密切接触者的确定方法、装置、设备和存储介质

摘要

本发明实施例公开了一种密切接触者的确定方法、装置、设备和存储介质。方法包括：获取第一数据以及终端设备周围至少一个其它终端设备的第二数据；根据第一数据中的第一类数据，确定终端设备对应第一用户的运动状态，以及根据第二数据中的第一类数据，确定其它终端设备对应第二用户的运动状态；将第一数据、第一用户的运动状态、第二数据以及第二用户的运动状态输入密切接触排查模型，以确定与第一用户密切接触的第二用户，并将与第一用户密切接触的第二用户发送给服务器。本发明实施例使得密切接触者的排查更全面、彻底，避免出现漏查，从而提高排查精准度，为防止病毒蔓延提供条件。

权利要求

1.一种密切接触者的确定方法，其特征在于，应用于终端设备，所述方法包括：获取第一数据以及终端设备周围至少一个其它终端设备的第二数据；

根据所述第一数据中的第一类数据，确定所述终端设备对应第一用户的运动状态，以及根据所述第二数据中的第一类数据，确定所述其它终端设备对应第二用户的运动状态；

将所述第一数据、所述第一用户的运动状态、所述第二数据以及所述第二用户的运动状态输入密切接触排查模型，以确定与所述第一用户密切接触的第二用户，并将与所述第一用户密切接触的第二用户发送给服务器；

所述将所述第一数据、所述第一用户的运动状态、所述第二数据以及所述第二用户的运动状态输入密切接触排查模型，以确定与所述第一用户密切接触的第二用户，包括：将所述第一数据、所述第一用户的运动状态、所述第二数据以及所述第二用户的运动状态输入密切接触排查模型，以确定所述第一用户与每个第二用户之间的距离得分；

根据每个距离得分与分数阈值之间的关系，确定与所述第一用户密切接触的第二用户；

所述根据每个距离得分与分数阈值之间的关系，确定与所述第一用户密切接触的第二用户，包括：若任意距离得分大于或等于所述分数阈值，则将所述距离得分对应的第二用户，确定为与所述第一用户密切接触的第二用户。

2.根据权利要求1所述的方法，其特征在于，所述获取第一数据以及终端设备周围至少一个其它终端设备的第二数据之后，还包括：分别将所述第一数据中的第一类数据和所述第二数据中的第一类数据，输入持握状态识别模型中，以确定第一用户的持握状态和第二用户的持握状态；

其中，所述持握状态识别模型是采用第一类数据样本集，对第一机器学习模型进行训练确定的。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一数据中的第一类数据，确定所述终端设备对应第一用户的运动状态，以及根据所述第二数据中的第一类数据，确定所述其它终端设备对应第二用户的运动状态，包括：分别将所述第一用户的持握状态及所述持握状态对应运动特征，和所述第二用户的持握状态及所述持握状态对应运动特征，输入运动状态识别模型，以确定第一用户的运动状态和第二用户的运动状态；

其中，所述运动状态识别模型是采用持握状态和持握状态对应运动特征样本集，对第二机器学习模型进行训练确定的。

4.根据权利要求1所述的方法，其特征在于，所述获取第一数据以及终端设备周围至少一个其它终端设备的第二数据之前，还包括：获取训练样本集，所述样本集中包括多个终端设备的数据，及每个终端设备对应用户的运动状态；

基于所述多个终端设备的数据及每个终端设备对应用户的运动状态，对第三机器学习模型进行训练，直至训练后的第三机器学习模型精准度达到精准度阈值；

将训练后的第三机器学习模型，确定为密切接触排查模型。

5.根据权利要求1‑4任一项所述的方法，其特征在于，第一数据和第二数据分别包括：第一类数据和第二类数据；

其中，第一类数据至少包括：屏幕状态、加速度、光照强度和通话状态；

第二类数据包括：蓝牙信号强度、位置信息和时间信息。

6.根据权利要求1所述的方法，其特征在于，还包括：

根据保存的终端设备数据和用户的运动状态，定期对所述密切接触排查模型进行更新。

7.一种密切接触者的确定装置，其特征在于，配置于终端设备，包括：数据获取模块，用于获取第一数据以及所述终端设备周围至少一个其它终端设备的第二数据；

第一确定模块，用于根据所述第一数据中第一类数据，确定所述终端设备对应第一用户的运动状态，以及根据所述第二数据中第一类数据，确定所述其它终端设备对应第二用户的运动状态；

第二确定模块，用于将所述第一数据、所述第一用户的运动状态、所述第二数据以及所述第二用户的运动状态输入密切接触排查模型，以确定与所述第一用户密切接触的第二用户，并将与所述第一用户密切接触的第二用户发送给服务器；

所述第二确定模块还用于：

将所述第一数据、所述第一用户的运动状态、所述第二数据以及所述第二用户的运动状态输入密切接触排查模型，以确定所述第一用户与每个第二用户之间的距离得分；根据每个距离得分与分数阈值之间的关系，确定与所述第一用户密切接触的第二用户；若任意距离得分大于或等于所述分数阈值，则将所述距离得分对应的第二用户，确定为与所述第一用户密切接触的第二用户。

8.一种终端设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1‑6中任一所述的密切接触者的确定方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑6中任一所述的密切接触者的确定方法。

说明书

密切接触者的确定方法、装置、设备和存储介质

技术领域

[0001] 本发明实施例涉及疫情防控技术领域，尤其涉及一种密切接触者的确定方法、装置、设备和存储介质。

背景技术

[0002] 面对新型冠状病毒的传播，一般采用佩戴口罩、设置卡点测温以及密切接触者隔离等措施防止继续蔓延。但因为病毒传播性强，且潜伏期内仍然可以传染给其他人，因此需要将与确诊人员密切接触者进行集中隔离，以隔离潜在传染源。

[0003] 将与确诊人员密切接触者进行集中隔离之前，需要确定出密切接触者。目前密切接触者确定方式是将确诊人员信息下发给各级防控中心，以使防疫人员进行人工调查，不仅工作量大，且存在排查不全面不彻底，容易出现漏查，造成病毒继续蔓延。

发明内容

[0004] 本发明实施例提供一种密切接触者的确定方法、装置、设备和存储介质，使得密切接触者的排查更全面、彻底，避免出现漏查，从而提高排查精准度，为防止病毒蔓延提供条件。

[0005] 第一方面，本发明实施例提供了一种密切接触者的确定方法，应用于终端设备，所述方法包括：

[0006] 获取第一数据以及终端设备周围至少一个其它终端设备的第二数据；

[0007] 根据所述第一数据中的第一类数据，确定所述终端设备对应第一用户的运动状态，以及根据所述第二数据中的第一类数据，确定所述其它终端设备对应第二用户的运动状态；

[0008] 将所述第一数据、所述第一用户的运动状态、所述第二数据以及所述第二用户的运动状态输入密切接触排查模型，以确定与所述第一用户密切接触的第二用户，并将与所述第一用户密切接触的第二用户发送给服务器。

[0009] 第二方面，本发明实施例还提供了一种密切接触者的确定装置，配置于终端设备，包括：

[0010] 数据获取模块，用于获取第一数据以及所述终端设备周围至少一个其它终端设备的第二数据；

[0011] 第一确定模块，用于根据所述第一数据中第一类数据，确定所述终端设备对应第一用户的运动状态，以及根据所述第二数据中第一类数据，确定所述其它终端设备对应第二用户的运动状态；

[0012] 第二确定模块，用于将所述第一数据、所述第一用户的运动状态、所述第二数据中以及所述第二用户的运动状态输入密切接触排查模型，以确定与所述第一用户密切接触的第二用户，并将与所述第一用户密切接触的第二用户发送给服务器。

[0013] 第三方面，本发明实施例还提供了一种终端设备，包括：

[0014] 一个或多个处理器；

[0015] 存储装置，用于存储一个或多个程序，

[0016] 当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例中任一所述的密切接触者的确定方法。

[0017] 第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例中任一所述的密切接触者的确定方法。

[0018] 本发明实施例公开的技术方案，具有如下有益效果：

[0019] 通过获取第一数据以及终端设备周围至少一个其它终端设备的第二数据，以根据第一数据中第一类数据确定终端设备对应用户的运动状态，以及根据第二数据中第一类数据确定其它终端设备对应用户的运动状态，然后将第一数据、第一用户的运动状态、第二数据以及第二用户的运动状态输入密切接触排查模型，以确定与第一用户密切接触的第二用户，并将与第一用户密切接触的第二用户发送给服务器。由此，实现了基于密切接触排查模型，对获取到的终端设备数据进行识别，以确定与用户发生过密切接触的人员，并将密切人员发送给服务器，使得后续对确诊人员密切接触者的排查更全面、彻底，避免出现漏查的情况，从而提高排查精准度，为防止病毒蔓延提供条件。

附图说明

[0020] 图1是本发明实施例一提供的一种密切接触者的确定方法的流程示意图；

[0021] 图2是本发明实施例二提供的一种密切接触者的确定方法的流程示意图；

[0022] 图3是本发明实施例三提供的一种密切接触者的确定方法的流程示意图；

[0023] 图4是本发明实施例四提供的一种密切接触排查模型的生成过程流程图；

[0024] 图5是本发明实施例五提供的一种密切接触者的确定装置的结构示意图；

[0025] 图6是本发明实施例六提供的一种终端设备的结构示意图。

具体实施方式

[0026] 下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明实施例，而非对本发明实施例的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明实施例相关的部分而非全部结构。

[0027] 下面参考附图对本发明实施例提供的一种密切接触者的确定方法、装置、设备和存储介质进行说明。

[0028] 实施例一

[0029] 图1是本发明实施例一提供的一种密切接触者的确定方法的流程示意图，本实施例可适用于对与用户发生过密切接触的人员进行自动识别的场景，该方法可以由密切接触者的确定装置来执行，该装置可由硬件和/或软件组成，并可集成于终端设备中，本实施例中终端设备可以是任意具有数据处理功能的硬件设备，例如智能手机或可穿戴式设备等。该方法具体包括如下：

[0030] S101，获取第一数据以及终端设备周围至少一个其它终端设备的第二数据。

[0031] 其中，第一数据为终端设备自身的数据，第二数据为其他终端设备的数据。本实施例中，第一数据和第二数据，可包括：屏幕状态、加速度、光照强度、通话状态、位置信息、时间信息和蓝牙信号强度(Received Signal Strength Indication,简称RSSI)等，此处对其不做具体限定。其中，屏幕状态包括：亮屏状态和熄屏状态；通话状态包括：正在通话和未通话。

[0032] 具体的，终端设备可通过自身的各类传感器或监测器采集不同类型的数据，以构成第一数据。其中，各类传感器和监测器根据采集的第一数据类型而不同。例如，传感器可为但不限于：加速度传感器、陀螺仪、声音传感器和光照传感器等。

[0033] 因为终端设备的周围可能还存在其他终端设备，那么本实施例终端设备在获取自身第一数据的同时，还可以获取周围至少一个其他终端设备的第二数据。具体实现时，终端设备可通过蓝牙功能对周围其他终端设备广播的身份信息进行周期性扫描，以获取其他终端设备的第二数据。此外，终端设备还可通过蓝牙功能周期性将自身身份信息对外进行广播，以使周围其他终端设备也能够获取到第一数据。

[0034] 又因为通过蓝牙功能扫描到的数据，一般为设备的蓝牙名称、蓝牙信号强度值和MAC地址(Media Access Control Address)等数据。那么为了获取到周围其他终端设备的第二数据，本发明实施例可对蓝牙功能进行改进，以当扫描到周围其他终端设备的蓝牙名称时，终端设备可将自身蓝牙名称修改成第一数据，以使周围其他终端设备基于扫描到的蓝牙名称，得到终端设备的第一数据。同时，周围其他终端设备也可将自身蓝牙名称修改成第二数据，以使终端设备基于扫描到的蓝牙名称，得到周围其他终端设备的第二数据。

[0035] 其中，将蓝牙名称修改成第一数据或第二数据，可以是将每个类型数据进行拼接，并将拼接结果作为蓝牙名称。

[0036] 也就是说，本实施例只要扫描到周围终端设备的蓝牙名称即可获取到周围其他终端设备的第二数据，以及可将自身的第一数据提供给周围其他设备，从而提高了数据交互的速度，避免了现有的先基于扫描到的蓝牙名称建立蓝牙连接，然后再交换数据所带来的数据交换花费较多时间的问题。

[0037] 在应用过程中，每个终端设备获取自身的数据数量可能比较多，但蓝牙名称字符长度是有限的，那么通过基于获取的数据修改蓝牙名称，可能无法将获取的所有数据均成功展示出来，导致部分数据无法被其他设备成功获取到。为此，终端设备基于第一数据修改自身蓝牙名称之前，可对拼接结果进行降维处理，然后将降维处理后的拼接结果作为蓝牙名称，使得其他终端设备基于预先协商好的处理方式，对获取到的蓝牙名称进行复原，以获取终端设备的第一数据。同样的，其他终端设备也采用类似方式对第二数据进行处理，以使终端设备能够获取到完成的第二数据。

[0038] S102，根据所述第一数据中的第一类数据，确定所述终端设备对应第一用户的运动状态，以及根据所述第二数据中的第一类数据，确定所述其它终端设备对应第二用户的运动状态。

[0039] 本实施例中，第一数据包括第一类数据和第二类数据，相应的第二数据也包括第一类数据和第二数据；其中，第一类数据至少包括：屏幕状态、加速度、光照强度和通话状态。用户的运动状态可包括：静止、步行和跑步等。第二类数据包括：蓝牙信号强度、位置信息和时间信息。

[0040] 具体的，终端设备获取到自身第一数据，及周围其他终端设备的第二数据之后，可从第一数据和第二数据中，分别选取出第一类数据。然后，采用运动状态识别算法或运动状态识别模型，基于第一数据中的第一类数据确定终端设备对应第一用户的运动状态，以及基于第二数据中的第一类数据确定终端设备对应第二用户的运动状态。本实施例中，运动状态识别算法是指用于识别用户运动状态的任意算法，此处对其不做具体限定。

[0041] S103，将所述第一数据、所述第一用户的运动状态、所述第二数据以及所述第二用户的运动状态输入密切接触排查模型，以确定与所述第一用户密切接触的第二用户，并将与所述第一用户密切接触的第二用户发送给服务器。

[0042] 可选的，通过将第一数据中的第一类数据和第二类数据、第一用户的运动状态、第二数据中的第一类数据和第二类数据以及第二用户的运动状态，输入到密切接触排查模型中，以利用密切接触排查模型，基于上述数据识别与第一用户发生密切接触的第二用户，从而确定出与第一用户密切接触的第二用户。然后，将与第一用户密切接触的第二用户发送给服务器，以使服务器保存与第一用户密切接触的第二用户，以为后续进行确诊人员密切接触者排查提供条件。

[0043] 需要说明的是，对于本实施例中密切接触排查模型的生成过程，将在下面的示例中进行详细说明，此处对其不作过多赘述。

[0044] 可以理解的是，本发明实施例终端设备除了获取具有自身蓝牙信号强度和其他多种数据的第一数据之外，还获取周围其他终端设备具有蓝牙信号强度和其他多种数据的第二数据，以基于第一数据和第二数据来识别与终端设备对应第一用户密切接触的第二用户，实现在蓝牙信号强度基础上，基于其他终端数据共同确定终端设备与周围其他终端设备之间的距离，即第一用户与第二用户之间的距离，以改善只利用蓝牙信号强度进行测距时，存在的抗干扰能力差，准确度差的问题，提高了密切接触者的确定精准度和稳定性。

[0045] 本发明实施例提供的技术方案，通过获取第一数据以及终端设备周围至少一个其它终端设备的第二数据，以根据第一数据中第一类数据确定终端设备对应用户的运动状态，以及根据第二数据中第一类数据确定其它终端设备对应用户的运动状态，然后将第一数据、第一用户的运动状态、第二数据以及第二用户的运动状态输入密切接触排查模型，以确定与第一用户密切接触的第二用户，并将与第一用户密切接触的第二用户发送给服务器。由此，实现了基于密切接触排查模型，对获取到的终端设备数据进行识别，以确定与用户发生过密切接触的人员，并将密切人员发送给服务器，使得后续对确诊人员密切接触者的排查更全面、彻底，避免出现漏查的情况，从而提高排查精准度，为防止病毒蔓延提供条件。

[0046] 在上述实施例的基础上，本实施例将与所述第一用户密切接触的第二用户发送给服务器之后，可选的还包括：根据保存的终端设备数据和用户的运动状态，定期对所述密切接触排查模型进行更新。

[0047] 本实施例中，终端设备数据，具体是指获取到的终端设备的数据。这里终端设备数据是指终端设备自身及终端设备周围所有其他终端设备。

[0048] 其中，定期可根据实际应用需要进行设置，例如两周、一个月或者两个月等。

[0049] 也就是说，本实施例利用密切接触排查模型，确定与用户发生密切接触的人员时，可将每次识别所用到的所有终端设备数据及用户的运动状态进行保存，并当保存的数据达到更新周期时，终端设备可基于保存的所有终端设备数据和用户的运动状态，对密切接触排查模型进行自动更新，实现对密切接触排查模型的不断更新，从而不断提高密切接触排查模型的识别精准度。

[0050] 实施例二

[0051] 图2是本发明实施例二提供的一种密切接触者的确定方法的流程示意图，在上述实施例的基础上进行优化。如图2所示，该方法具体如下：

[0052] S201，获取第一数据以及终端设备周围至少一个其它终端设备的第二数据。

[0053] S202，分别将所述第一数据中的第一类数据和所述第二数据中的第一类数据，输入持握状态识别模型中，以确定第一用户的持握状态和第二用户的持握状态。

[0054] 其中，所述持握状态识别模型是采用第一类数据样本集，对第一机器学习模型进行训练确定的。本实施例中，第一类数据样本集为标注有持握状态的样本集。

[0055] 在本实施例中，用户的持握状态可包括但不限于：耳边持握、胸前持握和放置于兜里等。

[0056] 下面对本实施例中持握状态识别模型的训练过程进行说明。具体的生成过程包括如下：

[0057] S11，获取多个第一类数据。

[0058] 具体的，本实施例可通过获取大量终端设备自身获取的数据，并从数据中提取第一类数据；或者，还可基于互联网从海量数据中获取第一类数据等，此处对其不做具体限定。

[0059] S12，根据设定持握现象规则，从所述第一类数据中确定用户的持握状态。

[0060] 其中，第一类数据和用户的持握状态组成持握状态样本。

[0061] 本发明实施例中，设定持握现象规则可根据实际应用需要进行适应性设置，此处不做限制。

[0062] 示例性的，本实施例根据设定持握现象规则，从第一类数据中确定用户持握状态，可包括下述至少一项：

[0063] 如果确定第一类数据中光照强度为第一数值，屏幕状态为熄屏状态且通话状态为正在通话，则确定用户持握状态为耳边持握；

[0064] 如果确定第一类数据中光照强度为第一数值，屏幕状态为熄屏状态且通话状态为未通话，则确定用户持握状态为放置于兜里；

[0065] 如果确定第一类数据中屏幕状态为亮屏状态，且通话状态为正在通话，则确定用户持握状态为胸前持握；

[0066] 如果确定第一类数据中屏幕状态为亮屏状态，且加速度值为第二数值，则确定用户持握状态为胸前持握。

[0067] 其中，第一数值为零，第二数值为非零值。

[0068] 进一步的，从第一类数据中确定出用户持握状态之后，可将第一类数据和确定的用户持握状态组成持握状态样本，进而基于多个持握状态样本，得到标注有持握状态的样本集。

[0069] 需要说明的是，本实施例中设定持握现象规则是基于第一类数据可表明用户持握状态的迹象，在获取训练样本时，可通过从海量采集的第一类数据中筛选出表明有明确持握状态的数据作为样本。

[0070] S13，将标注有持握状态的样本集中的样本作为输入数据，输入至第一机器学习模型中进行训练，得到持握状态识别模型。

[0071] 具体的，通过将第一类数据样本输入至第一机器学习模型中，并以第一类数据样本对应的持握状态作为训练结果，重复对第一机器学习模型进行训练，直至输入第一类数据即可得到对应持握状态为止。然后，将该训练后的第一机器学习模型作为持握状态识别模型。

[0072] 在训练好持握状态识别模型之后，本实施例可应用该持握状态识别模型，以分别将第一数据中的第一类数据和第二数据中的第一类数据，输入至持握状态识别模型中，以通过持握状态识别模型识别第一用户的持握状态和第二用户的持握状态。

[0073] S203，分别将所述第一用户的持握状态及所述持握状态对应运动特征，和所述第二用户的持握状态及所述持握状态对应运动特征，输入运动状态识别模型，以确定第一用户的运动状态和第二用户的运动状态。

[0074] 需要说明的是，持握状态对应的运动特征基于第一类数据确定。

[0075] 其中，所述运动状态识别模型是采用持握状态和持握状态对应运动特征样本集，对第二机器学习模型进行训练确定的。在本实施例中，持握状态和持握状态对应运动特征样本集为标注有运动状态的样本集。

[0076] 在本实施例中，用户的运动状态可包括但不限于：静止、行走和跑步等。

[0077] 下面对本发明实施例中运动状态识别模型的训练过程进行说明。具体包括如下：

[0078] S21，获取多个持握状态和每个持握状态对应运动特征。

[0079] 具体的，可基于互联网从海量数据中获取多个持握状态和每个持握状态对应的运动特征，或者还可采用实验方式获取大量用户持握终端设备的持握状态和每个持握状态的运动特征，等等。

[0080] S22，根据设定运动现象规则，从所述多个持握状态和每个持握状态对应运动特征中确定用户的运动状态。

[0081] 本实施例中，持握状态和持握状态对应的运动特征组成运动状态样本。

[0082] 其中，设定运动现象规则可根据实际应用需要进行适应性设置，此处不做限制。

[0083] 示例性的，本实施例根据设定运动现象规则，从多个持握状态和每个持握状态对应运动特征中确定用户运动状态，包括下述至少一项：

[0084] 如果确定用户持握状态为胸前持握，且对应运动特征为第三方向上的加速度值为第一数值，则确定用户运动状态为静止；

[0085] 如果确定用户持握状态为胸前持握，且对应运动特征为第三方向上的加速度值为第二数值，则确定用户运动状态为慢走；

[0086] 如果确定用户持握状态为耳边持握，且对应运动特征为第一方向上的加速度值为第一数值，则确定用户运动状态为静止；

[0087] 如果确定用户持握状态为耳边持握，且对应运动特征为第一方向上的加速度值为第二数值，则确定用户运动状态为慢走；

[0088] 如果确定用户持握状态为耳边持握，且对应运动特征为第一方向上的加速度为第三数值，则确定用户运动状态为跑步。

[0089] 如果确定用户持握状态为放置于兜里，且对应运动特征为第一方向上的加速度值为第一数值，则确定用户运动状态为静止；

[0090] 如果确定用户持握状态为放置于兜里，且对应运动特征为第一方向的加速度为第二数值，则确定用户运动状态为慢走。

[0091] 其中，第一方向优选为X轴方向，第三方向优选为Z轴方向。

[0092] 第一数值为零，第二数值和第三数值为非零值，且第三数值大于第二数值。

[0093] 进而，从多个持握状态和每个持握状态对应运动特征中，确定出用户运动状态之后，可将持握状态和每个持握状态对应运动特征，以及确定的用户运动状态组成运动状态样本，进而基于多个运动状态样本，得到标注有运动状态的样本集。

[0094] S23，将标注有运动状态的样本集中的样本作为输入数据，输入至第二机器学习模型中进行训练，得到运动状态识别模型。

[0095] 本实施例通过将持握状态和每个持握状态对应运动特征样本输入至第二机器学习模型中，并以持握状态和每个持握状态对应运动特征样本对应的运动状态作为训练结果，重复对第二机器学习模型进行训练，直至输入持握状态和每个持握状态对应运动特征即可得到对应运动状态为止。然后，将该训练后的第二机器学习模型作为运动状态识别模型。

[0096] 在训练好运动状态识别模型之后，本实施例可应用该运动状态识别模型，以分别将第一用户的持握状态及持握状态对应运动特征，和第二用户的持握状态及持握状态对应运动特征，输入至运动状态识别模型中，以通过运动状态识别模型识别第一用户的运动状态和第二用户的运动状态。

[0097] S204，将所述第一数据、所述第一用户的运动状态、所述第二数据以及所述第二用户的运动状态输入密切接触排查模型，以确定与所述第一用户密切接触的第二用户，并将与所述第一用户密切接触的第二用户发送给服务器。

[0098] 本发明实施例提供的技术方案，实现了基于密切接触排查模型，对获取到的终端设备数据进行识别，以确定与用户发生过密切接触的人员，并将密切人员发送给服务器，使得后续对确诊人员密切接触者的排查更全面、彻底，避免出现漏查的情况，从而提高排查精准度，为防止病毒蔓延提供条件。此外，基于持握识别模型对用户持握状态进行识别，并基于运动状态识别模型对用户持握状态进行识别，可为提高对用户密切接触者确定速度及准确度提供条件。

[0099] 实施例三

[0100] 图3是本发明实施例三提供的一种密切接触者的确定方法的流程示意图，在上述实施例的基础上，对本实施例中“将所述第一数据、所述第一用户的运动状态、所述第二数据以及所述第二用户的运动状态输入密切接触排查模型，以确定与所述第一用户密切接触的第二用户”进行进一步优化。如图3所示，该方法具体如下：

[0101] S301，获取第一数据以及终端设备周围至少一个其它终端设备的第二数据。

[0102] S302，根据所述第一数据中的第一类数据，确定所述终端设备对应第一用户的运动状态，以及根据所述第二数据中的第一类数据，确定所述其它终端设备对应第二用户的运动状态。

[0103] S303，将所述第一数据、所述第一用户的运动状态、所述第二数据以及所述第二用户的运动状态输入密切接触排查模型，以确定所述第一用户与每个第二用户之间的距离得分。

[0104] 具体的，可将第一数据中的第一类数据和第二类数据、第一用户的运动状态、第二数据中的第一类数据和第二类数据以及第二用户的运动状态输入密切接触排查模型，以通过密切接触排查模型计算第一用户与每个第二用户之间的距离得分，从而基于距离得分为确定与第一用户密切接触的第二用户奠定基础。

[0105] S304，根据每个距离得分与分数阈值之间的关系，确定与所述第一用户密切接触的第二用户，并将与所述第一用户密切接触的第二用户发送给服务器。

[0106] 其中，分数阈值可根据防疫需求进行设置，例如如果防疫需求高，可将分数阈值设置的高一点，例如95分或98分等；如果防疫需求低，可将分数阈值设置的低一点，例如75分或80分等。

[0107] 需要说明的是，本实施例中至少两个用户之间的距离得分越高，则说明该用户之间的距离越短，反之距离越大。

[0108] 具体的，在计算出第一用户与每个第二用户之间的距离得分之后，密切接触排查模型可将每个距离得分与分数阈值进行比较，以确定哪些距离得分超过分数阈值，哪些距离得分未超过分数阈值。然后，将超过分数阈值的距离得分对应的第二用户确定为与第一用户密切接触的用户。

[0109] 即，本实施例根据每个距离得分与分数阈值之间的关系，确定与所述第一用户密切接触的第二用户，包括：

[0110] 若任意距离得分大于或等于所述分数阈值，则将所述距离得分对应的第二用户，确定为与所述第一用户密切接触的第二用户。

[0111] 本发明实施例提供的技术方案，实现了基于密切接触排查模型，对获取到的终端设备数据进行识别，以确定与用户发生过密切接触的人员，并将密切人员发送给服务器，使得后续对确诊人员密切接触者的排查更全面、彻底，避免出现漏查的情况，从而提高排查精准度，为防止病毒蔓延提供条件。

[0112] 实施例四

[0113] 下面通过图4，对本发明实施例中密切接触排查模型的生成过程进行说明。如图4所示，该方法具体如下：

[0114] S401，获取训练样本集，所述样本集中包括多个终端设备的数据，及每个终端设备对应用户的运动状态。

[0115] 其中，终端设备的数据是指包括第一类数据和第二类数据的数据。

[0116] 具体的，可采用不同方式获取训练样本集，例如可通过大量实验获取，或者从海量数据库中获取等，此处对其不做限制。

[0117] S402，基于所述多个终端设备的数据及每个终端设备对应用户的运动状态，对第三机器学习模型进行训练，直至训练后的第三机器学习模型精准度达到精准度阈值。

[0118] S403，将训练后的第三机器学习模型，确定为密切接触排查模型。

[0119] 本实施例中，精准度阈值可根据实际应用需要进行设置，此处不做限制。

[0120] 具体的，可将获取的训练样本集中的样本，作为输入数据输入至第三机器学习模型中，以对第三机器学习模型进行不断训练，直到训练后的第三机器学习模型的识别精准度达到精准度阈值为止，然后将训练后的第三机器学习模型，确定为密切接触排查模型。

[0121] 实施例五

[0122] 图5是本发明实施例五提供的一种密切接触者的确定装置的结构示意图。本实施例密切接触者的确定装置，可由硬件和/或软件组成，并可集成于终端设备中。如图5所示，本发明实施例提供的密切接触者的确定装置500包括：数据获取模块510、第一确定模块520和第二确定模块530。

[0123] 其中，数据获取模块510，用于获取第一数据以及所述终端设备周围至少一个其它终端设备的第二数据；

[0124] 第一确定模块520，用于根据所述第一数据中第一类数据，确定所述终端设备对应第一用户的运动状态，以及根据所述第二数据中第一类数据，确定所述其它终端设备对应第二用户的运动状态；

[0125] 第二确定模块530，用于将所述第一数据、所述第一用户的运动状态、所述第二数据以及所述第二用户的运动状态输入密切接触排查模型，以确定与所述第一用户密切接触的第二用户，并将与所述第一用户密切接触的第二用户发送给服务器

[0126] 作为本发明实施例的一种可选的实现方式，所述装置500，还包括：第三确定模块；

[0127] 其中，第三确定模块，用于分别将所述第一数据中的第一类数据和所述第二数据中的第一类数据，输入持握状态识别模型中，以确定第一用户的持握状态和第二用户的持握状态；

[0128] 其中，所述持握状态识别模型是采用第一类数据样本集，对第一机器学习模型进行训练确定的。

[0129] 作为本发明实施例的一种可选的实现方式，第一确定模块520，具体用于：

[0130] 分别将所述第一用户的持握状态及所述持握状态对应运动特征，和所述第二用户的持握状态及所述持握状态对应运动特征，输入运动状态识别模型，以确定第一用户的运动状态和第二用户的运动状态；

[0131] 其中，所述运动状态识别模型是采用持握状态和持握状态对应运动特征样本集，对第二机器学习模型进行训练确定的。

[0132] 作为本发明实施例的一种可选的实现方式，所述装置500，还包括：样本集获取模块，模型训练模块和第四确定模块；

[0133] 其中，样本集获取模块，用于获取训练样本集，所述样本集中包括多个终端设备的数据，及每个终端设备对应用户的运动状态；

[0134] 模型训练模块，用于基于所述多个终端设备的数据及每个终端设备对应用户的运动状态，对第三机器学习模型进行训练，直至训练后的第三机器学习模型精准度达到精准度阈值；

[0135] 第四确定模块，用于将训练后的第三机器学习模型，确定为密切接触排查模型。

[0136] 作为本发明实施例的一种可选的实现方式，第二确定模块530，具体用于：

[0137] 将所述第一数据、所述第一用户的运动状态、所述第二数据以及所述第二用户的运动状态输入密切接触排查模型，以确定所述第一用户与每个第二用户之间的距离得分；

[0138] 根据每个距离得分与分数阈值之间的关系，确定与所述第一用户密切接触的第二用户。

[0139] 作为本发明实施例的一种可选的实现方式，第二确定模块530，还用于：

[0140] 若任意距离得分大于或等于所述分数阈值，则将所述距离得分对应的第二用户，确定为与所述第一用户密切接触的第二用户。

[0141] 作为本发明实施例的一种可选的实现方式，第一数据和第二数据分别包括：第一类数据和第二类数据；

[0142] 其中，第一类数据至少包括：屏幕状态、加速度、光照强度和通话状态；

[0143] 第二类数据包括：蓝牙信号强度、位置信息和时间信息。

[0144] 作为本发明实施例的一种可选的实现方式，所述装置500，还包括：更新模块；

[0145] 其中，更新模块，用于根据保存的终端设备数据和用户的运动状态，定期对所述密切接触排查模型进行更新。

[0146] 需要说明的是，前述对密切接触者的确定方法实施例的解释说明也适用于该实施例的密切接触者的确定装置，其实现原理类似，此处不再赘述。

[0147] 本发明实施例提供的技术方案，通过获取第一数据以及终端设备周围至少一个其它终端设备的第二数据，以根据第一数据中第一类数据确定终端设备对应用户的运动状态，以及根据第二数据中第一类数据确定其它终端设备对应用户的运动状态，然后将第一数据、第一用户的运动状态、第二数据以及第二用户的运动状态输入密切接触排查模型，以确定与第一用户密切接触的第二用户，并将与第一用户密切接触的第二用户发送给服务器。由此，实现了基于密切接触排查模型，对获取到的终端设备数据进行识别，以确定与用户发生过密切接触的人员，并将密切人员发送给服务器，使得后续对确诊人员密切接触者的排查更全面、彻底，避免出现漏查的情况，从而提高排查精准度，为防止病毒蔓延提供条件。

[0148] 实施例六

[0149] 图6是本发明实施例六提供的一种终端设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性终端设备600的框图。图6显示的终端设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

[0150] 如图6所示，终端设备600以通用计算设备的形式表现。终端设备600的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

[0151] 总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

[0152] 终端设备600典型地包括多种计算机系统可读介质。这些介质可以是任何能够被终端设备600访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

[0153] 系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。终端设备600可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD‑ROM,DVD‑ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

[0154] 具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

[0155] 终端设备600也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该终端设备600交互的设备通信，和/或与使得该终端设备600能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，终端设备600还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与终端设备600的其它模块通信。应当明白，尽管图中未示出，可以结合终端设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

[0156] 处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的密切接触者的确定方法，所述方法包括：

[0157] 获取第一数据以及终端设备周围至少一个其它终端设备的第二数据；

[0158] 根据所述第一数据中的第一类数据，确定所述终端设备对应第一用户的运动状态，以及根据所述第二数据中的第一类数据，确定所述其它终端设备对应第二用户的运动状态；

[0159] 将所述第一数据、所述第一用户的运动状态、所述第二数据以及所述第二用户的运动状态输入密切接触排查模型，以确定与所述第一用户密切接触的第二用户，并将与所述第一用户密切接触的第二用户发送给服务器。

[0160] 需要说明的是，前述对密切接触者的确定方法实施例的解释说明也适用于该实施例的终端设备，其实现原理类似，此处不再赘述。

[0161] 本发明实施例提供的技术方案，实现了基于密切接触排查模型，对获取到的终端设备数据进行识别，以确定与用户发生过密切接触的人员，并将密切人员发送给服务器，使得后续对确诊人员密切接触者的排查更全面、彻底，避免出现漏查的情况，从而提高排查精准度，为防止病毒蔓延提供条件。

[0162] 实施例七

[0163] 为了实现上述目的，本发明实施例七还提出了一种计算机可读存储介质。

[0164] 本发明实施例提供的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所述的密切接触者的确定方法，包括：

[0165] 获取第一数据以及终端设备周围至少一个其它终端设备的第二数据；

[0166] 根据所述第一数据中的第一类数据，确定所述终端设备对应第一用户的运动状态，以及根据所述第二数据中的第一类数据，确定所述其它终端设备对应第二用户的运动状态；

[0167] 将所述第一数据、所述第一用户的运动状态、所述第二数据以及所述第二用户的运动状态输入密切接触排查模型，以确定与所述第一用户密切接触的第二用户，并将与所述第一用户密切接触的第二用户发送给服务器。

[0168] 本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD‑ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

[0169] 计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

[0170] 计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

[0171] 可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

[0172] 注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。