检索历史 清除

摘要近年来，随着经济的飞速发展，世界各地的联系越来越紧密，为以COVID-19为代表的世界级传染病大暴发提供了传播条件。如果不注意及时防护将会威胁全球的经济发展和世界人民的身体健康。为了应对传染病所带来的公共卫生问题，减少公共卫生事件带来的人身财产损失，我们应该对突发事件采取及时、准确的应对策略。利用计算机技术模拟与预测传染病的传播过程，不仅能够分析传染病的传播特征还能及时对传染病的扩散做出预防策略。因此，传染病传播预测越来越受到研究者们的关注。<br>　　现有的传染病传播模型存在以下问题。第一，基于传播动力学的传染病模型不能够真实的考虑到传染病传播的时空异质性和人群移动性特征。目前基于传播动力学的传染病模型依然占据主流地位，但是其往往假设传染病传播以及人群移动符合某些传播规律，没有充分考虑现实中传染病传播的时空特征和人群移动特征，这大大降低了传染病传播预测的真实性，导致预测效果可能与实际有较大的差异。第二，基于数据驱动的传染病传播模型依然是黑盒模型，不能合理解释传染病的传播过程。基于数据驱动的传染病传播模型可以从真实的传染病传播事件中获取特征信息以实现对于传染病传播的精确预测，但是其往往采用黑盒模型，大大限制了其可解释性，难以解释模型的内部机制和预测结果的成因。综上，如何考虑传染病传播时空异质性、人群移动性与模型可解释性以提高传染病传播的预测精度仍然是一个有挑战性的工作。<br>　　针对上述问题，本文提出了基于时空间点过程的传染病传播模型。时空间深度点过程作为时空间点过程的重要分支之一，主要采用神经网络你和强度函数，具有预测精度高、假设性低、泛用性高的特点，因此在细粒度预测中有着较大的优势，比较适合用于流行病传播预测中。因此，本文首先提出了基于时空间深度点过程的传染病传播模型。该模型将传播动力学与数据驱动相结合，从真实的传播事件中获取传染病传播的时空特征，使用时空事件强度解释传染病传播过程，大大提升了传染病传播预测的真实性、准确性和可解释性。然后，在上述模型的基础上，本文提出了基于时空间移动深度点过程的传染病传播模型。该模型利用图卷积将人群区域间的移动考虑在内，能够分析其对传染病传播过程的影响，提高预测效果。<br>　　本文的主要工作及创新点如下：<br>　　（1）针对现有的传染病传播模型没有同时考虑到传染病传播过程的真实时空信息与模型解释性的问题，本文提出了基于时空间深度点过程的传染病传播模型。该模型首先使用风险区域与时空传染病传播事件定义了传染病传播过程的时空信息。其次构建了基于图卷积-神经霍克斯(Graph convolutional network and neural Hawkes process，GCN-NHP)的传染病传播强度预测方法，获取传染病传播时空信息以计算传染病传播时空强度。最后，提出了基于时空强度的传染病传播模型，该模型可以使用不同风险区域的传染病传播强度来计算更细粒度的感染人数。本文在合成数据集和新冠肺炎传播数据集上验证了所提出的模型。实验结果表明，本文提出的模型可以更精细、更准确地预测传染病的传播。<br>　　（2）针对现有的传染病传播模型没有考虑人群移动对于传染病时空异质性传播的影响，本文提出了基于时空间移动深度点过程的传染病传播模型。首先，本文提出了考虑人群移动性的风险区域划分模型，将人群移动方式作为风险区域划分依据从而在模型中考虑人群移动性。然后，本文提出了考虑人群移动性的事件图嵌入学习，利用 GCN 实现对于传染病时空传播信息的捕获与降维。最后，本文分析了人群移动对于传染病传播的影响，并在合成数据集上验证了该模型。实验结果表明，本文所提出的模型可以合理考虑人群的移动过程从而提高了预测精度，可以模拟不同封控政策下的传染病传播过程以帮助制定封控政策。