CN113312581A - 一种流行病传播分析方法及系统 - Google Patents

一种流行病传播分析方法及系统 Download PDF

Info

Publication number
CN113312581A
CN113312581A CN202110402578.XA CN202110402578A CN113312581A CN 113312581 A CN113312581 A CN 113312581A CN 202110402578 A CN202110402578 A CN 202110402578A CN 113312581 A CN113312581 A CN 113312581A
Authority
CN
China
Prior art keywords
node
probability
consciousness
information
infected
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.)
Granted
Application number
CN202110402578.XA
Other languages
English (en)
Other versions
CN113312581B (zh
Inventor
吴江
左任衔
胡忠义
贺超城
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110402578.XA priority Critical patent/CN113312581B/zh
Publication of CN113312581A publication Critical patent/CN113312581A/zh
Application granted granted Critical
Publication of CN113312581B publication Critical patent/CN113312581B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种流行病传播分析方法及系统，包括：基于微观马可夫链方法，确定信息与流行病协同扩散的多层耦合网络；将所有节点按照转化效率划分成高信息素养节点和低信息素养节点；转化效率指的是将吸收外部流行病信息转化为自身防范意识的效率；当节点的转化效率在预设范围内时，将其归为高信息素养节点，否则将其归为低信息素养节点；基于各个节点从外部信息习得防范意识的概率、无防范意识节点被已感染邻居感染的概率、受感染节点恢复健康状态的概率以及有防范意识处于易感状态节点将意识转化为保护行为降低自身被传染可能性的概率，在多层耦合网络中确定各个节点处于三种不同状态的概率。

Description

一种流行病传播分析方法及系统
技术领域
本发明属于流行病传播分析领域，更具体地，涉及一种流行病传播分析方法及系统。
背景技术
现有技术提供一种面向流行病防控的大规模人口接触网络建模方法，包括：采用张量建模动态人口接触网络，其中采用空间的基底表示动态人口接触网络的空间模式，采用基底的线性组合系数表示动态人口接触网络的时间模式；构建包含多个虚拟场景的虚拟社会；并基于虚拟场景计算各场景中各虚拟个体之间的交互概率，构成动态人口接触网络的空间模式；根据选定的流行病传播模型以及相应的病理学参数，结合动态人口接触网络建立获取动态人口接触网络时间模式的优化目标函数；使用双重迭代优化算法求解估算动态人口接触网络时间模式。
现有技术采用多自治体建模流行病传播网络和流行病传播过程，采用蒙特卡罗模拟和负反馈机制从流行病监控数据中推断出传播网络结构及与流行病有关的生物学参数。
现有技术提供一种基于知识图谱的流行病感染者预测方法及系统，利用知识图谱技术，构建流行病学患者个人知识图谱和流行病学传播知识图谱，通过融合流行病学患者个人知识图谱和流行病学传播知识图谱，全面梳理流行病的传播关系和路径，从而针对性预测疑似患者，同时该方法及系统可以生成流行病学调查报告，以支持流行病学调查工作。
现有技术通过对每个网格的人口流动数据、常住人口数据、企业POI数据和医疗机构POI数据进行等级划分，获得第一疫情扩散风险系数、第二疫情扩散风险系数、第三疫情扩散风险系数和第四疫情扩散风险系数，并进行加权计算得到每个网格的总疫情扩散风险系数设计了一种流行病疫情扩散风险可视化方法，可以精准直观地展示了目标行政区域的抗疫能力，为相关部分的精准防控提供数据支撑。
尽管如此，目前的对流行病进行仿真模拟的技术很少，也都相对比较简单，没有采用多层耦合网络来探究流行病扩散机制，没有从个体异质性的角度来考虑信息素养。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种流行病传播分析方法及系统，旨在解决目前的对流行病进行仿真模拟的技术很少，也都相对比较简单，没有采用多层耦合网络来探究流行病扩散机制，没有从个体异质性的角度来考虑信息素养的问题。
为实现上述目的，第一方面，本发明提供了一种流行病传播分析方法，包括如下步骤：
基于微观马可夫链方法，确定信息与流行病协同扩散的多层耦合网络；所述多层耦合网络包括：信息传播层和流行病扩散层；所述信息传播层包括：无意识的节点和有意识的节点，流行病扩散层包括：易感染节点和被感染节点；
将所有节点按照转化效率划分成高信息素养节点和低信息素养节点；所述转化效率指的是将吸收外部流行病信息转化为自身防范意识的效率；当节点的转化效率在预设范围内时，将其归为高信息素养节点，否则将其归为低信息素养节点；
基于各个节点从外部信息习得防范意识的概率、无防范意识节点被已感染邻居感染的概率、受感染节点恢复健康状态的概率、以及有防范意识处于易感状态节点将意识转化为保护行为降低自身被传染可能性的概率，在所述多层耦合网络中确定各个节点处于三种不同状态的概率，所述三种不同状态包括：无防范意识且易感染、有防范意识且易感染以及有防范意识且被感染。
在一个可选的示例中，高信息素养节点ih处于三种不同状态的概率分别为：
Figure BDA0003020879970000031
Figure BDA0003020879970000033
Figure BDA00030208799700000314
其中，
Figure BDA0003020879970000038
为在t+1时刻高信息素养节点处于无意识且易感状态的概率，
Figure BDA0003020879970000039
为在t+1时刻高信息素养节点处于有意识且易感状态的概率，
Figure BDA00030208799700000310
为在t+1时刻高信息素养节点处于感染状态(默认是有意识)的概率，δ为节点失去防范意识转变为无防范意识节点的概率，AI(h)指的是有防范意识且被感染的高信息素养节点，UI指的是无防范意识且被感染的节点(这是一个临时性的中间状态，如果感染状态没康复，则最终会转化为AI状态)，θ为高信息素养节点的转化效率，λ1为从社交媒体习得防范意识的概率，μ为受感染的节点可能恢复健康的概率，
Figure BDA00030208799700000311
为节点ih不从被感知的邻居节点重新传播的信息中获取防范意识的转移概率，
Figure BDA00030208799700000312
为无防范意识节点不被感染的转移概率，
Figure BDA00030208799700000313
为有防范意识节点不被感染的转移概率，US表示无防范意识且易感染状态、AS表示有防范意识且易感染状态，AI表示有防范意识且被感染状态。
在一个可选的示例中，低信息素养节点il处于三种不同状态的概率分别为：
Figure BDA0003020879970000041
Figure BDA0003020879970000043
Figure BDA00030208799700000427
Figure BDA00030208799700000428
其中，
Figure BDA00030208799700000411
为在t+1时刻低信息素养节点处于无意识且易感状态的概率，
Figure BDA00030208799700000412
为在t+1时刻低信息素养节点处于有意识且易感状态的概率，
Figure BDA00030208799700000413
为在t+1时刻低信息素养节点处于有意识且被感染状态的概率，
Figure BDA00030208799700000414
Figure BDA00030208799700000415
和
Figure BDA00030208799700000416
则是对应t时刻状态的概率，
Figure BDA00030208799700000417
为节点il不从被感知的邻居节点重新传播的信息中获取防范意识的转移概率。
在一个可选的示例中，节点不从被感知的邻居节点重新传播的信息中获取防范意识的转移概率，分别为：
Figure BDA00030208799700000418
Figure BDA00030208799700000419
其中
Figure BDA00030208799700000420
是节点j有防范意识的概率，j是邻居节点数，aji是信息传播层的邻接矩阵，λ2为节点从有意识其他个体来源获取防范意识的概率，βU为无防范意识节点被已感染邻居感染的概率，
Figure BDA00030208799700000421
表示节点j处在AI状态的概率，
Figure BDA00030208799700000422
节点j处在AS状态的概率。
在一个可选的示例中，
Figure BDA00030208799700000423
和
Figure BDA00030208799700000424
分别为：
Figure BDA00030208799700000425
Figure BDA00030208799700000426
其中，bji是流行病扩散层的邻接矩阵，βA＝αγβU+(1-α)βU，βA为有意识的节点被感染的概率，α为每个有意识节点将意识转化为防范行为的概率，γ为有防范意识处于易感状态节点将意识转化为保护行为降低自身被传染可能性的概率。
第二方面，本发明提供了一种流行病传播分析系统，包括：
耦合网络确定单元，用于基于微观马可夫链方法，确定信息与流行病协同扩散的多层耦合网络；所述多层耦合网络包括：信息传播层和流行病扩散层；所述信息传播层包括：无意识的节点和有意识的节点，流行病扩散层包括：易感染节点和被感染节点；
节点划分单元，用于将所有节点按照转化效率划分成高信息素养节点和低信息素养节点；所述转化效率指的是将吸收外部流行病信息转化为自身防范意识的效率；当节点的转化效率在预设范围内时，将其归为高信息素养节点，否则将其归为低信息素养节点；
传播分析单元，用于基于各个节点从外部信息习得防范意识的概率、无防范意识节点被已感染邻居感染的概率、受感染节点恢复健康状态的概率以及有防范意识处于易感状态节点将意识转化为保护行为降低自身被传染可能性的概率，在所述多层耦合网络中确定各个节点处于三种不同状态的概率，所述三种不同状态包括：无防范意识且易感染、有防范意识且易感染以及有防范意识且被感染。
在一个可选的示例中，所述传播分析单元分析的高信息素养节点ih处于三种不同状态的概率分别为：
Figure BDA0003020879970000051
Figure BDA0003020879970000053
Figure BDA00030208799700000622
其中，
Figure BDA0003020879970000064
为在t+1时刻高信息素养节点处于无意识且易感状态的概率，
Figure BDA0003020879970000065
为在t+1时刻高信息素养节点处于有意识且易感状态的概率，
Figure BDA0003020879970000066
为在t+1时刻高信息素养节点处于感染状态的概率，δ为节点失去防范意识转变为无防范意识节点的概率，AI(h)指的是有防范意识且被感染的高信息素养节点，UI指的是无防范意识且被感染的节点，θ为高信息素养节点的转化效率，λ1为从社交媒体习得防范意识的概率，μ为受感染的节点可能恢复健康的概率，
Figure BDA0003020879970000067
为节点ih不从被感知的邻居节点重新传播的信息中获取防范意识的转移概率，
Figure BDA0003020879970000068
为无防范意识节点不被感染的转移概率，
Figure BDA0003020879970000069
为有防范意识节点不被感染的转移概率，US表示无防范意识且易感染状态、AS表示有防范意识且易感染状态，AI表示有防范意识且被感染状态。
在一个可选的示例中，所述传播分析单元分析的低信息素养节点il处于三种不同状态的概率分别为：
Figure BDA00030208799700000610
Figure BDA00030208799700000612
Figure BDA00030208799700000623
Figure BDA00030208799700000624
其中，
Figure BDA00030208799700000620
为在t+1时刻低信息素养节点处于无意识且易感状态的概率，
Figure BDA00030208799700000621
为在t+1时刻低信息素养节点处于有意识且易感状态的概率，
Figure BDA0003020879970000071
为在t+1时刻低信息素养节点处于有意识且被感染状态的概率，
Figure BDA0003020879970000072
Figure BDA0003020879970000073
和
Figure BDA0003020879970000074
则是对应t时刻状态的概率，
Figure BDA0003020879970000075
为节点il不从被感知的邻居节点重新传播的信息中获取防范意识的转移概率。
在一个可选的示例中，所述传播分析单元确定的节点不从被感知的邻居节点重新传播的信息中获取防范意识的转移概率，分别为：
Figure BDA0003020879970000076
Figure BDA0003020879970000077
其中
Figure BDA0003020879970000078
是节点j有防范意识的概率，j是邻居节点数，aji是信息传播层的邻接矩阵，λ2为节点从有意识其他个体来源获取防范意识的概率，βU为无防范意识节点被已感染邻居感染的概率，
Figure BDA0003020879970000079
表示节点j处在AI状态的概率，
Figure BDA00030208799700000710
节点j处在AS状态的概率。
在一个可选的示例中，所述传播分析单元确定的
Figure BDA00030208799700000711
和
Figure BDA00030208799700000712
分别为：
Figure BDA00030208799700000713
Figure BDA00030208799700000714
其中，bji是流行病扩散层的邻接矩阵，βA＝αγβU+(1-α)βU，βA为有意识的节点被感染的概率，α为每个有意识节点将意识转化为防范行为的概率，γ为有防范意识处于易感状态节点将意识转化为保护行为降低自身被传染可能性的概率。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明提供一种流行病传播分析方法及系统，在信息-流行病协同扩散的多层耦合复杂网络中考虑到了个体信息素养的异质性。通过将个体区分为高信息素养群体和低信息素养群体，本发明可以从信息素养群体的细分视角给出了一些抑制流行病传播的启示。本发明通过仿真模拟实验发现，高信息素养的个体对信息采纳更为敏感。此外，只有当感知者将意识转化为实际保护行为的执行能力达到一定值时，疫情相关信息才有助于抑制疫情扩散。在以信息素养高的个体为主的社区，信息素养差距较大可以提高整体意识的获取，进而有助于抑制疫情。而在以信息素养低的个体为主的社区，信息素养差距较小有利于流行病预防。本发明方法在宏观上适用于不同群体的对比，微观上适用于单群体内部的细致划分，适用范围很广，有广阔的应用前景。
附图说明
图1是本发明实施例提供的流行病传播分析方法流程图；
图2是本发明实施例提供的多层耦合网络模型框架图；
图3是本发明实施例提供的节点自我保护行为的作用机制图；
图4是本发明实施例提供的AI,US和AS状态的概率树；
图5是本发明实施例提供的流行病传播分析系统架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
2020年新冠肺炎COVID-19疫情肆虐，了解信息与疫情传播网络的协同演化对制定疫情防控政策具有重要意义。本发明基于微观马尔可夫链的方法(MMCA)方法，提出了一个Unaware-Aware-Unaware-Susceptible-Infected-Susceptible(UAU-SIS)模型来探索个体信息素养对信息-流行病协同扩散的耦合复杂网络的影响，并考虑有意识个体的执行力因素。
与现有方法相比，本发明具有如下主要优点：在模型中，信息素养的异质性是由高信息素养个体和低信息素养个体表征。假设信息素养高的个体(吸收外部信息转化为自身防范意识的效率为θ(0.5<θ≤1))比信息素养低的个体(效率为1-θ)能更有效地将外部疫情相关信息转化为自我保护意识，信息素养的差异2θ-1反映了异质性的程度。本发明填补了信息素养个体异质性在信息-流行病传播协同耦合网络中研究的空白，并从高信息素养群体和低信息素养群体的细分视角给出了一些抑制流行病传播的启示。
与现有方法相比，本发明具有如下主要优点：在模型中，信息素养的异质性是由高信息素养个体和低信息素养个体表征。假设信息素养高的个体(效率为θ(0.5<θ≤1))比信息素养低的个体(效率为1-θ)能更有效地将外部疫情相关信息转化为自我保护意识，信息素养的差异2θ-1反映了异质性的程度。本发明填补了信息素养个体异质性在信息-流行病传播协同耦合网络中研究的空白，并从高信息素养群体和低信息素养群体的细分视角给出了一些抑制流行病传播的启示。
宏观层面上：高信息素养群体比如高校师生、医院工作人员、政府工作人员等，低信息素养群体比如普通工厂工人、普通农民、农民工等。首先寻找一个合适的参数θ(0.5<θ≤1)和1-θ来表征他们的信息采纳效率，再代入仿真模型当中。
图1是本发明实施例提供的流行病传播分析方法流程图；如图1所示，包括如下步骤：
S101，基于微观马可夫链方法，确定信息与流行病协同扩散的多层耦合网络；所述多层耦合网络包括：信息传播层和流行病扩散层；所述信息传播层包括：无意识的节点和有意识的节点，流行病扩散层包括：易感染节点和被感染节点；
S102，将所有节点按照转化效率划分成高信息素养节点和低信息素养节点；所述转化效率指的是将吸收外部流行病信息转化为自身防范意识的效率；当节点的转化效率在预设范围内时，将其归为高信息素养节点，否则将其归为低信息素养节点；
S103，基于各个节点从外部信息习得防范意识的概率、无防范意识节点被已感染邻居感染的概率、受感染节点恢复健康状态的概率、以及有防范意识处于易感状态节点将意识转化为保护行为降低自身被传染可能性的概率，在所述多层耦合网络中确定各个节点处于三种不同状态的概率，所述三种不同状态包括：无防范意识且易感染、有防范意识且易感染以及有防范意识且被感染。
在一个具体的实施例中，与流行病有关的信息有两个来源：大众媒体(MassMedia)和有意识的个体再传播，如下图2所示。大众媒体，如电视，报纸，微博，Facebook等，是每个人都可以访问的信息来源。另外，有意识的个体中只传递信息，而无意识者必须有感知的邻居，他们才能从感知者那里获取信息。
个人的信息素养分为高信息素养和低信息素养两种。信息素养高的个体比信息素养低的个体具有更高的信息采纳效率。通常，应该为每一个参数提出两个参数。例如，0<θ1<θ2<1。但是，只为高信息素养设置一个参数θ(0.5<θ≤1)可以简化模型的复杂程度。所以，低信息素养个体的信息采纳效率θ1可以被简化为1-θ。因此，参数θ可以反映个体信息素养直接的异质性，也可以通过参数2θ-1彰显两个群体之间的信息素养差距。
除了从外部获取信息外，自我保护意识还有一个额外的来源途径，如果个人已经被感染，它被认为会自动获得防范意识。信息素养的异质性影响了信息转化为意识(Information To Awareness，I2A)的过程效率(I2A)。具体而言，信息素养高的个体转化效率高，而信息素养低的个体转化效率低。
在I2A的过程中，意识的来源有两个：被感染，外部信息。除了受感染之外，从外部信息获取意识是一个考虑到信息素养和信息主体的复杂过程。获得防范意识的情况有两种：通过社交媒体(信息转化为意识的概率λ1)或者通过有意识个体再传播(信息转化为意识的概率λ2)，其中λ1(0≤λ1≤1)和λ2(0≤λ2≤1)都是一个正常个体从外部信息习得防范意识的效率。模型假设高信息素养个体从大众媒体信息习得意识的概率为θλ1，从有意识邻居获取意识的概率为θλ2。而低信息素养个体获取意识的概率分别为(1-θ)λ1和(1-θ)λ2。
需要注意的是：是自我保护行为而不是自我保护意识能够改变被感染的可能性，因为意识转变为行为之间存在差距。实际上，现实中只能观察到防护行为(如戴口罩)，而不能观察到个体是否存在防护意识；只有保护性行为才能降低被感染的可能性，但只有意识是不能够的。每个意识到的个体都有一定的概率采取保护行动，并应用一个参数α(0<α<1)来反映转移效率。这样，他们就能够通过保护行为减少被感染的可能性。
由于疫情持续时间长或局部地区无风险，人们可能对疫情的存在感到麻木或习惯，从而导致对疫情的防范意识逐渐淡忘，所以失去意识而变得无意识是有一定可能性的。无防范意识个体有可能以概率βU(0≤βU≤1)被已感染的邻居感染，并且假定被感染的人会自动获得保护意识。受感染的节点在每个时间步都有概率μ(0≤μ≤1)的可能恢复健康状态。如果一个人在信息传播层有意识，并且在流行病扩散层处于易感状态，那么如果这种意识转化为保护行为，就会以概率γ(0≤γ≤1)降低自身的被传染可能性。
具体的算法公式如下：
考虑到意识状态和感染状态，个体可能处于以下几种状态：无意识且易感(US)、有意识且易感(AS)或有意识并被感染(AI)。在耦合复杂网络中，aij和bij和分别表示为信息传播层和流行病扩散层的邻接矩阵。一开始，将所有节点按比例划分为ih(信息素养高的节点)和il(信息素养低的节点)。每个节点i分别有概率
Figure BDA0003020879970000111
和
Figure BDA0003020879970000112
来处在AI、AS和US状态。假设不存在动态相关性，节点i不从社交媒体信息获取意识的转移概率可以根据节点的信息素养能力分为
Figure BDA0003020879970000121
和
Figure BDA0003020879970000122
节点i不从被感知的邻居重新传播的信息中获取防范意识的转移概率也可以分为
Figure BDA0003020879970000123
和
Figure BDA0003020879970000124
Figure BDA0003020879970000125
Figure BDA0003020879970000126
其中
Figure BDA0003020879970000127
j是邻居数，aji是信息传播层的邻接矩阵。
对于有意识的易感个体，其不被邻居感染的概率应该将其自身的执行力考虑进来，即是否具有流行病防护行为，如图3所示：
有意识个体不被感染的转移概率为：
Figure BDA0003020879970000128
其中bji是流行病扩散层的邻接矩阵，βA＝αγβU+(1-α)βU。
无意识个体不被感染的转移概率为：
Figure BDA0003020879970000129
本发明提出了两种概率树来揭示高信息素养个体和低信息素养个体的可能状态及其转移概率，如图4所示。转型过程有三个步骤：
i.意识丧失或从邻居再传播的信息中获取。如AI(h)失去防范意识，并以概率δ变为UI。信息素养的差距反映在无意识个体上：US(h)以概率
Figure BDA00030208799700001210
获得意识成为AS，如图4(c)所示，而US(l)维持US状态、没有获得意识的概率为
Figure BDA00030208799700001211
如图4(d)所示。
ii.从社交媒体输出信息获取意识。在这一步中，每个节点(实际上是无意识的节点)都会接受来自社交媒体的信息，并有一定的概率获得自我保护意识。例如，UI(h)在图4(a)中以概率θλ1获得意识并成为AI，而UI(l)在图4(b)中以概率1-(1-θ)λ1未获得意识并保持UI状态。
iii.被感染或痊愈。这一步骤反映了疫情的扩散。康复情况跟信息素养无关，AI(h)和AI(l)从而有相同的概率μ康复，成为图4(a)和图4(b)中的AS(h)或AS(l)。感染过程不需要考虑信息素养的差距。因此，图4(e)中US(h)有被感染的概率
Figure BDA0003020879970000131
图4(f)中US(l)有同样的概率
Figure BDA0003020879970000132
被感染。
根据不同状态的总概率，推导了多路网络耦合动力学的MMCA方程。耦合网络中有两种节点，其中ih的每个节点的微观马尔可夫链为：
Figure BDA0003020879970000133
Figure BDA0003020879970000134
Figure BDA0003020879970000135
il的每个节点的微观马尔可夫链公式为：
Figure BDA0003020879970000136
Figure BDA0003020879970000137
Figure BDA0003020879970000138
微观层面上：每个群体都有高信息素养群体和低信息素养群体，因为信息素养都是相对的。比如在高校师生群体里，可以将老师划分在高信息素养群体，学生划分在低信息素养群体。这时，仿真模型的参数就有现实的数据对应，可以更有效的模拟信息在这类群众中传播对抑制流行病扩散的影响。比如在更细粒度的学生群体中，可以将成绩优秀的学生划分在高信息素养群体中，另外一部分学生划分在低信息素养群体中，然后再使用本发明仿真方法进行模拟预测。
本发明方法在宏观上适用于不同群体的对比，微观上适用于单群体内部的细致划分，适用范围很广，有广阔的应用前景。
图5是本发明实施例提供的流行病传播分析系统架构图，如图5所示，包括：
耦合网络确定单元510，用于基于微观马可夫链方法，确定信息与流行病协同扩散的多层耦合网络；所述多层耦合网络包括：信息传播层和流行病扩散层；所述信息传播层包括：无意识的节点和有意识的节点，流行病扩散层包括：易感染节点和被感染节点；
节点划分单元520，用于将所有节点按照转化效率划分成高信息素养节点和低信息素养节点；所述转化效率指的是将吸收外部流行病信息转化为自身防范意识的效率；当节点的转化效率在预设范围内时，将其归为高信息素养节点，否则将其归为低信息素养节点；
传播分析单元530，用于基于各个节点从外部信息习得防范意识的概率、无防范意识节点被已感染邻居感染的概率、受感染节点恢复健康状态的概率以及有防范意识处于易感状态节点将意识转化为保护行为降低自身被传染可能性的概率，在所述多层耦合网络中确定各个节点处于三种不同状态的概率，所述三种不同状态包括：无防范意识且易感染、有防范意识且易感染以及有防范意识且被感染。
具体地，图5中各个单元的详细功能可参见前述方法实施例中的介绍，在此不做赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种流行病传播分析方法，其特征在于，包括如下步骤：
基于微观马可夫链方法，确定信息与流行病协同扩散的多层耦合网络；所述多层耦合网络包括：信息传播层和流行病扩散层；所述信息传播层包括：无意识的节点和有意识的节点，流行病扩散层包括：易感染节点和被感染节点；
将所有节点按照转化效率划分成高信息素养节点和低信息素养节点；所述转化效率指的是将吸收外部流行病信息转化为自身防范意识的效率；当节点的转化效率在预设范围内时，将其归为高信息素养节点，否则将其归为低信息素养节点；
基于各个节点从外部信息习得防范意识的概率、无防范意识节点被已感染邻居感染的概率、受感染节点恢复健康状态的概率以及有防范意识处于易感状态节点将意识转化为保护行为降低自身被传染可能性的概率，在所述多层耦合网络中确定各个节点处于三种不同状态的概率，所述三种不同状态包括：无防范意识且易感染、有防范意识且易感染以及有防范意识且被感染。
2.根据权利要求1所述的流行病传播分析方法，其特征在于，高信息素养节点ih处于三种不同状态的概率分别为：
Figure FDA0003020879960000011
Figure FDA0003020879960000012
Figure FDA0003020879960000013
其中，
Figure FDA0003020879960000014
为在t+1时刻高信息素养节点处于无意识且易感状态的概率，
Figure FDA0003020879960000021
为在t+1时刻高信息素养节点处于有意识且易感状态的概率，
Figure FDA0003020879960000022
为在t+1时刻高信息素养节点处于感染状态的概率，δ为节点失去防范意识转变为无防范意识节点的概率，AI(h)指的是有防范意识且被感染的高信息素养节点，UI指的是无防范意识且被感染的节点，θ为高信息素养节点的转化效率，λ1为从社交媒体习得防范意识的概率，μ为受感染的节点可能恢复健康的概率，
Figure FDA0003020879960000023
为节点ih不从被感知的邻居节点重新传播的信息中获取防范意识的转移概率，
Figure FDA0003020879960000024
为无防范意识节点不被感染的转移概率，
Figure FDA0003020879960000025
为有防范意识节点不被感染的转移概率，US表示无防范意识且易感染状态、AS表示有防范意识且易感染状态，AI表示有防范意识且被感染状态。
3.根据权利要求2所述的流行病传播分析方法，其特征在于，低信息素养节点il处于三种不同状态的概率分别为：
Figure FDA0003020879960000026
Figure FDA0003020879960000027
Figure FDA0003020879960000028
Figure FDA0003020879960000029
其中，
Figure FDA00030208799600000210
为在t+1时刻低信息素养节点处于无意识且易感状态的概率，
Figure FDA00030208799600000211
为在t+1时刻低信息素养节点处于有意识且易感状态的概率，
Figure FDA00030208799600000212
为在t+1时刻低信息素养节点处于有意识且被感染状态的概率，
Figure FDA00030208799600000213
Figure FDA00030208799600000214
和
Figure FDA00030208799600000215
则是对应t时刻状态的概率，
Figure FDA00030208799600000216
为节点il不从被感知的邻居节点重新传播的信息中获取防范意识的转移概率。
4.根据权利要求3所述的流行病传播分析方法，其特征在于，节点不从被感知的邻居节点重新传播的信息中获取防范意识的转移概率，分别为：
Figure FDA0003020879960000031
Figure FDA0003020879960000032
其中
Figure FDA0003020879960000033
Figure FDA0003020879960000034
是节点j有防范意识的概率，j是邻居节点数，aji是信息传播层的邻接矩阵，λ2为节点从有意识其他个体来源获取防范意识的概率，βU为无防范意识节点被已感染邻居感染的概率，
Figure FDA0003020879960000035
表示节点j处在AI状态的概率，
Figure FDA0003020879960000036
节点j处在AS状态的概率。
5.根据权利要求4所述的流行病传播分析方法，其特征在于，
Figure FDA0003020879960000037
和
Figure FDA0003020879960000038
分别为：
Figure FDA0003020879960000039
Figure FDA00030208799600000310
其中，bji是流行病扩散层的邻接矩阵，βA＝αγβU+(1-α)βU，βA为有意识的节点被感染的概率，α为每个有意识节点将意识转化为防范行为的概率，γ为有防范意识处于易感状态节点将意识转化为保护行为降低自身被传染可能性的概率。
6.一种流行病传播分析系统，其特征在于，包括：
耦合网络确定单元，用于基于微观马可夫链方法，确定信息与流行病协同扩散的多层耦合网络；所述多层耦合网络包括：信息传播层和流行病扩散层；所述信息传播层包括：无意识的节点和有意识的节点，流行病扩散层包括：易感染节点和被感染节点；
节点划分单元，用于将所有节点按照转化效率划分成高信息素养节点和低信息素养节点；所述转化效率指的是将吸收外部流行病信息转化为自身防范意识的效率；当节点的转化效率在预设范围内时，将其归为高信息素养节点，否则将其归为低信息素养节点；
传播分析单元，用于基于各个节点从外部信息习得防范意识的概率、无防范意识节点被已感染邻居感染的概率、受感染节点恢复健康状态的概率以及有防范意识处于易感状态节点将意识转化为保护行为降低自身被传染可能性的概率，在所述多层耦合网络中确定各个节点处于三种不同状态的概率，所述三种不同状态包括：无防范意识且易感染、有防范意识且易感染以及有防范意识且被感染。
7.根据权利要求6所述的流行病传播分析系统，其特征在于，所述传播分析单元分析的高信息素养节点ih处于三种不同状态的概率分别为：
Figure FDA0003020879960000041
Figure FDA0003020879960000042
Figure FDA0003020879960000043
其中，
Figure FDA0003020879960000044
为在t+1时刻高信息素养节点处于无意识且易感状态的概率，
Figure FDA0003020879960000045
为在t+1时刻高信息素养节点处于有意识且易感状态的概率，
Figure FDA0003020879960000046
为在t+1时刻高信息素养节点处于感染状态的概率，δ为节点失去防范意识转变为无防范意识节点的概率，AI(h)指的是有防范意识且被感染的高信息素养节点，UI指的是无防范意识且被感染的节点，θ为高信息素养节点的转化效率，λ1为从社交媒体习得防范意识的概率，μ为受感染的节点可能恢复健康的概率，
Figure FDA0003020879960000047
为节点ih不从被感知的邻居节点重新传播的信息中获取防范意识的转移概率，
Figure FDA0003020879960000048
为无防范意识节点不被感染的转移概率，
Figure FDA0003020879960000049
为有防范意识节点不被感染的转移概率，US表示无防范意识且易感染状态、AS表示有防范意识且易感染状态，AI表示有防范意识且被感染状态。
8.根据权利要求7所述的流行病传播分析系统，其特征在于，所述传播分析单元分析的低信息素养节点il处于三种不同状态的概率分别为：
Figure FDA0003020879960000051
Figure FDA0003020879960000052
Figure FDA0003020879960000053
Figure FDA0003020879960000054
其中，
Figure FDA0003020879960000055
为在t+1时刻低信息素养节点处于无意识且易感状态的概率，
Figure FDA0003020879960000056
为在t+1时刻低信息素养节点处于有意识且易感状态的概率，
Figure FDA0003020879960000057
为在t+1时刻低信息素养节点处于有意识且被感染状态的概率，
Figure FDA0003020879960000058
Figure FDA0003020879960000059
和
Figure FDA00030208799600000510
则是对应t时刻状态的概率，
Figure FDA00030208799600000511
为节点il不从被感知的邻居节点重新传播的信息中获取防范意识的转移概率。
9.根据权利要求8所述的流行病传播分析系统，其特征在于，所述传播分析单元确定的节点不从被感知的邻居节点重新传播的信息中获取防范意识的转移概率，分别为：
Figure FDA00030208799600000512
Figure FDA00030208799600000513
其中
Figure FDA00030208799600000514
Figure FDA00030208799600000515
是节点j有防范意识的概率，j是邻居节点数，aji是信息传播层的邻接矩阵，λ2为节点从有意识其他个体来源获取防范意识的概率，βU为无防范意识节点被已感染邻居感染的概率，
Figure FDA00030208799600000516
表示节点j处在AI状态的概率，
Figure FDA00030208799600000517
节点j处在AS状态的概率。
10.根据权利要求9所述的流行病传播分析系统，其特征在于，所述传播分析单元确定的
Figure FDA0003020879960000061
和
Figure FDA0003020879960000062
分别为：
Figure FDA0003020879960000063
Figure FDA0003020879960000064
其中，bji是流行病扩散层的邻接矩阵，βA＝αγβU+(1-α)βU，βA为有意识的节点被感染的概率，α为每个有意识节点将意识转化为防范行为的概率，γ为有防范意识处于易感状态节点将意识转化为保护行为降低自身被传染可能性的概率。
CN202110402578.XA 2021-04-14 2021-04-14 一种流行病传播分析方法及系统 Active CN113312581B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110402578.XA CN113312581B (zh) 2021-04-14 2021-04-14 一种流行病传播分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110402578.XA CN113312581B (zh) 2021-04-14 2021-04-14 一种流行病传播分析方法及系统

Publications (2)

Publication Number Publication Date
CN113312581A true CN113312581A (zh) 2021-08-27
CN113312581B CN113312581B (zh) 2023-08-01

Family

ID=77372196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110402578.XA Active CN113312581B (zh) 2021-04-14 2021-04-14 一种流行病传播分析方法及系统

Country Status (1)

Country Link
CN (1) CN113312581B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114978928A (zh) * 2022-04-24 2022-08-30 重庆邮电大学 具有时变特性的耦合网络中社会传染的动态消息传递方法
CN116682574A (zh) * 2023-08-03 2023-09-01 深圳市震有智联科技有限公司 一种针对关联人群的健康管理方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101542493A (zh) * 2006-11-29 2009-09-23 通用电气公司 定制保健信息
CN102945310A (zh) * 2012-09-27 2013-02-27 吉林大学 基于自治计算的流行病传播网络建模与推断
US20180018709A1 (en) * 2016-05-31 2018-01-18 Ramot At Tel-Aviv University Ltd. Information spread in social networks through scheduling seeding methods
JP2019023838A (ja) * 2017-07-25 2019-02-14 株式会社ネクストビート 情報処理装置、情報処理方法、およびプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101542493A (zh) * 2006-11-29 2009-09-23 通用电气公司 定制保健信息
CN102945310A (zh) * 2012-09-27 2013-02-27 吉林大学 基于自治计算的流行病传播网络建模与推断
US20180018709A1 (en) * 2016-05-31 2018-01-18 Ramot At Tel-Aviv University Ltd. Information spread in social networks through scheduling seeding methods
JP2019023838A (ja) * 2017-07-25 2019-02-14 株式会社ネクストビート 情報処理装置、情報処理方法、およびプログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
查玲玲;桂贤敏;吴庆初;: "二重耦合网络上意识与疾病作用的一般模型", 江西理工大学学报, no. 05 *
王庆英;: "论"互联网+"时代大学生信息素养教育", 西部素质教育, no. 13 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114978928A (zh) * 2022-04-24 2022-08-30 重庆邮电大学 具有时变特性的耦合网络中社会传染的动态消息传递方法
CN116682574A (zh) * 2023-08-03 2023-09-01 深圳市震有智联科技有限公司 一种针对关联人群的健康管理方法及系统
CN116682574B (zh) * 2023-08-03 2023-11-24 深圳市震有智联科技有限公司 一种针对关联人群的健康管理方法及系统

Also Published As

Publication number Publication date
CN113312581B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
Wang et al. Causalgnn: Causal-based graph neural networks for spatio-temporal epidemic forecasting
Moody Peer influence groups: identifying dense clusters in large networks
Harris An introduction to exponential random graph modeling
CN113312581A (zh) 一种流行病传播分析方法及系统
Alamo et al. Open data resources for fighting covid-19
Raudenbush Alternative covariance structures for polynomial models of individual growth and change
Haghighat Predicting the trend of indicators related to Covid-19 using the combined MLP-MC model
Tang et al. Agent-based simulation and modeling of COVID-19 pandemic: a Bibliometric analysis
Reinert et al. Visual analytics for decision-making during pandemics
Mesiarová-Zemánková et al. Bonferroni mean with weighted interaction
Koua Using self-organizing maps for information visualization and knowledge discovery in complex geospatial datasets
Mezzour et al. Smart pandemic management through a smart, resilient and flexible decision-making system
Kong et al. Multi-feature representation based COVID-19 risk stage evaluation with transfer learning
Wu et al. SQEIR: An epidemic virus spread analysis and prediction model
Shi et al. Big data technology in infectious diseases modeling, simulation, and prediction after the COVID-19 outbreak
Tshimula et al. Artificial Intelligence for Public Health Surveillance in Africa: Applications and Opportunities
Acharya et al. Gensyn: A multi-stage framework for generating synthetic microdata using macro data sources
Shaikh et al. Centering and collaborating with community knowledge systems: piloting a novel participatory modeling approach
Byrne Working within a complexity frame of reference–The potential of integrated methods’ for understanding transformation in a complex social system
Siciliano et al. Network features and processes as determinants of organizational interaction during extreme events
Ma et al. Causal Inference on Graphs
Finch et al. Continuously Updated Forecasting of SARS-CoV-2 in a Regional Health System.
de Souza et al. The Euler characteristic as a topological marker for outbreaks in vector-borne disease
Seemann et al. Desert settlements: Towards understanding the mutuality of influence and scale-free network concepts
Thomas Knowledge aware and culturally sensitive SIR models for infectious disease spread

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
GR01 Patent grant
GR01 Patent grant