一种基于极大团搜索的传染病流调溯源方法技术

本发明专利技术通过网络安全领域的方法，实现了一种基于极大团搜索的传染病流调溯源方法。构建的融合子图分割算法与Bron

【技术实现步骤摘要】
一种基于极大团搜索的传染病流调溯源方法


[0001]本专利技术涉及信息
，尤其涉及一种基于极大团搜索的传染病流调溯源方法。

技术介绍

[0002]通过流行病学调查开展疫情溯源、传播链分析、密接人员判定和追踪是开展主动防控策略的关键环节。近年来，随着人工智能技术的不断发展，越来越多的信息技术与流行病的防控相结合，出现了包括病例分布可视化，疫情走势分析，病例轨迹追踪等应用。提升了流调的工作效率和智能化水平，推动了信息技术与公共卫生领域的融合应用，为疫情精准防控，降低防疫社会成本做出积极贡献。然而当前的疫情追踪溯源技术还存在一定的局限性：
[0003]1.缺乏对于信息的处理分析，目前对于病例行程轨迹的工作主要集中于更好的可视化，而缺乏对行程轨迹的进一步处理。初步的可视化只能为流调人员提供底层的信息，对于轨迹揭示的内在传播链或传播关键信息依然需要人力去判断。
[0004]2.缺乏对于聚集性疫情及聚集性疫情之间关联的自动化判定方法，聚集性疫情一般指多个病例在一定时间范围内和一定空间范围内的共同出现，或者说是由时空伴随关系确定的。目前的技术可以十分方便的判断两病例之间是否具有时空伴随关系，而缺乏对于多个病例的时空伴随关系建模与分析。
[0005]团是一个图上节点的集合，在团中任意两个节点都是联通的。如果一个团不能被更大的团包含，这个团就是一个极大团。寻找一个图上所有极大团的经典算法是Bron
‑
Kerbosch算法，它通过递归方式搜索所有可能的极大团并输出，也是目前精确搜索算法中平均开销最小的算法。
[0006]图分割算法将一个大图分割为多个不重叠的子图，并希望子图内的连通度尽量高，子图间的连通度尽量低。我们利用图分割算法对整个流调连通图做预分割，然后在分割的子图上使用极大团算法搜索，对于Bron
‑
Kerbosch这种指数级算法，这可以有效降低时间开销。

技术实现思路

[0007]为此，本专利技术首先提出一种基于极大团搜索的传染病流调溯源方法，构建的融合子图分割算法与Bron
‑
Kerbosch算法，先对子图分割，再用极大团搜索，并采用先按空间聚合再按时间聚合，最后去重的方式，构建一种快速的极大团搜索方式，从而实现自动建模分析聚集性疫情，辅助流调传播溯源分析；方法的输入是一个无向图，该图中的节点代表某个病例在某个地理位置的单次停留行为，节点的属性包括位置和时间两个关键维度的信息，节点之间的存在连边则表示两个停留行为的空间距离和时间距离都小于指定的阈值，方法的输出包含多起聚集性疫情事件以及事件之间的传播关系，聚集性疫情事件以若干组病例时空聚合团的形式呈现，同一个团内的任何两个病例可以视为发生时空伴随关系，事件间
的传播关系以时空聚合团之间的连边呈现。单个团的数据格式如下：
[0008][0009]算法的输入是一个无向图，该图中的节点代表某个病例在某个地理位置的单次停留行为，节点的属性包括位置和时间两个关键维度的信息。节点之间的存在连边则表示两个停留行为的空间距离和时间距离都小于指定的阈值。算法的输出包含多起聚集性疫情事件以及事件之间的传播关系。聚集性疫情事件以若干组病例时空聚合团的形式呈现，同一个团内的任何两个病例可以视为发生时空伴随关系，事件间的传播关系以时空聚合团之间的连边呈现。
[0010]所述子图分割的具体方法为：采用图神经网络学习，首先定义边割率：
[0011][0012]其中E
cut
表示割边，E
total
表示所有的边，为了负载均衡多个子图的规模应该尽可能相似，定义：
[0013][0014]其中，v
max
表示最大子图节点数量，g表示最终子图数量，V表示图节点数量；；
[0015]采用GAP算法题出的标准化分割：
[0016][0017]并采用图神经网络学习公示的分子和分母，其中分子期望：
[0018][0019]分母的期望为：
[0020]E[vol(S
k
,V)]＝Y
T
D
[0021]其中S
k
表示分割的第k个子图，表示S
k
的补图。Y是一个表征节点被分到哪个子图的矩阵，D是节点度的矩阵。
[0022]边割率的损失为：
[0023][0024]对于负载均衡的计算损失为：
[0025][0026]得到神经网络的损失函数为L1+L2。
[0027]所述极大团搜索先使用子图分割算法将整个图划分为多个不重叠子图所述极大团搜索先使用子图分割算法将整个图划分为多个不重叠子图然后分别在中的子图上进行搜索，通过根据聚合阈值构建地点无向图G，所有距离小于阈值的两个地点间构建一条边，而后对所有地点团分别进行极大团搜索，其中搜索算法采用经典的Bron_Kerbosch算法，最后遍历所有结果，去除单节点和重复团，输出搜索结果汇总去重结果。
[0028]所述时间聚合的实现方式在于，给定找到的所有地点极大团G＝{G1,G2,
…
,G
m
}，在地点极大团的内部，将所以点按时间顺序排列，通过滑动窗口获取所有的时空极大团。
[0029]所述去重的具体方法为：将每一个时空极大团内的停留点做映射，映射到具体的病例，映射当中的重复有两种情况：一、两个不同的时空极大团映射到两个相同的病例聚合团，这种情况选择保留这种信息；二、一个极大团映射后团内只有一个病例，选择删除这种只有一个病例的团，获得所有病例聚合团后，将包含有相同病例的聚合团连接起来，相同的病例数越多，连接边的权重越大。
[0030]本专利技术所要实现的技术效果在于：
[0031]1.首先提出了使用极大团概念对多起聚集性疫情及其传播关系进行建模的方法，而非仅仅针对两个病例之间判定时空伴随关系。
[0032]2.提出了一种快速的搜索算法，算法在流调场景下比通用算法大大节省时间，同时保持了很高的准确率；
[0033]3.提出了如何根据搜索结果分析疫情传染病信息，辅助流调溯源；
附图说明
[0034]图1是基于极大团搜索的传染病流调溯源方法架构；
具体实施方式
[0035]以下是本专利技术的优选实施例并结合附图，对本专利技术的技术方案作进一步的描述，但本专利技术并不限于此实施例。
[0036]本专利技术提出了一种基于极大团搜索的传染病流调溯源方法。
[0037]融合子图分割算法与Bron
‑
Kerbosch算法构建一种快速的极大团搜索方式，提出了一套自动化建模分析聚集性疫情，辅助流调传播溯源分析的方案。
[0038]概念定义
[0039]为了分析病例之间的聚集性传播关系，我们设计了病例聚合团的概念。病例聚合团是病例的集合，团中所有的病例都曾在一定时间内到达过相近的地方，即对于分析人员指定的一个距离阈值(如1千米)和时间阈值(如1小时)，这些地方两两之间距本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于极大团搜索的传染病流调溯源方法，其特征在于：构建的融合子图分割算法与Bron
‑
Kerbosch算法，先对子图分割，再用极大团搜索，并采用先按空间聚合再按时间聚合，最后去重的方式，构建一种快速的极大团搜索方式，从而实现自动建模分析聚集性疫情，辅助流调传播溯源分析，方法的输入是一个无向图，该图中的节点代表某个病例在某个地理位置的单次停留行为，节点的属性包括位置和时间两个关键维度的信息，节点之间的存在连边则表示两个停留行为的空间距离和时间距离都小于指定的阈值，方法的输出包含多起聚集性疫情事件以及事件之间的传播关系，聚集性疫情事件以若干组病例时空聚合团的形式呈现，同一个团内的任何两个病例可以视为发生时空伴随关系，事件间的传播关系以时空聚合团之间的连边呈现。2.如权利要求1所述的一种基于极大团搜索的传染病流调溯源方法，其特征在于：所述子图分割的具体方法为：采用图神经网络学习，首先定义边割率：其中E
cut
表示割边，E
total
表示所有的边，为了负载均衡多个子图的规模应该尽可能相似，定义：其中，v
max
表示最大子图节点数量，g表示最终子图数量，V表示图节点数量；采用GAP算法提出的标准化分割：并采用图神经网络学习公示的分子和分母，其中分子期望：分母的期望为：E[vol(S
k
,V)]＝Y
T
D其中S
k
表示分割...

【专利技术属性】
技术研发人员：李建欣，朱天晨，姜春阳，邓婷，周号益，仇越，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：