一种异构因素的疫情传播风险定量评估方法

1.本发明属于风险定量评估技术领域，具体涉及一种异构因素的疫情传播风险定量评估方法。


背景技术：

2.重大疫情传播存在着较大的不确定性和危害性，对公众就健康构成潜在的威胁。在缺乏有效评估和监测的情况下，相关部门对突发事件风险的管理和控制将变得尤为困难，建立专门的风险定量评估体系，对一个地区潜在的疫情风险进行评估和预测，可以有效地避免或减少疫情风险的影响。常用的风险定量评估方法有德尔菲法、递进传递法和风险矩阵法等。这些方法为风险定量分析提供了解决方案，也适用于疫情风险定量评估。然而，由于疫情风险的持续性和周期性，静态的评估结果并不能反映实际的风险情况，目前基于模型的静态评估存在很大的局限性，评估结果只能反映某一时刻的疫情风险状况。所以，动态的疫情风险定量评估可以给疫情防控工作提供更客观的评估结果。同时，利用多源数据构建疫情评估指标有利于完善风险定量评估模型的评估全面性。
3.综上，为了能动态地利用多源数据构建疫情风险定量评估模型，开展疫情风险定量评估和预测，建立全面的疫情风险指标体系。同时保证评估方法的客观性，分析疫情风险的变化以及如何辅助风险控制决策等。本发明对疫情的相关风险因素进行总结，建立专门的评估模型对区域内的疫情风险进行评估，提出可行的疫情风险定量评估模型，以期得到更准确、更全面的评估结果。


技术实现要素：

4.本发明为了解决上述问题，提出了一种异构因素的疫情传播风险定量评估方法。
5.本发明的技术方案是：一种异构因素的疫情传播风险定量评估方法包括以下步骤：
6.s1：确定风险地区的疫情风险等级和疫情风险状态；
7.s2：构建并训练疫情风险属性模型；
8.s3：根据训练好的疫情风险属性模型，确定风险地区的状态转移矩阵；
9.s4：根据风险地区的状态转移矩阵，确定风险地区的稳定状态，利用稳定状态确定风险地区的疫情风险。
10.进一步地，步骤s1中，风险地区的疫情风险等级r的表达式为：
11.r＝{p,h,c}
12.其中，p表示风险发生的可能性，h表示风险发生后将造成的危害程度，c表示风险的可控程度；
13.风险地区的疫情风险状态p(si)的表达式为：
14.p(si)＝{p(s1),p(s2),p(s3)}
15.其中，p(s1)表示风险地区发生可能状态s1的概率，p(s2)表示风险地区发生破坏状
态s2的概率，p(s3)表示风险地区发生消失状态s3的概率；
16.风险地区的疫情风险状态p(si)对应的状态转移矩阵stm的表达式为：
[0017][0018]
其中，p(s
11
)表示可能状态s1保持不变的概率，p(s
12
)表示从可能状态s1到破坏状态s2的概率，p(s
13
)表示从可能状态s1到消失状态s3的概率，p(s
21
)表示从破坏状态s2到可能状态s1的概率，p(s
22
)表示破坏状态s2保持不变的概率，p(s
23
)表示从破坏状态s2到消失状态s3的概率，p(s
31
)表示从消失状态s3到可能状态s1的概率，p(s
32
)表示从消失状态s3到破坏状态s2的概率，p(s
33
)表示消失状态s3保持不变的概率。
[0019]
进一步地，步骤s2中，构建并训练疫情风险属性模型的具体方法为：将风险地区的评估指标对疫情风险等级的权重比、评估指标对疫情风险状态的权重比以及评估指标对风险状态转移的权重比作为神经网络的输入，将风险地区的疫情风险状态作为神经网络的输出，对神经网络进行训练。
[0020]
进一步地，步骤s3包括以下子步骤：
[0021]
s31：根据训练好的疫情风险属性模型，确定风险地区的权重矩阵，并对风险地区的权重矩阵进行归一化处理，得到疫情风险属性模型指标层的判断矩阵；
[0022]
s32：根据疫情风险属性模型指标层的判断矩阵，利用渐近归一化系数法计算评估指标相对于疫情风险的权重；
[0023]
s33：根据训练好的疫情风险属性模型，确定解决方案层的判断矩阵；
[0024]
s34：根据疫情风险属性模型解决方案层的判断矩阵，确定评估指标相对于疫情风险状态的权重；
[0025]
s35：根据评估指标相对于风险状态的权重和评估指标相对于疫情风险的权重，确定风险地区各个时刻风险状态的权重；
[0026]
s36：根据训练好的疫情风险属性模型，确定评价指标相对于风险状态转移的权重矩阵，并确定评价指标相对于风险状态转移的权重；
[0027]
s37：根据风险地区各个时刻风险状态的权重和评价指标相对于风险状态转移的权重，确定风险地区各个时刻风险状态的最终权重；
[0028]
s38：根据风险地区各个时刻风险状态的最终权重，确定风险地区的状态转移矩阵。
[0029]
进一步地，步骤s31中，风险地区的权重矩阵a的表达式为：
[0030][0031]
其中，m表示评估指标总数，a
ij
表示评估指标ri与评估指标rj相对于该地区流行疾病风险的权重比，i＝1,
…
,m，j＝1,
…
,m；
[0032]
步骤s31中，指标层的判断矩阵w的表达式为：
[0033][0034]
其中，w
ij
表示a
ij
与所有指标的权重和的比值；
[0035]
步骤s32中，评估指标相对于疫情风险的权重wi的计算公式为：
[0036][0037]
其中，wi表示评估指标ri相对于疫情风险的权重；
[0038]
步骤s33中，解决方案层的判断矩阵a(sj)的表达式为：
[0039][0040]
其中，sj＝{s1，s2，s3}，s1表示可能状态，s2表示破坏状态的概率，s3表示消失状态，a
ij
(sj)表示评估指标ri与评估指标rj相对于风险状态sj的权重比；
[0041]
步骤s34中，评估指标相对于疫情风险状态的权重wi(sj)的表达式为：
[0042]
wi(sj)＝|w1(sj),w2(sj),...,wm(sj)|
t
[0043]
其中，wi(sj)表示评估指标ri相对于风险状态sj的权重；
[0044]
步骤s35中，风险地区各个时刻风险状态的权重w(sj)的表达式为：
[0045][0046]
其中，w(s1)表示各个时刻可能状态s1的权重，w(s2)表示各个时刻破坏状态s2的权重，w(s3)表示各个时刻消失状态s3的权重；
[0047]
步骤s36中，评价指标相对于风险状态转移的权重矩阵a(s
xj
)的表达式为：
[0048][0049]
其中，x＝{1,2,3}，a
ij
(s
xj
)表示评估指标ri与评估指标rj相对于s
x
至sj对风险状态影响的权重比；
[0050]
步骤s36中，评价指标相对于风险状态转移的权重wi(s
xj
)的表达式为：
[0051]
wi(s
xj
)＝|w1(s
xj
),w2(s
xj
),...,wm(s
xj
)|
t
[0052]
其中，wi(s
xj
)表示评估指标ri对s
1-sj区间风险状态的影响权重；
[0053]
步骤s38中，风险地区的状态转移矩阵stm的表达式为：
[0054]
[0055]
其中，p(s
11
)表示可能状态s1保持不变的概率，p(s
12
)表示从可能状态s1到破坏状态s2的概率，p(s
13
)表示从可能状态s1到消失状态s3的概率，p(s
21
)表示从破坏状态s2到可能状态s1的概率，p(s
22
)表示破坏状态s2保持不变的概率，p(s
23
)表示从破坏状态s2到消失状态s3的概率，p(s
31
)表示从消失状态s3到可能状态s1的概率，p(s
32
)表示从消失状态s3到破坏状态s2的概率，p(s
33
)表示消失状态s3保持不变的概率，w(s
1j
)＝{w(s
11
),w(s
12
),w(s
13
)}是从风险状态s1到风险状态sj的转移权重，w(s
2j
)＝{w(s
21
),w(s
22
),w(s
23
)}是从风险状态s2到风险状态sj的转移权重，w(s
3j
)＝{w(s
31
),w(s
32
),w(s
33
)}是从风险状态s3到风险状态sj的转移权重。
[0056]
stm是状态转移矩阵。对角线元素p(s
ii
)表示状态保持不变的概率。非对角线元素p(s
ij
)表示从状态si到状态sj的概率。每行中元素的总和等于1。
[0057]
进一步地，步骤s4包括以下子步骤：
[0058]
s41：根据风险地区的状态转移矩阵，确定风险地区在t+k时刻的疫情风险状态；
[0059]
s42：根据风险地区在t+k时刻的疫情风险状态，确定风险地区的稳定状态，利用稳定状态确定风险地区的疫情风险。
[0060]
进一步地，步骤s41中，风险地区在t+k时刻的疫情风险状态的表达式为：
[0061][0062]
其中，表示在t+k时刻的疫情风险状态，表示在t时刻的疫情风险状态，stm(d)表示地区d的风险状态转移矩阵，k表示状态转换次数；
[0063]
步骤s42中，风险地区的稳定状态的表达式为其中，表示疫情发生的可能性，表示发生疫情风险后处于失控状态时的可能性，表示发生疫情风险后消失的可能性。
[0064]
本发明的有益效果是：
[0065]
(1)本发明采用的递进传递法具有特殊的疫情风险影响因素权重分配和评估结果一致性检验的效果，可以解决评估过程中的冲突问题，明确各类因素对疫情风险造成的不同影响，保证评估结果的客观性；
[0066]
(2)通过对疫情风险特征的分析，建立了基于递进传递法的疫情风险定量评估模型。模型可以从风险发生的概率、损失的概率、风险消失的可能性和风险持续时间四个方面对某一地区的疫情进行评估。为该地区疫情的风险管控提供详实的数据，帮助防疫工作有针对性地开展；
[0067]
(3)结合马尔可夫链方法，提出了疫情风险的状态矩阵及其状态转移矩阵，从而实现对区域疫情风险的动态评估和预测。可以有效避免或降低疫情风险的影响。
附图说明
[0068]
图1为疫情传播风险定量评估方法的流程图。
[0069]
图2为多个评估指标图。
具体实施方式
[0070]
下面结合附图对本发明的实施例作进一步的说明。
[0071]
如图1所示，本发明提供了一种异构因素的疫情传播风险定量评估方法，包括以下步骤：
[0072]
s1：确定风险地区的疫情风险等级和疫情风险状态；
[0073]
s2：构建并训练疫情风险属性模型；
[0074]
s3：根据训练好的疫情风险属性模型，确定风险地区的状态转移矩阵；
[0075]
s4：根据风险地区的状态转移矩阵，确定风险地区的稳定状态，利用稳定状态确定风险地区的疫情风险。
[0076]
在本发明实施例中，步骤s1中，风险地区的疫情风险等级r的表达式为：
[0077]
r＝{p,h,c}
[0078]
其中，p表示风险发生的可能性，h表示风险发生后将造成的危害程度，c表示风险的可控程度；
[0079]
p是风险发生的可能性，对某地区的疫情风险发生可能性而言，可分为四个等级，以单位时间内发生疫情的次数来进行区分，每季度至少出现一次疫情的地区可能性等级为四，两季度出现一次疫情的地区可能性等级为三，一到两年出现一次疫情的地区可能性等级为二，两年以上出现一次疫情的地区可能性等级为一。等级越高说明该地区单位时间内发生疫情的可能性越高。h是风险发生后将造成的危害程度，以中风险及以上区域数量为标准，三个以内中风险及以上区域为低危害性，三到六个中风险及以上区域为中危害性，六个以上中风险及以上区域为高危害性，c是风险的可控程度，以每日新增感染人数为标准，五人以下为高可控性，五至二十人为中可控性，二十人以上为低可控性；
[0080]
风险地区的疫情风险状态p(si)的表达式为：
[0081]
p(si)＝{p(s1),p(s2),p(s3)}
[0082]
其中，p(s1)表示风险地区发生可能状态s1的概率，p(s2)表示风险地区发生破坏状态s2的概率，p(s3)表示风险地区发生消失状态s3的概率；
[0083]
风险地区的疫情风险状态p(si)对应的状态转移矩阵stm的表达式为：
[0084][0085]
其中，p(s
11
)表示可能状态s1保持不变的概率，p(s
12
)表示从可能状态s1到破坏状态s2的概率，p(s
13
)表示从可能状态s1到消失状态s3的概率，p(s
21
)表示从破坏状态s2到可能状态s1的概率，p(s
22
)表示破坏状态s2保持不变的概率，p(s
23
)表示从破坏状态s2到消失状态s3的概率，p(s
31
)表示从消失状态s3到可能状态s1的概率，p(s
32
)表示从消失状态s3到破坏状态s2的概率，p(s
33
)表示消失状态s3保持不变的概率。
[0086]
在本发明实施例中，步骤s2中，构建并训练疫情风险属性模型的具体方法为：将风险地区的评估指标对疫情风险等级的权重比、评估指标对疫情风险状态的权重比以及评估指标对风险状态转移的权重比作为神经网络的输入，将风险地区的疫情风险状态作为神经网络的输出，对神经网络进行训练。
[0087]
疫情风险属性模型中，以递进传递法建立评估结构，建立各指标的比较矩阵，并通
过特殊的一致性检验方法验证评估结果的客观性。该方法由问题、决策、因素三个阶段递进组成。
[0088]
其中，问题阶段是指决策的目标和需要解决的问题，是整个递进分析框架的核心。决策阶段是指为实现目标而实施的解决方案，为了实现某一地区的疫情风险定量评估，本发明将结合地区与三种风险状态进行分析，首先，根据各个现实因素对地区疫情风险的影响权重比建立判断矩阵，得出各指标对于地区疫情风险的具体权重值。随后，根据各因素对风险状态的影响权重比建立判断矩阵，得出各指标对于发生风险状态的具体权重值。最后，根据各因素对风险状态转移的影响权重比建立判断矩阵，得出各指标对于风险状态转移的具体权重值。因素阶段由对决策有影响的相关因素组成，以城市疫情风险为评估对象，提出多个评估指标如图2。这些因素相互联系、相互影响，共同构成疫情风险定量评估体系。评估体系的建立是评估方法的重要基础。其评估结果可以作为基于马尔可夫链的后续评估的输入数据，包括疫情的风险状态p(si)和疫情的状态转移矩阵(stm)；
[0089]
递进分析体系中提出的多个评估指标有各自对应的权重评价方法，通过成对比较的方法将指标权重分为三种状态，成对比较法能有效降低人为主观因素对评分结果的影响。此外，在评估过程中不可避免地存在冲突信息。为了解决这一问题，将评分结果转化为比较矩阵，并用递进分析的一致性检验方法进行验证。建立评估指标神经网络，如表1所示，以各指标对地区疫情风险的权重比、对风险状态影响的权重比以及对风险状态转移的权重比作为网络输入，以疫情风险状态作为输出，即风险可能性、危害性和可控性，将网络视为多分类问题，以历史数据为根据，在风险可能性、危害性、可控性不断变化的情况下训练指标参数。如果结果不能通过一致性测试，则讨论具体的冲突问题，然后通过调查和分析设置相应的置信区间，根据置信区间重新评分，直到评估结果符合一致性要求。
[0090]
表1
[0091][0092]
在本发明实施例中，步骤s3包括以下子步骤：
[0093]
s31：根据训练好的疫情风险属性模型，确定风险地区的权重矩阵，并对风险地区的权重矩阵进行归一化处理，得到疫情风险属性模型指标层的判断矩阵；
[0094]
s32：根据疫情风险属性模型指标层的判断矩阵，利用渐近归一化系数法计算评估指标相对于疫情风险的权重；
[0095]
s33：根据训练好的疫情风险属性模型，确定解决方案层的判断矩阵；
[0096]
s34：根据疫情风险属性模型解决方案层的判断矩阵，确定评估指标相对于疫情风险状态的权重；
[0097]
s35：根据评估指标相对于风险状态的权重和评估指标相对于疫情风险的权重，确定风险地区各个时刻风险状态的权重；
[0098]
s36：根据训练好的疫情风险属性模型，确定评价指标相对于风险状态转移的权重矩阵，并确定评价指标相对于风险状态转移的权重；
[0099]
s37：根据风险地区各个时刻风险状态的权重和评价指标相对于风险状态转移的权重，确定风险地区各个时刻风险状态的最终权重；
[0100]
s38：根据风险地区各个时刻风险状态的最终权重，确定风险地区的状态转移矩阵。
[0101]
在本发明实施例中，步骤s31中，矩阵a为神经网络训练结果，风险地区的权重矩阵a的表达式为：
[0102][0103]
其中，m表示评估指标总数，a
ij
表示评估指标ri与评估指标rj相对于该地区流行疾病风险的权重比，i＝1,
…
,m，j＝1,
…
,m；
[0104]
步骤s31中，指标层的判断矩阵w的表达式为：
[0105][0106]
其中，w
ij
表示a
ij
与所有指标的权重和的比值；
[0107]
步骤s32中，评估指标相对于疫情风险的权重wi的计算公式为：
[0108][0109]
其中，wi表示评估指标ri相对于疫情风险的权重；
[0110]
步骤s33中，解决方案层的判断矩阵a(sj)的表达式为：
[0111][0112]
其中，sj＝{s1，s2，s3}，s1表示可能状态，s2表示破坏状态的概率，s3表示消失状态，a
ij
(sj)表示评估指标ri与评估指标rj相对于风险状态sj的权重比；
[0113]
步骤s34中，评估指标相对于疫情风险状态的权重wi(sj)的表达式为：
[0114]
wi(sj)＝|w1(sj),w2(sj),...,wm(sj)|
t
[0115]
其中，wi(sj)表示评估指标ri相对于风险状态sj的权重，其值越大，表示指数i对风险状态sj的影响权重越大；
[0116]
步骤s35中，风险地区各个时刻风险状态的权重w(sj)的表达式为：
[0117][0118]
其中，w(s1)表示各个时刻可能状态s1的权重，w(s2)表示各个时刻破坏状态s2的权重，w(s3)表示各个时刻消失状态s3的权重，w(s1)+w(s2)+w(s3)＝1；
[0119]
步骤s36中，评价指标相对于风险状态转移的权重矩阵a(s
xj
)的表达式为：
[0120][0121]
其中，x＝{1,2,3}，a
ij
(s
xj
)表示评估指标ri与评估指标rj相对于s
x
至sj对风险状态影响的权重比；
[0122]
步骤s36中，评价指标相对于风险状态转移的权重wi(s
xj
)的表达式为：
[0123]
wi(s
xj
)＝|w1(s
xj
),w2(s
xj
),...,wm(s
xj
)|
t
[0124]
其中，wi(s
xj
)表示评估指标ri对s
1-sj区间风险状态的影响权重；
[0125]
步骤s38中，风险地区的状态转移矩阵stm的表达式为：
[0126][0127]
其中，p(s
11
)表示可能状态s1保持不变的概率，p(s
12
)表示从可能状态s1到破坏状态s2的概率，p(s
13
)表示从可能状态s1到消失状态s3的概率，p(s
21
)表示从破坏状态s2到可能状态s1的概率，p(s
22
)表示破坏状态s2保持不变的概率，p(s
23
)表示从破坏状态s2到消失状态s3的概率，p(s
31
)表示从消失状态s3到可能状态s1的概率，p(s
32
)表示从消失状态s3到破坏状态s2的概率，p(s
33
)表示消失状态s3保持不变的概率，w(s
1j
)＝{w(s
11
),w(s
12
),w(s
13
)}是从风险状态s1到风险状态sj的转移权重，w(s
2j
)＝{w(s
21
),w(s
22
),w(s
23
)}是从风险状态s2到风险状态sj的转移权重，w(s
3j
)＝{w(s
31
),w(s
32
),w(s
33
)}是从风险状态s3到风险状态sj的转移权重。
[0128]
将马尔可夫链纳入疫情风险状态描述中，马尔可夫链适用于对具有随机状态的事物进行评估和预测。一方面，它可以用矩阵来描述事物在某一时刻的随机状态。另一方面，根据马尔可夫链理论，通过建立各状态之间的转移矩阵，计算出事物长期发展过程中各随机状态出现的概率，从而实现对事物随机状态的预测。结合风险定义表达式中对风险的描述，疫情风险的发展过程可分为三种随机状态，即可能状态s1、破坏状态s2和消失状态s3；疫情的发展将在三个状态之间不断变化。
[0129]
在本发明实施例中，步骤s4包括以下子步骤：
[0130]
s41：根据风险地区的状态转移矩阵，确定风险地区在t+k时刻的疫情风险状态；
[0131]
s42：根据风险地区在t+k时刻的疫情风险状态，确定风险地区的稳定状态，利用稳定状态确定风险地区的疫情风险。
[0132]
在本发明实施例中，步骤s41中，风险地区在t+k时刻的疫情风险状态的表达式为：
[0133][0134]
其中，表示在t+k时刻的疫情风险状态，表示在t时刻的疫情风险状态，stm(d)表示地区d的风险状态转移矩阵，k表示状态转换次数；
[0135]
步骤s42中，风险地区的稳定状态的表达式为
其中，表示疫情发生的可能性，表示发生疫情风险后处于失控状态时的可能性，表示发生疫情风险后消失的可能性。
[0136]
疫情风险的稳态预测为：当地区d在t时的疫情风险状态为疫情风险的稳态预测为：当地区d在t时的疫情风险状态为该区域的风险状态转移矩阵为stm(d)。根据马尔可夫理论，t+1时刻的状态取决于t时刻的状态即由此可进一步推断地区d在t+k时刻的疫情风险状态，即在该表达式中表示d地区t+k时刻的疫情风险状态，k为状态转换次数。疫情风险状态的变化将逐渐变小，并最终保持稳定状态，即该状态从风险性，危害性，可控性三个角度描述了一个地区的疫情风险，为疫情发生的可能性，值越高，疫情发生的可能性越大。的值越高，在d地区发生疫情风险后，处于失控状态时的破坏力越大。值越高，表示在d地区发生疫情风险后消失的概率越高。k值越大，该区域的疫情风险持续时间越长。
[0137]
本发明的有益效果为：
[0138]
(1)本发明采用的递进传递法具有特殊的疫情风险影响因素权重分配和评估结果一致性检验的效果，可以解决评估过程中的冲突问题，明确各类因素对疫情风险造成的不同影响，保证评估结果的客观性；
[0139]
(2)通过对疫情风险特征的分析，建立了基于递进传递法的疫情风险定量评估模型。模型可以从风险发生的概率、损失的概率、风险消失的可能性和风险持续时间四个方面对某一地区的疫情进行评估。为该地区疫情的风险管控提供详实的数据，帮助防疫工作有针对性地开展；
[0140]
(3)结合马尔可夫链方法，提出了疫情风险的状态矩阵及其状态转移矩阵，从而实现对区域疫情风险的动态评估和预测。可以有效避免或降低疫情风险的影响。
[0141]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。