一种基于大数据的物流系统流行性传染病防疫优化方法

1.本发明涉及防疫技术领域，具体为一种基于大数据的物流系统流行性传染病防疫优化方法。


背景技术：

2.国内对入境人员、交通工具及物品检疫工作主要为报检及检疫两个阶段，目前报检阶段的信息收集具有小数据统计规范的方法，检验检疫过程具有标准化的人员分配规则及工作流程。近年，针对与物流活动相关的流行性传染病防疫政策得到了完善，规范了物流活动中每一功能与流行性传染病相关的防疫及消杀工作。另外，制定的对人员、交通工具及货物的流行性传染病防疫的相关流程，对入境人员与物品流行性传染病防疫的相关工作流程更加清晰，确定了入境人员及货物的信息收集内容，能够查明物流系统的部分移动轨迹。
3.但目前国内现有对物流系统的流行性传染病防疫的相关方法仍存在以下不足：1.检验检疫工作中待检人员及货物的风险评估机制智能化程度不高，且对物流系统中其他要素的风险评估能力不足。近年来海关虽制定了较为全面及标准化的信息收集单据，但单据信息的提取仍由人工完成；在评估风险水平时主要以定性分析为主，难以实现精准的评估。2. 货物抽检比例缺乏科学精确机制，未对来自不同风险水平区域货物采用不同抽检比例，出现一刀切现象。传染病疫情发生后，由于恐惧采用抽检会造成对来自高风险地区物流系统的漏检而造成传播，因此多数物流节点采用全检，这样对来自低风险地区的物流系统会耗费大量时间、成本提高与效率低下。3.消杀模式及消杀效果评价方面。一方面，未考虑物流系统及各要素间交叉感染流行性传染病病原的情况，对物流系统各要素的消杀无统一标准，对来自高风险区的物流系统要素没有采用全部消杀则存在病毒传播风险，对来自低风险区的物流系统要素采用全部消杀则会耗费大量公共资源。另一方面，现有消杀效果评价耗时较长，目前国内各卫生条例中规定的消杀效果评价均在实验室中进行，需精确检测目标病原体消杀前后采样样本中的病原体数量，如不进行消杀效果的评估则无法保障消杀效果，如采用现评估方法则因时间长而造成入境物流系统海关监管区内货物积压、通关区拥堵、入境物流不畅、效率底下及营商环境不良。为改变检测消杀效果时间过长问题，有学者提出利用脊髓灰质炎病毒作为统一标准对照样本判断消杀效果，通过脊髓灰质炎病毒与目标病原同时消杀，若消杀后脊髓灰质炎病毒的消杀效果满足卫生要求，则认定目标病原消杀效果合格；有学者提出经过gfp标记的腺病毒可以发挥脊髓灰质炎一样的作用，易于得出实验结果且时间短；因目前检测脊髓灰质炎病毒仍需在实验室且较长时间。4.检疫工作中反馈机制不够完善，已检疫的人员、货物及交通工具在此后流通环节中出现的问题没有作为检疫工作的反馈信息，从而不断调整检疫工作政策以提高检疫安全水平。基本没有把通过入境物流系统入境的人员、货物及交通工具进行的流行性传染病病原检测结果的历史数据，以及相关物流系统要素入境后导致的公共卫生危机次数的数据等，作为制定入境检疫参考标准的依据，从而几乎没有对检疫机制动态调整及迭代优化。检疫工作的科学精准性及安全性较低。5.因没有消杀评估认证及认证的互认标准，行政管辖责任分割且不协调。因
没有消杀评估认证及认证的互认标准，国内各地区间及地区内下一级行政单位机构彼此之间对检疫工作信任程度不够，导致对入境物流所经过各地区设置的物流节点均须检疫及消杀，出现重复检疫及消杀或过度消杀，不仅浪费了公共资源，还降低了物流系统效率。


技术实现要素：

4.本发明的目的在于提供一种基于大数据的物流系统流行性传染病防疫优化方法，能够解决上述背景技术中提及的技术问题。
5.为实现上述目的，本发明提供如下技术方案，一种基于大数据的物流系统流行性传染病防疫优化方法，包括以下步骤：
6.数据采集：采集物流系统要素的流行性传染病风险数据；
7.数据匹配：将所述流行性传染病风险数据与流行性传染病风险评价数据库进行匹配，得到物流系统要素的风险等级；
8.数据评价：采用专家判断法和knn算法组合模型确认物流系统整体风险等级；
9.根据所述整体风险等级，匹配检测物流系统要素的抽检比例；
10.根据所述整体风险等级，匹配消杀等级，并进行消杀；
11.评估消杀效果；
12.保存数据备检索并张贴检疫证明终端。
13.作为优选方案，所述物流系统要素至少包括以下两种：驾驶员、货物、货物包装、周转工具及交通工具。
14.作为优选方案，所述流行性传染病风险评价数据库来源于政府部门公布的各地区流行性传染病风险情况信息。
15.作为优选方案，数据匹配前，将精准国的流行性传染病感染者数量作为训练样本，采用随机森林回归算法得到预测模型，采用所述预测模型对非精准国流行性传染病风险数据库进行处理，得到地理位置流行性传染病风险值数据库。
16.作为优选方案，数据评价中，通过专家判断法得到低风险、中风险和高风险等级的分数、并对物流系统要素进行赋值，得到物流系统的风险矩阵，将所述风险矩阵输入knn算法得到物流系统整体风险等级。
17.作为优选方案，根据确认的风险等级，分已知病源和未知病源匹配消杀方法，并进行消杀。
18.作为优选方案，所述评估消杀效果采用：消杀前将含有gfp标记的腺病毒的水溶液喷洒至物流系统要素的表面，并采集表面样本，计算腺病毒的数量，消杀后，再次采集物体表面样本，计算腺病毒数量。
19.作为优选方案，所述检疫证明终端包括无线射频信息库，所述无线射频信息库包括标签制作单位、制作时间、备案号以及各物流系统要素的风险信息、风险等级、消杀方式、消杀效果。所述备案号通过密钥加密。
20.与现有对物流系统的流行性传染病防疫方法相比，本发明的有益效果是：本发明针对目前入境物流系统流行性传染病相关防治的方式的不足，充分利用可获取的影响物流系统携带流行性传染病病原的数据，并考虑流行病病原在外来物流车辆中各要素间的传染概率，运用随机森林回归、专家判断法和knn的组合算法对物流系统整体以及其中各要素的
流行性传染病风险等级快速评估，并优化物流系统的消杀方法、消杀效果评价方法，提高入境口岸的检疫工作效率，并设计物流系统检疫结果证明为入境物流系统提供安全证明，防止其被重复检疫与消杀。
21.本发明提出的随机森林回归、专家判断法和knn的组合算法，随机森林为专家判断法和knn提供更完善的数据源，专家判断法和knn定性与定量的方法相结合，有效量化了物流系统各要素的风险及整体风险，与单一随机森林回归不同的是，随机森林回归定量分析得到的结果通过专家判断法定性处理，专家判断法的判断区间缩小了随机森林的误差，与单一专家判断法不同的是，运用了两次专家判断，第一次专家判断法得到物流系统五要素风险等级，第二次knn算法根据专家判断法判断的物流系统整体风险的记录结合，knn定量处理了专家判断法定性分析得到的结果，案例分析中可知经过knn训练后的物流系统整体风险判断模型与专家判断法设定的模型已不相同。
附图说明
22.图1为本发明一种基于大数据的物流系统流行性传染病防疫优化方法的流程示意图。
23.图2为本发明中各物流系统要素的匹配示意图。
24.图3为本发明中检疫证明识别处理示意图。
25.图4为本发明中创新组合算法中各单一算法关系示意图。
26.图5为本发明中随机森林算法预测原理示意图。
27.图6为本发明中检疫证明逻辑结构示意图。
28.图7为本发明中检疫证明的概念结构示意图。
29.图8为本发明中检疫证明的主视图。
30.图9为本发明实施例随机森林回归调参图。
31.图10为本发明实施例随机森林回归测试集拟合程度图。
32.图11为本发明实施例knn模型调参图。
33.图12为本发明实施例可视化散点图。
具体实施方式
34.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
35.参见图1，本技术公开了一种基于大数据的物流系统流行性传染病防疫优化方法，该方法实现的步骤如下：
36.1.物流系统要素分析
37.在流行性传染病的环境下，直接接触或间接接触及病毒混合体随空气流动造成病毒的传播，所以在物流系统内的各要素之间均具有相互传染的可能性。考虑到流行性传染病的传播特性，将物流系统内的各要素均考虑在流行性传染病的数据收集范围内，主要包括驾驶员、货物、货物包装、周转工具及交通工具五个要素。
38.2.流行性传染病相关的重点数据采集
39.根据物流系统是否有检疫结果证明将物流系统分为首次入境物流系统及已入境物流系统，入境检疫口岸对首次入境物流系统采集全部信息，入境后各检疫节点通过检疫证明 rfid信息获得已入境物流系统入境后途经的地理位置信息。
40.2.1首次入境物流系统流行性传染病重点数据采集
41.①
驾驶员流行性传染病风险数据采集及数据来源
42.根据数据的应用领域将驾驶员的信息分为基本信息、健康状况与流行性传染病风险评估数据三种类别。基本信息包括姓名、性别、年龄与国籍，健康状况包括体温状况、流行性传染病检测报告与电子健康证明，流行性传染病感染风险数据包括居住地、驾车起始地、途径地、起运地区与运抵地区及两类集装箱装货方式(物流公司装箱及厂家装箱)。
43.驾驶员基本信息源自身份证或驾驶证；健康状况中体温状况源自体温测量器；流行性传染病检测报告及电子健康证明源自政府流行性传染病溯源平台，若政府流行性传染病溯源平台无流行性风险信息时，则通过纸质或电子版流行性传染病病原检测报告提供流行性传染病检测信息；居住地、驾车起始地与途径地源自大数据行程卡，若无大数据行程卡信息，则通过道路经营许可证提供居住地，进口报关单提供起运地区与运抵地区数据，集装箱装货方式需要进仓单提供。为获取这些数据，驾驶员需提供身份证、驾驶证，流行性传染病检测报告、电子健康证明、大数据行程卡、道路运输经营许可证、进口报关单，进仓单等单据或二维码、条码等经国家标准机构认证的无线射频码或其他码。
44.②
交通工具流行性传染病风险数据采集及数据来源
45.同
①
，将交通工具数据分为基本信息与流行性传染病感染风险评估数据两类，前者包括车型和入境许可证信息，后者包括注册地、车牌、起运国(地区)、出口口岸、装货港、境内货源地与途径地。
46.其中，车型、入境许可证信息、车牌、出口口岸、起运国(地区)、装货港与境内货源地源自进口报关单；车辆注册地由道路运输经营许可证提供；途径地依据驾驶员的大数据行程卡。为获取这些数据，驾驶员需提供进口报关单、道路经营许可证与大数据行程卡等单据。
47.③
货物流行性传染病风险数据采集及数据来源
48.同
①
，将货物数据分为货物名称、数目信息与流行性传染病感染风险评估数据，数目信息包括商品名称、规格型号、数量及单位，流行性传染病感染风险评估数据包括货物生产地与装货港。数据均源自进口报关单，所以驾驶员需提供的单据为进口报关单。
49.④
周转工具流行性传染病风险数据采集及数据来源
50.同
①
，将周转工具数据分为基本信息与流行性传染病感染风险评估数据。基本信息包括周转工具型号及集装箱箱号，周转工具流行性传染病风险数据包括集装箱的装货港与途径地。周转工具型号、集装箱箱号即装货港数据源自进口报关单，途径地参照驾驶员大数据行程卡。
51.⑤
货物包装流行性传染病风险数据采集方法
52.由于物流活动中货物包装一般在生产地区和物流中转中心进行，在装货活动中会与物流系统外的环境接触，所以将影响货物包装的影响要素归为包装种类、原产地和装货港3 个要素。但在集装箱装货方式为物流公司装箱的情况下，驾驶员与货物包装产生直接
接触，于是将集装箱装货类型也纳入评判因素。其中，包装种类、原产地与装货港数据均源自进口报关单。驾驶员需提供进口报关单。
53.2.2已入境物流系统流行性传染病重点数据采集
54.已入境物流系统经过境内检疫节点时检疫证明中rfid发出射频信号，检疫节点的rfid 信息读写器接收物流系统已检疫消杀信息及途径地理位置信息，将途径地理位置信息作为物流系统流行性传染病风险等级再评价的主要依据。
55.检疫证明中检疫结果认证标准如下：
56.若物流系统具有检疫证明，则检疫证明中检疫结果互认是通过可视化数据而制定的标准，主要包括：
①
物流系统在入境时认证后，在境内路经的两地区交界处需进行检疫认证的查验，若物流系统未经过中高风险区域，则免于消杀。
②
根据大数据可视化的数据检索，运输整个过程中没有与行政辖区内中高风险地区，则离开该区域时可免于消杀。
③
若爆发新型未知的流行性传染病，则在进入下一物流节点时，需要根据新型的流行性传染病风险场所，更新物流系统风险信息，进行新的检疫认证。
④
所有方法、数据、设备、数据传输经过政府认证标准安全条件下完成的。
57.2.3流行性传染病风险评价数据库
58.采集到的数据流行性传染病相关的重点数据存至流行性传染病风险评价数据库中的临时样本数据库，方便后续与流行性传染病风险评价数据库中的其他相关数据库的匹配工作，以下是流行性传染病风险评价数据库的介绍：
59.流行性传染病风险评价数据库d包含d1、d2、
…
、dj等子数据库，包括全球地理位置流行性传染病风险等级数据库、检疫消杀数据库、流行性传染病病原体环境检测结果数据库、人体健康数据库及交通工具型号数据库等。其中地理位置流行性传染病风险等级的数据类型代码为1，即d1。
60.风险指标制定标准以某国家流行性传染病风险区划分政策为基础，即累计病例超过50 例，14天内有聚集性流行性传染病发生为高风险地区。依据国家人口密度利用该国家的流行性传染病风险区划分政策，得到风险指标，即国外某一地理位置的风险等级指标值为：
[0061][0062]
式(2)中，nc为该地区14日内新增某流行性传染病感染者人数，pd
l
表示这一地区的人口密度，表示上述某国家的人口密度。
[0063]
3.评价方法
[0064]
本发明采用随机森林回归和专家判断法和knn的组合预测算法，将该组合算法作为本发明的评价方法。算法原理如图4所示。
[0065]
将政府部门公布的关于各地区流行性传染病风险情况信息作为数据源建立流行性传染病风险评价数据库，利用随机森林回归完善流行性传染病风险评价数据库，运用匹配法将物流系统流行性传染病相关信息与流行性传染病风险评价数据库进行匹配(首次入境物流系统的流行性传染病风险评价利用入境检疫口岸采集到的其流行性传染病相关数
据，已入境物流系统的流行性传染病风险评价利用境内物流节点采集到的其入境后途经的地理位置信息)，从而得到物流系统各要素的流行性传染病风险值，将物流系统各要素风险等级作为输入项输入训练完成的knn模型，最终得到该物流系统整体的流行性传染病风险等级。
[0066]
①
.随机森林回归
[0067]
将流行性传染病感染者数量精确到一级及更低级别行政区的若干国家(以下简称精准国)作为训练样本，将若干国家的各最低级行政区14日内新增感染者数量占全国感染者的比例、人口聚集活动比例、人口比重、gdp占比、旅客周转量占全国比例、运输货物周转量占全国比例以及人类发展指数的数据组成数据集，在数据集中抽取一定比例数据作为训练集，其余作为测试集，运用随机森林回归法得到预测模型。将非精准国可以获得的最低行政级别的人口聚集活动比例、人口比重、人均gdp、旅客周转量占全国比例、运输货物周转量占全国比例以及人类发展指数组成数据集，将数据集作为输入项代入预测模型，得到新增感染者数量占全国感染者的比例的输出项，从而得到流行性传染病感染者数量无法精确到省级的所有国家各省的感染者分布情况。如图5所示。
[0068]
训练样本集中各指标值计算方法为：
[0069]
表1.训练样本集各指标值计算方法
[0070][0071]
随机森林算法基本模型：
[0072][0073]
式(3)中，f
*
(x)为预测结果，模型含义为基于自变量x的输出数据集f(x,θi)的a个决策树的均值。
[0074]
随机森林算法过程为：
[0075]
第一步，选取14日内新增感染者数量占全国感染者的比例作为特征变量y，其余作为非特征变量y，采用留出法将精准国原始数据集{m
m+n
}中随机抽取80％数据作为训练样本集其余20％作为测试集
[0076]
第二步，在训练样本集六个特征内随机抽取τ个特征，抽取的τ个特征在随机森林生成的过程中不发生变化，未被抽到的特征进行节点分裂。
[0077]
第三步，循环第一步与第二步，并调整参数，最终得到随机森林的最优预测模型∈。
[0078]
第四步，将测试集数据中各行政区域人口聚集活动比例、人口比重、gdp占比、旅客周转量占全国比例、运输货物周转量占全国比例以及人类发展指数作为输入项，将各行政区域14日新增感染者数量占全国感染者的比例作为输出项，得到测试预测集将测试预测集与测试集中真实样本进行比较。测试集中各省14日内新增感染者数量占全国感染者的比例的实际值数据集为则预测效用判别式为：
[0079][0080]
式(4)中，s
evs
表示解释方差回归得分，var{
·
}表示方差。
[0081]
解释方差回归得分不小于0.9时，认为预测模型有效。
[0082]
第五步，将非精准国各地区非特征变量y数据组成得数据集代入预测模型∈得到包含k个数据的预测数据集预测数据集中每一预测值与非精准国全国14日新增感染者数量相乘，得到各行政区14日内精准国全国14日新增感染者数量数据集将及横向合并为数据集(非精准国)，将{m
m+n
}中特征变量y变为14日新增感染者数量得到数据集(精准国)，与横向合并得到数据集{m
m+n+k
}，作为优选方案，提取数据集{m
m+n+k
}中特征变量y得到数据集{y
m+n+k
}，{y
m+n+k
}代入地理位置风险等级指标判别式(2)得到数据集将数据集与{m
m+n+k
}纵向合并得到各国行政区的地理位置风险值数据集{m
m+n+k
}，此数据集作为地理位置流行性传染病风险值数据库d1。
[0083]
[注释]：横向合并增加行、纵向合并增加列，数据集中下角标表示样本的个数，即行数。
[0084]
②
.匹配法
[0085]
将采集到的物流系统流行性传染病相关的重点数据与物流系统流行性传染病风险评价数据库进行匹配，从而得到物流系统中各要素的风险等级。
[0086]
匹配模型如下所示:
[0087]
map(i
jk
,dj),(i＝α、β、γ、λ、ω)
ꢀꢀ
(5)
[0088]
式(5)中，α、β、γ、λ、ω分别表示驾驶员、交通工具、周转工具、包装与货物，map(
·
) 表示匹配函数，i
jk
表示要素i的j数据类型中的第k个数据,d代表流行性传染病风险数据库，dj表示流行性传染病风险数据库中与要素i的j数据类型对应的数据类型，匹配示意图如图2所示。
[0089]
根据流行性传染病近距离传播较为容易的特点，将交通工具分为驾驶室与货物区，周转工具分为内外壁，包装分为内外壁。按照接触类型对物流系统的五个要素进行分析，产生近距离接触的要素有：包装外壁与周转工具内壁、交通工具驾驶室与驾驶员、驾驶员与包装外壁(当集装箱装货类型为物流公司装箱时)。
[0090][0091]
式(6)中，max(
·
)为取最高风险值的函数，为i要素途经各地理位置而产生的风险，为与i要素发生近距离接触的其他物流系统要素所经历地理位置流行性传染病风险等级表达式，表示i要素的流行性传染病病原体环境检测结果所代表的风险等级。
[0092]
③
.基于专家判断法和knn算法的物流系统风险确定方法
[0093]
评分规则如下：
[0094]
评分规则含流行性传染病的存活率(1-致死率)、未感染率(1-感染比例)、对公共安全的影响程度及影响社会经济程度4个指标，四个指标的权重由专家组共同确定，流行性传染病感染率及致死率根据传染病的实际情况而定，专家组根据流行性传染病对公共安全的影响程度及影响社会经济程度对风险等级进行评分，评分范围为0至1。
[0095]
专家评分表为：
[0096]
表2.专家评分表
[0097][0098]
专家评分表中，x1至x4分别为流行性传染病的感染率、致死率、对公共安全的影响程度及影响社会经济程度4个指标的权重，h
i1
至h
i4
分别为i专家对于4个指标的高风险判断值，其中h
i1
、h
i2
为专家不可改变的固定值，h
i3
、h
i4
为专家给与的分值，中风险、低风险对应指标评分与高风险类似。加权得到i专家对于三个风险等级的评分，如下：
[0099]
[0100]
专家组的评分情况为：
[0101]
表3.专家组评分情况
[0102][0103]
其中：
[0104][0105]
式中，li表示第i个专家对于低风险等级的评分建议值，mi表示第i个专家对于中风险等级的评分建议值，hi表示第i个专家对于高风险等级的评分建议值，n代表专家组的人数，l代表最终采用的低风险等级值，m代表最终采用的中风险等级值，h代表最终采用的高风险等级值。
[0106]
经上述步骤得到物流系统携带流行病病原的风险评估值δr，按照指标δr将物流系统携带流行病病原的风险分为以下等级：δr∈[l,m]，物流系统为低风险；δr∈[m,h]，物流系统为中风险；δr∈[h,1]，物流系统为高风险。
[0107]
经匹配法得到了物流系统五要素各自的流行性传染病风险等级，通过专家判断法得到的低、中和高风险等级的分数对物流系统五要素进行赋值，可以得到物流系统的风险矩阵 x∈r
1,5
，将风险矩阵输入knn算法得到物流系统整体风险等级。
[0108]
knn又称k近邻，其算法原理为分析在一个平面、空间或高维空间内距离样本y最近的的k个点(k值)的待研究特征变量f的特征值，根据k值构造树，并设定构造树的最大数量，记录这k个点中特征变量f中出现次数最多的某一特征值f
*
，并将f
*
作为样本 y特征变量f的值。其中，k值为knn的限定半径，即选取距样本最近的的k个点作为样本特征值的判断依据；距离计算方法有三种，曼哈顿距离、欧氏距离及切比雪夫距离，距离公式为：
[0109][0110]
式(8)中，l
p
(xi,yj)表示xi和yj两点间的距离，两点间的距离，当p为1时l
p
(xi,yj)为曼哈顿距离，当p为2时l
p
(xi,yj)为欧式距离，当p区域无穷时l
p
(xi,yj)为切比雪夫距离；根据距离公式构造树，构造树的类型有蛮力实现、kd树实现和球数实现，蛮力实现适合数据集分布较散的情况，kd树适合维度小于 20的空间使用，球数适用于维度大于20的空间使用；构造树的最大数量是停止建子树的叶子节点数量的阈值，是构造树构造的上限。
[0111]
经匹配法及专家评分法可以得到物流系统五要素的流行性传染病风险值，五个风险值可构成样本矩阵[r
α
,r
β
,r
γ
,r
λ
,r
ω
]，将其作为待预测数据集进行如下步骤：
[0112]
第一步，根据专家判断法判断n个物流系统的整体风险等级作为历史记录，将物流系统五要素的风险等级及整体风险判断的n条历史记录列成矩阵x
t
∈r
n,6
，在训练样本数据集抽取物流系统整体风险等级(低风险、中风险及高风险)作为数据标签，采用留出法在其中随机抽取80％的数据作为训练样本数据集i∈{1,2,
…
,m}，训练样本集中数据标签组成的样本集为{yi}，物流系统五要素组成的样本集为{yi}，其余20％作为测试集训练样本集中数据标签组成的样本集为物流系统五要素组成的样本集为
[0113]
第二步，将{yi}及{yi}输入knn模型进行训练得到knn模型ω。
[0114]
第三步，将测试集数据中物流系统五要素各自的风险等级作为输入项，将物流系统整体风险等级作为输出项，得到物流系统整体风险等级预测集将测试预测集与测试集中真实样本输入acc模型，得到分类准确率分数。预测效用判别式为：
[0115]
acc≥0.9
ꢀꢀꢀꢀꢀꢀꢀ
(9)
[0116]
式(9)中，acc表示分类准确率分数。
[0117]
分类准确率分数不小于0.9时，认为预测模型有效。
[0118]
第四步，以acc调整knn模型中的参数，使acc达到最大值，即模型达到最优，从而得到预测模型ω。k，underfit，overfit。
[0119]
第五步，将待预测数据代入预测模型ω得到包含1条数据的预测数据集将此数据作为物流系统整体风险等级。
[0120]
4.检疫方法
[0121]
不同风险等级的物流系统进行不同的抽检处理，物流系统为高风险等级时对系统内五个要素全部进行检疫，中风险等级时对系统内中风险及以上的要素进行检疫，低风险时抽取中风险及以上的要素进行检疫，并随机抽取其他要素中的任意一项进行检疫。
[0122]
驾驶员风险等级为低风险时，可免检，驾驶员风险等级为中风险级以上时，对驾驶员进行流行性传染病检测。交通工具及周转工具风险等级为中风险及以上时，对交通工具与周转工具驾驶室内部、外部进行检疫。货物与包装风险等级为低风险时，采取2％的比例随机抽检，风险等级为中风险时，采取20％的比例随机抽检，风险等级为高风险时，需对货物及包装进行全部检疫。
[0123]
当样本检测未发现流行性传染病病原体时，认为风险等级判断正确，进行正常的消杀流程。当样本检测发现流行性传染病病原体时，立即将物流系统变为高风险等级，并对物流系统进行转移隔离，对驾驶员进行隔离观察，对其他要素进行全面的灭菌处理。
[0124]
5.消杀方法
[0125]
我国《消杀技术规范》中根据消毒因子作用的水平将消毒过程分为灭菌、高水平消毒法、中水平消毒法和低水平消毒法四个消毒等级，灭菌指杀灭一切微生物的消毒方法；高
水平消毒法指杀灭一切细菌繁殖体、病毒、真菌及其孢子和绝大多数细菌芽孢的的消毒方法；中水平消毒法指杀灭细菌芽孢外的微生物的消毒方法；低水平消毒法指杀灭细菌繁殖体和亲脂病毒的消毒方法。由于流行性传染病由病毒引起，所以舍弃低水平消毒法，采用灭菌、高水平和中水平消毒法。
[0126]
灭菌法采用复方过氧化氢消毒剂的5倍稀释液喷洒在物体表面，作用5分钟；高水平消毒法采用0.1％的次氯酸钠溶液喷洒在物体表面，作用5分钟；中水平消毒法采用浓度为 75％的乙醇喷洒在物体表面，作用10分钟。
[0127]
表4.消毒水平方法表
[0128]
消毒水平所用消毒剂作用时间(分钟)灭菌法复方过氧化氢消毒剂的5倍稀释液5高水平消毒法0.1％的次氯酸钠溶液5中水平消毒法75％的乙醇10
[0129]
根据确认的风险等级，分已知病源和未知病源匹配消杀方法，并进行消杀。流行性传染病病原未知或病原未芽孢时的情况下，具有中高风险等级的除驾驶员以外的物流系统要素均采用灭菌法，对于流行性传染病病原非芽孢的情况采用下述消毒法：
[0130]
为了减少因物流系统内发生无法预期的交叉感染而造成各要素风险等级评估偏差，根据物流系统的风险等级对5个要素采用不同消毒方法，当系统为高风险时，系统内高风险等级要素采用灭菌法，中、低风险等级要素采用高水平消毒法；当系统为中风险时，系统内高、中风险等级要素采用高水平消毒法，低风险等级要素采用低水平消毒法；当系统为低风险时，系统内高风险等级要素采用高水平消毒法，中、低风险等级要素采用中水平消毒法。
[0131]
由5个要素的风险评估规则可知，当货物为高风险等级时，包装一定为高风险等级，但包装也可能因集装箱装货方式为物流公司装箱而被驾驶员感染，所以包装的风险等级等于或高于货物的风险等级。因包装包裹货物的特征，将包装与货物作为一个整体进行消毒处理。当货物风险等级为低风险时，只对包装进行消毒；当货物风险等级为中高风险时，将货物扣押并进行病毒检测，并对包装与货物都进行消毒处理。通过货物流行性传染病风险数据库可以得知货物的数量，以便选择合适的消杀方式，并得到预期的消杀时间。
[0132]
由于周转工具与交通工具拆卸相对困难，而交通工具驾驶室与驾驶员直接发生接触，将交通工具分为驾驶室与外表两部分。将周转工具与交通工具作为一个整体，风险等级不同时，按照各自的风险等级分别喷洒不同的消毒剂。驾驶员单独进行消毒，并对驾驶室单独进行消毒。
[0133]
6.消杀效果评价
[0134]
在物流系统消杀前，将含有一定浓度的gfp标记的腺病毒的水溶液喷洒至物流系统的表面，由于腺病毒与系统中各要素的环境一致，所以认为系统携带病毒的杀灭率与腺病毒的杀灭率相等。在腺病毒溶液喷洒后，采集物体表面样本，计算腺病毒的数量，在消杀后，再次采集物体表面样本，计算腺病毒数量。
[0135]
我国《消杀技术规范》中，对空气中微生物的杀灭率标准为99.91％，因此采用这一杀灭率作为消杀合格的指标，当消杀率达大于99.91％时，认为消杀合格。消杀率公式为：
[0136][0137]
式(10)中，c为病毒消杀率，t0为消杀前样本中检测到的带有标记的腺病毒数量，t1代表消杀后样本中检测到的带有标记的腺病毒数量。
[0138]
7.检疫证明
[0139]
为证明经过处理的物流系统具有安全性，记录入境后的物流系统途径的精准地理位置，使境内防疫检疫节点对在物流系统入境后进行精准的再次流行性传染病风险评估，减少物流系统入境后再次被检疫消杀增加的检疫时间与成本，在入境口岸给予经过检疫消杀的物流系统证明材料，并保存数据备检索。在已检疫检疫结果证明标志设计方面，本发明主要涉及检疫证明终端、rfid信息库、防伪验证三方面。
[0140]
①
检疫证明终端
[0141]
检疫证明终端外观如图7所示，图中：检疫证明终端正面1，具体见图8，信息包括证书编号和证明监制单位信息，充电端口2为蓄电池充电端，电磁铁3用于吸附在物流车辆表面。检疫证明终端包括蓄电池、充电端口、电磁铁、导航定位芯片、存储器、有源rfid，各部件间的连接原理如图6所示，蓄电池为电磁铁、导航定位芯片、存储器、有源rfid 供电，定位导航芯片将位置信息存至存储器，在入境后检疫节点通过有源rfid传输与rfid 读写器互换物流系统流行性传染病风险信息，并最终将信息传输至流行性传染病风险评价数据库，以供检疫节点评价。
[0142]
蓄电池采用锂电池，充电端口采用usb type-c接口，电磁铁采用深圳市九品磁科技有限公司的jnp-15/15，导航定位芯片采用北斗定位模组，存储器采用tf卡，有源rfid 采用超高频rfid。
[0143]
②
rfid信息库
[0144]
rfid信息库包含三类信息，part1部分包括标签制作单位、制作时间及备案号，part2 部分包括物流系统的各要素的风险信息、风险等级、消杀方式及消杀效果，part3部分包括物流系统入境后途经地理位置信息。信息库如下所示：
[0145]
表5.rfid储存信息表
[0146][0147]
参见图3，该信息库中，part1与part2的消杀效果、消杀方式、消杀效果在rfid标签被识读后直接显示，part2部分风险信息不显示并导入检疫消杀数据库，part3部分入境后
途经地理位置信息不显示并导入检疫消杀数据库。入境物流口岸及入境后的各级物流节点通过该物流系统是否具有rfid证明判断物流系统是否经过检疫消杀，若不具备rfid 证明则对物流系统进行检疫消杀，并在消杀完成后给予物流系统rfid证明。若物流系统具有rfid证明，则根据rfid证明信息中不具备的该物流系统更新的风险信息(即所经过区域风险等级)重新判别该物流系统风险，当更新物流系统风险信息为低风险时放行车辆；若非低风险，则需再次进行检疫消杀，并更新rfid所含信息。
[0148]
③
.检疫证明防伪验证
[0149]
rfid信息库part1中备案号为验证rfid是否有效的凭证，物流检疫节点通过检索物流系统的备案号是否在检疫消杀数据库中存在来判断rfid证明是否有效。备案号通过密钥加密，在物流节点读取rfid时显示为加密后的备案号，在导入检疫消杀数据库时解密后与已备案的记录比对。
[0150]
以下将通过以某传染病疫情为实施例进行进一步说明：
[0151]
实施例：
[0152]
背景：2020年10月24日，国家a某地区爆发区域性某传染病疫情，经该病毒溯源后，疾控中心在抽取该地区三个邻国的过境集装箱时发现与该地区病毒的高度同源病毒，确定该地区该传染病疫情来自邻国的境外集装箱。
[0153]
方法：情景再现法
[0154]
现选取距国家a某地区较近的口岸a为实施口岸，选取口岸a的通商国国家b作为物流系统研究对象，下面利用上述方法在口岸a对来自国家b的物流系统进行处理：
[0155]
1.流行性传染病风险数据库处理
[0156]
在2020年10月24日前14日内，国家b的某传染病疫情新增感染者数据如下：
[0157]
表6.国家b某传染病疫情感染者数据
[0158][0159][0160]
将国家m、国家n、国家p、国家q、国家r、国家a与国家t七个国家一级行政区的数据作为模型训练数据集data。
[0161]
利用留出法从data中抽样，抽样比例训练集和测试集为8：2，抽样自由度为15，得到训练集与测试集将训练集输入随机森林模型，循环遍历随机森林模型参数的
可能值获得随机森林模型解释方差s回归得分达到最大值时的最优参数组合，各参数的最优值如表7所示：
[0162]
表7.随机森林模型参数
[0163][0164]
将训练集输入训练模型，模型训练完成后将测试集中的相关指标输入模型得到预测，测试预测集将测试预测集与测试集中特征变量真实数据集进行比较。最终得到s
evs
＝0.9595175953737675》0.9，随机森林模型有效，随机森林测试集拟合程度如图10所示，可以看出拟合程度较好。
[0165]
国家b相关数据组成的待预测数据集如下：
[0166]
表8.国家b待预测数据集
[0167][0168][0169]
预测结果组成的预测数据集如下，如表9中y_test_pred，表示经过随机森林模型预测的国家b一级行政区14日内新增感染者数量占全国感染者的比例。通过上述表6中国家b前14天内某传染病疫情感染者数据与表15国家b预测数据集可得到国家b各一级行政区14日内的新增感染者人数，14日内新增感染者人数计算时选择大于其的最小整数。根据
公式(2)，可得到国家b各一级行政区流行性传染病风险值：
[0170]
表9.国家b预测数据集
[0171][0172]
2.物流系统数据采集及匹配
[0173]
根据国家a进口国家b主要商品类型及国家b国内产业结构和市场结构，来自国家b 可能的物流系统信息，与流行性传染病风险评价数据库中全球地理位置流行性传染病风险等级数据库、流行性传染病病原体环境检测结果数据库、人体健康数据库进行匹配，得到物流系统五要素各数据的风险值，风险值如下所示，并根据如表10-14所示：
[0174]
表10.样本随入境货物的人员的信息采集表
[0175]
[0176]
表11.样本入境运输工具采集信息表
[0177][0178][0179]
表12.样本入境货物采集信息表
[0180][0181]
表13.样本入境周转工具采集信息表
[0182][0183]
表14.样本入境货物包装采集信息表
[0184][0185][0186]
2.物流系统数据匹配
[0187]
根据表10-14，可得到物流系统五要素的风险值：
[0188]rα
＝max(0,0,0,0.99,0.99,0.99,0.99,0.99,0)＝0.99，
[0189]rβ
＝max(0.99,0.99,0.99,0.99,0.99,0.99)＝0.99，
[0190]rγ
＝max(0.99,0.99,0.99,0.99)＝0.99，
[0191]rλ
＝max(0.99,0.99,0.99)＝0.99，
[0192]rω
＝max(0.99,0.99,0.99)＝0.99。
[0193]
根据物流系统五个要素接触的情况，根据公式(6)可得：
[0194]rβ
＝max(r
β
,r
α
)＝0.99，
[0195]rγ
＝max(r
γ
,r
ω
)＝0.99。
[0196]
物流系统五要素各自风险值组成的预测集数据为[0.99 0.99 0.99 0.99 0.99]。
[0197]
3.物流系统五要素及整体风险等级确定
[0198]
设专家判断法得到的物流系统携带流行病病原的风险评估值δr为：δr∈[0,0.3]，物流系统为低风险；δr∈[0.3,0.9]，物流系统为中风险；δr∈[0.9,1]，物流系统为高风险。
[0199]
设置5列1000行的随机数，5列分别代表人员、交通工具、周转工具、货物包装与货物的风险值，其中80％取值区间为[0,0.2]，16％取值区间为[0.2,0.8]，4％取值区间为[0.8,1]，将5000个数值打乱列为矩阵x
t
∈r
1000,5
，其中的每一行代表一个样本数据。对矩阵x
t
∈ r
1000,5
做一下处理：
①
.随机选取矩阵中的200条数据将周转工具装货方式设置为物流公司装箱，根据物流系统五个要素接触的情况，即认为人员与货物包装产生接触，取驾驶员与货物包装的最高风险值赋予人员与货物包装。
②
.根据物流系统五个要素接触的情况，取人员与交通工具的最高风险值赋予交通工具，人员风险值不变。
③
.根据物流系统五个要素接触的情况，取周转工具和货物包装的最高风险值赋予周转工具，货物包装风险值不变。
[0200]
假设专家判断规则，根据专家判断法得到历史数据集中5000个数值的风险等级，每一个样本物流系统整体的流行性传染病风险等级规则设为：
①
.物流系统五要素风险等级均为低风险时认为物流系统整体的流行性传染病风险等级为低风险。
②
.物流系统五要素中存在一个与两个要素风险等级为中风险时认为物流系统整体的流行性传染病风险等级为中风险。
③
.物流系统五要素中存在三个要素风险等级为中风险时认为物流系统整体的流行性传染病风险等级为高风险。
④
.物流系统五要素中存在一个及以上要素风险等级为高风险时认为物流系统整体的流行性传染病风险等级为高风险。根据该规则可得到所有
样本物流系统的风险等级，将低风险设为标签2，中风险设为标签1，高风险设为标签0，得到矩阵x
t
∈ r
1000,6
，将其作为knn算法的历史数据集。
[0201]
利用留出法取历史数据集中80％作为训练样本数据集其余作为测试集在训练样本数据集抽取物流系统整体风险等级作为数据标签，运用knn模型对训练样本数据集进行训练，循环遍历留出法及knn模型参数的可能值获得acc达到最大值时的最优参数组合，各参数的最优值如表15所示：
[0202]
表15.knn模型各参数最优值
[0203][0204]
最终得到分类准确率分数为：acc＝0.975，根据公式(9)acc》0.9可知knn模型ω有效。
[0205]
将待预测数据代入预测模型ω得到预测数据集预测结果为[0]，即来自国家b的物流系统研究对象流行性传染病风险等级为高风险等级，散点图如图12所示，散点图中点代表历史数据集，星星代表物流系统研究对象，白色代表低风险等级，灰色代表中风险等级，黑色代表高风险等级。从测试集集的得分为0.975可知，knn定量处理了专家判断法定性分析得到的结果，模糊了专家判断法的界定值，使模型更具柔性。
[0206]
4.物流系统五要素检疫方法确定
[0207]
由检疫方法确定规则可得，物流系统研究对象的五要素检疫方法如表16所示：
[0208]
表16.物流系统研究对象各要素检疫方法
[0209][0210]
5.物流系统五要素消杀方法确定
[0211]
由消杀方法确定规则可得，物流系统研究对象的五要素消杀方法如表17所示：
[0212]
表17.物流系统研究对象各要素消杀方法
[0213][0214]
消杀前向交通工具、周转工具、货物包装及货物四个要素喷洒一定浓度的gfp标记的腺病毒的水溶液，并用检疫拭子擦拭各部分的表面，记录腺gfp标记的病毒数量。消杀完成后，再次用检疫拭子擦拭各部分的表面，记录腺gfp标记的病毒数量，通过式(10)判断消杀效果。若消杀效果不达标则再做消毒处理。
[0215]
6.检疫证明
[0216]
若物流系统各部分消杀效果达标，给予物流系统rfid检疫结果证明。rfid检疫结果证明信息如下：
[0217]
表18.rfid检疫结果证明信息表
[0218][0219][0220]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

技术特征：
1.一种基于大数据的物流系统流行性传染病防疫优化方法，其特征在于，包括以下步骤：数据采集：采集物流系统要素的流行性传染病风险数据；数据匹配：将所述流行性传染病风险数据与流行性传染病风险评价数据库进行匹配，得到物流系统要素的风险等级；数据评价：采用专家判断法和knn算法组合模型确认物流系统整体风险等级；根据所述整体风险等级，匹配检测物流系统要素的抽检比例；根据所述整体风险等级，匹配消杀等级，并进行消杀；评估消杀效果；保存数据备检索并张贴检疫证明终端。2.根据权利要求1所述的基于大数据的物流系统流行性传染病防疫优化方法，其特征在于，所述物流系统要素至少包括以下两种：驾驶员、货物、货物包装、周转工具及交通工具。3.根据权利要求1所述的基于大数据的物流系统流行性传染病防疫优化方法，其特征在于，所述流行性传染病风险评价数据库来源于政府部门公布的各地区流行性传染病风险情况信息。4.根据权利要求1所述的基于大数据的物流系统流行性传染病防疫优化方法，其特征在于，数据匹配前，将精准国的流行性传染病感染者数量作为训练样本，采用随机森林回归算法得到预测模型，采用所述预测模型对非精准国流行性传染病风险数据库进行处理，得到地理位置流行性传染病风险值数据库。5.根据权利要求1所述的基于大数据的物流系统流行性传染病防疫优化方法，其特征在于，数据评价中，通过专家判断法得到低风险、中风险和高风险等级的分数、并对物流系统要素进行赋值，得到物流系统的风险矩阵，将所述风险矩阵输入knn算法得到物流系统整体风险等级。6.根据权利要求1所述的基于大数据的物流系统流行性传染病防疫优化方法，其特征在于，根据确认的风险等级，分已知病源和未知病源匹配消杀方法，并进行消杀。7.根据权利要求1所述的基于大数据的物流系统流行性传染病防疫优化方法，其特征在于，所述评估消杀效果采用：消杀前将含有gfp标记的腺病毒的水溶液喷洒至物流系统要素的表面，并采集表面样本，计算腺病毒的数量，消杀后，再次采集物体表面样本，计算腺病毒数量。8.根据权利要求1所述的基于大数据的物流系统流行性传染病防疫优化方法，其特征在于，所述检疫证明终端包括无线射频信息库，所述无线射频信息库包括标签制作单位、制作时间、备案号以及各物流系统要素的风险信息、风险等级、消杀方式、消杀效果。9.根据权利要求8所述的基于大数据的物流系统流行性传染病防疫优化方法，其特征在于，所述备案号通过密钥加密。

技术总结
本发明涉及一种基于大数据的物流系统流行性传染病防疫优化方法，包括数据采集、数据匹配、数据评价确认风险等级、并根据确认的风险等级确定抽检比例和消杀等级、在评估消杀效果后张贴检疫证明终端。本发明所提供的防疫优化方法采用“随机森林+KNN+专家打分法”组合模型对风险预测，结合大数据对物流系统流行性传染病风险等级快速评估，提高入境物流系统的检验检疫工作速度，设计物流系统检验检疫与消杀效果认证标志及互认标准，提供物流系统及五要素检验检疫消杀安全等级证明，使入境物流系统免于重复检验检疫与消杀或过度消杀，科学精准提高对物流系统检疫效率、降低服务成本、提高入境便利化与优化服务双循环的营商环境。入境便利化与优化服务双循环的营商环境。入境便利化与优化服务双循环的营商环境。


技术研发人员：王海灵 杨亚宁
受保护的技术使用者：新疆大学
技术研发日：2022.07.06
技术公布日：2022/11/1