[发明专利]一种基于深度学习的传染病传播网络重构方法

摘要

本发明公开了一种基于深度学习的传染病传播网络重构方法，从观察到的人群感染状态数据重构传染病网络隐含的网络结构网络科学技术在实际问题中的重要应用。本方法提出了一种数据驱动的深度学习框架来同时完成网络传染病传播网络的连接结构的重构和网络动力学规则的模拟。该方法由两个交替训练的模块组成，分别是：生成离散网络连接表示的网络生成器和使用生成的网络表示和当前节点状态以预测未来阶段状态的动力学预测器。本方法所述模型具有较强的通用性，这让我们可以还原传染病传播路径，找到关键节点，并提前对关键节点进行接种，实现对传染病的控制。

主权项

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。