用户名
密码
(30天内有效)
注册
注册
首页 > 案例资料 >

上海疫情分析与位和GeoAI云平台在疫情防控方面的应用梳理

我要收藏
2022-04-21

位和GeoAI云平台集成自服务数据准备工具箱、可视化、空间数据挖掘和空间优化计算,赋能数据分析和政府决策。本文以上海疫情为例,对位和云平台在疫情防控方面的应用进行梳理。


  • 疫情辐射影响分析:根据染疫人群的数量和位置,计算对周边的辐射影响。

  • 社区精准画像分析:通过聚类和交互可视化,分析疫情和其他因素之间的关联关系;对社区精准画像,找到需要优先帮助的社区。

  • 疫情时空地图:除地图动态播放、地图矩阵、疫情曲线等可视化研判,对决策最重要的一点是时空矩阵功能根据疫情动态变化对社区疫情严重性进行分组和排序。疫情时空地图可以扩展到多变量,不只分析感染病例数,可以把社区防疫资源、人员年龄结构、社区环境因素等都考虑进去,研究疫情发展变化的影响因子。

  • 疫情管控区划分:综合考虑空间邻接性、人流联系、感染病例,协助划分不同层级的疫情管控区,为决策提供参考意见。

  • 均衡分配防疫资源:基于多目标多约束条件分区优化技术,协调配置防疫资源。人力物力充足时可能大家不在意资源优化配置,但资源不够,特别是人力不够的时候,精准计算还是有必要的。


下面举例对这几项应用进行说明和介绍。



疫情辐射影响计算

位和设施辐射影响计算工具可以根据设施分布的数量和地点,计算设施对周边的影响(Impact)。设施数量越多,距离设施越近,辐射影响越大。


把染疫人群套入计算,即可算出疫情辐射影响范围。


首先介绍上海的病例数据情况。粉红色是3月6日至17日期间染疫人群分布。绿色是3月19日至4月15日之间染疫地址分布。3月18号之前上海发布的数据对应到人,但之后只对应到地址,不再公布每个地址有多少人感染。地址有大有小,大的地址可能是一个村或一个小区。


图片

上海病例分布

(3月6日至17日 vs 3月19日至4月15日)


相同热力半径下,3月6日至17日期间(左)与3月19日至4月15日期间(右)上海疫情热力分布。


图片

上海疫情热力分布

(3月6日至17日 vs 3月19日至4月15日)


计算500米范围的疫情辐射影响如下图所示。距离参数可以根据需要进行调节,不一定是500米,也可以是300米、1公里,或15分钟步行距离(800-1000米)。


图片

上海疫情辐射影响

(3月6日至17日 vs 3月19日至4月15日)



多维分析(多变量地图)

用于社区精准画像

位和多维分析(多变量地图)实现基于神经网络模型的多变量分类、多元数据关联分析、数据降维、多元色彩模式辅助认知、最优线性排序、多视角协调互动、地理可视化、图表可视化等;动态集成空间数据和多维/高维属性数据进行深度交互联动分析;广泛应用于不同领域的多因子评估与画像、异常发现、指标筛选和理解、模型调整等。


在防疫工作中,位和多维分析(多变量地图)可用于社区精准画像,找到最脆弱的社群,政府优先提供帮助。下图所示为根据上海浦东夜间不同年龄的人群分布所做的年龄画像。图中数据为道路网单元。夜间人口从手机APP中提取。年龄分组为0-15岁,16-25岁,26-35岁,36-45岁,46+岁,未知年龄。


注:根据手机APP用户行为判别的年龄分组,针对老人和儿童的判别相对困难。这是为什么数据中最大年龄组为46+,而没有细分出年纪更大的老年分组。如果有政府部门的人口数据,用于年龄分组,会更加精准。


图片

浦东年龄画像

链接:https://services.wayhe.com/RedcapOnline/map_view.html?o=60331&view=map&org=279&key=kohruvjmde2vcjjkagq451dhhh&host=mv01iarqc5f4ed3vcdka4feo8n


综合年龄分组与收入分组的画像:


图片

浦东年龄与收入画像

链接:https://services.wayhe.com/RedcapOnline/map_view.html?o=60333&view=map&org=279&key=nfdui4s84dr54hetbga7i94ve9&host=h7q9lflhap503ojlu832r5pdf1


通过对46+岁人口分布,和3月18日之前与之后的疫情辐射影响,这三个指标进行聚类分析,发现老年人占比较高的社区和疫情辐射影响之间总体上呈现负相关关系。在3月18日之前,老年人占比较高的社区受到的疫情辐射影响偏低(下图左侧与中间两个指标),3月18日之后,老年人占比较高的社区聚类中,有一个聚类的疫情辐射影响变高了,其他两个聚类的疫情辐射影响仍然偏低(下图中间和右侧两个指标)。这说明浦东没有发生老年人恶性聚集感染,但3月18日之后确实有更多老年人占比偏高的社区受到了疫情蔓延的影响。


图片

老年人占比较高的社区和疫情辐射影响之间的关联关系

链接:https://services.wayhe.com/RedcapOnline/map_view.html?o=60449&view=map&org=279&key=sdohidbm2hl9ikat8n3k5q4kq9&host=enjo5m0k38iisrpte51d6lu8p2


低收入的情况类似。浦东没有发生低收入人群恶性聚集感染,但3月18日之后确实有更多低收入占比偏高的社区受到了疫情蔓延的影响。


图片

低收入占比较高的社区和疫情辐射影响之间的关联关系

链接:https://services.wayhe.com/RedcapOnline/map_view.html?o=60449&view=map&org=279&key=uh0f6iso16o4n7q3u68b1al7j6&host=d2eq6jsnpmeeu98ockng8vdgld


除了年龄、收入、染疫人数,还可以再加上其他信息进行聚类计算,例如居委会统计基础病状况、各个社区的防疫资源情况、社区环境因素等,对社区进行精准画像,为社区获得关注和社会资源的救助进行优先级排序。



疫情时空地图

位和多因子时空序列:集成机器学习、地图矩阵、时空矩阵、动态播放、可视化展示与交互分析,探索和发现研究目标的分布特征、变化趋势和多因子关联关系,是位和多维分析(多变量地图)在时间维度上的扩展。


疫情时空地图包括地图矩阵、地图动态播放、时空矩阵、疫情曲线等功能模块,揭示疫情发展变化规律。其中最具有特色的时空矩阵功能,可以对图中的空间单元(乡镇街道)根据疫情时空变化进行分组和排序,辅助决策。


下图为3月6日至4月17日期间上海区县疫情时空变化(确诊加无症状感染)。时空矩阵中排在右上角的是疫情发展最严重的地区。按疫情严重性从高到低,排序为:浦东新区、闵行区、徐汇区、黄浦区、宝山区,等。


图片

上海区县疫情变化(3月6日-4月17日)

地图矩阵与时空矩阵

链接:https://services.wayhe.com/zi/visstamp/app/embedFrame?o=12997&view=map&org=279&key=2fkckp5qsdr3ttg3q3ha7o6q11&host=zi_static


近日,疫情最严重的浦东区和闵行区,感染人数持续下降。


图片

上海区县疫情变化(3月6日-4月17日)

动态播放与变化曲线

链接:https://services.wayhe.com/zi/visstamp/app/embedFrame?o=12997&view=map&org=279&key=2fkckp5qsdr3ttg3q3ha7o6q11&host=zi_static


乡镇街道不公布具体感染人数,因此,只能通过政府发布的感染地址,来研究乡镇街道尺度的疫情的发展态势。有些地区,感染持续蔓延;也有部分地区有明显好转。


图片

上海乡镇街道疫情变化(3月19日-4月17日)

链接:https://services.wayhe.com/zi/visstamp/app/embedFrame?o=12998&view=map&org=279&key=9nuneebmu01893k0ko3uqo4o4n&host=zi_static


时空矩阵从左到右为时间顺序,从上到下是单元排序。颜色从冷(蓝)到热(红)表示疫情变严重,反之,疫情减弱。


川沙新镇、三林镇、北蔡镇、是疫情最严重的地区。


图片


有一些地区从开始全域静态管理之后,过了一段时间变得更严重。


图片


有一些地区抗疫卓有成效,感染明显减少了。其中南桥镇堪称标兵。


图片


图片


还有一些地区疫情减弱之后,近两日又再回升。


图片


下沉到街道内部,以社区网格,或道路网为单元。下图所示为基于道路网单元的上海北蔡镇疫情变化(3月19日至4月17日)。北蔡镇是上海疫情最严重的乡镇之一。


图片

上海北蔡镇疫情变化(3月19日至4月17日)

链接:https://services.wayhe.com/zi/visstamp/app/embedFrame?o=12999&view=map&org=279&key=eimgeqf0ui0gq589bf797l3o8n&host=zi_static


疫情时空地图可以扩展到多变量,不仅研究感染病例数,还可以把社区防疫资源、人群职业收入年龄结构、社区环境因素等都考虑进去。除用于研判疫情发展变化,还有助于研究疫情与其他因子的关联关系,发现引起疫情发展变化的主导原因等,及时调整政策做出改变。


在上海疫情最严重的地区之一,北蔡镇,老年人口占比最高和低收入占比最高的街区,感染户数偏低。验证了前文分析的浦东没有发生老年人和低收入恶性聚集感染。


图片

老年人占比最高和低收入占比最高的街区,感染户数偏低


感染户数最高的两个聚类,低收入人口占比都偏低,粉红色聚类中老年人占比偏低,红色聚类中老年人占比居中。红色街区比粉红色街区的疫情感染增加得更快。从而判断,老龄比低收入对疫情蔓延的影响更大。


图片

老龄比低收入对疫情蔓延的影响更大


2020年疫情初期,位和公众号上发布了一系列疫情相关的分析和推送,均为多因子时空序列分析模块在不同数据和场景的应用。


注:因已过去两年,文中的地图链接可能不能访问,因为数据已经卸载了。



疫情管控区划分

位和空间交互网络与结构挖掘(流分区):基于复杂网络计算(Complex Network Computation)、优化计算和各种流模型,探索空间交互数据的流动组团结构和层次结构。


这项技术可用于协助划分不同层级的疫情管控区。综合考虑空间邻接性、人流联系、感染病例等、为决策提供更科学的参考意见。


今年3月28日,上海宣布以黄浦江为界,分时封城。


图片

政府版封城策略


上海的人口流动如下图所示。


图片

上海人口流动


以最大限度减少对人流联系的破坏为原则,我们把上海划分为如下两个区划。在黄浦江下游,浦东与杨浦区和徐汇区交界一带,这两个区划之间的确以黄浦江为界。但再往上游走,区划的分界线就不再以黄浦江为界了。


图片

科技版封城策略(最大限度保持人流联系)


继续向下划分,可以把上海一层一层切开,每一次切分都最大程度地保持区内的人流联系,减少对民生的影响。图中蓝色线是上海区县边界。区划计算以道路网为单元,但计算结果在郊区部分和区县边界有很大的吻合度。这说明行政边界在郊区对居民活动有很大的影响,在城区,影响力不大。


图片

分层次的上海居民活动组团划分


区划计算也可以下沉到街道。下图为北蔡镇人流联系。


图片

北蔡镇人流联系


根据北蔡镇疫情分布,对人流加权,得到北蔡镇疫情风险流。


图片

北蔡镇染疫地址分布


图片

北蔡镇疫情风险流


下图为基于疫情风险流的区划,最大化降低疫情跨区传播风险,为政府划定管控区,以及后续逐步开放,提供参考意见。封控人群和疫情风险持续变化,数据和区划方案也要根据这些变化进行更新。


图片

北蔡镇疫情风险区划


对于每个区划方案,平台计算每个片区的流出风险、流入风险和内部风险。以左下角的12片区方案为例,可视化每个片区的流出风险如下图所示,颜色最红的区域是流出风险最高的区域,在某些情况下或许要考虑封闭或管控。


图片

北蔡镇流出风险


追溯到2020年疫情刚开始爆发的时候,我们基于2019年春节前一个月湖北省内城市间人流联系数据,通过位和流分区模块,计算城市间社群关系。与武汉联系紧密的组团为武汉、孝感、黄冈、咸宁、黄石。这个组团内的人流量非常大(图中圈圈所示)。仅仅封闭武汉是不够的,这个组团是防控的重点区域。而湖北省的其他地区,就当时而言,也许并不一定需要马上封闭。但武汉封城之后,很快整个湖北省都封上了。


图片

湖北省内城市间社群组团


图片

2019年春节前一个月湖北省内城市间人流联系



防疫资源优化配置

在防疫过程中,有很多需要对资源进行优化配置的场景,譬如救援物资的分配、阳性患者转运的运力分配、 核酸检测医务工作人员的服务区划分、无聚集检测的居民组划分等。


资源优化配置的核心在于均衡。


对于救援物资分配来说,可以按照救援区域内的人数或户数来均衡。下图是北蔡镇街道的夜间人口分布。如果有一批物资要通过5辆卡车分配给这里的居民,要把北蔡镇街道划分为5个人口均衡的区域,作为每个卡车的服务区域。


图片

北蔡镇夜间人口分布


这是用位和分区优化软件算出的保持人口均衡和边界平滑的区划方案。从图下方的报表中可以看到,划分的结果非常均衡,deviation均小于1%。如有需要,方案可以人工编辑。


图片

图片

保持人口均衡和边界平滑的区划方案


5辆卡车不一样大的场景也可以处理。需要生成一个卡车图层,在数据里定义每辆卡车的容量大小。


位和分区优化:基于复杂高效的多目标多约束条件分区优化计算(计算复杂度为NP-困难),自动生成空间连续的区域,实现均衡人口、工作量、教育资源、医疗资源、绿化资源等的区域规划和全覆盖选址评估。产品获得美国专利授权,目前已广泛应用在选区划分、学区划分、交通小区划分、警察巡逻区划分、服务区划分、设施点布局优化等领域。


阳性患者转运:首先对阳性患者的位置进行地理编码,生成阳性患者地图,然后按照每辆车每天能运送的患者数量来划分每辆车的服务区域。


核酸检测医务工作人员的服务区划分:根据每组医务人员每天能完成的工作量,对所在区域按照人口均衡进行划分,划分出来每个区的工作量与每组医务人员每天能完成的工作量相匹配。这里的数据单元要深入到社区内部,以楼栋为单元。社区工作人员可以用位和平台的在线画图程序画出简单的楼栋地图,并为每个楼栋输入人口数量等属性。



结语

以上梳理的防疫应用均基于位和云平台上的成熟功能模块。数据处理好之后可以直接分析和计算。这些功能模块均有对应的API,便于集成到用户的系统中。考虑到疫情相关数据每天都在变化,有必要搭建防疫数据库和数据中台,节约数据处理的时间和人力成本。


位和GeoAI云平台

http://dwz.date/dSUy

图片



智慧规划的计算引擎

http://dwz.date/cK5e

图片


位和产业数据分析平台

http://dwz.date/bkqx

数据更新至2020年

图片


位和POI数据分析平台

http://url.cn/5jddqKx

数据更新至2021年

图片


位和人口流动数据分析平台

http://url.cn/5S5vbMn

数据更新至2019年

图片


关注位和

  • 位和GeoAI云平台:www.wayhe.com

  • 让数据获取变得容易,让数据挖掘变得简单

  • 国家高新技术企业,国家软件企业

  • 欢迎合作图片:info@wayhe.com

  • 城市数据挖掘应用QQ群:203181200




图片

长按识别二维码



本站声明

本文仅代表作者观点,不代表城市数据派立场;
本文系作者授权城市数据派发表,未经许可,不得转载;
本网站上的所有内容均为虚拟服务,一经购买成功概不退款,请您理解。

点赞0
没有更多评论……