【基于Python的疫情防护管理系统设计9100字】

.引言1.1选题背景新型冠状肺炎是目前世界各个国家面临的挑战，截止至2021年4月底，国内新型冠状肺炎累计确诊103542例，国外累计确诊22880978例，这些触目惊心的数据无疑是引发了全球性的危机，并且国外目前仍然处于上升趋势，大量的确诊病例也证明了该病毒拥有极大的传播能力，世界各地都将面临疫情防控等一系列问题。就目前国内防疫形势来看，我国在疫情防控方面已经取得了巨大的成功，现有病例不断减少，疫情防护趋于常态化阶段，各地政府也在积极向人们宣传防疫知识，我国民众也是积极响应政府号召，各级人民政府对每个社区，街道也是下达了防疫指令，但是仍然存在小部分地区发现感染病例，防疫工作也是不容怠慢。就目前国外防疫形势来看，由于缺乏政府强有力的管控，国外防疫形势依然严峻，就美国而言，根据美媒报道美国目前已经累计确诊逾3200万，累计死亡人数达57万人，美国抗疫还远远未到“胜利”的时候，其他国家更不例外，疫情防护工作也是刻不容缓的重中之重。在庆祝改革开放40周年大会上，习近平总书记曾指出：“构建人类命运共同体，促进全球治理体系变革”，新冠肺炎的防护不仅仅是一个人的事，也不是一个国家的事情，需要世界各国人民共同努力，为此，在信息化时代利用网络技术进行疫情防护更是世界各国人们的期待。1.2研究现状当前我国防疫趋势趋于稳定状态，全国各级人民政府制定了相关防疫具体措施，对于各类人群密集地区，如机场，火车站，商场，学校和居民小区等，采用扫码登记和人员登记的措施相结合的措施，对人流量大的地区使用专人负责体温检测，健康码查验等举措，但是对于人员的登记也应配备一定的防疫系统，以方便发生疫情时，快速追踪感染人员的信息，预测感染人群，方便上级作出合理的判断。传统采集人员信息使用纸质记录和电脑表格登记，具备一定的风险性，并且不能较快直观的判断防疫形势。纸质记录容易丢失，损坏，并且查找起来相对麻烦，而电脑表格登记，一旦电脑丢失，在没有备份的情况下也是非常难查找，并且可录入信息数量有限，可以采用一个人员管理系统，对进出人员进行系统登记，将人员信息写入数据库，设置一个管理员登录账号，增强系统的保密性管理，防止个人信息泄漏，此外一旦发生疫情，将所登记人员信息进行自动化预测，评估发展趋势，方便上级防疫指挥部下达具有可行性的措施。1.3研究内容疫情防护管理系统第一个模块是使用python基于django框架搭建的人员信息管理平台，可以将人员的各类信息，包括人员基本信息，所属社区，人员来源等，添加至数据库，方便储存管理，满足人群流动的大量数据的存储，此外在管理系统中可以直观的看到所录入的信息，针对感染者，隔离者进行统计，也可以将所有登录的信息进行批量的导出，方便各级防疫指挥部共享信息，也方便进行下一步的疫情预判。该系统的第二个模块是疫情形势智能预测，将第一模块所收集到的内容进行智能分析预测，采用新型torch算法以及LSTM人工神经网络对数据进行处理分析，根据前三天的数据对第四天进行准确预测，此外根据SEIR传染病模型，可以根据政府干预进行对下一步传染举措进行合理的分析。1.4相关技术介绍本系统采用的是python进行编写，基于django框架搭建的管理平台，前端页面采用HTML+js进行优化，数据库采用mysql，是一个基于模型-视图-控制器（MVC）风格的WEB程序，预测程序采用长短期记忆人工神经网络（LSTM），使用torch进行运算，根据传染病动力学SEIR传染病模型，参数设置参考钟南山院士文章，模型忽略迁入率和迁出率。系统重点是动力学模型的准确性，包括SEIR,SIQR,SIQS模型，以及媒体宣传和随机因素影响，难点在于beta,gamma等参数的取值。

2.系统分析本章是对本系统的需求和可行性进行分析，通过分析初步得出设计该系统的目的，以及系统设计的必要性和规范性。2.1需求分析概述“疫情防护管理系统”主要是针对当前疫情防控形势进入常态化阶段，各级防疫指挥部门下达了对人群密集型场所的防疫管控，要对人员登记进行准确，快速的登记，以及突发事件的应急处理，居安而思危，时刻保持较高的警惕性，防疫应具有前瞻性，可行性和高效性。系统功能性分析：模块1要实现对人员信息的基础管理功能，完成管理员用户登录，信息录入，信息查询，数据的导入和导出，管理员账户管理功能。模块2要收集训练数据，数据导入，模型训练，根据数据进行准确的预测。该系统需要保证对大量数据的存储，并且对数据安全性能进行保证，可以随时对数据进行更改，可操作性强，对于预测功能，要保证预测的准确性，以便进行准确的研判，其中涉及大量的数据运算，运算过程应该高效，准确。2.2可行性分析2.2.1经济可行性“疫情防护管理系统”采用的计算机语言进行编程，网络部署简单，快捷，使用普遍认可度较高的SEIR病毒模型，根据已有的，公开的传染病动力学进行合理预测，利用python开源torch深度学习库进行算法运算，进行纯数字逻辑运算，对于训练模型的电脑配置要求较低，由于是纯电脑运算，不需要消耗大量的人力和财力，然而人员管理系统所使用的mysql数据库和django框架也是免费使用，简单的前端HTML页面更是不需要大量的人力去编程，采用python语言进行编写也是非常简便，快捷，具有极高的性价比，软硬件要求均是不高。2.2.2技术可行性“基于python的疫情防护管理系统”是在macos操作系统上进行开发，普遍适用于linux,win10等系列环境，使用python语言进行开发。“疫情人员管理系统”的设计对于硬件条件没有较大的需求，基本上能流畅使用的电脑都能进行开发。本系统是基于python3.6进行开发的人员管理系统，python旗下有众多的web框架，django是最具代表性的，也是一个开放源代码的web框架，采用mvt的设计模式，简单易于学习，基本上有一些python语言基础的人员都能使用该框架进行开发，django框架不同于传统java所搭建的网站，分为模型（model），视图（view）,模版（template），在使用过程中非常稳定，能快速响应用户请求，由于采用mtv模式，其开发起来也是简单，易学，秉承着python的语言优势，没有过多的复杂化代码，无论是在开发还是使用过程中，都非常易于操作。（2）疫情趋势预测可行性分析疫情趋势研判由于涉及深度学习，传染病病毒模型，相对于web程序的开发，其硬件配置相对较高，主要集中在模型训练部分，但是相对于图像模型的训练，本系统所用到的训练主要以数字逻辑运算为主，采用LSTM人工神经网络，不用过于复杂的训练，对硬件配置要求相对较低，大多数电脑都能满足此项要求，在SEIR病毒模型参数配置参考钟南山院士的文献，其权威性较大，根据目前疫情发展形态，进行预测，对比后发现，其准确度也是非常高。2.2.3法律可行性本系统作为本科生的毕业论文设计，所采用技术均是已经开源技术，在相关技术引用也会进行特殊标注，毕业设计更不会用于商业目的，开发过程中所使用的开发技术和工具也均是符合我国相关法律法规，所以本系统具备法律可行性。2.2.4组织可行性在系统完成之前，通过开题报告，中期检查，论文指导等过程，制定了合理的项目进度实施计划，选择根据契合本科生所能掌握能力范围之内，建立了良好的导师制度等，能够较好的保证项目的顺利进行。2.2.5风险因素控制可行性该项目处于初步设计阶段，仅作为毕业论文的设计，不会面向群众，所以不存在个人信息泄漏等问题，模型训练所采用数据均是现在已有公布的数据，其预测结果也仅供参考，不会在网络上发布，引发恐慌。综上所述的五点可行性的分析，本系统具备一定可行性。

3．开发环境和技术介绍3.1系统开发环境硬件环境开发环境：处理器：2.2GHZIntelCorei7内存：16GB1600MHzDDR3图形卡：IntelIrisPro1536MB软件开发环境：操作系统：macOSMojave开发环境：Python3.6开发工具：PyCharm数据库：Mysql3.2Python语言本系统的开发使用Python语言进行编写。Python语言不仅具有简单，易学和易维护的优点，还有以下特性：语言的运行速度非常的快速。Python的底层是利用基础的c语言来进行编程的，所以在运行的时候，由于c语言是基础性语言，其编译过程相对于其他语言较为简便，也就为其运行速度提供了更高的效率。python是免费和开源性的语言。Python是开发源代码的软件之一。我们在使用的时候可以非常自由的进行阅读它的源代码，也可以自由地拷贝这个软件，是一种团体共享的概念，在使用过程中不必可以根据自己的需求进行修改。python语言具有可移植的性质。因为python语言是开发自己的源代码的软件，所以其本身已经被移植到了很多的平台上面。包括Linux,Windows,FreeBSD,OS/2,VMS,Psion,Amiga,VxWorks以及谷歌公司基于在linux上开发的手机的平台。面向对象编程。Python可以面向对象来进行编程。其中所包含的所有实例都可以是对象，并且它也支持重载，派生和多继承的功能，对于刚刚入门的新手是非常的适合，面向对象的编程想必也是大家所熟悉的方式。可扩展性和可扩充性。在使用python进行编程的过程中，如果我们需要对其中的部分内容进行优化使其运行速度加快，可以利用c语言或者是c++语言进行扩充编写，我们扩充后的内容可以继续在程序中使用，这是在我们日常生活使用编程软件的时候非常地方便的。3.3Django框架Django框架是使用python语言进行编写的，我们在用python进行开发web网站的时候，会经常使用此框架，其是采用MTV模式，即模版，模型和视图三个方面，模版进行主体页面的渲染，模型是整体web页面的框架，视图来处理用户操作。其工作机制分为以下四步：使用manage.py来启动Django的服务器与此同时载入setting.py文件。Setting文件中包含了所有项目的配置相关的信息，如URLconf和ROOT_URLCONF等。当我们访问到url时候，Django会根据ROOT_URLCONF的配置来装载页面。随后按照顺序挨个匹配URLConf里的URLpatterns。当匹配成功的时候，则开始调用相关视图函数，并且会把HttpRequest对象作为第一个参数。最终由view函数返回一个HttpResponse对象。图3-2Django工作机制3.4torch深度学习框架Torch是一个开放源代码的python深度学习库，pythontorch又称pyTorch，是以Python优先的深度学习框架，不仅仅能实现超强的GPU加速功能，还支持动态神经网络，这一点是目前主流框架，如Tensorflow等不支持的。Torch深度学习框架具备以下所有特点：快速计算和灵活性强。相对于Tensorflow深度学习框架，torch的框架不仅仅是命令式的编程，在构建神经网络的时候发生错误或者是要改变整个神经网络结构，不需要重新构造整个神经网络，torch可以通过动态求导，在没有延迟的情况下任意地改变神经网络。线性结构和容错性。在我们完成代码编写后，torch框架会严格的按照我们所编写的程序步骤进行逐步执行，不存在异步执行的情况，这就使得一旦发生错误，可以非常直观的找出BUG所在之处，非常方便我们在后期进行维护和找出错误原因所在。代码逻辑性强。Torch库的一个非常重要的特点就是其底层代码容易学习，我们可以非常方便的查看torch库的源代码，并且不会出现一头雾水的情况，它的底层代码深度到API中，非常容易被理解，所有它也是一个非常适合新手的深度学习库。综上所述Torch的特点，其拥有快速灵活，容错率高，代码逻辑性强等优点，除此之外torch还是一种Python优先和动态的神经网络，因为这款框架比较新，所以这个框架使用的人较少。3.5SEIR病毒模型SIER模型是一种典型的传染病数学模型，根据传染病动力学机理对一定区域内的传播速度，传播范围和传播途径进行研究，大部分传染病模型都是依据此模型来建立的，在基于常微分方程，偏微分方程，传播网络动力学来区分不同的传播方式，SEIR病毒模型也是在新冠病毒爆发后普遍认同的一种病毒模型。该模型将人群分为以下四类：易感染人群（susceptible）易感是还没有患病的人群，但是还是有一定和感染者接触风险，这类人群被称为“易感者”。潜伏期人群（Exposed）潜伏期是指已经被感染者所传染，或者是已经患病，但是由于各种因素，该疾病还没有发作，其分为潜伏期具备传染性和不具备传染性，我们所要讨论的新冠肺炎在经过专家和实地考察发现其在潜伏期也具备传染性，也被称为“无症状感染者”。感染人群（Infected）感染人群即是患病人群，其中“无症状感染者”不属于此类。痊愈者（Recovered）痊愈人群是患病后痊愈，SEIR病毒模型认为在感染此病毒后，其人体自身会获得该病毒抗体，不会再次被感染，所要痊愈人群是不具备传染性的，并且其本身不会再次被传染。以上的这四种人群，易感染者和潜伏期人群都可能被转化为感染人群，感染人群会转化为痊愈人群，根据已有的技术手段，进行隔离和治疗等是可以进行相互转化的，这里SEIR病毒模型将此概率可以进行设定。4.系统设计本章将会根据需求和可行性分析来介绍本系统的设计的基本流程框架，根据设计流程逐步对各个功能模块和各个实体进行详细的介绍。4.1系统结构设计通过对本系统的基本分析，大致了解了本系统所用到的基本技术框架，现在开始对该疫情防护管理系统进行初步的系统结构设计，该系统具备两大功能模块，第一个功能模块是疫情防护人员管理系统，将会对区域内出入人员进行疫情人员登记等操作，第二个模块是疫情趋势研判系统，将会根据输入的数据进行感染人群趋势预测。基于Python的疫情防护管理系统的功能模块：如图4-1所示。基于基于Python的疫情防护管理系统 疫情人员管理系统疫情趋势预测系统疫情人员管理系统疫情趋势预测系统信息登记管理员登录数据导入趋势预测训练模型密码修改批量处理信息查询信息登记管理员登录数据导入趋势预测训练模型密码修改批量处理信息查询图4-1系统设计结构图4.2Django框架开发流程设计Django提供了三个层次，分为模型层（models），视图层（views）和模版层。模型层（ORM），如图4-2所示 图4-2模型层示意图视图层，如图4-3所示图4-3视图层示意图（3）模版层，如图4-4所示图4-4模版层示意图4.3模块流程设计（1）在开发系统过程中，对每个需要实现的功能模块进行了详细分析，根据每个模块所需要实现的功能绘制成以下系统模块实例图，如图4-5所示：图4-5系统模块实例图（2）人员登记信息实例图，如3-4所示。图4-6人员登记信息实体图（3）人员管理信息实体图，如图4-7所示：图4-7人员管理信息实体图（4）SEIR病毒模型实例图，如图4-8所示图4-8SEIR病毒模型5.系统实现5.1模型建立在django框架中，setting.py文件中涉及网页页面的各种配置连接问题，在该文件中可以配置数据库信息，以及各个页面的处理器，记录器等问题，models.py文件则是涉及到数据库的建立和一些表格信息。首先是一张用户表的建立，是一些账户管理员登录表，如图5-1所示图5-1用户表建立其次是人员登记表的建立，如图5-2所示图5-2人员登记表建立5.2模版建立前端采用html进行编写，使用bootstrap框架进行美工，设计css，js等页面脚本，是面向使用者最直接的一个窗口，设计代码部分过多，仅展示部分代码了解主题页面，如图5-3所示图5-3前端页面实现5.3视图建立视图是django中涉及请求，响应的模块，如我们系统中所要实现的登录账号，录入疫情人员信息，密码修改等功能，这里对各类功能不一一描述，都是在此处来进行实现的，如图5-4：图5-4登录验证其次是我们可以通过excl表来实现批量更新人员登记信息，其中只有管理员用户才能进行批量上传，如果非管理员用户将会被拒绝上传表格，此功能也是为了方便进行大量数据的统计和分析，系统不仅仅可以通过表格来更新信息，也可以直接将我们数据库中的数据进行批量的下载出来，然后交付给疫情人员趋势研判系统进行趋势的研判，以方便进行下一步指示。如图5-5所示图5-5批量人员更新在人员管理中还涉及到一些人员图片的上传，也是在视图中实现此项功能，如图5-6所示图5-6图片上传5.4SEIR病毒模型建立SEIR病毒模型，是依据传染病动力学进行模型仿真，我们的参数设置可以参考钟南山院士等传染病学家的文章，由于此系统处于初步毕业设计阶段，大量真实数据无法获取，所有我是搜集了网络上一些关于新闻上的一些数据来进行分析，并且与真实的数据进行对比，来进一步说明本系统的预测功能具有准确性。N代表区域内总人口，取值为10000，gamma是康复概率，我们取感染期的倒数，sigma是潜伏者转化为感染者的参数，beta1是感染者传给易感染者的参数，beta2是潜伏者感染易感者的参数，如图5-7是实现过程图5-7SEIR病毒模型5.5NCP病毒模型建立NCP在传染病学一般是指代新型冠状病毒肺炎（COVID-19）简称“新冠肺炎”，我们这里采用torch库利用LSTM长短期神经网络对该病毒模型数据进行训练，这里我是选择读取excl文件中的表单，在预测结果时，同时与真实数据进行对比分析，来进一步验证该模型预测的准确性，同时该模型建立也是根据网络上官方权威数据进行代入预测的，由于是数据的运算，这里仅进行400次训练，将生成的模型直接用于预测，并且利用matplotlib绘图分析，如图5-8所示图5-8NCP模型训练6.系统测试6.1人员管理系统管理员在输入密码并验证成功后会进入疫情防护管理系统中，页面会显示当前时间以及目前所处位置信息，以及个人信息界面，包括当前管理员姓名，电话和所属社区，包含五个功能模块，如图5-1所示图6-1网站基本界面管理员接下来可以在人员登记功能处进行人员信息基本的人员信息填写，其中包括填入序号，身份证号码，户籍地，轨迹来源，属地，批次，下发日期，目前措施时间，目前状态，是否来自内地其他省市流入以及社区责任人等信息，其中若是序号，姓名，身份证号等个人重要信息没有正确填写，将会拒绝插入数据库指令，等待重新正确填写后，方可将数据插入数据库中，如图6-2所示。图6-2人员登记界面在人员登记过后，我们可以在人员管理模块，对我们所插入的信息进行查询和校对，根据实际情况，疫情期间人流量会涉及大量的数据插入，该人员管理模块可以根据人员姓名或者是所属社区进行快速查询，以及直接将excl表格插入数据库，和批量的人员信息下载，其中也可以对关键人员进行身份证件照片的上传，以方便后续管理，如图6-3所示图6-3人员管理页面接下来涉及的是管理员账号管理问题，这里简单的设计了一个密码修改的功能，如图6-4所示图6-4密码修改页面6.2疫情趋势预测在经过疫情人员管理系统后，我们可以将所有录入的人员信息进行导出，将数据库中的数据导入疫情趋势研判系统，其中蓝色曲线Susceptibles代表易感染者，灰色曲线Exposed代表潜伏者，红色曲线Infected是指感染者，绿色曲线Removed是康复者，如图6-5所示图6-5SEIR病毒模型预测SEIR病毒模型是根据传染病动力学的机理通过数据运算得出的预测结果，其政府干预措施，将每天接触人数参数r为1，现将加入政府干预措施，将参数r修改为5，来进行预测，结果如图6-6所示。图6-6R=5的SEIR病毒模型预测针对新型冠状病毒（COVID-19）我们采用LSTM长短期神经网络通过torch来进行模型训练，建立一个关于真实新型冠状病毒的病毒模型，我们暂时简称为NCP病毒模型，在进行模型训练之前，从网络上等各种途径搜集到关于武汉地区的确诊病例以及各种相关信息，完成信息搜集部分，并将其绘制成表格作为预训练的数据集，如图6-7所示图6-7疫情信息数据集下面是根据此数据集进行模型训练，如图6-8所示6-8NCP病毒模型训练接下来是根据此NCP病毒模型，来对我们所搜集到的信息进行趋势预测，以60天为周期，根据前45天的数据，对后15天进行发展趋势预测，为了验证数据的合理性，我们将60天武汉的真实数据也绘制在图表中，方便进行准确性对比，其中蓝色曲线代表60天的真实数据展示，橙色曲线为LSTM神经网络输入45天的数据，绿色曲线为NCP模型预测曲线。如图6-9 图6-9NCP病毒模型预测从预测结果和真实数据对比来看，NCP病毒模型预测趋势与真实数据趋势基本一致，所以我们可以将NCP病毒模型预测的结果作为我们疫情防护管理的一个重要参考结果，其具备一定的参考价值，方便疫情防护指挥部来对下一步疫情防控要求作出重要的指示。6.3系统测试结论在经过以上对本疫情防护管理系统的功能测试后，发现在人员管理系统和疫情趋势研判系统之间缺乏较好的衔接，人员管理系统所录入的数据无法较好的利用在趋势研判中，病毒模型的建立也很难在web页面上进行快速的训练，这是由于我们系统暂时处于试验阶段，无法获取海量真实有效的数据，所有只能从网络上搜集一些湖北武汉地区在2020年发生的真实数据，并且将其纳入分析，其预测结果基本吻合，数据预测准确，系统的功能都能正常运行。结语本系统是毕业设计课题基于Python的疫情防护管理系统，采用Django框架进行web应用程序开发和Torch深度学习库进行病毒模型训练，包含MYSQL数据库，MTV设计模式，LSTM神经网络和SEIR病毒模型等技术的使用，实现了人员信息采集，人员信息管理，NCP病毒模型训练，SEIR病毒模型建立和新型冠状病毒感染人数的预测等功能。本系统不仅仅能协助街道，乡镇和社区基层人员进行疫情期间安全防护，人员统计等工作，也为目前基础网格化人员提供信息技术支撑，同时也能帮助疫情防控指挥部分针对当前疫情趋势进行合理的研判，作出正确的疫情防控