CN113689957A - 一种细粒度传染病仿真模型的构建方法 - Google Patents

一种细粒度传染病仿真模型的构建方法 Download PDF

Info

Publication number
CN113689957A
CN113689957A CN202110969578.8A CN202110969578A CN113689957A CN 113689957 A CN113689957 A CN 113689957A CN 202110969578 A CN202110969578 A CN 202110969578A CN 113689957 A CN113689957 A CN 113689957A
Authority
CN
China
Prior art keywords
population
spatial
node
representing
time
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
CN202110969578.8A
Other languages
English (en)
Other versions
CN113689957B (zh
Inventor
石浤澔
林鑫
姜佳伟
郭立达
王静远
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202110969578.8A priority Critical patent/CN113689957B/zh
Priority to PCT/CN2021/117650 priority patent/WO2023024173A1/zh
Priority to US17/488,164 priority patent/US20230056370A1/en
Publication of CN113689957A publication Critical patent/CN113689957A/zh
Application granted granted Critical
Publication of CN113689957B publication Critical patent/CN113689957B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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

  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种细粒度传染病仿真模型的构建方法，包括：获取预定时间段内，多个目标区域之间的人口移动流量；基于时间模式，将预定时间段划分为多个时间段；基于空间模式，将多个目标区域划分为多个空间节点；根据人口移动流量、多个时间段，以及多个空间节点，构建仿真模型；通过该方法能够完成对于传染病发展的动态化建模；以及对不同时间模式下的分模式建模；和对不同空间模式下的细粒度建模。

Description

一种细粒度传染病仿真模型的构建方法
技术领域
本发明属于流行病学领域、动力学模型领域和计算机应用领域，特别是一种细粒度传染病仿真模型的构建方法。
背景技术
现有的疫情预测或仿真工具通常为基于SEIR而创建的仓室模型，这类模型无法区分城市和乡村的不同传播模式，也无法对交通流量等影响疫情传播的重大因素进行定量分析。
因此，如何建立一种能够从时间、空间等多个维度出发对疫情的传播模式进行仿真的模型，已经成为当前研究的关键问题。
发明内容
鉴于上述问题，本发明提供一种至少解决上述部分技术问题的一种细粒度传染病仿真模型的构建方法，通过该方法能够从时间、空间等多个维度出发对疫情的传播模式进行仿真，从而实现细粒度的传染病预测仿真。
本发明实施例提供了一种细粒度传染病仿真模型的构建方法，包括：
获取预定时间段内，多个目标区域之间的人口移动流量；
基于时间模式，将所述预定时间段划分为多个时间段；
基于空间模式，将所述多个目标区域划分为多个空间节点；
根据所述人口移动流量、所述多个时间段，以及所述多个空间节点，构建仿真模型。
进一步地，所述获取预定时间段内，多个目标区域之间的人口移动流量，包括：
获取多个目标区域中的病例数据、人口数量和空间范围数据；
根据所述病例数据、人口数量和空间范围数据，得到所述多个目标区域间的人口移动指数；
对所述人口移动指数进行数据表征，得到所述多个目标区域间的人口移动流量。
进一步地，所述对所述人口移动指数进行数据表征，包括：
按照n米×n米的空间尺度，以及s小时的时间尺度对每一个目标区域进行划分，获得所有目标区域所对应的多个区间；
对每个区间内，当前时间尺度下的用户手机信令数据进行整合，获得每个区间内当前时间尺度下用户的移动流量，实现对所述人口移动指数进行数据表征。
进一步地，所述基于时间模式，将所述预定时间段划分为多个时间段，包括：
对所述预定时间段进行等间距划分；或，
按照人口作息规律对所述预定时间段进行划分。
进一步地，所述仿真模型表示为：
Figure RE-GDA0003280049390000021
Figure RE-GDA0003280049390000022
Figure RE-GDA0003280049390000023
Figure RE-GDA0003280049390000024
Figure RE-GDA0003280049390000025
其中，Si表示第i个空间节点下的易感者；Ei表示第i个空间节点下的暴露者；Pi表示第i个空间节点下的症状前感染者；Ii表示第i个空间节点下的感染者；Ri表示第i个空间节点下的移除者；h表示时间模式；Thjit表示在第h种时间模式下，从第j个空间节点向第i个空间节点，第t天的人口移动流量；β表示传染率参数；α表示发病率参数；γ表示移除率参数；Cj表示第j空间节点内总人口相对于持有手机的人口数的倍数；Ni代表第i个空间节点的总人口数；q表示症状前感染者相对于症状后感染者，感染率的变化比例。
与现有技术人相比，本发明记载的一种细粒度传染病仿真模型的构建方法，具有如下有益效果：
完成了对于传染病发展的动态化建模；
完成了对不同时间模式下的分模式建模；
完成了对不同空间模式下的细粒度建模。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的一种细粒度传染病仿真模型的构建方法流程图。
图2为本发明实施例提供的仿真模型图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
参见图1所示，本发明实施例提供了一种细粒度传染病仿真模型的构建方法，包括：
获取预定时间段内，多个目标区域之间的人口移动流量；
基于时间模式，将所述预定时间段划分为多个时间段；
基于空间模式，将所述多个目标区域划分为多个空间节点；
根据所述人口移动流量、所述多个时间段，以及所述多个空间节点，构建仿真模型。
通过该方法，能够从时间、空间等多个维度出发对疫情的传播模式进行仿真，从而实现细粒度的传染病预测仿真。
接下来对上述方法内容进行详细说明：
上述方法中，获取预定时间段内，多个目标区域之间的人口移动流量，包括：
获取多个目标区域中的病例数据、人口数量和空间范围数据；在本实施例中，收集了目标区域内的病例数据(确诊人数、治愈人数和死亡人数等)、各街道办的人口数量以及各街道办的空间范围(经纬度)数据；
根据所述病例数据、人口数量和空间范围数据，得到所述多个目标区域间的人口移动指数；
对所述人口移动指数进行数据表征，得到所述多个目标区域间的人口移动 流量；此处数据表征(或称数据嵌入)是指通过一系列算法，将多源、异构的 原始数据转化为模型能够直接应用的向量；用户手机信令数据记录了每个蜂窝 基站的用户的手机访问轨迹，因此在本实施例中，主要通过手机信令数据来衡 量目标区域内的人口移动流量，也就是将用户手机信令数据整合为手机用户的 出行流量；具体为按照n米×n米的空间尺度，以及s小时的时间尺度对每一 个目标区域进行划分，获得所有目标区域所对应的多个区间；在本实施例中具 体按照500米×500米的空间尺度，1小时的时间尺度进行划分；之后将每个 区间中的网格流数据整合在一起形成用户旅行流；即对每个区间内，当前时间 尺度下的用户手机信令数据进行整合，获得每个区间内当前时间尺度下用户的 移动流量，实现对所述人口移动指数进行数据表征。
上述方法中，基于时间模式，将所述预定时间段划分为多个时间段，包括：对预定时间段进行等间距划分，或者按照人口作息规律对预定时间段进行划分；在本实施例中，采用按照人口作息规律对预定时间段进行划分，具体划分为7：00-9：00、16：00-18：00以及其他时间段；其中7：00-9：00为上班高峰期；16：00-18：00为下班高峰期。
上述方法中，基于空间模式，将所述多个目标区域划分为多个空间节点；在本实施例中，划分为99个空间节点，在此基础上建模了每个节点内部，即节点之间的传染病发展过程。
上述方法中，根据所述人口移动流量、所述多个时间段，以及所述多个空间节点，构建仿真模型；具体参照图2所示，其中仿真模型通过公式可表示为：
Figure RE-GDA0003280049390000051
Figure RE-GDA0003280049390000052
Figure RE-GDA0003280049390000053
Figure RE-GDA0003280049390000054
Figure RE-GDA0003280049390000055
其中，Si表示第i个空间节点下的易感者；Ei表示第i个空间节点下的暴露者；Pi表示第i个空间节点下的症状前感染者；Ii表示第i个空间节点下的感染者；Ri表示第i个空间节点下的移除者；h表示时间模式；Thjit表示在第h种时间模式下，从第j个空间节点向第i个空间节点，第t天的人口移动流量；β表示传染率参数；α表示发病率参数；γ表示移除率参数；Cj表示第j空间节点内总人口相对于持有手机的人口数的倍数；Ni代表第i个空间节点的总人口数；q表示症状前感染者相对于症状后感染者，感染率的变化比例，例如症状后感染者的传染率是100，那么症状前感染者为100*q。
本发明实施例提供了一种细粒度传染病仿真模型的构建方法，该方法改造了SEIR等仓室模型的应用方式，实现了一种基于人群活动强度(交通流量) 的动态化参数机制；通过该方法所构建的动态化模型，并对不同时间模式(早高峰、晚高峰、其他)，以及不同时空模式下疫情传播特点进行分析、比较和总结；在此基础上可实现对传染病的预测仿真。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.一种细粒度传染病仿真模型的构建方法，其特征在于，包括：
获取预定时间段内，多个目标区域之间的人口移动流量；
基于时间模式，将所述预定时间段划分为多个时间段；
基于空间模式，将所述多个目标区域划分为多个空间节点；
根据所述人口移动流量、所述多个时间段，以及所述多个空间节点，构建仿真模型。
2.如权利要求1所述的一种细粒度传染病仿真模型的构建方法，其特征在于，所述获取预定时间段内，多个目标区域之间的人口移动流量，包括：
获取多个目标区域中的病例数据、人口数量和空间范围数据；
根据所述病例数据、人口数量和空间范围数据，得到所述多个目标区域间的人口移动指数；
对所述人口移动指数进行数据表征，得到所述多个目标区域间的人口移动流量。
3.如权利要求2所述的一种细粒度传染病仿真模型的构建方法，其特征在于，所述对所述人口移动指数进行数据表征，包括：
按照n米×n米的空间尺度，以及s小时的时间尺度对每一个目标区域进行划分，获得所有目标区域所对应的多个区间；
对每个区间内，当前时间尺度下的用户手机信令数据进行整合，获得每个区间内当前时间尺度下用户的移动流量，实现对所述人口移动指数进行数据表征。
4.如权利要求1所述的一种细粒度传染病仿真模型的构建方法，其特征在于，所述基于时间模式，将所述预定时间段划分为多个时间段，包括：
对所述预定时间段进行等间距划分；或，
按照人口作息规律对所述预定时间段进行划分。
5.如权利要求1所述的一种细粒度传染病仿真模型的构建方法，其特征在于，所述仿真模型表示为：
Figure FDA0003225441950000011
Figure FDA0003225441950000021
Figure FDA0003225441950000022
Figure FDA0003225441950000023
Figure FDA0003225441950000024
其中，Si表示第i个空间节点下的易感者；Ei表示第i个空间节点下的暴露者；Pi表示第i个空间节点下的症状前感染者；Ii表示第i个空间节点下的感染者；Ri表示第i个空间节点下的移除者；h表示时间模式；Thjit表示在第h种时间模式下，从第j个空间节点向第i个空间节点，第t天的人口移动流量；β表示传染率参数；α表示发病率参数；γ表示移除率参数；Cj表示第j空间节点内总人口相对于持有手机的人口数的倍数；Ni代表第i个空间节点的总人口数；q表示症状前感染者相对于症状后感染者，感染率的变化比例。
CN202110969578.8A 2021-08-23 2021-08-23 一种细粒度传染病仿真模型的构建方法 Active CN113689957B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110969578.8A CN113689957B (zh) 2021-08-23 2021-08-23 一种细粒度传染病仿真模型的构建方法
PCT/CN2021/117650 WO2023024173A1 (zh) 2021-08-23 2021-09-10 一种细粒度传染病仿真模型的构建方法
US17/488,164 US20230056370A1 (en) 2021-08-23 2021-09-28 Construction method of fine-grained infectious disease simulation model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110969578.8A CN113689957B (zh) 2021-08-23 2021-08-23 一种细粒度传染病仿真模型的构建方法

Publications (2)

Publication Number Publication Date
CN113689957A true CN113689957A (zh) 2021-11-23
CN113689957B CN113689957B (zh) 2024-03-12

Family

ID=78581537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110969578.8A Active CN113689957B (zh) 2021-08-23 2021-08-23 一种细粒度传染病仿真模型的构建方法

Country Status (2)

Country Link
CN (1) CN113689957B (zh)
WO (1) WO2023024173A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114464329A (zh) * 2021-12-31 2022-05-10 中国科学院深圳先进技术研究院 一种城市疫情时空预测方法、系统、终端以及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101960504B1 (ko) * 2017-12-18 2019-07-15 세종대학교산학협력단 전염병 확산 예측 모델링 장치 및 방법
CN112309583A (zh) * 2020-11-04 2021-02-02 北京航空航天大学 一种面向防控隔离政策的疫情预测模型
CN112382405A (zh) * 2020-11-02 2021-02-19 北京机电工程研究所 结构化新冠肺炎疫情预测和评估方法、装置、设备及介质
CN112542250A (zh) * 2020-11-04 2021-03-23 温州大学 基于优化seird模型的全球新冠病毒传播预测方法
CN113241188A (zh) * 2021-04-14 2021-08-10 大连理工大学 一种开放体系下新发传染病的跨区域传播预测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101777092B (zh) * 2009-12-18 2014-11-05 中国人民解放军防化指挥工程学院 基于考虑空间非均匀性的传染病传播模型疫情预测方法
CN112086203A (zh) * 2020-09-11 2020-12-15 河北工程大学 一种疫情预测方法、装置及终端设备
CN112885483A (zh) * 2020-09-16 2021-06-01 北京建筑大学 传染病传播趋势的模拟方法、装置、电子设备以及存储介质
CN112529289A (zh) * 2020-12-07 2021-03-19 北京嘀嘀无限科技发展有限公司 人流扩散风险的预测方法、装置、电子设备及存储介质
CN112669977B (zh) * 2020-12-11 2024-01-30 重庆邮电大学 一种干预的seird-ca传染病时空扩散模拟与预测方法
CN112712903A (zh) * 2021-01-15 2021-04-27 杭州中科先进技术研究院有限公司 一种基于人机物三元空间协同感知的传染病监测方法
CN113192645B (zh) * 2021-03-16 2023-06-13 郑州大学 一种基于离散格网的传染病时空扩散演变和人为防控仿真方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101960504B1 (ko) * 2017-12-18 2019-07-15 세종대학교산학협력단 전염병 확산 예측 모델링 장치 및 방법
CN112382405A (zh) * 2020-11-02 2021-02-19 北京机电工程研究所 结构化新冠肺炎疫情预测和评估方法、装置、设备及介质
CN112309583A (zh) * 2020-11-04 2021-02-02 北京航空航天大学 一种面向防控隔离政策的疫情预测模型
CN112542250A (zh) * 2020-11-04 2021-03-23 温州大学 基于优化seird模型的全球新冠病毒传播预测方法
CN113241188A (zh) * 2021-04-14 2021-08-10 大连理工大学 一种开放体系下新发传染病的跨区域传播预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RUSSELL CHENG 等: "Modelling presymptomatic infectiousness in COVID-19", JOURNAL OF SIMULATION, no. 17, pages 532 - 543 *
YOAV TSORI 等: "Epidemiological model for the inhomogeneous spatial spreading of COVID-19 and other diseases", PLOS ONE, vol. 16, no. 2, pages 1 - 6 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114464329A (zh) * 2021-12-31 2022-05-10 中国科学院深圳先进技术研究院 一种城市疫情时空预测方法、系统、终端以及存储介质

Also Published As

Publication number Publication date
CN113689957B (zh) 2024-03-12
WO2023024173A1 (zh) 2023-03-02

Similar Documents

Publication Publication Date Title
Frias-Martinez et al. An agent-based model of epidemic spread using human mobility and social network information
Kyamakya et al. Location management in cellular networks: classification of the most important paradigms, realistic simulation framework, and relative performance analysis
CN113780635A (zh) 一种小空间尺度传染病时空传播模式的预测方法
US20230056370A1 (en) Construction method of fine-grained infectious disease simulation model
CN106777935A (zh) 一种基于网络结构的疾病动态预测方法
CN108898533A (zh) 人口流动数据的获取方法、装置及计算机可读存储介质
CN114464329A (zh) 一种城市疫情时空预测方法、系统、终端以及存储介质
CN105335604A (zh) 面向流行病防控的人口动态接触结构建模与发现方法
Barbara et al. From urban planning techniques to 15-minute neighbourhoods. A theoretical framework and GIS-based analysis of pedestrian accessibility to public services
WO2014012927A1 (en) Method and system for traffic estimation
CN112885483A (zh) 传染病传播趋势的模拟方法、装置、电子设备以及存储介质
Pang et al. Development of people mass movement simulation framework based on reinforcement learning
Vitello et al. High-precision design of pedestrian mobility for smart city simulators
CN110750609A (zh) 基于时空数据和神经网络的犯罪案件数量预测方法
CN113689957A (zh) 一种细粒度传染病仿真模型的构建方法
Zhou et al. Risk assessment for precise intervention of COVID-19 epidemic based on available big data and spatio-temporal simulation method: Empirical evidence from different public places in Guangzhou, China
Khaidem et al. Optimizing transportation dynamics at a city-scale using a reinforcement learning framework
Cheng et al. Understanding urban growth system: Theories and methods
CN110188953B (zh) 一种基于空间杜宾模型的o-d时空分布预测方法
Dekker et al. Reducing societal impacts of SARS-CoV-2 interventions through subnational implementation
CN108021980A (zh) 一种基于手机数据的精细尺度城市人群数量预测方法
CN108960656A (zh) 一种基于手机数据的城市人群疏散风险动态评价方法
Montalan et al. Measles metapopulation modeling using ideal flow of transportation networks
CN112766240A (zh) 基于时空关系的残差多图卷积人群分布预测方法及系统
Xie et al. A modeling framework for individual-based urban mobility based on data fusion

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