基于反向感染的复合种群网络传播溯源算法

流行病的传播会对整个人类社会构成巨大威胁,因此迅速识别传播源并及时采取控制措施至关重要。然而,由于流行病传播过程具有多样性、信息不确定性等因素,使得快速准确识别传播源成为一项挑战。结合反向感染算法、复合种群网络模型以及马尔可夫链理论,提出了一个在复合种群网络中识别传播源的新算法。该算法首先利用马尔可夫链来初步估计子种群被感染的时间,被感染子种群根据感染时间获得自己的身份信息,然后遍历所有获得感染子种群身份信息的子种群,将收集到的感染子种群身份信息传播给其所有邻居,最后根据获得所有感染子种群身份信息的时间顺序推断出复合种群网络的传播源。在真实的航空网和人造复合种群网络上进行大量仿真实验,发现无论在已知全部感染快照还是部分感染快照的情况下,该算法与其他传播溯源算法相比,识别传播源的准确性都有显著提升。该算法非常适合用于航空网这类复合种群网络,对现实世界中的流行病传播溯源和控制也具有参考意义。

基于传播动态和集成学习的子种群重要性评估

流行病的空间传播由复合种群网络中的重要子种群驱动,有效识别这些子种群对遏制疫情传播具有重要意义。为此,提出一种基于传播动态特性和集成学习的子种群重要性评估方法。对流行病在网络上的传播动态特性进行分析,在此基础上构建有效输出强度等能反映子种群传播能力的特征向量,使用集成学习算法XGBoost迭代训练评估子种群重要性的回归模型。所提方法在评估子种群重要性时,充分考虑网络结构和流行病增殖扩散的影响因素。实验结果表明,相比已有重要性评估方法,该方法能够更准确有效评估并区分子种群的重要性。