：某一物体或人的自然属性，且一段时间内不会变化。如道路信息、手机号码、身份证号码。
63.变化状态数据是指：某一事件的状态会短期内随着时间变化，如订单的支付状态。
64.步骤(2)中，空间关系匹配是指：根据车的经纬度轨迹数据和静态道路数据进行包含距离上的空间关联，关联方法为判断车轨迹点到道路的距离，距离取值取决于路的宽度，如小于路宽则表示车曾经经过此道路。
65.步骤(3)中，实体分为静态实体和动态实体；
66.动态实体：可以进行空间移动的个体，如人、车；
67.静态实体：无法进行空间移动的个体如道路、商场、医院。
68.步骤(3)中，关系数据是指实体与实体之间的相关接触信息，如某人乘坐某车、某人居住某小区。
69.步骤(4)中，图数据库是指以图结构来存储和查询数据的数据库。
70.图数据库是一个使用图结构进行语义查询的数据库，它使用节点、边和属性来表示和存储数据。该系统的关键概念是图，它直接将存储中的数据项，与数据节点和节点间表示关系的边的集合相关联。这些关系允许直接将存储区中的数据链接在一起，并且在许多情况下，可以通过一个操作进行检索。图数据库将数据之间的关系作为优先级。查询图数据库中的关系很快，因为它们永久存储在数据库本身中。可以使用图数据库直观地显示关系，使其对于高度互连的数据非常有用，常见的图数据库有titan、neo4j、orientdb、janusgraph、 hugegraph、trinity。
71.步骤(5)中，危险指数分为实时动态实体危险指数、实时静态实体危险指数，计算方式如下：
72.实时动态实体危险指数＝动态实体入度+动态实体出度
73.实时静态实体危险指数＝(静态实体入度+静态实体出度)*tti
74.入度：一个实体受其他实体影响的次数，出度：一个实体影响其他实体的次数，tti为一个区域或者道路的拥堵指数。(tti是计算所得)
75.当危险指数≥平均值时，对实体发出预警，平均值为3度关系内实体危险指数总和与实体个数的比值。
76.如图三中所示，假设小区tti是1.5，商场tti为2
77.某人a的危险指数＝入度+出度＝0+2＝2
78.小区的危险指数＝(1+0)*小区tti＝1.5，(一度关系)
79.网约车的危险指数＝1+1＝2(一度关系)
80.xx路的危险指数＝1+0＝1(二度关系)
81.xx商场的危险指数＝(1+1)*商场tti＝4(二度关系)
82.传染病接触人员b＝0+1＝1(三度关系)
83.平均值＝(2+1.5+2+1+4+1)/6＝1.91,对某人a、网约车、商场发出实时预警。
84.注：tti最小值为1。
85.实施例2：
86.一种基于实时交通流数据的疫情预警分析方法，步骤如实施例1所述，不同之处在于，步骤(4)中的三元组格式，以实体为点，关系为线构建知识网络图谱，通过箭头标示实体的影响关系，如图2示例所示。
87.实施例3：
88.本实施例提供一种基于实时交通流数据的疫情预警分析系统，包括数据收集模块、空间关系匹配模块、关系数据构建模块、关系数据同步模块和预警模块，其中，
89.数据收集模块用于收集和分类处理收集网约车数据、结构化之后的卡口数据、道路数据、区域数据；
90.空间关系匹配模块用于将分类好的网约车数据、卡口数据、道路数据、区域数据进行空间关系匹配；
91.关系数据构建模块用于建实体与实体之间的关系数据；
92.关系数据同步模块用于将关系数据同步到图数据库中，同步过程中将关系数据经过程序转化为三元组格式；
93.预警模块用于查询实体的危险指数，对超过阈值的实体主动发出预警。