面向POI的突发公共卫生事件重点区域预测方法及系统

本发明属于计算机智能计算与运用的，主要涉及了一种面向poi的突发公共卫生事件重点区域预测方法及系统。

背景技术：

1、突发公共卫生事件是指突然发生，造成或者可能造成社会公众健康严重损害的重大传染病疫情、群体性不明原因疾病、重大食物和职业中毒以及其他严重影响公众健康的事件，对突发公共卫生事件的演变情况的掌握是后续进行有效决策的重要基础，根据公共卫生事件的传播性特点，使用传染病模型对事件进行建模并预测是一种主流的研究方法。现有的关于公共卫生事件的事件演变的预测研究，通常使用大量的数据，构建优良的神经网络去拟合传染病模型，以此挖掘事件数据中隐含的关于事件演化的机理与规律，并预测后续时间的事件演变情形，并以此为基础进行后续的决策。但使用数据直接拟合的模型，通常受真实数据滞后性的影响，且没有考虑公共卫生事件中不可观测信息在每个时间步下的直接影响，对于精确的城市内细粒度重点区域(poi/aoi)识别存在着不足。

2、另一方面，在突发公共卫生事件中，人群的移动性是影响事件演变的最主要因素，公共卫生事件的扩散与事件源处的人口流动呈现正相关关系，因此，在人群移动性对于公共卫生事件演变的影响方面也有许多研究。现有关于移动性的研究主要基于大范围的城市间或区级间的人口的流动，没有对更细粒度的区域之间的人群移动性对于公共卫生事件的影响进行深入研究。细粒度区域的人群移动性存在着更丰富的区域级别特征，现有研究主要聚焦粗粒度区域的模式和统计方法，无法直接适用于细粒度区域级别。

3、此外，公共卫生事件的不可观测信息，会随着时间演变，在未来时间周期中可以显性捕捉，存在着一定的时间规律，可从可观测数据对不可观测数据进行直接的推测。城市细网格人口流动数据能够动态反映城市的人流、细粒度区域的访问情况，为细粒度区域下公共卫生事件演变的研究也提供了足够多的机会。

技术实现思路

1、本发明正是针对现有技术中存在的问题，提供一种面向poi的突发公共卫生事件重点区域预测方法及系统，首先将待预测城市的范围划分为多个细粒度区域，并基于细粒度区域进行预测信息的收集与统计；然后基于城市粒度公共卫生事件可观测信息进行传染病模型构建，进行公共卫生事件演变规律的挖掘；针对演变规律，搭建公共卫生事件不可观测信息重建网络，通过门控循环神经网络对可观测信息时序上的特征进行捕捉，输出公共卫生事件下的不可观测信息；同时，根据区域间人口流动数据和区域人口信息，结合s3得到的区域粒度公共卫生事件下的不可观测信息，以一天24小时为时间单位划分，构建以细粒度区域为节点的人口流动异质有向多图，基于所构建的异质有向图的特点，选取合理的元路径，在空间上捕捉每个人口流动图内各区域间与关联区域的信息，得到每个人口流动图的空间嵌入表示；再根据24小时人口流动有向图的时序关系，在时间维度进行各节点的信息融合，得到最终的城市细粒度区域嵌入表示，并将其输入城市重点区域识别网络，得到各个细粒度区域潜在的风险等级，实现风险预测。

2、为了实现上述目的，本发明采取的技术方案是：面向poi的突发公共卫生事件重点区域预测方法，包括如下步骤:

3、s1：确定待预测城市的范围，将城市范围划分为多个细粒度区域，并基于细粒度区域进行预测信息的收集与统计；所述预测信息至少包括城市粒度公共卫生事件可观测信息、区域粒度公共卫生事件的可观测信息和城市内细粒度区域间人口流动数据；

4、s2：基于城市粒度公共卫生事件可观测信息，进行传染病模型构建；所述传染病模型包含不同状态的人群，并由微分方程组成，每一条微分方程表示人群在每个时间步下的状态变化的概率，传染病模型用于不同状态人群之间状态转移概率的构建，根据城市粒度公共卫生事件可观测信息拟合的传染病模型可以挖掘公共卫生事件演变规律；

5、s3：针对步骤s2获得的公共卫生事件演变规律，搭建公共卫生事件不可观测信息重建网络，所述信息重建网络由门控循环神经网络构成，基于区域粒度公共卫生事件的可观测信息，通过门控循环神经网络对可观测信息时序上的特征进行捕捉，输出区域粒度公共卫生事件下的不可观测信息，所述不可观测信息包括区域粒度潜伏期人群数和康复人群数；

6、s4：基于区域间人口流动数据、区域人口信息和区域类别信息，结合步骤s3得到的区域粒度公共卫生事件下的不可观测信息，以小时为单位将一天时间进行划分，构建以区域作为节点，以人口流动作为边的24小时人口流动异质有向多图；

7、s5：根据步骤s4获得的人口流动异质有向多图，基于所构建的异质有向图的特点，选取合理的元路径，在空间上捕捉各小时人口流动图内每个区域与其关联区域的信息，得到各小时人口流动图区域节点的空间嵌入表示；

8、s6：根据24小时人口流动图的时序关系，在时间维度进行各区域节点的信息融合，得到最终的区域节点嵌入表示；

9、s7：构建城市重点区域识别网络，通过该网络将区域节点嵌入表示映射至各区域风险程度；城市重点区域识别网络为一个多层神经网络，包含输入层，隐藏层和输出层；输入层将步骤s6得到的区域嵌入表示输入该网络；隐藏层有多层全连接层组成，逐层提取特征；输出层最终输出各个区域潜在的风险等级，实现风险预测。

10、作为本发明的一种改进，所述步骤s1中，预测信息还至少包括城市粒度公共卫生事件可观测信息、区域粒度公共卫生事件可观测信息、区域人口信息、区域间人口流动数据和区域类别信息，其中，

11、所述城市粒度公共卫生事件可观测信息：至少包括一个城市范围内总的每天的可观测的确诊病例数据、潜伏期病例数据、死亡病例数据和康复病例数据；

12、所述区域粒度公共卫生事件可观测信息：至少包括城市范围内各细粒度区域每天的可观测的确诊病例数据、潜伏期病例数据；

13、所述区域人口信息：包括城市范围内各细粒度区域每天的人流量数据；

14、所述区域间人口流动数据：包括城市范围内各细粒度区域之间一天各小时的人口流动数据，且为一个区域至另一个区域的有向人口流动；

15、所述区域类别信息：包括城市范围内各细粒度区域属于aoi区域或poi区域的类别划分。

16、作为本发明的一种改进，所述步骤s2中的传染病模型包含多种不同状态的人群，具体包括易感者、潜伏者、患病者、隔离潜伏者、隔离患病者、康复者和死亡者共七类人群，传染病模型通过多条微分方程构建了七类人群转化的规律，每条微分方程代表了每类人群由其他人群转化的概率；微分方程中包括有潜伏者和患病者传染易感者的概率βe和βi、潜伏者转化为发病者的概率δ、潜伏者和患病者被检测隔离的概率γe和γi、及患病者康复概率μ等参数，通过步骤s1中统计收集的城市粒度公共卫生事件可观测信息对以上参数进行拟合，得到公共卫生事件演变规律。

17、作为本发明的另一种改进，所述步骤s3中,信息重建网络接收区域粒度公共卫生事件可观测信息，可观测的确诊病例数据、潜伏期病例数据在传染病模型中分别对应隔离患病者和隔离潜伏者，经过放缩模块进行数据放缩；将数据结合步骤s2中获得的传染病模型演变规律，即潜伏者和患病者转化为隔离潜伏者和隔离患病者，分别输入至两个门控循环神经网络框架的分支中，分别对各个区域每日的潜伏者和患病者的数量信息进行重建；所述门控循环神经网络框架的每一条分支，是研究区域数个门控循环单元的串行拼接，并在末尾处，拼接一个全连接层，将循环神经网络隐藏状态映射至需要重建的两类人群的数据，即区域粒度未隔离的潜伏期病例数和确诊病例数，在传染病模型中分别对应潜伏者和患病者，并对输出进行放缩，使得数据数量级符合现实数据。

18、作为本发明的另一种改进，所述步骤s4中，以每个区域为节点，节点信息包含区域人口信息、区域类别信息以及区域公共卫生事件信息；以区域间的24小时人口流动作为节点的连接关系，根据人口流动的有向性，构建出24小时人口流动有向图；结合区域类别信息，对每个节点进行aoi和poi类别划分，将24小时人口流动有向图转变为包含两类节点的24小时人口流动异质有向图。

19、作为本发明的又一种改进，所述步骤s5具体包括如下步骤：

20、s51：使用元路径进行节点级别的聚合；

21、基于选取的每一条元路径分别进行节点信息聚合，根据元路径进行每个节点的邻居节点的采样；节点聚合在同一种元路径下对节点的信息进行传递，根据当前节点的采样进行节点间逐层的消息传递，得到当前节点的信息聚合表示；节点级别的消息传递采用自注意力机制对不同节点的消息赋予不同的权重，基于元路径p连接的一个节点对(i，j)，节点的注意力可以学习节点j对于节点i的重要程度：

22、

23、其中，node_att是节点级别信息聚合表示注意力的深度神经网络；

24、对每个节点根据其相应的元路径p可得到相应的元路径邻居节点集合使用node_att得到每个节点对于节点i的重要性指数，并对同一元路径p下得到的节点重要性进行归一化：

25、

26、其中，σ是激活函数，得到每个从元路径p采样得到的邻居节点的权重根据权重，对每个邻居节点进行特征的聚合，得到：

27、

28、是在元路径p下学习到的关于节点i的嵌入表示；

29、重复n次节点级别注意力，并将学习到的n次节点的嵌入表示进行拼接：

30、

31、对每条元路径{p0，p1，...，pq}，采用上述的节点多头注意力，求得各个节点在每条元路径下的嵌入表示，得到

32、s52：对不同元路径聚合得到的表示进行语义级别的聚合；

33、考量不同的元路径p对于节点嵌入表示的重要性，使用语义级别注意力机制获取不同元路径重要程度：

34、

35、其中，sem_att是语义级别信息聚合表示注意力的深度神经网络；

36、对每条路径获得的重要程度取归一化，获得元路径权重：

37、

38、根据所得的元路径权重，对每条元路径下节点的嵌入表示进行聚合，得到单个图的总的嵌入表示info如下：

39、

40、作为本发明的又一种改进，所述步骤s6中，根据24张人口流动图的时序关系，在时间维度上构建了不同节点的人口流动关系；

41、考虑不同图gi和gj下的节点和使用注意力机制获得对的注意力权重，同时考虑到图gi和gj间时序关系：

42、

43、应用多头注意力得到每个图中的节点嵌入表示，最后对每个节点使用加权平均求得所有节点最后的嵌入表示z。

44、为了实现上述目的，本发明还采取的技术方案是：面向poi的突发公共卫生事件重点区域预测系统，至少包括数据采集模块、信息重建模块及图信息融合模块，

45、所述数据采集模块：用于采集及统计城市范围内多个细粒度区域的预测信息，所述预测信息包括但不限于城市粒度公共卫生事件可观测信息、区域粒度公共卫生事件可观测信息、区域人口信息、区域间人口流动数据和区域类别信息；

46、所述信息重建模块：根据突发公共卫生事件数据拟合城市范围内的传染病模型，挖掘公共卫生事件演变规律特点；

47、所述图信息融合模块：将信息重建模块重建的信息与现有信息进行聚合，构建城市细粒度区域的嵌入表示；所述图信息融合模块至少包括元路径采样模块、多图消息传递模块和重点区域识别网络，其中，

48、元路径采样模块用于对人口流动图进行图内的信息聚合得到各个图内的各个节点的嵌入表示；多图消息传递模块用于根据每个图内的节点聚合进行多图间信息聚合；重点区域识别网络用于进行各个细粒度区域潜在的风险等级预测。

49、作为本发明的一种改进，所述元路径采样模块包括节点消息聚合模块和语义消息聚合模块，

50、所述节点消息聚合模块：选取合适元路径，聚合邻居节点信息，通过元路径提取人口流动图的人口流动特征，挖掘节点间人口潜在关联，输出各节点嵌入表示。

51、所述语义消息聚合模块：聚合不同基于元路径聚合得到的节点嵌入表示，综合不同元路径表示的人口流动模式得到各小时的人口流动图的节点嵌入表示。

52、与现有技术相比，本发明具有的有益效果：提供了一种面向poi的突发公共卫生事件重点区域预测方法及系统，首先，在传染病模型模块，考虑了更符合现实场景的模型进行构建；其次，对于公共卫生事件的信息，使用信息重建模块着重考虑了不可观测信息对于未来事件演变的影响，结合针对性设计的传染病模型，能更好地重建不可观测信息；除此之外，使用细粒度区域相关信息，使得图融合模块根据我们图内和图间的信息融合得到节点嵌入表示能很好地获取细粒度特征，有效精准地对细粒度区域风险等级进行识别。本发明的方法和系统可充分利用于公共卫生事件场景，对于图信息融合模块，可更广泛的适用于城市范围内的事件推演。