本發(fā)明屬于流行病感染風(fēng)險評估，尤其涉及一種基于區(qū)域流動的早期流行病感染風(fēng)險量化方法。

背景技術(shù)：

1、傳染性疾病，如covid-19引發(fā)的疾病，對全球公共衛(wèi)生和經(jīng)濟構(gòu)成嚴(yán)重威脅。此類病毒可以通過人類日?；顒蛹吧鐣煌诔鞘兄锌焖賯鞑?。在面對此類早期流行病感染的防控過程中，準(zhǔn)確并有效地評估各地區(qū)的疾病風(fēng)險水平至關(guān)重要。

2、現(xiàn)有的早期流行病感染風(fēng)險預(yù)測評估方法包括利用確診感染病例和死亡人數(shù)數(shù)據(jù)，運用代理室間模型等手段，對傳染病的傳播過程進行建模。此類模型可以預(yù)測在特定時間和區(qū)域內(nèi)的病毒濃度，從而評估風(fēng)險等級，然而通常需要對疾病有深入的理解，因此不適用于新出現(xiàn)的疾病感染。另一類方法則將感染病例、死亡和治愈等數(shù)據(jù)輸入深度學(xué)習(xí)模型用于預(yù)測疫情趨勢、人口感染率、以及醫(yī)療資源需求等。而考慮到接觸類型、頻率和傳播概率等機理數(shù)據(jù)通常難以獲得，最近的研究開始采用人類流動數(shù)據(jù)。例如，一些研究者使用人類流動數(shù)據(jù)來識別新加坡寨卡病毒的潛在傳播，并進行了合理性分析(rajarethinam?j,ong?j,lim?s?h,et?al.using?human?movement?data?to?identify?potential?areas?ofzika?transmission:case?study?of?the?largest?zika?cluster?in?singapore[j].international?journal?of?environmental?research?and?public?health,2019,16(5):808.)。另一些研究者發(fā)現(xiàn)，城市流動的固有空間結(jié)構(gòu)對疫情進展產(chǎn)生了影響(aguilarj,bassolas?a,ghoshal?g,et?al.impact?of?urban?structure?on?infectious?diseasespreading[j].scientific?reports,2022,12(1):3816.)。在納米比亞，研究人員利用空間明確的流動風(fēng)險網(wǎng)絡(luò)來計算年度hiv感染風(fēng)險，并確定了hiv傳播的高風(fēng)險區(qū)域。然而，這類方法存在兩個問題。首先，這些模型通常比較靜態(tài)，因為它們主要側(cè)重于對一種病毒類型的行為建模和預(yù)測，所以當(dāng)流行病轉(zhuǎn)移到新的或不同的傳播階段時，它們可能無法很好地適應(yīng)。其次，這些模型依賴大量的訓(xùn)練數(shù)據(jù)，而在流行病早期階段，這類數(shù)據(jù)通常是難以獲取的。

3、因此，如何在流行病早期有效且準(zhǔn)確地識別風(fēng)險區(qū)域，目前仍然是一個重要且尚未解決的挑戰(zhàn)。

技術(shù)實現(xiàn)思路

1、鑒于此，本發(fā)明提出了一種全新的基于區(qū)域流動的早期流行病感染風(fēng)險量化方法，專門針對流行病早期暴發(fā)的情況。本發(fā)明的方法特別關(guān)注兩個核心因素：內(nèi)部區(qū)域感染因素和跨區(qū)域感染因素。前者源于觀察到傳染病主要通過人際接觸傳播，因此，一個區(qū)域的感染風(fēng)險與人際交互率密切相關(guān)。后者則受啟發(fā)于一些研究發(fā)現(xiàn)，區(qū)域間的人員流動性可以揭示感染風(fēng)險水平，流動性較高的區(qū)域往往更易受到傳染病的影響。為了有效地適應(yīng)病毒的快速變化并在流行病的早期階段進行有效的干預(yù)，本發(fā)明的方法允許實時調(diào)整模型中的感染參數(shù)以適應(yīng)病毒的變化。此外，無論區(qū)域的規(guī)模大小，本發(fā)明的方法都能有效識別出高風(fēng)險區(qū)域，這充分體現(xiàn)了其廣泛適用性。特別是在病例數(shù)據(jù)有限，病毒傳播機制不明確的早期暴發(fā)階段，本發(fā)明的方法可以快速準(zhǔn)確地量化區(qū)域的感染風(fēng)險，預(yù)測未來疾病的傳播趨勢。

2、本發(fā)明提供了一種基于區(qū)域流動的早期流行病感染風(fēng)險量化方法，其特征在于，包括：

3、步驟1：使用人類流動性數(shù)據(jù)構(gòu)建動態(tài)移動流量感知圖，以得到記錄由動態(tài)流構(gòu)建的每個區(qū)域的流動模式與其他區(qū)域之間的關(guān)聯(lián)程度的權(quán)重矩陣wdfag，其中所述人類流動性數(shù)據(jù)為人類流動性的起點-終點矩陣(od矩陣)；

4、步驟2：基于空間相互作用函數(shù)模型sif來計算縣區(qū)內(nèi)流動導(dǎo)致的流行病感染風(fēng)險值，其中，利用如下公式計算出時間段t內(nèi)縣區(qū)i內(nèi)部流動所產(chǎn)生的感染風(fēng)險值：

5、

6、其中，zii表示在時間段t內(nèi)留在縣區(qū)i的個體數(shù)量，而zba和zab分別表示在時間段t內(nèi)從區(qū)域a遷移到區(qū)域b和從區(qū)域b遷移到區(qū)域a的個體數(shù)量；

7、步驟3：基于縣區(qū)的流入流出數(shù)量來量化縣間流動的影響，生成縣級動態(tài)移動流量感知圖，以動態(tài)地量化跨縣傳播風(fēng)險，其中，縣i在時間段t的跨縣流動風(fēng)險值通過如下公式獲得：

8、

9、其中，wdfag(i,j)為由動態(tài)流構(gòu)建的縣i的流動模式與縣j之間的關(guān)聯(lián)程度的權(quán)重矩陣，zji代表在時間段t內(nèi)從縣j遷入縣i的人口數(shù)量，而zij代表在時間段t內(nèi)從縣i遷出至縣j的人口數(shù)量；

10、步驟4：通過將縣間風(fēng)險量化與縣區(qū)內(nèi)風(fēng)險量化整合，計算出所研究縣區(qū)的感染風(fēng)險值，其中，將每個風(fēng)險值除以所有縣區(qū)和時間段的最大值來進行歸一化，然后通過各自的權(quán)重對縣間和區(qū)域內(nèi)的風(fēng)險值進行加權(quán)，得到縣區(qū)i的風(fēng)險值如下公式所示：

11、進一步地，在所述步驟1中，假設(shè)有n個區(qū)域，對于每個區(qū)域i，將其到所有其他區(qū)域的每日流入數(shù)據(jù)zd視為第d天的向量即其中d∈[1,d]，通過計算人流量向量的大小來獲取每個區(qū)域的日流量模式信息，即從區(qū)域i到所有其他區(qū)域j在時間間隔d中的日流入數(shù)據(jù)模式：

12、

13、在這個方程中，pn代表從向量序列中得到的概率分布，它表示第d天從區(qū)域i到區(qū)域j的人流比例；

14、然后使用人流矢量之間的點積相似度作為成本函數(shù)，

15、

16、將上面的公式納入到wasserstein距離的計算中，得到稱為動態(tài)流量感知距離的度量，用于衡量區(qū)域之間的流動差異；計算第d天區(qū)域i和區(qū)域j之間的流量感知距離：

17、

18、通過對每個小規(guī)模人口普查區(qū)的od矩陣應(yīng)用公式計算wasserstein距離，得到權(quán)重矩陣wdfag，其中wdfag[i,j]＝ddfag∈[0,1]，所述權(quán)重矩陣記錄了由動態(tài)流構(gòu)建的每個區(qū)域的流動模式與其他區(qū)域之間的關(guān)聯(lián)程度。

19、進一步地，在所述步驟2中，使用sift來表示時間t的sif，其數(shù)學(xué)表達形式如下所示：

20、

21、其中，dab代表區(qū)域之間或區(qū)域內(nèi)部的基本連接性；λ代表縮放參數(shù)；γ為參數(shù)，用于確定函數(shù)尾部的權(quán)重；pt則表示時間段t內(nèi)小規(guī)模人口普查區(qū)內(nèi)部流動的人數(shù)占區(qū)域總流入流出人數(shù)的比例。

22、進一步地，本發(fā)明的早期流行病感染風(fēng)險量化方法還包括風(fēng)險疊加模塊，用于量化歷史風(fēng)險值對地區(qū)風(fēng)險值的影響，其中，在計算時間t時，將從歷史時間0到時間t-1的風(fēng)險值納入計算，如下公式所示：

23、

24、其中，表示縣區(qū)i在歷史時間0到t-1的風(fēng)險值疊加，β表示病毒感染的傳播概率，根據(jù)多樣化和動態(tài)的病毒情況調(diào)整。

25、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點：

26、1.本發(fā)明提出了一種全新的方法，能夠有效量化給定地理區(qū)域的感染風(fēng)險水平，而無需對感染疾病或病毒傳播的詳細(xì)信息有深入的了解。

27、2.本發(fā)明的方法融合了多個地理粒度的分析，全面考慮了區(qū)域內(nèi)部和跨區(qū)域的流動性，以準(zhǔn)確地量化風(fēng)險水平。

28、3.發(fā)明人在四個美國州的實際covid-19數(shù)據(jù)基礎(chǔ)上對本發(fā)明的方法進行了評估。結(jié)果顯示，無論是短期、中期還是長期的風(fēng)險量化方案，本發(fā)明的方法都表現(xiàn)出優(yōu)異的效果。本發(fā)明的風(fēng)險量化方法在所有時間類別和整體準(zhǔn)確性上都表現(xiàn)出較高的性能。