一种用于学生返校的疫情防控方法和系统与流程

本发明涉及疫情防控领域，尤其是涉及一种用于学生返校的疫情防控方法和系统。

背景技术：

随着境外疫情呈加速扩散蔓延态势，我国疫情输入压力持续加大，国内疫情防控形势依旧严峻。国内疫情形势在局部区域出现二次波动，2020年6月和7月，北京和香港相继出现不同程度的疫情传播。受持续变化的疫情影响，我国近千所高校的学生返校进程处于停摆状态，近千万高校学生滞留家中。

国家卫健委《关于进一步加强学校传染病防控监督工作的通知》强调要加强对学校传染病防控制度措施的监督检查，对开始返校的高等学校重点检查新冠疫情防控制度措施制定落实情况，确保各项防控措施落实到位。但目前存在的返校决策方法中(如金智教育)，学校集信息收集、风险评估、名单制定各项职责于一身。疫情大数据复杂性、学生大数据虚假性使返校过程中学生感染风险评估存在极大困难，特别随着新一届学生即将入学，学生情况不确定性加大，现有返校决策方法无法保证入校学生的“零感染”，一旦感染者进入学校，全校师生的生命安全将受到严重威胁，全国来之不易的疫情防控成果可能毁于一旦。南京某高校学生返校后被查出与确诊病例同乘一架航班，导致该校防疫工作压力倍增；浙江中小学返校学生中出现发热现象多达1500人。

技术实现要素：

本发明的目的就是为了克服上述现有技术的返校决策方法存在较大的疫情感染风险的缺陷而提供一种用于学生返校的疫情防控方法和系统。

本发明的目的可以通过以下技术方案来实现：

一种用于学生返校的疫情防控方法，包括以下步骤：

数据库建立步骤：分别建立学生大数据库和疫情大数据库，所述学生大数据库包括学生的空间位置信息和健康状况信息，所述疫情大数据库包括疫情病例的空间位置分布信息；

自上而下的返校决策步骤：基于所述学生的空间位置信息、健康状况信息和疫情病例的空间位置分布信息，采用预设的决策指标，获取无感染风险的学生名单，从而构建返校方案，用于学生的返校；

自下而上的返校决策步骤：获取学生上传的学生返校状态信息，从而对所述返校方案进行调整，所述学生返校状态信息包括个人健康状况信息、返校意愿信息、计划行程信息和实际行程信息；

所述疫情大数据库采用数据挖掘技术构建，所述实际行程信息通过定位技术获取。

进一步地，所述决策指标包括健康状况指标和活动范围有无确诊病例指标；

所述健康状况指标的判断具体为，若学生在预设的第一天数内的所述健康状况信息均为健康，则所述健康状况指标合格，否则不合格；

所述活动范围有无确诊病例指标的判断具体为，若学生的所述空间位置信息与所述疫情病例的空间位置分布信息，在预设的第一缓冲区内不存在时空重叠，则所述活动范围有无确诊病例指标合格，否则不合格。

进一步地，所述基于所述学生的空间位置信息和疫情病例的空间位置分布信息，获取无感染风险的学生名单具体为：

将所述学生的空间位置信息和疫情病例的空间位置分布信息，载入预先建立的元胞自动机中，获取与疫情病例接触的学生及其接触次数，若所述接触次数大于预设的接触次数阈值，则该与疫情病例接触的学生为有感染风险的学生；否则为无感染风险的学生。

进一步地，所述采用数据挖掘技术构建疫情大数据库具体为：

通过网络爬虫技术，从官方网站和第三方平台中获取疫情数据，并将所述疫情数据按照国家级、省级、市级和县级进行分布式数据存储，从而构建所述疫情大数据库。

进一步地，所述疫情大数据库的建立还包括：对所述疫情数据进行数据交叉对比、相似匹配与数据融合处理。

进一步地，所述自下而上的返校决策步骤还包括对所述计划行程信息进行判断和优化，直至所述计划行程信息无感染风险。

进一步地，所述计划行程信息无感染风险根据预设的计划行程有无确诊病例指标判断，所述计划行程有无确诊病例指标的判断具体为：

若所述计划行程信息与所述疫情病例的空间位置分布信息，在预设的第二缓冲区内不存在时空重叠，则所述计划行程有无确诊病例指标合格，否则不合格。

进一步地，所述自下而上的返校决策步骤中，所述实际行程信息的获取具体为：在学生返校路程中，通过实时位置采集程序，主动获取学生位置，形成所述实际行程信息。

进一步地，所述实时位置采集程序通过调用移动设备的gps模块接口，并以相同的时间间隔持续上报所述学生位置。

本发明还提供一种用于学生返校的疫情防控系统，包括：

学生大数据库，该学生大数据库包括学生的空间位置信息、健康状况信息和个人基本信息；

疫情大数据库，该疫情大数据库包括疫情病例的空间位置分布信息；

系统处理模块，用于执行如权利要求1所述的一种用于学生返校的疫情防控方法的步骤；

学生处模块，用于通过所述系统处理模块执行所述自上而下的返校决策步骤，获取所述返校方案；

学院模块，用于根据所述个人基本信息，对学生处模块生成的所述返校方案进行筛选调整；

学生模块，用于上传所述学生返校状态信息，并接收所述返校方案；

辅导员模块，用于根据所述个人健康状况信息，对所述返校方案进行调整。

与现有技术相比，本发明具有以下优点：

(1)本发明在精准数据挖掘和精确位置服务的支持下，构成自上而下和自下而上的循环式决策管理，实现健康信息实时采集、返校方案科学研判、行程轨迹动态追踪、疫情防控日常管理的“全链路”监测管理，为学生返校复学提供全过程、全方位的决策保障。

(2)本发明通过与疫情大数据交互，以及gnss定位技术，系统主动获取学生基础信息防止学生上报虚假信息。

(3)本发明实时位置采集程序通过调用手机gps模块的接口，集成粗差剔除、线性拟合等方法，着重解决实际定位过程中定位精度差、gps信号不稳定的问题，在保持较低功耗的同时，以相同的时间间隔持续采集高精度的位置信息上报给系统，可有效实现米级空间定位监测，评估学生返程途中的风险，提高学生行踪追溯的准确性。

(4)本发明系统利用大数据交叉对比技术和分布式处理技术对人员上报大数据和疫情大数据进行处理，实行一对一跟踪管理和分析。

附图说明

图1为本发明用于学生返校的疫情防控方法的流程图；

图2为自上而下的决策过程图；

图3为自下而上的决策过程图；

图4为精准数据挖掘技术流程图；

图5为精准位置服务技术流程图；

图6为风险精准研判技术流程图；

图7为人员空间分布图；

图8为学生健康及所在地疫情动态信息图；

图9为返程计划风险分析与审核示意图；

图10为基于时空轨迹恢复模型的轨迹追溯图。

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

本实施例提供一种用于学生返校的疫情防控方法，包括以下步骤：

数据库建立步骤：分别建立学生大数据库和疫情大数据库，学生大数据库包括学生的空间位置信息和健康状况信息，疫情大数据库包括疫情病例的空间位置分布信息；

自上而下的返校决策步骤：基于学生的空间位置信息、健康状况信息和疫情病例的空间位置分布信息，采用预设的决策指标，获取无感染风险的学生名单，从而构建返校方案，用于学生的返校；

自下而上的返校决策步骤：获取学生上传的学生返校状态信息，从而对返校方案进行调整，学生返校状态信息包括个人健康状况信息、返校意愿信息、计划行程信息和实际行程信息。

下面对各步骤进行详细描述。

a、数据库建立步骤

疫情大数据库的建立具体为：

通过网络爬虫技术，从官方网站和第三方平台中获取疫情数据，并将疫情数据按照国家级、省级、市级和县级进行分布式数据存储，从而构建疫情大数据库。

疫情大数据库的建立还包括：对疫情数据进行数据交叉对比、相似匹配与数据融合处理。

b、自上而下的返校决策步骤

决策指标包括健康状况指标和活动范围有无确诊病例指标；

健康状况指标的判断具体为，若学生在预设的第一天数内的健康状况信息均为健康，则健康状况指标合格，否则不合格；

活动范围有无确诊病例指标的判断具体为，若学生的空间位置信息与疫情病例的空间位置分布信息，在预设的第一缓冲区内不存在时空重叠，则活动范围有无确诊病例指标合格，否则不合格。

具体地，以疫情病例的空间位置分布信息中疫情病例的空间位置点为中心，以预设的第一距离为半径，构建为第一缓冲区，判断学生的空间位置信息与该第一缓冲区是否存在时空重叠。

基于学生的空间位置信息和疫情病例的空间位置分布信息，获取无感染风险的学生名单具体为：

将学生的空间位置信息和疫情病例的空间位置分布信息，载入预先建立的元胞自动机中，获取与疫情病例接触的学生及其接触次数，若接触次数大于预设的接触次数阈值，则该与疫情病例接触的学生为有感染风险的学生；否则为无感染风险的学生。

c、自下而上的返校决策步骤

自下而上的返校决策步骤还包括对计划行程信息进行判断和优化，直至计划行程信息无感染风险。

计划行程信息无感染风险根据预设的计划行程有无确诊病例指标判断，计划行程有无确诊病例指标的判断具体为：

若计划行程信息与疫情病例的空间位置分布信息，在预设的第二缓冲区内不存在时空重叠，则计划行程有无确诊病例指标合格，否则不合格。

具体地，以疫情病例的空间位置分布信息中疫情病例的空间位置点为中心，以预设的第二距离为半径，构建为第二缓冲区，判断计划行程信息与该第二缓冲区是否存在时空重叠。

自下而上的返校决策步骤中，实际行程信息的获取具体为：在学生返校路程中，通过实时位置采集程序，主动获取学生位置，形成实际行程信息。

实时位置采集程序通过调用移动设备的gps模块接口，并以相同的时间间隔持续上报学生位置。

本实施例还提供一种用于学生返校的疫情防控系统，包括：

学生大数据库，该学生大数据库包括学生的空间位置信息、健康状况信息和个人基本信息；

疫情大数据库，该疫情大数据库包括疫情病例的空间位置分布信息；

系统处理模块，用于执行如权利要求1的一种用于学生返校的疫情防控方法的步骤；

学生处模块，用于通过系统处理模块执行自上而下的返校决策步骤，获取返校方案；

学院模块，用于根据个人基本信息，对学生处模块生成的返校方案进行筛选调整；

学生模块，用于上传学生返校状态信息，并接收返校方案；

辅导员模块，用于根据个人健康状况信息，对返校方案进行调整。

本实施例具体实施方式的详细描述如下：

我国疫情防控进入常态化阶段，在“外防输入，内防反弹”防控策略下，应该以科学的手段指导推进高校复学工作有序进行。但高校学生众多、生源分布广，如何制定错峰错时返程预案、安全有序返校，是当前面临的紧迫任务。本发明研发的智能返校系统(即用于学生返校的疫情防控系统)发挥人工智能的理论与技术优势，综合运用智能感知、信息挖掘、数据学习等技术，构建自上而下与自下而上的高校学生返校循环决策方法，实现疫情防控，旨在解决疫情期间学生安全有序返校的重大现实问题。在精准数据挖掘、精确位置服务与精准研判技术的支持下，本发明用于学生返校的疫情防控方法可实现健康信息实时采集、返校方案科学研判、行程轨迹动态追踪、疫情防控日常管理的“全链路”监测管理，为学生返校复学提供全过程、全方位的决策保障。

如图1所示，用于学生返校的疫情防控方法包括基于问卷星的健康信息采集和基于地理信息技术的智能返校决策分析，充分发挥人工智能的理论与技术优势，运用地理信息技术、大数据技术、云端技术等开展研发。本文提出的决策方法通过智能返校系统实现，包含学生处、辅导员、学生和系统自身四种处理角色，构成自上而下和自下而上的循环式决策管理，内含系统产生名单、名单审核确认、通知学生返校、上报健康信息、上报计划行程、县级疫情研判、行程风险研判、自动发放返校码、返程出发打卡、轨迹自动抓取、扫返校码进校、异常情况处置和学生到校确认13个步骤。

学生处、辅导员、学生和系统自身四种处理角色对应执行用于学生返校的疫情防控系统的学生处模块、辅导员模块、学生模块和系统处理模块。

下面进行详细描述。

1、自上而下的决策过程

如图2所示，自上而下的返校决策即自学生处传达至辅导员的返校决策。学生处作为统管学校学生事务的单位，在返校决策中，肩负整体把控的责任与地位。辅导员作为直接接触学生的人员，在返校决策中，负责“一人一案”的通知与落实。通过返校名单预估(学生处)——返校名单制定(学生处)——名单审核确认(辅导员)——通知学生返校(辅导员)，实现返校进程整体把控与“一人一案”的具体落实。

首先，学生处通过系统对全国区县级疫情进行大数据分析，根据确诊病例的空间位置分布以及学生的空间位置数据库，精确研判学生所在地区的疫情形势。采用深度学习模型，以返校学生14天内是否连续打卡、14天内健康状况、位置变化情况、活动范围内有无确诊病例为决策指标，研判学生的返校风险，精准预测无感染风险人员名单，再结合学校部署安排(如根据校区、宿舍、年级)，通过系统自动分批错峰生成返校学生名单。学生处根据学校政策与各批次学生具体情况，分权限向学院下发名单，确保学校整体把控学生的返校进程。

然后，学院根据初步名单，结合学生个人情况，对学生返校安全性进行补充确认，筛选具备潜在风险的学生，进一步保证学生返校前的安全性。系统可在批量筛选提高操作效率的基础上，通过学生姓名、学号、学院、校区、宿舍等信息进行精准筛选，操作具备灵活性。学院根据返校学生名单，依次通知学生返校。再通过辅导员与学生的沟通，学生信息可以进一步完善，并对系统信息进行检核。通知状态可以在系统中有完整记录，学生处和学院可以在各自权限下，通过系统及时关注学生的通知状态，通过数据库技术，学生分为已通知、未通知两类，通过分类管理下的精确查找以最快速度完成学生通知工作。

2、自下而上的决策过程

如图3所示，自下而上的返校决策即自学生传递至学生处和辅导员的决策过程。学生信息对返校决策有着重要的影响，包括个人健康状况、返校意愿、计划行程、实际行程，是决策的基础。学生处和辅导员调整决策，根据系统对学生信息进行整理，分析预警风险，是决策的保障。系统利用gnss高精度定位技术主动抓取学生信息保证其位置信息真实可靠。并可实时监测学生返校进程，对比分析行程轨迹，改变返校码的风险类型，预警有疫情感染风险学生到校。

在智能返校系统中，学校(学生处等)、学院(辅导员等)和学生通过系统进行交互。通过与疫情大数据交互，以及gnss定位技术，系统主动获取学生基础信息防止学生上报虚假信息。在返校前学生需上报计划行程，系统会自动研判和优化该行程，直至判定行程无风险。在返校路程中，学生开启实时位置采集程序，程序自动向系统传输学生位置，形成实际行程轨迹大数据。到达学校后，学生通过返校系统发放的专用进校二维码，扫码实现自动进校，无风险者亮绿灯，存在风险则亮红灯并报告风险类型，学生处和辅导员则根据系统建议对亮红灯学生进行有效的安排处理。系统监测平台可实时监测学生返校进程，学生处和辅导员可根据平台大数据预警未计划返校人员的疫情感染风险，及时调整决策。

3、精准数据挖掘，构建交互分布式数据库

疫情大数据是系统做出决策的重要数据源。本系统结合了分布式高速高可靠数据采集技术，高速数据解析、转换与装载等大数据整合技术和数据质量评估模型开发技术。通过网络爬虫技术和人工在丁香园、腾讯、百度等网站及各地卫健委、政府官方网站、公众号等信息发布平台上获取全国2880个区、县、县级市和单列规划区(经济开发区等)的累计确诊病例数据、确诊病例位置点数据，随后对疫情数据进行智能化分析，通过数据交叉对比、相似匹配与数据融合解决数据缺失、数据格式不一致、统计口径不一致等相关问题，提高疫情数据处理的自动化水平，进一步确保疫情数据的准确无误。

在此基础上，系统借助空间地理信息技术提取新冠肺炎确诊及疑似感染病例的相关活动轨迹，通过空间可视化技术分析确诊病例的空间分布、对人群的影响范围，确保返校学生所在地疫情状况判断的准确性。返校学生通过问卷星、钉钉等应用程序上报每日的身体状况和位置变动状况用于整理构建返校人员的健康状态地理空间数据库，实现数据点对点搜集。数据库每日更新量达几万条，为保证数据库能够实现稳定、高效的更新，系统利用大数据交叉对比技术和分布式处理技术对人员上报大数据和疫情大数据进行处理，实行一对一跟踪管理和分析。

如图4所示，疫情大数据是系统做出决策的重要数据源。系统突破分布式高速高可靠数据采集技术，高速数据解析、转换与装载等大数据整合技术和数据质量评估模型开发技术。

数据挖掘流程包括以下步骤：

数据收集：首先通过网络爬虫技术在丁香园、腾讯、百度等网站及各地政府微博、公众号等信息发布平台上获取全国2880个县、县级市、单列规划区(经济开发区等)的病例统计数据、位置点数据，将疫情数据按照国家级、省级、市级和县级进行分布式数据存储。

数据处理：随后对疫情数据进行智能化分析，通过数据交叉对比、相似匹配与数据融合保证数据尺度相同与时空一致，解决数据缺失、数据格式不一致、统计口径不一致等相关问题，提高疫情数据处理的自动化水平，确保疫情数据的准确无误。

数据分析：系统借助空间地理信息技术提取疫情数据确诊及疑似感染病例的相关活动轨迹，通过空间可视化技术分析确诊病例的空间分布、影响人群分布范围，确保返校学生所在地疫情状况判断的准确性。返校学生通过系统手机端上报每日的身体状况和位置变动状况，构建人员健康状态地理空间数据库，利用卡尔曼滤波与粒子滤波等高精度定位技术，实现位置匹配与弥补位置信息缺失。

最终在应用平台展示。

4、精准定位服务，实现行程轨迹动态监测

返校学生的计划行程包含多种交通方式，对于高铁、客车等途经多地、上下换乘频繁的交通方式，系统通过爬虫技术从多个售票网站和地图服务公司如百度地图、腾讯地图等获取其返程路径中的各个重要节点位置，并进一步结合系统中已有的各个地区的疫情数据，判断其返程路径中需要停留的各个节点位置所在的地区是否有确诊或疑似病例，评价每个节点的风险性，同时若其返程路径经过疫情重点区域，则要求返程学生更换路径避过重点区域。而对于自驾、步行、出租车等单一化的交通方式，系统也会通过建立缓冲区进行时空分析，综合判断出行方式的疫情风险。

如图5所示，为确保返校行程轨迹可追溯，在学生返校过程中，学校通过返校系统的信息采集模块实时采集学生位置信息，与学生在“智能返校轨迹上报”小程序上报的出发、换乘打卡信息实时交互，确保学生避开风险区域、保护自身健康安全。本程序通过调用手机gps模块的接口，集成粗差剔除、线性拟合等方法，着重解决实际定位过程中定位精度差、gps信号不稳定的问题，在保持较低功耗的同时，以相同的时间间隔持续采集高精度的位置信息上报给系统，可有效实现米级空间定位监测，评估学生返程途中的风险，提高学生行踪追溯的准确性。当学生到达目的后，可将其实际轨迹与返程计划进行对比，进而决定是否同意其返校。

5、精准研判技术，实现风险预测与溯源

如图6所示，系统集成位置服务技术、地理信息技术和人工智能实现人员返程动态管理和返程风险研判，极大的降低了学生返程可能存在的安全隐患。由于学生返程途中存在接触人员复杂、公共交通空间密闭等问题，系统可根据学生返程途中和到达目的地后上报的位置信息，使用时空大数据分析技术，将其历史活动位置按时间内插进而可视化为连续轨迹，结合疫情大数据进行叠置分析，预测返校学生归途路线的风险等级。此外，当后期发现学生存在感染风险，如返程中与确诊或疑似病例共乘同一列高铁/地铁，系统将使用时空轨迹恢复模型进行轨迹追溯。

6、结果和应用

基于智能返校系统的高校学生返校决策方法，根据学校疫情防控部署，实现从学生信息上报、大数据收集与分析、分批次错峰返校、行程与轨迹管理等角度建立智能化云端服务功能，确保全校学生安全返校，为顺利有序复学提供重要保障。应用展示如下：

系统利用大数据爬取技术，综合爬取全国区县级行政单位确诊病例数据，解决格式不统一、数据不吻合问题，将疫情数据通过地图进行可视化表达，如图7所示。

系统通过构建学生健康状况、位置信息与疫情信息空间数据库，将每位学生和区县级疫情进行交互分析，结合14天打卡情况、14天位置移动情况、14天是否到达或途径重点疫区、是否居住于海外作为研判指标，智能研判学生风险并在系统直观表示，如图8所示。

经过风险研判后的学生通过系统手机端上报计划到达时间、交通工具、车次、计划换乘点，系统以节点、车次为检索指标在全国各大行程网站爬取行程信息，并在系统中形成地图可视化表达，通过与疫情数据库交互，智能研判学生风险，形成“一人一案”，如图9所示。

一旦特殊情况发生，感染者进入学校，系统通过学生地理信息数据库可实现时间与空间追溯，通过构建时空轨迹恢复模型，系统可准确定位感染者任何时间停留的所有地点，辅助学校迅速确定风险地区并展开排查。并且，系统通过缓冲区技术，设计以时间、空间、距离为条件，查找所有可能感染人群，学校可实现第一时间锁定危险人群，如图10所示。

7、结论

诸多运用大数据制定返校决策的方法(以金智教育为代表)，均为单纯使用大数据分析对人员流动与疫情防控进行预测，或采用大数据和云平台安排学生返校并监测其进程。在采用空间大数据进行实时定位监测、应急预案等方面存在极大空缺。本方法充分发挥人工智能的理论与技术优势，利用空间大数据支持的详细疫情数据开展分析，采集人员每日上报信息，通过空间可视化技术进行确诊病例分布，疫情风险、影响和预警的精准分析，确保系统对人员所在地疫情研判的准确性。相比于其他方法，基于智能返校系统的决策方法可实现返工返校方案预估、方案制定、人员行程审查、返回人员审查、人员轨迹追溯、疫情与轨迹交互分析等一系列功能。

基于智能返校系统的决策方法已经成功应用于同济大学学生返校工作，助力同济大学制定学生错峰返校方案和实施返校工作。自2020年4月28日上线以来，系统已经科学指导14000余名同济学生的安全返校，并且将持续对4万余名学生(包括新生)进行科学管理和风险评估，为学校分期、分批、错峰、有序地推进人员返校学习工作提供科学精准的实施方案与有力保障。教育部曾发文对同济大学返校复学工作表示认可，中国教育网、上海新闻网和搜狐网等三十余家媒体也对方法的成功应用进行报道。在系统保障安全的前提下，2020年7月1日，同济大学2020届毕业典礼线下在四平路校区一·二九运动场隆重举行，到场参与学生3300余名，引起了热烈的社会反响。基于智能返校系统的决策方法构建了自上而下和自下而上的循环决策管理环，具备突出的科学性，安全性得到检验，显著解决了现有决策方法的不合理处，具备推广发展价值。

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。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除