CN113780635A - 一种小空间尺度传染病时空传播模式的预测方法 - Google Patents

一种小空间尺度传染病时空传播模式的预测方法 Download PDF

Info

Publication number
CN113780635A
CN113780635A CN202110972763.2A CN202110972763A CN113780635A CN 113780635 A CN113780635 A CN 113780635A CN 202110972763 A CN202110972763 A CN 202110972763A CN 113780635 A CN113780635 A CN 113780635A
Authority
CN
China
Prior art keywords
grid
day
data
space
infectious disease
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
CN202110972763.2A
Other languages
English (en)
Other versions
CN113780635B (zh
Inventor
马文军
杜庆锋
刘涛
肖建鹏
王培席
龚志均
肖菊姣
康敏
林立丰
宋铁
胡建雄
周燕
曾韦霖
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.)
CENTRE FOR DISEASE CONTROL AND PREVENTION OF GUANGDONG PROVINCE
Seventh Affiliated Hospital Of Southern Medical University
GUANGDONG PROVINCIAL INSTITUTE OF PUBLIC HEALTH
Original Assignee
CENTRE FOR DISEASE CONTROL AND PREVENTION OF GUANGDONG PROVINCE
Seventh Affiliated Hospital Of Southern Medical University
GUANGDONG PROVINCIAL INSTITUTE OF PUBLIC HEALTH
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 CENTRE FOR DISEASE CONTROL AND PREVENTION OF GUANGDONG PROVINCE, Seventh Affiliated Hospital Of Southern Medical University, GUANGDONG PROVINCIAL INSTITUTE OF PUBLIC HEALTH filed Critical CENTRE FOR DISEASE CONTROL AND PREVENTION OF GUANGDONG PROVINCE
Priority to CN202110972763.2A priority Critical patent/CN113780635B/zh
Publication of CN113780635A publication Critical patent/CN113780635A/zh
Application granted granted Critical
Publication of CN113780635B publication Critical patent/CN113780635B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Pathology (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种小空间尺度传染病时空传播模式的预测方法，将构建的SEIR模型与估算的居民出行OD矩阵相融合，形成基于人口流动、融合非药物干预措施的小空间尺度的传染病疫情传播SEIR模型，采取不同干预措施应对传染病疫情场景；通过收集整理手机通讯信令等多源数据，迭代模拟传染病的时空传播模式，并将干预防控措施细化为指标和参数纳入到SEIR模型，模拟在不同情景下疫情的发展趋势和累积病例数，以此探究传染病在城市内部小空间尺度的扩散路径、流行曲线、以及时空传播网络；同时考虑了多源驱动因素和公共卫生干预措施，预测结果更加可靠；并对早期疫情的发展态势提供了更为精准的研判，实用性也更高。

Description

一种小空间尺度传染病时空传播模式的预测方法
技术领域
本发明涉及传染病疫情预测方法领域，尤其涉及的是一种小空间尺度传染病时空传播模式的预测方法。
背景技术
传染病研究重要方法之一就是传染病数学模型及其动力学分析，其根据种群生长的特性、疾病发生和在种群内传播的规律，建立能反映传染病动力学特性的数学模型，并通过对模型动力学性态的定性、定量分析和数值模拟，可揭示出其流行规律，预测其变化发展趋势，且寻求对其预防和控制的最优策略，对疫情的研判和决策能起到辅助作用。
尽管近期有相关学者从数理视角，采用经典传染病动力学仓室模型(Susceptible- Exposed-Infectious-Recovered，SEIR)构建人口流动网络动力学模型模拟疫情时空发展趋势，评估防控措施的效果，但是这些研究大多是基于城市、省份等大空间尺度的研究，而针对小空间尺度例如1*1公里区域范围的研究还十分缺乏，显然不利于传染病疫情初期开展态势研判和精准分区防控。
另外，现有大部分研究在建模时未能同时考虑多个因素，诸如环境、气象、病原学监测、人口流动以及干预措施等，模型的设置也有待完善。
因此，如何融合多源数据库，并构建小空间尺度的SEIR模型进行时空传播模式模拟，将有助于为早期疫情提供更为精准的态势研判。
发明内容
为解决上述技术问题，本发明提供一种小空间尺度传染病时空传播模式的预测方法，可对早期疫情的发展态势提供更为精准的研判，实用性更高，预测更可靠。
本发明的技术方案如下：一种小空间尺度传染病时空传播模式的预测方法，包括以下步骤：
A、收集整理传染病病例、流行病学调查数据、防控措施相关数据、社会人口地理数据以及手机通讯信令数据；
B、利用社会人口地理数据和手机通讯信令数据，估算研究区域1*1公里空间网格的居民出行OD矩阵；
C、利用疫情病例数据、流行病学调查数据以及防控措施数据，构建传染病疫情传播的SEIR 模型；
D、将构建的SEIR模型与估算的居民出行OD矩阵相融合，形成基于人口流动、融合非药物干预措施的小空间尺度的传染病疫情传播SEIR模型；
E、采取不同干预措施应对传染病疫情场景，预测不同情景下未来1-2个月疫情时空扩散趋势、累计病例数以及疫情结束时间。
所述的小空间尺度传染病时空传播模式的预测方法，其中，所述步骤A包括：
A1、从传染病报告监测系统获得传染病每日报告病例数和疫情数据；
A2、从疾病预防控制中心流行病学调查管理系统收集流行病学调查数据资料；
A3、从疾病预防控制中心应急响应工作组获取核酸筛查和医学隔离相关防控措施和时间节点。
所述的小空间尺度传染病时空传播模式的预测方法，其中，所述步骤A包括：
A4、网格人口数据来自世界人口网站上年估算的网格人口数，空间精度为1*1公里网格；
A5、行政界面地图数据来自资源环境科学与数据中心；
A6、由统计年鉴获取当地人口密度、社会经济水平、卫生服务能力数据
所述的小空间尺度传染病时空传播模式的预测方法，其中，所述步骤A包括：
A7、某一时段手机通讯信令数据来自所有通讯运营商，且手机通讯信令数据经由通讯部门和相关部门完成信息脱敏和数据处理，生成匿名的网络区域间人流量统计数据。
所述的小空间尺度传染病时空传播模式的预测方法，其中，所述步骤B包括：
B1、将研究区域划分为1*1公里网格的交通小区；
B2、获取交通小区范围内所有出行者在某一时间段的手机定位数据；每个手机定位数据包含产生定位数据时该手机的出行者所处的位置点信息；
B3、对每个出行者的每个位置点信息进行位移状态判断，判断当前的位置点信息是处于位移状态，还是停留状态；
B4、将属于同一出行者的一系列位置点中相邻且处于停留状态的位置点作为一个集合，并经过有效性筛选，若得到N个集合，则表明该出行者在某一时间范围内有过N-1次出行；将相邻的两个集合的中心位置点分别定义为该N-1次出行中某次出行的起点和终点，得到该出行者在某一时间范围内N-1次出行的所有起点和终点；
B5、根据步骤B4获得所有出行者在某一时间范围内产生的每一次出行的起点和终点；
B6、将每个出行者每一次出行的起点与终点映射到相应的交通小区上，且对识别出的所有出行者的出行行为进行分组统计，并汇总得到所有“出行—到达”交通小区组合对应的出行次数，形成手机居民出行OD矩阵数据；
B7、根据手机用户群体所占城市出行者群体的比例，对原始的手机居民出行OD矩阵进行扩样处理，得到居民出行OD矩阵。
所述的小空间尺度传染病时空传播模式的预测方法，其中，所述步骤C利用高维差分方程耦合传染病疫情传播和扩散过程，构建基于人口流动、融合非药物干预措施的小空间 SEIR模型，该SEIR模型由以下六个公式组成：
Figure RE-GDA0003334839110000031
其中，Sj，t表示j 网格第t天的易感者数，Sj，t-1表示j网格第t-1天的易感者数βt表示第t天的疾病传播概率， Ij，t-1表示j网格第t-1天的病例数，sr表示在保持社交距离的对应措施下戴口罩、不聚集的人群比例，tr表示在进行交通限制的对应措施下区域人口流动下降的比例，Nj，t-1表示j网格第 t-1天的总人口数，Ijk，t-1表示j网格第t-1天流向k网格的病例数，k网格表示除j网格以外的其他网格，Mjk，t-1表示j网格第t-1天流向k网格的人口数；
Figure RE-GDA0003334839110000032
其中，Ej，t表示j 网格第t天的潜伏期患者数，Ej，t-1表示j网格第t-1天的潜伏期患者数，ir表示在主动发现病例的对应措施下病例被发现并隔离的比例，a表示潜伏期患者转为病例的速率；
Ij，t＝Ij，t-1+irαEj，t-1-γIj，t-1；其中，Ij，t表示j网格第t天的病例数，Ij，t-1表示j网格第t-1天的病例数，γ表示病例移除的速率；
Rj，t＝Rj，t-1+γIj，t-1；其中，Rj，t表示j网格第t天的移出者数，Rj，t-1表示j网格第t-1天的移出者数；
Nj，t＝Sj，t-1+Ej，t-1+Ij，t-1+Rj，t-1；其中，Nj，t表示j网格第t天的总人口数；
Figure RE-GDA0003334839110000033
其中，Ijk，t表示j网格第t天流向k网格的病例数，Mj，i，t表示每第t天 j网格流向i网格的人口数，i表示单个具体的网格，Nj，t表示第t天j网格的总人口数。
所述的小空间尺度传染病时空传播模式的预测方法，其中，所述步骤D包括：
D1、根据现有的文献和实际流调数据，对SEIR模型未知参数设置一定范围作为候选参数；同时以当日实际新增发病人数为Poisson分布的参数；
D2、基于时依Poisson分布随机数和当前候选参数，采用4阶Runge-Kutta方法进行数值求解；
D3、拟合当地疫情首例病例后两周的每日新增发病人数Ti，较之实际值Ai，计算均方根偏差
Figure RE-GDA0003334839110000041
所述的小空间尺度传染病时空传播模式的预测方法，其中，每次拟合产生10000组参数组合，并根据RMSE最小原则筛选出一组最佳参数组合；重复1000次拟合，并计算其中位数和95％置信区间，获得疫情的模型参数。
所述的小空间尺度传染病时空传播模式的预测方法，其中，所述步骤E包括：根据流调信息和专家研讨，获得防控措施的参数，设置传染源发现管理ir、保持社交距离sr和开展交通限制tr参数的值，模拟多种防控措施情景下未来1-2个月疫情扩散趋势、累计病例数及疫情结束的时间，同时做出图表直观展示疫情可能的发展趋势。
所述的小空间尺度传染病时空传播模式的预测方法，其中，所述步骤E包括：将每个防控措施分为1、2、3、4四个级别，组合生成4*4*4＝64种防控措施。
本发明所提供的一种小空间尺度传染病时空传播模式的预测方法，由于融合了人口流动和传播动力学模型，构建小空间尺度的网络SEIR模型模拟时空传播模式，对早期疫情的发展态势提供了更为精准的研判，实用性更高，同时综合考虑了病例、气象、环境监测和公共卫生干预措施，包含了更多相关的信息，预测也更为可靠。
与现有技术中的传染病趋势预测方法相比较，本发明的这种小空间尺度传染病时空传播模式的预测方法还具有以下独特的优点：
1.考虑因素方面，现有的传染病趋势预测方法多是基于病例数和人口流动的预测预警，而本发明综合考虑了病例、气象、环境监测、人口流动以及公共卫生干预措施等因素，包含有更多相关的信息，预测更为可靠；
2.实用性方面，本发明融合人口流动和传播动力学模型，构建小空间尺度的网络SEIR模型进行时空传播模式模拟，对早期疫情的发展态势可提供更为精准的研判，实用性更高。
附图说明
在此描述的附图仅用于解释目的，而非意图以任何方式来限制本发明公开的范围；图中各部件的形状和比例尺寸等仅为示意性的，用于帮助对本发明的理解，并非是具体限定本发明各部件的形状和比例尺寸；本领域的技术人员在本发明的教导下，可以根据具体情况选择各种可能的形状和比例尺寸来实施本发明。
图1是本发明小空间尺度传染病时空传播模式的预测方法实施例的流程框图。
具体实施方式
以下将结合附图，对本发明的具体实施方式和实施例加以详细说明，所描述的具体实施例仅用以解释本发明，并非用于限定本发明的具体实施方式。
如图1所示，本发明小空间尺度传染病时空传播模式的预测方法适用于预测某地区的小空间尺度(1*1公里)传染病的时空传播模式，通过收集整理研究区域的多源数据，构建和拟合基于人口流动、融合非药物干预措施的SEIR模型，预测小空间尺度传染病疫情的时空传播模式，该预测方法整体上由以下步骤组成：
步骤A、收集整理传染病病例、流行病学调查数据、防控措施相关数据、社会人口地理数据以及手机通讯信令数据；
步骤B、利用社会人口地理数据和手机通讯信令数据，估算研究区域1*1公里空间网格的居民出行OD矩阵；
步骤C、利用疫情病例数据、流行病学调查数据以及防控措施数据，构建传染病疫情传播的 SEIR模型；
步骤D、将构建的SEIR模型与估算的居民出行OD矩阵相融合，形成基于人口流动、融合非药物干预措施的小空间尺度的传染病疫情传播SEIR模型；
步骤E、采取不同干预措施应对传染病疫情场景，预测不同情景下未来1-2个月疫情时空扩散趋势、累计病例数以及疫情结束时间。
具体的，在步骤A中，传染病每日报告病例数和详细的疫情数据可以从传染病报告监测系统获得；流行病学调查数据资料可以从疾病预防控制中心流行病学调查管理系统收集；核酸筛查和医学隔离等相关防控措施和时间节点可以从疾病预防控制中心应急响应工作组获取；网格人口(即社会人口)数据可以来自世界人口网站(https://www.worldpop.org)上年例如2020年估算的网格人口数，空间精度为1*1公里网格；行政界面地图(即地理)数据可以来自资源环境科学与数据中心(http://www.resdc.cn)；当地人口密度、社会经济水平、卫生服务能力数据可以由统计年鉴(http://stats.gd.gov.cn)获取；某一时段手机通讯信令数据可以来自所有通讯运营商(例如移动、联通和电信)，且手机通讯信令数据经由通讯部门和相关部门完成信息脱敏和数据处理，生成匿名的网络区域间人流量统计数据。
具体的，在步骤B中，将研究区域划分为各个小区域或网格，每个区域或网格称为一个交通小区，城市居民的出行发生在不同的交通小区之间，统计城市居民在任意两个交通小区(例如j网格和k网格)之间发生的出行次数，构成一个数值矩阵，称为起点(Origin)与终点(Destination))的居民出行OD矩阵。
进一步地，所述步骤B中估算居民出行OD矩阵的具体步骤是：
步骤B1、将研究区域划分为1*1公里网络区域或网格的交通小区，例如j网格或k网格，又如某个具体的网格i等；
步骤B2、获取交通小区范围内所有出行者在某一时间段的所有手机定位数据；每个手机定位数据包含产生定位数据时该手机的出行者所处的位置点信息；
步骤B3、对每个出行者的每个位置点信息进行位移状态判断，判断当前的位置点信息是处于位移状态，还是停留状态；
步骤B4、将属于同一出行者的一系列位置点中相邻且处于停留状态的位置点作为一个集合，并经过有效性筛选，若得到N个集合，则表明该出行者在某一时间范围内有过N-1次出行；将相邻的两个集合的中心位置点分别定义为该N-1次出行中某次出行的起点和终点，得到该出行者在某一时间范围内N-1次出行的所有起点和终点；
步骤B5、根据步骤B4获得所有出行者在某一时间范围内产生的每一次出行的起点和终点；
步骤B6、将每个出行者每一次出行的起点与终点映射到相应的交通小区上，且对识别出的所有出行者的出行行为进行分组统计，并汇总得到所有“出行—到达”交通小区组合对应的出行次数，形成手机居民出行OD矩阵数据；
步骤B7、根据手机用户群体所占城市出行者群体的比例，对手机居民出行OD矩阵进行扩样处理，得到居民出行OD矩阵。
具体的，在步骤C中，经典的SEIR模型将研究人群分为易感者(Susceptible，S)、潜伏者(Exposed，E)、感染者(也称病例)(Infections，I)、移出者(也称移除者)(Removed，R)四大类，SEIR模型本质上是创造两个马尔可夫过程，一个是S->E->I->R的动力过程，另一个是疾病从一个地方传播到另一个地方的流动过程；本发明小空间尺度传染病时空传播模式的预测方法将估算的居民出行OD矩阵与构建的SEIR模型相融合，构建出基于人口流动的小空间尺度的网络SEIR模型。
本发明小空间尺度传染病时空传播模式的预测方法将每个1*1公里空间网格单独应用SEIR模型，如果一个空间网格出现感染病例，随着网格之间人口的快速流动，疫情将呈时空发展和扩散。
具体的，所述步骤C利用高维差分方程耦合传染病疫情传播和扩散过程，构建基于人口流动、融合非药物干预措施的小空间SEIR模型，该SEIR模型由以下六个公式组成：公式一、
Figure RE-GDA0003334839110000061
公式一中，Sj,t表示j网格第t天的易感者数，Sj,t-1表示j网格第t-1天的易感者数，β表示疾病传播概率，βt表示第t天的疾病传播概率，Ij,t-1表示j网格第t-1天的病例数，sr表示戴口罩、不聚集等的人群比例(对应措施：保持社交距离)，tr表示区域人口流动下降的比例(对应措施：进行交通限制)，Nj,t-1表示j网格第t-1天的总人口数，Ijk,t-1表示j网格第t-1天流向k 网格(k泛指除j网格以外的其他网格)的病例数，Mjk，t-1表示j网格第t-1天流向k网格的人口数。
公式二、
Figure RE-GDA0003334839110000071
公式二中，Ej，t表示j网格第t天的潜伏期患者数，Ej，t-1表示j网格第t-1天的潜伏期患者数， ir表示病例被发现并隔离的比例(对应措施：主动发现病例)，a表示潜伏期患者转为病例的速率。
公式三、Ij，t＝Ij，t-1+irαEj，t-1-γIj，t-1；
公式三中，Ij，t表示j网格第t天的病例数，Ij，t-1表示j网格第t-1天的病例数，γ表示病例移除的速率。
公式四、Rj，t＝Rj，t-1+γIj，t-1；
公式四中，Rj，t表示j网格第t天的移出者数，Rj，t-1表示j网格第t-1天的移出者数。
公式五、Nj，t＝Sj，t-1+Ej，t-1+Ij，t-1+Rj，t-1；
公式五中，Nj，t表示j网格第t天的总人口数；
公式六、
Figure RE-GDA0003334839110000072
公式六中，Ijk，t表示j网格第t天流向k网格的病例数，Mj，i，t表示每第t天j网格流向i网格的人口数，i表示某个具体的网格，Nj，t表示第t天j网格的总人口数。
具体的，在步骤D中，将SEIR模型与估算的居民出行OD矩阵相融合时，关键在于参数的设置，其参数设置的具体方法如下：
步骤D1、根据现有的文献和实际流调数据，对SEIR模型未知参数设置一定范围作为候选参数；并假设每日新增发病人数服从时依Poisson分布，即以当日实际新增发病人数为Poisson 分布的参数；
步骤D2、基于时依Poisson分布随机数和当前候选参数，采用4阶Runge-Kutta(即RK4) 方法进行数值求解；
步骤D3、拟合当地疫情首例病例后两周的每日新增发病人数Ti，较之实际值Ai，计算均方根偏差(Root mean square error，即RMSE)，以评价拟合效果；所用均方根偏差公式如下：
公式七、
Figure RE-GDA0003334839110000081
优选的，所述步骤D3中，每次拟合产生10000组参数组合，并根据RMSE最小原则筛选出一组最佳参数组合；重复1000次拟合，则有1000组最佳参数组合，并计算其中位数和95％置信区间，获得疫情的模型参数。
具体的，在步骤E中，根据流调信息和专家研讨，获得防控措施的参数，设置传染源发现管理ir、保持社交距离sr和开展交通限制tr参数的值，并优选将每个防控措施分为 1、2、3、4四个级别，组合生成4*4*4＝64种防控措施，以模拟64种防控措施情景下未来 1-2个月疫情扩散趋势、累计病例数及疫情结束的时间，同时做出图表直观展示疫情可能的发展趋势。
本发明公开了一种基于小空间尺度传染病病例、流行病学调查资料、病原学监测信息、人群社会接触、社会经济、人口流动以及干预措施等多源数据来预测传染病疫情传播模式的方法，该预测方法通过收集整理多源数据，构建传染病的人口流动网络SEIR模型，迭代模拟传染病的时空传播模式，并将干预防控措施细化为指标和参数纳入到SEIR模型，模拟在不同情景下疫情的发展趋势和累积病例数，以此探究传染病在城市内部小空间尺度的扩散路径、流行曲线、以及时空传播网络；该预测方法的优点在于，同时考虑了多源驱动因素和公共卫生干预措施，预测结果更加可靠；同时该预测方法可预测在不同防控情景下，传染病疫情在小空间尺度的时空传播机制、疫情规模和传播速度，对早期疫情的发展态势提供了更为精准的研判，实用性也更高。
本说明书中未作详细描述的内容均属于本领域普通技术人员公知的现有技术。
应当理解的是，以上所述仅为本发明的较佳实施例而已，并不足以限制本发明的技术方案，对本领域普通技术人员来说，在本发明的精神和原则之内，可以根据上述说明加以增减、替换、变换或改进，而所有这些增减、替换、变换或改进后的技术方案，都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种小空间尺度传染病时空传播模式的预测方法，其特征在于，包括以下步骤：
A、收集整理传染病病例、流行病学调查数据、防控措施相关数据、社会人口地理数据以及手机通讯信令数据；
B、利用社会人口地理数据和手机通讯信令数据，估算研究区域1*1公里空间网格的居民出行OD矩阵；
C、利用疫情病例数据、流行病学调查数据以及防控措施数据，构建传染病疫情传播的SEIR模型；
D、将构建的SEIR模型与估算的居民出行OD矩阵相融合，形成基于人口流动、融合非药物干预措施的小空间尺度的传染病疫情传播SEIR模型；
E、采取不同干预措施应对传染病疫情场景，预测不同情景下未来1-2个月疫情时空扩散趋势、累计病例数以及疫情结束时间。
2.根据权利要求1所述的小空间尺度传染病时空传播模式的预测方法，其特征在于，所述步骤A包括：
A1、从传染病报告监测系统获得传染病每日报告病例数和疫情数据；
A2、从疾病预防控制中心流行病学调查管理系统收集流行病学调查数据资料；
A3、从疾病预防控制中心应急响应工作组获取核酸筛查和医学隔离相关防控措施和时间节点。
3.根据权利要求1所述的小空间尺度传染病时空传播模式的预测方法，其特征在于，所述步骤A包括：
A4、网格人口数据来自世界人口网站上年估算的网格人口数，空间精度为1*1公里网格；
A5、行政界面地图数据来自资源环境科学与数据中心；
A6、由统计年鉴获取当地人口密度、社会经济水平、卫生服务能力数据。
4.根据权利要求1所述的小空间尺度传染病时空传播模式的预测方法，其特征在于，所述步骤A包括：
A7、某一时段手机通讯信令数据来自所有通讯运营商，且手机通讯信令数据经由通讯部门和相关部门完成信息脱敏和数据处理，生成匿名的网络区域间人流量统计数据。
5.根据权利要求1所述的小空间尺度传染病时空传播模式的预测方法，其特征在于，所述步骤B包括：
B1、将研究区域划分为1*1公里网格的交通小区；
B2、获取交通小区范围内所有出行者在某一时间段的手机定位数据；每个手机定位数据包含产生定位数据时该手机的出行者所处的位置点信息；
B3、对每个出行者的每个位置点信息进行位移状态判断，判断当前的位置点信息是处于位移状态，还是停留状态；
B4、将属于同一出行者的一系列位置点中相邻且处于停留状态的位置点作为一个集合，并经过有效性筛选，若得到N个集合，则表明该出行者在某一时间范围内有过N-1次出行；将相邻的两个集合的中心位置点分别定义为该N-1次出行中某次出行的起点和终点，得到该出行者在某一时间范围内N-1次出行的所有起点和终点；
B5、根据步骤B4获得所有出行者在某一时间范围内产生的每一次出行的起点和终点；
B6、将每个出行者每一次出行的起点与终点映射到相应的交通小区上，且对识别出的所有出行者的出行行为进行分组统计，并汇总得到所有“出行—到达”交通小区组合对应的出行次数，形成手机居民出行OD矩阵数据；
B7、根据手机用户群体所占城市出行者群体的比例，对原始的手机居民出行OD矩阵进行扩样处理，得到居民出行OD矩阵。
6.根据权利要求1所述的小空间尺度传染病时空传播模式的预测方法，其特征在于，所述步骤C利用高维差分方程耦合传染病疫情传播和扩散过程，构建基于人口流动、融合非药物干预措施的小空间SEIR模型，该SEIR模型由以下六个公式组成：
Figure RE-FDA0003334839100000021
其中，Sj,t表示j网格第t天的易感者数，Sj,t-1表示j网格第t-1天的易感者数βt表示第t天的疾病传播概率，Ij,t-1表示j网格第t-1天的病例数，sr表示在保持社交距离的对应措施下戴口罩、不聚集的人群比例，tr表示在进行交通限制的对应措施下区域人口流动下降的比例，Nj,t-1表示j网格第t-1天的总人口数，Ijk,t-1表示j网格第t-1天流向k网格的病例数，k网格表示除j网格以外的其他网格，Mjk,t-1表示j网格第t-1天流向k网格的人口数；
Figure RE-FDA0003334839100000022
其中，Ej,t表示j网格第t天的潜伏期患者数，Ej,t-1表示j网格第t-1天的潜伏期患者数，ir表示在主动发现病例的对应措施下病例被发现并隔离的比例，a表示潜伏期患者转为病例的速率；Ij，t＝Ij，t-1+irαEj，t-1-γIj，t-1；其中，Ij,t表示j网格第t天的病例数，Ij,t-1表示j网格第t-1天的病例数，γ表示病例移除的速率；Rj，t＝Rj，t-1+γIj，t-1；其中，Rj,t表示j网格第t天的移出者数，Rj,t-1表示j网格第t-1天的移出者数；Nj，t＝Sj，t-1+Ej，t-1+Ij，t-1+Rj，t-1；其中，Nj,t表示j网格第t天的总人口数；
Figure RE-FDA0003334839100000031
其中，Ijk,t表示j网格第t天流向k网格的病例数，Mj,i,t表示每第t天j网格流向i网格的人口数，i表示单个具体的网格，Nj,t表示第t天j网格的总人口数。
7.根据权利要求1所述的小空间尺度传染病时空传播模式的预测方法，其特征在于，所述步骤D包括：
D1、根据现有的文献和实际流调数据，对SEIR模型未知参数设置一定范围作为候选参数；同时以当日实际新增发病人数为Poisson分布的参数；
D2、基于时依Poisson分布随机数和当前候选参数，采用4阶Runge-Kutta方法进行数值求解；
D3、拟合当地疫情首例病例后两周的每日新增发病人数Ti，较之实际值Ai，计算均方根偏差
Figure RE-FDA0003334839100000032
8.根据权利要求7所述的小空间尺度传染病时空传播模式的预测方法，其特征在于：每次拟合产生10000组参数组合，并根据RMSE最小原则筛选出一组最佳参数组合；重复1000次拟合，并计算其中位数和95％置信区间，获得疫情的模型参数。
9.根据权利要求1所述的小空间尺度传染病时空传播模式的预测方法，其特征在于，所述步骤E包括：根据流调信息和专家研讨，获得防控措施的参数，设置传染源发现管理ir、保持社交距离sr和开展交通限制tr参数的值，模拟多种防控措施情景下未来1-2个月疫情扩散趋势、累计病例数及疫情结束的时间，同时做出图表直观展示疫情可能的发展趋势。
10.根据权利要求9所述的小空间尺度传染病时空传播模式的预测方法，其特征在于，所述步骤E包括：将每个防控措施分为1、2、3、4四个级别，组合生成4*4*4＝64种防控措施。
CN202110972763.2A 2021-08-24 2021-08-24 一种小空间尺度传染病时空传播模式的预测方法 Active CN113780635B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110972763.2A CN113780635B (zh) 2021-08-24 2021-08-24 一种小空间尺度传染病时空传播模式的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110972763.2A CN113780635B (zh) 2021-08-24 2021-08-24 一种小空间尺度传染病时空传播模式的预测方法

Publications (2)

Publication Number Publication Date
CN113780635A true CN113780635A (zh) 2021-12-10
CN113780635B CN113780635B (zh) 2023-09-01

Family

ID=78838962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110972763.2A Active CN113780635B (zh) 2021-08-24 2021-08-24 一种小空间尺度传染病时空传播模式的预测方法

Country Status (1)

Country Link
CN (1) CN113780635B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114386536A (zh) * 2022-03-22 2022-04-22 腾讯科技（深圳）有限公司 区域确定方法、装置、计算设备以及存储介质
CN114388137A (zh) * 2021-12-31 2022-04-22 中国科学院深圳先进技术研究院 城市流感发病趋势预测方法、系统、终端以及存储介质
CN114512245A (zh) * 2022-02-17 2022-05-17 四川省疾病预防控制中心 一种新发传染病模型建立方法及计算机装置
CN114708985A (zh) * 2022-03-14 2022-07-05 中国人民解放军总医院第八医学中心 呼吸道传染病预警方法及系统
CN114999667A (zh) * 2022-04-01 2022-09-02 山东大学 一种考虑交通干预的传染病跨区域传播预测方法及系统
CN115223726A (zh) * 2022-07-29 2022-10-21 浙江欧歌科技股份有限公司 基于大数据分析的多点触发疫情监测和预警系统
CN115394455A (zh) * 2022-05-31 2022-11-25 北京乾图科技有限公司 基于空间聚类离散格网的传染病时空扩散预测方法及装置
CN115831388A (zh) * 2023-02-17 2023-03-21 南京市疾病预防控制中心 一种基于大数据的传染病仿真模拟预警方法及系统
CN116564551A (zh) * 2023-05-17 2023-08-08 北京交通大学 一种数据-知识驱动的城市轨道交通风险辨识方法
CN116910661A (zh) * 2023-09-08 2023-10-20 奇点数联(北京)科技有限公司 一种基于数据驱动的医疗物资分配系统
CN117275756A (zh) * 2023-08-25 2023-12-22 中国科学院地理科学与资源研究所 基于hasm的传染病时空扩散模拟方法和系统
CN117290200A (zh) * 2023-11-23 2023-12-26 奇点数联(北京)科技有限公司 一种异常程度分析系统
CN117672544A (zh) * 2023-12-14 2024-03-08 广东省疾病预防控制中心 一种基于seir模型的传染病传播预测方法及系统
CN117952809A (zh) * 2024-03-21 2024-04-30 中国水产科学研究院南海水产研究所 一种农贸市场病原采样与监测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015038708A (ja) * 2013-08-19 2015-02-26 国立大学法人 東京大学 感染症対策プログラム、感染症対策装置および感染症対策方法
CN107133901A (zh) * 2017-05-05 2017-09-05 中国科学院深圳先进技术研究院 一种传染病防控方法及系统
CN111768873A (zh) * 2020-06-03 2020-10-13 中国地质大学（武汉） 一种covid-19实时风险预测方法
CN112115580A (zh) * 2020-08-12 2020-12-22 科技谷（厦门）信息技术有限公司 一种基于大数据的新发重大传染病监测、预警及应对系统
CN112309584A (zh) * 2020-11-19 2021-02-02 天津大学 基于疫情因素预测疫情期间城市迁徙规模的模型构建方法
CN112529329A (zh) * 2020-12-21 2021-03-19 广东珠江智联信息科技股份有限公司 基于bp算法和seir模型的传染病预测方法
CN112671856A (zh) * 2020-12-15 2021-04-16 青岛智能产业技术研究院 一种基于疾病传播特征的智能预警系统及预警方法
CN112802611A (zh) * 2021-02-04 2021-05-14 天博电子信息科技有限公司 一种基于疫情风险模型的可视化区域防控方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015038708A (ja) * 2013-08-19 2015-02-26 国立大学法人 東京大学 感染症対策プログラム、感染症対策装置および感染症対策方法
CN107133901A (zh) * 2017-05-05 2017-09-05 中国科学院深圳先进技术研究院 一种传染病防控方法及系统
CN111768873A (zh) * 2020-06-03 2020-10-13 中国地质大学（武汉） 一种covid-19实时风险预测方法
CN112115580A (zh) * 2020-08-12 2020-12-22 科技谷（厦门）信息技术有限公司 一种基于大数据的新发重大传染病监测、预警及应对系统
CN112309584A (zh) * 2020-11-19 2021-02-02 天津大学 基于疫情因素预测疫情期间城市迁徙规模的模型构建方法
CN112671856A (zh) * 2020-12-15 2021-04-16 青岛智能产业技术研究院 一种基于疾病传播特征的智能预警系统及预警方法
CN112529329A (zh) * 2020-12-21 2021-03-19 广东珠江智联信息科技股份有限公司 基于bp算法和seir模型的传染病预测方法
CN112802611A (zh) * 2021-02-04 2021-05-14 天博电子信息科技有限公司 一种基于疫情风险模型的可视化区域防控方法

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114388137A (zh) * 2021-12-31 2022-04-22 中国科学院深圳先进技术研究院 城市流感发病趋势预测方法、系统、终端以及存储介质
CN114512245A (zh) * 2022-02-17 2022-05-17 四川省疾病预防控制中心 一种新发传染病模型建立方法及计算机装置
CN114512245B (zh) * 2022-02-17 2022-11-15 四川省疾病预防控制中心 一种新发传染病模型建立方法及计算机装置
CN114708985A (zh) * 2022-03-14 2022-07-05 中国人民解放军总医院第八医学中心 呼吸道传染病预警方法及系统
CN114708985B (zh) * 2022-03-14 2023-01-24 中国人民解放军总医院第八医学中心 呼吸道传染病预警方法及系统
CN114386536A (zh) * 2022-03-22 2022-04-22 腾讯科技（深圳）有限公司 区域确定方法、装置、计算设备以及存储介质
CN114999667B (zh) * 2022-04-01 2024-04-05 山东大学 一种考虑交通干预的传染病跨区域传播预测方法及系统
CN114999667A (zh) * 2022-04-01 2022-09-02 山东大学 一种考虑交通干预的传染病跨区域传播预测方法及系统
CN115394455A (zh) * 2022-05-31 2022-11-25 北京乾图科技有限公司 基于空间聚类离散格网的传染病时空扩散预测方法及装置
CN115223726A (zh) * 2022-07-29 2022-10-21 浙江欧歌科技股份有限公司 基于大数据分析的多点触发疫情监测和预警系统
CN115831388A (zh) * 2023-02-17 2023-03-21 南京市疾病预防控制中心 一种基于大数据的传染病仿真模拟预警方法及系统
CN116564551A (zh) * 2023-05-17 2023-08-08 北京交通大学 一种数据-知识驱动的城市轨道交通风险辨识方法
CN116564551B (zh) * 2023-05-17 2024-01-26 北京交通大学 一种数据-知识驱动的城市轨道交通风险辨识方法
CN117275756A (zh) * 2023-08-25 2023-12-22 中国科学院地理科学与资源研究所 基于hasm的传染病时空扩散模拟方法和系统
CN117275756B (zh) * 2023-08-25 2024-06-04 中国科学院地理科学与资源研究所 基于hasm的传染病时空扩散模拟方法和系统
CN116910661B (zh) * 2023-09-08 2023-12-08 奇点数联(北京)科技有限公司 一种基于数据驱动的医疗物资分配系统
CN116910661A (zh) * 2023-09-08 2023-10-20 奇点数联(北京)科技有限公司 一种基于数据驱动的医疗物资分配系统
CN117290200A (zh) * 2023-11-23 2023-12-26 奇点数联(北京)科技有限公司 一种异常程度分析系统
CN117290200B (zh) * 2023-11-23 2024-01-23 奇点数联(北京)科技有限公司 一种异常程度分析系统
CN117672544A (zh) * 2023-12-14 2024-03-08 广东省疾病预防控制中心 一种基于seir模型的传染病传播预测方法及系统
CN117952809A (zh) * 2024-03-21 2024-04-30 中国水产科学研究院南海水产研究所 一种农贸市场病原采样与监测方法及系统

Also Published As

Publication number Publication date
CN113780635B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN113780635A (zh) 一种小空间尺度传染病时空传播模式的预测方法
CN109285346B (zh) 一种基于关键路段的城市路网交通状态预测方法
Amini et al. The impact of social segregation on human mobility in developing and industrialized regions
Sangiorgio et al. A multicriteria approach for risk assessment of Covid-19 in urban district lockdown
CN112216108A (zh) 一种基于属性增强的时空图卷积模型的交通预测方法
KR102357236B1 (ko) 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템
Chen et al. Development of indicators of opportunity-based accessibility
CN113902168B (zh) 一种基于实时人群数据融合的洪灾应急疏散方法
CN107515842B (zh) 一种城市人口密度动态预测方法及系统
CN106777935A (zh) 一种基于网络结构的疾病动态预测方法
Nicolai et al. Coupling an urban simulation model with a travel model–A first sensitivity test
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
Muñoz-Villamizar et al. Study of urban-traffic congestion based on Google Maps API: the case of Boston
Dekker et al. Reducing societal impacts of SARS-CoV-2 interventions through subnational implementation
CN113641749B (zh) 一种基于二部图的人口流动网络估计方法及系统
Silva et al. A novel macroscopic mobility model for vehicular networks
Gong et al. CARESim: An integrated agent-based simulation environment for crime analysis and risk evaluation (CARE)
Behara Origin-destination matrix estimation using big traffic data: A structural perspective
Gao et al. An improved optimization model for crowd evacuation considering individual exit choice preference
Wang et al. National and regional road network optimization for Senegal using mobile phone data
CN113689957B (zh) 一种细粒度传染病仿真模型的构建方法
CN113554221A (zh) 一种“流空间”视角下的城镇开发边界模拟预测方法
CN114881309A (zh) 一种城市活力与碳排空间特征相关性的测度方法
Ye et al. Hybrid calibration of agent-based travel model using traffic counts and AVI data
Montalan et al. Measles metapopulation modeling using ideal flow of transportation networks

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