一种耦合LSTM算法和云模型的疫情传播风险预测模型

模拟传染病时空传播、定量评估疫情风险对科学防控、精准施策具有重要的现实意义。本文融合多源时空数据,构建了耦合LSTM算法和云模型的疫情传播风险预测模型。该模型首先基于GIS和LSTM算法构建疫情空间演变模拟模型,通过学习历史疫情数据中的规律,以1 km×1 km为空间尺度、天为时间尺度模拟传染病时空传播过程。其次,基于模拟传染病例数据和疫情传播时空影响因素构建风险评价指标,应用云模型和自适应策略构建疫情风险评估模型,实现多空间尺度的疫情风险评价。在实证研究阶段,应用该模型对北京2020年6月份突发COVID-19疫情空间演变过程进行模拟和风险评估,并引入常规机器学习模型作比较验证。结果表明：应用于疫情时空传播模拟,相较其它常规的机器学习模型,考虑时序关系的LSTM模型的模拟精度更高（MAE为0.00261）,拟合度更好（R-square为0.9455）;耦合模型不仅能充分考虑传染源因素、天气因素、疫情扩散因素及疫情防御因素对疫情风险传播的影响,反映风险演变趋势,还能快速量化区域风险等级,实现不同空间分辨率下的疫情风险评估。因此,基于LSTM算法和云模型的耦合模型可有效预测疫情的传播风险,同时,也为传染病时空传播建模与风险评估提供了方法参考。     

基于多元数据的中国地理空间疫情风险评估探索——以2020年1月1日至4月11日COVID-19疫情数据为例

新冠肺炎（COVID-19）在空间上具有一定的传播风险,对城市的安全健康构成了威胁,防止疫情传播成为紧迫的任务。在2020年1月1日至4月11日,COVID-19疫情经历了发生、迅速发展和趋于稳定的发展过程,利用初期的COVID-19数据进行宏观层面的疫情风险评估,为防疫控制措施提供一定的参考。因此本研究基于行政区划、定点医院、疫情小区以及道路交通等多元数据,在宏观层面提出并构建全国地理空间疫情风险性评估,对疫情风险分布探讨的同时进行评估效果验证,并根据构建指标揭示影响风险的因素及其机理,主要结论： ① 地理空间风险评估具有有效的可行性。② 地理空间疫情风险分布全局Moran's I指数为0.758,具有显著的空间集聚特征。同时,不同的省区市之间的局部LISA值呈现空间差异性,其中高—高聚类省区市占比全国25.81%,风险程度较高,主要分布在湖北、河南、湖南、江西、安徽、浙江、江苏、上海,低—低聚类省区市占比全国9.68%,风险程度较低,主要分布在青海、西藏、新疆。③ 地理空间疫情风险分布与地理区位、道路交通、医疗卫生、疫情现状指标均存在一定的相关性。根据统计学的Pearson相关性分析,其相关指标R ²存在差异,在数值上由高到低依次为疫情现状、地理区位、道路交通、医疗卫生,在属性上其相关因子存在正负2种效应,地理空间疫情风险与武汉市地理距离、定点医院密度以及居民-医院地理距离呈现显著的负相关,其R ²分别为0.813、0.545、0.436,与铁路网密度、公路网密度以及疫情小区密度呈现显著的正相关,其R ²分别为0.751、0.792、0.825。④ 地理空间疫情风险的构成因素错综复杂,其受到多种因子的共同作用,根据空间分层异质性分析,不同因子之间均存在交互作用,其中居民—医院地理距离与公路网密度、铁路网密度交互作用较强,q值分别为0.9842、0.9837。本研究在宏观层面为城市管理中重大疫情的空间资源分配以及区域空间的联防联控策略提供了相应的依据。     

政府严控期我国地级市COVID-19疫情的时空集聚、演变及自相关效应研究

突发性重大公共传染性疫情在地级城市层面政府严格防控时期的时空演变特征能够有效反应我国综合应急防控能力。基于中国2020年1月24日—3月5日312个城市的COVID-19累计确诊数、现有确诊数、治愈数等统计数据,采用ESDA、优化的热点分析、空间马尔科夫链、空间面板数据模型等方法分析了政府严控期COVID-19疫情在312个城市的时空变化特征。研究发现：① 全国COVID-19现存确诊数经历了“快速增长扩散、基本控制、逐渐下降、局部地区完全控制”的变化特征并在2月17日达到峰值,上升期的日均增长率为17.5%,下降期的日均下降率为5.1%,绝大部分城市的疫情变化特征与全国总体情况类似;② 春运期间的人口流动性高是导致疫情快速扩张的主要原因,武汉“封城”之前14 d的百度迁徙强度指数与部分城市的累计确诊数显著相关;③ 优化的热点分析方法识别出疫情热点的空间分布具有固定性且主要分布于以武汉为中心、半径约350 km范围内的36个城市,未识别出具有统计显著性的疫情冷点城市;④ 对各城市现有确诊人数的马尔科夫链转移概率矩阵分析结果显示,各种类型维持现状的概率大于0.85,向下转移的平均概率明显高于向上转移的概率,在不同空间滞后类型的影响下各类型转移概率发生明显变化;⑤ 空间面板数据模型估计结果显示312个城市的现存确诊数具有显著的空间和时间自相关性。本研究从地级市层面多角度分析了政府严控期间COVID-19疫情的时空变化特征,疫情防控重点在于降低其时空自相关效应,为我国当前及未来应对突发性重大公共传染性疫情提供决策参考。     

SARS与COVID-19时空传播差异性及影响因素分析

SARS和COVID-19的暴发对我国公众健康、社会经济等造成了严重影响,为揭示呼吸道烈性传染病的时空传播的共性规律和差异特征及背后原因,运用时空统计方法,系统分析并对比了SARS与COVID-19的时空传播差异性特征,并结合病毒本身传播特性及交通、温度等因子进行原因分析。研究表明：① 时间序列上,SARS从发病初始到结束经历了2个阶段,即上升期-平缓期,COVID-19经历了3个阶段,即上升期-急剧上升期-缓升期。② 空间传播模式上,COVID-19传播强度及传播范围大于SARS,且COVID-19的整体连通性较大,各省份与病毒暴发地的联系更为紧密;SARS和COVID-19的传播都存在明显的空间聚集性特征;二者均以邻近传播、远距离飞跃式为主,且SARS存在中次级传播中心,COVID-19扩散中心未发生转移。③ 空间传播方向上,SARS以北京市、香港特别行政区、广东省为中心,空间传播方向性更强,COVID-19仅以湖北省为中心向外扩散。④ 空间传播速度上,SARS各省份首例病例传播时间跨度较大,COVID-19各个省份首例病例传播时间大致以胡焕庸线为分界线,呈现出“东快西慢”的现象,传播时间跨度较短。⑤ R0是造成SARS和COVID-19空间传播范围与空间传播速度差异的主要原因;SARS和COVID-19病毒温度适宜性有所差异,但在温度接近的区域均发生了空间聚集性传播和邻近区域传播;除病毒本身传播能力、温度影响外,交通是影响SARS和COVID-19空间远距离飞跃式传播的主要原因,二者空间传播速度均与路网密度呈负相关关系。     

耦合人群移动的COVID-19传染病模型研究进展

构建传染病模型可为疫情防控与公共卫生研究提供至关重要的规划与解析工具。由于宿主行为是传染病传播动态的决定性因素之一,有效耦合人群时空行为对以人为宿主的传染病建模具有重要意义。得益于人群移动大数据研究与应用的快速发展,新型冠状病毒肺炎（COVID-19）的疫情建模研究中呈现出了耦合人群移动建模的显著特征。为系统深入理解该项传染病模型研究中的重要进展,本文对相关文献进行分析与总结。首先,本文分析了COVID-19疫情与人群移动的交互影响,说明了耦合人群移动构建COVID-19模型的必要性。然后,根据建模的目的和原理,从疫情短期预测与过程模拟2个角度,对耦合人群移动的COVID-19传染病模型进行分类梳理。其中,根据耦合人群移动的方式,本文将面向疫情短期预测的模型分为人群移动一阶量与人群移动二阶量的耦合模型,将基于过程模拟的模型分为群体级别和个体级别的耦合模型。最后,本文评述了耦合人群移动的传染病模型研究进展和未来发展方向,认为该领域研究亟需更加深入建模与疾病传播相关的复杂人群时空行为、提升模型的空间解析能力、突破精细化时空传播模拟的计算瓶颈、拓展与前沿人工智能方法的融合,并构建普适而开放的建模数据与工具以促进应用发展。     

一种基于改进SEIR模型的突发公共卫生事件风险动态评估与预测方法——以欧洲十国COVID-19为例

突发公共卫生事件会严重影响社会公众生命健康,风险评估和预测可为突发公共卫生事件有效防控提供科学依据。本文提出了一种基于SEIR模型的突发公共卫生事件风险动态评估与预测方法,将突发公共卫生事件传播与人口、医疗、经济情况相结合,耦合危险性与脆弱性,建立合理的风险评估综合指标体系,利用熵值—层次分析组合模型实现突发公共卫生事件风险动态评估。此外,本文建立了传染病传播动力学修正SEIR模型,将传染病传播动力学模拟预测与风险评估相结合,实现突发公共卫生事件演变趋势的预测和风险的动态预测。2019年12月底的COVID-19疫情是一次传播速度快、感染范围广、防控难度大的重大突发公共卫生事件。本文以欧洲10国COVID-19疫情为例,开展风险评估与风险动态预测研究,依据欧洲10国自疫情开始至2020年4月16日的疫情数据,预测了2020年4月17日—2020年5月10日疫情演变的趋势,进而实现了10国的疫情风险动态预测。本文模型预测结果表明至2020年5月10日欧洲10国疫情形势仍然严峻,预测数据与真实数据的拟合优度R ²大于0.92,预测结果与疫情真实情况基本一致,在此情况下,复工复产对于疫情防控仍然是不利的。本文提出的基于SEIR模型的公共卫生事件风险动态评估与预测方法为疫情已然传播开的国家和地区提供了风险持续评估和预测的可能,为后期疫情防控决策提供了支持,同时也可用于今后新的疫情发生时期或其他突发性公共卫生事件下风险的应急评估和预测。     

不同人口流动模式下城市传染病时空传播模型适用性研究

空间显式传染病传播模型由于能够较好地模拟城市内部的传染病传播过程,在城市疫情防控中得到了广泛应用。但现有的空间显式模型大多按照人口随机流动模式来模拟城市人口流动行为,未考虑城市中以通勤为主的人口流动模式。本文以长沙市的2014年第1～49周手足口病传播过程为例,将4、8、24邻域扩散以及重力模型、辐射模型共5种不同的人口流动模式与周期SEIR动力学模型结合建立起五种传染病传播模型,并通过比较模型时间和空间精度来明确不同人口流动模式应用在城市内传染病时空传播模拟中的各自优势和适用范围。实验结果表明：每种人口流动模式在城市内传染病时空传播模拟中都有其使用前提和适用范围。基于24邻域扩散的传播模型对手足口病病例数拟合精度最高(RMSE_spatial＿ts=0.58,RMSE_spatial＿st=0.95),基于重力模型的传播模型对城市内部传染病时空传播模拟中的传播趋势的模拟精度最高(r_spatial＿ts=0.46,r_spatial＿st=0.39),且对长沙市人口相对稠密区域(格网常住人口数大于第三四分...     

深圳市快速抑制COVID-19疫情的非药物干预措施效果评估：基于智能体的建模研究

在2020年COVID-19第一波疫情中,通过一系列非药物干预措施,国内许多城市实现了疫情的快速抑制。对这些交叉叠加的多项干预措施进行单项措施的效果评估,识别出关键的防控策略,能够为未来的疫情防控提供重要的经验与科学依据。本研究以深圳市为例,利用融合了多源时空轨迹大数据的空间显式智能体模型评估深圳市快速抑制第一波疫情的各项非药物干预措施效果,识别出核心措施与辅助措施。模拟结果显示,在深圳市第一波疫情中,单项干预措施有效性从高到低依次为居家令、综合隔离、佩戴口罩与分批复工。其中,居家令或综合隔离均能有效抑制疫情的大范围暴发,被本研究称之为核心措施;佩戴口罩或分批复工则只能从不同程度上降低总体感染规模并延缓疫情峰值,并不能抑制疫情暴发,被本研究称之为辅助措施。考虑到社会经济成本以及常态化防疫中人群依从性降低,本研究建议在COVID-19 散发疫情防控中将核心措施与辅助措施相结合,重点实施各项隔离措施,同时将外出佩戴口罩作为疫情常态化防控手段。此外,本研究展示了结合时空大数据与智能体模型精细化模拟城市内部传染病扩散过程的优势：不仅能在城市内部高精度推演疫情发展过程,而且能够支撑评估面向个体及各类型出行活动的非药物干预措施实施效果,为制定针对性、精细化的“时间-空间-人群”防控策略提供重要的科学依据。     

重庆市新型冠状病毒肺炎流行时空特征及其与人群活动性的关系

本文收集了重庆市2020年1月21日—2月24日确诊的545例新型冠状病毒肺炎（COVID-19）病例个案信息,结合1500万手机用户在疫情期间的信令轨迹大数据,分析了其疫情的时空演化特征以及人群活动的变化规律,并从复杂网络的角度揭示了疫情分布的异质性,从疫情传播与人群活动之间的关系揭示了异质性的原因。研究发现：① 重庆市疫情在时间上,经历了以输入病例为主、输入和本地病例共存、以本地病例为主3个阶段,病例实时再生数（R_t）初期较高,随着防控措施的实施,逐步减小;空间上,病例分布呈现显著聚集性,病例高聚集区主要分布在以万州区为核心的渝东北地区和以主城区为核心的渝西南地区;② 疫情发生后,重庆市人群移动总量减少为疫情前的53.20%,减少主要集中在主城区以及其他各区县的中心城区,而郊区、农村的人群移动变化不大,甚至有所增加;③ 人群活动与病例发生之间存在不同程度的相关性,具体为：每日人群移动总量与病例实时再生数、一个平均潜伏期（7 d）后的每日新增病例数的相关系数为0.97、0.89,揭示了人群活动与病例增长的时间相关性;各街道（乡镇）人群移动总量与其累计确诊病例数、本地感染病例数之间的相关系数为0.40、0.35,揭示了人群活动与病例空间分布的相关性;病例高聚集区与人群移动网络社区对应,且与网络社区内人群活动较强的区域吻合,揭示了重庆市疫情传播的本地聚集特征。大数据与疫情信息的聚合分析证实,切断人群移动网络社区之间的连接,并遏制疫情高风险社区内部的传播是在城市内部疫情防控的有效措施。     

COVID-19疫情时空分析与建模研究进展

COVID-19疫情是进入21世纪以来最为严重的全球公共卫生事件,并成为不同学科共同关注的热点。根据文献计量学分析结果,从疫情开始直至近期,关于COVID-19疫情的文章已经超过13 000篇,相关研究除从医学及生物学角度探讨病毒致病机理、特效药物和疫苗研制之外,更多的是探索疫情的非药物防控方法。本文针对后者,从传播关系识别、疫情时空模式分析、疫情预测模型、疫情传播模拟、疫情风险评估和疫情影响评价6个方面梳理近期研究进展。传播关系识别的研究主要包括：聚集性疫情和传播关系的识别,其中,个体轨迹大数据已成为此类研究的关键。针对疫情的时空模式分析发现,疫情分布具有显著的时空异质性,而时空传播则呈现出典型的网络特征。针对疫情的预测仍主要依赖于动力学模型,而从宏观到微观的预测模型,人群流动的影响不容忽视,并成为模型预测精度的关键要素之一。针对疫情的情景模拟主要侧重于通过模拟手段评估交通限制、社区防控和医疗资源调配等措施的效果。在非药物的干预中,交通阻断和社区防控措施被证明是目前最有效的手段;医疗资源的保障和优化调配则是防控的基础;而复工复产的情景模拟显示,在防控措施到位的情况下,复工进程必须有序有节。针对疫情风险评估的研究,目前主要关注生物因素、自然因素和社会因素。具体地,疫情感染风险与个体是否具有基础性疾病关系密切,而感染病毒后的死亡率存在性别差异;在自然因素中,如温度、降水、气候等会影响疫情的传播,但影响有限;而社会因素中,除了人群流动和人口密度的影响外,社会不公平性所导致的就医条件差异也会对感染率产生显著影响。针对疫情对未来的影响,本文主要关注公众心理、自然环境和经济发展3个方面,即疫情对公众心理和经济的影响主要以负面为主,而对自然环境的影响则起正向作用。通过对现有研究的系统梳理,可以看出,大数据尤其是个体轨迹和群体大数据在非药物干预的各个方面均发挥了重要的作用;重大疫情的防控已经不是单一学科和手段所能解决的问题,需要多学科的交叉以及不同领域人员的协作;疫情期间各种防控措施的效果、影响因素等均已被明确的揭示,但疫情的空间溯源、精准预测以及对未来的影响仍然是未解的难题。     

中国科技型初创企业的时空格局及影响因素研究——基于创业生态系统视角

创新驱动战略的深入推进促使创业型经济繁荣发展,科技型初创企业日益成为促进中国科技进步和经济高质量发展的决定性力量。本文基于2015—2020年中国科技型初创企业数据,运用泰尔指数、核密度估计等方法解析了科技型初创企业的时空格局,并利用OLS模型与SARAR模型定量识别了科技型初创企业分布的影响因素。研究发现:(1)从时间序列来看,2015—2020年中国科技型初创企业的数量快速增长,但是在城市体系的分布呈现持续的层级结构特征;(2)从空间格局看,中国科技型初创企业呈现出以长江三角洲、珠江三角洲为主要核心,京津冀为次要核心的多核心分布模式,创业热点从三大核心扩张到更多地区,东中西三大地带的不平衡性日益增强;(3)风险投资、知识厚度、人力资本、市场规模、孵化环境和政策环境对城市科技型初创企业的发展具有积极影响,创业生态系统的影响也表现出空间依赖性和空间异质性特征,而且不同影响因素的作用强度和相对重要性在不同发展阶段存在差异。未来应重视高质量科技创业生态系统建设,因地制宜地选择适合本地科技型初创企业发展的驱动路径。     

Spatial-temporal Distribution Characteristics of Global Seismic Clusters and Associated Spatial Factors

Earthquakes exhibit clear clustering on the earth. It is important to explore the spatial-temporal characteristics of seismicity clusters and their spatial heterogeneity. We analyze effects of plate space, tectonic style, and their interaction on characteristic of cluster.Based on data of earthquakes not less than moment magnitude(M_w) 5.6 from 1960 to 2014, this study used the spatial-temporal scan method to identify earthquake clusters. The results indicate that seismic spatial-temporal clusters can be classified into two types based on duration: persistent clusters and burst clusters. Finally, we analysed the spatial heterogeneity of the two types. The main conclusions are as follows: 1) Ninety percent of the persistent clusters last for 22-38 yr and show a high clustering likelihood;ninety percent of the burst clusters last for 1-1.78 yr and show a high relative risk. 2) The persistent clusters are mainly distributed in interplate zones, especially along the western margin of the Pacific Ocean. The burst clusters are distributed in both intraplate and interplate zones, slightly concentrated in the India-Eurasia interaction zone. 3) For the persistent type, plate interaction plays an important role in the distribution of the clusters’ likelihood and relative risk. In addition, the tectonic style further enhances the spatial heterogeneity. 4) For the burst type,neither plate activity nor tectonic style has an obvious effect on the distribution of the clusters’ likelihood and relative risk. Nevertheless,interaction between these two spatial factors enhances the spatial heterogeneity, especially in terms of relative risk.     

时空属三位一体地籍信息模型研究

针对地籍空间对象、非空间对象及其之间的相互联系,提出了时间、空间和属性一体化管理的地籍时空模型,该模型包含了地籍的主体即权利人、地籍的客体即地块以及地籍权利对象的时间变化建模,文章对该模型的应用及存储进行了分析。     

政区多粒度时空对象建模及其Geodatabase实现

全空间信息系统是将现实世界抽象为由多粒度时空对象组成的数据世界,对动态且复杂的现实世界中的各类时空实体对象进行表达、分析等。时空数据模型是时态地理信息系统（TGIS）核心,在一些特定领域上取得了较好的应用效果,对时空对象的时态信息进行了一定程度的表达,但仍旧无法完整地描述时空对象的变化以及联系。本文在分析时空数据模型的研究现状和存在问题的基础上,以全空间多粒度时空对象建模为指导思想,以北京近百年来的政区演变为例,分析了政区的基本特征,进而将政区看作是多粒度时空对象,探索了多粒度时空对象的建模方法,对政区进行了多粒度时空对象表达,并采用可视化表达的方法进行了实验验证。结果表明：多粒度时空对象建模能较好地反映政区的空间特征、属性特征和时间特征,反映其在时空上的演变过程以及便于更好地支持时空对象的查询、分析和可视化表达等。     

基于半变异函数的重庆市地表温度空间异质性建模及多尺度特征分析

城市地表温度空间异质性的研究对理解城市地表温度空间结构有重要意义。本文利用大气校正法反演地表温度,基于半变异函数构建城市地表温度空间异质性模型,并进一步分析不同空间尺度下地表温度空间异质性结构参数的变化规律。以2013年6月16日的Landsat 8为数据源,以重庆为研究区开展实验,研究结果表明：① 不同空间尺度下重庆地表温度空间异质性均呈现指数模型分布特征;② 在30 m空间尺度下,地表温度空间异质性主要是由空间结构引起,但随机因素引起的空间变异占比为0.45,呈现出明显的块金效应,表明该尺度下随机因素引起的空间变异不可忽略;③ 从空间尺度（30~1500 m）整体变化上看,地表温度空间异质性主要由空间结构引起,同时表现出明显的尺度效应;随着空间尺度增大,块金值（C₀）、偏基台值（C）、基台值（C₀+C）以及块基比（C₀/（C₀+C））逐渐减小,表明地表温度空间异质性逐渐减弱但空间自相关性逐渐增强。变程（A）逐渐增大,表示空间自相关性范围逐渐扩大;④ 随机因素引起的空间变异占比为0.23~0.46,呈现出波动变化,这是因为地表温度在像元内部也存在空间异质性。空间结构引起的空间变异相对平缓,这是因为空间尺度的变化不会改变地形结构;⑤ 从尺度域来看,基台值与块金值在尺度域（690 m,1500 m）内呈现出较大幅度波动变化状态,且变化趋势相似,表明地表温度空间异质性的变化与随机因素有较大关联。综上所述,分析地表温度空间结构需要选取合适的空间尺度,尺度较小时,容易受到随机因素干扰,从而影响地表温度在空间结构上的空间变异性;尺度较大时,地表温度空间异质性较弱且变化不稳定。