城市疫情態(tài)勢(shì)發(fā)展與動(dòng)態(tài)調(diào)控可視分析

王松，陳仕杰，李杭霖，李孝慧，馮瓊芳，王慧杰

1.西南科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，四川 綿陽(yáng) 621010；

2.電子科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，四川 成都 611731；

3.西南交通大學(xué)計(jì)算機(jī)與人工智能學(xué)院，四川 成都 611756

0 引言

在疫情大范圍擴(kuò)散的過(guò)程中各地方艙醫(yī)院的建立能夠有效解決醫(yī)院床位緊缺、局部醫(yī)療資源及時(shí)配套等問(wèn)題。對(duì)方艙醫(yī)院進(jìn)行動(dòng)態(tài)調(diào)控，有利于合理調(diào)配醫(yī)療資源，降低人力物力成本。可視化的動(dòng)態(tài)調(diào)控平臺(tái)以其數(shù)據(jù)顯示的多維性、直觀性及傳遞速度快的優(yōu)勢(shì)在商業(yè)智能、政府決策、公共服務(wù)、市場(chǎng)營(yíng)銷、金融、電力、通信、工業(yè)制造、醫(yī)療保健等領(lǐng)域得到廣泛應(yīng)用。

傳染病可視化誕生已久，早在19世紀(jì)，英國(guó)醫(yī)生John在地圖上標(biāo)識(shí)受害者所居住的地區(qū)，發(fā)現(xiàn)受害者大多在同一地點(diǎn)取水食用，由此John建議將該地區(qū)的水泵把手拿掉，霍亂隨后得以有效控制。自此之后，大量學(xué)者結(jié)合地圖來(lái)對(duì)數(shù)據(jù)進(jìn)行可視化分析。金思辰等[1]提出了傳染病多維時(shí)空數(shù)據(jù)協(xié)同可視化系統(tǒng)，利用多個(gè)視圖，提供豐富的交互操作，從時(shí)間和空間等不同角度進(jìn)行傳染模式、聚類以及異常值分析。胡雪蕓等[2]通過(guò)全局或局部空間自相關(guān)、時(shí)間序列預(yù)測(cè)分析及時(shí)空掃描分析方法，將可視化技術(shù)應(yīng)用于空間流行疾病領(lǐng)域，對(duì)全國(guó)肺結(jié)核疾病的時(shí)空聚集情況進(jìn)行分析及可視化，幫助分析疾病在時(shí)空上的聚集情況。Rind等[3]提出了交互式可視化系統(tǒng)，該系統(tǒng)利用交互技術(shù)和可視化方法幫助分析慢性疾病病人。曲玉冰等[4]研發(fā)了一套基于空間信息技術(shù)和大數(shù)據(jù)技術(shù)的登革熱風(fēng)險(xiǎn)評(píng)估系統(tǒng)，可以對(duì)疾病進(jìn)行時(shí)空聚集探測(cè)、影響因素提取、風(fēng)險(xiǎn)評(píng)估、大數(shù)據(jù)分析和可視化。

近年來(lái)，機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘技術(shù)已廣泛應(yīng)用于大數(shù)據(jù)分析中。自疫情暴發(fā)以來(lái)，國(guó)內(nèi)外對(duì)疫情發(fā)展態(tài)勢(shì)進(jìn)行了大量的分析工作。彭宗超等[5]通過(guò)構(gòu)建疫情、醫(yī)情、政情、民情和媒情信息分析框架，利用互聯(lián)網(wǎng)大數(shù)據(jù)及時(shí)跟蹤和聚焦分析新冠肺炎（COVID-19）疫情信息、醫(yī)療救治與衛(wèi)生防控信息、政府系統(tǒng)應(yīng)對(duì)信息、民眾關(guān)注參與信息和媒體傳播信息等各自演化和相互影響的過(guò)程與機(jī)制。Afzal等[6]使用模擬模型研究傳染病的時(shí)空動(dòng)態(tài)和影響，規(guī)劃在不同傳播情境下資源的獲取，為公共衛(wèi)生官員提供COVID-19傳播數(shù)據(jù)。鄧少存等[7]基于WebGIS技術(shù)將聯(lián)通大數(shù)據(jù)、百度遷徙數(shù)據(jù)以及國(guó)內(nèi)外疫情數(shù)據(jù)進(jìn)行整合，利用Cesium開(kāi)源框架和可視化工具搭建新冠肺炎疫情可視化系統(tǒng)，對(duì)于相關(guān)部門防控新冠肺炎疫情有重要的參考價(jià)值。劉建湘等[8]針對(duì)疫情數(shù)據(jù)多維時(shí)空特征構(gòu)建病例數(shù)量數(shù)據(jù)集，綜合應(yīng)用時(shí)間軸交互，流行病數(shù)學(xué)模型等分析方法采用遞進(jìn)式分析進(jìn)行可視化。Leite等[9]將COVID-19數(shù)據(jù)與預(yù)測(cè)模型的輸出相結(jié)合。這種組合支持對(duì)不同情況下疾病傳播進(jìn)行估計(jì)，并允許將病毒的發(fā)展與不同的政府反應(yīng)事件相關(guān)聯(lián)。Zheng等[10]對(duì)來(lái)自不同國(guó)家的COVID-19數(shù)據(jù)進(jìn)行了描述性統(tǒng)計(jì)和回歸分析，以比較和評(píng)價(jià)各種回歸模型。結(jié)果表明，極端隨機(jī)森林回歸（ERFR）模型表現(xiàn)最好，人口密度、臭氧、中位年齡、預(yù)期壽命、人類發(fā)展指數(shù)（HDI）等因素對(duì)ERFR模型中COVID-19的傳播和擴(kuò)散影響較大。

基于疫情態(tài)勢(shì)的數(shù)據(jù)可視化研究工作已相對(duì)成熟，對(duì)新冠肺炎可視化具有實(shí)際借鑒意義。但疫情平息后，傳統(tǒng)疫情可視化將丟失其實(shí)際應(yīng)用價(jià)值，大量潛在數(shù)據(jù)未被合理挖掘利用。本文針對(duì)以上問(wèn)題，發(fā)揮數(shù)據(jù)可視化的直觀優(yōu)勢(shì)，分別從方艙醫(yī)院態(tài)勢(shì)動(dòng)態(tài)監(jiān)測(cè)、政策影響下城市疫情與輿情態(tài)勢(shì)分析、患者送診路徑規(guī)劃3個(gè)方面進(jìn)行分析設(shè)計(jì)，構(gòu)建面向二次疫情的方艙醫(yī)院動(dòng)態(tài)調(diào)控可視化平臺(tái)。具體思路為：以武漢方艙已有數(shù)據(jù)為基礎(chǔ)，融合多方渠道信息對(duì)疫情數(shù)據(jù)進(jìn)行分析，創(chuàng)新設(shè)計(jì)水滴圖與餅圖結(jié)合的可視方式實(shí)現(xiàn)對(duì)方艙醫(yī)院態(tài)勢(shì)的動(dòng)態(tài)監(jiān)測(cè)。采用LDA主題模型[11]融合NLP情感詞典計(jì)算面向特定疫情事件的輿情情感傾向，結(jié)合WordStream[12]展現(xiàn)疫情期間不同時(shí)間節(jié)點(diǎn)群眾話題關(guān)鍵詞的演化。綜合考慮患者患病程度、與醫(yī)療點(diǎn)距離、方艙負(fù)載量等指標(biāo)，設(shè)計(jì)患者確診地點(diǎn)與方艙醫(yī)院的最優(yōu)路徑規(guī)劃。最后通過(guò)案例分析驗(yàn)證系統(tǒng)的功能性和有效性。

1 任務(wù)分析

本文發(fā)揮數(shù)據(jù)可視化的直觀優(yōu)勢(shì)，以疫情防控提供政策決策輔助為目的，分別從方艙醫(yī)院態(tài)勢(shì)動(dòng)態(tài)監(jiān)測(cè)、政策影響下城市疫情與輿情態(tài)勢(shì)分析、患者送診路徑規(guī)劃3個(gè)方面進(jìn)行分析。方艙醫(yī)院態(tài)勢(shì)動(dòng)態(tài)監(jiān)測(cè)方便相關(guān)人員對(duì)方艙醫(yī)院患者流量進(jìn)行監(jiān)管，政策影響下城市疫情與輿情態(tài)勢(shì)分析能夠加強(qiáng)政府對(duì)城市疫情和輿論的了解，患者送診路徑規(guī)劃在為患者治療贏得寶貴時(shí)間的同時(shí)減緩醫(yī)院擁塞。

● 方艙醫(yī)院態(tài)勢(shì)動(dòng)態(tài)監(jiān)測(cè)：解決床位緊缺、資源不足問(wèn)題，需合理調(diào)配各地區(qū)的人力物力資源。對(duì)方艙醫(yī)院態(tài)勢(shì)進(jìn)行監(jiān)測(cè)，能夠幫助政府節(jié)約人力物力資源，提高方艙醫(yī)院的利用率。

● 政策影響下城市疫情與輿情態(tài)勢(shì)分析：疫情下相關(guān)政策的頒布可能對(duì)疫情態(tài)勢(shì)產(chǎn)生不同程度的影響，了解疫情周期特征及群眾的輿論意見(jiàn)能為疫情防控決策提供輔助。

● 患者送診路徑規(guī)劃：為患者推送最優(yōu)路徑，既能使患者及時(shí)就診，又可減少交叉感染，并在一定程度上減緩醫(yī)院的擁塞程度。

2 系統(tǒng)結(jié)構(gòu)與數(shù)據(jù)處理

2.1 系統(tǒng)總體結(jié)構(gòu)

系統(tǒng)基于B/S模式開(kāi)發(fā)，主要包括4個(gè)模塊：數(shù)據(jù)處理模塊、算法模塊、分析模塊和可視化模塊。具體如圖1所示。

圖1 系統(tǒng)總體分析流程

（1）數(shù)據(jù)處理模塊

基于武漢市公共數(shù)據(jù)平臺(tái)獲取的疫情數(shù)據(jù)（方艙住院患者統(tǒng)計(jì)信息、方艙醫(yī)院的名單、武漢市每日治療情況、每日確診病例所屬于行政區(qū)）融合政府網(wǎng)站、微博、抖音、微信等多方渠道數(shù)據(jù)對(duì)疫情態(tài)勢(shì)進(jìn)行探索分析。采集的新冠肺炎疫情數(shù)據(jù)主要包括時(shí)間數(shù)據(jù)、空間數(shù)據(jù)和文本數(shù)據(jù)等多源異構(gòu)數(shù)據(jù)。此外，本文使用數(shù)據(jù)均與多方權(quán)威平臺(tái)進(jìn)行交叉數(shù)據(jù)驗(yàn)證，確保數(shù)據(jù)的真實(shí)性和準(zhǔn)確性，數(shù)據(jù)處理示意圖如圖2所示。

圖2 數(shù)據(jù)處理流程

（2）算法模塊

系統(tǒng)主要以pixel-perfect碰撞算法、多約束路徑算法和情感識(shí)別-情感/主題（joint sentiment/topic，JST）模型3個(gè)算法為支撐設(shè)計(jì)，其中WordStream結(jié)合pixel-perfect碰撞算法以合理呈現(xiàn)文字河流的布局，多約束路徑算法為路徑推送模塊的核心內(nèi)容，而多約束路徑算法和情感識(shí)別-情感/主題模型用來(lái)融合輿情事件展現(xiàn)群眾關(guān)注度及情感態(tài)度。

（3）分析模塊

融合多元數(shù)據(jù)與系統(tǒng)設(shè)計(jì)，將系統(tǒng)模塊劃分為方艙醫(yī)院態(tài)勢(shì)動(dòng)態(tài)監(jiān)測(cè)、政策影響下城市疫情與輿情態(tài)勢(shì)分析、醫(yī)院負(fù)載量的路徑規(guī)劃以及城市復(fù)蘇概況4個(gè)模塊，實(shí)現(xiàn)對(duì)方艙醫(yī)院的動(dòng)態(tài)調(diào)控。

（4）可視化模塊

分析可視化系統(tǒng)與用戶之間的動(dòng)態(tài)關(guān)聯(lián)，設(shè)計(jì)友好交互方式，通過(guò)交互方式使系統(tǒng)直觀呈現(xiàn)不同板塊的可視化內(nèi)容。

2.2 方艙醫(yī)院態(tài)勢(shì)動(dòng)態(tài)監(jiān)測(cè)

方艙醫(yī)院的疫情數(shù)據(jù)主要包括空間數(shù)據(jù)、時(shí)間數(shù)據(jù)和文本數(shù)據(jù)。從3個(gè)方面對(duì)方艙醫(yī)院態(tài)勢(shì)動(dòng)態(tài)監(jiān)測(cè)模塊進(jìn)行數(shù)據(jù)處理。針對(duì)空間數(shù)據(jù)，采用百度地圖API解析出每個(gè)方艙醫(yī)院和發(fā)熱門診的經(jīng)緯度。針對(duì)時(shí)間數(shù)據(jù)，計(jì)算每日確診、死亡、新增的數(shù)據(jù)，并通過(guò)時(shí)間排序保存數(shù)據(jù)。針對(duì)文本數(shù)據(jù)，以各方艙為分類依據(jù)，將爬取的數(shù)據(jù)分為醫(yī)療團(tuán)隊(duì)、方艙簡(jiǎn)介和英雄事跡3類進(jìn)行存儲(chǔ)。

考慮到傳統(tǒng)的餅狀圖無(wú)法直觀呈現(xiàn)多維屬性信息，因此設(shè)計(jì)水滴圖與餅圖結(jié)合的可視方式實(shí)現(xiàn)對(duì)方艙醫(yī)院態(tài)勢(shì)的動(dòng)態(tài)監(jiān)測(cè)。如圖3所示，方艙水滴圖內(nèi)部動(dòng)態(tài)顯示該方艙負(fù)載量百分比，外圓環(huán)分段展示方艙簡(jiǎn)介、醫(yī)療團(tuán)隊(duì)組成和方艙開(kāi)艙期間的英雄事跡信息。將病例數(shù)量數(shù)據(jù)集融合空間地理位置信息標(biāo)注于地圖，同時(shí)設(shè)計(jì)同軸直方圖配合可視呈現(xiàn)。通過(guò)時(shí)間選擇器探索地圖上某段時(shí)間內(nèi)各方艙醫(yī)院開(kāi)關(guān)艙狀態(tài)和負(fù)載量情況，與方艙醫(yī)院動(dòng)態(tài)交互。結(jié)合直方圖展示某段時(shí)間內(nèi)具體出入艙人員流向，直觀呈現(xiàn)某段時(shí)間內(nèi)方艙的負(fù)載量狀況、開(kāi)關(guān)艙狀態(tài)以及方艙內(nèi)患者的人員流向情況，實(shí)現(xiàn)對(duì)方艙醫(yī)院態(tài)勢(shì)的動(dòng)態(tài)監(jiān)測(cè)。

圖3 動(dòng)態(tài)監(jiān)測(cè)模塊設(shè)計(jì)

2.3 城市疫情與輿情態(tài)勢(shì)分析

本文以微博、微信和抖音等多渠道數(shù)據(jù)為爬蟲(chóng)目標(biāo)，使用Python開(kāi)源的爬蟲(chóng)框架Scrapy爬取與疫情相關(guān)的事件以及評(píng)價(jià)數(shù)據(jù)。

2.3.1 群眾輿情情感分析

基于多渠道數(shù)據(jù)對(duì)群眾情感進(jìn)行分析，Jia等[13]基于SnowNLP和Tf-Idf對(duì)學(xué)生返校情緒進(jìn)行相關(guān)分析工作，Chen等[14]基于SnowNLP對(duì)網(wǎng)店信用評(píng)價(jià)模型進(jìn)行改進(jìn)分析，具有實(shí)際借鑒意義。群眾輿情分析流程如圖4所示。

圖4 輿情分析流程

首先從評(píng)論形式和內(nèi)容兩個(gè)方面對(duì)采集的評(píng)論信息進(jìn)行評(píng)級(jí)過(guò)濾。形式特征包括句子長(zhǎng)度、評(píng)論者活躍度等，內(nèi)容特征包括修飾詞、情感強(qiáng)度等，這些特征綜合反映該評(píng)論的情感分析價(jià)值，同時(shí)也是情感分析過(guò)程依賴的重要分析內(nèi)容。系統(tǒng)基于詞典的情感識(shí)別方法將詞典中情感詞與用戶評(píng)論中的情感表達(dá)進(jìn)行匹配。情感詞典包括SnowNLP庫(kù)和自定義情感庫(kù)?；谝咔榈奶厥庠?，將某些特殊的詞加入自定義詞庫(kù)，比如“關(guān)門大吉”等詞在此情況下應(yīng)屬于積極詞庫(kù)。根據(jù)語(yǔ)氣程度為每個(gè)情感詞語(yǔ)賦予不同權(quán)重，對(duì)諸如“不作為”等否定詞和“非?！薄罢娴摹钡瘸潭雀痹~設(shè)置特殊判別規(guī)則。利用情感詞典提取用戶評(píng)論中能夠表征情感的信息。表1為測(cè)試樣本集中的一條關(guān)于方艙醫(yī)院話題的評(píng)價(jià)內(nèi)容。使用LDA（latent dirichlet allocation）模型基礎(chǔ)上的JST模型[15]，對(duì)每一個(gè)詞采集情感標(biāo)簽和主題標(biāo)簽，利用情感詞典作為JST模型的先驗(yàn)知識(shí)來(lái)提高文檔中情感分類的準(zhǔn)確性。通過(guò)初始cosd矩陣，從文檔中讀取一個(gè)詞為其隨機(jī)分配主題和情感，計(jì)算該主題和標(biāo)簽的概率，根據(jù)概率重新選擇最合適的情感和主題。通過(guò)迭代為所有詞都附上相應(yīng)的情感標(biāo)簽和主題標(biāo)簽。最后利用文字氣泡圖結(jié)合折線，在對(duì)應(yīng)時(shí)間節(jié)點(diǎn)對(duì)輿論話題和群眾情感進(jìn)行表征。氣泡顏色由藍(lán)至紅的漸變色表示群眾對(duì)氣泡內(nèi)輿情事件的態(tài)度由消極至積極，顏色越接近藍(lán)色表示態(tài)度越消極，顏色越接近紅色則表示態(tài)度越積極。折線圖則表示群眾對(duì)輿情事件的關(guān)注度變化趨勢(shì)，如“小學(xué)老師方艙直播上課”事件關(guān)注度較高，且整體為積極態(tài)度。

表1 疫情評(píng)價(jià)情感抽取結(jié)果

2.3.2 群眾輿情關(guān)鍵字展示

針對(duì)群眾輿情關(guān)鍵字的展示采用WordStream文字河流圖的方式，展現(xiàn)疫情期間不同時(shí)間節(jié)點(diǎn)群眾話題關(guān)鍵詞。為能在相應(yīng)時(shí)間強(qiáng)調(diào)對(duì)應(yīng)主題層中重要關(guān)鍵詞，使用詞云算法在對(duì)應(yīng)流層中顯示每個(gè)主題詞。系統(tǒng)基于pixel-perfect碰撞算法檢測(cè)碰撞，將詞語(yǔ)放入相應(yīng)的流層中并靠近它們的時(shí)間步長(zhǎng)，通過(guò)碰撞檢測(cè)將檢查碰撞的詞語(yǔ)視為完全包圍它們的最小矩形盒子，然后通過(guò)檢查這兩個(gè)盒子是否相互碰撞解決詞云在流層中的布局問(wèn)題，如圖5所示。Mark-based算法中使用一個(gè)板表示流層，其中包含在檢查時(shí)放置在板上的所有詞。此板用來(lái)檢查是否與新的詞發(fā)生碰撞。采用式（1）從像素?cái)?shù)據(jù)中計(jì)算像素i的值：

圖5 碰撞算法示意圖

碰撞檢測(cè)檢查詞上所有像素位置和板上對(duì)應(yīng)的位置，類似于將新詞放置到當(dāng)前板中，將值從詞添加到板的相應(yīng)位置。為了盡量避免詞匯與詞匯之間出現(xiàn)遮擋和重疊，如圖5所示，WordStream沿著一個(gè)以盒子為中心的螺旋模式掃描。根據(jù)相應(yīng)時(shí)間步長(zhǎng)計(jì)算出的每個(gè)框的中心，并且它與中心的最大偏差小于盒子的對(duì)角線。

2.3.3 最優(yōu)路徑規(guī)劃

最優(yōu)路徑規(guī)劃基于患者確診地點(diǎn)與方艙醫(yī)院距離遠(yuǎn)近和患者癥狀，結(jié)合附近醫(yī)院的擁塞程度進(jìn)行綜合判斷決策。劉云翔等[16]針對(duì)城市道路網(wǎng)的特點(diǎn)，提出了一種實(shí)用高效的最短路徑分析解決方案，具有借鑒意義。本文考慮到實(shí)際應(yīng)用場(chǎng)景，在采取優(yōu)化路徑算法的同時(shí)，加入患病程度、距離、負(fù)載量3個(gè)參數(shù)綜合進(jìn)行路徑推送。

對(duì)于單個(gè)患者的路徑規(guī)劃，假設(shè)G=(V,E)表示一個(gè)方艙醫(yī)院位置分布圖，其中V表示節(jié)點(diǎn)集合(包括患者所在位置)，E表示患者所在位置與方艙醫(yī)院形成的邊集合，其中，每條邊的權(quán)重應(yīng)有多種度量參數(shù)，不只是單一的距離問(wèn)題。因此對(duì)不同的約束條件應(yīng)該采用不同的權(quán)重，權(quán)重用ωi(i=1,2,3,…,N)表示。將數(shù)據(jù)進(jìn)行整合得到數(shù)據(jù)集將數(shù)據(jù)輸入線性回歸模型中，如下所示：

其中，x是m維數(shù)據(jù)集的不同約束條件，y表示目標(biāo)值；? 表示預(yù)測(cè)值；ψ表示線性回歸偏移量，線性回歸目標(biāo)結(jié)果是得到目標(biāo)值與預(yù)測(cè)值最小值時(shí)的權(quán)重參數(shù)。

由于疫情的特殊情況，本文考慮添加方艙醫(yī)院的負(fù)載量。為了計(jì)算方艙醫(yī)院每日負(fù)載量，添加了一個(gè)衡量指標(biāo)θ，計(jì)算滿足：θ=IH/IB，其中IH代表當(dāng)天在醫(yī)院的患者人數(shù)；IB代表該方艙醫(yī)院所有床位數(shù)；使用經(jīng)緯度坐標(biāo)表示球面兩點(diǎn)，可以計(jì)算兩者之間的距離，計(jì)算式如下：

其中，R表示地球半徑。

在路徑選擇目標(biāo)中，決策空間X=(x1,x2,…,xn)分別代表距離、負(fù)載量和患者癥狀等不同的約束條件。目標(biāo)函數(shù)f1(x1),f2(x2),…,fn(xn)分別代表路徑距離函數(shù)和醫(yī)院負(fù)載量函數(shù)等。給定一個(gè)k約束Ck,k=1,2,3,…,N找到一條最優(yōu)的路徑p需要滿足：

并且找到滿足式（2）的路徑中的最小值：

其中，?i為每個(gè)指標(biāo)的臨界值，一般滿足

在地圖上初始化方艙醫(yī)院位置信息，路徑規(guī)劃方案如圖6所示。假設(shè)存在患者S1、S2、S3于不同地點(diǎn)同時(shí)求助，將患者患病程度、確診地與方艙距離和方艙負(fù)載量量化為3個(gè)不同權(quán)重指標(biāo)進(jìn)行路徑推送。設(shè)此時(shí)有A、B、C、D 4個(gè)方艙，為患者S1規(guī)劃距其最近而負(fù)載量不大的方艙D，患者S2雖距方艙A較近，但由于A負(fù)載量較大，系統(tǒng)為其規(guī)劃路線送往方艙B，方艙B雖比方艙C負(fù)載量更小，但由于患者S3患病程度權(quán)重較大，系統(tǒng)為其規(guī)劃距離較近的方艙C。當(dāng)該方艙無(wú)法提供患者所需資源時(shí)，通過(guò)相同的路徑規(guī)劃算法篩選符合條件的其他治療點(diǎn)，及時(shí)轉(zhuǎn)送患者進(jìn)行后續(xù)治療。

圖6 路徑規(guī)劃方案

3 案例分析

基于以上分析設(shè)計(jì)，采用Vue.js經(jīng)典模塊化前端框架，使用SpringBoot簡(jiǎn)潔的微服務(wù)開(kāi)發(fā)框架，以及Echarts.js、d3.js中豐富多樣的圖表元素庫(kù)與地圖元素庫(kù)MapBox，后端采用Node.js框架，設(shè)計(jì)開(kāi)發(fā)支持多視圖聯(lián)動(dòng)的方艙醫(yī)院動(dòng)態(tài)調(diào)控可視化平臺(tái)。系統(tǒng)概覽如圖7所示。

面向方艙醫(yī)院動(dòng)態(tài)調(diào)控可視化平臺(tái)提供政策影響下城市疫情輿情態(tài)勢(shì)分析模塊（圖7中a、e、f區(qū)域），融合疫情態(tài)勢(shì)與相關(guān)政策探究二者關(guān)聯(lián)，為政策下達(dá)提供決策輔助?；谒螆D的方艙態(tài)勢(shì)動(dòng)態(tài)監(jiān)測(cè)模塊(圖7中b、c區(qū)域)，動(dòng)態(tài)監(jiān)測(cè)方艙出入院情況與負(fù)載量，以合理分配人力物力資源。群眾科普模塊(圖7中d區(qū)域)，提供方艙醫(yī)院簡(jiǎn)介、出入艙標(biāo)準(zhǔn)流程等基本信息，在介紹有效防御措施的同時(shí)科普病毒傳播方式，提高群眾警惕性以增強(qiáng)民眾對(duì)疫情防控的配合度。城市經(jīng)濟(jì)復(fù)蘇模塊(圖7中g(shù)區(qū)域)，對(duì)比疫情期間方艙以及治療點(diǎn)開(kāi)放情況與疫情后AAA景區(qū)開(kāi)放和會(huì)議開(kāi)展情況的地理位置分布，凸顯城市復(fù)蘇活力現(xiàn)狀，以提升全民抗疫信心以增強(qiáng)民族凝聚力。

3.1 基于水滴圖的方艙態(tài)勢(shì)動(dòng)態(tài)監(jiān)測(cè)分析

基于水滴圖的方艙態(tài)勢(shì)動(dòng)態(tài)監(jiān)測(cè)分析對(duì)人力物力資源安排有重要意義。如圖8所示，標(biāo)識(shí)方艙醫(yī)院的實(shí)際物理地點(diǎn)，右邊以對(duì)向直方圖的方式呈現(xiàn)方艙收治患者情況，左側(cè)為單日入艙人數(shù)，右側(cè)為出艙人數(shù)。以武昌方艙為例，直方圖展示武昌方艙出入艙情況。選擇2020年2月5日，通過(guò)圖8(e)可見(jiàn)該日入艙患者22人，無(wú)出艙患者，通過(guò)圖8(a)可知方艙負(fù)載量為3%，此時(shí)其他方艙尚未開(kāi)艙，疫情尚未迅猛發(fā)展。分析如圖8(b)和圖8(c)所示，2020年2月11日至2020年2月19日武昌方艙入艙患者于曲折中上升，出入艙患者數(shù)量差距持續(xù)增大，此時(shí)武昌方艙負(fù)載量自53%升至90%。此時(shí)由于武昌方艙負(fù)載量過(guò)高，應(yīng)考慮為患者的救治資源發(fā)出緊急警報(bào)，通知其他醫(yī)院不再大量往本醫(yī)院輸送患者。2020年2月19日方艙醫(yī)院開(kāi)艙數(shù)量明顯增多且大多數(shù)方艙正處于滿負(fù)載狀態(tài)，疫情態(tài)勢(shì)不容樂(lè)觀。2020年3月3日武昌方艙無(wú)入艙患者，出艙患者38人，方艙負(fù)載量下降至39%，如圖8(d)所示，可知此時(shí)疫情態(tài)勢(shì)有所減緩。

3.2 城市疫情與輿情態(tài)勢(shì)分析

分析政策影響下城市疫情態(tài)勢(shì)的變化趨勢(shì)對(duì)于決策輔助有重要參考意義。

如圖9(a)、圖9（b)所示，從2020年2月1日至2020年2月16日，新增確診患者數(shù)呈上升趨勢(shì)，并于2020年2月13日升至頂峰，達(dá)到13 436人，新增死亡和新增治愈人數(shù)比較少。如圖9(c)、圖9（d)所示，2020年2月16日國(guó)家發(fā)展改革委發(fā)放2.3億元資金用于完善方艙醫(yī)院設(shè)施，增添必要的醫(yī)療設(shè)備，自此之后，從疫情折線圖中可以看出新增確診人數(shù)呈明顯下降趨勢(shì)，治愈人數(shù)在波折中上升，這體現(xiàn)了政府部門利好政策的發(fā)布對(duì)疫情態(tài)勢(shì)發(fā)展起到了積極作用。

關(guān)注疫情期間群眾輿情話題內(nèi)容，及時(shí)了解熱點(diǎn)事件的群眾民調(diào)，聚焦輿論中心點(diǎn)，有利于政府部門合理引導(dǎo)高度負(fù)面情緒的熱點(diǎn)事件輿論走向。輿情監(jiān)測(cè)分析如圖10所示，上半部分為熱門新聞事件，下半部分為針對(duì)具體事件的評(píng)論主題詞，統(tǒng)一按照時(shí)間順序進(jìn)行布局羅列。2020年2月25日“小學(xué)老師方艙直播上課”的新聞事件輿論反響非常良好，該類新聞事件可增強(qiáng)民眾在疫情期間的抗疫信心。重點(diǎn)關(guān)注2020年3月10日的新聞事件“江夏方艙正式閉艙”，這代表著武漢所有方艙全部休艙，民眾情感呈現(xiàn)為積極態(tài)度，點(diǎn)擊事件呈現(xiàn)具體評(píng)論文本的高頻詞，其中討論最多的話題關(guān)鍵詞分別為“武漢，加油”“關(guān)門大吉”等字樣。

圖10 輿情監(jiān)測(cè)分析

3.3 配合醫(yī)院負(fù)載量的路徑規(guī)劃

配合醫(yī)院負(fù)載量的路徑規(guī)劃可以根據(jù)患者所處位置、方艙地理位置以及此時(shí)方艙負(fù)載量綜合為患者合理安排最優(yōu)路線。通過(guò)選擇不同時(shí)間，查看方艙的開(kāi)艙情況，基于方艙負(fù)載情況為用戶推送路徑。選擇時(shí)間2月5日，可以看出只有兩個(gè)方艙開(kāi)艙并處于低負(fù)載，如圖11(a)所示。選擇2月19日，可知基本所有方艙都已開(kāi)艙，并且有些方艙已達(dá)到高負(fù)載狀態(tài)，點(diǎn)擊搜索框，推送路徑如圖11(b)所示。點(diǎn)擊按鈕切換地圖，顯示發(fā)熱門診的位置，如圖11(c)所示。通過(guò)選擇不同時(shí)間結(jié)合方艙情況決定患者送往路徑，如圖11(d)所示。假設(shè)患者2月20日位于武漢莫泰酒店如圖11(e)所示，此時(shí)漢江方艙負(fù)載量達(dá)到88%，如圖11(g)所示；硚口方艙負(fù)載量達(dá)到54%，如圖11(f)所示，系統(tǒng)選擇了距離較遠(yuǎn)的硚口方艙。

圖11 路徑優(yōu)化功能及案例展示

4 結(jié)束語(yǔ)

本文以湖北武漢的新冠肺炎疫情數(shù)據(jù)為基礎(chǔ)，融合多渠道數(shù)據(jù)，采用LDA主題模型融合NLP情感詞典、基于WordStream的碰撞算法以及路徑規(guī)劃等技術(shù)，實(shí)現(xiàn)了面向疫情輿情發(fā)展與方艙醫(yī)院動(dòng)態(tài)調(diào)控可視化平臺(tái)。相關(guān)人員能夠利用可視化平臺(tái)系統(tǒng)相關(guān)模塊對(duì)方艙醫(yī)院的地理位置以及容量物資等進(jìn)行調(diào)整；能夠根據(jù)疫情發(fā)展調(diào)整對(duì)策，根據(jù)對(duì)疫情態(tài)勢(shì)的感知以及對(duì)群眾輿情的分析掌握網(wǎng)絡(luò)輿情情況；能夠根據(jù)患者地理位置結(jié)合最近方艙的地理位置、負(fù)載量等為患者規(guī)劃最優(yōu)路徑，在避免交叉感染及時(shí)送診患者的同時(shí)避免方艙醫(yī)院出現(xiàn)擁塞。案例分析證明，本系統(tǒng)能通過(guò)已有數(shù)據(jù)為二次疫情提供決策輔助。