一种基于计算实验的流行病学模型对接方法

1.本发明属于人工社会系统理论、计算实验的复杂系统领域，尤其涉及一种基于计算实验 的流行病学模型对接方法。


背景技术：

2.新冠疫情是突发的公共卫生危机，具有不确定性、突发性、社会性、发展途径和演化具 有不规律性等特点。病毒的高传染性严重危害人类生命健康，从而对社会经济造成巨大威胁， 大量生产生活企业受到严重影响，并且由于多米诺骨牌效应，对世界经济造成巨大冲击。因 此研究疫情的传播过程、趋势预测具有重要的理论价值和实践意义，而如何有效控制新冠疫 情蔓延，采取及时的应急措施降低损失是研究热点之一。
3.传染病在人类社会中的传播涉及众多因素，不仅包括传染病本身，如病原体、传播载体、 传播途径、传染周期、潜伏期、抵抗力等，还包括人类社会中相互交织、相互作用的各种社 会元素。此外，人的心理和行为的复杂性也是重要因素之一。传染病传播因素纷繁复杂，且 与各种事物相互作用，使得传染病传播成为一个复杂的动态过程。因而利用现代计算机技术 对影响传播过程的诸多复杂因素进行综合分析与计算并进行模拟和推演，为政府提供政策支 持和参考，逐渐成为研究者们研究的热点方向。而计算实验是一种非常重要的模拟推演和预 测分析的手段，它通过提取流行病学相应的领域机理和知识，确定各项参数指标，建立与现 实世界对应的人工社会，在仿真系统中模拟推演过程，从而得到预测结果。
4.目前如何实现领域模型到人工社会模型的跨越继而完成计算实验需要面临诸多复杂因素 的一系列问题与挑战，主要体现在以下几方面：
5.1)传染病模型的多样性:不同的传染病模型描述了不同情境下传染病传播的过程，在建模 过程中不可避免地面临诸如个体行为多样性、传播过程的复杂性、社会系统的复杂性等难题。 然而，单一的传染病模型难以清晰地解释人的适应性、交互行为、传播途径、潜伏期、疾病 传染性以及人群的空间分布和社会关系等诸多因素在传播过程中的影响。研究者们提出了纷 繁复杂的传染病模型以在描绘传播过程的同时研究某几个因素的影响。因此，传染病模型的 多样性会加剧传染病模型中的领域知识的提取难度，给领域模型与计算模型的对接带来更大 的挑战。
6.2)计算模型的复杂性:计算流行病学模型进一步促进了人们对传染病传播规律的认识，其 复杂性来源于：1技术手段不同影响模型完整性。计算模型是现代计算机技术与多领域知识 的结合，不同的算法、编码技术、开发平台不仅影响模型对真实世界的抽象程度，且影响模 型的计算准确性。2数据的复杂性。计算模型的建立和拟合往往需要病例数据、人群流动数 据、社会接触数据等多类型数据的支持，不同的数据影响着模型的复杂度、准确性和可解释 性。3计算模型自由度大。现有计算流行病学模型是模拟病毒在复杂系统的传播过程，不同 的计算模型对于其中的个体、人群关系、环境、传染性、传染途径等复杂因素的描述很难做 到完全一致。因此，在研究模型对接时将这些复杂因素考虑进去存在极大的
困难。
7.3)模型对接的复杂性:模型对接源于对领域知识的提炼，计算模型的实现，是一个比较繁 琐的过程。作为其核心步骤的知识提炼和拟合单元是其复杂性的主要来源。知识提炼是指从 领域模型中提取领域知识以及从计算模型中提取可用方法和功能设计等知识，而根据不同的 研究需求，研究者们需要从繁杂的领域模型中提取特定的领域知识，且对紧耦合的计算模型 进行解耦，提取出其中可用的方法和功能模块等。而领域模型和计算模型的多样性及建模目 的的不同大大增加了知识提炼工作的难度。其次，在对提取出的知识和方法功能模块等进行 拟合使其构建出新的模型时，缺乏系统的工作框架将冗杂的知识拟合形成一个个新的功能模 块。因此，在进行研究分析时，通过模型的对接研究，将有解释力和生命力的模型保留下来 具有很大的挑战性。


技术实现要素：

8.针对现有技术存在问题，本发明提出了一种基于计算实验的流行病学模型对接方法，该 方法将领域模型的可集成内容、计算模型的可集成内容、建模框架的级别拟合到框架中，描 述了如何将计算模型和领域模型对接形成新的低耦合的计算模型，解决计算机建模技术问题。
9.本发明采用如下技术方案实施：
10.一种基于计算实验的流行病学模型对接方法，所述方法基于对流行病学进行验证的对接 系统，所述对接系统包括流行病领域集成模型、模型对接单元、计算集成模型；所述模型对 接单元分别提取领域集成模型的流行病属性信息和计算集成模型数据信息进行低耦合交互实 现对流行病防疫系统验证；其中：所述模型对接单元还包括：
11.‑‑
个体层由疾病模块和个体能力模块构成；
12.‑‑
组织层由组织结构模块和个体间交互模块构成；
13.‑‑
社会层由干预控制模块和环境分析模块构成；其中：所述模型对接单元通过如下步骤 实现低耦合数据交互：
14.所述疾病模块和个体能力模块对领域集成模型提供的流行病属性按照如下公式耦合输出 与计算集成模型交互的数据信息生成个体属性的计算模型：
15.attr
epi
＝《nam,md,l
p
,i
p
,fpro,dist》
16.其中，nam是疾病的名称；md是疾病的传播途径标志；l
p
是疾病潜伏期的分布及其参 数；i
p
是疾病感染期的分布及其参数；fpro是疾病死亡概率；dist是疾病患者治愈事件的分 布及其参数；
17.individual level＝《r,s
t
,e
t
,v
t
,y
t
》
18.其中，r是个体的稳定能力属性；s
t
是个体的动态能力属性；e
t
是个体的感知能力；v
t
是 个体的行为集合；y
t
是个体在感受外在事件刺激及与其他个体交互过程选择所采取的行为的 决策能力；
19.所述组织结构模块和个体间交互模块按照将交互规则与交互方式与计算集成模型中的交 互机制对接生成定制化的计算模型；
20.所述干预控制模块和环境分析模块对领域集成模型提供的流行病属性进行与计算集成模 型交互生成社会化的计算模型反馈给个体层。
21.进一步，所述组织结构模块和个体间交互模块按照将交互规则与交互方式与计算集成模 型中的交互机制对接生成定制化的计算模型过程：
22.1)交互机制通过交互方式和自主交互方式进行，其中：
23.option1：行为日志交互方式：按照统计规律和生活常识规划了个体的日常活动行为来模 拟人们的日常活动，当个体进入接触范围时，再根据交互规则完成交互行为；
24.option2：自主交互方式：通过不同方法设计agent的空间移动行为以及其可能发生的行 为集合，在移动过程由个体本身的状态属性和外界信息刺激决定最终个体行为以及是否产生 接触交互；
25.交互规则，两个个体确定交互请求后，根据自身病程状态和交互规则完成交互行为个体 记为x,这里给出几种流行病学中常用的交互规则：
[0026][0027]
上式为感染人群i与其他病程状态个体的交互；其中，p1、p2为随机数，μ为感染率 和无症状感染率；
[0028][0029]
上式为被病原体污染的物体m与其他病程状态agent的交互；其中，β为物传人的感染率；
[0030][0031]
上式为无症状感染人群a与其他病程状态个体的交互；其中，β为物传人的感染率。
[0032]
进一步，所述干预控制模块对领域集成模型提供的流行病属性进行与计算集成模型交互 生成社会化的计算模型过程：
[0033]
生成疾病隔离防控模块，即：
[0034]misolation
＝《type,obj,range,time,lt》
[0035]
其中，type是隔离措施的类型；obj是隔离措施的主要作用对象；range是隔离措施的作 用范围；time是隔离策略开始实施的时间节点；lt是隔离策略持续的时间长度；
[0036]
生成医疗预警响应模块，即：
[0037][0038]
其中，r
t
为t时刻可用医疗资源，r
limit
为该医院agent的医疗资源上，response
avg
为病情平稳状态 下的平均收治响应时间。
[0039]
有益效果
[0040]
本发明提出了一个包含个体、组织和社会三个层次的层次化模型对接框架，并以流行病 学领域的covid-19疫情传播为案例描述了其具体的建模过程，详细介绍了如何将领域模型 与计算模型分层次对接，如何提取模型知识和模块，并将其放在合适的层次和单
元中进行对 接，形成新的低耦合模块。此外，通过计算实验方法验证了框架的有效性，包括计算模型的 设计、实验平台的构建和实验结果的分析。由于个体层的影响因素对疫情的影响已经被许多 工作所验证，本发明通过比较组织层和社会层不同影响因素下的疫情演化，包括不同的组织 结构和交互行为对疫情演化的影响、不同强度的隔离措施和不同数量的医疗资源对疫情演化 的影响，验证了模型对接框架的适用性。
附图说明
[0041]
图1示出流行病学模型对接框架。
[0042]
图2示出个体层模型。
[0043]
图3示出组织层模型。
[0044]
图4示出社会层模型。
[0045]
图5示出计算实验系统的设计。
具体实施方式
[0046]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图与实例对本发明做详细 的论述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
[0047]
如图1所示，本发明针对流行病传播和建模过程的关键因素概括后形成几个核心单元， 以此对计算模型进行规范，并描述如何将领域模型和计算模型的可集成内容对接到框架中。 将领域模型的可集成内容、计算模型的可集成内容、建模框架的级别拟合到框架中，描述了 如何将计算模型和领域模型对接形成新的低耦合的计算模型，哪些单元应该被放在哪个层次 和模块中，形成新的单元。
[0048]
该框架包含三个层次：个体层建立疾病模型和agent能力模型，描述传染病的传播途径、 病程长短等影响因子以及个体的属性和行为等；组织层是描述组织结构和个体间的交互机制； 社会层建立社会生态系统的环境模型和干预控制模型。在具体的建模过程中，对于每个层， 都可以根据特定的需求添加、删除、修改其中的因子和模型，并依托真实世界中流行病的变 化对模型进行及时的修改，
[0049]
一.个体层建模
[0050]
流行病的传播是一个病毒通过人类作为传播载体不断传播的过程。而不同的病毒具有不 同的传播途径和速度等流行病学特征，不同的个体状态和行为建模方法对传播过程也有很大 影响。个体层包括个体层面的个体能力模型和疾病模型，以描述领域模型与计算模型中相关 影响因素或模块的对接。如图2所示。
[0051]
1)疾病模块：病原体在人群个体之间不断地改变寄主，使疾病在人与人之间传播并形成 传染病。疾病能够持续地在人群中传播，形成一定的规模，并形成流行病。疾病的种类不同， 传播途径也不尽相同。疾病模型是对疾病属性、传播特性、病程发展等因子的描述。该模型 支持疾病特性的描述，同时为agent个体提供接触行为的传播概率计算、病程发展过程转移、 疾病状态时间参数，以及死亡概率等，支持领域模型与计算模型中描述病毒特性的相关参数 的整合，如统计数据分析的covid-19病毒特征、seir模型中的病程状态转移概率、计算模 型中的传染率、死亡率等参数。疾病模型的属性描述如下式所示：
[0052]
attr
epi
＝《nam,md,l
p
,i
p
,fpro,dist》
[0053]
其中，nam是疾病的名称；md是疾病的传播途径标志；l
p
是疾病潜伏期的分布及其参 数；i
p
是疾病感染期的分布及其参数；fpro是疾病死亡概率；dist是疾病患者治愈事件的分 布及其参数。
[0054]
除了上述各项参数，根据实验需要可以添加或删除部分属性，根据具体实验需求选择病 程发展、潜伏期、传染期等属性采用同质时间尺度模型或异度时间尺度模型，并在传播过程 及时针对病毒的变异体进行模型的修改。
[0055]
2)个体能力模块：人类真实社会是一个开放的机制，并不是社会群体中所有的个体都朝 着一致的规则运动，它具有灵活性。通过将带入计算机系统的社会个体称为agent，即智能 体，agent具有自治性、反应性、主动性、社会性等特点。其自主行为决定了agent的初始 行为和对环境的适应性行为。不同的agent具有不同的能力特性和行为偏好，由下式决定：
[0056]
individual level＝《r,s
t
,e
t
,v
t
,y
t
》
[0057]
其中，不同的能力特性和行为偏好有不同的定义：r是个体的稳定能力属性，指个体在 较长时期保持不变的状态和能力属性。s
t
是个体的动态能力属性，将随时间变化。e
t
是个体 的感知能力，包括感知渠道和感知范围等，不同的感知能力会直接影响个体的行为决策。v
t
是 个体的行为集合，指个体自发采取和受外在事件刺激采取的所有行为。y
t
是个体在感受外在 事件刺激及与其他个体交互过程选择所采取的行为的决策能力，由外部环境的变化和自身规 则库等信息进行决策。
[0058]
基于领域知识和病毒特点等构建出病毒模型，针对不同的研究需求，将其与人工社会模 型对接。人工社会模型中不同模块受到流行病学模型影响发生变化的过程即为对接。其中， 不同模块会受到不同影响，r是个体的基本属性及与抗感染相关的稳定能力属性，如免疫能 力、抗干扰能力等。s
t
是个体的病程状态，如易感、潜伏、感染、治愈等，将随不同的病毒 特点改变。e
t
是个体感知周围感染者、医院等信息的能力。v
t
是个体的移动行为和个体间的 相互感染等，其感染概率受到感染双方状态和病毒的影响。
[0059]
二.组织层建模
[0060]
流行病的传播是通过人与人之间的交互实现的，不同的人群接触方式在传播过程中发挥 着重要作用。本节设计了一个组织结构模型和个体间的交互机制和交互规则，以描述领域模 型中的相关影响因子如何在组织层面上与计算模型中的模块对接。如图3所示，由现实世界 的病毒传播特点、传播路线、社交关系网络等生构建了对应的交互规则、交互方式与组织结 构。将交互规则与交互方式与计算模型中的交互机制对接，组织结构与邻居选择规则对接， 对接生成定制化的计算模型。
[0061]
1)交互机制：交互机制是描述个体间交互的机制，在流行病学中，交互机制即为传染病 传播过程中个体间的交互过程，它描述了病毒如何从一个个体传播到另一个个体。本发明将 交互机制概括为交互方式和交互行为。
[0062]
单元1：交互方式，是指在建模过程对行为模式的建模，由于人工社会场景和规模的不 同，描绘其交互行为的方式不同，本发明给出两种常用的交互方式，根据不同的研究需要进 行选择。
[0063]
option1：行为日志模式：按照统计规律和生活常识规划了个体的日常活动行为来
模拟人 们的日常活动，当agent进入接触范围时，再根据交互规则完成交互行为。这种交互方式往 往用于大规模仿真和实验中，不会带来很大的计算开销。其中，根据对活动时间的要求，日 志类型可分为两种，一种为时间固定类日志，如上班、上课等；另一种为时间浮动类日志， 如游玩、购物等临时性活动。日志的设计根据agent的角色、状态等因素，其次，部分人工 社会模型中对日志模式也进行了不同的划分，如正常模式、突发事件模式及应急干预模式等。
[0064]
option2：自主交互模式：通过不同方法设计agent的空间移动行为以及其可能发生的行 为集合，在移动过程由个体本身的状态属性和外界信息刺激决定最终个体行为以及是否产生 接触交互。相比较而言，这是一种相对简单的模式，agent基于规则运算产生行为，会带来 一定的计算开销，往往用于小规模仿真和计算实验。其中，为模拟个体不同方式的行为活动， 可建立短程和长程两种交互方式实现agent间的交互，短程交互在组织内部，agent周围一 定距离随机建立，用来模拟个体生活中的日常行为活动；长程交互则在组织内部agent与组 织外部其他组织agent之间进行，用以模拟远距离的工作通勤、大型消费娱乐活动和部分特 殊传染途径产生的交互，为了更好地符合需求和真实世界具体结构特点，在建立长程交互时 可加入偏好依附等法则，增加模拟的真实性。
[0065]
单元2：交互规则，两个agent确定交互请求后，根据自身病程状态和交互规则完成交 互行为(例如易感者与易感者不发生感染，感染者与易感者发生感染)agent记为x,这里 给出几种流行病学中常用的交互规则：
[0066][0067]
上式为感染人群i与其他病程状态agent的交互。其中，p1、p2为随机数，μ为感染 率和无症状感染率。
[0068][0069]
上式为被病原体污染的物体m与其他病程状态agent的交互。其中，β为物传人的感染率。
[0070][0071]
上式为无症状感染人群a与其他病程状态agent的交互。其中，β为物传人的感染率。
[0072]
2)组织结构模型：现实世界中的个体往往有多种社会关系，如家庭、工作和其他关系， 也就是个体的组织结构。不同的组织结构决定了组织中个体的不同接触关系，进而决定了个 体接触和互动的对象。
[0073]
领域模型中的数学流行病学模型很难用微分方程的形式描述这种结构关系，只能用统计 数据、解释结论或事实来描述。相反，计算模型通常用复杂的网络模型来描述传播过程中社 会接触关系的影响，但有一定的局限性。
[0074]
流行病学中的传播过程通常是通过个体和相邻个体之间的接触来传播。因此，本
发明通 过描述个体的邻居状态来描述现实世界中的社会关系，不同的邻居状态将影响传播过程。通 过一定的邻居选择规则，个体与邻居形成相应的组织结构，并根据不同的研究需要和流行病 状态选择不同的邻居选择规则。
[0075]
option 1：随机近邻，随机选择邻居进行接触交互，是一种简单耦合形式，可用于对接 领域模型中的sir模型、seir模型及模型测试等情况，淡化了人群接触方式的影响。
[0076]
option 2：复杂网络邻居，具有网络拓扑结构，是计算模型模拟事实和社会关系的常用 方法，通过构建社会关系网络表征地理信息网络、人群关系、交通网络等特征。
[0077]
option 3：元胞自动机邻居，是元胞自动机模型表征事实和领域知识的常用方法，其具 体分类可包括冯诺依曼邻居、摩尔型邻居，马格勒斯邻居等。根据研究需要和计算模型开发 平台的需要，选择不同的邻居。
[0078]
三.社会层建模
[0079]
社会生态系统作为一个复杂的系统，个体的简单行为或个体之间的相互作用会在更高的 系统层次上出现不可预测的现象。在疫情传播过程中，这种现象表现为不同的疫情传播方向 和结果，这也是许多疫情模型的预测结果难以与现实世界高度吻合的重要原因。同样，政府 也会采取错综复杂的干预措施来遏制疫情的发展。本节主要介绍干预控制模型和环境模型在 模型对接过程中的困难。
[0080]
1)环境模型：在人工社会模型中，环境主要分为自然环境和策略环境。策略环境是将不 断变化的外部干预策略在计算机中的映射，包括干预机制和诱导机制。而自然环境是实际的 物理环境在计算机中的映射，基于此，设计了本节中的环境模型。
[0081]
环境模型是主要描述系统中个体agent以外的外部信息，包括环境的生态信息、交通条 件、地理信息和气候条件等。由于人工社会场景规模大小不同，环境场景要素的模型粒度也 不尽相同。在流行病学领域的研究中，由于研究需求的不同，建模范围可能是全球、国家、 省市等大小，环境模型粒度的大小与建模范围、计算模型与现实的抽象程度、研究需求有关。 领域模型中基本不涉及环境模型的设计，因此，该节只考虑计算模型中环境模型设计的规范 化。本发明给出几种在计算流行病学建模过程中常用的方法。
[0082]
option1：网格型建模：通过离散的网格描述空间的存在和环境属性，采用网格技术建立 地理空间的坐标体系，以确定地理空间的相对位置。
[0083]
option2：实体型建模：根据不同的逻辑模型和计算模型设计规则将真是社会中的建筑物、 道路交通、气候条件等各种环境要素都抽象程对应的实体，常使用地理信息数据与人口数据 等统计数据融合构建地理环境模型。
[0084]
在环境模型中，除了对交通条件、地理信息和气候条件等因素建模，还可以存储全局或局部 环境参数信息，如感染人群等各类人群数量、感染人群比例、医疗资源等，以便于对传播过 程进行干预调控及数据统计。
[0085]
2)干预控制模型：在现实世界中，政府和其他社会生态系统管理者会采取一系列的策略 来调节和保持生态系统的平衡。与此相对应的是人工社会模型中的策略环境，当流行病学模 型与人工社会模型对接时，策略环境会受到一定的影响而产生变化。如图所示，策略环境中 的干预机制主要为疫情传播过程中的隔离防控策略和医疗收治策略，诱导机制为政府采取各 项鼓励政策引导个体，如鼓励群众打疫苗、居家隔离等。策略环境持续受到改变后，会形成 社会文化，驱动个体行为，继而改变社会环境，形成反馈循环。
[0086]
疫情发生后，政府机构采取了一系列隔离防控措施，隔离确诊患者，切断传播途径以降 低传染病的传播速度，隔离防控策略一般描述如下：
[0087]misolation
＝《type,obj,range,time,lt》
[0088]
其中，type是隔离措施的类型，obj是隔离措施的主要作用对象，如学生、老师、工人等； range是隔离措施的作用范围，如社区、学校、工作场所、娱乐场所等；time是隔离策略开 始实施的时间节点；lt是隔离策略持续的时间长度。
[0089]
在疫情爆发后，医院可接收一部分确诊病例使其隔离，并消耗一定医疗资源治疗患者， 当医护人员不足、床位紧缺时，医院运作的效率会降低并最终拒绝接收病人。
[0090]
当感染者agent位于医院agent的监测区域d
vision
内，医院会进行感染病例的收治工作， 收治响应时间response
t
由医疗资源负载率和平均响应时间决定。
[0091][0092]
当医院存在空余床位时，由医疗资源负载率比重确定响应时间。
[0093]
其中，r
t
为t时刻可用医疗资源(包括医护人员和医疗设备、器械等)，r
limit
为该医院 agent的医疗资源上，response
avg
为病情平稳状态下的平均收治响应时间。
[0094]
四、计算实验
[0095]
步骤1：构建计算实验系统。
[0096]
基于模型对接框架将以seir模型和领域知识与以sle模型为核心的计算模型对接。在个 体层中，将seir模型的人群状态及状态转换概率等与计算模型中的个体进化机制、行为状态 等对接，生成易感、潜伏、感染等不同类型的agent在实验场景中遵循一定的状态转换规则。 在组织层中，将真实世界中的组织关系及流行病学知识中的病毒传播规律、病毒传播链条与 感染者行为的关系等知识与计算模型中的邻居选择规则、agent行为规则、组织学习机制等 对接，生成拟合真实世界的组织结构和agent的长程交互等交互机制和规则。在社会层中， 将计算流行病学中的隔离防控、医疗收治等非药物干预措施与计算模型中的环境模型、社会 学习机制等对接，生成基于真实世界的网格型人工社会，对应干预措施变换为相关参数和规 则的更改，社会范围内的感知疫情信息以影响agent行为等。
[0097]
将整个实验场景分为三个区域，由不同类型的组织占据。不同类型的agent分散在三个区域 中，以不同颜色(绿色、黄色、红色)表示agent不同的状态(易感人群、潜伏人群、感染 人群)。这些agent是活动的和动态的，作为系统环境中的活动行为实体，都由不同的符号 表示。
[0098]
步骤2：实验环境设置。
[0099]
实验环境长240个cell，宽108个cell，不同的agent按设置随机分布在各自的区域。
[0100][0101][0102]
在实验平台的可视化界面中生动地展示了疫情演化的过程。其中给出了两种评估指标来 定量评估不同模型因素对疫情演化的影响，包括感染者agent的存活数量，各类人群的存活 数量。在对实验结果进行分析的基础上，确定了不同模型层次中的因素对疫情演化过程的影 响。
[0103]
步骤3：不同案例进行实验验证。
[0104]
案例1，实验分为四组初始设置，对不同的组织结构和交互机制组合，整个生命周期中 策略不改变，研究组织层中各单元中影响因素对疫情演化过程的影响；案例2，实验初始设 置不改变，将不同干预策略组合，研究社会层对疫情演化过程的影响。
[0105]
案例1强调了不同的组织层中模型因素设计对社会生态系统中疫情演化的影响。
分别采 用包含长程连接的随机近邻组织结构(实验组1)、包含长程连接的摩尔型邻居组织结构(实 验组2)、不包含长程连接的随机近邻组织结构(实验组3)、不包含长程连接的摩尔型邻居组 织结构的疫情演化过程(实验组4)。
[0106]
案例2中比较了社会层面不同的干预组合对疫情演化过程的影响，包括低医疗资源和低 隔离的策略组合(实验组1)、低医疗资源和高隔离的策略组合(实验组2)、高医疗资源和低 隔离的策略组合(实验组3)，以及高医疗资源和高隔离的策略组合(实验组4)。
[0107]
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发 明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗 旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多 形式的具体变换，这些均属于本发明的保护范围之内。