[发明专利]一种基于深度学习的传染病传播网络重构方法

权利要求书

1.一种基于深度学习的传染病传播网络重构方法，其特征在于，

1)对传染病网络进行建模，将传染病网络建模为有向图，其中的节点代表人，节点状态包含健康、染病和恢复三种状态；而网络的连边代表了传染病在人群中的传染关系；

2)应用于对传染病的建模结果之上，该模型包括两个部分：网络结构生成器和动力学预测器；使用gumbel-softmax技术，对邻接矩阵的每一位置以微分的方式进行离散采样；相互独立的采样组成邻接矩阵；通过该方法，采样传染病的传播网络，由于网络生成器的参数为随机初始化，所以初始情况下采样的传染病传播网络并不准确，但梯度下降方法使其准确度逐渐提高；

3)使用图网络方法将邻接矩阵信息和当前时刻节点状态信息映射为下一时刻节点状态信息，即用图网络手段对人的健康/染病/恢复演化情况进行模拟；在这个过程中，使用的图网络框架将会将人状态信息映射为人与人之间的传染关系信息，进一步将传染关系信息，也就是所有的传染源对被影响者的潜在影响进行聚合，最后，将更新被影响者的状态，模拟包括健康到健康，健康到染病状态的变换过程。

2.如权利要求1所述方法，其特征在于，所述3)中的变换过程抽象为以下四步：点到边的映射：将任意两个节点信息组合并使用邻接矩阵过滤该组合，则生成基本连边信息；将连边信息进行线性映射；边到点的映射：将前述结果按点进行聚合；将聚合后的节点信息进行线性映射；多次迭代前述结果，得到未来多步时间预测；将预测结果与真实结果计算损失；反向传播并进行模型的权重调整。

3.如权利要求1所述方法，其特征在于，所述模型还包括对两个模块即网络结构生成器和动力学预测器的交替训练过程，即每次反向传播后，虽然两个模块的参数都带有梯度信息，然而只调整其中一个模块的参数，待其调整完毕后再调整另一个模块，交替进行上述步骤，即完成传染病传播网络的重构和传染病传播动力学的模拟。

4.如权利要求1所述方法，其特征在于，所述模型具体包括：

4-1)使用gumbel-softmax技术，通过微分的方式采样出离散的邻接矩阵，邻接矩阵的每一项具体生成公式为：

其中αij为邻接矩阵第i行和第j列元素为1的概率，ξij为来自于标准正态分布的随机采样重复两次取对数操作和相反数操作的结果，τ为温度参数；

4-2)使用图网络技术，将t-1时刻节点信息和邻接矩阵信息映射为t时刻节点信息，用公式表示如下：

4-3)构建合理的损失函数：在上述过程进行完成之后，需要使用真实的未来节点状态和预测的未来节点状态构建损失函数，选取全部人员在下一时刻的真实身体状态与模型预测身体状态进行损失函数计算；

4-4)使用反向传播方法，根据前述损失函数进行反向传播，并调整邻接矩阵生成器和动力学预测器的全部参数,使得未来生成的邻接矩阵和动力学模拟都更为准确。

5.如权利要求4所述的方法，其特征在于，所述4-2)中使用图网络技术中，构建具有该功能的图网络的具体方法分为如下步骤：

5-1)构建节点到连边的映射：首先，将t-1时刻的全部节点信息输入网络，并且将节点信息转化为节点对信息，这个步骤被如下公式描述：

其中[..,..]部分表示矩阵乘法操作，(Xt-1)T表示t-1时刻的节点状态向量的转置向量，因此，上述结果包含了所有的节点对状态，fv→e代表了节点到连边的映射，此处选择多种映射方法，包括卷积神经网络，循环神经网络，使用多层感知机来完成线性映射；其结果为节点对的隐藏状态，这其中捕捉了节点对连边的影响；

5-2)连边到节点的映射：连边到连边的映射被如下公式描述：

首先，将连边状态与邻接矩阵进行按位相乘，由于邻接矩阵所有的状态只有0或1，所以不存在的连边向量会被归零；进一步，使用感知机来完成连边到连边的映射；将邻接矩阵进行按列相加，使得统一节点的所有邻居节点信息聚合到该节点上，然后再使用感知机进行映射；

5-3)将进行跨层链接，即将原始节点信息和上一步的映射结果相连接并映射为下一时刻的节点信息，公式表示如下: