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。     

顾及空间分布与注记相关性的点要素注记配置算法EI北大核心CSCD

点状要素注记自动配置问题是数据可视化研究的难点之一。稠密型点状要素注记之间往往存在着较大的相关性和冲突性,从而导致注记效率低下及配置结果不合理的问题。本文通过充分挖掘稠密型点状要素的空间分布特征和注记相关性,提出了一种顾及空间分布与注记相关性的点要素注记配置算法。首先,充分挖掘点要素的局部空间分布特征和注记间的相关性构建注记关联度模型;其次,利用基于注记关联度模型的空间聚类算法对其整体空间分布特征进行描述和分析,将单一数据集划分为若干个独立的子数据集,以消除整体求解中独立数据集产生的干扰性和模糊性;最后,利用点要素的局部空间分布特征和注记相关性构建基于增序注记关联度模型的注记次序规则,并采用多层次元启发算法求解注记配置的近似最优解。试验结果表明:在5%~40%注记密度下的点要素注记配置,新算法较传统元启发式算法的求解效率提高10.41%~28.92%,注记质量评价函数值下降5.5~35.9,有效提升了点要素注记配置的效率和质量。