一种基于人群流动水平的传染病趋势估计方法

1.本发明涉及一种传染病趋势估计方法，特别涉及一种基于人群流动水平的传染病趋势估计方法。


背景技术：

2.对传染病疫情发展趋势进行有效预测对控制疫情有着重大意义。现有的传染病传播模型多使用sir模型(即易感人群、感染人群、隔离人群模型)，该模型可以高效地体现传染病的传播特点，通过设定感染率、自动康复率等，可以对传染病疫情进行有效模拟。然而sir模型需要预先设置模型的参数，此前的方法多通过疫情流行病学调查来获取这些参数，这种方法有着很强的滞后性。而信息技术的发展为获取传染病相关参数提供了新的工具，借助人群普遍持有的智能设备，有关部门可以获取其轨迹数据，并基于此分析人群流动性。而利用高实时性的轨迹数据的优势在于借此获取实时性的人群间接触次数。传统的基于gps定位，计算距离并判断是否发生接触的方法时间复杂度非常高，对于大量人群并不适用。而通过将人群分布视为泊松分布，可以以一种低计算时间复杂度的方法获取人群间的接触次数。


技术实现要素：

3.本发明目的在于对现有研究和技术存在的不足之处加以完善与规范化，提出一种基于人群流动水平的传染病趋势估计方法。该方法对传染病趋势曲线估计方法提出整体规划的数据处理流程，可以提高获取传染病发展趋势曲线的准确性与可靠性，更具有实用价值；且有利于通过数据分析对各项传染病疫情防控措施进行模拟，方法应用的扩展性高。
4.本发明的目的通过以下的技术方案实现：
5.一种基于人群流动水平的传染病趋势估计方法，包括以下步骤：
6.步骤1，根据传染病趋势曲线获取需求，以天为单位读取历史人群轨迹记录数据，第t日的单日数据记录数记为m(t)条，该信息包含记录时间戳{ti}、产生记录用户{ui}以及用户位置{pi}，将信息数据集记为{xi}，其中i＝1,2,3,
…
,m(t)；
7.步骤2，平均速度计算：利用步骤1中的数据集{xi}计算全体用户当日的平均速度，记第t日的全体用户平均速度为μ(t)；
8.步骤3，空间同位水平计算：利用步骤2中获取的当日全体用户平均速度μ(t)，每日总秒数t
day
，当地的人口密度λ，预设的接触判定半径rc计算当日的空间同位水平，记为α(t)；
9.步骤4，感染率与初始感染人数拟合：利用步骤3中计算得到的当日空间同位水平α(t)、预设的转移率γ、当地总人数n以及预估的接触到感染的时延te，对预设的多组待检验感染率和初始感染人数数据对(β0,i0)进行模拟，通过计算各组模拟过程中每日的易感人群总数s(t)与感染人数i(t)，获取模拟得到的累计感染人数，并将其与当日的真实累计感染人数c(t)进行比较，从而获取最优的感染率和初始感染人数数据对
10.步骤5，传染病趋势估计：利用步骤4计算得到的最优的感染率和初始感染人数数据对作为初始值，利用步骤3中计算得到的每日人群轨迹记录数据计算获取的空间同位水平α(t)、预设的转移率γ、当地总人数n以及预估的接触到感染的时延te对传染病趋势进行模拟，得到未来的传染病趋势变化曲线。
11.进一步地，所述步骤2中，首先对所有记录分别以用户名为第一优先级基准、以时间戳为第二优先级基准进行升序排序，并逐行对上一行作差，获取相邻两条记录的差值，并根据时间差值{δti}，位置差值{δpi}进行异常差值筛选，筛选方法为：
12.将异常点类型分别类型1、类型2、类型3三种；
13.类型1的判据公式为δti《δt
min
或δti》δt
max
，判据特征为相邻记录时间差值过大或过小；
14.类型2的判据公式为δpi《δp
min
或δpi》δp
max
，判据特征为相邻记录位置差值过大或过小；
15.类型3的判据公式为ui≠u
i 1
，判据特征为相邻记录不属于同一用户；
16.其中δt
min
为时间差值下限，δt
max
为时间差值上限，δp
min
为位置差值下限，δp
max
为位置差值上限；
17.记获得的差值记录为{δxi}，总共为m1(t)条，共包含mu(t)个不同用户，对每一个用户，记该用户为uk，计算其速度其计算公式如下：
[0018][0019]
计算当日所有用户的平均速度μ(t)，其计算公式如下：
[0020][0021]
进一步地，所述步骤3中，可利用步骤2计算得到的每日所有用户的平均速度μ(t)计算每日的空间同位水平α(t)，其计算公式如下：
[0022][0023]
其中t
day
为每日秒数，即86400秒；λ为当地人口密度；rc为判定接触半径。
[0024]
进一步地，所述步骤4中，感染率与初始感染人数拟合的具体拟合方法如下：
[0025]
a)预设多组待检验的感染率与初始感染人数数据对，并依次进行检验，设当前待检验的感染率为β0，初始感染人数为i0；
[0026]
b)根据传染病的sir模型，依次计算每日的易感人群数量s(t)、感染人群数量i(t)、隔离人群数量r(t)，通过获取其导数来计算，上述各项的导数计算方法如下：
[0027][0028][0029][0030]
其中te为从接触到感染的延迟时间，γ为感染到隔离的转移率，计算方法如下：
[0031][0032]
其中de为潜伏期时长，d
p
为预感染期时长，di为感染期时长；
[0033]
通过所述拟合方法可以模拟感染过程，获取模拟的每日新增感染人数；
[0034]
c)将模拟的每日新增感染人数与真实的每日新增感染人数c(t)进行比较，取平均绝对百分误差最小的一组(β0,i0)为最优感染率与初始感染人数数据对计算方法如下：
[0035][0036]
进一步地，所述步骤5中，传染病趋势估计的具体估计方法如下：
[0037]
以作为初始感染人数，作为感染率，使用步骤1至步骤4中的方法，利用每日的用户记录数据计算每日的易感人群数量与感染人群数量，其中α(t)在传染病疫情爆发后通常会下降，可以将下降水平乘以衰减因子f用来表征不同强度的限制出行政策，并检验导致的传染病趋势变化的不同，即：
[0038][0039]
其中α
ini
为疫情爆发前空间同位水平，αf为疫情爆发后真实的空间同位水平，α
ban
为假设实施不同强度的限制出行水平政策后的预测空间同位水平。与现有技术相比，本发明具有以下创新优势及显著效果：
[0040]
1)使用实时采集的用户轨迹数据，能够快速高效地获取传染病相关参数，能够基于疫情防控政策定量地对人群流动水平进行调整并预测其对传染病疫情发展趋势的影响；
[0041]
2)针对提出的规范化处理流程，每个步骤的具体实现方式可以有所变化，具有较强的灵活性与扩展性。
附图说明
[0042]
图1是本发明的传染病趋势曲线获取方法流程图；
[0043]
图2是本发明应用于实施例的步骤3中人群空间流动水平随时间变化图；
[0044]
图3是本发明步骤4中根据不同空间同位水平衰减程度预测传染病趋势前线图。
具体实施方式
[0045]
以下结合附图对本发明的具体实施方法与工作原理作如下详述：
[0046]
实施例
[0047]
本实施例对从某地获取的自2020年1月1日至2020年5月31日采集到的用户轨迹数据以及该时间段内某呼吸道传染病累计确诊用户人数数据进行处理。数据集包括的具体变量以及相关数据信息如表1、表2所示：
[0048]
表1某地部分用户轨迹数据
[0049][0050]
表2某地2020年1月1日至2020年5月31日某呼吸道传染病累计确诊用户人数
[0051][0052][0053]
本实施例中传染病发展趋势曲线数据获取方法的实施数据集即为上述某地用户的轨迹数据，方法结果为得到的传染病发展趋势曲线，其详细实施步骤具体如下：
[0054]
步骤1，根据传染病趋势曲线获取需求，以天为单位读取历史人群轨迹记录数据，第t日的单日数据记录数记为m(t)条，该信息包含记录时间戳{ti}、产生记录用户{ui}以及用户位置{pi}，将信息数据集记为{xi}，其中i＝1,2,3,
…
,m(t)；根据表1中提供的数据信息，其包括了本步骤中所需的全部必要信息；
[0055]
步骤2，利用步骤1中的信息数据集{xi}，首先对所有记录分别以用户名为第一优先级基准、以时间戳为第二优先级基准进行升序排序，并逐行对上一行作差，获取相邻两条记录的差值，结果如表3所示：
[0056]
表3排序后按行取差值结果
[0057]
数据序号时间差值/s用户id是否相同位置差值/m17是021814是6
…………
73275379否1089973281831是66
…………
[0058]
按说明书中表1的标准进行异常值筛选，在本实施例中，δt
min
＝1s，δt
max
＝86400s，δp
min
＝1m，δp
max
为无限大(即不取δp
max
)。
[0059]
计算筛选后各用户当日的平均速度，用户uk的速度计算公式如下：
[0060][0061]
计算结果如表4所示：
[0062]
表4该日各用户平均速度
[0063]
用户id平均速度/(m/s)android-00000d3fe4fc836d0611c5c8eab2f5533.2368
……
android-0000324c519247e8bc699c0e87b831fd0.3611android-000073b6fb924c7392e5007e37f6790a1.2929
……
[0064]
当日所有用户的平均速度μ(t)计算公式如下：
[0065][0066]
在本实施例中，μ(t)计算为0.3502m/s。
[0067]
步骤3，将步骤2中得到的当日所有用户的平均速度μ(t)，计算当日人群流动水平α(t)，计算方法如下：
[0068][0069]
其中t
day
为一天的秒数即t
day
＝86400s，本实施例中，当地人口n＝1.08929
×
107人，当地面积s＝8569.15km2，计算得人口密度λ＝2.2090
×
10-3
/m2；判定接触半径rc＝1m。计算得α(t)＝0.03422。本实施例中每日的α(t)如表5与图2所示。
[0070]
表5每日人群流动水平α(t)
[0071][0072]
[0073]
步骤4，感染率与初始感染人数拟合步骤中，具体拟合方法如下：
[0074]
a)预设多组待检验的感染率与初始感染人数数据对，并依次进行检验，设当前待检验的感染率为β0，初始感染人数为i0；
[0075]
b)根据传染病的sir模型，依次计算每日的易感人群数量s(t)、感染人群数量i(t)、隔离人群数量r(t)，通过获取其导数来计算，上述各项的导数计算方法如下：
[0076][0077][0078][0079]
其中te为从接触到感染的延迟时间，根据不同te会得到不同的结果，γ为感染到隔离的转移率，计算方法如下：
[0080][0081]
其中de为潜伏期时长，d
p
为预感染期时长，di为感染期时长。本实施例中de＝2.9days,d
p
di＝5.2days,d＝de d
p
di＝8.1days,γ＝1/d＝0.1234；
[0082]
c)将模拟的每日新增感染人数与真实的每日新增感染人数c(t)进行比较，取平均绝对百分误差最小的一组(β0,i0)为最优感染率与初始感染人数数据对计算方法如下：
[0083][0084]
其中n为当地总人数。对固定接触到感染的延迟时间te为10、变动拟合时长t拟合得到的与固定拟合时长t为23、变动接触到感染的延迟时间te拟合得到的分别如表6、表7所示。
[0085]
表6固定接触到感染的延迟时间te为10、变动拟合时长t拟合得到的
[0086]
[0087][0088]
表7固定拟合时长t为23、变动接触到感染的延迟时间te拟合得到的
[0089][0090]
最终，选择te＝10,t＝23，此时
[0091]
步骤5，传染病趋势估计步骤中，使用步骤4得到的与利用每日的用户轨迹记录数据计算每日的易感人群数量与感染人群数量，其中α(t)在传染病疫情爆发后通常会下降，可以将下降水平乘以衰减因子f用来表征不同强度的限制出行政策。本实施例中除f＝100％外，依次取f＝60％,f＝70％,f＝80％,f＝90％,f＝110％，用于评估如果决策者实行限制出行政策导致人群流动水平下降会对传染病趋势有什么影响，结果如图3所示。
[0092]
本发明一种基于人群流动水平的传染病趋势估计方法，主要通过平均速度计算、空间同位水平计算、感染率与初始感染人数拟合、传染病趋势估计等步骤得到最终的传染病趋势曲线。图1为基于人群流动水平的传染病趋势估计方法的具体流程。整个实施例按照图1中所示的流程，对人群轨迹数据集进行处理并最终得出传染病发展趋势曲线。图2、图3为使用本发明计算空间同位水平趋势变化曲线与最终的传染病趋势预测曲线，对人群轨迹数据进行分析、修正、拟合可以得出相比于传统基于流行病学调查获取感染率而言更符合真实情况的传染病趋势曲线，在满足数据的真实性程度更高的同时更兼具易于实施、拓展性强的特点，为后续针对通过政策影响人员出行频率以调整人群流动水平对传染病疫情发展的影响等方面的相关研究提供了更为可靠的数据支撑。