Kontaktu identificēšana un uzskaitīšana balstoties uz lokalizācijas datiem infekcijas riska mazināšanai

Abstract

Kontaktu identificēšana un uzskaitīšana, izmantojot lokalizācijas datus, dod iespēju samazināt inficēšanās risku. Ātra iespēja uzskaitīt un identificēt potenciālos kontaktus starp cilvēkiem dod iespēju ātri ierobežot Covid-19 izplatību starp cilvēkiem. Bakalaura darbs norit projekta “Multdisciplināra pieeja Covid-19 un citu nākotnes epidēmiju monitorēšanai, kontrolei un ierobežošanai Latvijā” ietvaros, kur tiek analizēti izsekošanas sensoru dati telpā. Darbā tiek izstrādāts un testēts datu ielādes modelis, kas dod iespēju veikt attiecīgās datu transformācijas un atlasīšanas, lai precīzi identificētu un uzskaitītu cilvēku kontaktus telpā. Tiek apskatītas dažādas vizualizācijas kā izkliedes diagrammas un karstuma kartes, lai precīzāk noteiktu cilvēku pārvietošanos telpā. Risinājums izmanto MongoDB datubāzi, Microsoft Power BI datu analīzes rīku, MS SQL Server datubāzi un SQL Server Integration Services ielādes pakotnes.

Identifying and counting contacts using location data makes it possible to reduce the risk of infection. A quick way to list and identify potential human contacts allows you to quickly limit the spread of Covid-19 in the field. The bachelor's thesis is carried out within the framework of the project “Multidisciplinary approach to monitoring, control and control of Covid-19 and other future epidemics in Latvia”, where the data of tracking sensors in space are analyzed. The work develops and tests a data loading model, which allows to perform the relevant data transformations and selections to accurately identify and list human contacts in the room. Various visualizations are considered, such as scatter plots and heat maps, to more accurately determine the movement of people in a room. The solution uses MongoDB database, Microsoft Power BI data analysis tool, MS SQL Server database and SQL Server Integration Services packages.