CN114420308A - 传染病的传播路径分析方法、装置、设备及存储介质 - Google Patents

Abstract

本申请涉及人工智能领域及数字医疗领域，具体公开了一种传染病的传播路径分析方法、装置、设备及存储介质，该方法包括：获取目标区域的用户信息，所述用户信息包括：身份信息、传染病状态信息、社交关系信息和行动轨迹信息；根据所述身份信息、所述传染病状态信息、所述社交关系信息和所述行动轨迹信息生成网络图和特征矩阵；利用预先训练好的预测神经网络模型分析所述网络图和所述特征矩阵，生成传染病的传播路径的预测数据；根据所述预测数据，生成健康预警信息，并输出所述健康预警信息。基于该方法，能够实现对传染环境中的用户的感染状态进行预测，避免出现大范围的感染造成的人员健康损失。

Description

传染病的传播路径分析方法、装置、设备及存储介质

技术领域

本申请涉及人工智能领域及数字医疗领域，尤其涉及一种传染病的传播路径分析方法、装置、设备及存储介质。

背景技术

目前，针对传染病的扩散和传播，缺乏自动发现传染病传播路径和传播范围的机制和系统，通过现有方法获取的信息不能够真实地反映病毒的传播情况，导致疾病预警工作和防范部署工作存在滞后性，同时由于不能将各地区的疾病预防系统进行联动和共享，各地区间也不能知晓其病态变化和发展路径，导致不能实现用户级的传染病的防患和管理。一旦引起区域性的传染病流行，将会严重地威胁群众的健康安全。

发明内容

本申请提供一种传染病的传播路径分析方法、装置、设备及存储介质，用于预测传染病的传播路径，实现用户级的传染病的防患和管理，避免出现区域性的传染病流行。

第一方面，本申请提供一种传染病的传播路径分析方法，所述方法包括：

获取目标区域的用户信息，所述用户信息包括：身份信息、传染病状态信息、社交关系信息和行动轨迹信息；

根据所述身份信息、所述传染病状态信息、所述社交关系信息和所述行动轨迹信息生成网络图和特征矩阵；

利用预先训练好的预测神经网络模型分析所述网络图和所述特征矩阵，生成传染病的传播路径的预测数据；

根据所述预测数据，生成健康预警信息，并输出所述健康预警信息。

第二方面，本申请提供一种传染病的传播路径分析装置，所述装置包括：数据获取模块、数据处理模块、结果预测模块和数据发送模块；

数据获取模块，用于获取目标区域的用户信息，所述用户信息包括：身份信息、传染病状态信息、社交关系信息和行动轨迹信息；

数据处理模块，用于根据所述身份信息、所述传染病状态信息、所述社交关系信息和所述行动轨迹信息生成网络图和特征矩阵；

结果预测模块，用于利用预先训练好的预测神经网络模型分析所述网络图和所述特征矩阵，生成传染病的传播路径的预测数据；

数据发送模块，用于根据所述预测数据，生成健康预警信息，并输出所述健康预警信息。

第三方面，本申请提供一种计算机设备，所述计算机设备包括存储器和处理器；

所述存储器用于存储计算机程序；

所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现本申请实施例中提供的任一种传染病的传播路径分析方法。

第四方面，本申请提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如本申请实施例中提供的任一种的传染病的传播路径分析方法。

本申请公开了一种传染病的传播路径分析方法、装置、设备及存储介质，该方法包括：获取目标区域的用户信息，用户信息包括：身份信息、传染病状态信息、社交关系信息和行动轨迹信息；根据身份信息、传染病状态信息、社交关系信息和行动轨迹信息生成网络图和特征矩阵；利用预先训练好的预测神经网络模型分析网络图和特征矩阵，生成传染病的传播路径的预测数据；根据预测数据，生成健康预警信息，并输出健康预警信息。本申请提供的技术方案中，将目标区域内用户的用户信息构建成网络图和特征矩阵，并通过神经网络模型对网络图和特征矩阵进行处理，能够生成用户级的健康预警信息，基于此，能够及时地反映传染病的传播状况，减少疾控管理机构的反应时间，避免出现区域性的传染病大流行。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种传染病的传播过程示意图；

图2是本申请实施例提供的一种传染病的传播路径分析方法的示意流程图；

图3是本申请实施例提供的一种网络图的示意性框图；

图4是本申请实施例提供的一种预测数据生成过程的示意图；

图5是本申请实施例提供的一种传染病的传播路径分析装置的示意性框图；

图6是本申请实施例提供的一种计算机设备的结构示意性框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

为了实现对传染环境中的用户的感染状态进行预测，避免出现大范围的感染造成的人员健康损失，本申请提供了传染病的传播路径分析方法、装置、设备及存储介质。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参阅图1，图1示出了本申请实施例提供的一种传染病的传播过程示意图。如图1所示，传染病患者A1在社会上的活动带来传播传染病的可能，传染的对象可能是具有社交关系或空间距离上存在密切接触的其它用户，例如，学校的密切接触群体S1、公共交通场所的密切接触群体K1、餐饮公共场所的密切接触群体M1和家庭密切接触群体J1，其中，进入传播网络的的用户具有社交关联性和空间聚集性等特点，因此可以利用这些特点来准确定识别出已经进入传染病的传播路径的用户。

需要说明的是，本申请实施例中的传染病是由各种病原体引起的能在人与人、动物与动物或人与动物之间相互传播的一类疾病，尤其是防疫部门必须及时掌握其发病情况，及时采取对策，因此发现后应按规定时间及时向当地防疫部门报告的疾病。

还需要说明的是，本申请实施例可以基于人工智能技术对相关的数据进行获取和处理，比如基于社交关联性和空间聚集性对易感染环境中用户进行识别。其中，人工智能(Art ifici a l I nte l l igence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

请参阅图2，图2是本申请实施例提供的一种传染病的传播路径分析方法的示意流程图。该传染病的传播路径分析方法用于快速准确地识别出传染病的传播链中的用户，其中，该传染病的传播路径分析方法利用了预测神经网络模型和网页排名算法(pagerank幂迭代公式)。

如图2所示，该传播路径分析方法方法，具体包括：步骤S101至步骤S106。

S101、获取目标区域的用户信息，用户信息包括：传染病状态信息、社交关系信息和行动轨迹信息。

具体地，确定目标区域，获取目标区域内所有用户的用户信息，需要获取的用户信息至少包括：身份信息、传染病状态信息、社交关系信息和行动轨迹信息。

需要说明的是，用户的行动轨迹信息是用户在社会活动中产生的具有时间标记的定位信息，该行动轨迹信息可以通过用户的终端设备获取，该终端可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。

还需要说明的是，在本申请中，传染病状态信息包括：感染者、健康者、无症状感染者、康复者和死亡者；社交关系信息包括血缘关系、朋友关系、同事关系，具体还可以往下细分，例如，血缘关系包括亲子关系、祖孙关系、叔侄关系、甥舅关系。

示例性的，将深圳市福田区确定为目标区域，获取七天内所有经过深圳市福田区的用户的信息，例如，用户的身份、是否为感染者、存在社交关系的其他用户是谁和最近14天的行动轨迹。

在一些实施例中，可以根据用户的社交关系信息扩大信息获取的范围，示例性的，张三和李四在酒会上结交认识，在针对张三进行分析时，可以将李四的社交关系网中的其他用户纳入分析的参考范围。

S102、根据身份信息、传染病状态信息、社交关系信息和行动轨迹信息生成网络图和特征矩阵。

具体地，根据用户信息中的身份信息映射成为网络图，在网络图中生成多个网络节点，每个网络节点对应一个具体的用户，根据社交关系信息和行动轨迹信息生成网络节点的之间的边，同时对传染病状态信息、社交关系信息和行动轨迹信息进行编码，生成3个特征矩阵，分别为传染病状态矩阵、社交关系矩阵和行动轨迹矩阵。

示例性的，使用G(V,E)表示人与人之间的网络图(拓扑结构)，根据每个感染者和无症状感染者的用户信息，在网络图中生成一个对应的网络节点，其中V＝{v₁,v₂,…,v_N}是感染者的网络节点的集合，N是节点的总数，E则表示人与人之间的“边”的集合，“边”由网络图中的箭线和路线构成。

请参阅图3，图3展示了一种网络图的示意性框图。如图3所示，该框图中包含U1至U8共8个网络节点，每个网络节点代表一个具体的用户，不同的网络节点间存在1条边或2条边，其中，实线的边可以表示两个网络节点间存在社交关系，虚线的边可以表示两个网络节点间存在行动轨迹重合。

在一些实施例中，在生成特征矩阵之前，还需要对社交关系信息和行动轨迹信息的进行二值化处理。

示例性的，由于交通航运技术的进步使得城市跨越了地理空间意义上的距离，虽然常居地距离较远，但是人们借助交通设备，距离可以很迅速地变短。因此在控制传染病传播时，有必要将行动轨迹考虑在内。在一种实施方式中，设置距离阈值，大于距离阈值的行动轨迹关系为：其它，小于等于距离阈值的行动轨迹关系为：相邻，因此，距离关系的特征值包括：“其它”和“相邻”，可以用“0”和“1”来表示，可构建如下的行动轨迹矩阵：

其中，用户的行动轨迹信息可以通过用户的终端设备的导航定位模块进行采集，具体包括经度信息和纬度信息，应用时还需要对照经纬度信息生成的时间，以确定患者与他人是否存在密切接触的情况。

在另一些实施例中，为了表示人i与人j之间是否在社交关系上构成相邻关系，可构建如下的社交关系矩阵：

在另一些实施例中，处于易感染环境中的用户可能存在的传染病状态包括：感染者、健康者、无症状感染者、康复者和死亡者，用特定的数值在矩阵中表示每种传染病状态，其中，0表示感染者、1表示健康者、2表示无症状感染者、3表示康复者和4表示死亡者；列向量x^(t)表示用户第t天的传染病状态，每用户前T时刻的传染病状态形成了基于时间分布的传染病状态矩阵为[x^(t-T),x^(t-T-1),…,x^(T)]，传染病状态矩阵为输入特征向量矩阵。

S103、利用预先训练好的预测神经网络模型分析网络图和特征矩阵，生成传染病的传播路径的预测数据。

具体地，将网络图、传染病状态矩阵、社交关系矩阵和行动轨迹矩阵输入训练好的预测神经网络模型，输出网络图中处于病毒感染状态的网络节点对其他网络节点的影响，输出其他网络节点的传染病状态的预测结果，其中每个网络节点的预测结果对应一个用户的传染病状态，根据预测结果转化为目标区域内的传染病的传播路径的的预测数据。

示例性的，请参阅图4，图4展示了一种预测数据生成过程的示意图。如图4所示，由10个用户组成的网络图中，出现了1个感染者Z(使用黑色填充表示)，收集10个用户的用户信息，将10个用户的社交关系信息、行动轨迹信息以及感染者Z的传染病状态输出训练好的预测神经网络模型，输出其他9用户的预测的传染病状态信息，例如使用黑色填充表示用户已被感染或疑似被感染，使用白色填充表示用户未被感染。

在一些实施例中，预测数据还可以是动态变化，因此预测神经网络模型还应该包括数据实时刷新功能，以便于更新用户信息和预测数据，例如升级对部分用户的健康预警信息，或者解除对部分用户的健康警报状态。

在一个实施例中，在使用训练好的预测神经网络模型之前，还包括一种预测神经网络模型的训练方法，需要说明的是，该预测神经网络模型包括传播层和预测层，传播层为基于网页排名算法生成的，预测层基于图卷积神经网络模型生成的，该训练方法具体步骤包括：

获取训练样本集，训练样本集包括多名感染者的用户信息；

根据多名感染者的用户信息生成训练网络图和训练特征矩阵；

将训练网络图和训练特征矩阵输入预测神经网络模型进行训练，得到预测神经网络模型。

因此，该训练好的预测神经网络模型，能够根据网络图中的已知传染病状态的网络节点，对其他网络节点的传染病状态进行预测。

具体地，搭建预测层使用的图卷积神经网络模型(Graph ConvolutionalNetwork，简称GCN)的主要计算公式为：

其中，Agg代表聚合运算，l＝0,1,2,…,是当前所在层数(即通过l次GCN模型)，X^(l)是输入特征向量矩阵(即传染病状态矩阵)，

是一个可学习的参数矩阵，

是一个带自环的邻接矩阵，

是社交关系邻接矩阵，

是行动轨迹邻接矩阵，

是

的度矩阵，

是拉普拉斯矩阵

的正则化形式，k表示与该节点(某人)的邻接节点，即有社交关系的结点，或者位置信息的连接结点。Concat函数将社交和距离获取的隐藏向量进行连接。

是社交关系特征向量，

是行动轨迹特征向量，H^(l+1)是预测向量矩阵。

搭建传播层使用的网页排名算法的主要计算公式为：

H⁽⁰⁾＝H^l+1

y^T＝RELU(H^T)

其中，将H⁽⁰⁾作为传播层的输入矩阵，这里直接采用经过GCN后得到的特征向量，即

H⁽⁰⁾＝H^l+1

并且T+1时刻的特征向量H^(T+1)，是自身特征向量与上一时刻节点表示在图结构上传播结果的加和。y^T是预测的传染病状态的标签。

需要说明的是，网页排名算法(pagerank算法)是一种由根据网页之间相互的超链接计算的技术。一个页面的“得票数”由所有链向它的页面的重要性来决定，到一个页面的超链接相当于对该页投一票。一个页面的PageRank是由所有链向它的页面(“链入页面”)的重要性经过递归算法得到的。一个有较多链入的页面会有较高的等级，相反如果一个页面没有任何链入页面，那么它没有等级。

根据上述的搭建过程，得到一个预测神经网络模型。

需要说明的是，训练的过程可归纳为通过GCN(Graph Convolutional Network)模型(图卷积神经网络)学习一个函数：

的映射。依次输入前T时刻的状态[x^(t-T),x^(t-T-1),…,x^(t)]，预测下一时刻的状态，通过调整可学习参数使得t+1时刻的预测值

与真实值x^(t+1)之间的误差尽可能小。

这样，将神经网络与消息传递网络分隔开，可以解决参数量过大的问题。K定义了迭代的步数，传送概率来调整影响每个节点的邻域的大小，可以使我们自由地修改不同类型网络调节模型，拓展分析邻域，提升预测精准度。上述公式还可以解决过平滑的线性，在加深层数后依然可以达到稳态分布。

在一些实施例中，使用损失函数减少训练的误差，通过反向梯度传递，进行参数更新，从而进行优化模型。损失函数包括：均方差损失函数，均方差损失函数的计算公式为：

其中L为损失因子，H_lf为预测向量矩阵中第l层第f个输入特征向量X对应的向量，Y_lf为输入特征向量矩阵中第l层第f个输入向量X对应的向量。

完成预测神经网络搭建工作之后，即可开始使用训练数据对预测神经网络进行训练。

在一些实施例中，获取训练样本集，训练样本集包括：多名感染者的用户信息；根据多名感染者的用户信息生成训练网络图和训练特征矩阵。

具体地，从在医疗系统数据库或者疾控中心数据库中，获取W天的多个感染者和无症状感染者的信息，将用户信息因映射成为训练网络图，在网络图中生成多个网络节点，每个网络节点对应一个具体的感染者，同时对传染病状态信息、社交关系信息和行动轨迹信息进行编码，生成3个训练特征矩阵，分别为训练传染病状态矩阵、训练社交关系矩阵和训练行动轨迹矩阵。

示例性的，选取了327个感染者50天的用户信息作为训练样本集，其中预测训练网络的输入特征量为传染病状态矩阵，将训练样本集中用户的传染病状态的输入记为X₁,X₂,…,X₅₀，其中X₁＝[x⁽¹⁾,x⁽²⁾,…,x⁽⁷⁾]，X₂＝[x⁽²⁾,x⁽³⁾,…,x⁽⁸⁾]…，X₄₃＝[x⁽⁴³⁾,x^(W-6),…,x⁽⁵⁰⁾]，训练标签为y⁽¹⁾,y⁽²⁾,…,y⁽⁴³⁾，其中[y⁽¹⁾,y⁽²⁾,…,y⁽⁴³⁾]对应[x⁽⁸⁾,x⁽⁹⁾,…,x⁽⁵⁰⁾]，训练标签作为每一次训练结果的对照组，对训练过程进行校正。y⁽¹⁾为时刻8时用户的传染病状态。

在一些实施例中，将训练网络图和训练特征矩阵输入预测神经网络模型，对预测神经网络模型进行训练，得到预测神经网络模型。

具体地，训练网络图和3种训练特征矩阵输入预测神经网络模型，对预测神经网络模型进行训练，得到根据社交关系和行动轨迹与传染病状态之间的映射关系，模拟病毒在网络节点中的传播过程。

示例性的，由于传染病具有社交关联性和空间聚集性的特点，因此，不同的社交关系和行程轨迹重合度具有不同的传播权重。例如，某地区出现了一种流感，在预测神经网络模型学习的过程中，发现患者间属于亲子关系的比例远大于属于朋友关系的比例，这是由于亲子关系具有更密切的接触可能，因此，对于该流感，亲子关系在预测神经网络模型的中获得的传播权重要大于朋友关系获得的传播权重。

在另一些实施例中，可以根据行程轨迹修正社交关系在预测神经网络模型中传播权重。例如，某高中生寄宿于就读的学校，在流感爆发期间，未与家里人见面，根据行程轨迹可以确定，该高中生密切接触的人群为老师和同学。因此，若该高中生感染了流感病毒，则该高中生将病毒传播给存在同学关系和师生关系的其他个人的可能性最大，而传播给该高中生的父母的可能性较小，因此，在分析该高中生传播流感的可能性时，该高中生对行程轨迹上密切接触的同学关系的其他个人的传播权重最大，对行程轨迹上未进行接触的父母的传播权重最小。

在另一些实施例中，可以将行程轨迹作为主要依据进行传播权重计算，例如根据已知感染者的行程轨迹，对行程轨迹中存在的公共场所进行病毒消杀，查询行程轨迹完全重合的密切接触者。需要说明的是，将行程轨迹作为主要依据时，社交关系可以作为辅助信息对预测神经网络模型进行修正。

在另一些实施例中，还可以将用户的年龄、职业、患病记录和疫苗接种情况等信息作为辅助信息，进行相关处理后，输入预测神经网络模型，对预测神经网络模型进行修正，以获取更精确的预测结果。

S104、根据预测数据，生成健康预警信息，并将健康预警信息发送至目标区域。

具体地，获取预测数据，根据预测数据确定目标区域的感染者或疑似感染者，生成健康预警信息，并将健康预警信息发送至目标区域的传染病防治机构，健康预警信息包括：疑似感染者的用户身份。

示例性的，当某地区出现多个感染者，利用预测神经网络模型，确定可能被感染者影响的密切接触这，例如，同事、朋友和亲人，还可以是在公共场所存在密切接触的人，例如感染者用餐餐馆的工作人员，进一步地，对密切接触者的社交关系和行程轨迹中的其他用户进行再次预测，在规定的时间内将可能被感染者影响的疑似感染者提供给到相关机构单位，以使相关单位做出及时的预警和预防措施，避免出现大范围的感染造成的人员健康损失等。

请参阅图5，图5是本申请的实施例还提供一种传染病的传播路径分析装置的示意性框图，该传染病的传播路径分析装置300用于执行前述的传染病的传播路径分析方法。其中，该传染病的传播路径分析装置可以配置于服务器或终端中。

其中，服务器可以为独立的服务器，也可以为服务器集群，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)以及大数据和人工智能平台等基础云计算服务的云服务器。该终端可以是手机、平板电脑、笔记本电脑、台式电脑、用户数字助理和穿戴式设备等电子设备。

如图5所示，传染病的传播路径分析装置300包括：数据获取模块301、数据处理模块302、结果预测模块303和数据发送模块304。

数据获取模块301，用于获取目标区域的用户信息，用户信息包括：身份信息、传染病状态信息、社交关系信息和行动轨迹信息。

数据处理模块302，用于根据身份信息、传染病状态信息、社交关系信息和行动轨迹信息生成网络图和特征矩阵。

在一些实施例中，数据处理模块302用于将身份信息映射成为网络图，在网络图中生成多个网络节点，每个网络节点对应一个用户；

根据社交关系信息和行动轨迹信息，生成网络节点的之间的边；

对传染病状态信息、社交关系信息和行动轨迹信息进行编码，生成三个特征矩阵，分别为传染病状态矩阵、社交关系矩阵和行动轨迹矩阵。

在一些实施例中，数据处理模块302还对社交关系信息和行动轨迹信息进行二值化处理。

结果预测模块303，用于利用预先训练好的预测神经网络模型分析网络图和特征矩阵，生成传染病的传播路径的预测数据。

在一些实施例中，预测神经网络模型包括传播层和预测层，传播层为基于网页排名算法生成的，预测层基于图卷积神经网络模型生成的。

在一些实施例中，结果预测模块303还用于：

获取训练样本集，训练样本集包括多名感染者的用户信息；

根据多名感染者的用户信息生成训练网络图和训练特征矩阵；

将训练网络图和训练特征矩阵输入预测神经网络模型进行训练，得到预测神经网络模型。

在一些实施例中，结果预测模块303还用于创建修正函数，通过修正函数对预测神经网络模型进行修正；

修正函数包括：均方差损失函数，均方差损失函数为：

其中L为损失因子，H_lf为预测向量矩阵中第l层第f个输入特征向量X对应的向量，Y_lf为输入特征向量矩阵中第l层第f个输入向量X对应的向量。

在一些实施例中，结果预测模块303还用于：

将网络图和特征矩阵输入训练好的预测神经网络模型；

利用训练好的预测神经网络模型，分析病毒感染状态的网络节点对其他网络节点的影响，输出其他网络节点的传染病状态的预测结果；

根据预测结果生成传染病的传播路径的的预测数据。

数据发送模块304，用于根据预测数据，生成健康预警信息，并输出健康预警信息。

在一些实施例中，数据发送模块304还用于将健康预警信息发送至疾病管理系统，以提示目标区域内的传染病传播状况。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的传染病的传播路径分析装置和各模块的具体工作过程，可以参考前述传染病的传播路径分析方法实施例中的对应过程，在此不再赘述。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的模型训练装置和各模块的具体工作过程，可以参考前述传染病的传播路径分析方法实施例中的对应过程，在此不再赘述。

上述的传染病的传播路径分析装置可以实现为一种计算机程序的形式，该计算机程序可以在如图6所示的计算机设备上运行。

请参阅图6，图6是本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器或终端。

参阅图6，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括存储介质和内存储器。

存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行本申请实施例提供的任意一种传染病的传播路径分析方法。

处理器用于提供计算和控制能力，支撑整个计算机设备的运行。

内存储器为存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种传染病的传播路径分析方法或者预测神经网络的训练方法。所述存储介质可以是非易失性的，也可以是易失性的。

该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

示例性的，在一个实施例中，处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：

获取目标区域的用户信息，用户信息包括：身份信息、传染病状态信息、社交关系信息和行动轨迹信息；

根据身份信息、传染病状态信息、社交关系信息和行动轨迹信息生成网络图和特征矩阵；

利用预先训练好的预测神经网络模型分析网络图和特征矩阵，生成传染病的传播路径的预测数据；

根据预测数据，生成健康预警信息，并输出健康预警信息。

在一个实施例中，处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：

获取训练样本集，训练样本集包括多名感染者的用户信息；

根据多名感染者的用户信息生成训练网络图和训练特征矩阵；

将训练网络图和训练特征矩阵输入预测神经网络模型进行训练，得到预测神经网络模型。

在一些实施例中，处理器在实现对预测神经网络模型进行训练时，还具体用于实现：

创建修正函数，通过修正函数对预测神经网络模型进行修正；

修正函数包括：均方差损失函数，均方差损失函数为：

其中L为损失因子，H_lf为预测向量矩阵中第l层第f个输入特征向量X对应的向量，Y_lf为输入特征向量矩阵中第l层第f个输入向量X对应的向量。

在一些实施例中，处理器在实现根据身份信息、传染病状态信息、社交关系信息和行动轨迹信息生成网络图和特征矩阵时，还具体用于实现：

将身份信息映射成为网络图，在网络图中生成多个网络节点，每个网络节点对应一个用户；

根据社交关系信息和行动轨迹信息，生成网络节点的之间的边；

对传染病状态信息、社交关系信息和行动轨迹信息进行编码，生成三个特征矩阵，分别为传染病状态矩阵、社交关系矩阵和行动轨迹矩阵。

在一些实施例中，处理器在实现根据身份信息、传染病状态信息、社交关系信息和行动轨迹信息生成网络图和特征矩阵之前，还具体用于实现：

对社交关系信息和行动轨迹信息进行二值化处理。

在一些实施例中，处理器在实现利用预先训练好的预测神经网络模型分析网络图和特征矩阵，生成传染病的传播路径的预测数据时，还具体用于实现：

将网络图和特征矩阵输入训练好的预测神经网络模型；

利用训练好的预测神经网络模型，分析病毒感染状态的网络节点对其他网络节点的影响，输出其他网络节点的传染病状态的预测结果；

根据预测结果生成传染病的传播路径的预测数据。

在一些实施例中，处理器在实现输出健康预警信息时，还具体用于实现：

将健康预警信息发送至疾病管理系统，以提示目标区域内的传染病传播状况。

其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘、智能存储卡(SmartMedia Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种传染病的传播路径分析方法，其特征在于，所述方法包括：

获取目标区域的用户信息，所述用户信息包括：身份信息、传染病状态信息、社交关系信息和行动轨迹信息；

根据所述身份信息、所述传染病状态信息、所述社交关系信息和所述行动轨迹信息生成网络图和特征矩阵；

利用预先训练好的预测神经网络模型分析所述网络图和所述特征矩阵，生成传染病的传播路径的预测数据；

根据所述预测数据，生成健康预警信息，并输出所述健康预警信息。

2.根据权利要求1所述的方法，其特征在于，所述预测神经网络模型包括传播层和预测层，所述传播层为基于网页排名算法生成的，所述预测层基于图卷积神经网络模型生成的；

所述方法还包括：

获取训练样本集，所述训练样本集包括多名感染者的用户信息；

根据多名感染者的用户信息生成训练网络图和训练特征矩阵；

将训练网络图和训练特征矩阵输入预测神经网络模型进行训练，得到预测神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述对预测神经网络模型进行训练，还包括：

创建修正函数，通过修正函数对预测神经网络模型进行修正；

所述修正函数包括：均方差损失函数，所述均方差损失函数为：

其中L为损失因子，H_lf为预测向量矩阵中第l层第f个输入特征向量X对应的向量，Y_lf为输入特征向量矩阵中第l层第f个输入向量X对应的向量。

4.根据权利要求1所述的方法，其特征在于，所述根据所述身份信息、所述传染病状态信息、所述社交关系信息和所述行动轨迹信息生成网络图和特征矩阵，包括：

将所述身份信息映射成为所述网络图，在所述网络图中生成多个网络节点，每个所述网络节点对应一个用户；

根据社交关系信息和行动轨迹信息，生成网络节点的之间的边；

对传染病状态信息、社交关系信息和行动轨迹信息进行编码，生成三个特征矩阵，分别为传染病状态矩阵、社交关系矩阵和行动轨迹矩阵。

5.根据权利要求4所述的方法，其特征在于，所述对传染病状态信息、社交关系信息和行动轨迹信息进行编码之前，还包括：

对所述社交关系信息和所述行动轨迹信息进行二值化处理。

6.根据权利要求1所述的方法，其特征在于，所述利用预先训练好的预测神经网络模型分析所述网络图和所述特征矩阵，生成传染病的传播路径的预测数据，包括：

将所述网络图和所述特征矩阵输入训练好的预测神经网络模型；

利用训练好的预测神经网络模型，分析病毒感染状态的所述网络节点对其他所述网络节点的影响，输出其他网络节点的传染病状态的所述预测结果；

根据所述预测结果生成传染病的传播路径的的所述预测数据。

7.根据权利要求1所述的方法，其特征在于，所述目标区域设有疾病管理系统，所述输出所述健康预警信息，包括：

将所述健康预警信息发送至所述疾病管理系统，以提示目标区域内的传染病传播状况。

8.一种传染病的传播路径分析装置，其特征在于，包括：

数据获取模块，用于获取目标区域的用户信息，所述用户信息包括：身份信息、传染病状态信息、社交关系信息和行动轨迹信息；

数据处理模块，用于根据所述身份信息、所述传染病状态信息、所述社交关系信息和所述行动轨迹信息生成网络图和特征矩阵；

结果预测模块，用于利用预先训练好的预测神经网络模型分析所述网络图和所述特征矩阵，生成传染病的传播路径的预测数据；

数据发送模块，用于根据所述预测数据，生成健康预警信息，并输出所述健康预警信息。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；

所述存储器用于存储计算机程序；

所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一种所述的传染病的传播路径分析方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一种所述的传染病的传播路径分析方法。

Images