سیستم ردیابی تماس فرد به فرد و فرد به مکان COVID-19 بر اساس OGC IndoorGML

با در دسترس بودن گسترده حسگرهای مجاورت کم هزینه، تحقیقات زیادی بر روی برنامه های دیجیتالی ردیابی تماس فرد به فرد که از حسگرهای مجاورت استفاده می کنند، متمرکز شده است. در بیشتر برنامه‌های ردیابی تماس، تأثیر SARS-CoV-2 از طریق لمس سطوح آلوده در مکان‌های بسته نادیده گرفته می‌شود. این مطالعه بر روی ردیابی تماس انسانی در مکان های داخلی با استفاده از استاندارد OGC IndoorGML باز متمرکز شده است. این مقاله یک مدل داده مبتنی بر نمودار را پیشنهاد می‌کند که معنای مکان‌های داخلی، زمان و زمینه‌های کاربران را در یک ساختار سلسله مراتبی در نظر می‌گیرد. عملکرد مدل داده پیشنهادی برای یک برنامه ردیابی تماس COVID-19 با معماری سیستم مقیاس‌پذیر ارزیابی می‌شود. پیش پردازش مسیر داخلی با توپولوژی فضایی برای شناسایی و حذف نقاط مسیر واقعی از نظر معنایی نامعتبر فعال می شود. نتایج نشان می‌دهد که 91.18 درصد از نقاط داده مسیر داخلی از نظر معنایی نامعتبر فیلتر شده‌اند. علاوه بر این، تجزیه و تحلیل داده های مسیر داخلی به طور خلاقانه ای توسط زمینه های معنایی کاربر (به عنوان مثال، فعالیت های ضد عفونی کننده) استخراج شده از پروفایل های کاربر تقویت می شود. در یک سناریوی ردیابی تماس پیشرفته، با در نظر گرفتن فعالیت‌های ضدعفونی‌کننده و ترتیب متوالی بازدید از مکان‌های معمولی، با فیلتر کردن تماس‌های بالقوه غیرضروری به میزان 44.98 درصد، نتایج ردیابی تماس را بهتر انجام داد. با این حال، میانگین زمان اجرای ردیابی تماس فرد به مکان 58.3٪ افزایش یافته است. علاوه بر این، تجزیه و تحلیل داده های مسیر داخلی به طور خلاقانه ای توسط زمینه های معنایی کاربر (به عنوان مثال، فعالیت های ضد عفونی کننده) استخراج شده از پروفایل های کاربر تقویت می شود. در یک سناریوی ردیابی تماس پیشرفته، با در نظر گرفتن فعالیت‌های ضدعفونی‌کننده و ترتیب متوالی بازدید از مکان‌های معمولی، با فیلتر کردن تماس‌های بالقوه غیرضروری به میزان 44.98 درصد، نتایج ردیابی تماس را بهتر انجام داد. با این حال، میانگین زمان اجرای ردیابی تماس فرد به مکان 58.3٪ افزایش یافته است. علاوه بر این، تجزیه و تحلیل داده های مسیر داخلی به طور خلاقانه ای توسط زمینه های معنایی کاربر (به عنوان مثال، فعالیت های ضد عفونی کننده) استخراج شده از پروفایل های کاربر تقویت می شود. در یک سناریوی ردیابی تماس پیشرفته، با در نظر گرفتن فعالیت‌های ضدعفونی‌کننده و ترتیب متوالی بازدید از مکان‌های معمولی، با فیلتر کردن تماس‌های بالقوه غیرضروری به میزان 44.98 درصد، نتایج ردیابی تماس را بهتر انجام داد. با این حال، میانگین زمان اجرای ردیابی تماس فرد به مکان 58.3٪ افزایش یافته است. با در نظر گرفتن فعالیت‌های ضدعفونی‌کننده و ترتیب متوالی بازدید از مکان‌های معمولی، با فیلتر کردن تماس‌های بالقوه غیرضروری تا 44.98 درصد، از نتایج ردیابی تماس بهتر عمل کرد. با این حال، میانگین زمان اجرای ردیابی تماس فرد به مکان 58.3٪ افزایش یافته است. با در نظر گرفتن فعالیت‌های ضدعفونی‌کننده و ترتیب متوالی بازدید از مکان‌های معمولی، با فیلتر کردن تماس‌های بالقوه غیرضروری تا 44.98 درصد، از نتایج ردیابی تماس بهتر عمل کرد. با این حال، میانگین زمان اجرای ردیابی تماس فرد به مکان 58.3٪ افزایش یافته است.

کلید واژه ها:

تحلیل مسیر ; مدل داده مبتنی بر نمودار ; استاندارد OGC IndoorGML ; ردیابی تماس COVID-19

1. مقدمه

قابلیت انتقال بالای سندرم حاد تنفسی جدید کرونا 2 (SARS-CoV-2) بیماری کووید-19 را به یک بحران بهداشت جهانی تبدیل کرده است [ 1 ، 2 ]. همانطور که به پایان سال 2020 نزدیک می شویم و تحقیقات زیادی در مورد SARS-CoV-2 در سراسر جهان انجام شده است، راه های انتقال ویروس کرونا هنوز در میان محققان مورد بحث است [ 3 ، 4 ]. بر اساس مطالعات اخیر [ 5 ، 6]، سه راه اصلی انتقال ویروس کرونا را می توان گزارش کرد: (1) انتقال تماسی که موقعیت هایی را تعریف می کند که در آن فرد آلوده و شخص دیگری تماس مستقیم یا تماس با یک سطح مشترک دارند. (2) از طریق انتقال قطرات مملو از ویروس با قطر بزرگتر از 5 μمتر(به عنوان قطرات تنفسی نامیده می شود) و (3) از طریق انتقال قطرات با قطر کمتر از 5 از طریق هوا μمتر(به عنوان هسته های قطره ای نامیده می شود). بسته به اندازه قطرات مملو از SARS-CoV-2، آنها می توانند به سرعت در محیط اطراف میزبان آلوده از هوا خارج شوند (یعنی باعث آلودگی سطوح نزدیک به نقطه انتشار شوند) یا در هوا معلق بمانند. و بیش از ده ها متر سفر کنید [ 7 ]. ون دورمالن و همکاران [ 8 ] پایداری SARS-CoV-2 را بر روی سطوح مختلف تحت ده شرایط آزمایشی مختلف ارزیابی کرد و دریافت که SARS-CoV-2 می‌تواند تا دو روز روی سطوح زنده بماند. بنابراین، انتشار COVID-19 می تواند به طور مستقیم از طریق تماس مستقیم با فرد آلوده یا به طور غیرمستقیم از طریق تماس با سطوح آلوده رخ دهد.

در میان راهبردهای مختلف مورد استفاده برای کاهش میزان عفونت COVID-19، ردیابی تماس به عنوان یک عمل بهداشت عمومی مورد استفاده قرار می گیرد [ 2 ، 9 ]. با استفاده از ردیابی تماس، افرادی که در 14 تا 21 روز گذشته (دوره نهفتگی کووید-19) با یک ناقل آلوده تماس نزدیک داشته اند، به عنوان افرادی شناخته می شوند که ممکن است در معرض خطر قابل توجهی عفونت باشند [ 10 ]. این عمل را می توان با مصاحبه با افراد آلوده به صورت دستی با مقامات بهداشتی انجام داد [ 11 ]. با این حال، ردیابی تماس دستی یک کار زمان‌بر و زمان‌بر است که به ردیاب‌های تماس با تجربه نیاز دارد. بنابراین، گسترش سریع ویروسی COVID-19 نیاز به استفاده از یک رویکرد مقیاس پذیر و دیجیتال برای ردیابی تماس دارد [ 12 ]]. افزایش استفاده از فناوری تلفن همراه، مقیاس‌پذیری ذخیره‌سازی داده‌های ابری، و قابلیت دستگاه‌های فیزیکی برای اتصال به اینترنت با استفاده از فناوری اینترنت اشیا (IoT) می‌تواند نیازهای اساسی اعمال ردیابی تماس دیجیتال در مقیاس بزرگ را برآورده کند [ 13 ] ].

با توجه به علاقه دولت های مختلف به استفاده از ردیابی مخاطب دیجیتال برای مقابله با COVID-19، برنامه های کاربردی مختلف ردیابی تماس تلفن های هوشمند مانند TraceTogether (سنگاپور) [ 14 ]، CovidSafe (استرالیا) [ 15 ] و PACT (ساحل شرقی) [ 16 ] ] راه اندازی شده اند. نظرسنجی از برنامه های کاربردی ردیابی تماس COVID-19 که اخیراً معرفی شده اند را می توان در [ 11 ] یافت. ارتباط بین گوشی‌های هوشمند مجاور با استفاده از رابط‌های بلوتوث داخلی، گسترده‌ترین رویکردی است که توسط برنامه‌های ردیابی تماس استفاده می‌شود [ 11 ]. اکثر برنامه های کاربردی ردیابی تماس [ 11] فقط از تخمین مجاورت و مدت زمان تماس بین تلفن های هوشمند نزدیک استفاده کنید. با این حال، برنامه های ردیابی تماس برای ردیابی دقیق تماس کافی نیستند زیرا تأثیر مکان و سایر اطلاعات زمینه ای را در نظر نمی گیرند [ 17 ].

دقت برنامه های ردیابی تماس را می توان با در نظر گرفتن بافت موقعیت مکانی تاریخی کاربران افزایش داد. ویروس SARS-CoV-2 می تواند توسط فردی که سطح مشترکی را که قبلاً توسط یک حامل تشخیص داده شده لمس کرده است، منتقل شود [ 17 ]. به عبارت دیگر، زمانی که از فضاهای مشترک بازدید شد، توالی زمانی نقش اساسی در افزایش دقت برنامه های ردیابی تماس ایفا می کند. تاریخچه موقعیت مکانی کاربران (ارائه شده توسط GPS) در پروژه SafePaths به منظور افزایش دقت برنامه های ردیابی تماس در نظر گرفته شد [ 17 ]. به طور مشابه، او و همکاران. [ 9] تاریخچه مکان کاربران را در یک برنامه ردیابی تماس COVID-19 برای محیط های بیرونی تجزیه و تحلیل کرد. با این حال، مکان های داخلی و ترتیب متوالی بازدید از یک فضای مشترک نادیده گرفته شده است [ 9 ، 17 ]. دلایل متعددی بر اهمیت مسیرهای فضایی-زمانی داخلی برای کاربردهای ردیابی تماس COVID-19 تأکید دارد: محیط‌های سرپوشیده در مقایسه با محیط‌های بیرونی خطرات بیشتری را برای گسترش جامعه ایجاد می‌کنند [ 5 ، 7 ، 18 ]، و مردم معمولاً بخش بزرگی از زندگی خود را در محیط‌های داخلی سپری می‌کنند. [ 19 ، 20]. بنابراین، یک رویکرد ردیابی تماس مبتنی بر مکان داخلی برای مدل‌سازی توپولوژی فضایی-زمانی پیچیده برای چندین طبقه و اتصال ذاتی مورد نیاز است [ 21 ، 22 ].

تا آنجا که ما می دانیم، یکی دیگر از شکاف های گمشده در برنامه های کاربردی ردیابی تماس، گنجاندن زمینه های معنایی مانند فعالیت های تمیز کردن و ضد عفونی است. ضدعفونی و تمیز کردن مکان‌هایی که معمولاً بازدید می‌شود می‌تواند به طور موثر زنجیره‌های گسترش ویروس کرونا را متوقف کند [ 23 ] و باید توسط برنامه‌های ردیابی تماس در نظر گرفته شود. یک سناریوی نمونه که اهمیت فعالیت‌های ضدعفونی‌کننده و ترتیب متوالی بازدید از یک مکان را توضیح می‌دهد در پیوست A آورده شده است. برای پر کردن شکاف تحقیقاتی موجود، یک سیستم ردیابی تماس دیجیتالی پیشرفته مورد نیاز است تا مسیر حرکت مکانی و زمانی کاربران و زمینه‌های معنایی کاربران را در نظر بگیرد.

تجزیه و تحلیل داده‌های مسیر داخلی، مانند ردیابی تماس، به یک مدل داده‌های مکانی-زمانی رسمی به عنوان انتزاعی از مسیر حرکت داخل ساختمان نیاز دارد [ 24 ]. مسیر خام داخلی یک دنباله زمانی از مختصات جغرافیایی دارای مهر زمانی جسم متحرک است [ 25 ، 26 ]. نگه‌داشتن رکورد چنین اطلاعات مکان دقیقی به انرژی باتری، ارتباطات و هزینه‌های محاسباتی بیشتری نیاز دارد [ 25 ]]. تقسیم‌بندی مسیر سعی می‌کند یک مسیر خام را به قطعاتی که دارای معنای معنایی برای رسیدگی به چالش‌های بالا هستند، تجزیه کنند. در این مقاله، مسیرهای حرکت خام به صورت معنایی به قطعات فضایی به نام نقاط اقامت تقسیم می‌شوند. نقاط ماندن اشیای فضایی هستند که دارای معنای معنایی خاصی هستند و شامل تمام مختصات جغرافیایی واقع در نقطه اقامت هستند و جسم متحرک برای مدت زمانی که بالاتر از یک آستانه معین است در آن باقی می ماند [ 27 ].

برای این مطالعه، یک مدل داده مبتنی بر نمودار برای رمزگذاری ابعاد مکانی و زمانی و همچنین زمینه های کاربر برای مسیرهای داخلی پیشنهاد شده است. با استفاده از یک ساختار داده گراف، نمایش داده های مسیر اجازه می دهد تا مسیر حرکت به شکل نمودار طبیعی با استفاده از فناوری های پایگاه داده گراف اخیر ذخیره شود [ 27 ]. اولین مؤلفه مدل داده پیشنهادی، فضای داخلی فضایی را بر اساس استاندارد OGC (کنسرسیوم فضایی باز) IndoorGML تعریف می کند [ 22 ]. استاندارد IndoorGML یک فضای داخلی را به عنوان مجموعه ای از فضاهای سلولی غیر همپوشانی در نظر می گیرد و روابط توپولوژیکی بین سلول ها را با استفاده از یک یا چند نمودار گره-رابطه (NRG) مدل می کند [ 28 ].]. جزء دوم بعد زمانی را به عنوان مدت زمان اقامت در هر سلول IndoorGML با استفاده از یک سلسله مراتب زمانی توصیف می کند. مولفه سوم که بعد زمینه‌ای نام دارد، اطلاعات متنی کاربر مانند نوع شغل کاربر، نوع فعالیت و میزان آسیب‌پذیری آنها را از نظر قرار گرفتن در معرض ویروس SARS-CoV-2 نشان می‌دهد. مدل داده مبتنی بر نمودار سلسله مراتبی پیشنهادی اجازه می دهد تا مسیر حرکت داخل ساختمان در سطوح مختلف دانه بندی نمایش داده شود. سطوح مختلف دانه بندی ارائه شده توسط مدل پیشنهادی از تجمع مسیرهای معنایی داخلی در سه بعد پشتیبانی می کند: مکانی، زمانی و زمینه ای. برای این تحقیق، مشارکت های زیر مورد بحث قرار می گیرد:

یک مدل داده مسیر داخلی مبتنی بر نمودار مکانی-زمانی برای منعکس کردن سلسله مراتب در فضا، زمان و اطلاعات متنی کاربر پیشنهاد شده است. استاندارد OGC IndoorGML برای غنی سازی نقاط اقامت با روابط توپولوژیکی در بین سلول های داخلی گنجانده شده است. مدل پیشنهادی می‌تواند مسیر حرکت معنایی فضای داخلی را بدون توجه به نوع سیستم موقعیت‌یابی داخلی ذخیره و تحلیل کند.
یک سیستم ردیابی تماس COVID-19 با استفاده از مدل داده پیشنهادی توسعه و بررسی شده است. در مقایسه با سایر برنامه های کاربردی ردیابی تماس، تا جایی که ما می دانیم، این مقاله اولین تحقیقی است که هر دو نوع انتقال SARS-CoV-2، یعنی فرد به فرد و فرد به مکان را اجرا و ارزیابی می کند. علاوه بر این، برنامه ردیابی تماس با گنجاندن تاریخچه ضد عفونی مکان بر اساس اطلاعات متنی کاربر، بیشتر تقویت می شود.
روابط توپولوژیکی فضایی استخراج شده از OGC IndoorGML در مدل داده پیشنهادی در یک تکنیک پیش پردازش برای فیلتر کردن نقاط مسیر نامعتبر معنایی استفاده می‌شود.

حریم خصوصی کاربر یک چالش بزرگ برای برنامه های ردیابی تماس است. استفاده از اطلاعات مکان یا مجاورت تاریخی می تواند به عنوان تهدیدی برای حریم خصوصی کاربر در نظر گرفته شود [ 17 ]. همانطور که در [ 29 ] ذکر شد، 90 درصد افراد را می توان تنها با استفاده از چهار نقطه مسیر شناسایی کرد. از این رو همیشه بین حریم خصوصی کاربر در مقابل اثربخشی برنامه‌های ردیابی تماس، تعادل وجود دارد. اگرچه استفاده از تکنیک های حفاظت از حریم خصوصی خارج از محدوده این مقاله است، برخی ملاحظات به منظور محافظت از حریم خصوصی کاربر در نظر گرفته شده است، همانطور که در بخش 6 بیشتر بحث شد.. علاوه بر این، دامنه این تحقیق با در نظر گرفتن یک چراغ فعال بلوتوث کم انرژی (BLE) برای هر سلول داخلی، بر مسیر حرکت در داخل ساختمان متمرکز است. اگرچه روابط توپولوژیکی بین سلول های داخلی برای فیلتر کردن نقاط مسیر نامعتبر معنایی استفاده می شود، بازسازی نقاط مسیر از دست رفته خارج از محدوده این مقاله است. علاوه بر این، استخراج خودکار زمینه های کاربران مانند فعالیت های تمیز کردن و نوع شغل خارج از محدوده این مقاله است.

بقیه این مقاله به شرح زیر سازماندهی شده است: ابتدا، تعریف مشکلات در بخش 2 تعریف شده است، و سپس در بخش 3 بحثی درباره کارهای مرتبط ارائه می شود . سپس معماری سیستم پیشنهادی در بخش 4 توضیح داده شده است. بخش 5 جزئیات مدل داده پیشنهادی را ارائه می دهد، در حالی که نتایج پیاده سازی در بخش 6 نشان داده شده است. در نهایت، بخش 7 این مقاله را با نتیجه گیری، احتمالات کاری آتی و مشکلات جاری به پایان می رساند.

2. تعریف مسئله

وضعیتی را در نظر بگیرید که هدف انجام ردیابی تماس بین کاربران در فضای داخلی با استفاده از بلوتوث کم انرژی (BLE) است. مزایای منحصر به فرد چراغ های BLE مانند سبک وزن، کم هزینه، پشتیبانی گسترده توسط دستگاه های هوشمند، مصرف انرژی کمتر، انعطاف پذیری بیشتر و نشانگر قدرت سیگنال دریافتی بالاتر (RSSI) بسیاری از محققان را برای استفاده از آنها به عنوان یک سیستم محلی سازی داخلی غالب جذب کرده است [ 30 ] ، 31 ]. همانطور که در شکل 1 مشاهده می شود (بالا سمت چپ)، فضای توپوگرافی یک محیط فیزیکی داخلی، شامل چهار فضای سلولی، در فضای اقلیدسی نشان داده شده است. اجازه دهید وضعیتی را در نظر بگیریم که یک چراغ BLE در هر سلول داخلی قرار می گیرد. شکل 1(پایین سمت چپ) پوشش سیگنال هر چراغ BLE را نشان می دهد. نمودار اتصال بین سلول های داخلی و چراغ های BLE در فضای دوگانه با استفاده از NRG های IndoorGML در شکل 1 (سمت راست) نشان داده شده است.

اولین مشکل در یک تحلیل مسیر داخلی کارآمد، مدل‌سازی مسیرهای کاربران در یک مدل داده‌های مکانی-زمانی مبتنی بر نمودار معنایی است. شکل 2 چهار مسیر معنایی کاربر را نشان می دهد که سلول های داخلی را به عنوان نقاط اقامت در مسیر حرکت کاربر در نظر می گیرد. به عنوان مثال کاربر تو1وارد و سپس از سلول داخلی خارج شد ج1در مهر زمانی تی1و تی3به ترتیب. در این مثال، یک نقطه در مسیر حرکت داخلی معنایی ثبت خواهد شد تو1مانند پ1=〈ج1،Δ1〉. که در آن، Δ1مدت زمانی است که تو1در سلول داخلی گذرانده است ج1. بنابراین، مسیر معنایی تو1را می توان به صورت مدل سازی کرد 〈ج1،Δ1〉،〈ج2،Δ2〉،〈ج3،Δ3〉،〈ج4،Δ4〉. نمایش مکانی و زمانی مسیرهای داخلی معنایی برای هر چهار کاربر در شکل 3 نشان داده شده است.

مسئله بعدی در مدل‌سازی مسیر این است که آیا دنباله نقاط ماندن از نظر توپولوژیکی به یکدیگر متصل هستند یا خیر. بدیهی است که داده های ناپایدار یا گمشده RSSI مستقیماً به مسیرهای حرکت معنایی پر سر و صدا منجر می شود. این موضوع به دلیل انتقال سیگنال و تداخل با تاخیر از دیوارها و درهای شیشه ای است [ 32 ]. به عنوان مثال، همانطور که در شکل 1 مشاهده می شود، وضعیت آن کاربر را در نظر بگیرید تو1در سلول قرار دارد ج1و چراغ BLE ب1در این سلول قرار می گیرد. وضعیتی را در نظر بگیرید که در آن ارتباط بین گیرنده BLE (به عنوان مثال، تلفن هوشمند) و ب1برای مدتی گم شده است در این مدت گیرنده BLE به چراغ BLE متصل می شود ب4با توجه به پوشش سیگنال نشان داده شده در شکل 1 . پس از اتصال مجدد به ب1، مسیر معنایی کاربر شامل سه نقطه اقامت مانند است 〈ج1،Δ1〉،〈ج4،Δ2〉،〈ج1،Δ3〉. با این حال، این مسیر حرکت از نظر معنایی نامعتبر است و 〈ج4،Δ2〉مسیر حرکت را پر سر و صدا و از نظر معنایی نامعتبر کرده است. این خط سیر معنایی نامعتبر است زیرا هیچ ارتباط مستقیمی بین سلول های داخلی وجود ندارد ج1و ج4. بنابراین، روابط توپولوژیکی بین سلول های داخلی (به عنوان مثال، NRGs) می تواند به عنوان یک روش فیلتر نویز برای استخراج مسیرهای داخلی معتبر از نظر معنایی استفاده شود.

آخرین اما نه کم‌ترین چالش در مطالعه ما ارزیابی برنامه ردیابی تماس به عنوان تحلیل مسیر متوالی با در نظر گرفتن زمینه‌های کاربران (به عنوان مثال، فعالیت ضد عفونی‌کننده) است. اجازه دهید کاربر فرض کنیم تو1به عنوان یک فرد آلوده به COVID-19 و تو3به عنوان کارکنان نظافت در این سناریو، پرس و جوهای مکانی-زمانی مختلف ممکن است برای ردیاب های تماس مورد علاقه باشد. برای مثال، فهرستی از کاربرانی که از سلول‌های داخلی، درست پس از بازدید آن سلول‌ها توسط کاربر آلوده بازدید کردند (یعنی کاربر تو1) و قبل از اینکه توسط کارکنان نظافت (یعنی کاربر) تمیز شوند تو3). همانطور که در شکل 3 مشاهده می شود، هر چهار سلول داخلی توسط کاربر آلوده بازدید می شود. با این حال، فقط کاربر تو2با کاربر آلوده در تماس بود تو1در سلول داخلی ج2قبل از اینکه این اتاق تمیز شود

3. بررسی ادبیات

در این بخش، ما پیشرفته‌ترین فناوری‌های مربوط به مطالعه خود را در چهار دسته طبقه‌بندی کردیم: برنامه‌های فعلی ردیابی تماس COVID-19 به طور خلاصه در دسته اول بررسی می‌شوند. در مرحله بعد، رویکردهای تقسیم‌بندی مسیر موجود مورد مطالعه قرار می‌گیرند زیرا به توان محاسباتی کمتر، هزینه ارتباطی کمتری نیاز دارند و برای انسان قابل خواندن هستند. دسته سوم بر روش های نمایش مسیر متمرکز است. دسته چهارم به مدل های داده موجود برای محیط های داخلی می پردازد. در نهایت، تفاوت های عمده بین این مطالعه و سایر مطالعات مرتبط در پایان این بخش خلاصه می شود.

3.1. برنامه های ردیابی تماس COVID-19

افزایش تصاعدی تعداد مبتلایان به ویروس کرونا، بسیاری از دولت‌ها و توسعه‌دهندگان را برانگیخت تا از فناوری برای مهار گسترش COVID-19 استفاده کنند [ 33 ، 34 ]. از آنجایی که جهان به مبارزه با همه‌گیری COVID-19 ادامه می‌دهد، ردیابی مجدد تماس‌های نزدیک یک فرد تأییدشده COVID-19 (CCP) برای یافتن و اطلاع‌رسانی افراد احتمالاً در معرض تماس در اولین مرحله ممکن (یعنی ردیابی تماس) به طور گسترده به عنوان یک روش در دسترس پذیرفته شده است. رویکرد به “صاف کردن منحنی” [ 35 ، 36 ]. در عمل، فرآیند پرزحمت و آهسته ردیابی تماس دستی (یعنی ردیابی تماس مبتنی بر مصاحبه) و انتقال سریع ویروس کرونا مستلزم استفاده از سیستم‌های ردیابی تماس دیجیتالی مقیاس‌پذیر است [ 11 ,35 ]. محققان و توسعه دهندگان سیستم های ردیابی تماس دیجیتالی مختلفی را برای کاهش بار ردیابی تماس دستی بر روی بخش های بهداشت عمومی پیشنهاد کرده اند. با بهترین دانش ما، سیستم‌های ردیابی تماس موجود را می‌توان به سیستم‌های ردیابی تماس مبتنی بر وب و سیار دسته‌بندی کرد. برای مثال، سیستم‌های ردیابی تماس مبتنی بر وب (یعنی TeamSense [ 37 ]) و تلفن همراه (به عنوان مثال، هشدار COVID [ 38 ] و ABTraceTogether [ 39 ]) در کانادا برای مبارزه با همه‌گیری COVID-19 استفاده می‌شوند. در تلاشی دیگر، پوشیدنی‌های مبتنی بر BLE اخیراً توسط Estimote، Inc. [ 40 ] پیشنهاد شده‌اند که می‌توانند در یک سیستم ردیابی تماس مبتنی بر وب برای محیط‌های کاری استفاده شوند. TraceTogether [ 41] به عنوان یک سیستم ردیابی تماس دیجیتال توسط دولت سنگاپور برای کمک به خودکارسازی کار پرزحمت ردیابی تماس دستی پیاده سازی شده است. با توجه به SensorTower [ 42 ]، این برنامه با بیش از 3.2 میلیون بارگیری (یعنی 55.36 درصد از کل جمعیت سنگاپور [ 43 ]) از فروشگاه App و Google Play [ 44 ] رتبه اول را در بین تمام برنامه های رایگان در این کشور دارد. . به عنوان مثال دیگر، Corona-Warn-App [ 45 ] به عنوان یک برنامه ردیابی تماس دیجیتال در آلمان استفاده می شود. این برنامه بیش از 22.8 میلیون بارگیری دریافت کرده است (یعنی 27.17 درصد از کل جمعیت آلمان [ 43 ]) و رتبه اول را در بین تمام برنامه های تلفن همراه رایگان در این کشور کسب کرده است [ 46 ]].

در حال حاضر بیش از 50 برنامه کاربردی ردیابی تماس تلفن های هوشمند وجود دارد که در بیش از 30 کشور در سراسر جهان مورد استفاده قرار می گیرند [ 47 ]. فناوری‌های مختلفی مانند BLE، سیستم جهانی ناوبری ماهواره‌ای (GNSS)، شناسایی فرکانس رادیویی (RFID)، وای‌فای و کدهای QR برای برنامه‌های ردیابی تماس معرفی شده‌اند. فناوری‌های BLE و GNSS را می‌توان به عنوان فناوری‌های پیشرو در برنامه‌های ردیابی تماس COVID-19 در نظر گرفت [ 17 ، 47 ]. با تمرکز بر انتقال ویروس کرونا، موانعی مانند دیوارهای بین کاربران می توانند انتقال ویروس را متوقف کنند. با مقایسه فناوری‌های GNSS و BLE، کاهش قدرت سیگنال در فناوری BLE می‌تواند موانع موجود بین کاربران را نشان دهد، در حالی که GNSS نمی‌تواند در نظر گرفته شود ( پیوست B). علاوه بر این، فناوری BLE برای تشخیص مجاورت در مکان های بسته مانند ساختمان های داخلی و حمل و نقل زیرزمینی دقیق تر از GNSS است [ 17 ]. TraceTogether [ 41 ] را می توان به عنوان اولین برنامه ردیابی تماس دیجیتالی در جهان با استفاده از فناوری مجاورت BLE نام برد. اکثر برنامه های کاربردی ردیابی تماس موجود، مانند CoEpi [ 48 ] و Covid Watch [ 49 ]، سعی کردند نزدیکی بین افراد را با استفاده از فناوری مجاورت BLE تخمین بزنند. نظرسنجی از برنامه های کاربردی ردیابی تماس COVID-19 که اخیراً معرفی شده اند را می توان در [ 11 ] یافت. تخمین نزدیکی بین کاربران را می توان به عنوان قلب برنامه های ردیابی تماس در نظر گرفت [ 47]. با این حال، تنها تکیه بر نزدیکی بین کاربران کافی نخواهد بود، زیرا ویروس کرونا با لمس یک سطح مشترک مانند میز، صفحه کلید و دستگیره در قابل انتقال است. به عبارت دیگر، راه انتقال ویروس از فرد به مکان باید به عنوان برنامه های ردیابی تماس COVID-19 مبتنی بر مکان در نظر گرفته شود.

برک و همکاران [ 17] سعی کرد COVID-19 مبتنی بر مکان را با گنجاندن تاریخچه مکان کاربران در پروژه SafePaths بررسی کند. در برنامه ردیابی تماس آنها، مکان تاریخی کاربر را می توان با فناوری GPS یا BLE جمع آوری کرد. با جزئیات بیشتر، مختصات و زمان 2 بعدی GPS (طول و عرض جغرافیایی) و زمان برای اولین بار به یک شبکه جغرافیایی 3 بعدی نگاشت می شوند. سپس، فواصل زمانی زمانی که دو کاربر یک مکان را اشغال کرده اند با استفاده از رویکرد تقاطع در تاریخچه GPS کاربران شناسایی می شود. اگرچه نویسندگان پیشنهاد کردند که روش آنها را می توان در راه انتقال ویروس از فرد به مکان استفاده کرد، اما هیچ مدرکی مبنی بر اینکه تاثیر انتقال ویروس از فرد به مکان به بهترین نحو در نظر گرفته شده است وجود ندارد. برای روشن شدن این شکاف، این وضعیت را در نظر بگیرید که یک مکان معمولی ابتدا توسط کاربر A که یک حامل تشخیص داده شده است، بازدید می شود و پس از خروج این کاربر از محل معمول، توسط کاربر B بازدید می شود. در نظر بگیرید که این وضعیت در یک بازه زمانی کوتاه اتفاق افتاده است. تقاطع مکان در پنجره زمانی مشترک منجر به یافتن کاربر B به عنوان یک کاربر احتمالاً در معرض دید می شود. بنابراین، ترتیب متوالی بازدید از یک مکان معمولی باید علاوه بر مکان تاریخی کاربر در نظر گرفته شود تا روش انتقال ویروس از فرد به مکان در بین کاربران مدل شود.

او و همکاران [ 9 ] سعی کرد مکان تاریخی کاربران را در ردیابی تماس COVID-19 به عنوان یک برنامه استخراج مسیر همراه سفر برای محیط های بیرونی بگنجاند. نویسندگان از روش پیشنهادی Rong و همکاران پیروی کردند. [ 50 ] برای طراحی یک شاخص کارآمد، به نام شاخص زمان اول فضایی، به عنوان معیار تشابه برای خوشه‌بندی مسیر. معیار تشابه پیشنهادی آنها برای بخش‌های مسیر گروهی اعمال شد که از نظر مکانی و زمانی مشابه مسیر پرس و جو هستند (یعنی مسیر مورد تایید شده COVID-19) [ 9]. با استفاده از خوشه بندی مسیر، کاربرانی که مسیرهای مشابهی با مسیر پرس و جو دارند، قابل شناسایی هستند. اگرچه آنها همراهی کاربران را اندازه گیری کردند، اما مطالعه نکردند که آیا مکانی به حامل تشخیص داده شده آلوده است یا خیر. علاوه بر این، سیستم پیشنهادی آنها فقط بر محیط های بیرونی متمرکز بود.

اگرچه محققان و توسعه‌دهندگان بیشتر بر پیشرفت‌های تکنولوژیکی سیستم‌های ردیابی تماس دیجیتال متمرکز شده‌اند، مشارکت گسترده عمومی در برنامه‌های ردیابی تماس دیجیتال برای توقف همه‌گیری لازم است [ 33 ]. هلول و همکاران [ 36 ] تأثیر جداسازی و ردیابی تماس را برای کنترل همه‌گیری با استفاده از یک مدل ریاضی ارزیابی کرد. با توجه به نتایج آنها، اکثر شیوع در مناطقی با تعداد تولید مثل اولیه (تعداد مورد انتظار ثانویه که می تواند توسط میزبان آلوده آلوده شود در جمعیتی که همه افراد مستعد هستند) (R ₀ ) کمتر از 1.5 قابل کنترل است. اگر 50٪ یا بیشتر از مخاطبین با موفقیت ردیابی شوند [ 36]. به عنوان مثال، تخمین تعداد بازتولید پایه در سنگاپور (0.8-1.4) [ 51 ] و در آلمان (0.9-1.3) [ 52 ] با فاصله زمانی 90٪ معتبر است. با توجه به SensorTower [ 42 ]، برنامه های ردیابی تماس TraceTogether و Corona-Warn-App به ترتیب توسط 55.36 و 27.17 درصد از سنگاپور و آلمان به صورت عمومی پذیرفته شده اند. اگرچه TraceTogether به پذیرش مورد انتظار (یعنی 50٪ از جمعیت کشور) رسید، اما Corona-Warn-App از پذیرش مورد انتظار عقب ماند. عوامل مختلفی مانند نگرانی های مربوط به حریم خصوصی، ناشناس بودن، شفافیت و نگرانی در مورد استفاده بیش از حد از داده ها، بر تمایل عمومی برای استفاده از برنامه های ردیابی تماس دیجیتال تأثیر می گذارد [ 33 ]. آثار اخیر [ 33 ، 35] نشان می‌دهد که ردیابی خودکار تماس با هر نرخ پذیرش عمومی، گسترش سریع ویروس کرونا را کاهش می‌دهد. اگرچه تجزیه و تحلیل کیفی اثربخشی و موفقیت برنامه های ردیابی تماس دیجیتال مورد نیاز است، ما معتقدیم که برنامه های ردیابی تماس دیجیتال را نمی توان جایگزینی برای ردیابی تماس دستی در نظر گرفت.

برای نتیجه گیری، تاریخچه موقعیت مکانی کاربر و ترتیب متوالی بازدید از یک مکان می تواند روش انتقال ویروس کرونا از فرد به فرد را بهتر مدل کند. با این حال، انتقال ویروس از فرد به مکان هنوز در زمان نگارش این مقاله نادیده گرفته شده است. علاوه بر این، تاریخچه موقعیت مکانی کاربر فقط برای محیط های بیرونی در نظر گرفته شده است. از تاریخ 16 دسامبر 2020، تاریخچه ضد عفونی مکان‌هایی که معمولاً بازدید می‌شود توسط محققان برای محیط‌های داخلی و خارجی نادیده گرفته می‌شود.

3.2. تقسیم بندی مسیر

هدف اصلی تقسیم‌بندی مسیر، تجزیه یک مسیر به قطعاتی است که دارای معنای معنایی، قابل خواندن برای انسان هستند و به قدرت محاسباتی کمتری نیاز دارند [ 25 ]. عمدتاً سه دسته رویکرد برای تقسیم‌بندی مسیر وجود دارد [ 25 ، 26 ]. دسته اول فاصله زمانی را برای تقسیم یک مسیر به قطعات در نظر می گیرد [ 53 ]. دسته دوم بر شکل مسیر تمرکز می کند و یک مسیر را با استفاده از نقاط عطفی که شکل مسیر را حفظ می کند، تجزیه می کند [ 54 ]]. در نهایت، پارتیشن بندی مسیرها با استفاده از معنای معنایی هر بخش، که در مدل داده پیشنهادی ما استفاده می شود، می تواند گسترده ترین رویکرد تقسیم بندی مسیر در نظر گرفته شود. این رویکرد به طور گسترده در کاربردهای مختلف مانند حمل و نقل [ 55 ، 56 ]، گردشگری [ 57 ، 58 ] و سیستم های توصیه گر [ 59 ] استفاده شده است.

یک روش بسیار طبیعی برای تقسیم‌بندی مسیر مبتنی بر معنای معنایی، تقسیم یک مسیر به بخش‌هایی است که سکون در مقابل حرکت را نشان می‌دهند [ 25 ، 26 ]. بسته به تجزیه و تحلیل داده های مسیر، نقاط ثابت را می توان نگه داشت یا نادیده گرفت. به عنوان مثال، یوان و همکاران. [ 60 ] در رویکرد تخمین سرعت سفر تاکسی پیشنهادی خود، نقاط ثابت را نادیده گرفتند. با این حال، او و همکاران. [ 9 ] در رویکرد خوشه‌بندی مسیر پیشنهادی خود برای کاربرد ردیابی تماس COVID-19 فقط بر نقاط ثابت تمرکز کرده‌اند. گومز و همکاران [ 27] به طور مشابه از مفهوم نقاط ثابت استفاده کرد و ورود کاربران استخراج شده از شبکه های اجتماعی مبتنی بر مکان را به عنوان نقاط ثابتی که مدت زمان ندارند فرض کرد.

اگرچه دانش زیادی برای تقسیم‌بندی مسیر در برنامه‌های کاربردی در فضای باز مانند حمل‌ونقل وجود دارد، تنها چند بخش تحقیقاتی روی تنظیمات داخلی متمرکز شده‌اند. ورنر و همکاران [ 61 ] مقدار محاسبات را با استفاده از الگوریتم داگلاس-پوکر به عنوان یک رویکرد تقسیم‌بندی مسیر کاهش داد، که عمدتاً مربوط به شکل مسیر است. گوا و همکاران [ 62 ] دقت فرآیند تطبیق نقشه را در مسیرهای داخلی با در نظر گرفتن معنایی ارائه شده توسط الگوریتم های محاسبه مردگان پیاده و تشخیص فعالیت های انسانی بهبود بخشید. وانگ و همکاران [ 63] از داده های کیلومتر شمار خام برای استخراج طول گام، شمارش گام ها و سرفصل به منظور تقسیم مسیر استفاده کرد. در تحقیق ما، مسیر خام داخلی با تعریف نقاط ماندن تقسیم‌بندی می‌شود و از نظر معنایی با ویژگی‌های سلول OGC IndoorGML غنی‌سازی می‌شود.

3.3. مدل مسیر داخلی

چن و همکاران [ 64 ] از روش پارتیشن شبکه ای برای انتزاع مدل فیزیکی داخلی با استفاده از شبکه های شش ضلعی استفاده کرده اند. در این تحقیق از مدل داده های IFC استفاده شد و مسیر حرکت با استفاده از ابزار Vita [ 64 ، 65 ] تولید شد. آنها یک رویکرد فاصله طرح ریزی عمودی را برای تبدیل داده های حرکتی داخلی تولید شده به صورت مصنوعی به شبکه های تعیین شده اعمال کردند. OGC استاندارد IndoorGML را به عنوان یک چارچوب فضایی مشترک برای نمایش و مدلسازی فضاهای داخلی برای اهداف ناوبری داخلی منتشر کرده است [ 22]. استاندارد باز OGC IndoorGML یک روش استاندارد برای انتزاع محیط های فیزیکی داخلی با استفاده از یک مدل داده مبتنی بر نمودار چند لایه ارائه می دهد. انعطاف پذیری استاندارد OGC IndoorGML در ارائه واحدهای فضایی با توانایی داشتن روابط معنایی و توپولوژیکی خود در ساختار داده مبتنی بر نمودار، استاندارد OGC IndoorGML را جایگزین مناسبی برای مدل‌سازی ابعاد فضایی مسیرهای داخلی می‌کند. آلاتاس و همکاران [ 20] داده های حرکتی کاربران داخلی را در یک تمرین تخلیه با استفاده از LADM-IndoorGML توسعه یافته تجزیه و تحلیل و تجسم کرد. آنها مکان کاربران را با تجزیه و تحلیل داده های ثبت وای فای جمع آوری شده از شبکه اصلی وای فای TU Delft استخراج کردند. LADM-IndoorGML ادغامی از OGC IndoorGML و مدل دامنه مدیریت زمین برای تعیین محدودیت‌ها، حق و مسئولیت‌های گروه‌های مختلف کاربران برای هر فضای داخلی است [ 66 ]. آلاتاس و همکاران [ 20 ] از یک پایگاه داده رابطه ای (یعنی PostgreSQL) برای مدل سازی هندسه سه بعدی مدل IFC و مدل فنی LADM-IndoorGML به عنوان زیرساختی برای تجسم حرکات کاربران استفاده کرد. دنبال کردن تک تک کاربران و نظارت بر تعداد کاربران در هر منطقه نقطه دسترسی WiFi، دو نوع تجزیه و تحلیل توسط Alattas و همکاران انجام شده است. [20 ].

کنتارینیس و همکاران [ 24 ] یک مدل نمادین مبتنی بر معنایی سلسله مراتبی برای مسیرهای حرکتی داخلی کاربرانی که از موزه لوور واقع در پاریس، فرانسه بازدید کردند، پیشنهاد کرد. در [ 24 ]، مدل فیزیکی موزه لوور با استفاده از استاندارد OGC IndoorGML در پنج لایه نمودار نمادین (یعنی مجتمع ساختمان، ساختمان، طبقه، اتاق و منطقه مورد نظر) انتزاع شد. مناطق مورد علاقه به عنوان 51 منطقه غیر همپوشانی تعریف شده توسط مدیریت موزه و مرتبط با موضوعات نمایشگاه تعریف شد. مسیر حرکت خام بازدیدکنندگان با استفاده از زیرساخت چراغ BLE و برنامه (برنامه) گوشی هوشمند جمع‌آوری شد و سپس با در نظر گرفتن پنج لایه نمودار نمادین تبدیل و غنی‌سازی شد. بنابراین، نویسندگان در [ 24] مسیر حرکت بازدیدکنندگان در فضای داخلی را به عنوان دنباله ای از حضور آنها در مناطق موضوعی لوور مدلسازی کرد. در [ 24 ]، استاندارد OGC IndoorGML برای غنی سازی معنایی مسیرهای خام استفاده شد. با این حال، برخی از تفاوت های قابل توجه بین مطالعه ما و مطالعه آنها عبارتند از: (1) مدل داده پیشنهادی آنها بر بازدیدکنندگان موزه متمرکز است، در حالی که ما یک مدل مبتنی بر نمودار مکانی-زمانی کلی پیشنهاد کردیم که می تواند در برنامه ردیابی تماس COVID-19 استفاده شود. (2) اگرچه دانه بندی فضایی در مدل پیشنهادی توسط Kontarinis و همکاران پشتیبانی شد. [ 24]، اطلاعات متنی کاربر نادیده گرفته شد. (3) دانه بندی زمانی و زمینه ای در مدل پیشنهادی ما پشتیبانی می شود تا ماهیت مکانی-زمانی مسیر حرکت کاربران را به طور کامل نشان دهد. (4) مدل داده پیشنهادی ما به جای استفاده از نمایش موضوعی مسیرهای داخلی در یک پایگاه داده مبتنی بر نمودار پیاده‌سازی می‌شود.

3.4. بازنمایی مسیر

سه راه برای نمایش مسیر حرکت با استفاده از ساختار داده ماتریس، تانسور و نمودار [ 25 ] وجود دارد. نمایش ماتریسی از مسیر حرکت به طور گسترده ای در سیستم های توصیه استفاده می شود. اوجاغ و همکاران [ 67 و 68 ] مسیرهای GPS کاربران را به یک ماتریس تبدیل کرد و سپس از یک الگوریتم فیلتر مشترک برای ارائه توصیه های شخصی به کاربران استفاده کرد. نمایش تانسور مسیرهای حرکت را می توان یک گسترش طبیعی از تبدیل مبتنی بر ماتریس، با اطلاعات اضافی به عنوان بعد سوم نمایش ماتریس [ 25 ] در نظر گرفت. ژنگ و همکاران [ 69] با افزودن کاربران به نمایش تانسور فعالیت مکان مسیرهای GPS کاربران، سیستم توصیه فعالیت مکان را به یک سیستم توصیه شخصی کاربر گسترش داد.

با استفاده از یک ساختار داده گراف، نمایش داده های مسیر اجازه می دهد تا مسیر حرکت به شکل نمودار طبیعی با استفاده از فناوری های جدید پایگاه داده گراف ذخیره شود. بنابراین، نمایش مسیر مبتنی بر نمودار از مشکل “عدم تطابق امپدانس” بین مدل داده و ذخیره سازی جلوگیری می کند [ 27 ]. پیشرفت‌های اخیر در فن‌آوری‌های پایگاه داده گراف با استفاده از ساختار داده‌های گراف در کاربردهای مختلف افزایش می‌یابد [ 27 ، 70 ، 71 ]. هو و همکاران [ 72] مسیر حرکت گردشگران را از داده های موقعیت جغرافیایی کاربران که در توییتر به عنوان رسانه های اجتماعی به اشتراک گذاشته شده بود استخراج کرد. در تحقیقات آنها، مسیرهای استخراج شده با استفاده از خوشه بندی مبتنی بر DBSCAN به نمودار تبدیل شدند. سپس برای کشف الگوهای حرکت گردشگران از روش‌های تحلیلی شبکه‌ای بر روی نمودارهای استخراج‌شده استفاده شد. نیو و همکاران [ 73 ] یک نمودار دوگانه از مسیر حرکت با در نظر گرفتن شبکه حمل و نقل به عنوان یک شبکه پیچیده ساخت. سپس نمودار دوگانه در یک رویکرد خوشه‌بندی مبتنی بر برچسب برای مسیرهای حرکت خوشه استفاده شده است و محدودیت اصلی روش‌های خوشه‌بندی مسیر مبتنی بر فاصله را بررسی می‌کند. صابریش و همکاران [ 74] یک روش خوشه‌بندی سلسله مراتبی بر اساس ساختار داده‌های نموداری برای شناسایی الگوهای حرکت مشابه مسیر حرکت برای کامیون‌های متحرک حامل کالا پیشنهاد کرد. گومز و همکاران [ 27 ] یک ساختار داده نمودار مکانی-زمانی پیشنهاد کرد و مسیر حرکت کاربران را از شبکه اجتماعی مبتنی بر مکان برای انجام عملیات پردازش تحلیلی آنلاین در مسیر حرکت تغییر داد. گوو و همکاران [ 62 ] دقت مسیر عابر پیاده داخلی را با استفاده از مفهوم یک مدل داده گراف غنی شده معنایی استخراج شده از پلان طبقه افزایش داد.

برای نتیجه‌گیری مطالعات مرتبط، تاریخچه مکان فرد به مکان، ترتیب متوالی بازدید از یک مکان معمولی، اطلاعات متنی مرتبط با کاربر مانند فعالیت‌های ضدعفونی در برنامه‌های ردیابی تماس دیجیتال وجود ندارد. علاوه بر این، پیشرفته ترین تکنولوژی فقط بر روی محیط های بیرونی متمرکز شده است. برای پرداختن به شکاف های تحقیقاتی ذکر شده، یک مدل داده مبتنی بر نمودار برای رمزگذاری ابعاد مکانی و زمانی و همچنین زمینه های کاربر برای مسیرهای داخلی پیشنهاد شده است. اولین جزء از مدل داده پیشنهادی یک فضای داخلی فضایی سلسله مراتبی را تعریف می کند. در این مدل، مسیرهای خام داخلی با استفاده از حسگرهای BLE با تعریف نقاط ماندن تقسیم‌بندی می‌شوند و از نظر معنایی با ویژگی‌های سلول OGC IndoorGML غنی‌سازی می‌شوند. مزیت استفاده از OGC IndoorGML ساختار مبتنی بر نمودار آن برای مدل‌سازی توپولوژی فضایی است. بنابراین، می توان آن را در مدل داده پیشنهادی ما برای نشان دادن و ذخیره ابعاد فضایی مسیرهای حرکت در شکل نمودار اصلی آنها اتخاذ کرد. مؤلفه دوم بعد زمان را به عنوان زمان ورود برای هر سلول IndoorGML با استفاده از یک سلسله مراتب زمانی توصیف می کند. جزء سوم که بعد زمینه ای نامیده می شود، اطلاعات متنی کاربران مانند فعالیت های ضدعفونی کننده را نشان می دهد. ما از یک پایگاه داده گراف برای نشان دادن مدل مسیر فضایی داخلی پیشنهادی به عنوان یک رویکرد کارآمد برای پردازش پرس و جو ردیابی تماس استفاده کردیم. که بعد زمینه ای نامیده می شود، اطلاعات متنی کاربران مانند فعالیت های ضدعفونی کننده را نشان می دهد. ما از یک پایگاه داده گراف برای نشان دادن مدل مسیر فضایی داخلی پیشنهادی به عنوان یک رویکرد کارآمد برای پردازش پرس و جو ردیابی تماس استفاده کردیم. که بعد زمینه ای نامیده می شود، اطلاعات متنی کاربران مانند فعالیت های ضدعفونی کننده را نشان می دهد. ما از یک پایگاه داده گراف برای نشان دادن مدل مسیر فضایی داخلی پیشنهادی به عنوان یک رویکرد کارآمد برای پردازش پرس و جو ردیابی تماس استفاده کردیم.

4. روش شناسی

در این بخش روش شناسی و تعاریف اولیه به کار رفته برای این تحقیق توضیح داده شده است. سپس مدل داده سلسله مراتبی مبتنی بر نمودار برای تحلیل داده‌های مسیر حرکت داخلی معنایی توصیف می‌شود. این بخش بر روی ردیابی تماس COVID-19 متمرکز است. با این حال، مدل داده‌های پیشنهادی می‌تواند به عنوان یک مسیر حرکت داخلی با هدف عمومی نیز استفاده شود.

4.1. تقسیم بندی مسیر معنایی

با توجه به موقعیتی که در آن چهار چراغ BLE در یک محیط داخلی مستقر شده اند، مسیر حرکت خام داخلی تو1در جدول 1 نشان داده شده است . بمنjنشان دهنده مقدار RSSI است که توسط گوشی هوشمند کاربر برای BLE beacon اندازه گیری شده است بمنبرای مهر زمانی تیj. همانطور که در این جدول نشان داده شده است، تو1گوشی هوشمند چهار اندازه گیری RSSI را از چهار چراغ BLE دریافت کرد (یعنی ب1،…، ب4)واقع در نزدیکی آن

جدول 1 مسیر حرکت داخل ساختمان را برای یک کاربر نشان می دهد و مسیر حرکت خام (RMT) نامیده می شود. با توجه به RMT، نماد مسیر حرکت خام داخلی را می توان به صورت زیر تعریف کرد:

تعریف 1 (مسیر داخل ساختمان خام).

یک مسیر حرکت خام داخلی (یعنی RMT) برای کاربر تومنیک توالی زمانی از مقادیر RSSI از تمام چراغ های BLE قابل مشاهده است که توسط یک سیستم موقعیت یابی داخلی مستقر شده اند. مقادیر RSSI اندازه‌گیری شده از چراغ‌های BLE قابل مشاهده به مکان‌های مکانی کاربر بستگی دارد. بنابراین مسیر خام داخلی یک کاربر را می توان به صورت زیر فرموله کرد:

آرمتی=تومن،تی0،{بمن0 |من⊆ن0}،تومن،تی1،{بمن1 |من⊆ن1}،…،تومن،تیj،{بمنj |من⊆نj}

(1)

که در آن، نj⊆نتعداد نشانگرهای BLE قابل مشاهده نزدیک به گوشی هوشمند کاربر در هر مهر زمان را نشان می دهد j، و نمجموعه ای از تمام چراغ های BLE است ({ ب1، ب2، …، بن}) در یک محیط داخلی مستقر شده است. مجموعه {بمنj |من⊆نj}مجموعه ای از اندازه گیری های RSSI را نشان می دهد ( بمنj) از چراغ های BLE قابل مشاهده در مهر زمان j. ترتیب تی0<تی1<…<تیjیک نظم طبیعی در چارچوب زمانی برای نقاط جغرافیایی بازدید شده توسط کاربر در RMT در نظر گرفته می شود.

همانطور که در جدول 1 مشاهده می شود ، RMT حاوی مقدار زیادی داده است که تجزیه و تحلیل داده های مسیر را زمان بر می کند. علاوه بر این، ردیاب‌های تماس ممکن است به چنین اطلاعات دقیقی در مورد مقدار RSSI برای همه چراغ‌های قابل مشاهده برای هر مهر زمانی علاقه‌مند نباشند. منطقه مجاورتی که کاربر در آن قرار دارد و همچنین مدت زمانی که او در آنجا ماند می‌تواند برای ردیاب‌های تماس بیشتر مورد توجه باشد. از این رو، مسیرهای حرکت خام داخلی را می توان با استفاده از مفهوم معنایی “مکان اقامت (PoS)” تقسیم بندی کرد. PoS از نظر معنایی به منطقه مجاورت چراغ BLE با بالاترین مقدار RSSI اشاره دارد که کاربر در آن هزینه کرده است. Δکطول زمان. نماد PoS به صورت زیر تعریف می شود:

تعریف 2 (محل اقامت).

در نظر گرفتن δمترمنnو δمترآایکسبه عنوان حداقل و حداکثر مقادیر RSSI مرتبط با منطقه مجاورت چراغ BLE بمنبا بالاترین مقدار RSSI تمام نقاط جغرافیایی با مقدار RSSI اندازه گیری شده متعلق به δمترمنn،δمترآایکسمحدوده به عنوان PoS مرتبط با چراغ BLE تعریف می شود بمن. مدت زمان (یعنی Δک) که کاربر در PoS سپری کرده است، تفاوت زمانی بین زمان ورود و خروج کاربر در این منطقه مجاورتی است.

همچنین، اطلاعات متنی کاربر را می توان در مسیرهای معنایی داخلی در نظر گرفت. در برنامه ردیابی تماس COVID-19، نوع شغل، نوع فعالیت، و سطح آسیب پذیری کاربر در معرض قرار گرفتن در معرض ویروس COVID-19 را به عنوان زمینه های کاربر در هر PoS مشخص کردیم. اطلاعات متنی کاربر می تواند به صورت دستی توسط کاربر وارد شود. جدول 2 تقسیم بندی مسیر معنایی کاربر را نشان می دهد تو1.

نماد مسیر حرکت معنایی فضای داخلی به صورت زیر تعریف می شود:

تعریف 3 (مسیر داخلی معنایی).

مسیر حرکتی معنایی داخلی (یعنی SMT) یک توالی زمانی از PoS های بازدید شده شامل شناسه کاربر، زمانی که کاربر وارد PoS می شود، مدت زمان ماندن در PoS و اطلاعات متنی کاربر در هر PoS است. نماد مسیر حرکت معنایی کاربر تو1(یعنی اسمتی1) مطابق جدول 2 به شرح زیر تعریف شده است:

اسمتی1=تو1،تی0، Δ1،ب1،اچهآلتیساعتy،سیلهآnمنng،v1، …،تو1،تی3،Δ4،ب4،اچهآلتیساعتy،Vمنسمنتیمنng،v1

(2)

که در آن، بمن ∈ بDoمترو بDoمتر( چراغ BLE با بالاترین مقدار RSSI) نشانگر مجموعه قابل مشاهده چراغ های BLE است (یعنی {بمنj |من⊆نj} ) مربوط به منطقه مجاورت PoS است.

4.2. مدل داده مبتنی بر GML فضایی چند لایه

برای پشتیبانی از قابلیت همکاری بین خدمات مبتنی بر مکان داخلی، OGC یک مدل داده استاندارد مبادله داخلی مبتنی بر XML به نام IndoorGML را در سال 2014 منتشر کرد [ 75 ]. فضای سلولی را می توان مفهوم زیربنایی IndoorGML به منظور ارائه انتزاعی از محیط فیزیکی داخلی در نظر گرفت [ 76 ].

تعریف 4 (فضای سلولی).

سلول جبه عنوان نوع واحد اصلی فضای اولیه داخلی مدل داده های فضایی IndoorGML تعریف می شود. فضای سلولی ℂاتحاد سلول های غیر همپوشانی در نظر گرفته می شود جمن ∈ ℂکه یک انتزاع برای فضای داخلی فیزیکی داده شده است پ[ 76 ].

برای انتزاع فضای فیزیکی داخلی با استفاده از IndoorGML، هر دو ویژگی هندسی و توپولوژیکی باید در فضای سلولی تعریف شوند. ویژگی‌های هندسی که وسعت فضایی سلول‌ها و مرزهای آنها را تعریف می‌کنند، می‌توانند محاسبات فاصله داخلی را تسهیل کنند [ 75 ]]. با این حال، ویژگی های هندسی لزوما برای بسیاری از کاربردها (به عنوان مثال، ردیابی تماس) مورد نیاز نیست. با استفاده از سلول های سه بعدی توریوم دوگانه پوانکاره و روابط آنها، فضاهای داخلی توپوگرافیک را می توان به فضاهای دوگانه متناظر تبدیل کرد. در فضاهای دوگانه، یک نمودار مجاورت توپولوژیکی یا معادل آن، سلول های داخلی و روابط مجاورت آنها را با استفاده از گره ها و لبه ها تجسم می کند. لبه ها در نمودار مجاورت را می توان به طور کلی به پیوندهای قابل کشتیرانی (مثلاً درها) و غیرقابل کشتیرانی (مثلاً دیوارها) طبقه بندی کرد. همانطور که در شکل 4 نشان داده شده است ، یک نمودار اتصال را می توان تنها با در نظر گرفتن پیوندهای قابل پیمایش در نمودار مجاورت استخراج کرد. همانطور که نمودار اتصال نشان داده شده در شکل 4ویژگی های هندسی سلول ها را نشان نمی دهد، به آن نمودار اتصال منطقی می گویند [ 75 ].

IndoorGML مکانیزمی به نام مدل فضای چند لایه ارائه می دهد که از تفاسیر مختلف برای فضاهای داخلی پشتیبانی می کند [ 75 ، 76 ]. به عنوان مثال، پوشش سیگنال BLE را می توان به عنوان یک تفسیر جدید برای فضای توپولوژیکی همانطور که در شکل 5 نشان داده شده است، تعریف کرد . هر تفسیری فضای سلولی خاص خود را دارد. خواص هندسی و توپولوژیکی را می توان برای فضاهای سلولی مربوطه تعریف کرد. علاوه بر این، از انواع اتصالات بین لایه ای می توان برای تجسم روابط بین فضاهای مختلف سلولی استفاده کرد. فضای چند لایه به عنوان پوششی از تفاسیر تعریف می شود. یک مثال از این زمانی است که هشت چراغ BLE در فضای توپولوژیکی نصب شده است همانطور که در شکل 5 نشان داده شده است.پوشش سیگنال BLE در فضاهای دوگانه را می توان برای استخراج یک نمودار اتصال منطقی برای بیکن های BLE در نظر گرفت. مدل فضای چندلایه که شامل روابط بین لایه‌ای میان تفاسیر مختلف است در شکل 6 نشان داده شده است . به دنبال همین مفهوم، IndoorGML یک نمودار سلسله مراتبی ارائه می دهد که دانه بندی فضایی در فضاهای سلولی را پوشش می دهد [ 75 ، 76 ]. یک مثال می تواند وضعیتی باشد که در آن فضای داخلی نشان داده شده در شکل 4 به ساختمان تعلق دارد. ب. همانطور که در شکل 6 ساختمان نشان داده شده استببه عنوان بالاترین لایه ساختار سلسله مراتبی ارائه شده توسط IndoorGML تعریف می شود.

4.3. مدل‌سازی مسیر داخلی مبتنی بر نمودار پیشنهادی

همانطور که در (2) مشاهده می شود، از سه جزء اصلی برای تعریف مسیر معنایی داخلی استفاده شد. مؤلفه اول با استفاده از مفهوم PoS فضای مکانی را تعیین می کند. جزء دوم فضای زمانی را با استفاده از یک جفت مختصات مشابه توصیف می کند تیj،Δککه در آن تیjنشان دهنده زمان ورود کاربر به PoS و Δکنشان دهنده مدت زمانی است که کاربر در PoS سپری کرده است. مولفه سوم که بعد زمینه‌ای نام دارد، اطلاعات متنی کاربر مانند نوع شغل، نوع فعالیت و میزان آسیب‌پذیری آنها را از نظر قرار گرفتن در معرض ویروس SARS-CoV-2 نشان می‌دهد.

سه سطح دانه بندی نیز به منظور حمایت از تجمع در مسیرهای داخلی معنایی تعریف می شود: زمانی، متنی و مکانی. ساختار سلسله مراتبی زمانی تیjبه عنوان … تعریف شده است منnستیآnتی→ممنnتوتیه→اچoتوr→Dآy→مonتیساعت→Yهآrدر مدل داده پیشنهادی علاوه بر فضاهای زمانی، ساختار سلسله مراتبی نیز برای اطلاعات زمینه ای در نظر گرفته شده است. آسیب پذیری به عنوان بخشی از اطلاعات زمینه ای گنجانده شده برای این تحقیق در نظر گرفته می شود. طیف متنوعی از عوامل بر آسیب پذیری COVID-19 تأثیر می گذارد (به عنوان مثال، سن، شرایط پزشکی پس زمینه) [ 77 ]. با این حال، برای سادگی، از کاربران تلفن همراه فقط خواسته می‌شود گزارش دهند که فکر می‌کنند از نظر قرار گرفتن در معرض ویروس SARS-CoV-2 چقدر آسیب‌پذیر هستند. سطوح آسیب پذیری را می توان به عنوان یک عدد صحیح بین صفر تا ده وارد کرد. سپس این عدد صحیح را می توان به سطح بالا و سطح پایین دسته بندی کرد.

سلسله مراتب فضایی مدل داده پیشنهادی بر اساس نمایش فضایی چند لایه OGC IndoorGML است. دانه بندی فضایی مدل داده پیشنهادی در شکل 6 نشان داده شده است . ساختار سلسله مراتبی فضایی داخلی پیشنهادی به صورت تعریف شده است بLE زonه Δمنnتیهrمنor سیهلل →سیآتیهgory→افلoor→بتومنلدمنng.

لایه های سلسله مراتبی فضایی نشان داده شده در شکل 6 از پایین به بالا به صورت زیر تعریف می شوند:

لایه مناطق BLE (همانطور که در شکل 5 نشان داده شده است) به عنوان بهترین سطح سلسله مراتب فضایی مورد بررسی قرار می گیرد زیرا چندین ناحیه BLE می تواند یک سلول داخلی را پوشش دهد.
لایه داخلی سلول ها فضای داخلی را به واحدهای فضایی جداگانه تقسیم می کند که توسط دیوارها تقسیم می شوند. سلول‌های داخلی ممکن است دسته‌های معنایی مختلفی داشته باشند: آزمایشگاه، اتاق جلسه، دفتر شخصی، دستشویی، راهرو، پله، آسانسور و آشپزخانه.
لایه Category به عنوان گروهی از سلول های داخلی با نوع مشابهی از مقوله معنایی تعریف می شود. به عنوان مثال، دسته آزمایشگاهی سلول های داخلی را می توان به آزمایشگاه های شیمیایی یا مکانیکی اختصاص داد.
لایه Floors به عنوان دانه بندی فضایی بالاتری از دسته ها در نظر گرفته می شود. به عنوان مثال، طبقه سوم شامل کتابخانه، دفتر و آزمایشگاه شیمی است.
لایه ساختمان از طبقات مختلف مرتبط با آن تشکیل شده است.

نمونه‌ای از مدل‌سازی مسیر معنایی داخلی که ساختارهای سلسله مراتبی متفاوتی را در نظر می‌گیرد (یعنی زمانی، زمینه‌ای و مکانی) در شکل 7 نشان داده شده است . در شکل 7 دایره هایی با خطوط آبی چین، نقاط داده مسیر را در SMT نشان می دهند. به عنوان مثال، نقطه چین آبی مرکزی SMT کاربر با شناسه شماره 1 را نشان می دهد که حامل تشخیص داده شده است. کاربر زمان ورود 01:12:23Z به منطقه مجاورت BLE beacon B2 برای مدت 1177 ثانیه دارد که نشان داده شده است: تو1، 2020-07-25تی01:12:23ز، 1177، ب2، سیOVمنD19، vمنسمنتیمنng، 8از مدل داده‌های پیشنهادی، می‌توان نتیجه گرفت که کاربر در سلول شماره 123 قرار داشت که متعلق به دسته کتابخانه در طبقه سوم ساختمان b1 است.

5. معماری سیستم

برای ارزیابی مدل داده پیشنهادی در برنامه ردیابی تماس، معماری مبتنی بر ابر توسعه داده شده است. معماری شامل سه لایه است ( شکل 8 ): “جمع آوری داده ها”، “ذخیره سازی و مدیریت داده های ابری” و “تجسم”. ما لایه‌های “Cloud Data Storage” و “Visualization” را از SensorUp ( https://sensorup.com/ ) اتخاذ کرده‌ایم) معماری. لایه جمع‌آوری داده (یعنی یک برنامه اندروید گوشی هوشمند) عمدتاً مسئول اندازه‌گیری مقادیر RSSI از چراغ‌های مختلف BLE قابل مشاهده است. سپس مسیرهای حرکتی خام کاربر در اپلیکیشن گوشی هوشمند تقسیم می شود تا هزینه ارتباط کاهش یابد. اپلیکیشن گوشی هوشمند هم فضای ذخیره سازی ابری «آفلاین» روی دستگاه و هم «آنلاین» را در اختیار کاربران قرار می دهد. کاربر می تواند انتخاب کند که در حالت “آنلاین” یا “آفلاین” باشد. هنگامی که کاربر در حالت آنلاین در منطقه مجاورت یک چراغ BLE وارد می شود، برنامه تلفن هوشمند شروع به شمارش ثانیه می کند. هنگامی که کاربر از منطقه مجاورت BLE beacon غالب خارج می شود، یک رکورد به لایه ابر ارسال می شود. رکورد شامل انواع مختلفی از اطلاعات، از جمله اطلاعات غالب BLE beacon (یعنی، BLE beacon Identification (ID) غالب و میانگین RSSI) است. داده های زمانی (تاریخ و زمان ورود و خروج کاربر از منطقه مجاورت و مدت زمانی که کاربر در آنجا مانده است)، و زمینه های مربوط به کاربر (به عنوان مثال، وضعیت سلامت کاربر، نوع فعالیت، و سطح آسیب پذیری وارد شده توسط کاربر). در حالت “آفلاین”، چنین رکورد مشابهی به صورت داخلی در پایگاه داده گوشی هوشمند (یعنی پایگاه داده SQLite) ذخیره می شود. در حالت “آفلاین”، هر زمان که کاربران بخواهند مسیر حرکت خود را به اشتراک بگذارند، مکانیزم انتقال داده انبوه برای به اشتراک گذاشتن تمام نقاط مسیر ذخیره شده با سرور ابری اعمال می شود. چنین رکورد مشابهی به صورت داخلی در پایگاه داده گوشی هوشمند (یعنی پایگاه داده SQLite) ذخیره می شود. در حالت “آفلاین”، هر زمان که کاربران مایل به اشتراک گذاری مسیر حرکت خود باشند، یک مکانیسم انتقال داده انبوه اعمال می شود تا تمام نقاط مسیر ذخیره شده را با سرور ابری به اشتراک بگذارد. چنین رکورد مشابهی به صورت داخلی در پایگاه داده گوشی هوشمند (یعنی پایگاه داده SQLite) ذخیره می شود. در حالت “آفلاین”، هر زمان که کاربران مایل به اشتراک گذاری مسیر حرکت خود باشند، یک مکانیسم انتقال داده انبوه اعمال می شود تا تمام نقاط مسیر ذخیره شده را با سرور ابری به اشتراک بگذارد.

لایه دوم، لایه ذخیره سازی و مدیریت داده های ابری است که با استفاده از خدمات وب آمازون (AWS) توسعه یافته است. این لایه عمدتاً مسئول رسیدگی به هویت کاربران و کاربران نهایی و مدیریت دسترسی و ذخیره سازی داده ها است. همانطور که در شکل 8 نشان داده شده است ، Amazon AWS Cognito ( https://aws.amazon.com/cognito/ ) به عنوان یک سرویس کاملاً مدیریت شده برای احراز هویت و مجوز برنامه های گوشی های هوشمند استفاده می شود. AWS Cognito از مدیریت هویت و دسترسی با استفاده از Cognito User Pool و Cognito Identity Pool به عنوان سرویس های احراز هویت و مجوز استاندارد پشتیبانی می کند. Amazon AWS Lambda ( https://aws.amazon.com/lambda/) در این لایه به عنوان یک سرویس محاسباتی بدون سرور و رویداد محور اعمال می شود. به عنوان مثال، یک AWS Lambda برای غنی‌سازی مسیر داخل ساختمان به محض دریافت رکوردی از یک کاربر برنامه تلفن هوشمند تأیید شده، فعال می‌شود. یک رکورد داده به عنوان آرایه ای از رکوردهای نقطه داده مسیر در قالب جاوا اسکریپت Object Notation (JSON) در این فرآیند غنی سازی گرفته می شود. برای هر نقطه مسیر، یک تابع نگاشت برای نگاشت BeaconID گرفته شده به یک سلول OGC IndoorGML منحصر به فرد در مدل داده پیشنهادی اعمال خواهد شد. سپس، خروجی به عنوان یک رکورد استاندارد GeoJSON در AWS IoT منتشر می شود. سرویس Amazon AWS IoT ( https://aws.amazon.com/iot/ ) در این تحقیق به عنوان یک سرویس ابری مدیریت شده برای پشتیبانی از اشتراک گذاری داده های ابری برای میلیاردها دستگاه و تریلیون ها پیام استفاده می شود.

سوابق داده منتشر شده در AWS IoT Core سپس در DynamoDB آمازون ( https://aws.amazon.com/dynamodb/ ) و پایگاه داده گراف Neo4j با استفاده از AWS Lambda دیگر ذخیره خواهند شد. Amazon DynamoDB به عنوان یک پایگاه داده مقیاس پذیر No-SQL کاملاً مدیریت شده توسط آمازون استفاده می شود. نمونه ای از پایگاه داده Neo4j نیز در آمازون EC2 ( https://aws.amazon.com/ec2/ ) به عنوان محبوب ترین پایگاه داده گراف منبع باز بر اساس رتبه بندی DB-Engines ( https://db-engines) مستقر شده است. com/en/system/Neo4j). پایگاه داده گراف Neo4j می تواند به طور بومی از ذخیره سازی داده های گراف، از جمله گره ها و روابط بین گره ها پشتیبانی کند. دلیل استفاده از دو پایگاه داده در این تحقیق این است که Amazon DynamoDB برای تجسم داده های مسیر غنی شده با استفاده از داشبورد وب SensorUp Explorer استفاده می شود. در حالی که پایگاه داده Neo4j برای ذخیره و مدیریت مسیر مکانی-زمانی برای مدل داده مسیر داخلی معنایی پیشنهادی استفاده می‌شود. مدل داده مبتنی بر نمودار سلسله مراتبی معنایی پیشنهادی که توسط پایگاه داده Neo4j پیاده‌سازی شده است، مسئول وارد کردن داده‌های سلسله مراتبی است: مکانی، زمانی و متنی.

در نهایت، آخرین لایه (یعنی تجسم) ابزارهای تجسم را در اختیار کاربران نهایی (مثلاً ردیاب‌های تماس و مدیران ساختمان) برای تعامل با سیستم پیشنهادی قرار می‌دهد. AWS Identity and Management (IAM) ( https://aws.amazon.com/iam/ ) در این تحقیق برای مدیریت دسترسی کاربران نهایی به AWS استفاده شده است.

6. اجرا

6.1. مجموعه داده های دنیای واقعی

برای ارزیابی مدل داده‌های مسیر حرکت داخلی پیشنهادی، یک آزمایش در دنیای واقعی طراحی شده است. در این آزمایش یک اپلیکیشن گوشی هوشمند توسعه داده شد و ذخیره سازی و مدیریت داده های ابری راه اندازی شد. در مجموع از 20 کاربر خواسته شده است تا اپلیکیشن گوشی هوشمند را نصب کرده و داده ها را روی گوشی های هوشمند اندرویدی خود جمع آوری کنند. چهار نفر از کاربران به طور تصادفی به عنوان CCP و دو کاربر به عنوان کارکنان نظافت انتخاب شده اند. ساختمان مرکز فناوری نوآورانه کلگری (CCIT) واقع در پردیس دانشگاه کلگری (UofC) به عنوان منطقه آزمایشی آزمایش ما انتخاب شده است. شکل 9 پلان طبقه 3 ساختمان CCIT، مکان چراغ های BLE و اتصال بین سلول های داخلی را نشان می دهد. برای این آزمایش، 41 چراغ BLE از شش سازنده مختلف چراغ BLE در 41 سلول داخلی استفاده می شود.جدول 3 جزئیات انواع مختلف چراغ های BLE مورد استفاده در آزمایش ما را فهرست می کند، همانطور که در شکل 10 نشان داده شده است.

وظایف اصلی اپلیکیشن گوشی هوشمند اندازه‌گیری مقادیر RSSI برای همه چراغ‌های BLE قابل مشاهده، انجام بخش‌بندی مسیر، و ارسال سوابق داده به فضای ذخیره‌سازی داده‌های ابری است. شکل 11 a,b رابط کاربری (UI) برنامه تلفن هوشمند توسعه‌یافته را هنگام گرفتن RSSI از تخمین بلوتوث و یک بیکن IBKS PLUS BLE نشان می‌دهد. در آزمایش دنیای واقعی، از همه کاربران خواسته شد تا چهار ساعت در 25 جولای 2020 در ساختمان CCIT سپری کنند. یک محموله GeoJSON که یک PoS غنی‌شده را نشان می‌دهد که توسط برنامه توسعه‌یافته تلفن هوشمند ضبط شده است در شکل A3 نشان داده شده است.. در این آزمایش، در مجموع 582 رکورد PoS در هسته IoT AWS دریافت شد. هدف نهایی آزمایش در دنیای واقعی ما ارزیابی عملکرد مدل داده مبتنی بر نمودار پیشنهادی در برنامه ردیابی تماس است.

6.2. اعتبارسنجی مسیرهای حرکتی معنایی داخلی

در آزمایش دنیای واقعی، آزمایشی را طراحی کردیم تا مستقیماً مسیر حرکت داخل ساختمان از نظر معنایی نامعتبر ناشی از داده‌های اضافی، گمشده یا ناپایدار RSSI را شناسایی کند. با در نظر گرفتن روابط توپولوژیکی بین سلول های داخلی (به عنوان مثال، نمودار اتصال منطقی) استخراج شده از OGC IndoorGML، آنها می توانند تا حد زیادی بخش های مسیر نامعتبر معنایی را حذف کنند. در این تحقیق، یک نمودار اتصال منطقی در فضای دوگانه در تابع AWS Lambda برای فیلتر کردن بخش‌های مسیر نامعتبر معنایی در نظر گرفته شده است. الگوریتم اعمال شده در پیوست E.6 نشان داده شده است. شکل 12 مدل داده های مکانی سلسله مراتبی معنایی و اتصالات (در پایگاه داده Neo4J) ساختمان CCIT، از جمله سلول های OGC IndoorGML، روابط درون لایه و بین لایه را نشان می دهد.

6.3. مجموعه داده های شبیه سازی

علاوه بر آزمایش دنیای واقعی، یک شبیه‌سازی برای ایجاد مسیرهای کاربران برای همان تنظیمات ساختمان توسعه داده شده است. برای تولید مسیرهای داخلی سنتز شده، یک برنامه CLI (واسط خط فرمان) با Node.js توسعه داده شده است. کد منبع برنامه Node CLI توسعه یافته در GitHub در دسترس عموم است ( https://github.com/soroushojagh/Indoor_Trajectory_Data_Analysis). در این نرم افزار، نمودار اتصال منطقی بین سلول های داخلی استخراج شده از OGC IndoorGML برای سنتز مسیرهای حرکت داخلی معتبر از نظر معنایی در نظر گرفته شده است. تکنیک راه رفتن تصادفی، به عنوان یک رویکرد تصادفی، برای سنتز مسیر حرکت تصادفی داخل ساختمان برای 20000 کاربر استفاده می شود. این مجموعه داده شبیه سازی شده شامل 453640 رکورد PoS برای همه 20000 کاربر برای ارزیابی روش پیشنهادی با استفاده از تعداد بیشتری از کاربران است. با این حال، از آنجایی که ما پلان بسیاری از ساختمان‌ها را در پردیس UofC نداشتیم، همه مسیرها را در یک ساختمان برای یک دوره زمانی دو هفته‌ای در نظر می‌گیریم. در این مجموعه داده شبیه سازی شده، ما به ترتیب 20% و 10% از کاربران را به عنوان انواع CCP و کارکنان نظافت در نظر گرفتیم. بنابراین، 4000 کاربر CCP و 1000 کاربر کارکنان نظافت در مجموع در مجموعه داده شبیه سازی شده وجود دارد. مسیرهای حرکتی داخل ساختمان شبیه سازی شده از هر 20،https://github.com/soroushojagh/Indoor_Trajectory_Data_Analysis/tree/master/Data/User_Trajectories ) برای تحلیل مسیر بیشتر.

6.4. حریم خصوصی داده ها

استخرهای کاربر و هویت آمازون به ترتیب به عنوان یک سرویس کاملاً مدیریت شده برای احراز هویت و مجوز کاربر استفاده شدند. برای مجموعه کاربران آمازون، یک نشانه شناسایی (ID) منحصر به فرد به هر کاربر تلفن هوشمند اختصاص داده شد تا کاربر ناشناس بماند. با توجه به استخر هویت آمازون، دسترسی کاربر به خدمات پشتیبان بر اساس مجوز آنها مدیریت شد. علاوه بر این، کاربران کنترل کاملی بر روی داده هایی که مایل به اشتراک گذاری با ابر هستند دارند. به بیان دقیق‌تر، می‌توانند هر زمان که بخواهند اشتراک‌گذاری اطلاعات با ابر را متوقف کنند. علاوه بر این، با استفاده از کنترل های مجوز کاربر، هیچ کاربری اجازه ردیابی موقعیت سایر کاربران را ندارد. هر درخواست کاربر برای تماس احتمالی با حامل های تشخیص داده شده فقط نتایج تجزیه و تحلیل مسیر را دریافت می کند.

6.5. ابزار تجسم داده ها

برای هدف تجسم این تحقیق، SensorUp Explorer به‌عنوان داشبورد وب مکانی-زمانی توسعه‌یافته توسط SensorUp Inc استفاده می‌شود. یک ویدیوی نمایشی کوتاه از تجسم داده‌های مسیر زنده در SensorUp Explorer و Amazon DynamoDB برای آزمایش دنیای واقعی این تحقیق در Video S1 نشان داده شده است .

6.6. ذخیره مسیرهای معنایی داخلی

با در نظر گرفتن مفهوم مسیر معنایی داخلی (2)، یک دنباله زمانی از PoS ها در پایگاه داده گراف Neo4j ذخیره می شود. هر PoS یک گره را در رابطه با زمینه کاربر و منطقه مجاورت منعکس می کند. این گره به عنوان یک نوع Check-in با اطلاعات زمانی و ویژگی های ابرداده مربوط به کاربر برچسب گذاری شده است. به عنوان مثال، وضعیت آن کاربر را در نظر بگیرید تو1وارد منطقه مجاورت شد ب1به موقع تی1و آنجا ماند Δ1ثانیه و در نهایت این منطقه مجاورت را به موقع ترک کرد تی2. در این مثال، یک نوع Check-in از گره مانند جساعت1در پایگاه داده Neo4j ایجاد شده است. این گره دو رابطه دارد. رابطه اول نشان دهنده رابطه است جساعت1با کاربر 1 که چنین PoS ایجاد کرده است. در ضمن رابطه دوم نشان دهنده رابطه بین جساعت1با سلسله مراتب سلولی OGC IndoorGML. این گره همچنین دارای ویژگی های زمانی از جمله زمان ورود، مدت اقامت و زمان خروج است. سیر معنایی داخلی از تو1در یک آزمایش دنیای واقعی در شکل A4 نشان داده شده است . جزئیات تعداد PoS ها، گره ها و روابط ذخیره شده در پایگاه داده گراف Neo4j در هر دو آزمایش واقعی و شبیه سازی شده در جدول 4 خلاصه شده است.

6.7. تماس با برنامه ردیابی

در این بخش، فهرستی از جستارهای داده های مسیر مکانی-زمانی برای برنامه ردیابی تماس COVID-19 انتخاب شد. هر یک از پرس و جوهای مکانی-زمانی در پایگاه داده های گراف با اندازه داده های مختلف اجرا شد. شایان ذکر است که زبان Cypher Graph Query برای این تحقیق به عنوان زبان پرس و جو گراف اعلامی برای پایگاه داده Neo4j استفاده شده است.

پرس و جو 1 (سلول های آلوده توسط یک CCP): در این پرس و جو، هدف یافتن سلول های مکانی احتمالاً آلوده است که توسط یک CCP منفرد بازدید شده است. طبق [ 78 ]، فرض بر این است که تنها افرادی که بیش از 15 دقیقه در تماس نزدیک با کاربر بودند احتمالاً آلوده می شوند. بر این اساس، اگر یک CCP بیش از 15 دقیقه از آن بازدید کرده باشد، یک سلول آلوده می شود. کد سایفر برای این پرس و جو مکانی-زمانی را می توان در پیوست E.1 یافت .

پرس و جو 2 (سلول های آلوده شده توسط همه CCP ها): این پرس و جو یک تجمع در Query 1 برای همه CCP ها است. به بیان دقیق تر، چهار، 40، 400 و 4000 CCP در پایگاه داده های واقعی و شبیه سازی شده ما وجود دارد.

Query 3 (Temporally constrained contaminatedcells by all CCPs): در این پرس و جو، لیست سلول های آلوده (یعنی از Query 2) توسط یک پنجره زمانی انتخاب شده فیلتر می شود. برای مثال، کد Cypher برای یافتن تمام سلول‌های آلوده بازدید شده توسط CCPها از 2020-07-25T02:29:52.461Z تا 2020-07-25T02:58:59.461Z را می‌توان در پیوست E.2 یافت .

پرس و جو 4 (ردیابی تماس برای یک CCP منفرد): این پرس و جو از روش ردیابی تماس پیشنهاد شده توسط [ 9 ، 17 ] برای تجزیه و تحلیل مخاطبین فرد به فرد برای مدت زمان 15 دقیقه در یک سلول معمولی استفاده می کند. فهرستی از کاربران احتمالاً آلوده با در نظر گرفتن مخاطبین آنها با یک کاربر CCP گزارش شده است.

Query 5 (Contact Tracing for all CCPs): این پرس و جو یک تجمیع در Query 4 برای همه CCPها است. این پرس و جو ثابت می کند که مدل داده پیشنهادی ما می تواند همه CCP ها را به جای یک CCP واحد در نظر بگیرد. بنابراین، فهرستی از کاربران احتمالاً در معرض تماس که بیش از 15 دقیقه با هر یک از CCP ها در تماس نزدیک بوده اند، در این پرس و جو گزارش می شود. الگوریتم این پرس و جو در الگوریتم 1 ارائه شده است. کد Cypher برای این پرس و جو را می توان در ضمیمه E.3 یافت .

الگوریتم 1: ردیابی تماس
ورودی: SMT برای همه CCP و همه کاربران عادی خروجی: فهرستی از کاربران احتمالاً آلوده
مقدار دهی اولیه:
1.	جسیهللس[]←Vمنسمنتیهدجهللس بy آلل سیسیپاسfor 15 مترمنnتوتیهسستوهry 2
2.	oسیهللس[]←Vمنسمنتیهدجهللس بy orدمنnآry توسهrسfor 15 مترمنnتوتیهس
3.	پمنnfهجتیهدUسهrس←[]
4.	برای هر orدمنnآry توسهr آس توo:
5.	برای هر oسیهلل ∈oسیهللس:
6.	اگر ( oسیهلل ∈جسیهللس)
7.	اگر Δسیسیپ ∩ Δتوo≥15 مترمنnتوتیهس
8.	پمنnfهجتیهدUسهrس ←توo
9.	برگشت پمنnfهجتیهدUسهrس

Query 6 (Temporally constrained contact tracing for all CCPs): این پرس و جو شبیه Query 5 است و نتایج Query 5 برای یک پنجره زمانی خاص فیلتر می شوند. به عنوان مثال، فهرستی از کاربران احتمالاً آلوده که در یک پنجره زمانی انتخاب شده از 2020-07-25T02:29:52.461Z 2020-07-25T02:58:59.461Z در تماس نزدیک با همه CCP ها بودند در این جستار مکانی-زمانی گزارش شده است. .

پرس و جو 7 (سلول های آلوده با توجه به فعالیت تمیز کردن): این پرس و جو شبیه به پرس و جو 2 است که توسط فعالیت های پاکسازی فیلتر شده است. در روش پیشنهادی ما، بازدید از یک مکان آلوده توسط یک تمیزکننده به ترتیب متوالی به عنوان یک مکان ضد عفونی شده (یعنی وضعیت غیر آلوده) در نظر گرفته می شود. به عنوان مثال، اگر یک کاربر CCP از سلولی بازدید کند و سپس توسط کاربر تمیزکننده تمیز شود، فرض بر این است که این سلول به عنوان یک سلول آلوده برای انتقال بیشتر ویروس کرونا طبقه بندی نمی شود. کد سایفر این پرس و جو را می توان در پیوست E.4 یافت .

Query 8 (Enhanced Contact Tracing): در این پرس و جو، راه انتقال ویروس از فرد به مکان، ترتیب ترتیب بازدید از مکان ها و تاریخچه ضد عفونی مکان ها در برنامه ردیابی تماس گنجانده می شود. این پرسش انعطاف‌پذیری مدل داده پیشنهادی ما را برای در نظر گرفتن پارامترهای اضافی در ردیابی تماس COVID-19 نشان می‌دهد. الگوریتم این پرس و جو در الگوریتم 2 ارائه شده است. کد سایفر این پرس و جو را می توان در پیوست E.5 یافت .

الگوریتم 2: ردیابی تماس
ورودی: SMT برای یک CCP و همه کاربران عادی خروجی: فهرستی از کاربران احتمالاً آلوده
مقدار دهی اولیه:
1.	جسیهللس[]←Vمنسمنتیهد جهللس بy سیسیپاسfor 15 مترمنnتوتیهسستوهry 2
2.	تیج← سیسیپ Enتیrآجnجهتیمنمتره
3.	oسیهللس[]←Vمنسمنتیهد جهللس بy orدمنnآry توسهr توo for 15 مترمنnتوتیهس
4.	تیo← Orدمنnآry توسهr Enتیrآجnجهتیمنمتره
5.	دسیهللس[]←Dمنسمنnfهجتیهد جهللس بy آلل دمنسمنnfهجتیمنng توسهrس تود
6.	تید← Dمنسمنnfهجتیمنng توسهr Eایکسمنتیتیمنمتره
7.	پمنnfهجتیهدUسهrس←[]
8.	برای هر orدمنnآry توسهr:
9.	برای هر oسیهلل ∈oسیهللس:
10.	اگر ( oسیهلل ∈جسیهللس):
11.	اگر نOتی[oسیهلل ∈دسیهلل آنD مآایکس (تیج\|تیج< تیo)<مآایکس (تید\|تید< تیo)آنD مآایکس (تید\|تید< تیo)<تیo]:
12.	پمنnfهجتیهدUسهrس ←توo
13.	برگشت پمنnfهجتیهدUسهrس

7. نتایج و بحث

7.1. اعتبارسنجی مسیرهای دنیای واقعی داخلی

استخراج مسیرهای حرکتی فضای داخلی نامعتبر از نظر معنایی به عنوان سومین هدف این تحقیق ارزیابی می شود. در آزمایش دنیای واقعی ما، از همه 20 کاربر خواسته شد تا با استفاده از BeaconID های منحصر به فرد که روی هر چراغ BLE نوشته شده بود، تمام چراغ های BLE بازدید شده را در منطقه مجاورت پیگیری کنند (همانطور که در شکل 11 نشان داده شده است.. این داده‌های BeaconIDs گزارش‌شده به‌عنوان مسیرهای حرکتی فضای داخلی حقیقت زمین مورد استفاده قرار گرفتند. برای آزمایش دنیای واقعی، در مجموع 582 PoS توسط همه کاربران شناسایی شد. پس از مقایسه رکوردهای PoS ذخیره شده در Amazon DynamoDB و مسیرهای حقیقت زمینی، 34 رکورد PoS به عنوان PoS نامعتبر مشخص شد. سوابق PoS نامعتبر به دلیل مقادیر ناپایدار یا ناپایدار RSSI است که توسط برنامه تلفن هوشمند اندازه‌گیری شده است. پس از اعمال الگوریتم پیش پردازش توسعه یافته ما در یک تابع AWS Lambda (همانطور که در جدول 5ضمیمه E.6 )، 31 PoS به عنوان رکوردهای PoS نامعتبر شناسایی شد. نتایج به‌کارگیری الگوریتم پیش‌پردازش در مسیر حرکت داخل ساختمان در آزمایش‌های دنیای واقعی به عنوان یک ماتریس سردرگمی در جدول 5 نشان داده شده است. از , می توان نتیجه گرفت که الگوریتم پیش پردازش 73.53 درصد از رکوردهای PoS نامعتبر معنایی را شناسایی کرد. موارد منفی کاذب از دست رفته در الگوریتم پیش پردازش ما به دلیل چندین اتصال (پیوند) بین رکوردهای PoS ایجاد شده است. پس از حذف تمام 31 PoS های پر سر و صدا گزارش شده توسط الگوریتم پیش پردازش توسعه یافته، 551 گره دیگر در پایگاه داده گراف Neo4j بارگذاری شد. به عنوان مثال، سه اتصال توپولوژیکی بین سلول ها در منطقه آزمایش ساختمان آزمایش ما وجود دارد ( شکل 9)”301Z-3″، “301Z-4” و “301Z-5”. در مسیر حقیقت زمینی، کاربر از “301Z-3” به “301Z-5” منتقل شد. با این حال، اندازه گیری های تلفن هوشمند این مسیر را نشان داد: [301Z-3، 301Z-4، 301Z-5]. بنابراین، بر اساس مسیر حقیقت زمین، “304Z-4” یک نقطه مسیر نامعتبر است. با این حال، روش پیش پردازش پیشنهادی نمی تواند این نقطه را شناسایی کند زیرا از نظر توپولوژیکی به دو نقطه مسیر دیگر متصل است. شکل 13 این سلول ها و نقاط مسیر را برای حقیقت زمین و آزمایش نشان می دهد. “301Z-4” با توجه به حقیقت اصلی نامعتبر است.

7.2. نتایج ردیابی تماس COVID-19

برای ارزیابی سهم دوم مقاله، عملکرد مدل داده مبتنی بر نمودار معنایی پیشنهادی در برنامه‌های ردیابی تماس (مورد بحث در بخش 6 ) ارزیابی می‌شود. هر کوئری صد بار بر روی چهار پایگاه داده گراف مختلف Neo4j با تعداد گره های متفاوت اجرا شد. اولین پایگاه داده شامل مسیرهای حرکتی در دنیای واقعی است که توسط 20 کاربر با 551 گره جمع آوری شده است. به طور همزمان، بقیه سه پایگاه داده مسیرهای شبیه سازی شده هستند که شامل 200، 2000 و 20000 کاربر به ترتیب با 5058، 48،826 و 473،683 گره می باشد. برای نشان دادن زمان اجرای پرس و جو پایگاه داده نمودار برای گره های مختلف، نتایج عملکرد پرس و جو 4 در جدول 6 گزارش شده است.به عنوان مثال. اطلاعات تفصیلی شامل حداقل، میانگین و انحراف استاندارد تمامی اجرای پرس و جو در هر چهار پایگاه داده در جدول A1 فهرست شده است .

طبق مطالعه انجام شده توسط سیلوا، FD، [ 79 ]، اندازه گراف نقش اساسی در زمان اجرای پرس و جو ایفا می کند. به عنوان روند کلی، می توان مشاهده کرد که زمان اجرای پرس و جو برای همه پرس و جوها با افزایش تعداد گره ها افزایش می یابد. با نگاهی بیشتر به میانگین زمان اجرای پرس و جو، افزایش 100 برابری تعداد گره ها برای Query 1، 2، 3، 5، و 7 منجر به افزایش میانگین زمان اجرای پرس و جو تقریباً کمتر از ده برابر می شود. در حالی که این آمار برای Query 6 و 8 به ترتیب تقریبا 20 و 80 برابر است.

همانطور که در شکل 14 الف مشاهده می شود، میانگین زمان اجرای Query 8 (ردیابی تماس فرد به مکان) نسبتاً گسترده تر از سایر پرس و جوها است. برای Query 8، میانگین زمان اجرای پرس و جو برای پایگاه های داده با گره های 0.5k و 5k کمتر از 20 میلی ثانیه است. افزایش تعداد گره ها از تقریباً 5k به 50k منجر به افزایش تقریباً کمتر از شش برابری برای همه پرس و جوها در اندازه های مختلف پایگاه داده می شود. به طور مشابه، همانطور که در جدول A1 مشاهده می شود، افزایش تعداد گره ها از 50k به 500k برای همه پرس و جوها به جز Query 8 یکسان است. برای Query 8، افزایش تعداد گره ها از 50k به 500k منجر به افزایش قابل توجه تقریباً 38 برابر میانگین زمان اجرا می شود. بنابراین، می توان نتیجه گرفت که Query 8 نسبت به سایر پرس و جوها به تعداد گره ها حساس تر است زیرا بر اساس برنامه ردیابی تماس فرد به مکان است.

جستجوی بیشتر در جزئیات نشان می دهد که پرس و جوهای متمرکز بر گروهی از کاربران (به عنوان مثال، Query 2) نسبت به پرس و جوهای مشابهی که فقط روی یک کاربر متمرکز هستند (مثلاً Query 1 با تمرکز بر یک CCP) به زمان اجرای متوسط بیشتری نیاز دارند. همچنین می توان نتیجه گرفت که وقتی تعداد مسیرهای پرس و جو 400 برابر افزایش می یابد، زمان اجرای پرس و جو مورد نیاز تقریباً ده برابر افزایش می یابد. علاوه بر این، می توان مشاهده کرد که اعمال محدودیت های زمانی بر روی پرس و جوها (مثلاً پرس و جو 3) منجر به زمان اجرای پرس و جو کمتر می شود. در نظر گرفتن نمایه سازی زمانی برای نوع مسیر گره ها دلیل اصلی این کاهش در میانگین زمان اجرای پرس و جو است.

همانطور که در شکل 14 ب مشاهده می شود، انحراف استاندارد زمان اجرای پرس و جو با افزایش تعداد گره ها برای همه پرس و جوها افزایش می یابد. بزرگترین انحراف استاندارد بین تمام پرس و جوها در سه پایگاه داده مختلف برای Query 8 با 18.1 میلی ثانیه است. می توان نتیجه گرفت که Query 8 کمترین دقت را برای پایگاه های داده با گره های 5k و 50k دارد. با این حال، این Query بالاترین دقت را در پایگاه داده با 0.5k گره دارد. علاوه بر این، اگرچه انحراف استاندارد Query 4 با افزایش تعداد گره‌ها به آرامی افزایش می‌یابد، اما کمترین نرخ تغییر را در بین تمام کوئری‌ها دارد. بنابراین می توان نتیجه گرفت که Query 4 کمترین حساسیت را نسبت به اندازه پایگاه داده دارد.

7.3. نتایج بهبود یافته ردیابی تماس COVID-19

همانطور که قبلاً بحث شد، استفاده از تاریخچه موقعیت مکانی کاربر و یک پنجره زمانی همپوشانی 15 دقیقه برای پیشرفته ترین برنامه ردیابی دیجیتال پیشنهاد شده است [ 9 ، 17 ]. برای این تحقیق، Query 5 به گونه ای طراحی شده است که همه عوامل ذکر شده در برنامه ردیابی تماس افراد با افراد را در نظر بگیرد. Query 8 برای در نظر گرفتن روش انتقال ویروس از افراد به مکان، ترتیب ترتیب بازدید از مکان‌ها و تاریخچه ضدعفونی مکان‌ها طراحی شده است. این پرسش ها در پایگاه داده Neo4j با تعداد گره های مختلف انجام شد. نتایج تجربی نشان می دهد که تعداد کاربران احتمالی آلوده به کووید-19 گزارش شده در پرس و جو 8 در مقایسه با پرس و جو 5 کاهش یافته است ( شکل 15).) Query 8 با موفقیت 44.98 درصد از کاربرانی را که توسط Query 5 گزارش شده بودند پس از اعمال سابقه ضد عفونی اتاق ها فیلتر کرد. با این حال، میانگین زمان اجرای Query 8 58.3 درصد افزایش یافت ( جدول 7 ).

در این آزمایش، 10 درصد از کاربران را به عنوان ارائه کننده فعالیت های نظافتی در نظر گرفتیم. در آزمایشی دیگر، تعداد متفاوتی از کاربران تمیزکننده برای نشان دادن اهمیت فعالیت‌های ضدعفونی‌کننده در انتقال ویروس کرونا مورد ارزیابی قرار گرفت. یک مجموعه داده شبیه سازی شده با 20000 کاربر با در نظر گرفتن سه درصد مختلف (یعنی 5 درصد، 10 درصد و 20 درصد) از کاربران به عنوان پاک کننده ارزیابی می شود. همانطور که در نشان داده شده است شکل 16 نشان داده شده استفعالیت‌های ضدعفونی‌کننده تعداد کاربران احتمالی آلوده به کووید-19 در Query 8 را به میزان 20.06 درصد، 32.34 درصد و 48.16 درصد کاهش می‌دهد که 5 درصد، 10 درصد و 20 درصد از کاربران به عنوان کاربران تمیزکننده در نظر گرفته می‌شوند. می توان نتیجه گرفت که ترتیب متوالی فعالیت های ضد عفونی کننده تأثیر قابل توجهی بر برنامه ردیابی تماس COVID-19 دارد. به عبارت دیگر، با در نظر گرفتن فعالیت‌های ضدعفونی‌کننده، می‌توان وظیفه انجام آزمایش پزشکی COVID-19 را برای تعداد کاربرانی که احتمالاً در معرض تماس هستند کاهش داد. مدل داده گراف پیشنهادی ما توانایی ترکیب این عامل را برای برنامه ردیابی تماس فراهم می کند.

8. نتیجه گیری و کار آینده

این مقاله یک مدل داده‌های مسیر داخلی معنایی مبتنی بر نمودار را معرفی می‌کند که می‌تواند در تحلیل‌های مختلف مسیر داخلی مورد استفاده قرار گیرد. استاندارد OGC IndoorGML و مدل فضای چند لایه آن در مدل داده پیشنهادی برای تقسیم معنایی مسیرهای حرکتی خام داخلی و نمایش سلسله مراتبی فضاهای سلولی در یک ساختمان (به عنوان مثال، پوشش چراغ BLE، اتاق ها، طبقه اتاق ها، طبقه ها) گنجانده شده است. ، و ساختمان ها). سه ساختار سلسله مراتبی مکانی، زمانی و زمینه‌ای در مدل داده پیشنهادی به منظور پشتیبانی از سطوح مختلف دانه‌بندی برای نمایش داده‌های مسیر در نظر گرفته شد. مشکل ردیابی تماس دیجیتالی COVID-19 به عنوان یک مورد استفاده برای این تحقیق به منظور اثبات عملکرد مدل داده پیشنهادی برای تجزیه و تحلیل داده های مسیر انتخاب شد. تحقیقات زیادی روی کاربردهای ردیابی تماس در سناریوهای شخص به فرد برای محیط های بیرونی متمرکز شده است. از این رو، این مقاله به جای آن بر تنظیمات داخلی و سناریوهای فرد به فرد و فرد به مکان تمرکز می کند تا ردیابی تماس دیجیتالی پیشرفته را گسترش دهد.

دو آزمایش برای ارزیابی سهم اصلی این تحقیق طراحی شد. یک برنامه تلفن هوشمند برای جمع آوری مسیرهای حرکت خام از 20 کاربر برای اولین آزمایش در دنیای واقعی توسعه داده شد. در مجموع 41 چراغ BLE از انواع مختلف در یک ساختمان در پردیس UofC با این فرض که حداقل یک بیکن در هر اتاق مستقر شده است مستقر شدند. Amazon Cloud Web Services به منظور پیاده سازی ذخیره سازی داده های مقیاس پذیر و مدیریت داده ها در ابر آمازون گنجانده شده است. با در نظر گرفتن نمودار اتصال منطقی استخراج شده از OGC IndoorGML، یک الگوریتم فیلتر برای پاکسازی داده های مسیر پیشنهاد شد. با استفاده از الگوریتم فیلتر پیشنهادی در آزمایش دنیای واقعی، 73.53 درصد از نقاط مسیر نامعتبر معنایی شناسایی و فیلتر شدند. به منظور ارزیابی بیشتر عملکرد مدل داده پیشنهادی، سه مجموعه داده شبیه سازی شده با 200، 2000 و 20000 کاربر و یک نمودار اتصال منطقی در فضاهای دوگانه در نظر گرفته شد. نتایج ارزیابی برنامه‌های ردیابی تماس در هر دو آزمایش واقعی و شبیه‌سازی شده نشان می‌دهد که مدل داده مبتنی بر نمودار پیشنهادی می‌تواند به طور موثر حتی برای پیچیده‌ترین پرس‌وجوهای ردیابی تماس اعمال شود. میانگین زمان اجرای پرس و جو در همه برنامه‌های ردیابی تماس در آزمایش‌های دنیای واقعی کمتر از پنج میلی‌ثانیه با میانگین انحراف استاندارد کمتر از یک میلی‌ثانیه بود. با این حال، زمانی که تعداد گره ها در آزمایش های شبیه سازی شده افزایش یافت، میانگین زمان اجرای پرس و جو افزایش یافت. سه مجموعه داده شبیه سازی شده با 200، 2000، و 20000 کاربر و یک نمودار اتصال منطقی در فضاهای دوگانه در نظر گرفته شد. نتایج ارزیابی برنامه‌های ردیابی تماس در هر دو آزمایش واقعی و شبیه‌سازی شده نشان می‌دهد که مدل داده مبتنی بر نمودار پیشنهادی می‌تواند به طور موثر حتی برای پیچیده‌ترین پرس‌وجوهای ردیابی تماس اعمال شود. میانگین زمان اجرای پرس و جو در همه برنامه‌های ردیابی تماس در آزمایش‌های دنیای واقعی کمتر از پنج میلی‌ثانیه با میانگین انحراف استاندارد کمتر از یک میلی‌ثانیه بود. با این حال، زمانی که تعداد گره ها در آزمایش های شبیه سازی شده افزایش یافت، میانگین زمان اجرای پرس و جو افزایش یافت. سه مجموعه داده شبیه سازی شده با 200، 2000، و 20000 کاربر و یک نمودار اتصال منطقی در فضاهای دوگانه در نظر گرفته شد. نتایج ارزیابی برنامه‌های ردیابی تماس در هر دو آزمایش واقعی و شبیه‌سازی شده نشان می‌دهد که مدل داده مبتنی بر نمودار پیشنهادی می‌تواند به طور موثر حتی برای پیچیده‌ترین پرس‌وجوهای ردیابی تماس اعمال شود. میانگین زمان اجرای پرس و جو در همه برنامه‌های ردیابی تماس در آزمایش‌های دنیای واقعی کمتر از پنج میلی‌ثانیه با میانگین انحراف استاندارد کمتر از یک میلی‌ثانیه بود. با این حال، زمانی که تعداد گره ها در آزمایش های شبیه سازی شده افزایش یافت، میانگین زمان اجرای پرس و جو افزایش یافت. نتایج ارزیابی برنامه‌های ردیابی تماس در هر دو آزمایش واقعی و شبیه‌سازی شده نشان می‌دهد که مدل داده مبتنی بر نمودار پیشنهادی می‌تواند به طور موثر حتی برای پیچیده‌ترین پرس‌وجوهای ردیابی تماس اعمال شود. میانگین زمان اجرای پرس و جو در همه برنامه‌های ردیابی تماس در آزمایش‌های دنیای واقعی کمتر از پنج میلی‌ثانیه با میانگین انحراف استاندارد کمتر از یک میلی‌ثانیه بود. با این حال، زمانی که تعداد گره ها در آزمایش های شبیه سازی شده افزایش یافت، میانگین زمان اجرای پرس و جو افزایش یافت. نتایج ارزیابی برنامه‌های ردیابی تماس در هر دو آزمایش واقعی و شبیه‌سازی شده نشان می‌دهد که مدل داده مبتنی بر نمودار پیشنهادی می‌تواند به طور موثر حتی برای پیچیده‌ترین پرس‌وجوهای ردیابی تماس اعمال شود. میانگین زمان اجرای پرس و جو در همه برنامه‌های ردیابی تماس در آزمایش‌های دنیای واقعی کمتر از پنج میلی‌ثانیه با میانگین انحراف استاندارد کمتر از یک میلی‌ثانیه بود. با این حال، زمانی که تعداد گره ها در آزمایش های شبیه سازی شده افزایش یافت، میانگین زمان اجرای پرس و جو افزایش یافت. میانگین زمان اجرای پرس و جو در همه برنامه‌های ردیابی تماس در آزمایش‌های دنیای واقعی کمتر از پنج میلی‌ثانیه با میانگین انحراف استاندارد کمتر از یک میلی‌ثانیه بود. با این حال، زمانی که تعداد گره ها در آزمایش های شبیه سازی شده افزایش یافت، میانگین زمان اجرای پرس و جو افزایش یافت. میانگین زمان اجرای پرس و جو در همه برنامه‌های ردیابی تماس در آزمایش‌های دنیای واقعی کمتر از پنج میلی‌ثانیه با میانگین انحراف استاندارد کمتر از یک میلی‌ثانیه بود. با این حال، زمانی که تعداد گره ها در آزمایش های شبیه سازی شده افزایش یافت، میانگین زمان اجرای پرس و جو افزایش یافت.

برای این تحقیق، برنامه ردیابی تماس COVID-19 برای ارزیابی عملکرد مدل داده پیشنهادی در محیط‌های داخلی انتخاب شده است. اثربخشی یک سیستم ردیابی تماس دیجیتال به عوامل مختلفی مانند پذیرش عمومی بستگی دارد [ 80 ]. عوامل مختلفی مانند حریم خصوصی، سطح اجرای دولت برای استفاده از سیستم، و شفافیت در ذخیره سازی داده ها و استفاده مجدد می تواند بر پذیرش عمومی یک سیستم ردیابی تماس دیجیتال تأثیر بگذارد [ 33 ، 80 ]]. اگرچه ارزیابی اثربخشی سیستم‌های ردیابی تماس دیجیتال خارج از محدوده تحقیقاتی ما است، ارزیابی موفقیت سیستم‌های ردیابی تماس برای همه‌گیری‌های آینده مورد نیاز است. علاوه بر این، ما فقط بر روی محیط های داخلی تمرکز کردیم زیرا آنها پیچیده ترین نوع محیط های فیزیکی هستند. یک سیستم موقعیت یابی بدون درز که اطلاعات مکانی یکپارچه در فضای باز و داخلی را ارائه می دهد می تواند موضوعی هیجان انگیز برای مطالعه آینده باشد. الگوریتم فیلتر پیشنهادی در این تحقیق نقاط مسیر نامعتبر معنایی را تشخیص می‌دهد اما نمی‌تواند مسیرها را با استفاده از اتصال منطقی ممکن بهبود بخشد. تحقیقات بیشتری برای توسعه یک رویکرد بازسازی مسیر مبتنی بر نمودار اتصال IndoorGML، پوشش چراغ و زمان پیمایش بین فضاهای سلولی مورد نیاز است. در این تحقیق، یک سیستم موقعیت یابی مجاورتی مبتنی بر BLE در یک محیط داخلی مستقر شده است تا مکان کاربران را برای مسیرهای فضایی-زمانی داخلی تعیین کند. عوامل محیطی مانند مبلمان داخلی باعث انعکاس و مسدود کردن سیگنال و تحمیل عدم دقت در برآورد نزدیکی می شود. بنابراین، ارزیابی دقت ارائه شده توسط سیستم موقعیت یابی مجاورتی برای کارهای آینده متوقف شده است. حریم خصوصی کاربر و حفاظت از رازداری داده ها جهت دیگری برای تحقیقات آینده است، به ویژه در رابطه با حریم خصوصی کاربر در فضای ابری. به منظور اعمال برنامه ردیابی تماس پیشنهادی برای یک محصول در مقیاس بزرگ که می‌تواند توسط عموم پذیرفته شود، باید تحقیقات دقیق و مقیاس‌پذیر حریم خصوصی کاربر انجام شود. اگرچه حفاظت از حریم خصوصی خارج از محدوده این مقاله است، تکنیک‌های حفظ احراز هویت و مجوز امنیتی اولیه و ناشناس‌سازی شناسه کاربر در برنامه ردیابی تماس پیشنهادی اعمال شد. زمینه های مختلف کاربر (به عنوان مثال، فعالیت های تمیز کردن و نوع شغل) را می توان به طور خودکار بدون دخالت انسان استخراج کرد [68 ، 81 ]. اگرچه زمینه‌های کاربر به صورت دستی در این تحقیق انتخاب می‌شوند، بررسی رویکردهای استخراج خودکار زمینه می‌تواند مقیاس‌پذیری سیستم‌های پیشنهادی را بهبود بخشد و برای کارهای آتی متوقف می‌شود.

پیوست اول

با توجه به اهمیت فعالیت‌های ضدعفونی‌کننده برای کاهش خطر قرار گرفتن در معرض ویروس [ 4 ]، سازمان‌های بهداشتی به افراد توصیه می‌کنند که پس از هر بار استفاده، فضای اطراف خود را ضدعفونی کنند [ 82 ، 83 ]. به عنوان یک سناریوی نمونه، اهمیت ضدعفونی کردن فعالیت ها در مناطق مشترک و فضاهای عمومی مانند لابی ها در شکل A1 نشان داده شده است . در شکل A1 a انتقال قطرات مملو از SARS-CoV-2 از میزبان آلوده نشان داده شده است. همانطور که در شکل A1b نشان داده شده است ، مجاورت میزبان آلوده توسط قطرات آلوده شده و سپس با استفاده از یک دستمال ضد عفونی کننده در Timestamp2 ضد عفونی می شود. با این حال، همانطور که در شکل A1 نشان داده شده استc سطوحی وجود دارند که هنوز آلوده هستند و اجازه می دهند میزبان مستعد در معرض ویروس در Timestamp3 قرار گیرد. همانطور که در شکل A1 d نشان داده شده است، کارکنان نظافتی که به خوبی آموزش دیده اند، اشیاء آلوده را با استفاده از تجهیزات مناسب (مانند اسپری الکترواستاتیک) در Timestamp4 ضد عفونی می کنند. همانطور که در این سناریو مشاهده می‌شود، فعالیت‌های ضدعفونی‌کننده و توالی زمانی بازدید از مناطق مشترک باید در ردیابی تماس دیجیتال در نظر گرفته شود. در این مثال، با توجه به فعالیت های ضدعفونی کننده و توالی زمانی بازدید از یک منطقه مشترک، میزبان مستعد باید توسط سیستم ردیابی تماس دیجیتال مطلع شود. اگر فرض کنیم که Timestamp4 (یعنی شکل A1 d) قبل از Timestamp3 رخ داده است (یعنی شکل A1ج) در سناریوی مثال، نیازی به اطلاع میزبان حساس در سیستم ردیابی تماس دیجیتال نیست.

شکل A1. تأثیر فعالیت‌های ضدعفونی‌کننده برای جلوگیری از گسترش بیشتر ویروس SARS-CoV-2: ( الف ) نشان دادن انتقال قطرات مملو از SARS-CoV-2 ناشی از میزبان آلوده؛ ( ب ) نشان دادن سطوح احتمالاً آلوده در مجاورت میزبان آلوده و مناطق ضدعفونی شده پس از ضدعفونی. ( ج ) نشان دادن اشیایی که هنوز آلوده هستند و اجازه می دهند میزبان مستعد در معرض ویروس قرار گیرد، و ( د ) نشان دادن منطقه ضد عفونی شده پس از ضدعفونی اشیاء آلوده توسط کارکنان نظافت.

ضمیمه B

در زمینه شیوع COVID-19، ممکن است موقعیت‌های زیادی وجود داشته باشد که افراد در نزدیکی یکدیگر قرار بگیرند در حالی که از نظر فیزیکی با موانعی مانند دیوارها و شیشه‌ها از هم جدا شده‌اند. همانطور که در شکل A2 نشان داده شده است ، دو فرد در نزدیکی یکدیگر قرار دارند اما از نظر فیزیکی از هم جدا شده اند (یعنی یک کاربر در داخل یک ساختمان است در حالی که دیگری در یک ایستگاه اتوبوس است). با در نظر گرفتن راه های انتقال SARS-CoV-2، انسدادهای فیزیکی بین کاربران می تواند انتقال ویروس را متوقف کند. موانع موجود بین چراغ BLE و گیرنده (به عنوان مثال، تلفن هوشمند) سیگنال رادیویی را کاهش می دهد. برای اطلاعات بیشتر در مورد تضعیف سیگنال و تاثیر مواد مختلف بر مقادیر RSSI، خوانندگان علاقه مند می توانند به مطالعه انجام شده توسط Çaliş و همکاران مراجعه کنند. [ 84 ]. همانطور که در نشان داده شده است شکل A2 نشان داده شده استکاهش قدرت سیگنال در فناوری BLE می تواند نشان دهنده موانع موجود بین کاربران باشد. در مقابل، GNSS نمی تواند انسدادهای فیزیکی موجود در بین افراد را در نظر بگیرد [ 17 ].

شکل A2. نمایش تفاوت بین فناوری BLE و GNSS برای در نظر گرفتن انسدادهای فیزیکی در میان؛ رنگ گرادیان به طور شماتیک قدرت سیگنال رادیویی را در فناوری BLE نشان می‌دهد (یعنی رنگ‌های بنفش و سفید قوی‌ترین و ضعیف‌ترین قدرت سیگنال رادیویی را نشان می‌دهند).

پیوست ج

یک محموله JSON که یک رکورد POS را نشان می‌دهد که توسط برنامه توسعه‌یافته تلفن هوشمند ضبط شده و در هسته اینترنت اشیا AWS ابری دریافت شده است در شکل A3 نشان داده شده است .

شکل A3. یک بار محموله واحد نشانه گذاری شی جاوا اسکریپت (JSON) که رکورد محل اقامت (POS) یکی از کاربران دریافت شده در هسته اینترنت اشیا خدمات وب آمازون (AWS) را نشان می دهد.

ضمیمه D

تصاویر تجربی مرتبط برای این تحقیق در این پیوست نشان داده شده است.

شکل A4. نمونه‌ای از مسیر کاربر مدل‌سازی شده توسط خط سیر معنایی داخلی مبتنی بر نمودار پیشنهادی در یک آزمایش دنیای واقعی با استفاده از پایگاه‌داده نمودار Neo4j برای کاربر تک کاربر (یعنی کاربر 1). گره‌ها به صورت دایره‌هایی با رنگ‌های مختلف نشان داده می‌شوند: آبی برای ساختمان، قرمز برای طبقه، سبز برای سلول‌ها، زرد برای مسیر (عدد مدت زمان را بر حسب ثانیه برای هر ورود نشان می‌دهد)، و بنفش برای گره‌های کاربر.

ضمیمه E

این ضمیمه بر نمایش کد سایفر پرس و جوهای مسیر داخلی در پایگاه داده گراف Neo4j متمرکز است.

پیوست E.1. پرس و جو 1

کد Cypher Query 1 و اجرای این کوئری در Neo4j در این زیربخش نشان داده شده است.

کد سایفر

MATCH (c:Cell)<-[[]-(ch:CheckIn)-[[]->(u:User)

WHERE u.UserID = ‘2’ AND ch.Duration > 900//مدت زمان 15 دقیقه

MATCH (c)-[:CellFloorParent]->(f:Floor)

MATCH (f)-[:FloorBuildingParent]->(b:Building)

RETURN DISTINCT c.CellID AS Infected_Geospatial_Zone, f.FloorID AS Infected_Floor, b.BuildingID AS Infected_Building

شکل A5. نتایج اجرای Query 1 در پایگاه داده گراف Neo4j با 551 گره و 1149 رابطه: ستون اول نتایج سلول‌های داخلی آلوده را نشان می‌دهد، در حالی که ستون‌های دوم و سوم کف و ساختمان را در مدل داده‌های گراف سلسله مراتبی نشان می‌دهند.

پیوست E.2. پرس و جو 3

کد Cypher Query 3 در این بخش نشان داده شده است.

کد سایفر

MATCH (c:Cell)<-[[]-(ch:CheckIn)-[[]->(u:User)

WHERE u.UserHealthStatus = ‘COVID19’ AND ch.ExitTime > 1911608974461 AND ch.ExitTime < 1911610721461//GPS زمان دوره 2020:07-07-25T02:2020:2020-07-25T02:201:-07-25Z.

MATCH (c)-[:CellFloorParent]->(f:Floor)

MATCH (f)-[:FloorBuildingParent]->(b:Building)

RETURN DISTINCT c.CellID AS Infected_Geospatial_Zone, f.FloorID AS Infected_Floor, b.BuildingID AS Infected_Building

پیوست E.3. پرس و جو 5

کد Cypher Query 5 در این بخش نشان داده شده است.

کد سایفر

MATCH (c:Cell)<-[[]-(ch:CheckIn)-[[]->(u:User)

MATCH (u2:User)<-[[]-(ch2:CheckIn)-[[]->(c2:Cell)

WHERE u.UserHealthStatus = ‘COVID19’ AND u <> u2 AND c = c2 AND ((ch.EntranceTime > ch2.EntranceTime و ch.EntranceTime < ch2.ExitTime) OR (ch2.EntranceTime > ch.Entrance <Entrance ch.ExitTime)) AND(ch.Duration*1000 + ch2.Duration*1000 – ABS(ch2.EntranceTime-ch.EntranceTime)-ABS(ch2.ExitTime-ch.ExitTime))/2 > 900*1000

RETURN DISTINCT u.UserID AS COVID19_User,u2.UserID AS Possibly_Infected_User,c2.CellID AS Infected_Geospatial_Zone

پیوست E.4. پرس و جو 7

کد Cypher Query 7 در این بخش نشان داده شده است.

کد سایفر

MATCH (c:Cell)<-[[]-(ch:CheckIn)-[[]->(u:User)

MATCH (c2:Cell)<-[[]-(ch2:CheckIn)-[[]->(u2:User{JobType:”Cleaning_Staff”})

WHERE u.UserHealthStatus = ‘COVID19’ AND u<>u2 AND c = c2 AND ch.ExitTime < ch2.EntranceTime

MATCH (c)-[:CellFloorParent]->(f:Floor)

MATCH (f)-[:FloorBuildingParent]->(b:Building)

RETURN DISTINCT c.CellID AS Infected_Geospatial_Zone, f.FloorID AS Infected_Floor,b.BuildingID AS Infected_Building, u.UserID AS COVID19_User

پیوست E.5. پرس و جو 8

کد Cypher Query 8 در این بخش نشان داده شده است.

کد سایفر

MATCH (c:Cell)<-[[]-(ch:CheckIn)-[[]->(u:User)

MATCH (u2:User)<-[[]-(ch2:CheckIn)-[[]->(c2:Cell)

MATCH (uc:User{JobType: “Cleaning_Staff”})<-[[]-(ch3:CheckIn)-[[]->(c3:Cell)

WHERE u.UserHealthStatus = ‘COVID19’ AND NOT u2.JobType = “Cleaning_Staff” AND NOT u2.UserHealthStatus = “COVID19” و u<>u2 AND u2 <> uc AND c = c2 AND c = c3 AND (ch3 AND. < ch.EntranceTime و ch3.ExitTime < ch2.EntranceTime) RETURN u2.UserID Assibly_Infected_Users

پیوست E.6. استخراج مسیری معتبر از نظر معنایی

الگوریتم 3 اعمال شده برای استخراج مسیر حرکت داخلی از نظر معنایی معتبر در این بخش نشان داده شده است.

الگوریتم A1: استخراج مسیر حرکت داخلی از نظر معنایی معتبر

ورودی:
توالی زمانی از سلول های داخلی جبرای کاربر به عنوان یک شی متحرک دارای اندازه = n:
اس=〈ج0،تی0〉،〈ج1،تی1〉،…،〈جn،تیn〉که در آن تی0< تی1<…<تیn
ماتریس مجاورت مj×jنشان دادن اتصال بین سلول های داخلی که در آن jاندازه سلول داخلی است:
ممن،j= 1منf تیساعتهrه منس آn منnتیهr-لآyهr جonnهجتیمنon بهتیwههn جهلل جمن آnد جj0oتیساعتهrwمنسه

خروجی: مسیر معتبر معنایی اس^داشتن اندازه = m

مقدار دهی اولیه:

اس^←[]

اس^0 ←اس0

جoتوnتیهr ←1

در حالی که جoتوnتیهr<

اگر ماس^متر-1×اسجoتوnتیهr==1

اس^متر←اسجoتوnتیهr

جoتوnتیهr++

پایان در حالی که

برگشت اس^

جدول A1. جزئیات زمان اجرای پرس و جو برای پرس و جوهای مسیر در پایگاه داده گراف Neo4j با اندازه های مختلف.

منابع

وایت لاو، اس. ماما، MA; توپول، ای. ون اسپال، HG کاربردهای فناوری دیجیتال در برنامه ریزی و پاسخ به همه گیری COVID-19. Lancet Digit. Health 2020 , 2 , e435–e440. [ Google Scholar ] [ CrossRef ]
Guinchard، A. ردپای دیجیتالی ما تحت کووید-19: آیا باید از برنامه ردیابی تماس دیجیتالی بریتانیا بترسیم؟ بین المللی Rev. Law Comput. تکنولوژی 2020 ، 1-14. [ Google Scholar ] [ CrossRef ]
کمپف، جی. لمن، اس. مقادیر Suchomel، M. Ct و عفونت SARS-CoV-2 روی سطوح. عفونت لانست دیس 2020 . [ Google Scholar ] [ CrossRef ]
Mondelli، MU; کولانری، م. سمیناری، EM; بلدانتی، ف. برونو، آر. خطر کم انتقال SARS-CoV-2 توسط فومیت ها در شرایط زندگی واقعی. عفونت لانست دیس 2020 . [ Google Scholar ] [ CrossRef ]
پزشکی، انتقال COVID-19 TLR — در هوا. لانست. تنفس پزشکی 2020 ، 8 ، 1159. [ Google Scholar ] [ CrossRef ]
سازمان بهداشت جهانی. بیماری کرونا (COVID-19): چگونه منتقل می شود؟ در دسترس آنلاین: https://www.who.int/news-room/qa-detail/coronavirus-disease-covid-19-how-is-it-transmitted (در 12 دسامبر 2020 قابل دسترسی است).
موراوسکا، ال. کائو، جی. انتقال SARS-CoV-2 از طریق هوا: جهان باید با واقعیت روبرو شود. محیط زیست بین المللی 2020 ، 139 ، 105730. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ون دورمالن، ن. بوش میکر، تی. موریس، دی اچ. هالبروک، ام جی; گمبل، ا. ویلیامسون، BN; تامین، ع. هارکورت، جی ال. تورنبرگ، نیوجرسی؛ Gerber، SI Aerosol و پایداری سطح SARS-CoV-2 در مقایسه با SARS-CoV-1. N. Engl. جی. مد. 2020 ، 382 ، 1564-1567. [ Google Scholar ] [ CrossRef ]
او، اچ. لی، آر. وانگ، آر. بائو، جی. ژنگ، ی. لی، تی. کارآمد تشخیص جمعیت مشکوک آلوده بر اساس مسیرهای مکانی-زمانی. arXiv ، 2020; arXiv:2004.06653. [ Google Scholar ]
ریمر، ک. سیریلو، آر. پیتر، اس. Schlagwein, D. پذیرش دیجیتال ردیابی تماس در همه گیری COVID-19: حاکمیت فناوری اطلاعات برای اقدام جمعی در سطح اجتماعی. یورو J. Inf. سیستم 2020 ، 1-15. [ Google Scholar ] [ CrossRef ]
احمد، ن. میشلین، RA; شو، دبلیو. روج، س. مالنی، آر. Kanhere, SS; سنویراتنه، ا. هو، دبلیو. جانیک، اچ. Jha, SK نظرسنجی از برنامه‌های ردیابی تماس با کووید-۱۹. دسترسی IEEE 2020 ، 8 ، 134577–134601. [ Google Scholar ] [ CrossRef ]
بریثویت، آی. Calender, T. بولاک، ام. Aldridge، RW ردیابی تماس خودکار و نیمه خودکار: بررسی سیستماتیک برای اطلاع از کنترل COVID-19. Lancet Digit. شفا دادن. 2020 ، 2 ، e607–e621. [ Google Scholar ] [ CrossRef ]
کومار، ک. کومار، ن. شاه، آر. نقش اینترنت اشیا برای جلوگیری از انتشار COVID-19. بین المللی جی. اینتل. شبکه 2020 ، 1 ، 32-35. [ Google Scholar ] [ CrossRef ]
OpenTrace. OpenTrace. در دسترس آنلاین: https://github.com/opentrace-community (در 3 اکتبر 2020 قابل دسترسی است).
CovidSafe. CovidSafe. در دسترس آنلاین: https://github.com/AU-COVIDSafe (در 3 اکتبر 2020 قابل دسترسی است).
پیمان. ساحل شرقی. در دسترس آنلاین: https://pact.mit.edu/ (در 3 اکتبر 2020 قابل دسترسی است).
برک، ا. بیکر، ام. وپاکوما، پ. راسکار، ر. لارسون، ک. Pentland، A. ارزیابی خطر قرار گرفتن در معرض بیماری با داده های مکان. پیشنهادی برای حفظ رمزنگاری حریم خصوصی arXiv ، 2020; arXiv:2003.14412. [ Google Scholar ]
موراوسکا، ال. میلتون، کالیفرنیا زمان رسیدگی به انتقال COVID-19 از طریق هوا فرا رسیده است. کلین. آلوده کردن دیس 2020 ، 6 ، ciaa939. [ Google Scholar ] [ CrossRef ]
جنسن، CS; لو، اچ. یانگ، بی. ردیابی فضای داخلی مبتنی بر مدل نمودار. در مجموعه مقالات دهمین کنفرانس بین‌المللی 2009 در مدیریت داده‌های تلفن همراه: سیستم‌ها، خدمات و میان‌افزار، تایپه، تایوان، 18–20 مه 2009. صص 122-131. [ Google Scholar ]
آلاتاس، ا. ون اوستروم، پی. زلاتانوا، اس. هونولد، دی. Verbree، E. LADM-IndoorGML برای بررسی حرکات کاربر در تمرین تخلیه. خط‌مشی استفاده از زمین 2020 ، 98 ، 104219. [ Google Scholar ] [ CrossRef ]
گو، اف. ولایی، س. خوشلحم، ک. شانگ، جی. ژانگ، آر. محلی‌سازی داخلی مبتنی بر نمودار مشخص. IEEE Internet Things J. 2020 , 7 , 8343–8355. [ Google Scholar ] [ CrossRef ]
لی، ک.-جی. کونتی، جی. کنستانتینیدیس، ای. زلاتانوا، اس. بامیدیس، P. OGC IndoorGML: یک رویکرد استاندارد برای نقشه های داخلی. در داده های جغرافیایی و اثرانگشتی برای ایجاد سیستم هایی برای موقعیت یابی داخلی و ناوبری داخلی/خارجی ؛ الزویر: آمستردام، هلند، 2019؛ ص 187-207. [ Google Scholar ]
مراکز کنترل و پیشگیری از بیماری. نظافت و ضد عفونی برای خانوارها توصیه های موقت برای خانواده های آمریکایی مشکوک یا تایید شده به بیماری کروناویروس 2019 (COVID-19). در دسترس آنلاین: https://www.cdc.gov/coronavirus/2019-ncov/prevent-getting-sick/cleaning-disinfection.html (در 28 مارس 2020 قابل دسترسی است).
کنتارینیس، ا. زیتونی، ک. مارینیکا، سی. وودیسلاو، دی. کوتزینوس، دی. به سوی یک مدل مسیر درونی معنایی. 2019. در دسترس آنلاین: https://hal.archives-ouvertes.fr/hal-02314572/ (در 28 مارس 2020 قابل دسترسی است).
ژنگ، ی. داده کاوی مسیر: یک مرور کلی. ACM Trans. هوشمند سیستم تکنولوژی (TIST) 2015 ، 6 ، 1-41. [ Google Scholar ] [ CrossRef ]
پدر و مادر، سی. اسپاکاپیترا، اس. رنسو، سی. آندرینکو، جی. آندرینکو، ن. بوگورنی، وی. دامیانی، ام.ال. گکولالاس-دیوانیس، ع. مکدو، جی. پلکیس، N. مدلسازی و تحلیل مسیرهای معنایی. کامپیوتر ACM. Surv. (CSUR) 2013 ، 45 ، 1-32. [ Google Scholar ] [ CrossRef ]
گومز، LI; کویجپرز، بی. Vaisman، AA پرس و جوهای تحلیلی در مسیرهای معنایی با استفاده از پایگاه های داده گراف. ترانس. GIS 2019 ، 23 ، 1078–1101. [ Google Scholar ] [ CrossRef ]
Spanier، توپولوژی جبری EH ; Springer Science & Business Media: نیویورک، نیویورک، ایالات متحده آمریکا، 1989. [ Google Scholar ]
Montjoye, Y.-A.; رادالی، ال. سینگ، وی. پنتلند، A. منحصر به فرد در مرکز خرید: در مورد قابلیت شناسایی مجدد ابرداده کارت اعتباری. Science 2015 ، 347 ، 536-539. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ژوانگ، ی. یانگ، جی. لی، ی. چی، ال. El-Sheimy، N. محلی سازی داخلی مبتنی بر گوشی های هوشمند با چراغ های کم مصرف بلوتوث. Sensors 2016 , 16 , 596. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
آندروشچاک، وی. ماکسیموک، تی. کلیماش، م. Ageyev، D. توسعه الگوریتم موقعیت یابی iBeacon برای سناریوهای داخلی. در مجموعه مقالات کنفرانس بین المللی علمی-عملی مسائل ارتباطات اطلاعاتی 2018. علم و فناوری (PIC S&T)، خارکف، اوکراین، 9 تا 12 اکتبر 2018؛ صص 741-744. [ Google Scholar ]
رمضان، ح. یوستیوان، ی. Kwon, J. اعمال محدودیت های حرکت در موقعیت یابی داخلی مبتنی بر BLE RSSI برای استخراج مسیرهای معنایی معتبر. Sensors 2020 , 20 , 527. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
سیمکو، ال. چانگ، جی ال. جیانگ، م. کالو، آر. روزنر، اف. Kohno، T. COVID-19 ردیابی تماس و حریم خصوصی: مطالعه طولی افکار عمومی. arXiv ، 2020; arXiv:2012.01553. [ Google Scholar ]
بیانکونی، آ. مارچلی، آ. کامپی، جی. Perali، A. کارایی مهار ردیابی تماس تلفن همراه COVID-19 با اندازه‌گیری زمان دو برابر شدن وابسته به زمان. فیزیک Biol. 2020 ، 17 ، 065006. [ Google Scholar ] [ CrossRef ]
فرتی، ال. وایمانت، سی. کندال، م. ژائو، ال. نورتای، ا. آبلر-دورنر، ال. پارکر، ام. بونسال، دی. فریزر، سی. تعیین کمیت انتقال SARS-CoV-2 کنترل اپیدمی با ردیابی تماس دیجیتالی را پیشنهاد می‌کند. Science 2020 , 368 , eabb6936. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هلول، جی. ابوت، اس. گیما، ا. Bosse، NI; جارویس، CI; راسل، TW; موندی، جی دی. کوچارسکی، ای جی. ادموندز، WJ; Sun, F. امکان سنجی کنترل شیوع کووید-19 با جداسازی موارد و مخاطبین. Lancet Global Health 2020 ، 8 ، e488-e496. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
TeamSense. به اعضای بدون میز تیم خود قدرت دهید. در دسترس آنلاین: https://www.teamsense.com/features (در 14 دسامبر 2020 قابل دسترسی است).
دولت کانادا هشدار COVID امروز را دانلود کنید. در دسترس آنلاین: https://www.canada.ca/en/public-health/services/diseases/coronavirus-disease-covid-19/covid-alert.html (در 14 دسامبر 2020 قابل دسترسی است).
دولت آلبرتا ABTraceTogether. در دسترس آنلاین: https://www.alberta.ca/ab-trace-together.aspx (در 14 دسامبر 2020 قابل دسترسی است).
برآورد. ایمنی محل کار با پوشیدنی ها موجود به صورت آنلاین: https://estimote.com/wearable/?gclid=CjwKCAiAiML-BRAAEiwAuWVggkJsbosByEODh11g7RBWrxIJ-XSIP5oGOfKhZ3z0F01_ONi9rKAUsBoCyF8QE04D دسامبر.
استیونز، اچ. هاینز، MB TraceTogether: پاسخ به همه گیری، دموکراسی و فناوری. علوم آسیای شرقی تکنولوژی Soc. بین المللی J. 2020 , 14 , 523-532. [ Google Scholar ] [ CrossRef ]
برج حسگر TraceTogether. در دسترس آنلاین: https://sensortower.com/ios/SG/government-technology-agency/app/tracetogether/1498276074/overview (در 12 دسامبر 2020 قابل دسترسی است).
جهان سنج. کشورهای جهان بر اساس جمعیت 2020. در دسترس آنلاین: https://www.worldometers.info/world-population/population-by-country/ (در 12 دسامبر 2020 قابل دسترسی است).
دولت سنگاپور TraceTogether، امن تر با هم. در دسترس آنلاین: https://www.tracetogether.gov.sg/ (در 12 دسامبر 2020 قابل دسترسی است).
Corona-Warn-App. پروژه منبع باز Corona-Warn-App. در دسترس آنلاین: https://www.coronawarn.app/en/ (در 12 دسامبر 2020 قابل دسترسی است).
برج حسگر اپلیکیشن هشدار کرونا در دسترس آنلاین: https://sensortower.com/ios/de/robert-koch-institut/app/corona-warn-app/1512595757/overview (در 12 دسامبر 2020 قابل دسترسی است).
شوبینا، وی. هولسر، اس. گولد، ام. لوهان، ES Survey از راه حل های غیرمتمرکز با دستگاه های تلفن همراه برای ردیابی موقعیت مکانی کاربر، تشخیص نزدیکی، و ردیابی تماس در دوران COVID-19. داده 2020 ، 5 ، 87. [ Google Scholar ] [ CrossRef ]
لوئیس، دی.م. کوپی: اپیدمیولوژی جامعه در عمل. 2020. در دسترس آنلاین: https://www.coepi.org/ (در 12 دسامبر 2020 قابل دسترسی است).
فنویک، آر. هیتل، ام. اینگل، ام. نش، او. نگوین، وی. پتری، جی. شوابر، جی. سابو، ز. ویراغانتا، ا. ولوشین، ام. سیدنی فون آرکس و تینا وایت. دیده بان کووید. 2020. در دسترس آنلاین: https://www.covidwatch.org/ (در 12 دسامبر 2020 قابل دسترسی است).
رانگ، سی. لین، سی. سیلوا، YN; وانگ، جی. لو، دبلیو. Du، X. پیوندهای تشابه مجموعه های توزیع شده سریع و مقیاس پذیر برای تجزیه و تحلیل داده های بزرگ. در مجموعه مقالات سی و سومین کنفرانس بین المللی مهندسی داده IEEE 2017 (ICDE)، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 19 تا 22 آوریل 2017؛ صص 1059–1070. [ Google Scholar ]
مرکز مدل سازی ریاضی بیماری های عفونی. تخمین ها برای سنگاپور در دسترس آنلاین: https://epiforecasts.io/covid/posts/national/singapore/ (در 12 دسامبر 2020 قابل دسترسی است).
مرکز مدل سازی ریاضی بیماری های عفونی. برآوردهای ملی و محلی برای آلمان در دسترس آنلاین: https://epiforecasts.io/covid/posts/national/germany/ (در 12 دسامبر 2020 قابل دسترسی است).
کروم، جی. Horvitz، E. Predestination: استنتاج مقاصد از مسیرهای جزئی. در کنفرانس بین المللی محاسبات همه جا حاضر ; Springer: برلین/هایدلبرگ، آلمان، 2006; ص 243-260. [ Google Scholar ]
لی، جی.-جی. هان، جی. وانگ، K.-Y. خوشه‌بندی مسیر: یک چارچوب پارتیشن و گروهی. در مجموعه مقالات کنفرانس بین المللی ACM SIGMOD 2007 در مدیریت داده ها، پکن، چین، 12 تا 14 ژوئن 2007. صص 593-604. [ Google Scholar ]
ارسلان، م. کروز، سی. Ginhac، D. غنی‌سازی معنایی مسیرهای مکانی-زمانی برای ایمنی کارگران در سایت‌های ساخت‌وساز. پارس محاسبات همه جا حاضر. 2019 ، 23 ، 749–764. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لیو، سی. Guo, C. STCCD: خوشه بندی مسیر معنایی بر اساس تشخیص جامعه در شبکه ها. سیستم خبره Appl. 2020 , 162 , 113689. [ Google Scholar ] [ CrossRef ]
سان، ی. گو، تی. بین، سی. چانگ، ال. کوانگ، اچ. هوانگ، ز. Sun، L. یک مدل نمایش معنایی چند پنهان برای مسیر گردشگری معدن. در کنفرانس بین المللی حاشیه اقیانوس آرام درباره هوش مصنوعی ؛ Springer: Cham, Switzerland, 2018; صص 463-476. [ Google Scholar ]
کای، جی. تره فرنگی.؛ Lee, I. سیستم توصیه‌کننده برنامه سفر با استخراج الگوی مسیر معنایی از عکس‌های دارای برچسب جغرافیایی. سیستم خبره Appl. 2018 ، 94 ، 32-40. [ Google Scholar ] [ CrossRef ]
ناردینی، اف.ام. اورلاندو، اس. پرگو، آر. رافائتا، ا. رنسو، سی. Silvestri، C. تجزیه و تحلیل مسیرهای کاربران تلفن همراه: از انبارهای داده تا سیستم های توصیه کننده. در یک راهنمای جامع از طریق تحقیقات پایگاه داده ایتالیا در 25 سال گذشته ؛ Springer: Cham, Switzerland, 2018; ص 407-421. [ Google Scholar ]
یوان، نیوجرسی؛ ژنگ، ی. ژانگ، ال. Xie, X. T-finder: یک سیستم توصیه‌کننده برای یافتن مسافران و تاکسی‌های خالی. EEE Trans. بدانید. مهندسی داده 2012 ، 25 ، 2390-2403. [ Google Scholar ] [ CrossRef ]
ورنر، ام. شوئر، ال. Scharf، A. طبقه بندی مسیر قابل اعتماد با استفاده از قدرت سیگنال Wi-Fi در سناریوهای داخلی. در مجموعه مقالات IEEE/ION 2014 Position, Location and Navigation Symposium-PLANS 2014, Monterey, CA, USA, 5-8 مه 2014. صص 663-670. [ Google Scholar ]
گوا، اس. شیونگ، اچ. ژنگ، ایکس. یک روش تطبیق معنایی جدید برای ردیابی مسیرهای داخلی. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 197. [ Google Scholar ] [ CrossRef ]
وانگ، آر. شراف، آر. ژا، ی. سهشان، س. Veloso، M. شناسایی مسیر داخلی: ضربه زدن با عدم قطعیت. در مجموعه مقالات کنفرانس بین المللی IEEE/RSJ 2015 در مورد ربات ها و سیستم های هوشمند (IROS)، هامبورگ، آلمان، 28 سپتامبر تا 2 اکتبر 2015؛ صفحات 4901-4906. [ Google Scholar ]
چن، ی. یوان، پی. کیو، م. Pi، D. یک الگوریتم استخراج الگوی مکرر مسیر داخلی بر اساس توالی شبکه مبهم. سیستم خبره Appl. 2019 ، 118 ، 614-624. [ Google Scholar ] [ CrossRef ]
لی، اچ. لو، اچ. چن، ایکس. چن، جی. چن، ک. Shou, L. Vita: یک جعبه ابزار همه کاره برای تولید داده های تحرک داخلی برای ساختمان های دنیای واقعی. Proc. VLDB Enddow. 2016 ، 9 ، 1453-1456. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آلاتاس، ا. زلاتانوا، اس. ون اوستروم، پی. Chatzinikolaou، E. لمن، سی. لی، ک.-جی. پشتیبانی از ناوبری داخلی با استفاده از حقوق دسترسی به فضاها بر اساس استفاده ترکیبی از مدل های IndoorGML و LADM. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 384. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
اوجاغ، س. ملک، ام آر. سعیدی، س. لیانگ، اس. یک سیستم توصیه‌گر جهت‌گیری آگاه مبتنی بر مکان با استفاده از دستگاه‌های هوشمند اینترنت اشیا و شبکه‌های اجتماعی. ژنرال آینده. محاسبه کنید. سیستم 2020 ، 108 ، 97-118. [ Google Scholar ] [ CrossRef ]
اوجاغ، س. ملک، ام آر. سعیدی، س. یک سیستم توصیه‌گر آگاه اجتماعی مبتنی بر دستگاه‌های هوشمند شخصی کاربر. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 519. [ Google Scholar ] [ CrossRef ]
ژنگ، فولکس واگن؛ ژنگ، ی. Xie، X. یانگ، Q. به سوی هوش تلفن همراه: یادگیری از داده های تاریخچه GPS برای توصیه های مشترک. آرتیف. هوشمند 2012 ، 184 ، 17-37. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کوتروچیو، اف. سینلی، ال. کورادینی، ای. Terracina، G. اورسینو، دی. ویرجیلی، ال. ساواگلیو، سی. لیوتا، ا. فورتینو، جی. چارچوبی برای تشخیص و طبقه بندی ناهنجاری در سناریوهای چندگانه اینترنت اشیا. ژنرال آینده. محاسبه کنید. سیستم 2020 ، 114 ، 322-335. [ Google Scholar ] [ CrossRef ]
کوتروچیو، اف. سینلی، ال. فورتینو، جی. ساواگلیو، سی. Terracina، G. اورسینو، دی. ویرجیلی، ال. رویکردی برای محاسبه دامنه یک شی اجتماعی در یک سناریوی چند اینترنت اشیاء. محاسبات موبایلی فراگیر 2020 , 67 , 101223. [ Google Scholar ] [ CrossRef ]
هو، اف. لی، ز. یانگ، سی. جیانگ، ی. یک رویکرد مبتنی بر نمودار برای شناسایی الگوهای حرکت گردشگران با استفاده از داده های رسانه های اجتماعی. کارتوگر. Geogr. Inf. علمی 2018 ، 46 ، 368-382. [ Google Scholar ] [ CrossRef ]
نیو، ایکس. چن، تی. Wu، CQ; نیو، جی. Li، Y. خوشه‌بندی مسیر مبتنی بر برچسب در شبکه‌های جاده‌ای پیچیده. IEEE Trans. هوشمند ترانسپ سیستم 2020 ، 21 ، 4098-4110. [ Google Scholar ] [ CrossRef ]
صابریش، ب. کارتی، ر. کومار، گراف TG، خوشه‌بندی سلسله مراتبی داده‌های مسیر مبتنی بر تشابه. Procedia Comput. علمی 2020 ، 171 ، 32-41. [ Google Scholar ] [ CrossRef ]
کانگ، H.-K. لی، ک.-جی. یک مدل استاندارد داده فضایی داخلی – OGC IndoorGML و رویکردهای پیاده سازی. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 116. [ Google Scholar ] [ CrossRef ]
لی، جی. لی، ک.-جی. زلاتانوا، اس. کلبه، تی. ناگل، سی. بکر، تی. Ogc Indoorgml. استاندارد کنسرسیوم زمین فضایی باز 2014. در دسترس آنلاین: https://www.ogc.org/standards/indoorgml (در 18 دسامبر 2020 قابل دسترسی است).
Kassir, R. خطر ابتلا به COVID-19 برای بیماران مبتلا به چاقی. چاق ها Rev. 2020 , 21 , e13034. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
انگلستان، راهنمای PH برای کمک به متخصصان در مشاوره به عموم مردم. در دسترس آنلاین: https://www.gov.uk/government/publications/novel-coronavirus-2019-ncov-guidance-to-assist-professionals-in-advising-the-general-public/guidance-to-assist-professionals -in-advising-the-general-public (دسترسی در 18 دسامبر 2020).
de Silva, F. Execution Time Analysis of Electrical Network Tracing در پایگاه داده های رابطه ای و نموداری. 2019. در دسترس آنلاین: https://www.diva-portal.se/smash/get/diva2:1304968/FULLTEXT01.pdf (در 18 دسامبر 2020 قابل دسترسی است).
دار، AB; تنها، ق. ظهور، س. خان، ع.ا. Naaz, R. کاربرد ردیابی تماس تلفن همراه در مبارزه با بیماری همه گیر (COVID-19): مسائل، چالش ها و راه حل ها. محاسبه کنید. علمی Rev. 2020 , 38 , 100307. [ Google Scholar ] [ CrossRef ]
اوجاغ، س. ملک، ام.آر. سعیدی، س. لیانگ، اس. رویکرد اینترنت اشیا (IoT) برای تشخیص خودکار زمینه. در مجموعه مقالات نهمین کنفرانس سالانه فناوری اطلاعات، الکترونیک و ارتباطات سیار 2018 IEEE (IEMCON)، ونکوور، BC، کانادا، 1 تا 3 نوامبر 2018؛ صص 223-226. [ Google Scholar ]
چالیش، جی. بکریک-گربر، بی. گوکتپه، AB; شوایی، ال. Nan, L. تجزیه و تحلیل تغییرپذیری مقادیر RSSI برای برنامه های کاربردی داخلی مبتنی بر RFID فعال. ترک. J. Eng. محیط زیست علمی 2013 ، 37 ، 186-211. [ Google Scholar ] [ CrossRef ]
مراکز کنترل و پیشگیری از بیماری. تمیز کردن و ضد عفونی کردن محل شما 2020. در دسترس آنلاین: https://www.cdc.gov/coronavirus/2019-ncov/community/disinfecting-building-facility.html (در 13 دسامبر 2020 قابل دسترسی است).
که. بیماری کرونا (COVID-19): تمیز کردن و ضد عفونی کردن سطوح در محیط‌های غیر بهداشتی. 2020. در دسترس به صورت آنلاین: https://www.researchgate.net/profile/Nan_Li4/publication/258332276_Analysis_of_the_variability_of_RSSI_values_for_active_RFID-based_indoor_applications/links/0a450000-00-00-00-00-00-00-00-00-00-00-00-00-00-00-00-00-00-00-00-00-00-00/05/04/04/05/05/05/05/05/05/05/05/05/05/05/05/05/05/05/05/05/05/05/05/05/05/04/05/05/05/05/04/05/05/05/04/05/04/05/04/01/04/05/05 . -indoor-applications.pdf (دسترسی در 18 دسامبر 2020).

شکل 1. نمایش سلول های داخلی و پوشش چراغ بلوتوث کم انرژی (BLE) در فضای اقلیدسی و دوگانه.

شکل 2. نمایش مسیر حرکت معنایی چهار کاربر در محیط داخلی.

شکل 3. نمایش فضایی-زمانی مسیرهای حرکتی معنایی چهار کاربر.

شکل 4. استخراج نمودار مجاورت و اتصال از فضای داخلی توپولوژیکی دو بعدی.

شکل 5. استخراج نمودار مجاورت و اتصال برای چراغ های BLE از فضای داخلی توپولوژیکی دو بعدی.

شکل 6. نمونه ای از ساختار سلسله مراتبی در نظر گرفته شده برای دانه بندی فضایی.

شکل 7. نمونه ای از مدل سازی مسیر داخلی مبتنی بر نمودار پیشنهادی.

شکل 8. معماری سیستم.

شکل 9. پلان طبقه سوم ساختمان مرکز فناوری نوآورانه کلگری (CCIT).

شکل 10. شش نوع مختلف از چراغ های BLE از سه سازنده مختلف BLE که در آزمایش های دنیای واقعی استفاده می شوند.

شکل 11. رابط کاربری برنامه توسعه‌یافته در گوشی هوشمند سامسونگ گلکسی S9 که نزدیکی کاربر را از ( الف ) چراغ تخمین بلوتوث ( ب ) بیکن IBKS PLUS ثبت می‌کند.

شکل 12. نمایش مبتنی بر نمودار فضایی سلسله مراتبی از 20 ساختمان انتخاب شده شامل سلول های OGC IndoorGML (دایره های سبز)، طبقه (دایره قرمز)، ساختمان (دایره آبی)، اتصالات توپولوژیکی بین لایه ای بین سلول های IndoorGML (فلش های خاکستری)، درون- اتصالات توپولوژیکی لایه بین سلول های IndoorGML و طبقه مربوط به آنها (فلش های آبی روشن)، و اتصالات توپولوژیکی درون لایه طبقه و ساختمان مربوطه (فلش قرمز).

شکل 13. نمایش وضعیت موجود که در آن الگوریتم پیش پردازش توسعه‌یافته نمی‌تواند نقطه مسیر نامعتبر را تشخیص دهد: خطوط نقطه چین حقیقت زمین را نشان می‌دهند و خط جامد داده‌های جمع‌آوری‌شده از آزمایش ما را نشان می‌دهد.

شکل 14. نمایش تجزیه و تحلیل داده های مسیر برای 100 بار در پایگاه داده گراف Neo4j با گره های 551، 5058 و 48826: ( الف ) نمایش میانگین زمان اجرای پرس و جو در میلی ثانیه برای تجزیه و تحلیل داده های مسیرهای مختلف، ( ب ) نمایش استاندارد پرس و جو زمان اجرا بر حسب میلی ثانیه برای تحلیل مسیرهای مختلف

شکل 15. تعداد کاربران احتمالی آلوده به COVID-19 گزارش شده توسط برنامه های کاربردی مختلف ردیابی قرارداد در پایگاه داده Neo4j با تعداد گره های مختلف.

شکل 16. تعداد کاربران احتمالی آلوده به کووید-19 توسط Query 8 در پایگاه داده Neo4j با 20000 کاربر و درصدهای مختلف گزارش شده است: 5 درصد، 10 درصد و 20 درصد از کاربران نظافت.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها:

1. مقدمه

2. تعریف مسئله

3. بررسی ادبیات

3.1. برنامه های ردیابی تماس COVID-19

3.2. تقسیم بندی مسیر

3.3. مدل مسیر داخلی

3.4. بازنمایی مسیر

4. روش شناسی

4.1. تقسیم بندی مسیر معنایی

4.2. مدل داده مبتنی بر GML فضایی چند لایه

4.3. مدل‌سازی مسیر داخلی مبتنی بر نمودار پیشنهادی

5. معماری سیستم

6. اجرا

6.1. مجموعه داده های دنیای واقعی

6.2. اعتبارسنجی مسیرهای حرکتی معنایی داخلی

6.3. مجموعه داده های شبیه سازی

6.4. حریم خصوصی داده ها

6.5. ابزار تجسم داده ها

6.6. ذخیره مسیرهای معنایی داخلی

6.7. تماس با برنامه ردیابی

7. نتایج و بحث

7.1. اعتبارسنجی مسیرهای دنیای واقعی داخلی

7.2. نتایج ردیابی تماس COVID-19

7.3. نتایج بهبود یافته ردیابی تماس COVID-19

8. نتیجه گیری و کار آینده

پیوست اول

ضمیمه B

پیوست ج

ضمیمه D

ضمیمه E

پیوست E.1. پرس و جو 1

پیوست E.2. پرس و جو 3

پیوست E.3. پرس و جو 5

پیوست E.4. پرس و جو 7

پیوست E.5. پرس و جو 8

پیوست E.6. استخراج مسیری معتبر از نظر معنایی

منابع

قبلیایستگاه های پایه رادیویی و میدان های الکترومغناطیسی: کاربردها و مدل های GIS برای شناسایی عوامل خطر احتمالی و مناطق در معرض. چند نمونه در رم

بعدیGeoFairy2: یک دروازه موبایل بین نهادی به داده های مرتبط با مکان برای تصمیم گیری درجا

مطالب مرتبط ...

آموزش مقاله نویسی در رشته ادبیات فارسی

تأثیر همسایگی درونیابی DEM بر عوامل زمین

رگرسیون وزنی جغرافیایی تطبیقی ​​غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

خبرنامه

خبرنامه

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

دسترسی سریع

رگرسیون وزنی جغرافیایی تطبیقی غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب