基于双重网络的疾病传播预测系统、存储介质及设备

专利主权项内容

1.基于双重网络的疾病传播预测系统，其特征在于，至少包括一个疾病传播预测单元；所述疾病传播预测单元用于加载疫苗信息-疾病双重网络模型，并基于加载的疫苗信息-疾病双重网络模型进行疾病传播预测；所述的疫苗信息-疾病双重网络模型的上层网络为线上的虚拟通信层，下层网络为线下的物理接触层，两层网络的节点都相同，但连边并不相同，虚拟通信层的连边代表在社交媒体上有联系，物理接触层的连边表示在实际现实中能够接触到；虚拟通信层使用UAU模型，节点对应的个体存在U状态和A状态；U状态表示个体i对疫苗的负面信息不知道，A状态表示个体i对疫苗的负面信息知道并进行传播；当接种过疫苗的个体i仍被传染病感染后，就会产生关于疫苗的负面信息并进行传播，不知道疫苗负面信息的节点i与知道疫苗负面信息的节点j接触后会以传播率α转换为A状态，同时知道疫苗负面信息的节点i会以概率μ遗忘疫苗的负面信息；物理接触层使用包含以下五种个体状态的扩展SIS模型，即SVIIS模型；个体存在五种状态：012R未感染且未接种的易感者susceptible状态，记为S；0感染了原始菌种的状态，记为I；1感染了变异后的变异菌种的状态，记为I；2接种疫苗且未感染的状态，记为V；感染病毒痊愈后仍有概率被感染的susceptible状态，记为S；RUAU-SVIIS模型用β和β表示接种过疫苗的接种者能够感染原始菌种和变异菌种的概率，用γ和γ表示感染两种菌种的所有个体都会分别以γ和γ的痊愈率恢复为感染过疾病的易感者状态S，用λ表示S失去抗体导致被再次感染时感染概率的缩小因子，用τ表示原始菌种突变为变异菌种的概率；用Vi(t)表示个体i的接种概率，未接种过疫苗且未感染过的易感者i在t时刻的接种概率包括两种情况：知道疫苗负面信息的接种概率为θ*Vi，其中θ为衰减因子；不知道疫苗负面信息时θ为1，即接种概率为Vi；012R121212RR对于每个时间步，在该UAU-SVIIS模型里，每个个体都有十种不同的状态：012R不知道负面信息且未被感染的，记为US；不知道负面信息且接种疫苗的，记为UV；不知道负面信息且感染原始菌种的，记为UI；不知道负面信息且感染变异菌种的，记为UI；不知道负面信息且感染过的，记为US；知道负面信息且未感染的，记为AS；知道负面信息且接种疫苗的，记为AV；知道负面信息且感染原始菌种的，记为AI；知道负面信息且感染变异菌种的，记为AI；知道负面信息且感染过的，记为AS；012R012R接种过疫苗的个体被感染后，若之前为不知道疫苗负面信息的U状态，则自动转为知道疫苗负面信息的A状态；所述基于加载的疫苗信息-疾病双重网络模型进行疾病传播预测的过程中采用微观马尔可夫链方法对基于疫苗信息-疾病双重网络模型进行描述：定义A＝(a)和B＝(b)作为虚拟通信层和物理接触层的邻接矩阵，如果节点i和节点j之间有连边，那么矩阵元素a＝1, b＝1，否则a＝0, b＝0；在t时刻，每个个体i都以概率P(t)，P(t)，P(t)，P(t)，P(t)，处于十种状态之一；ijijijijijijiUS0iUSRiUI1iUI2iUV在虚拟通信层，使用q(t)来表示U状态个体i不被任何邻居感知的概率；i其中，表示处于A状态对应的概率，其包括/>节点i在t时刻被邻居中A节点感知的概率为：1-q(t)；i对于物理接触层来说，由于有两种菌种共同传播，对于节点i可能出现既有感染原始菌种的邻居又有感染变异菌种的邻居情况，用b(t)表示状态为S的节点i在t时刻不被感染的情况，用b(t)和b(t)分别表示状态为S的节点i在t时刻被原始菌种和变异菌种感染的概率；用b(t)表示状态为V的节点i在t时刻不被感染的情况；用b(t)和b(t)分别表示状态为V的节点i在t时刻被原始菌种和变异菌种感染的概率；用b(t)表示状态为S的节点i在t时刻不被感染的情况，用b(t)和b(t)分别表示状态为S的节点i在t时刻被原始菌种和变异菌种感染的概率；具体表达式如下：1i011i12i02i21i22i3iR31i32iR其中，表示感染原始菌种的概率，/>表示感染变异菌种的概率；确定UAU-SVIIS模型的动力学方程，即状态的演化方程，状态的演化方程如下：012R基于状态的演化方程进行疫苗信息-疾病双重网络模型的传播概率预测。