基于双重网络的疾病传播预测系统、存储介质及设备

本发明属于疾病传播预测，具体涉及一种疾病传播预测系统、存储介质及设备。

背景技术：

1、传染病是当代人类社会的主要威胁之一，它给人类的生命安全造成了重大的健康损害，并给社会带来了巨大的经济负担，人们在与各种传染病作斗争的过程中，也取得了显著的成果，然而这些研究大多只考虑了一种病毒菌种单独存在的传染病问题。而现实世界中随着疾病的发展，病毒在传播过程受到环境和医疗等多种因素的影响后，可能会发生变异，改变病毒的传染率与治愈率，导致传染病持续爆发。因此采用单一菌种的传染病模型并不能真实的描述现实世界中发生变异后的疾病传播特性，从而多菌种共同传播的模型的研究引起了诸多学者的关注。对于具有竞争性的多菌种共同传播的情况，wu等人提出了一个具有双线性感染力的复杂网络上的竞争性双毒株sis流行病模型，用异质平均场的方式讨论了两种菌种的流行阈值。yang等人研究了复杂网络上具有竞争机制和饱和感染力的两株sis流行病模型，求解了两个菌株的相关繁殖数，进一步研究出无病平衡和边界平衡的稳定性，表明这两种竞争菌株在一定条件下可以共存。此外，yang等人研究了复杂网络上感染年龄结构的多菌株sis模型，使用更新方程的经典理论获得每个菌株的繁殖数，并通过它们的最大值定义整个系统的基本繁殖数。

2、目前接种预防性的疫苗被认为是避免传染病传播和降低发病率和死亡率的最有效的预防措施之一，a chandrashekar等人发现加强疫苗接种对于控制疫情的传播至关重要。然而由于人类的异质性，疫苗并不是完美免疫的，即使接种后仍然有部分概率感染病毒，由于菌种发生变异引起的抗原漂移或抗原逃逸也会对疫苗的有效性产生不同程度的影响，免疫逃避比传播性增加更令人担忧，因为它可以促进更大规模的流行病爆发。elliottp等人发现即使传染病发生变异，高水平的疫苗接种率仍然能有效降低疾病的感染规模，因此对于发生突变的传播性疾病，提高疫苗的接种率对于降低感染率仍然尤为重要。假设病原体的传播可以在宿主中发生突变，从而产生第二种突变株，接种过疫苗的个体可能在与感染变异毒株的个体接触后感染，cai等人研究了一个带有疫苗接种的双株流行病模型，通过分析特征方程和构造lyapunov函数，建立了无感染、边界和地方病平衡点的局部和全局稳定性条件。

3、然而当疾病发生变异致使接种过疫苗的人们出现不完全免疫等负面信息时，会通过影响接种意愿从而影响到疫苗的接种率，进而影响到传染病的传播，这也导致了现有的疾病传播预测方法会与实际的传播情况发生较大误差。近年来，信息传播对疾病传播的影响也广泛被研究。当世界上一个或多个地点发生流行病时，关于该病的信息会进行传播，从而激发人们的风险意识，有助于抑制流行病的传播。granell等人研究了双层网络中信息传播和疾病传播的耦合动力学行为，通过采用微观马尔可夫链方法理论计算疾病传播系统的稳态，发现了流行病开始传播时的感染率临界点，并得出了疾病有关信息的扩散能够抑制疾病传播的结论。wang等人建立了疫苗接种博弈层和信息共享层的双层网络模型，研究个体疫苗接种决策与策略交换之间的相互作用，发现虽然信息共享在一定程度上抑制了个人的疫苗接种决定，但随着信息共享的增加，疾病在社会中传播的总体规模有所下降。为了研究疫苗接种负面信息对流行病传播的影响，zhang等人提出了一种基于双层网络的负面信息与流行病耦合传播模型，发现负面信息的传播导致了较低的疫情爆发阈值和较高的最终感染密度。

4、虽然现有的相关研究也考虑到了疫苗接种负面信息对流行病传播的影响，但是目前的研究中的信息传播影响和疾病的传播只考虑原菌种的影响，并没有考虑变异菌种的影响，因此不能有效的反映真实的疾病传播情况。此外，现有的预测方法也都是建立在疾病发生之前接种疫苗的假设情况上进行预测的，而不是建立在疾病传播过程中接种疫苗的情况下进行预测，因此这并不符合实际的情况，这也导致了现有的流行病预测与实际情况存在非常大的误差。

技术实现思路

1、本发明为了解决现有的流行病预测只考虑原菌种对信息传播影响和疾病传播的影响，以及考虑疾病发生之前接种疫苗的假设情况上进行预测从而导致预测准确率较低的问题。

2、基于双重网络的疾病传播预测系统，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；

3、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；

4、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；

5、物理接触层使用包含以下五种个体状态的扩展sis模型，即s0vi1i2sr模型；个体存在五种状态：

6、未感染且未接种的易感者susceptible状态，记为s0；

7、感染了原始菌种的状态，记为i1；

8、感染了变异后的变异菌种的状态，记为i2；

9、接种疫苗且未感染的状态，记为v；

10、感染病毒痊愈后仍有概率被感染的susceptible状态，记为sr；

11、uau-s0vi1i2sr模型用β1和β2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γ1和γ2表示感染两种菌种的所有个体都会分别以γ1和γ2的痊愈率恢复为感染过疾病的易感者状态sr，用λ表示sr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；

12、对于每个时间步，在该uau-s0vi1i2sr模型里，每个个体都有十种不同的状态：

13、不知道负面信息且未被感染的，记为us0；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ui1；不知道负面信息且感染变异菌种的，记为ui2；不知道负面信息且感染过的，记为usr；知道负面信息且未感染的，记为as0；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ai1；知道负面信息且感染变异菌种的，记为ai2；知道负面信息且感染过的，记为asr；

14、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；

15、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：

16、定义a＝(aij)和b＝(bij)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aij＝1,bij＝1，否则aij＝0,bij＝0；在t时刻，每个个体i都以概率pius0(t)，piusr(t)，piui1(t)，piui2(t)，piuv(t)，pias0(t)，piasr(t)，piii1(t)，piai2(t)，piav(t)处于十种状态之一；

17、在虚拟通信层，使用qi(t)来表示u状态个体i不被任何邻居感知的概率；

18、

19、其中，表示处于a状态对应的概率，其包括pias0(t)、piasr(t)、piai1(t)、piai2(t)、piav(t)；

20、节点i在t时刻被邻居中a节点感知的概率为：1-qi(t)；

21、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b1i(t)表示状态为s0的节点i在t时刻不被感染的情况，用b11i(t)和b12i(t)分别表示状态为s0的节点i在t时刻被原始菌种和变异菌种感染的概率；用b2i(t)表示状态为v的节点i在t时刻不被感染的情况；用b21i(t)和b22i(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b3i(t)表示状态为sr的节点i在t时刻不被感染的情况，用b31i(t)和b32i(t)分别表示状态为sr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：

22、

23、

24、

25、

26、

27、

28、其中，表示感染原始菌种的概率，表示感染变异菌种的概率；

29、确定uau-s0vi1i2sr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：

30、pius0(t+1)＝[(1-qi)*pius0(t)+μ*pias0(t)]*(1-vi)*(1-b11i-b12i)

31、pias0(t+1)＝[qi*pius0+(1-μ)*pias0(t)]*(1-θvi)*(1-b11i-b12i)

32、piui1(t+1)＝[(1-qi)*piusi(t)+μ*pias0(t)]*b11i+(1-qi)*[piui1(t)*(1-γ1)*(1-τ)+b31i*piusr(t)]+μ*[piai1(t)*(1-γ1)*(1-τ)+b31i*piasr(t)]

33、piui2(t+1)＝[(1-qi)*pius0(t)+μ*pias0(t)]*b12i+(1-qi)*[piui2(t)*(1-γ2)+b32i*piusr(t)+piui1(t)*(1-γ1)*τ]+μ*[piai2(t)*(1-γ2)+b32i*piasr(t)+piai1(t)*(1-γ1)*τ]

34、piai1(t+1)＝[qi*pius0(t)+(1-μ)*pias0(t)]*b11i+b21i*(piuv(t)+piav(t))+qi*[piui1(t)*(1-γ1)*(1-τ)+b31i*piusr(t)]+(1-μ)*[piai1(t)*(1-γ1)*(1-τ)+b31i*piasr(t)]

35、piai2(t+1)＝[qi*pius0(t)+(1-μ)*pias0(t)]*b12i+b22i*(piuv(t)+piav(t))+qi*[piui2(t)*(1-γ2)+b32i*piusr(t)+piui1(t)*(1-γ1)*τ]+(1-μ)*[piai2(t)*(1-γ2)+b32i*piasr(t)+piai1(t)*(1-γ1)*τ]

36、piuv(t+1)＝(1-b21i-b22i)*[(1-qi)*piuv(t)+μ*piav(t)]+(1-b11i-b12i)*[(1-qi)*pius0(t)*vi+μ*pias0(t)*vi]

37、piav(t+1)＝(1-b21i-b22i)*[qi*piuv(t)+(1-μ)*piav(t)]+(1-b11i-b12i)*[qi*pius0(t)*θvi+(1-μ)*pias0(t)*θvi]

38、piusr(t+1)＝(1-qi)*[piui1(t)*γ1+piui2(t)*γ2+piusr(t)*(1-b31i-b32i)]+μ*[piai1(t)*γ1+piai2(t)*γ2+piasr(t)*(1-b31i-b32i)]

39、piasr(t+1)＝qi*[piui1(t)*γ1+piui2(t)*γ2+piusr(t)*(1-b31i-b32i)]+(1-μ)*[piai1(t)*γ1+piai2(t)*γ2+piasr(t)*(1-b31i-b32i)]

40、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。

41、进一步地，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β1'和β2'如下：

42、β1′＝ξ1*β1

43、β2′＝ξ2*β2

44、其中，β1、β2分别表示未接种过疫苗的易感者与感染原始菌种i1、感染变异菌种i2的邻居接触时，被感染的概率；ξ1、ξ2分别代表疫苗对两种菌种的失效率。

45、进一步地，原始菌种突变为变异菌种的概率τ如下：

46、

47、其中，t0为突变时间步，τ0为当时间为时间步t0时的突变率。

48、进一步地，个体i的接种概率vi(t)如下：

49、

50、

51、

52、其中，表示选择接种疫苗的可能成本；表示个体i在第t步选择不接种疫苗的可能成本；k代表噪声因子；c表示接种疫苗相对成本，为未接种疫苗的易感者节点i在t时刻未被感染的概率。

53、进一步地，接种疫苗相对成本c＝cv/ci，相对成本需要满足0<c<1；其中，cv为接种疫苗的成本，ci为感染疾病的成本。

54、进一步地，所述系统还包括一个初始数据获取单元；所述初始数据获取单元，用于获取基于加载疫苗信息-疾病双重网络模型进行疾病传播预测时的系统参数和状态数据初始值；所述的系统参数包括原始菌种的传染率β1、变异菌种的传染率β2、原始菌种的痊愈率γ1、变异菌种的痊愈率γ2、疫苗对原始菌种的失效率ξ1、疫苗对变异菌种的失效率ξ2、痊愈后被再次感染时感染概率缩小因子λ、信息传播率α、信息遗忘率μ、噪声因子k、衰减因子θ、时间步长t0的突变率τ0，以及接种疫苗的相对成本c；所述状态数据初始值包括疾病传播初始时刻的人群感染比例、获知疫苗负面信息的人群比例。

55、进一步地，所述系统还包括疾病爆发判断单元；所述的疾病爆发判断单元，用于判断变异菌种引起的疾病的爆发情况，当感染变异菌种的概率β2超过变异菌种的阈值β2c时，认为变异菌种引起疾病的爆发。

56、进一步地，变异菌种的阈值β2c的确定过程包括以下步骤：

57、当t→∞时，任意节点i可能状态的比例都达到稳定状态，即pi(t+1)＝pi(t)＝pi，也就是上面的10个状态的演化方程t+1时刻的值与t时刻的值相等；此时有：

58、

59、

60、

61、稳定状态时得到

62、pii2＝piui2+piai2＝b12i*pis0+b22i*piv+pii2*(1-γ2)+b32i*pisr    (8)

63、由于疾病未持续存在，因此在达到稳态时系统中pii2+pii1→0，表示＜＜1的pii2，表示＜＜1的pii1；此时pis0≈1-piv-pisr；将公式(7)代入公式(8)并整理得到

64、

65、等式(9)写成如下：

66、

67、其中，σji是单位矩阵的元素，即如果i＝j，则σji＝1，否则σji＝0；

68、定义一个矩阵h＝{hij}，其元素为

69、hij＝[1-(1-ξ2)*piv-(1-λ)*pisr]bij    (11)

70、流行病阈值β2c等于满足公式(11)的最小值；

71、

72、其中，λmax(h)为矩阵h的最大特征值。

73、一种计算机存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于双重网络的疾病传播预测系统。

74、一种基于双重网络的疾病传播预测设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于双重网络的疾病传播预测系统。

75、有益效果：

76、本发明提出了一种能够同时考虑原始菌种与变异菌种共同传播，且在传播过程中计入疫苗接种行为影响的信息-疾病耦合传播预测系统，因此本发明能够提高流行病预测的准确率。