基于人员时空分布模型的呼吸道疾病感染风险预测方法

1.本发明涉及基于医疗大数据进行疾病风险预测技术领域，尤其涉及一种基于人员时空分布模型的呼吸道疾病感染风险预测方法。


背景技术：

2.医院是呼吸道疾病发现和报告的最前沿部门，但作为核心的救治应对部门，医院也是交叉感染和聚集性发病的主要场所。尤其是对于候诊区，高密度、频繁流动且长时间暴露的人员分布特征，增加了其内部由空气传播引发的感染风险可能性，并同时加剧了其风险评估的难度。目前，现有研究多依据规范给出的固定人员分布，或基于监控视频及传感器监测所得的实时人数开展感染风险评估，忽略了随时间波动以及由于科室天然特性差异所带来的患者数量与等候时间变化的影响，而且考虑到呼吸道疾病的季节性波动特征，既有研究也并未考虑感染风险的前置性预测研究。
3.目前与本技术接近的现有专利如下：1、抑制新冠感染传播风险的智能风量控制系统及控制方法（cn115789904a），该发明通过图像采集装置实时获得室内人员数量，以实现新风机组设备按照最小需求新风量进行精细控制。但此方法忽略了人员在室内停留时间对感染风险计算的影响，而且基于实时人数监控的风险计算无法进行风险的前置性预测，即新风的控制存在滞后性。
4.2、一种用于大范围的空气处理系统（cn115789885a），该发明通过图像识别与红外线传感器相结合的方法获取室内人员分布情况，实现新风机组等空气处理设备调控。但是，该方法对于室内人员信息的处理模块需要依赖于引入额外的传感器进行图像信息处理，会额外增加建筑投入成本，并且该方法的调控原理同样依赖于传感器及视频的反馈数据，即无法实现前馈控制以导致的室内出现感染风险过高的可能性。
5.3、一种医院候诊区呼吸道传染病感染风险预测系统（cn114360741a），该发明以典型候诊区长宽比、空间布局、送风形式、换气率和实时人数作为输入参量，通过构建预测模型进行感染风险评估，并指导送风末端调控。虽然该方法实现了基于实时人数预测的感染风险计算，但其同样忽略了停留时间对于感染风险计算的影响，尤其是对于医院候诊区这种人员时变性较强的场所。而且，依赖于视频信息的实时人数预测，会严重威胁医院患者的隐私性。
6.综上所述，目前尚未发现“兼顾实时人数以及停留时间的医院候诊区感染风险预测方法”方面的发明成果，而且现有方法对于感染风险预测的研究仍多依赖于监控视频或增加额外传感器实时监测的方法，除忽略停留时间的影响之外，也对建筑投入成本以及患者隐私安全影响较大。在此背景下，本技术提出一种基于就诊信息的候诊区呼吸道疾病感染风险的实时动态预测方法。


技术实现要素：

7.因此，本发明的目的在于提供一种基于人员时空分布模型的呼吸道疾病感染风险
预测方法，解决医院候诊区内由于复杂人员变化导致的感染风险评估不确定性问题，以提升感染风险评估的灵活性和准确性，从而指导医院诊疗资源的合理分配以及候诊区内空调新风系统的精确运维。
8.为了实现上述目的，本发明的一种基于人员时空分布模型的呼吸道疾病感染风险预测方法，包括如下步骤：s1、获取实时就诊信息及就诊空间数据；s2、将就诊信息和就诊空间数据输入训练后的基于机器学习建立的人员时空分布的预测模型中，得到实时人数与就诊人员停留时间；s3、根据得到的实时人数与就诊人员停留时间，采用如下公式评估候诊区内呼吸道疾病感染风险：；其中，为实时室内实时人数；为空气传播引发的感染概率；q为单位感染者产生的量子生成速率(quanta/h)；p为易感者的肺呼吸量(m3/h)；为暴露时间(h)；为各科室候诊区总面积(m2)；b为初始感染率；为空气分布的有效性；为最小换气次数(h-1
)；为各科室候诊区总体积(m3)。
9.进一步优选的，在s1中，所述就诊信息包括时间变量、科室信息和呼吸道疾病当前状态；所述就诊空间数据包括就诊区域平面参数。
10.进一步优选的，在s2中，所述人员时空分布的预测模型采用如下步骤进行训练：s201、获取历史就诊信息、就诊空间数据及历史就诊时间对应的监控视频中就诊人员变化数据；s202、从历史就诊信息和就诊空间数据中提取第一关键特征，从监控视频的就诊人员变化数据中提取第二关键特征；将第一关键特征作为输入变量，第二关键特征作为输出变量；对基于机器学习建立的人员时空分布的预测模型进行训练；得到训练好的模型参数。
11.进一步优选的所述提取第二关键特征时，包括以下步骤：采集就诊区就诊人员图像；根据s1中获取的就诊信息中的就诊时间，对采集的就诊人员图像以时间为索引划分数据集；利用训练好的cnn模型对就诊区就诊人员图像进行人数计数，预测实时人数；以固定时间间隔为周期从监控视频图像中随机选取患者进行追踪，分别记录追踪患者进入候诊区以及进入诊室的具体时刻，以两个时刻间隔作为相应患者的停留时间。
12.进一步优选的，所述提取第一关键特征和第二关键特征时，还包括对就诊信息中影响就诊区实时人数与停留时间的特征变量通过差异性分析与相关性分析进行遴选，所述遴选方法包括以下任意一种：独立样本t检验、单因素方差分析和皮尔逊相关性检验。
13.本发明还提供一种基于人员时空分布模型的呼吸道疾病感染风险预测系统，包括：就诊信息获取模块、人员时空分布的预测模型、候诊区内呼吸道疾病感染风险模块；
所述就诊信息获取模块，用于获取实时就诊信息及就诊空间数据；所述人员时空分布的预测模型用于以获取的就诊信息及就诊空间数据作为输入变量、利用训练后的网络参数，预测实时人数与就诊人员停留时间；所述候诊区内呼吸道疾病感染风险模块，用于根据人员时空分布的预测模型得到的实时人数与就诊人员停留时间，实时获取的人员分布实时动态评估候诊区内呼吸道疾病感染风险。
14.进一步优选的，在就诊信息获取模块中，所述就诊信息包括时间变量、科室信息和呼吸道疾病当前状态，所述就诊空间数据包括就诊区域平面参数。
15.进一步优选的，还包括图像获取模块，所述图像获取模块用于获取历史就诊信息和就诊空间数据对应的监控视频中就诊人员变化数据。
16.进一步优选的，所述人员时空分布的预测模型进行训练时包括：从历史就诊信息和就诊空间数据中提取第一关键特征，从监控视频的就诊人员变化数据中提取第二关键特征；将第一关键特征作为输入变量，第二关键特征作为输出变量；对基于机器学习建立的人员时空分布的预测模型进行训练；得到训练好的模型参数；其中，提取第二关键特征时，包括以下步骤：采集就诊区就诊人员图像；根据获取的就诊信息中的就诊时间，对采集的就诊人员图像以时间为索引划分数据集；利用训练好的cnn模型对就诊区就诊人员图像进行人数计数，预测实时人数；以固定时间间隔为周期从监控视频图像中随机选取患者进行追踪，分别记录追踪患者进入候诊区以及进入诊室的具体时刻，以两个时刻间隔作为相应患者的停留时间。
17.本发明还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述基于人员时空分布模型的呼吸道疾病感染风险预测方法的步骤。
18.本发明提供的基于人员时空分布模型的呼吸道疾病感染风险预测方法，相比于现有技术，至少具有以下优点：采用医院既有就诊信息系统中的就诊数据实现实时感染风险计算与预测，综合考虑了实时人数以及停留时间双重影响下的室内呼吸道疾病感染风险。相比于增设特定传感器来获取人员特征数据进行感染风险计算，该发明可在降低建筑初始投入成本的同时，实现各个科室全天不同时段、甚至全年不同季节的呼吸道疾病发病规律前置性预测，从而指导医院的预警及应对策略制定，促进构建良好的医院健康诊疗环境。
19.本发明相较于目前被广泛使用的通过监控视频来实时预测人员特征的方法，基于就诊数据的人员分布预测不会涉及大量监控视频处理而造成的患者隐私信息泄露，这在医院场所中尤为敏感。虽然此方法在前期也需要基于监控视频数据验证预测模型的准确性，但是后期正常在使用阶段则可脱离视频信息仅通过就诊信息系统数据直接完成感染风险预测，从而保证数据在使用过程中的安全性。
20.本发明可指导基于针对感染风险动态预测数据的医院呼吸道疾病应对机制制定。一方面，医院可根据所预测感染风险不同等级，提前制定医疗资源配置策略，实现医疗资源的合理分配；另一方面，所预测实时感染风险预测，也可以进一步指导室内空调系统的精细化调控，通过提供动态变化的室内新风量实现对于感染风险的实时控制，从而更加精准的
保证室内环境安全健康，并避免由于新风过度使用而造成的能耗浪费。
附图说明
21.图1是本发明基于人员时空分布模型的呼吸道疾病感染风险预测方法的工作流程图。
22.图2是实施例2中基于机器学习模型预测的实时人数的真实值与预测值比较图。
23.图3是实施例2中基于机器学习模型预测的停留时间的真实值与预测值的结果比较图。
24.图4是基于就诊信息的候诊区呼吸道疾病感染风险预测结果。
25.图5是方法ⅰ的预测准确度的结果图。
26.图6是方法ⅱ的预测准确度的结果图。
27.图7是方法ⅲ的预测准确度的结果图。
28.图8是本方法的预测准确度的结果图。
具体实施方式
29.以下通过附图和具体实施方式对本发明作进一步的详细说明。
30.如图1所示，本发明的一个实施例提供的基于人员时空分布模型的呼吸道疾病感染风险预测方法，包括如下步骤：s1、获取就诊信息及就诊空间数据；在本实施例中，所述就诊信息包括时间变量、科室信息和呼吸道疾病当前状态。具体地，时间变量包括但不限于日期、时段、时刻等。所述科室信息包括科室类别、开放诊室数。呼吸道疾病当前状态，即当前是否为疾病爆发期。所述就诊空间数据包括就诊区域平面参数。
31.s2、将就诊信息和就诊空间数据输入训练后的基于机器学习建立的人员时空分布的预测模型中，得到实时人数与就诊人员停留时间；需要说明的是，人员时空分布的预测模型采用如下过程进行训练：s201、获取历史就诊信息、就诊空间数据及历史就诊时间对应的监控视频中就诊人员变化数据；s202、从历史就诊信息和就诊空间数据中提取第一关键特征，从监控视频的就诊人员变化数据中提取第二关键特征；将第一关键特征作为输入变量，第二关键特征作为输出变量；对基于机器学习建立的人员时空分布的预测模型进行训练；得到训练好的模型参数。
32.所述提取第二关键特征时，包括以下步骤：采集就诊区就诊人员图像；根据s1中获取的就诊信息中的就诊时间，对采集的就诊人员图像以时间为索引划分数据集。
33.利用训练好的cnn模型对就诊区就诊人员图像进行人数计数，预测实时人数；其中cnn模型进行训练时，需要在对应时间段数据集中选取图像中的人物进行标记，并将标记的图像转换为密度图；利用密度图计算实时人数；cnn模型进行训练后能自动识别图像中的人数。
34.以固定时间间隔为周期从监控视频图像中随机选取患者进行追踪，分别记录追踪
患者进入候诊区以及进入诊室的具体时刻，以两个时刻间隔作为相应患者的停留时间。
35.还包括对就诊信息中影响就诊区实时人数与停留时间的特征变量通过差异性分析与相关性分析进行遴选，所述遴选方法包括以下任意一种：独立样本t检验、单因素方差分析和皮尔逊相关性检验。
36.根据上述数据，使用机器学习方法建立人员分布预测模型，所述人员分布预测模型的输入变量包括时间变量、科室信息和呼吸道疾病当前状态，设置实时人数与停留时间作为输出变量，其中实时人数通过将标记的图像转换为密度图，将密度图利用训练好的cnn模型对密度图中标记的人物进行计数，得到预测实时人数；得到的实时人数和就诊人员停留时间；输入到人员分布预测模型中，按照机器学习进行迭代学习得到训练好的神经网络参数。
37.s3、根据得到的实时人数与就诊人员停留时间，采用如下公式评估候诊区内呼吸道疾病感染风险：感染风险评估方法是基于得到动态人员分布预测结果，修正wells-riley修正模型中的实时室内实时人数（）和停留时间（）关键参数，从而实现基于就诊信息的候诊区呼吸道疾病感染风险动态预测。wells-riley修正模型计算公式如下：（公式1）其中，为实时室内实时人数；为空气传播引发的感染概率；q为单位感染者产生的量子生成速率(quanta/h)；p为易感者的肺呼吸量(m3/h)；为暴露时间(h)；为各科室候诊区总面积(m2)；b为初始感染率；为空气分布的有效性；为最小换气次数(h-1
)；为各科室候诊区总体积(m3)。
38.本发明还提供一种基于人员时空分布模型的呼吸道疾病感染风险预测系统，包括：就诊信息获取模块、人员时空分布的预测模型、候诊区内呼吸道疾病感染风险模块；所述就诊信息获取模块，用于获取实时就诊信息及就诊空间数据；所述人员时空分布的预测模型用于以获取的就诊信息及就诊空间数据作为输入变量，利用训练后的网络参数，预测实时人数与就诊人员停留时间；所述候诊区内呼吸道疾病感染风险模块，用于根据人员时空分布的预测模型得到的实时人数与就诊人员停留时间，实时动态评估候诊区内呼吸道疾病感染风险。
39.进一步优选的，在就诊信息获取模块中，所述就诊信息包括时间变量、科室信息和呼吸道疾病当前状态，所述就诊空间数据包括就诊区域平面参数。平面参数包括尺寸、平面布局等。
40.进一步优选的，还包括图像获取模块，所述图像获取模块用于获取历史就诊信息和就诊空间数据对应的监控视频中就诊人员变化数据；从历史就诊信息和就诊空间数据中提取第一关键特征，从监控视频的就诊人员变化数据中提取第二关键特征；将第一关键特征作为输入变量，第二关键特征作为输出变量；对基于机器学习建立的人员时空分布的预测模型进行训练；得到训练好的模型参数；
其中，提取第二关键特征时，包括以下步骤：采集就诊区就诊人员图像；根据获取的就诊信息中的就诊时间，对采集的就诊人员图像以时间为索引划分数据集；在对应时间段数据集中选取图像中的人物进行标记，并将标记的图像转换为密度图；以固定时间间隔为周期从监控视频图像中随机选取患者进行追踪，分别记录追踪患者进入候诊区以及进入诊室的具体时刻，以两个时刻间隔作为相应患者的停留时间。
41.进一步优选的，根据人员时空分布的预测模型得到的动态人员分布预测结果；采用如下公式评估候诊区内呼吸道疾病感染风险：（公式1）其中，为实时室内实时人数；为空气传播引发的感染概率；q为单位感染者产生的量子生成速率(quanta/h)；p为易感者的肺呼吸量(m3/h)；为暴露时间(h)；为各科室候诊区总面积(m2)；b为初始感染率；为空气分布的有效性；为最小换气次数(h-1
)；为各科室候诊区总体积(m3)。
42.本发明还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述基于人员时空分布模型的呼吸道疾病感染风险预测方法的步骤。
43.本方案在进行实际实施验证时，选择寒冷地区某三级甲等综合医院门诊大楼中的10个科室候诊区对发明实施方案进行阐述。如表1所示，列出了10个被调查科室及其候诊区的建筑信息特征，整个候诊区由候诊区及候诊廊构成，总面积在89 m2至141 m2之间，净高均为3.4 m。
44.其中，候诊区是患者及陪护主要集中等待就诊的空间，设有座椅、护士站等服务设施，方便患者及陪护人员在等候期间就坐休息以及问题咨询等；候诊廊是医生和患者前往诊室所共用的交通空间。
45.具体如下表1所示：表1：实施例中所选医院10个科室的具体信息汇总表
整个调研于2021年12月1日开始，共持续两个月。通过该医院的就诊信息系统资源平台收集数据信息，在对已挂号但未进行接诊的患者数据进行剔除后，共得到整个调研期间挂号与接诊记录数据累计113393条，并在此基础上针对每条就诊数据统计其就诊期间的时间变量、科室类别和医院当前状态变量的信息。
46.在进行人员时空分布的预测模型训练时，选取10个科室中覆盖整个候诊区的17个视频监控点进行视频数据信息收集，并以1分钟为时间间隔截取监控照片，建立cnn模型，利用训练好的cnn模型识别所截取图像中候诊区内实时人数；并将人员第一次进入候诊区的时刻与该人员离开该区域并进入诊室的时刻进行标记得到其在候诊区内停留时间。为保护医院患者及医护人员隐私，监控视频数据均按照医院方要求，于医院监控中心内完成采集及处理。最终，根据监测期间采集的10个候诊区监控视频信息，累计收集了37820次人群计数结果及23326名患者的停留时间结果。
47.汇总上述得到的数据，分别对时间变量、科室类别和医院当前状态变量进行差异性与相关性分析。根据分析结果，对于本实施案例，此9个具体变量为影响候诊区实时人数以及等候时长的关键变量。如下表2所示；表2. 影响室内实时人数与停留时间的关键特征变量进一步，将时期、节假日、星期、时段、距开诊前时间、时刻、科室、开放诊室数及等候患者数作为输入变量，将候诊区的实时人数和停留时间作为输出参数，进行机器学习模型建立，通过算法选择和超参数调整得到最优预测模型。
48.图2和图3以某一天预测结果为例，展示了10个科室候诊区的实时人数及停留时间的实际值和机器学习预测值的结果对比。从图中可以看出，10个科室候诊区的实时人数及停留时间机器学习预测值与真实值均呈现出相似的变化趋势，所建立模型在预测各科室候诊区的实时人数及停留时间的平均准确率分别为73.31%和72.66%。
49.最后，基于第四步中预测得到10个科室候诊区的实时人数及停留时间，计算了该日各科室在不同时刻的感染风险，其感染风险计算公式如上述公式1所示。计算结果如图4所示，从总体上看，10个科室当天的感染概率均保持在5%的范围内波动，并且感染风险的波动特征呈现出双峰变化模式。对于各科室来说，不同时段的波动程度以及感染概率表现出明显的差别。
50.如图5-图8所示在此基础上，本实施案例还将采用本发明的计算结果与现有其他常用的感染风险计算方法进行了比较，具体各方法中关于实时人数以及停留时间的设置如表3所示。其中，实际值表示基于视频信息得到的实时人数以及停留时间进行的感染风险评
估结果，比较过程以该方法计算得到的感染风险作为基准以校验其他各方法的准确性。方法i-方法iii分别针对实时人数以及停留时间按照规范规定以及调研中医院根据经验提供的停留时间进行了简化，方法iv是按照本发明的方法进行计算的结果。
51.表3：4种感染风险预测方法与真实值的实时人数、停留时间的取值方法汇总表数据来源《公共建筑节能设计标准》gb 50189-2015 和《建筑节能与可再生能源利用通用规范》gb 55015-2021。
52.图5-图8以实际值为基准，展示了10个科室的四种风险计算结果与真实值计算结果之间的关系。其中，实线上的点表示计算结果与真实值一致，两条虚线之间的点表示计算结果的绝对误差在
±
1%以内。可以看出方法i是误差最大，方法iv误差最小，传统的根据相关标准及经验对实时人数与停留时间进行赋值并不可靠，动态的实时人数与停留时间预测有利于提高室内感染风险的准确性。其中，本发明使用的方法即方法iv，相较于其他预测方法的准确度具有显著优势。
53.显然，上述实施例仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

技术特征：
1.一种基于人员时空分布模型的呼吸道疾病感染风险预测方法，其特征在于，包括如下步骤：s1、获取实时就诊信息及就诊空间数据；s2、将就诊信息和就诊空间数据输入训练后的基于机器学习建立的人员时空分布的预测模型中，得到实时人数与就诊人员停留时间；s3、根据得到的实时人数与就诊人员停留时间，采用如下公式评估候诊区内呼吸道疾病感染风险：；其中，为实时室内实时人数；为空气传播引发的感染概率；q为单位感染者产生的量子生成速率(quanta/h)；p为易感者的肺呼吸量(m3/h)；为暴露时间(h)；为各科室候诊区总面积(m2)；b为初始感染率；为空气分布的有效性；为最小换气次数(h-1
)；为各科室候诊区总体积(m3)。2.根据权利要求1所述的基于人员时空分布模型的呼吸道疾病感染风险预测方法，其特征在于，在s1中，所述就诊信息包括时间变量、科室信息和呼吸道疾病当前状态；所述就诊空间数据包括就诊区域平面参数。3.根据权利要求2所述的基于人员时空分布模型的呼吸道疾病感染风险预测方法，其特征在于，在s2中，所述人员时空分布的预测模型采用如下步骤进行训练：s201、获取历史就诊信息、就诊空间数据及历史就诊时间对应的监控视频中就诊人员变化数据；s202、从历史就诊信息和就诊空间数据中提取第一关键特征，从监控视频的就诊人员变化数据中提取第二关键特征；将第一关键特征作为输入变量，第二关键特征作为输出变量；对基于机器学习建立的人员时空分布的预测模型进行训练；得到训练好的模型参数。4.根据权利要求3所述的基于人员时空分布模型的呼吸道疾病感染风险预测方法，其特征在于，所述提取第二关键特征时，包括以下步骤：采集就诊区就诊人员图像；根据s1中获取的就诊信息中的就诊时间，对采集的就诊人员图像以时间为索引划分数据集；利用训练好的cnn模型对就诊区就诊人员图像进行人数计数，预测实时人数；以固定时间间隔为周期从监控视频图像中随机选取患者进行追踪，分别记录追踪患者进入候诊区以及进入诊室的具体时刻，以两个时刻间隔作为相应患者的停留时间。5.根据权利要求3所述的基于人员时空分布模型的呼吸道疾病感染风险预测方法，其特征在于，所述提取第一关键特征和第二关键特征时，还包括对就诊信息中影响就诊实时人数与停留时间的特征变量通过差异性分析与相关性分析进行遴选，所述遴选采用以下方法中任意一种：独立样本t检验、单因素方差分析和皮尔逊相关性检验。6.一种基于人员时空分布模型的呼吸道疾病感染风险预测系统，其特征在于，用于实
时权利要求1-5中任意一项所述的基于人员时空分布模型的呼吸道疾病感染风险预测方法；包括：就诊信息获取模块、人员时空分布的预测模型、候诊区内呼吸道疾病感染风险模块；所述就诊信息获取模块，用于获取实时就诊信息及就诊空间数据；所述人员时空分布的预测模型用于以获取的就诊信息及就诊空间数据作为输入变量，利用训练后的网络参数，预测实时人数与就诊人员停留时间；所述候诊区内呼吸道疾病感染风险模块，用于根据人员时空分布的预测模型得到的实时人数与就诊人员停留时间，实时动态评估候诊区内呼吸道疾病感染风险。7.根据权利要求6所述的基于人员时空分布模型的呼吸道疾病感染风险预测系统，其特征在于，在就诊信息获取模块中，所述就诊信息包括时间变量、科室信息和呼吸道疾病当前状态，所述就诊空间数据包括就诊区域平面参数。8.根据权利要求6所述的基于人员时空分布模型的呼吸道疾病感染风险预测系统，其特征在于，还包括图像获取模块，所述图像获取模块用于获取历史就诊信息和就诊空间数据对应的监控视频中就诊人员变化数据。9.根据权利要求8所述的基于人员时空分布模型的呼吸道疾病感染风险预测系统，其特征在于，所述人员时空分布的预测模型进行训练时包括：从历史就诊信息和就诊空间数据中提取第一关键特征，从监控视频的就诊人员变化数据中提取第二关键特征；将第一关键特征作为输入变量，第二关键特征作为输出变量；对基于机器学习建立的人员时空分布的预测模型进行训练；得到训练好的模型参数；其中，提取第二关键特征时，包括以下步骤：采集就诊区就诊人员图像；根据获取的就诊信息中的就诊时间，对采集的就诊人员图像以时间为索引划分数据集；利用训练好的cnn模型对就诊区就诊人员图像进行人数计数，预测实时人数；以固定时间间隔为周期从监控视频图像中随机选取患者进行追踪，分别记录追踪患者进入候诊区以及进入诊室的具体时刻，以两个时刻间隔作为相应患者的停留时间。10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述基于人员时空分布模型的呼吸道疾病感染风险预测方法的步骤。

技术总结
本发明公开了一种基于人员时空分布模型的呼吸道疾病感染风险预测方法，包括以下步骤：获取实时就诊信息及就诊空间数据；将就诊信息和就诊空间数据输入训练后的基于机器学习建立的人员时空分布的预测模型中，得到实时人数与就诊人员停留时间；根据得到的实时人数与就诊人员停留时间，采用预设的评估公式，评估候诊区内呼吸道疾病感染风险。本发明旨在解决医院候诊区内由于复杂人员变化导致的感染风险评估不确定性问题，以提升感染风险评估的灵活性和准确性，从而指导医院诊疗资源的合理分配以及候诊区内空调新风系统的精确运维。分配以及候诊区内空调新风系统的精确运维。分配以及候诊区内空调新风系统的精确运维。


技术研发人员：刘刚 原野 高君玺 魏莱
受保护的技术使用者：天津大学
技术研发日：2023.06.14
技术公布日：2023/7/22