CN109697305A - 一种基于个性化情绪感染模型的情绪感染模拟方法和装置 - Google Patents
一种基于个性化情绪感染模型的情绪感染模拟方法和装置 Download PDFInfo
- Publication number
- CN109697305A CN109697305A CN201811421467.8A CN201811421467A CN109697305A CN 109697305 A CN109697305 A CN 109697305A CN 201811421467 A CN201811421467 A CN 201811421467A CN 109697305 A CN109697305 A CN 109697305A
- Authority
- CN
- China
- Prior art keywords
- emotional appeal
- emotional
- infected
- pvp
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002996 emotional effect Effects 0.000 title claims abstract description 253
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004088 simulation Methods 0.000 claims abstract description 36
- 238000005290 field theory Methods 0.000 claims abstract description 11
- 208000015181 infectious disease Diseases 0.000 claims description 78
- 230000036651 mood Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 13
- 230000003993 interaction Effects 0.000 description 8
- 230000008447 perception Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 238000003556 assay Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 3
- 208000004356 Hysteria Diseases 0.000 description 2
- 208000012839 conversion disease Diseases 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 241000167880 Hirundinidae Species 0.000 description 1
- 206010029216 Nervousness Diseases 0.000 description 1
- 241000669244 Unaspis euonymi Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000010234 longitudinal analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于个性化情绪感染模型的情绪感染模拟方法和装置,该方法包括以下步骤:构建PVP情绪感染规则;建立个性化的PVP情绪感染模型,结合平均场理论,得出PVP情绪感染模型的平均场方程;采用数值仿真方法对PVP情绪感染模型的平均场方程进行数值求解;采用BA无标度网络对PVP情绪感染模型进行模拟仿真,并验证其稳定性。本发明能够真实的模拟人群中的情绪感染过程,同时为解决情绪感染现象和突发社会事件等问题提供了新的解决思路。
Description
技术领域
本公开涉及一种基于个性化情绪感染模型的情绪感染模拟方法和装置。
背景技术
随着互联网的进一步发展,人与人之间的联系愈发紧密,突发事件发生的频率愈来愈高,个体极易受到突发事件中情绪感染的影响。
目前,基于信息感知模型的情绪感染主要体现为两种模式:一是基于物理空间的情绪感染,即通过现实生活中具体场景下的信息感知受到情绪感染;二是基于虚拟空间的情绪感染,即通过互联网中社交平台的信息感知受到情绪感染。而对情绪感染的研究主要是基于单一空间如物理空间或虚拟空间的研究,没有综合考虑物理空间信息和虚拟空间交互对个体情绪感染的影响。为了能够真实的模拟人群中的情绪感染过程,不仅要综合考虑虚拟空间交互和物理空间信息对情绪感染的影响,还要考虑个体间的个性差异。
综上所述,目前对于情绪感染模型的研究大都没有同时考虑虚拟空间交互和物理空间信息以及个体的个性差异对情绪感染的影响的问题,尚缺乏有效的解决方案。
发明内容
为了克服上述现有技术的不足,本公开提供了一种基于个性化情绪感染模型的情绪感染模拟方法和装置,能够真实的模拟人群中的情绪感染过程,同时为解决情绪感染现象和突发社会事件等问题提供了新的解决思路。
本公开所采用的技术方案是:
一种基于个性化情绪感染模型的情绪感染模拟方法,该方法包括以下步骤:
构建PVP情绪感染规则;
建立个性化的PVP情绪感染模型,结合平均场理论,得出PVP情绪感染模型的平均场方程;
采用数值仿真方法对PVP情绪感染模型的平均场方程进行数值求解;
采用BA无标度网络对PVP情绪感染模型进行模拟仿真,并验证其稳定性。
进一步的,所述PVP情绪感染规则包括:
(1)不同的虚拟空间易感者Son将会以不同的情绪感染强度oni,被虚拟空间感染者Ion以感染率βon感染为虚拟空间感染者Ion;
(2)不同的虚拟空间易感者Son将会以不同的情绪感染强度offi,被物理空间感染者Ioff以感染率βoff感染为虚拟空间感染者Ion;
(3)不同的物理空间易感者Soff将会以不同的情绪感染强度oni,被虚拟空间感染者Ion以感染率βon感染为物理空间感染者Ioff;
(4)不同的物理空间易感者Soff将会以不同的情绪感染强度offi,被虚拟空间感染者Ioff以感染率βoff感染为物理空间感染者Ioff;
(5)不同的虚拟空间感染者Ion将会以治愈率r被治愈,成为免疫者群体R的一员,被移出感染系统;
(6)不同的物理空间感染者Ioff将会以治愈率r被治愈,成为免疫者群体R的一员,被移出感染系统。
进一步的,所述PVP情绪感染模型的构建方法为:
从OCEAN模型中获取个体的敏感性个性特征,将敏感性个体的情绪状态划分为四类,分别为冷静、着急、恐慌和歇斯底里;
利用两个情绪值变量oni和offi来表示个体所处的情绪状态在虚拟空间、物理空间两种情况下的情绪感染强度;
将不同的情绪状态下的情绪感染强度划分为虚拟空间易感染者的情绪感染状态的情绪感染强度和物理空间易感染者的情绪状态的情绪感染强度;
判断敏感性个体的情绪状态,根据不同的情绪状态在不同的区间随机产生虚拟空间易感染者的情绪感染强度和物理空间易感染者的情绪感染强度;
根据PVP情绪感染规则,利用在不同情绪状态下,虚拟空间易感染者的情绪感染强度、感染概率和所占比例,以及物理空间易感染者的情绪感染强度、感染概率和所占比例,构建PVP情绪感染模型。
进一步的,所述PVP情绪感染模型的平均场方程的计算方法为:
根据平均场理论,求解PVP情绪感染模型相对于时间的微分方程,得到PVP情绪感染模型的平均场方程。
进一步的,所述采用数值仿真方法对PVP情绪感染模型的平均场方程进行数值求解的步骤包括:
设置PVP情绪感染模型的参数,包括虚拟空间感染者Ion的感染概率βon,物理空间感染者Ioff的感染概率βoff,虚拟空间易感者人群Son和物理空间易感者人群Soff的数量,虚拟空间感染者人数Ion,物理空间感染者人数Ioff,已免疫人数R和人群总数N;
采用有限差分数值计算方法分别计算虚拟空间感染者的平均场方程、物理空间感染者的平均场方程、虚拟空间易感染者的平均场方程、物理空间易感染者的平均场方程以及免疫个体的平均场方程的数值,进而得到虚拟空间感染者、物理空间感染者、虚拟空间易感染者和物理空间易感染者以及平均场方程的数值;
给定人群内不同状态的个体在初始时刻的初始条件,将其代入PVP情绪感染模型的平均场方程中,即可得不同状态的个体占总人数的比例。
进一步的,所述采用BA无标度网络对PVP情绪感染模型进行模拟仿真的步骤包括:
生成BA无标度网络;
设置PVP情绪感染模型的初始条件,包括PVP情绪感染模型的参数、仿真总次数和仿真结束条件;
选择初始感染节点,对PVP情绪感染模型进行试验仿真;
判断是否到达仿真结束条件;
如果达到仿真结束条件,则结束本次试验仿真并进行下一轮试验仿真,直到达到仿真总次数;
求取每次仿真结果的平均值,作为该PVP情绪感染模型仿真的最终结果;
根据PVP情绪感染模型仿真的最终结果判断PVP情绪感染模型的稳定性。
进一步的,所述BA无标度网络的生成方法为:
设置网络的总节点数、平均度和重连概率;
在网络中加入若干个新的节点,利用赌轮法从已有的节点中随机选择若干个节点与新加入的节点相连,生成BA无标度网络。
进一步的,所述对PVP情绪感染模型进行试验仿真的步骤包括:
从BA无标度网络中随机选择若干节点,作为虚拟空间感染者Ion和物理空间感染者Ioff;
遍历BA无标度网络中所有的节点,对BA无标度网络中的每一个节点i,利用情绪状态转化计算方法,计算每一个时间步长过后节点i的情绪状态并作出情绪转化,得到每次虚拟空间感染比例和物理空间感染比例。
一种计算机可读存储介质,其上存储有计算机程序,用于指纹图谱相似度计算,该程序被处理器执行时执行如上所述的基于个性化情绪感染模型的情绪感染方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行如上所述的基于个性化情绪感染模型的情绪感染方法。
本公开的有益效果是:
(1)本公开综合考虑了物理空间信息和虚拟空间交互以及个体的个性差异对情绪感染的影响,通过建立PVP情绪感染规则,构建PVP情绪感染模型,以能够真实的模拟人群中的情绪感染过程;
(2)本公开采用数值计算对PVP情绪感染模型进行数值求解,并对情绪感染模型的重要参数进行分析,为解决情绪感染现象和突发社会事件等问题提供新的解决思路。
(3)本公开采用BA无标度网络对PVP情绪感染过程进行仿真,并验证PVP情绪感染模型的稳定性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本申请,并不构成对本公开的不当限定。
图1是基于个性化情绪感染模型的情绪感染模拟方法流程图;
图2是PVP情绪感染规则图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
名词解释:
(1)PVP:Personalized virtual and physicalspace infection,个性化虚拟空间与物理空间感染;
(2)虚拟空间:虚拟互联网空间;
(3)物理空间:真实的现实生活场景。
一种或多种实施例提供一种基于个性化情绪感染模型的情绪感染模拟方法,该方法综合考虑了融入OCEAN模型的基于互联网的情绪传播和基于现实世界中具体场景或者人际关系的情绪传播,融合OCEAN(openness conscientiousness extraversionagreeableness neuroticisn)模型和SIR(Susceptible Infected Removed)情绪感染模型,建立个性化的PVP(Personalized virtual and physicalspace infection)情绪感染模型,结合平均场理论给出了PVP情绪感染模型的系统力学方程,采用数值仿真对PVP情绪感染模型进行了数值求解,采用BA无标度网络对PVP情绪感染模型进行仿真,验证PVP情绪感染模型的稳定性。
如图1所示,该情绪感染模拟方法包括以下步骤:
S101,构建PVP情绪感染规则。
在本实施例中,既需要分开来研究基于虚拟空间和基于物理空间两种情况下拥有不同感染强度的不同个体各自的情绪感染特点,也需要研究综合两种情况的信息感知模式下的情绪感染模型。因此,本公开融合OCEAN模型和SIR情绪感染模型,建立个性化的PVP情绪感染模型。
在本实施例中,基于OCEAN模型和SIR模型,挖掘延伸出分析拥有不同的情绪感染强度的个体在虚拟空间和物理空间的信息感知模式下的PVP情绪感染规则。其中,OCEAN模型是一种可以代表人格特征的理论模型,SIR模型是传染病模型中最经典的模型,其中S表示易感者,I表示感染者,R表示移出者。
在本实施例中,将群体分为三个大类,S为易感人群,I为感染人群,R为免疫人群(感染者经治愈后拥有永久免疫力),N为总人数。由于基于信息感知有两类途径一类是基于互联网的虚拟空间信息交互,一类是真实的物理空间生活场景的物理空间信息交互;基于将两种信息感知途径相结合的信息感知模式,因此将易感人群S分为两类,分别是:被感染后成为虚拟空间感染者的易感人群Son,被感染后成为物理空间感染者的易感人群Soff。感染人群I被细化为两类,第一类为虚拟空间感染者(Virtual Infection)Ion;第二类为物理空间感染者(Physical Infection)Ioff。对于感染行为约束为:两类易感者都既可被虚拟空间感染者所感染,也可被物理空间感染者所感染;而虚拟空间感染者偏向于通过互联网去感染别人的情绪,物理空间感染者主要通过自己周围的人际关系,去感染其他人。
图2是PVP情绪感染规则图。如图2所示的PVP情绪感染规则的构建方法为:
S101-1,假设:
(1)总体人员处在一个相对密封的环境之中,与外界的流动不大,流入流出人员不会影响甚至改变总体环境的情绪氛围;
(2)感染者不存在交集;
(3)假设每一个易感者在每一个时刻只能被一个感染者感染;
(4)暂不讨论易感者会自发;
(5)假设治愈率不会随着人群的情绪状态变化而改变;
(6)暂不考虑虚拟空间感染者和物理空间感染者在感染规则、感染率以外的其他区别。
S101-2,构建PVP情绪感染规则,如下所示:
(1)不同的虚拟空间易感者Son将会以不同的情绪感染强度oni,被虚拟空间感染者Ion以βon的感染率感染为虚拟空间感染者Ion。
(2)不同的虚拟空间易感者Son将会以不同的情绪感染强度offi,被物理空间感染者Ioff以βoff的感染率感染为虚拟空间感染者Ion。
(3)不同的物理空间易感者Soff将会以不同的情绪感染强度oni,被虚拟空间感染者Ion以βon的感染率感染为物理空间感染者Ioff。
(4)不同的物理空间易感者Soff将会以不同的情绪感染强度offi物理空间被虚拟空间感染者Ioff以βoff的感染率感染为物理空间感染者Ioff。
(5)不同的虚拟空间感染者Ion将会以r的治愈率被治愈,成为免疫者群体R的一员,被移出感染系统。
(6)不同的物理空间感染者Ioff将会以r的治愈率被治愈,成为免疫者群体R的一员,被移出感染系统。
本实施例所构建的PVP情绪感染规则,综合考虑了物理空间信息和虚拟空间交互以及个体的个性差异对情绪感染的影响,能够真实的模拟人群中的情绪感染过程。
S102,建立个性化的PVP情绪感染模型,结合平均场理论,得出PVP情绪感染模型的平均场方程。
OCEAN模型将个体的人格划分为六种个性类型,分别为:敏感性、外倾性、神经质、开放性、宜人性和严谨性。在本实施例中,只考虑了OCEAN模型中敏感性的个性类型。个体的敏感性越强,在情绪感染过程中越易受情绪的影响。将敏感性这一个性类型的情绪状态划分为四类,即敏感性个体对应四种不同的情绪状态,分别为冷静、着急、恐慌和歇斯底里。
在本实施例中,利用两个情绪值变量oni和offi来表示个体所处的情绪状态在虚拟空间、物理空间两种情况下的情绪感染强度,感染情绪后,不同的敏感性个体具有不同的情绪感染强度。
在本实施例中,采用随机判断敏感性个体的情绪状态,来随机产生情绪感染强度oni和offi,敏感性个体的感染强度在0到1之间随机产生,由于虚拟空间的感染强度大于物理空间的感染强度,因此,需要将不同的情绪状态下的情绪感染强度再具体划分为物理空间(offi)和虚拟空间(oni)两种情况,具体如下表1和表2所示。
表1虚拟空间易感染者的情绪感染状态和情绪感染强度
情绪感染状态 | 情绪感染强度on<sub>i</sub> |
冷静 | 0 |
着急 | (0.2,0.4] |
恐慌 | (0.6,0.8] |
歇斯底里 | (0.9,1] |
表2物理空间易感染者的情绪状态和情绪感染强度
情绪感染状态 | 情绪感染强度off<sub>i</sub> |
冷静 | 0 |
着急 | (0,0.2] |
恐慌 | (0.4,0,6] |
歇斯底里 | (0.8,0.9] |
根据步骤S101得到的PVP情绪感染规则,得到的PVP情绪感染模型公式如下:
N[R(t+Δt)-R(t)]=r·N·Ion(t)·Δt+r·N·Ioff(t)·Δt (5)
式中,Son(t)表示t时刻,虚拟空间易感者Son在总人数N中所占比例;Soff(t)表示t时刻,物理空间易感者Soff在总人数N中所占比例;Ion(t)表示t时刻,虚拟空间感染者Ion在总人数N中所占比例;Ioff(t)表示t时刻,物理空间感染者Ioff在总人数N中所占比例;R(t)表示t时刻,免疫者人数在总人数N中所占比例;oni表示t时刻,虚拟空间易感染者的感染强度;offi表示t时刻,物理空间易感染者的感染强度;βon表示t时刻,单个虚拟空间感染者每天接触的有效人数;βoff表示t时刻,单个物理空间感染者每天接触的有效人数;γ表示感染者每天治愈的比例;N表示总人数;Δt表示感染时间。
平均场理论,是一类把环境对物体的作用平均化,以减小单体加和时存在的涨落影响,从而获得一个物理模型最主要的物理信息的方法,是一种广泛应用于小的平均涨落情况下真实物理系统的较低阶近似的数学处理方法。
结合平均场理论,可得到PVP情绪感染模型的平均场方程为:
式中,Son(t)表示t时刻,虚拟空间易感者Son在总人数N中所占比例;Soff(t)表示t时刻,物理空间易感者Soff在总人数N中所占比例;Ion(t)表示t时刻,虚拟空间感染者Ion在总人数N中所占比例;Ioff(t)表示t时刻,物理空间感染者Ioff在总人数N中所占比例;R(t)表示t时刻,免疫者人数在总人数N中所占比例;oni表示t时刻,虚拟空间易感染者的感染强度;offi表示t时刻,物理空间易感染者的感染强度;βon表示t时刻,单个虚拟空间感染者每天接触的有效人数;βoff表示t时刻,单个物理空间感染者每天接触的有效人数;γ表示感染者每天治愈的比例;N表示总人数;Δt表示感染时间。
本实施例提出的PVP情绪感染模型,综合考虑了物理空间信息和虚拟空间交互以及个体的个性差异对情绪感染的影响,能够真实的模拟人群中的情绪感染过程。
步骤S103,采用数值仿真方法对PVP情绪感染模型的平均场方程进行数值求解。
由于PVP情绪感染模型具有一定的复杂性,所以对于其对应的微分方程的数值求解并不容易,在本实施例中,通过PVP情绪感染模型定量数值仿真的方式对PVP情绪感染模型进行问题求解。
因为情绪的感染模拟过程与传染病在人群中的动态感染相似,故在本实施例中,参考了贾杰的突发事件情绪感染研究的数据(贾杰.基于传染病模型的突发事件情绪感染规则及其干预研究.燕山大学,硕士学位论文,2016)以及弗明汉心脏病研究中心(FHS)的研究数据(Fowler J H.Dynamic spread of happiness in a large social network:longitudinal analysis of the Framingham Heart Study social network[J].BMJ:British Medical Journal,2009,338(7685):23-27.),设置了PVP情绪感染模型的参数,包括虚拟空间感染者Ion的感染概率βon,物理空间感染者Ioff的感染概率βoff,易感者人群Son和易感者人群Soff的数量,虚拟空间感染者人数Ion,物理空间感染者人数Ioff,已免疫人数R和人群总数N。
为了更好地观察实验结果,将感染率适当缩小,从而使得整个情绪感染过程同比例放慢,具体相关参数定量设置如下:虚拟空间感染者的感染率βon=0.000032,物理空间感染者的感染率βoff=0.000002,治愈率γ=0.067,虚拟空间感染者的感染强度oni和物理空间感染者的感染强度offi根据不同的情绪状态在不同的区间随机产生,被感染后成为虚拟空间感染者的易感染者人数Son=120000,被感染后成为物理空间感染者的易感染者人数Soff=5440000,虚拟空间感染者人数Ion=80,物理空间感染者人数Ioff=2500,已免疫人数R=0,人群总数N=5562580。平均场方程中,假设整个人群混合均匀。Ion(t)、Ioff(t)、Soff(t)、Son(t)、R(t)随时间t同时发生改变。
计算人群中不同个体的数值,具体求解过程如下:
(1)在t时刻,虚拟空间感染者Ion(t)的平均场方程可用有限差分数值计算方法计算为:
可得在t+Δt时刻,虚拟空间感染者Ion(t+Δt)为:
Ion(t+Δt)=(oni·[βon·Son(t)]·Ion(t)+offi·[βoff·Son(t)]·Ioff(t)-r·Ion(t))·Δt+Ion(t) (12)。
(2)在t时刻,物理空间感染者Ioff(t)的平均场方程可用有限差分数值计算方法计算为:
可得在t+Δt时刻,物理空间感染者Ioff(t+Δt)为:
Ioff(t+Δt)=((oni·[βon·Soff(t)]·Ion(t)+offi·[βoff·Soff(t)]·Ioff(t)-r·Ioff(t))·Δt+Ioff(t) (14)。
(3)在t时刻,虚拟空间易感染者Son(t)的平均场方程可用有限差分数值计算方法计算为:
可得在t+Δt时刻,虚拟空间易感者Son(t+Δt)为
Son(t+Δt)=((-oni·[βon·Son(t)]·Ion(t)-offi·[βoff·Son(t)]·Ioff(t))·Δt+Son(t) (16)。
(4)在t时刻,物理空间易感染者Soff(t)的平均场方程可用有限差分数值计算方法计算为
可得在t+Δt时刻,物理空间易感染者Soff(t+Δt)为:
Soff(t+Δt)=(-oni·[βon·Soff(t)]·Ion(t)-offi·[βoff·Soff(t)]·Ioff(t))·Δt+Soff(t) (18)
(5)在t时刻,免疫个体R(t)的平均场方程可用有限差分数值计算方法计算为:
可得在t+Δt时刻,免疫个体R(t+Δt)为
R(t+Δt)=(r·Ion(t)+r·Ioff(t))·Δt+R(t) (20)
给定种群内不同状态的个体在t=0时刻的初始条件,将其代入平均场方程中,随后可得不同状态的个体在t+Δt时刻占总人数N中的比例。
本实施例采用数值仿真方法对PVP情绪感染模型的平均场方程进行数值求解,探究了PVP情绪感染模型中易感染者、感染者、免疫者的数量变化趋势和个别重要参数的阈值,对情绪感染模型的重要参数进行分析,为解决情绪感染现象和突发社会事件等问题提供新的解决思路。
步骤S104,采用BA无标度网络对PVP情绪感染模型进行模拟仿真,验证PVP情绪感染模型的稳定性。
在本实施例中,采用Barabasi AL和Albert R提出的BA无标度网络作为底层网络,来对PVP情绪感染模型进行模拟仿真,为了减少实验的偶然性,进行了50轮实验,每轮实验迭代300次。虚拟空间易感者人群Son、物理空间易感者人群Soff、虚拟空间感染者的感染强度oni、物理空间感染者的感染强度offi、虚拟空间感染者人群Ion和物理空间感染者人群Ioff在总人数中所占比例,在每一轮试验中都为随机生成,其中,保证各部分比例相加为1,保证虚拟空间感染者Ion、易感者人群Son的稀少性(虚拟空间感染者Ion数量占整体感染者数量的2%,易感者Son数量占整体易感者数量的3%)。
所述步骤S104中,采用BA无标度网络对PVP情绪感染模型进行模拟仿真的步骤包括:
S104-1,生成BA无标度网络。
该BA无标度网络的生成方法为:
设置网络的总节点数N、平均度、重连概率等参数;
在网络中加入若干个新的节点,利用赌轮法从已有的节点中随机选择m个节点与新加入的节点相连,生成BA无标度网络作为模拟仿真的底层网络。
实际网络中,有两个重要的特性:增长特性和优先连接特性。基于增长特性和优先连接特性,Barabasi AL和Albert R提出了BA无标度网络。增长特性,即网络的规模是不断扩大的。优先连接特性,即新的节点更倾向于与那些具有较高连接度的节点相连接。
在本实施例中,采用增长机制与优先连接的机制来生成BA无标度网络,更符合社交网络中情绪传播的特点。
S104-2,设置PVP情绪感染模型的初始条件。
设置PVP情绪感染模型的参数,包括治愈概率γ,虚拟空间易感者人群Son和物理空间易感者人群Soff的数量和比例关系,虚拟空间感染者Ion的感染概率βon,从0到1不断递增,虚拟空间感染者的情绪感染强度oni,物理空间感染者Ioff的感染概率βoff,从0到1不断递增,虚拟空间感染者的情绪感染强度offi等。
还设置仿真总次数Times和仿真结束条件。其中,仿真结束条件为直到BA无标度网络中的N个节点遍历结束。
S104-3,选择初始感染节点,对PVP情绪感染模型进行试验仿真。
为了更好地演化情绪感染规律,从BA无标度网络中随机选择若干节点,作为虚拟空间感染者Ion和物理空间感染者Ioff。遍历BA无标度网络中所有的节点,对BA无标度网络中的每一个节点i,按照以下情绪状态转化计算方法,计算每一个时间步长过后节点i的情绪状态并作出情绪转化,得到每次虚拟空间感染比例和物理空间感染比例。
所述情绪状态转化计算方法具体为:
根据PVP情绪感染规则和PVP情绪感染模型,在任意一个时刻t以及时间区间[t,t+1]中,对BA无标度网络中任意一个个体节点的状态转化进行分析。仿真过程中,每个节点的状态转化与每个节点转化成其他状态的概率区间和随机概率Prand的取值有关,且Prand∈[0,1]。在t时刻,假设BA无标度网络中的任意一个节点称为i,i节点周围的邻居个体被称为j,而j可能是虚拟空间易感者Son,物理空间感染者Soff,虚拟空间感染者Ion,物理空间感染者Ioff或免疫者R五种。故在t+1时刻,节点状态会存在以下几种转化情况:
(1)虚拟空间易感者Son的情绪状态转化分析
假设节点i周围的邻居节点中,虚拟空间感染者Ion所占人数为p,物理空间感染者Ioff所占人数为q。于是有虚拟空间易感者Son节点的转化概率为:
其中,(1-oni·βon)p表示节点i不被p个虚拟空间感染者感染为虚拟空间感染者的概率;(1-offi·βoff)q表示节点i不被q个物理空间感染者感染为物理空间感染者的概率;(1-oni·βon)p·(1-offi·βoff)q表示节点i不被感染的概率。故公式(21)表示:t+1时刻,虚拟空间易感者Son转化为虚拟空间感染者Ion的概率区间。则相应可得,t+1时刻,i节点状态转换为:
每个个体节点在t+1时刻的状态用Statei(t+1)来表示。其中Prand是虚拟空间易感者Son节点转化的随机概率,当Prand小于虚拟空间易感者Son状态转化的概率区间时,虚拟空间易感者Son就会被感染为虚拟空间感染者Ion。
(2)物理空间易感者Soff的情绪状态转化分析
假设节点i周围的邻居节点中,虚拟空间感染者Ion所占人数为p,物理空间感染者Ioff所占人数为q。于是有物理空间感染者Soff节点的转化概率为:
其中,(1-oni·βon)p表示节点i不被p个虚拟空间感染者感染为虚拟空间感染者的概率;(1-offi·βoff)q表示节点i不被q个物理空间感染者感染为物理空间感染者的概率;(1-oni·βon)p·(1-offi·βoff)q表示节点i不被感染的概率。故公式(23)表示:t+1时刻,物理空间感染者Soff转化为物理空间感染者Ioff的概率区间。则相应可得,t+1时刻,i节点状态转换为:
每个个体节点在t+1时刻的状态用Statei(t+1)来表示。其中Prand是物理空间感染者Soff节点转化的随机概率,当Prand小于物理空间感染者Soff状态转化的概率区间时,物理空间感染者Soff就会被感染为Ioff感染者。
(3)虚拟空间感染者Ion的情绪状态转化分析
节点i本身会以r的概率自愈或者被治愈为免疫者。于是有虚拟空间感染者Ion节点的转化概率为:
公式(25)表示:t+1时刻,虚拟空间感染者Ion转化为免疫个体R的概率区间。则相应可得,t+1时刻,i节点状态转换为:
其中Prand是虚拟空间感染者Ion节点转化的随机概率,当Prand小于虚拟空间感染者Ion状态转化的概率区间时,虚拟空间感染者Ion就会变成免疫者R。
(4)物理空间感染者Ioff的情绪状态转化分析
节点i本身会以r的概率自愈或者被治愈为免疫者。于是有物理空间感染者Ioff节点的转化概率为:
公式(27)表示:t+1时刻,物理空间感染者Ioff转化为免疫个体R的概率区间。则相应可得,t+1时刻,i节点状态转换为:
其中Prand是物理空间感染者Ioff节点转化的随机概率,当Prand小于物理空间感染者Ioff状态转化的概率区间时,物理空间感染者Ioff就会变成免疫者R。
S104-4,判断是否到达仿真结束条件。
判断是否将BA无标度网络中N个节点遍历完,若遍历完,则达到仿真结束条件,否则未到达仿真结束条件。
如果达到仿真结束条件,则结束本次试验仿真并进行下一轮试验仿真,直到达到仿真总次数Times;如果没有达到仿真结束条件,则返回步骤104-3,重新进行试验仿真。
S104-5,Times次仿真完成,取每次仿真得到的虚拟空间感染比例和物理空间感染比例并计算平均值,作为该PVP情绪感染模型仿真的最终结果。
S104-6,根据PVP情绪感染模型仿真的最终结果判断PVP情绪感染模型的稳定性。
因为物理空间和虚拟空间的感染率在仿真过程是从0到1不断递增,通过50轮随机实验以及每轮实验300次的迭代操作之后,得到了PVP情绪感染模型感染者最终感染比例的变化曲线是趋于稳定的平滑曲线。该结果表明,尽管感染概率增加,但感染者比例基本不变,故可以证明PVP情绪感染模型具有稳定性。
BA无标度网络下的PVP情绪感染模型仿真,感染者和易感染者均按一定比例随机选取,感染率则从0到1不断递增,通过50轮随机实验以及每轮实验300次的迭代操作之后可以减少实验的偶然性同时验证PVP模型的稳定性。
本实施例提出的基于个性化情绪感染模型的情绪感染方法,综合考虑了物理空间信息和虚拟空间交互以及个体的个性差异对情绪感染的影响,通过建立PVP情绪感染规则,构建PVP情绪感染模型,能够真实的模拟人群中的情绪感染过程,采用BA无标度网络对PVP情绪感染过程进行仿真,并验证PVP情绪感染模型的稳定性。
一种或多种实施例还提供一种计算机可读存储介质,其上存储有计算机程序,用于指纹图谱相似度计算,该程序被处理器执行时执行以下步骤:
构建PVP情绪感染规则;
建立个性化的PVP情绪感染模型,结合平均场理论,得出PVP情绪感染模型的平均场方程;
采用数值仿真方法对PVP情绪感染模型的平均场方程进行数值求解;
采用BA无标度网络对PVP情绪感染模型进行模拟仿真,并验证其稳定性。
一种或多种实施例还提供一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行以下步骤:
构建PVP情绪感染规则;
建立个性化的PVP情绪感染模型,结合平均场理论,得出PVP情绪感染模型的平均场方程;
采用数值仿真方法对PVP情绪感染模型的平均场方程进行数值求解;
采用BA无标度网络对PVP情绪感染模型进行模拟仿真,并验证其稳定性。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于个性化情绪感染模型的情绪感染模拟方法,其特征是,该方法包括以下步骤:
构建PVP情绪感染规则;
建立个性化的PVP情绪感染模型,结合平均场理论,得出PVP情绪感染模型的平均场方程;
采用数值仿真方法对PVP情绪感染模型的平均场方程进行数值求解;
采用BA无标度网络对PVP情绪感染模型进行模拟仿真,并验证其稳定性。
2.根据权利要求1所述的基于个性化情绪感染模型的情绪感染模拟方法,其特征是,所述PVP情绪感染规则包括:
(1)不同的虚拟空间易感者Son将会以不同的情绪感染强度oni,被虚拟空间感染者Ion以感染率βon感染为虚拟空间感染者Ion;
(2)不同的虚拟空间易感者Son将会以不同的情绪感染强度offi,被物理空间感染者Ioff以感染率βoff感染为虚拟空间感染者Ion;
(3)不同的物理空间易感者Soff将会以不同的情绪感染强度oni,被虚拟空间感染者Ion以感染率βon感染为物理空间感染者Ioff;
(4)不同的物理空间易感者Soff将会以不同的情绪感染强度offi,被虚拟空间感染者Ioff以感染率βoff感染为物理空间感染者Ioff;
(5)不同的虚拟空间感染者Ion将会以治愈率r被治愈,成为免疫者群体R的一员,被移出感染系统;
(6)不同的物理空间感染者Ioff将会以治愈率r被治愈,成为免疫者群体R的一员,被移出感染系统。
3.根据权利要求1所述的基于个性化情绪感染模型的情绪感染模拟方法,其特征是,所述PVP情绪感染模型的构建方法为:
从OCEAN模型中获取个体的敏感性个性特征,将敏感性个体的情绪状态划分为四类,分别为冷静、着急、恐慌和歇斯底里;
利用两个情绪值变量oni和offi来表示个体所处的情绪状态在虚拟空间、物理空间两种情况下的情绪感染强度;
将不同的情绪状态下的情绪感染强度划分为虚拟空间易感染者的情绪感染状态的情绪感染强度和物理空间易感染者的情绪状态的情绪感染强度;
判断敏感性个体的情绪状态,根据不同的情绪状态在不同的区间随机产生虚拟空间易感染者的情绪感染强度和物理空间易感染者的情绪感染强度;
根据PVP情绪感染规则,利用在不同情绪状态下,虚拟空间易感染者的情绪感染强度、感染概率和所占比例,以及物理空间易感染者的情绪感染强度、感染概率和所占比例,构建PVP情绪感染模型。
4.根据权利要求1所述的基于个性化情绪感染模型的情绪感染模拟方法,其特征是,所述PVP情绪感染模型的平均场方程的计算方法为:
根据平均场理论,求解PVP情绪感染模型相对于时间的微分方程,得到PVP情绪感染模型的平均场方程。
5.根据权利要求1所述的基于个性化情绪感染模型的情绪感染模拟方法,其特征是,所述采用数值仿真方法对PVP情绪感染模型的平均场方程进行数值求解的步骤包括:
设置PVP情绪感染模型的参数,包括虚拟空间感染者Ion的感染概率βon,物理空间感染者Ioff的感染概率βoff,,虚拟空间易感者人群Son和物理空间易感者人群Soff的数量,虚拟空间感染者人数Ion,物理空间感染者人数Ioff,已免疫人数R和人群总数N;
采用有限差分数值计算方法分别计算虚拟空间感染者的平均场方程、物理空间感染者的平均场方程、虚拟空间易感染者的平均场方程、物理空间易感染者的平均场方程以及免疫个体的平均场方程的数值,进而得到虚拟空间感染者、物理空间感染者、虚拟空间易感染者和物理空间易感染者以及平均场方程的数值;
给定人群内不同状态的个体在初始时刻的初始条件,将其代入PVP情绪感染模型的平均场方程中,即可得不同状态的个体占总人数的比例。
6.根据权利要求1所述的基于个性化情绪感染模型的情绪感染模拟方法,其特征是,所述采用BA无标度网络对PVP情绪感染模型进行模拟仿真的步骤包括:
生成BA无标度网络;
设置PVP情绪感染模型的初始条件,包括PVP情绪感染模型的参数、仿真总次数和仿真结束条件;
选择初始感染节点,对PVP情绪感染模型进行试验仿真;
判断是否到达仿真结束条件;
如果达到仿真结束条件,则结束本次试验仿真并进行下一轮试验仿真,直到达到仿真总次数;
求取每次仿真结果的平均值,作为该PVP情绪感染模型仿真的最终结果;
根据PVP情绪感染模型模型仿真的最终结果判断PVP情绪感染模型的稳定性。
7.根据权利要求6所述的基于个性化情绪感染模型的情绪感染方法,其特征是,所述BA无标度网络的生成方法为:
设置网络的总节点数、平均度和重连概率;
在网络中加入若干个新的节点,利用赌轮法从已有的节点中随机选择若干个节点与新加入的节点相连,生成BA无标度网络。
8.根据权利要求6所述的基于个性化情绪感染模型的情绪感染方法,其特征是,所述对PVP情绪感染模型进行试验仿真的步骤包括:
从BA无标度网络中随机选择若干节点,作为虚拟空间感染者Ion和物理空间感染者Ioff;
遍历BA无标度网络中所有的节点,对BA无标度网络中的每一个节点i,利用情绪状态转化计算方法,计算每一个时间步长过后节点i的情绪状态并作出情绪转化,得到每次虚拟空间感染比例和物理空间感染比例。
9.一种计算机可读存储介质,其上存储有计算机程序,用于指纹图谱相似度计算,其特征是,该程序被处理器执行时执行如权利要求1-8中任一项所述的基于个性化情绪感染模型的情绪感染方法。
10.一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征是,所述指令适于由处理器加载并执行如权利要求1-8中任一项所述的基于个性化情绪感染模型的情绪感染方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811421467.8A CN109697305A (zh) | 2018-11-23 | 2018-11-23 | 一种基于个性化情绪感染模型的情绪感染模拟方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811421467.8A CN109697305A (zh) | 2018-11-23 | 2018-11-23 | 一种基于个性化情绪感染模型的情绪感染模拟方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109697305A true CN109697305A (zh) | 2019-04-30 |
Family
ID=66230188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811421467.8A Pending CN109697305A (zh) | 2018-11-23 | 2018-11-23 | 一种基于个性化情绪感染模型的情绪感染模拟方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109697305A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991120A (zh) * | 2019-11-18 | 2020-04-10 | 郑州大学 | 一种排队场景下人群运动建模仿真方法 |
CN112581340A (zh) * | 2020-12-17 | 2021-03-30 | 山东师范大学 | 基于情绪感染复发模型sirs的人群疏散模拟方法及系统 |
CN112669186A (zh) * | 2020-12-31 | 2021-04-16 | 山东师范大学 | 人群疏散中积极情绪和消极情绪的最优化干预方法及系统 |
-
2018
- 2018-11-23 CN CN201811421467.8A patent/CN109697305A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991120A (zh) * | 2019-11-18 | 2020-04-10 | 郑州大学 | 一种排队场景下人群运动建模仿真方法 |
CN112581340A (zh) * | 2020-12-17 | 2021-03-30 | 山东师范大学 | 基于情绪感染复发模型sirs的人群疏散模拟方法及系统 |
CN112669186A (zh) * | 2020-12-31 | 2021-04-16 | 山东师范大学 | 人群疏散中积极情绪和消极情绪的最优化干预方法及系统 |
CN112669186B (zh) * | 2020-12-31 | 2022-10-11 | 山东师范大学 | 人群疏散中积极情绪和消极情绪的最优化干预方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kabir et al. | The impact of information spreading on epidemic vaccination game dynamics in a heterogeneous complex network-a theoretical approach | |
CN109697305A (zh) | 一种基于个性化情绪感染模型的情绪感染模拟方法和装置 | |
Shi et al. | An SIS model with infective medium on complex networks | |
Servedio et al. | Vertex intrinsic fitness: How to produce arbitrary scale-free networks | |
Kiss et al. | The effect of contact heterogeneity and multiple routes of transmission on final epidemic size | |
Horváth et al. | Spreading dynamics on networks: the role of burstiness, topology and non-stationarity | |
Hao et al. | Understanding the urban pandemic spreading of covid-19 with real world mobility data | |
Ben-Zion et al. | Modeling epidemics dynamics on heterogenous networks | |
Cheng et al. | Effect of uncertainty on cooperative behaviors during an emergency evacuation | |
Liu et al. | Global stability of a network-based SIRS epidemic model with nonmonotone incidence rate | |
CN109300056A (zh) | 一种基于sirs的情感网络传播动力模型及利用该模型的情感传播模拟方法 | |
Cheng | Dynamical analysis of a IWSR rumor spreading model with considering the self-growth mechanism and indiscernible degree | |
He et al. | Modeling the COVID-19 epidemic and awareness diffusion on multiplex networks | |
Wang et al. | Rumor spreading model with immunization strategy and delay time on homogeneous networks | |
Yin et al. | Information-epidemic co-evolution propagation under policy intervention in multiplex networks | |
Nian et al. | The propagation-weighted priority immunization strategy based on propagation tree | |
Zhong et al. | Simulation of the spread of infectious diseases in a geographical environment | |
Kuhlman et al. | Hybrid Agent-based modeling of Zika in the United States | |
Zhao et al. | Prediction of competitive diffusion on complex networks | |
Guizani et al. | Modeling and evaluation of disease spread behaviors | |
Pinto et al. | Influence of contact network topology on the spread of tuberculosis | |
Xie et al. | Impact of asymmetric activity on interactions between information diffusion and disease transmission in multiplex networks | |
Ye et al. | Optimal vaccination program for two infectious diseases with cross-immunity spreading on a network | |
CN110867240A (zh) | 耦合虚拟和物理空间人群情感传染控制模拟方法和系统 | |
Vilches et al. | Disease persistence and serotype coexistence: An expected feature of human mobility |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190430 |