顾及空间异质性的温州市COVID-19疫情预测

结合COVID-19实际传播规律,利用温州市COVID-19确诊病例数据、行政区划与人口统计数据构建了区县级LSEIR修正模型,进一步顾及空间异质性加权融合各区县预测结果,以预测温州市整体疫情趋势。结果表明提出的LSEIR修正模型参数求解结果与传染病动力学模型参数物理意义相符,预测温州市感染人群将于2020-01-26达到峰值,与公布的实际情况一致。以感染人数和新增移出人数同时为0时刻作为疫情拐点,预测3月1日为温州市疫情拐点。本方法能够较准确地预测温州市及市内各区县COVID-19感染人群和移出人群变化趋势,为相关政府部门更好地发现疫情传播规律、分析防控措施有效性和预测疫情发展趋势提供了模型支持与决策服务。     

利用地理知识图谱的COVID-19疫情态势交互式可视分析

新型冠状病毒肺炎(coronavirus disease 2019,COVID-19)疫情的暴发产生了海量与时空信息相关的数据,当前的地理时空疫情分析难以关联人物关系、事件等数据,由此提出了一种利用地理知识图谱结合交互式可视分析COVID-19疫情态势的方法。首先定义了病患实体和关系类型,提出了事件语义模型和事件关系分类,并根据不同的数据分类设计了知识抽取和知识表示方法,构建了病患时空信息知识图谱;然后分别从宏观和微观层次把控疫情态势的任务出发,设计了知识图谱可视化视图和交互分析方法;最后构建实验分析系统,利用COVID-19确诊患者数据,通过地图分布可视化、图谱可视化和轨迹可视化等多视图协同交互对COVID-19疫情态势进行分析实验。实验结果表明,该方法能够从实时疫情态势监控、病患关联关系、高危人群防控和地区防控态势等方面为疫情态势分析提供一种新的思路与方法。     

一种顾及人口迁徙特征的COVID-19疫情时空分布规律研究

新型冠状病毒的传播与人员流动情况密切相关,越是人口稠密、人员流动性强的地区,其疫情大规模暴发的风险越大。以江苏省为研究区,基于各地市卫健委公布的疫情数据和百度慧眼迁徙数据,使用时空分析方法,对江苏省新型冠状病毒肺炎(COVID-19)疫情进行了回顾,探讨了江苏省COVID-19疫情发生的时空规律,在此基础上发现病例较多城市的特点为人口基数大、人员流动性大;疫区人口迁徙和疫情扩散强相关;建议进行疫情防控大数据平台建设,及时追踪疫情发生、传播的路径和趋势,精准挖掘高危人群的活动轨迹,做到精准社区防控。     

离散格网下的COVID-19隔离与收治人为防控措施模型

随着新型冠状病毒肺炎(coronavirus disease 2019,COVID-19)疫情在全世界的暴发,与疫情相关的研究不断增加,但目前的研究更多关注的是预测分析方面,与疫情防控措施有关的研究基本停留在统计学层面,且模型参数缺乏时空演变描述。为此,引入离散格网的粒度和边界虚实线分别描述物理隔离措施的松紧程度及相邻空间的联通性和隔离性,以病床收治能力与格网之间的空间自相关性为基础设计了离散格网下的医疗收治模型,进而利用LSEIR(logistic-susceptible-exposed-infected-removed)传染病模型构建了离散格网下的物理隔离与医疗收治人为防控措施模型,该模型为分析和评估物理隔离与医疗收治人为防控措施对疫情传播和防控的影响提供了一种有效的方法。分别以美国、德国、西班牙和英国的疫情初期数据模拟了中国武汉市COVID-19疫情的原始传播态势,通过对武汉地区疫情数据的实验分析可以得到,物理隔离措施对降低感染人群峰值、提前峰值拐点以及缩短疫情的持续时间有非常明显的作用;医疗收治措施在疫情初期可有效降低感染人群峰值,而对峰值拐点的提前和疫情持续时间的缩短没有较大影响;该模型能够从定量和定性两个角度实现物理隔离和医疗收治措施对疫情影响的量化分析与评估,具有较高的合理性和正确性。     

COVID-19病例活动知识图谱构建——以郑州市为例

目前,随着全球新型冠状病毒肺炎(coronavirus disease 2019,COVID-19)病例数量不断增加,疫情时空传播过程变得越来越复杂。传统的传播过程研究主要是在宏观上研究传染病的整体传播规律或趋势,不能在个体层面分析具体病例之间的传播关系,无法精准定位疫情传播路径,很难支持传染病的精准防控,亟需兼顾时空和语义特征研究传染病传播过程。首先在解析COVID-19病例数据基础上,利用知识图谱技术提出了构建适应多样化描述方式的COVID-19病例活动知识图谱;然后从传播事件角度设计了COVID-19病例活动知识图谱本体规则,完成了模式层的构建;并以流行病调查数据为基础,对病例数据进行解析、事件实体识别和数据存储,完成了数据层的构建;最后,通过图数据库和B/S端构建原型系统进行实验验证。结果表明,通过COVID-19病例活动知识图谱对传播过程推理、关键节点分析和活动轨迹回溯等层面进行验证,方法较为有效,且具有一定可行性。     

温州市新型冠状病毒肺炎疫情扩散时空特征研究

新型冠状病毒肺炎(COVID-19)疫情爆发以来,温州市疫情形势严峻.本文通过温州市卫生健康委员会官方网站公布的新型冠状病毒肺炎患者的具体信息,利用数据分析法、GIS技术和定量分析法对温州市新冠肺炎疫情的发展变化、分布及扩散特征进行分析.结果显示:1)温州市新冠肺炎确诊病例男性占比高于女性,且以中青年人为主,老年人位列第三,少年儿童最少.2)新冠肺炎患者主要分布在温州中部和东北部人口稠密、经济发达的地区,南部和西南部地区患者数量比较少.3)经济发展较弱的地区扩散风险较高,人群防护意识薄弱也会加剧疫情扩散.本研究可对新冠肺炎等传染性疾病疫情的防控工作起到一定的指导和借鉴作用.     

地理位置关联的COVID-19传播时空分析

新型冠状病毒肺炎(coronavirus disease 2019,COVID-19)暴发以来,许多研究对COVID-19的发生和发展进行了分析和预测,但鲜见采用GIS空间分析技术进行COVID-19流行病学调查的研究。不同于医学的病毒原理和大数据分析方法,将流行病学调查知识与位置关联分析相结合,利用五元组模型结构化每个病例数据,采用GIS时空交叠原理处理病例数据,定义统计分类和传播分析的五元组操作规则,实现了确诊病例的分时、分区统计以及输入型、接触型和聚集性病例的判断、挖掘和疾病传播过程的分析。结果显示,五元组结构及其操作规则可实现病例数据的计算机自动化处理,能够快速获取疫情发展状况,推演疫情传播过程。五元组模型结合时序图、关系图等可视化技术能够有效地分析和展示疾病、健康或卫生事件的分布和传播情况,为疾控机构快速掌握疫情传播状况提供支持。     

交通分析区尺度上的COVID-19时空扩散推估方法：以武汉市为例

现有的流行病学模型大多是通过对统计数据进行拟合,实现对患病人数的推估,较少考虑细粒度空间人群移动交互对时空扩散特征的直接作用。将空间交互特征融入流行病学模型,提出了基于手机用户空间交互数据的新型冠状病毒肺炎(coronavirus disease 2019,COVID-19)时空扩散推估方法,并对2019-12—2020-03武汉市COVID-19患病人数以及时空扩散过程进行推估。研究结果表明,该方法能有效推估出每天的疫情新增交通分析区,能够完全覆盖了有疫情公告的交通分析区,且存在疫情公告的交通分析区占所推估交通分析区的72.7%;2020-02-18后的累计推估患者结果与官方公布患者总量吻合得非常好,差距约为5.6%,间接验证了前期推估的合理性。由此得出,该方法能比较有效地推估细粒度空间之间的传染病传播,对正确认识细粒度空间下人群交互对传染病时空扩散的影响机制,增强宏观流行病学模型的空间可解释性具有一定的科学意义。     

流空间邻近关系约束下的流行病分布空间异常探测方法

针对现有流行病空间异常探测方法在全面探测多因素导致的潜在空间异常方面的局限性,本文提出一种流空间邻近约束关系下的流行病分布空间异常探测方法.首先,基于地理探测器识别与传播中心人群流出强度因素具有显著关联关系的疫情专题属性;然后,基于流空间邻近关系度量自适应构建流空间权重矩阵;最后,构造疫情属性空间局部变化梯度变量刻画空间单元疫情态势特征,提出改进的全局和局部莫兰指数(Moran's I)实现流空间疫情分布模式的统计判别与局部空间异常区域探测.新型冠状病毒肺炎(COVID-19)疫情的实例,验证了本文方法相比现有欧氏空间异常探测方法,能够有效识别疫情发展过程中除人群跨区域流动之外的多类潜在因素导致的疫情分布空间异常区域,有助于支持对疫情分阶段的分区分级精准防控.     

面向重大公共卫生事件的位置服务技术——以COVID-19疫情为例

2020年初暴发的新型冠状病毒肺炎(coronavirus disease 2019,COVID-19)疫情给全球人民生命安全和经济发展带来了严重影响。位置服务以庞大的地理空间信息数据库为依托,能向服务对象提供与地理信息相关的便捷、实时、精准的综合性服务,可很好地运用于紧急救灾、大流量人员追踪、复杂环境下的现场人员管控等事件中。事实证明,位置服务的优势特性在2020年春中国COVID-19疫情防控中起到了非常重要的作用。从北斗车联网平台、基于泛在定位的基础服务、时空大数据分析与疫情防控、智能导航机器人参与抗疫等多个方面阐述了中国COVID-19疫情下的位置服务应用。通过对这些应用及技术手段的分析总结,深化位置服务技术的内涵,可以为今后重大公共卫生事件的应急处置提供解决方案。     

城市犯罪时空同现模式的非参数检验方法

采用时空同现模式分析方法挖掘多元犯罪事件之间的关联关系，可为犯罪事件防控问题提供科学指导。现有方法依赖人为设置的频繁度阈值，应用部门若缺乏先验知识则可能导致决策错误。因此，基于非参数统计思想，提出一种面向城市犯罪的时空同现模式显著性检验方法。首先通过重建每类犯罪事件的时空分布，构建多元犯罪事件分布独立的零模型；然后根据零模型下多元犯罪事件同现频率的试验分布，判别候选时空同现模式的显著性。最后设计具有预设模式的模拟数据实验验证该方法的有效性；在多个分析尺度（时空半径）下识别S市2016年13种犯罪事件间时空同现模式，并以时空同现模式{扰乱治安，盗窃电动自行车，扒窃}为例，结合公共设施空间分布，对该模式形成机理进行深入分析。结果表明:①该方法充分顾及了单元犯罪事件自相关特征的影响，能够有效识别具有统计特性的时空同现模式；②犯罪事件时空同现模式随分析尺度的变化而存在差异；③具有相似建成环境和社会环境的犯罪事件容易形成时空同现模式。     

城市时空大数据驱动的新型冠状病毒传播风险评估——以粤港澳大湾区为例

2019年末至2020年初新型冠状病毒(COVID-19)的快速传播对中国与世界的公共卫生带来巨大的挑战。如何科学合理地评估新型冠状病毒传播风险并制定相应防疫管控措施,是各国所面临的难题,也是科学防治与精准施策的重要依据之一。作为我国最重要的城市群之一,粤港澳大湾区受本次新型冠状病毒影响较大,且春节假期后大量的复工回流人口进一步带来潜在的传播风险。本文面向粤港澳大湾区新型冠状病毒传播风险评估的紧迫需求,结合大湾区多源城市时空大数据与流行病动力学模型,构建适宜大湾区的改进模型,并对新型冠状病毒在大湾区的传播风险和各类防疫管控措施效果进行评估与模拟。首先,引入动态复工回流人口和聚集热点改进现有动力学模型(SEIR模型),对现有动力学模型在不同空间评估单元的传播参数进行纠偏,加强模型在大湾区评估中的适宜性;利用手机信令等多源城市大数据,构建更精细化的人口、疾病流动矩阵和相应的传染病动力学模型,以满足各级防疫部门精细化(如村(社区)级)风险评估的迫切需求。模拟结果表明,相对经典SEIR模型,改进模型在大湾区的传播风险评估中具有更强的适宜性;大湾区高强度的人口流动为病毒的传播带来较高的风险;防疫部门所采取各类管控措施对病毒在大湾区的传播具有较强的抑制作用。     

顾及地形邻域影响的地质灾害风险易发区评估

地质灾害发生时通常会带来巨大的人力物力损害,而易发区评估是防灾减灾的重要手段。为了尽可能减少灾害带来的经济损失和人员伤亡,本文在GIS的支持下开展地质灾害风险评估研究。具体结合温州市自然地理状况及相关受灾情况历史数据,分析高程因子、坡度因子、坡向因子等地质灾害影响因子,提出了综合邻近环境的地质灾害分析方法,利用层次分析方法计算各因子权重,构建了温州市滑坡灾害易发性评价指标体系,确定了温州市地质灾害易发区;同时还研究了山区、平原不同地形条件下的地质灾害风险规律。     

移动GIS在传染病防控方面的应用——以COVID-19为例

新型冠状病毒肺炎（COVID-19）疫情的出现和暴发流行，给社会、经济及人群健康提出巨大的挑战，已经成为重大公共卫生事件和社会问题。作为一种新发传染病，提早发现、迅速采用有效应对举措，是防止病毒蔓延扩散的重要环节。地理信息系统（GIS）在传染病的控制、预防、预警中有举足轻重的地位，移动GIS（Mobile GIS）作为GIS技术的发展，进一步提高了我国卫生部门应对突发传染病的能力。本文以COVID-19防控为例，重点介绍了移动GIS技术在传染病防控中的应用。     

多层级地址语义模型构建及其在疫情防控中的应用

目前城市各部门汇集了大量的地址数据，地址数据呈现多头管理和建设的局面，且没有从地理实体的源头处出发，导致成果无法集约共建及统一共享。本文基于以应用为导向的精细化管理需求，建立多层级地址语义模型和地址资源库，将地址资源库与地理实体挂接，形成地址到栋或单元级的房屋实体唯一地理基座，进而全面支撑智慧城市的建设、运营及管理，并在新冠肺炎疫情防控中进行了积极应用。     

对陡坡陡崖引发地质灾害的潜在影响范围进行建模分析

陡坡陡崖作为一种特殊的地形地貌,是造成滑坡、泥石流等各种地质灾害的重要因素之一。由陡坡陡崖引发的地质灾害会破坏人造地物,对人类的生命财产安全造成严重危害。本文利用DEM数据提取了浙江省温州市的陡坡陡崖,对温州市陡坡陡崖的影响范围进行系统研究,构建了温州市陡坡陡崖的潜在滑坡方向模型,并确定其对人造地物（如道路、房屋）的影响。本文主要研究内容有以下两个：①提取陡坡陡崖并对其潜在滑坡方向进行建模;②根据影响范围提取受影响的人造地物并建立基础数据库。结果表明,温州市的陡坡陡崖数量多,分布范围广且集中,其引发的地质灾害会对人造地物造成严重的潜在影响。本文构建的温州市基础数据库可以描述陡坡陡崖潜在影响的房屋和道路的位置,确定灾害重点防治区域,为温州市的灾害防治工作提供服务。     

A power-law-based approach to mapping COVID-19 cases in the United States

This paper examines the spatial and temporal distribution of all COVID-19 cases from January to June 2020 against the underlying distribution of population in the United States. It is found that, as time passes, COVID-19 cases become a power law with cutoff, resembling the underlying spatial distribution of populations. The power law implies that many states and counties have a low number of cases, while only a few highly populated states and counties have a high number of cases. To further differentiate patterns between the underlying populations and COVID-19 cases, we derived their inherent hierarchy or spatial heterogeneity characterized by the ht-index. We found that the ht-index of COVID-19 cases persistently approaches that of the populations; that is, 5 and 7 at the state and county levels, respectively. Mapping the ht-index of COVID-19 cases against that of populations shows that the pandemic is largely shaped by the underlying population with the R-square value between infection and population up to 0.82.     

Spatial-temporal modeling of initial COVID-19 diffusion: The cases of the Chinese Mainland and Conterminous United States

COVID-19 outbreaks in China in late December 2019, then in the United States (US) in early 2020. In the initial wave of diffusion, the virus respectively took 14 and 33 days to spread across the provinces/states in the Chinese mainland and the coterminous US, during which there are 43％ and 70％ zero entries in the space-time series for China and US respectively, indicating a zero-inflated count process. A logistic growth curve as a function of the number of days since the first case appeared in each of these countries accurately portrays the national aggregate per capita rates of infection for both. This paper presents two space-time model specifications, one based upon the generalized linear mixed model, and the other upon Moran eigenvector space-time filtering, to describe the spread of COVID-19 in the initial 19 and 58 days across the Chinese mainland and the coterminous US, respectively. Results from these case studies show both models shed new light on the role of spatial structures in COVID-19 diffusion, models that can forecast new cases in subsequent days. A principal finding is that describing the spatio- temporal diffusion of COVID-19 benefits from including a hierarchical structural component to supplement the commonly employed contagion component.