主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
杨博,刘际明,杨建宁,白媛,刘大有.基于自治计算的流行病传播网络建模与推断.软件学报,2012,23(11):2955-2970
基于自治计算的流行病传播网络建模与推断
Modeling and Inferring Epidemic Networks Based on Autonomy Oriented Computing
投稿时间:2012-06-09  修订日期:2012-08-15
DOI:10.3724/SP.J.1001.2012.04300
中文关键词:  流行病传播模型  流行病传播网络  自治计算  多Agent 系统  网络推断  蒙特卡罗模拟  时空数据挖掘
英文关键词:epidemic model  epidemic network  autonomy oriented computing  multi-agent system  network inference  Monte Carlo simulation  spatial-temporal data mining
基金项目:国家自然科学基金(60873149, 60973088, 61133011, 61170092); 新世纪优秀人才支持计划(NCET-11-0204)
作者单位E-mail
杨博 吉林大学 计算机科学与技术学院,吉林 长春 130012
符号计算与知识工程教育部重点实验室(吉林大学),吉林 长春 130012 
 
刘际明 香港浸会大学 计算机科学系,香港  
杨建宁 吉林大学 计算机科学与技术学院,吉林 长春 130012
符号计算与知识工程教育部重点实验室(吉林大学),吉林 长春 130012 
 
白媛 吉林大学 计算机科学与技术学院,吉林 长春 130012
符号计算与知识工程教育部重点实验室(吉林大学),吉林 长春 130012 
 
刘大有 吉林大学 计算机科学与技术学院,吉林 长春 130012
符号计算与知识工程教育部重点实验室(吉林大学),吉林 长春 130012 
liudy@jlu.edu.cn 
摘要点击次数: 3979
全文下载次数: 4240
中文摘要:
      现有的传播网络结构推断方法大都面向信息传播过程,所能处理的数据与可获得的流行病监控数据形式和特性均不相同,不适合处理具有粗粒度、时空多尺度和数据缺失等特性的流行病监控数据.针对该问题,提出了基于自治计算的流行病传播网络建模方法和网络结构推断方法.该方法采用多自治体建模传播网络结构和流行病传播过程,采用蒙特卡罗模拟结合群智能优化的反馈过程调节系统参数,以缩小模拟系统涌现行为与真实监控数据间差异为目标,改变自治体的行为,促使模拟系统向真实系统逐步演化,以此方式推断出传播网络结构及与流行病相关的主要生物学参数.采用2009 年H1N1 猪流感在香港爆发的真实监控数据分析验证了所提出的模型与方法的有效性和适用情况,并以香港地区流行病风险评估为例介绍了流行病传播网络推断的一种应用模式.
英文摘要:
      In previous research, most related works on inferring the structures of diffusion networks are designed for recovering the process of information propagation. The learning data adopted by these works is distinct in terms of both format and features from the available surveillance data of epidemics. Therefore, the existing methods are not competent when dealing with epidemic surveillance data with some intractable properties such as coarse granularity, spatial and temporal multi-scale, and incompleteness. To address this issue, an AOC (autonomy oriented computing) based method is proposed to model epidemic networks, as well as to infer their structures from epidemic surveillance data. In this method, the structure of an epidemic network and the process of disease spread are modeled by an autonomous multi-agent system named D-AOC, and the parameters of the system are automatically estimated by a self-discovery process. During this process, the parameters are adjusted and thereafter, the behaviors of agents are updated by a feedback mechanism which combines the Monte Carlo simulation and swarm intelligence. The objective is to reduce the difference between emergent behavior of the D-AOC and observed surveillance data. Regulated by the feedback mechanism, it is expected that the D-AOC will keep evolving toward the real system to be simulated. In this way, the structure of epidemic network and main biological features related to the epidemic will finally be recovered. The effectiveness and applicability of the proposed method have been validated and discussed by analyzing the real surveillance data of the H1N1 swine-flu in Hong Kong during 2009. Moreover, one scenario of applying epidemic network inference is also demonstrated by a case study of epidemic risk assessment in Hong Kong.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利