结构化新冠肺炎疫情预测和评估方法、装置、设备及介质

摘要

本发明提供了结构化新冠肺炎疫情预测和评估方法，包括如下步骤：S1，对预测区域进行宏微观多层级划分，并结合公共场所节点构建复杂网络模型；S2，基于改进的M‑SEIR模型独立推演每个微观区域的内部传染过程，得到每个微观区域的推演结果；其中，改进的M‑SEIR模型是在M‑SEIR模型的基础上加入病亡者和死亡率信息；S3，基于复杂网络模型和智能体模型来修正每个微观区域的推演结果；S4，聚合修正后的各微观区域的推演结果得到宏观区域的推演结果。本发明方法结合网络模型和智能体模拟技术推演社会活动引发的传染现象，实现了对传染病传染过程更细致且高效的刻画，并给出了从宏观到微观多层级的仿真结果。

说明书

技术领域

本发明属于传染病动力学领域，尤其是涉及一种基于改进SEIR模型并将宏微观角度下不同层级元素相结合的疫情预测和评估模型，其技术包括改进的M-SEIR传染病模型的构建与改进、复杂网络的生成以及智能体的创建等。

背景技术

2019-nCoV是2019年12月以来在世界各地流行的新型冠状病毒，其具备的高传染性和高隐蔽性很难进行防范，使得病毒在短期内迅速散播至全球范围。为应对新冠病毒在各地的传播，需要有针对性地根据现有的传染病模型进行研究和改进。目前，传染病仿真方法大多以传染病动力学模型和智能体模型为主。

常见的传染病模型按照传染病类型分为SI、SIR、SIRS、SEIR模型等，而SEIR模型因其考虑了传染病的潜伏期，适合用来作为此次新冠病毒的仿真模型。但是传统的SEIR模型在描述病毒传染过程的内在机理时较为简单，并未引入人员流动、城市间的迁入迁出等随机因素。此外，传染病模型一般以沙盒为应用场景，在考虑实际地理信息和社会关系时，无法真实地还原当地疫情的传播过程。

智能体，即具有智能的实体，因其具备个体的各种属性，可以对一定数量的群体行为进行精确建模，对于疫情推演能够更好地还原个体间的社交关系，更适合用来模拟节点间人员的流动情况。虽然智能体与传染病模型相结合的方式能够解决后者难以模拟社会行为的缺陷，但随着推演区域的扩大，智能体数量的增多，导致计算量增加，推演效率也会随之降低。

因此，在对城市或以上级别的地域进行疫情预测和评估时，可以将公共节点作为主要参考对象，加入复杂网络来模拟感染人群的传播。这样一来，从宏微观的角度对城市进行分层推演，既可提高传染病模型的准确率，又能提高推演速度，对之后的决策提供了数据保障。

发明内容

有鉴于此，本发明旨在提出一种结构化新冠肺炎(2019-nCoV)疫情预测和评估方法，为预测新冠疫情发展趋势和指定防控决策提供更可靠的数据支持。

为达到上述目的，本发明的技术方案是这样实现的：

第一方面，本发明提供了一种结构化新冠肺炎疫情预测和评估方法，包括如下步骤：

S1，对预测区域进行宏微观多层级划分，并结合公共场所节点构建复杂网络模型；

S2，基于改进的M-SEIR模型独立推演每个微观区域的内部传染过程，得到每个微观区域的推演结果；其中，改进的M-SEIR模型是在M-SEIR模型的基础上加入病亡者和死亡率信息；

S3，基于复杂网络模型和智能体模型来修正每个微观区域的推演结果；

S4，聚合修正后的各微观区域的推演结果得到宏观区域的推演结果，即根据层级划分规则将细粒度的推演结果进行聚合，以得到各层级的推演结果。

优选的，在步骤S1对预测区域进行宏微观多层级划分和构建复杂网络模型的方法，包括如下步骤：

S11，输入推演区域的地理信息数据，将推演区域H划分成N个宏观子区域H

S12，将每个宏观子区域H

S13，将推演区域内的所有微观子区域H

优选的，在步骤S2中所述的改进的M-SEIR模型表示如下：

I(t+1)＝σE(t)+I(t)-γI(t)-ξI(t)

R(t+1)＝γI(t)+R(t)

D(t+1)＝ξI(t)+D(t)

其中，β

优选的，在步骤S3中具体包括如下步骤：

S31，设S13步将研究区域划分为P个微观区域，此处论述不涉及宏观区域，故记每个微观区域H

inft

S32，设向量s

s

S33，设H

c

将[0,1]以s

s

且满足：

对所有H

S(t)＝(s

S34，设A(t)为网络模型的邻接矩阵，矩阵元素A(t)

A(t)

S(t)←S(t)⊙A(t)

其中，“⊙”为哈达玛积。

S35，对S(t)每列求和，得到向量t(t)即为每个p

t(t)＝(∑

根据各p

n(t)＝t(t)⊙c(t)⊙β

其中，c(t)为每个p

S36，设某公共场所p

f

S37，设p

c

根据c

f

且满足：

对所有p

F(t)＝(f

对F(t)每行求和，得到向量if(t)即为每个H

if(t)＝(∑

S38，用得到的if(t)

S(t+1)←S(t+1)-if(t)

E(t+1)←E(t+1)+if(t)

其中，if(t)

第二方面，本发明提供了结构化新冠肺炎疫情预测和评估装置，包括：

复杂网络模型建立模块，对预测区域进行宏微观多层级划分，并结合公共场所节点构建复杂网络模型；

推演结果获取模块，基于改进的M-SEIR模型独立推演每个微观区域的内部传染过程，得到每个微观区域的推演结果；其中，改进的M-SEIR模型是在M-SEIR模型的基础上加入病亡者和死亡率信息；

推演结果修正模块，基于复杂网络模型和智能体模型来修正每个微观区域的推演结果；

聚合模块，聚合修正后的各微观区域的推演结果得到宏观区域的推演结果，即根据层级划分规则将细粒度的推演结果进行聚合，以得到各层级的推演结果。

第三方面，本发明提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。

第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

相对于现有技术，本发明所述的方法具有以下优势：

(1)本发明方法充分利用现有方法在推演效率、逼真度和社会活动建模方面的优势，对研究区域进行多层划分并建立复杂网络模型，使用传染病动力学模型推演微观区域内部的传染过程，结合网络模型和智能体模拟技术推演社会活动引发的传染现象，实现了对传染病传染过程更细致且高效的刻画，并给出了从宏观到微观多层级的仿真结果，增强了推演结果可靠性和可解释性。

(2)应用本发明可以高效地对传染病传染过程进行多层级、细粒度的仿真和推演，为预测2019-nCoV疫情发展趋势和指定防控决策提供了数据支持。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明的模型整体示意图；

图2为本发明所改进的M-SEIR模型；

图3为本发明使用M-SEIR模型的一个推演结果；

图4为本发明针对北京市真实地理数据的一个疫情推演各人群数量分布图；

图5为本发明针对北京市某个行政区的一个GIS感染人群位置图及各人群数量分布图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面将参考附图并结合实施例来详细说明本发明。

本发明一种结构化新冠肺炎(2019-nCoV)疫情预测和评估方法，包括以下步骤：

1)对研究区域进行宏微观层级划分：

将研究区域按三个层级进行划分，最高层级为原研究区域，中层为宏观区域，最低层级为微观区域。

2)基于改进的M-SEIR模型独立推演每个微观区域的内部传染过程：

使用改进的M-SEIR模型模拟各个微观区域内部发生的传染过程，计算每天处于各状态的人数。

3)基于复杂网络和智能体模型修正每个微观区域的推演结果：

使用复杂网络和智能体模型仿真每个微观区域中个体的社会活动轨迹，计算每个微观区域因社会活动产生的感染人数，并以此修正每个微观区域的推演结果。

4)聚合各微观区域的推演结果以得到宏观区域推演结果：

根据层级划分规则将细粒度推演结果进行聚合，以得到各层级的推演结果。

具体的，本发明针对步骤1)中对研究区域的宏微观层级划分和复杂网络模型建立的方法具体为：

设推演区域为H，将H区域划分成N个宏观子区域H

在此基础上，再对每个宏观子区域进行一次上述的划分，记宏观子区域H

此过程基于推演区域建立了宏微观层级模型，以研究某城市区域为例，城市为最高层级的宏观区域，市辖区为次要的宏观子区域，社区或乡镇可为微观子区域。推演过程先对各微观子区域进行推演，再将推演结果聚合到宏观子区域，最后将宏观子区域的结果聚合到原推演区域，并给出各层级的推演结果。

针对研究区域建立复杂网络模型：

随后将研究区域中的全体H

步骤2)中提到的改进的M-SEIR模型具体为：

基于传染病动力学提出的M-SEIR模型将研究区域中的人群划分为“易感者(S)”、“潜伏者(E)”、“感染者(I)”和“康复者(R)”四类。推演过程中，对每个时间步t，根据传染病的相关参数更新各类人群数量。改进的M-SEIR模型在传统SEIR模型的基础上，引入了输入/输出流，具体更新过程如下：

I(t+1)＝σE(t)+I(t)-γI(t) (3)

R(t+1)＝γI(t)+R(t) (4)

其中，β

其中，设P

S

S

E

E

其中，In(t)为t时间步流入研究区域的人数，Out(t)为t时间步流出研究区域的人数。

因为M-SEIR模型尚未考虑感染者死亡的情况，因此在上述改进的M-SEIR模型中又引入“病亡者(D)”类和死亡率参数ξ，该类人群数量的更新过程如下：

D(t+1)＝ξI(t)+D(t) (9)

其中，D(t)为t时间步的死亡者人数，相应地，(3)式改为：

I(t+1)＝σE(t)+I(t)-γI(t)-ξI(t) (3′)

通过得到的改进的M-SEIR模型在继承原模型建立人群流动模型的基础上增加了对死亡人数的预测，更符合具备致死能力的传染病特性，因此本发明使用上述最终得到的上述模型推演每个微观区域的细粒度传染病传播过程。

在步骤3)中，

复杂网络及智能体的社会传染仿真过程如下：

设研究区域内有P个微观区域，此处论述不涉及宏观区域，故记每个微观区域H

对每个H

inft

其中，E

利用智能体模型确定具有感染力的人数inft

s

该分布比例反映的是节点中人群社会活动的范式，该范式没有考虑个体决策的随机性，因此设H

c

将[0,1]以s

经过上述过程后，可以得到t时间步的实际社会活动轨迹分布向量s

s

且满足：

对所有H

S(t)＝(s

需要注意的是，式1中的S(t)为t时间步易感者人数，而此处的S(t)是另一个含义，有无黑体是两种符号，没有黑体，是标量，此处是向量。为体现交通状况对人群社会活动的影响，设A(t)为网络模型的邻接矩阵，矩阵元素A(t)

A(t)

其中，q

S(t)←S(t)⊙A(t)

其中，“⊙”为哈达玛积。

对S(t)每列求和，得到向量t(t)即为每个p

t(t)＝(∑

根据各p

n(t)＝t(t)⊙c(t)⊙β

其中，c(t)为每个p

上述过程对各微观区域的个体在社会活动中出现的交叉感染现象进行了数值仿真，因为最终的多层次推演结果是在微观区域推演结果的基础上聚合得到的，所以在得到各社会场所新增被感染人数后，需要确定这些新增被感染者所属的微观区域，即对人群从公共场所节点返回微观区域节点的过程进行智能体仿真。

设某p

f

该比例反映了前往各p

c

根据c

经过上述过程后，可以得到t时间步的新增感染者返回轨迹分布向量f

f

且满足：

对所有p

F(t)＝(f

对F(t)每行求和，得到向量if(t)即为每个H

if(t)＝(∑

上述过程基于复杂网络和智能体模型对社会活动引发的传染病传染过程进行了数值推演，利用(24)式的结果对每个微观区域H

S(t+1)←S(t+1)-if(t)

E(t+1)←E(t+1)+if(t)

其中，if(t)

对微观子区域的推演结果进行聚合的具体过程为：

设S

同理，计算研究区域的易感者总人数S

属于其它状态的人数聚合过程与上述过程类似。

实施例1：

本发明为一种城市级结构化新冠肺炎疫情预测和评估模型，其流程与效果展示如下：

图1为本发明的模型示意图。模型底层将社区作为基础节点，社区内部使用改进的M-SEIR模型来模拟内部传染情况，社区外部根据社区与公共节点组成的二分图复杂网络模拟人员流动情况。

图2为本发明所述改进的M-SEIR模型。如图2所示，改进的M-SEIR模型在传统SEIR模型的基础上，引入输入/输出流来还原每日社区实际的迁入/迁出人口。除了易感者(S)、潜伏者(E)、感染者(I)和康复者(R)四类基本人群外，加入病亡者(D)和死亡率ξ来反应新冠疫情的实际人群分布。

图3为本发明使用改进的M-SEIR模型的一个推演结果。在该实例中，应用场景为某个城市某个行政区，曲线图展示了初始感染人数为1，推演时长为50天的五类人群的具体数量分布情况。

图4为本发明针对北京市真实地理数据的一个疫情推演各人群数量分布图。在该实例中，应用场景为真实的北京市，初始感染人数为1，推演时长为30天。实例中的曲线图和柱状图展示了本发明的模型预测结果。

图5为本发明针对北京市某个行政区的一个GIS感染人群位置图及各人群数量分布图。在该实例中，应用场景为北京市通州区，输入的初始条件与图4相同。实例中的热力图展示了本发明基于真实地理数据的感染人群预测结果。

另一实施例公开了与上述公开的一种结构化新冠肺炎(2019-nCoV)疫情预测和评估方法对应的装置，为该方法对应的虚拟装置结构，包括：

复杂网络模型建立模块，对预测区域进行宏微观多层级划分，并结合公共场所节点构建复杂网络模型；

推演结果获取模块，基于改进的M-SEIR模型独立推演每个微观区域的内部传染过程，得到每个微观区域的推演结果；其中，改进的M-SEIR模型是在M-SEIR模型的基础上加入病亡者和死亡率信息；

推演结果修正模块，基于复杂网络模型和智能体模型来修正每个微观区域的推演结果；

聚合模块，聚合修正后的各微观区域的推演结果得到宏观区域的推演结果，即根据层级划分规则将细粒度的推演结果进行聚合，以得到各层级的推演结果。

另一实施例公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方结构化新冠肺炎(2019-nCoV)疫情预测和评估。

另一实施例公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述结构化新冠肺炎(2019-nCoV)疫情预测和评估方法。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台电子设备(可以是手机，个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述结构化新冠肺炎(2019-nCoV)疫情预测和评估装置实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

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、改进等，均应包含在本发明的保护范围之内。