一种面向疫情防控的返校方案预估方法

技术领域

本发明涉及返校方案预估方法领域，尤其是涉及一种面向疫情防控的返校方案预估方法。

背景技术

对于高校而言，面临着返校、入学双重压力下的疫情监测、报告、追踪与防控。在疫情防控常态化下逐步推进学生安全有序的返校也迫在眉睫。

目前学生返校方案制定主要依靠人工判断，不能有效的估计每个风险因子对学生返校安全性的影响，错峰分批返校后对学生的集中管理也存在安全隐患。

发明内容

本发明的目的就是为了克服上述现有技术存在学生返校方案存在安全隐患、不可靠的缺陷而提供一种面向疫情防控的返校方案预估方法。

本发明的目的可以通过以下技术方案来实现：

一种面向疫情防控的返校方案预估方法，包括以下步骤：

数据获取步骤：构建疫情数据库，更新获取疫情病例的空间分布；收集学生每日的健康状态信息和实时位置信息；

学生风险评估步骤：对所述疫情病例的空间分布和所述学生每日的实时位置进行空间交互分析，对所述学生每日的健康状态信息进行分析，评估每个学生感染疫情的风险性；

返校方案生成步骤：根据所述每个学生感染疫情的风险性的评估结果，将学生分类为有风险学生和无风险学生，选取无风险学生构建多种返校预估方案；

返校方案预估步骤：构建所述多种返校预估方案的决策矩阵、理论最优方案决策矩阵和理论最劣方案决策矩阵，基于欧式距离，计算每个所述返校预估方案与所述理论最优方案决策矩阵和理论最劣方案决策矩阵的相对接近度，从而获取最优的返校方案。

进一步地，所述多种返校方案的决策矩阵为加权决策矩阵，该加权决策矩阵的构建包括以下步骤：

构建用于评价学生是否具备返校条件的属性集合U；

构建返校预估方案集合G；

根据所述属性集合U和返校预估方案集合G，构建决策矩阵X；

对所述决策矩阵X进行归一化处理，得到初始决策矩阵R；

采用熵权法计算所述属性集合U中各属性的权重，得到属性权重ω；

采用所述属性权重ω对所述初始决策矩阵R进行加权，得到加权决策矩阵H。

进一步地，所述属性集合U中一属性的权重的计算表达式为：

k＝1/lnm

式中，ω

进一步地，所述理论最优方案决策矩阵和理论最劣方案决策矩阵的构建表达式为：

H

h

h

h

式中，H

进一步地，所述每个所述返校预估方案与所述理论最优方案决策矩阵和理论最劣方案决策矩阵的相对接近度的计算表达式为：

式中，C

进一步地，所述属性集合U包括所在地疫情状况属性、健康状况属性和活动轨迹属性；所述返校预估方案集合G包括按年级返校方案、按宿舍返校方案和按宿舍楼返校方案。

进一步地，所述数据获取步骤，还包括对获取的所述疫情病例的空间分布、学生每日的健康状态信息和实时位置信息进行数据清洗处理以及对多源数据进行集成。

进一步地，数据获取步骤中，所述学生每日的实时位置信息由GPS自动定位程序自动获取。

进一步地，学生风险评估步骤中，所述对所述疫情病例的空间分布和所述学生每日的实时位置进行空间交互分析具体为，

利用GIS缓冲区分析技术评估所述疫情病例的空间分布的影响范围，从而与所述学生每日的实时位置进行空间交互分析。

进一步地，学生风险评估步骤中，所述评估每个学生感染疫情的风险性的评估因子包括学生的健康情况因子、14天内的活动轨迹因子、居住地的疫情严重程度因子和学业状态因子。

与现有技术相比，本发明具有以下优点：

(1)本发明基于对疫情大数据和学生信息的交互式分析，有效地对学生返校进行风险性评估，为返校决策提供科学准确的参考；采用多属性决策模型，分别对按照年级、宿舍、宿舍楼分批返校方案进行优劣评估，所有最优指标值和最劣指标值构成理想最优方案和最劣方案，计算每个预估方案与最优方案的加权欧氏距离，得到三种备选方案与最优方案的接近程度，由此评价各个方案的优劣；

与传统的疫情背景下高校返校方案相比较，本发明的方法能够将返校风险进行了全面的评估，通过数学决策模型预估返校方案，减少人工判断的人为误差，更加科学合理。

(2)通过熵权法确定属性权重，便于调节各个属性对备选返校方案的影响程度。

(3)评估每个学生感染疫情的风险性的评估因子包括学生的健康情况因子、 14天内的活动轨迹因子、居住地的疫情严重程度因子和学业状态因子；能够将返校风险进行量化，多维度地考虑影疫情防控背景下影响学生返校的因子。

附图说明

图1为本发明的流程图；

图2为多属性决策方法流程图；

图3为按年级返校的返校方案预估展示图；

图4为按宿舍返校的返校方案预估展示图；

图5为按宿舍楼返校的返校方案预估展示图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

本实施例提供一种面向疫情防控的返校方案预估方法，包括以下步骤：

数据获取步骤：构建疫情数据库，更新获取疫情病例的空间分布；收集学生每日的健康状态信息和实时位置信息；

学生风险评估步骤：对疫情病例的空间分布和学生每日的实时位置进行空间交互分析，对学生每日的健康状态信息进行分析，评估每个学生感染疫情的风险性；

返校方案生成步骤：根据每个学生感染疫情的风险性的评估结果，将学生分类为有风险学生和无风险学生，选取无风险学生构建多种返校预估方案；

返校方案预估步骤：构建多种返校预估方案的决策矩阵、理论最优方案决策矩阵和理论最劣方案决策矩阵，基于欧式距离，计算每个返校预估方案与理论最优方案决策矩阵和理论最劣方案决策矩阵的相对接近度，从而获取最优的返校方案。

下面对各步骤进行详细描述。

1、数据获取步骤

数据获取步骤中，学生每日的实时位置信息由GPS自动定位程序自动获取。

数据获取步骤还包括对获取的疫情病例的空间分布、学生每日的健康状态信息和实时位置信息进行数据清洗处理以及对多源数据进行集成。

2、学生风险评估步骤

学生风险评估步骤中，对疫情病例的空间分布和学生每日的实时位置进行空间交互分析具体为，

利用GIS缓冲区分析技术评估疫情病例的空间分布的影响范围，从而与学生每日的实时位置进行空间交互分析。

学生风险评估步骤中，评估每个学生感染疫情的风险性的评估因子包括学生的健康情况因子、14天内的活动轨迹因子、居住地的疫情严重程度因子和学业状态因子。

3、返校方案预估步骤

多种返校方案的决策矩阵为加权决策矩阵，该加权决策矩阵的构建包括以下步骤：

构建用于评价学生是否具备返校条件的属性集合U；

构建返校预估方案集合G；

根据属性集合U和返校预估方案集合G，构建决策矩阵X；

对决策矩阵X进行归一化处理，得到初始决策矩阵R；

采用熵权法计算属性集合U中各属性的权重，得到属性权重ω；

采用属性权重ω对初始决策矩阵R进行加权，得到加权决策矩阵H。

属性集合U中一属性的权重的计算表达式为：

k＝1/lnm

式中，ω

理论最优方案决策矩阵和理论最劣方案决策矩阵的构建表达式为：

H

h

H

h

式中，H

每个返校预估方案与理论最优方案决策矩阵和理论最劣方案决策矩阵的相对接近度的计算表达式为：

式中，C

属性集合U包括所在地疫情状况属性、健康状况属性和活动轨迹属性；返校预估方案集合G包括按年级返校方案、按宿舍返校方案和按宿舍楼返校方案。

具体实施过程的详细描述如下：

如图1所示，本实施例提供的基于大数据分析和人工智能决策的面向疫情防控的返校方案预估方法，包括：1)分布式高速可靠疫情大数据的挖掘，通过正则表达式解析网络数据，多线程和协程实现并发爬取数据，构造全国县级单元疫情数据库；2)通过表单采集全校学生的实时位置、健康状态、所在宿舍和年级等基本信息，利用关系型数据库SQLServer和分布式文档存储数据库Hadoop整理存储；3) 调用百度地图API接口，实时显示学生位置分布图和疫情空间分布，实现疫情数据和学生分布位置空间可视化；4)GIS相关性分析，学生空间位置数据和以庆分布数据空间叠置，通过缓冲区评估每个学生的感染风险；5)选择最优决策属性，对学生返校预估的决策因子进行加权评估，筛选出学生具备返校资格的基础条件； 6)交互决策管理，学生管理部门根据学生的年级、宿舍、宿舍楼，综合决策生成返校方案。

具体包括以下步骤：

步骤1：构建精准的全国县级单元疫情数据库并对该数据库实时更新，实现全国确诊病例及疑似病例的空间分布分析，收集学生每日的健康状态信息和实时位置信息，每日更新人员状态；

步骤2：将疫情的空间分布和学生的实时位置相互关联，通过调用百度API 地图可视化呈现；

步骤3：对学生的活动轨迹进行恢复并与其相关联的空间区域疫情进行叠置分析，评估每个学生感染疫情的风险性；

步骤4：考量学生的健康情况、14天内的活动轨迹、居住地的疫情严重程度、学业状态等因子，对返校资格进行智能决策；

步骤5：学校管理部门交互管理，对按照年级、宿舍和宿舍楼三种返校方案进行风险评估，生成分批错峰返校方案。

进一步地，所述的步骤1包括以下分步骤：

步骤11：疫情大数据采集，通过正则表达式解析网络数据，多线程和协程实现并发爬取数据；

步骤12：大数据预处理，由于采集到的数据存在数据格式、统计口径不一致问题，为提升数据质量，首先对数据进行清洗处理，清除掉噪声数据和不一致数据，然后将多源数据进行集成，合并存放到统一的数据库中；

步骤13：设计表单采集学生的状态信息，嵌入GPS自动定位程序自动获取学生的实时位置。

进一步地，所述的步骤2包括以下分步骤：

步骤21：基于全国县级单元的感染人员和疑似感染人员的位置分布，调用百度地图API接口进行二次开发，将疫情信息空间分布展示在地图中；

步骤22：根据各区域的确诊病例，利用GIS缓冲区分析技术评估影响范围，将疫情分布区域划分为多级风险区域；

步骤23：基于学生上报的所在地位置通过调用API接口对百度地图二次开发，实现全校学生空间分布的可视化；

步骤24：采集学生每日连续位置信息，可以获取学生14日内的活动轨迹，通过对离散位置点的空间插值将学生的轨迹可视化。

进一步地，如图2所示，所述的步骤5包括以下分步骤：

步骤51：根据学生的14日状态信息，选择出用于评价学生是否具备返校条件的属性集合，包括U＝{u

步骤52：构建返校预估方案集合G＝{g

步骤53：根据属性集合和预估方案集合构造决策矩阵为：

其中x

步骤54：对决策矩阵的原始数据进行归一化处理：

其中i＝1，2，3，j＝1，2，3，

步骤56：采用熵权法计算各属性的权重，对于m个备选方案，n个评价属性，形成的初始决策矩阵R＝(r

其中

则熵权ω

步骤57：将指标权重ω与初始决策矩阵R进行加权，得到加权决策矩阵 H＝(h

步骤58：分别选择各项指标的最优值和最劣质构成理论最后返校方案和最劣返校方案：

H

其中，h

步骤59：计算各备选方案与理论最优方案和最劣方案之间的欧式距离，计算公式如下：

步骤510：计算各个方案的相对接近度

步骤511：按相对接近度大小对方案进行选择，接近都越大说明方案最优。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。