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)計算機(jī)科學(xué)與技術(shù)學(xué)院，四川 綿陽 621010；

2.電子科技大學(xué)計算機(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)療資源及時配套等問題。對方艙醫(yī)院進(jìn)行動態(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?？梢暬膭討B(tài)調(diào)控平臺以其數(shù)據(jù)顯示的多維性、直觀性及傳遞速度快的優(yōu)勢在商業(yè)智能、政府決策、公共服務(wù)、市場營銷、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)，英國醫(yī)生John在地圖上標(biāo)識受害者所居住的地區(qū)，發(fā)現(xiàn)受害者大多在同一地點取水食用，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)合地圖來對數(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空數(shù)據(jù)協(xié)同可視化系統(tǒng)，利用多個視圖，提供豐富的交互操作，從時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]通過全局或局部空間自相關(guān)、時間序列預(yù)測分析及時空掃描分析方法，將可視化技術(shù)應(yīng)用于空間流行疾病領(lǐng)域，對全國肺結(jié)核疾病的時空聚集情況進(jìn)行分析及可視化，幫助分析疾病在時空上的聚集情況。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)險評估系統(tǒng)，可以對疾病進(jìn)行時空聚集探測、影響因素提取、風(fēng)險評估、大數(shù)據(jù)分析和可視化。

近年來，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，國內(nèi)外對疫情發(fā)展態(tài)勢進(jìn)行了大量的分析工作。彭宗超等[5]通過構(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程與機(jī)制。Afzal等[6]使用模擬模型研究傳染病的時空動態(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)以及國內(nèi)外疫情數(shù)據(jù)進(jìn)行整合，利用Cesium開源框架和可視化工具搭建新冠肺炎疫情可視化系統(tǒng)，對于相關(guān)部門防控新冠肺炎疫情有重要的參考價值。劉建湘等[8]針對疫情數(shù)據(jù)多維時空特征構(gòu)建病例數(shù)量數(shù)據(jù)集，綜合應(yīng)用時間軸交互，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)測模型的輸出相結(jié)合。這種組合支持對不同情況下疾病傳播進(jìn)行估計，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]對來自不同國家的COVID-19數(shù)據(jù)進(jìn)行了描述性統(tǒng)計和回歸分析，以比較和評價各種回歸模型。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ERFR模型中COVID-19的傳播和擴(kuò)散影響較大。

基于疫情態(tài)勢的數(shù)據(jù)可視化研究工作已相對成熟，對新冠肺炎可視化具有實際借鑒意義。但疫情平息后，傳統(tǒng)疫情可視化將丟失其實際應(yīng)用價值，大量潛在數(shù)據(jù)未被合理挖掘利用。本文針對以上問題，發(fā)揮數(shù)據(jù)可視化的直觀優(yōu)勢，分別從方艙醫(yī)院態(tài)勢動態(tài)監(jiān)測、政策影響下城市疫情與輿情態(tài)勢分析、患者送診路徑規(guī)劃3個方面進(jìn)行分析設(shè)計，構(gòu)建面向二次疫情的方艙醫(yī)院動態(tài)調(diào)控可視化平臺。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疫情數(shù)據(jù)進(jìn)行分析，創(chuàng)新設(shè)計水滴圖與餅圖結(jié)合的可視方式實現(xiàn)對方艙醫(yī)院態(tài)勢的動態(tài)監(jiān)測。采用LDA主題模型[11]融合NLP情感詞典計算面向特定疫情事件的輿情情感傾向，結(jié)合WordStream[12]展現(xiàn)疫情期間不同時間節(jié)點群眾話題關(guān)鍵詞的演化。綜合考慮患者患病程度、與醫(yī)療點距離、方艙負(fù)載量等指標(biāo)，設(shè)計患者確診地點與方艙醫(yī)院的最優(yōu)路徑規(guī)劃。最后通過案例分析驗證系統(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，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)勢動態(tài)監(jiān)測、政策影響下城市疫情與輿情態(tài)勢分析、患者送診路徑規(guī)劃3個方面進(jìn)行分析。方艙醫(yī)院態(tài)勢動態(tài)監(jiān)測方便相關(guān)人員對方艙醫(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)勢分析能夠加強(qiáng)政府對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間的同時減緩醫(yī)院擁塞。

● 方艙醫(yī)院態(tài)勢動態(tài)監(jiān)測：解決床位緊缺、資源不足問題，需合理調(diào)配各地區(qū)的人力物力資源。對方艙醫(yī)院態(tài)勢進(jìn)行監(jiān)測，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)勢分析：疫情下相關(guān)政策的頒布可能對疫情態(tài)勢產(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模式開發(fā)，主要包括4個模塊：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)平臺獲取的疫情數(shù)據(jù)（方艙住院患者統(tǒng)計信息、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)對疫情態(tài)勢進(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)威平臺進(jìn)行交叉數(shù)據(jù)驗證，確保數(shù)據(jù)的真實性和準(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別-情感/主題（joint sentiment/topic，JST）模型3個算法為支撐設(shè)計，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別-情感/主題模型用來融合輿情事件展現(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，將系統(tǒng)模塊劃分為方艙醫(yī)院態(tài)勢動態(tài)監(jiān)測、政策影響下城市疫情與輿情態(tài)勢分析、醫(yī)院負(fù)載量的路徑規(guī)劃以及城市復(fù)蘇概況4個模塊，實現(xiàn)對方艙醫(yī)院的動態(tài)調(diào)控。

（4）可視化模塊

分析可視化系統(tǒng)與用戶之間的動態(tài)關(guān)聯(lián)，設(shè)計友好交互方式，通過交互方式使系統(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)勢動態(tài)監(jiān)測

方艙醫(yī)院的疫情數(shù)據(jù)主要包括空間數(shù)據(jù)、時間數(shù)據(jù)和文本數(shù)據(jù)。從3個方面對方艙醫(yī)院態(tài)勢動態(tài)監(jiān)測模塊進(jìn)行數(shù)據(jù)處理。針對空間數(shù)據(jù)，采用百度地圖API解析出每個方艙醫(yī)院和發(fā)熱門診的經(jīng)緯度。針對時間數(shù)據(jù)，計算每日確診、死亡、新增的數(shù)據(jù)，并通過時間排序保存數(shù)據(jù)。針對文本數(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、方艙簡介和英雄事跡3類進(jìn)行存儲。

考慮到傳統(tǒng)的餅狀圖無法直觀呈現(xiàn)多維屬性信息，因此設(shè)計水滴圖與餅圖結(jié)合的可視方式實現(xiàn)對方艙醫(yī)院態(tài)勢的動態(tài)監(jiān)測。如圖3所示，方艙水滴圖內(nèi)部動態(tài)顯示該方艙負(fù)載量百分比，外圓環(huán)分段展示方艙簡介、醫(yī)療團(tuán)隊組成和方艙開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，同時設(shè)計同軸直方圖配合可視呈現(xiàn)。通過時間選擇器探索地圖上某段時間內(nèi)各方艙醫(yī)院開關(guān)艙狀態(tài)和負(fù)載量情況，與方艙醫(yī)院動態(tài)交互。結(jié)合直方圖展示某段時間內(nèi)具體出入艙人員流向，直觀呈現(xiàn)某段時間內(nèi)方艙的負(fù)載量狀況、開關(guān)艙狀態(tài)以及方艙內(nèi)患者的人員流向情況，實現(xiàn)對方艙醫(yī)院態(tài)勢的動態(tài)監(jiān)測。

圖3 動態(tài)監(jiān)測模塊設(shè)計

2.3 城市疫情與輿情態(tài)勢分析

本文以微博、微信和抖音等多渠道數(shù)據(jù)為爬蟲目標(biāo)，使用Python開源的爬蟲框架Scrapy爬取與疫情相關(guān)的事件以及評價數(shù)據(jù)。

2.3.1 群眾輿情情感分析

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

圖4 輿情分析流程

首先從評論形式和內(nèi)容兩個方面對采集的評論信息進(jìn)行評級過濾。形式特征包括句子長度、評論者活躍度等，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論的情感分析價值，同時也是情感分析過程依賴的重要分析內(nèi)容。系統(tǒng)基于詞典的情感識別方法將詞典中情感詞與用戶評論中的情感表達(dá)進(jìn)行匹配。情感詞典包括SnowNLP庫和自定義情感庫?；谝咔榈奶厥庠颍瑢⒛承┨厥獾脑~加入自定義詞庫，比如“關(guān)門大吉”等詞在此情況下應(yīng)屬于積極詞庫。根據(jù)語氣程度為每個情感詞語賦予不同權(quán)重，對諸如“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論中能夠表征情感的信息。表1為測試樣本集中的一條關(guān)于方艙醫(yī)院話題的評價內(nèi)容。使用LDA（latent dirichlet allocation）模型基礎(chǔ)上的JST模型[15]，對每一個詞采集情感標(biāo)簽和主題標(biāo)簽，利用情感詞典作為JST模型的先驗知識來提高文檔中情感分類的準(zhǔn)確性。通過初始cosd矩陣，從文檔中讀取一個詞為其隨機(jī)分配主題和情感，計算該主題和標(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，在對應(yīng)時間節(jié)點對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輿情事件的關(guān)注度變化趨勢，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 疫情評價情感抽取結(jié)果

2.3.2 群眾輿情關(guān)鍵字展示

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

圖5 碰撞算法示意圖

碰撞檢測檢查詞上所有像素位置和板上對應(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沿著一個以盒子為中心的螺旋模式掃描。根據(jù)相應(yīng)時間步長計算出的每個框的中心，并且它與中心的最大偏差小于盒子的對角線。

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]針對城市道路網(wǎng)的特點，提出了一種實用高效的最短路徑分析解決方案，具有借鑒意義。本文考慮到實際應(yīng)用場景，在采取優(yōu)化路徑算法的同時，加入患病程度、距離、負(fù)載量3個參數(shù)綜合進(jìn)行路徑推送。

對于單個患者的路徑規(guī)劃，假設(shè)G=(V,E)表示一個方艙醫(yī)院位置分布圖，其中V表示節(jié)點集合(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題。因此對不同的約束條件應(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)測值最小值時的權(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。為了計算方艙醫(yī)院每日負(fù)載量，添加了一個衡量指標(biāo)θ，計算滿足：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，可以計算兩者之間的距離，計算式如下：

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于不同地點同時求助，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個不同權(quán)重指標(biāo)進(jìn)行路徑推送。設(shè)此時有A、B、C、D 4個方艙，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)該方艙無法提供患者所需資源時，通過相同的路徑規(guī)劃算法篩選符合條件的其他治療點，及時轉(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，采用Vue.js經(jīng)典模塊化前端框架，使用SpringBoot簡潔的微服務(wù)開發(fā)框架，以及Echarts.js、d3.js中豐富多樣的圖表元素庫與地圖元素庫MapBox，后端采用Node.js框架，設(shè)計開發(fā)支持多視圖聯(lián)動的方艙醫(yī)院動態(tài)調(diào)控可視化平臺。系統(tǒng)概覽如圖7所示。

面向方艙醫(yī)院動態(tài)調(diào)控可視化平臺提供政策影響下城市疫情輿情態(tài)勢分析模塊（圖7中a、e、f區(qū)域），融合疫情態(tài)勢與相關(guān)政策探究二者關(guān)聯(lián)，為政策下達(dá)提供決策輔助。基于水滴圖的方艙態(tài)勢動態(tài)監(jiān)測模塊(圖7中b、c區(qū)域)，動態(tài)監(jiān)測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科普病毒傳播方式，提高群眾警惕性以增強(qiáng)民眾對疫情防控的配合度。城市經(jīng)濟(jì)復(fù)蘇模塊(圖7中g(shù)區(qū)域)，對比疫情期間方艙以及治療點開放情況與疫情后AAA景區(qū)開放和會議開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)勢動態(tài)監(jiān)測分析

基于水滴圖的方艙態(tài)勢動態(tài)監(jiān)測分析對人力物力資源安排有重要意義。如圖8所示，標(biāo)識方艙醫(yī)院的實際物理地點，右邊以對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，通過圖8(e)可見該日入艙患者22人，無出艙患者，通過圖8(a)可知方艙負(fù)載量為3%，此時其他方艙尚未開艙，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，此時武昌方艙負(fù)載量自53%升至90%。此時由于武昌方艙負(fù)載量過高，應(yīng)考慮為患者的救治資源發(fā)出緊急警報，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)勢不容樂觀。2020年3月3日武昌方艙無入艙患者，出艙患者38人，方艙負(fù)載量下降至39%，如圖8(d)所示，可知此時疫情態(tài)勢有所減緩。

3.2 城市疫情與輿情態(tài)勢分析

分析政策影響下城市疫情態(tài)勢的變化趨勢對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，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，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)布對疫情態(tài)勢發(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，及時了解熱點事件的群眾民調(diào)，聚焦輿論中心點，有利于政府部門合理引導(dǎo)高度負(fù)面情緒的熱點事件輿論走向。輿情監(jiān)測分析如圖10所示，上半部分為熱門新聞事件，下半部分為針對具體事件的評論主題詞，統(tǒng)一按照時間順序進(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，點擊事件呈現(xiàn)具體評論文本的高頻詞，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方艙負(fù)載量綜合為患者合理安排最優(yōu)路線。通過選擇不同時間，查看方艙的開艙情況，基于方艙負(fù)載情況為用戶推送路徑。選擇時間2月5日，可以看出只有兩個方艙開艙并處于低負(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艙，并且有些方艙已達(dá)到高負(fù)載狀態(tài)，點擊搜索框，推送路徑如圖11(b)所示。點擊按鈕切換地圖，顯示發(fā)熱門診的位置，如圖11(c)所示。通過選擇不同時間結(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

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)，實現(xiàn)了面向疫情輿情發(fā)展與方艙醫(yī)院動態(tài)調(diào)控可視化平臺。相關(guān)人員能夠利用可視化平臺系統(tǒng)相關(guān)模塊對方艙醫(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)整對策，根據(jù)對疫情態(tài)勢的感知以及對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送診患者的同時避免方艙醫(yī)院出現(xiàn)擁塞。案例分析證明，本系統(tǒng)能通過已有數(shù)據(jù)為二次疫情提供決策輔助。