一种流行病常态化下城市居民办公通勤中传染的模拟方法

技术领域

本发明涉及疾病传播模拟的技术领域，特别是一种流行病流行病常态化下城市居民办公通勤中传染的模拟方法。

背景技术

城市中流行病的模拟预测对于辅助政府风险防控政策决断、预测城市传染风险进行预警、帮助城市居民及时进行出行调整等具有重要意义。在流行病爆发的时候，国内外大部分企业都或主动或被动的实行着多样的智慧办公方案。

目前，国内外流行病的传播模拟主要有以下两个角度：

1、从模型考虑和关注的要素来看，早期的数学模型和目前应用最广泛的系统动力学仓室模型(如经典SIS、SIR、SEIR模型等)，都是从人群和疾病特征出发，预测流行病持续的时间和感染的人数，对于疾病传播过程中空间要素的影响关注相对较少，现有的将空间要素纳入考虑的研究中又以理想网络和区域体系下的传播研究为主，对基于真实网络和对城市内部的研究较少。

2、从模型在城市传播的角度看，居民办公通勤作为城市流行病传染的重要途径却少有学者关注，现有的流行病传播空间模型在表达人群行为对流行病的反馈方面具有普遍的局限性，这些方法无法支持多智慧办公方案场景的模拟预测及对居民出行行为的细节模拟。

发明内容

为了解决上述的技术问题，本发明提出了一种流行病常态化下城市居民办公通勤中传染的模拟方法，基于真实流量数据构建城市复杂通勤网络，网络节点设计能更好的还原居民上下班过程，进而更好的支持多场景下的智慧办公方案的模拟预测。

本发明提供一种流行病常态化下城市居民办公通勤中传染的模拟方法，包括采集交通数据，还包括以下步骤：

步骤1：使用网络节点模块和连线设置模块构建复杂城市通勤网络；

步骤2：使用网络感染传播模块设置环境与社群节点和居民个体间的感染规则；

步骤3：将采集到的所述交通数据输入所述复杂城市通勤网络，对流行病常态化下智慧办公方案进行模拟预测；

步骤4：将所述模拟预测的结果进行图表的可视化。

优选的是，所述网络节点模块用于通过对已有的交通数据的清洗和提取，得到居民在通勤时段的人流量，再将住宅数量和办公楼数量按照通勤流量的进行节点的分布和密度的分配，按照通勤流量表征的比例将获得的城区居住人数和办公人数的数据分配到节点密度上。

在上述任一方案中优选的是，网络节点包括居住节点和办公节点。

在上述任一方案中优选的是，所述网络节点之间的连接代表城市居民的办公通勤出行，

在上述任一方案中优选的是，流量分配设置模块用于以通勤距离为参数进行归一化，并以归一化后的结果作为概率进行节点间的人流分配。

在上述任一方案中优选的是，所述流量分配设置模块在连线设置模块产生图的基础上，以通勤距离为参数进行图中线上流量的分配。

在上述任一方案中优选的是，所述复杂城市通勤网络的构建方法包括以下子步骤：

步骤11：构建所述居住节点和所述办公节点两两之间的连线，以节点之间的距离的平方的倒数为连线的权重；

步骤12：将连线以权重从大到小排序；

步骤13：按序遍历连线，每次遍历时将当前连线的所述居住节点的所有可分配连线按权重进行归一化并以此为概率分配所述居住节点的剩余流量；

步骤14：重复步骤13，直至所有居住节点的流量都被分配完。

在上述任一方案中优选的是，在所述网络节点中居民的状态分为易感期、潜伏期、感染期和痊愈期。

在上述任一方案中优选的是，所述感染规则包括：

1)处在潜伏期和感染期的居民具备传染病毒的能力；

2)处在潜伏期和感染期的居民在与易感人群接触中有概率使其患病；

3)患病后痊愈的病患因获得抗体不再被感染。

在上述任一方案中优选的是，所述步骤2包括基于SEIR模型根据办公楼和居住楼内部的感染情况构造以小时为单位的易感者被感染概率的公式，

β

其中，β

在上述任一方案中优选的是，所述步骤2包括计算在办公区或住宅区内任意一个易感者在此区域内可能被传染的概率P，公式为

其中，M表示易感者所在办公区或住宅区具有传染能力的总患者数,K表示一个易感者的接触人数,N表示易感者所在办公区或住宅区的总人数,

在上述任一方案中优选的是，所述SEIR模型的数学公式如下：

其中，S表示易感者人数，β表示易感者被具有传染能力的感染者或潜伏者感染的概率，I表示感染者人数，t表示时间，E表示潜伏者人数，σ表示潜伏着转化成感染者的概率，γ表示康复概率，R表示康复者人数。

在上述任一方案中优选的是，所述步骤3包括以下子步骤：

步骤31：对所述交通数据进行处理；

步骤32：结合过往文献和现实情况提出三种在流行病常态化下的场景以供模拟预测；

步骤33：将处理后的所述交通数据放入所述场景中进行模拟预测；

步骤34：生成多场景下的智慧办公方案。

本发明提出了一种流行病常态化下城市居民办公通勤中传染的模拟方法，支持多场景下居民的智慧办公的模拟预测，且模拟结果良好，可以在流行病常态化背景下为企业将来选择合适的智慧办公方案选择提供支撑，且为政府流行病的流行病防控工作提供了新思路，可有效支持此智慧办公场景的模拟，且在模拟中取得良好的模拟结果。

附图说明

图1为按照本发明的流行病常态化下城市居民办公通勤中传染的模拟方法的一优选实施例的流程图。

图2为按照本发明的流行病常态化下城市居民办公通勤中传染的模拟方法的复杂城市通勤网络构建方法的一实施例的流程图。

图3为按照本发明的流行病常态化下城市居民办公通勤中传染的模拟方法的一优选实施例的技术路线示意图。

图4为按照本发明的流行病常态化下城市居民办公通勤中传染的模拟方法的北京市主城区社群单元通勤网络的一实施例的示意图。

图5为按照本发明的流行病常态化下城市居民办公通勤中传染的模拟方法的传统办公方案的一实施例的城市居民办公感染人数曲线示意图。

图6为按照本发明的流行病常态化下城市居民办公通勤中传染的模拟方法的灵活办公方案一的一实施例的城市居民办公感染人数曲线示意图。

图7为按照本发明的流行病常态化下城市居民办公通勤中传染的模拟方法的灵活办公方案二的一实施例的城市居民办公感染人数曲线示意图。

图8为按照本发明的流行病常态化下城市居民办公通勤中传染的模拟方法的灵活办公方案三的一实施例的城市居民办公感染人数曲线示意图。

具体实施方式

下面结合附图和具体的实施例对本发明做进一步的阐述。

实施例一

如图1所示，执行步骤100，采集交通数据。

执行步骤110，使用网络节点模块和连线设置模块构建复杂城市通勤网络。所述网络节点模块用于通过对已有的交通数据的清洗和提取，得到居民在通勤时段的人流量，再将住宅数量和办公楼数量按照通勤流量的进行节点的分布和密度的分配，按照通勤流量表征的比例将获得的城区居住人数和办公人数的数据分配到节点密度上。网络节点包括居住节点和办公节点，所述网络节点之间的连接代表城市居民的办公通勤出行。流量分配设置模块用于以通勤距离为参数进行归一化，并以归一化后的结果作为概率进行节点间的人流分配。如图2所示，复杂城市通勤网络的构建方法包括以下子步骤：

执行步骤111，构建所述居住节点和所述办公节点两两之间的连线，以节点之间的距离的平方的倒数为连线的权重；

执行步骤112，将连线以权重从大到小排序；

执行步骤113，按序遍历连线，每次遍历时将当前连线的所述居住节点的所有可分配连线按权重进行归一化并以此为概率分配所述居住节点的剩余流量；

执行步骤114，判断所有居住节点的流量是否被分配完。如果所有居住节点的流量未分配完，则重新执行步骤113。如果所有居住节点的流量全部分配完，则执行步骤115，复杂城市通勤网络构建完成。

执行步骤120，使用网络感染传播模块设置环境与社群节点和居民个体间的感染规则。在所述网络节点中居民的状态分为易感期、潜伏期、感染期和痊愈期。所述感染规则包括：

1)处在潜伏期和感染期的居民具备传染病毒的能力；

2)处在潜伏期和感染期的居民在与易感人群接触中有概率使其患病；

3)患病后痊愈的病患因获得抗体不再被感染。

基于SEIR模型根据办公楼和居住楼内部的感染情况构造以小时为单位的易感者被感染概率的公式，

β

其中，β

计算在办公区或住宅区内任意一个易感者在此区域内可能被传染的概率P，公式为

其中，M表示易感者所在办公区或住宅区具有传染能力的总患者数,K表示一个易感者的接触人数,N表示易感者所在办公区或住宅区的总人数,

所述SEIR模型的数学公式如下：

其中，S表示易感者人数，β表示易感者被具有传染能力的感染者或潜伏者感染的概率，I表示感染者人数，t表示时间，E表示潜伏者人数，σ表示潜伏着转化成感染者的概率，Υ表示康复概率，R表示康复者人数。

执行步骤130，将采集到的所述交通数据输入所述复杂城市通勤网络，对流行病常态化下智慧办公方案进行模拟预测。本步骤包括以下子步骤：

执行步骤131，对所述交通数据进行处理.

执行步骤132，结合过往文献和现实情况提出几种在流行病常态化下的场景以供模拟预测。

执行步骤133，将处理后的所述交通数据放入所述场景中进行模拟预测。

执行步骤134，生成多场景下的智慧办公方案。

执行步骤140，将所述模拟预测的结果进行图表的可视化。

实施例二

本发明提出了一种疫情常态化下城市居民办公通勤中传染的模拟方法，该方法支持对多种场景下的智慧办公方案进行流行病传播模拟并预测不同方案的对减缓通勤压力、遏制流行病传播的效果，以期望能在疫情常态化状态下为疫情防控政策的提出和实施提供建议，以及为企业办公方式的转变提供理论指导。

面对流行病下城市办公方式的转变给居民生活和流行病防控带来的转变，本技术提供多场景的智慧办公方案模拟预测，通过在技术方案中加入城市社群节点设计、构建小时感染率模型，构建技术方案中考虑城市空间因素和居民出行偏好的智能体建模(Agent-Based Modeling,ABM)复杂通勤网络进而实现多场景办公方案的模拟。

本发明的模拟方法基于SEIR模型和ABM建模方法实现。本发明第一步通过网络节点和连线设置模块进行复杂城市通勤网络的构建，实现对社群节点间和居民个体间的交互的模拟。在此基础上，本发明第二步通过网络感染传播模块设置环境与社群节点和居民个体间的感染规则。第三步，本发明将采集到的交通数据进行处理，经过本发明的第一、二步实现对几种流行病常态化下几种智慧办公方案的模拟预测，并将模拟预测结果进行图表的可视化。通过上述三个步骤本发明实现了对城市复杂多场景智慧办公场景下病毒传播的模拟预测。

一、网络节点和流量分配设置模块

在设置网络节点模块时，本发明通过对已有的交通数据的清洗和提取，得到居民在通勤时段的人流量，随后将住宅数量、办公楼数量按照通勤流量的进行节点的分布和密度的分配，同样按照通勤流量表征的比例将获得的城区居住人数和办公人数的数据分配到节点密度上。通过以上步骤完成城市居住节点和办公节点的模块设置，网络中的节点类型、节点数量和分布密度真实反映了城市居民通勤人员分布状态。

在流量分配模块中，本技术设计中网络节点间的连接代表城市居民的办公通勤出行，故通勤网络中只考虑居住节点与办公节点间节的连接。考虑到模拟居民通勤出行的偏好性，以通勤距离为参数进行归一化，并以归一化后的结果作为概率进行节点间的人流分配。完成人流分配后即节点间的连线模块设置完成，城市复杂通勤网络构建完成。通勤网络构建算法如下：

1.构建居住节点和办公节点两两之间的连线，以节点之间的距离的平方的倒数为连线的权重；

2.将连线以权重从大到小排序；

3.按序遍历连线，每次遍历时将当前连线的居住节点的所有可分配连线按权重进行归一化并以此为概率分配居住节点的剩余流量；

4.重复步骤3，直至所有居住节点的流量都被分配完。

基于以上的节点设置和流量分配，本发明设计将居民作为城市环境中的个体,模拟居民与居民间的个体交互过程,同时将办公楼和居民楼也作为城市节点个体,模拟城市节点间个体的交互,同时利用SEIR模型构建在城市环境中的个体与个体，环境与个体间的交互规则,通过ABM建模方法更好的模拟居民在城市环境中的复杂交互行为。

二、复杂通勤网络感染传播设置模块

本发明技术方案设计中的通勤网络中的传染模型采用SEIR模型。根据近两年研究，SEIR模型是最接近新型冠状病毒传播特征的动力学模型。网络节点中居民状态分为易感期、潜伏期、感染期、痊愈期。本发明的设置中，默认处在潜伏期和感染期的居民都具备传染病毒的能力，在与易感人群接触中均有概率使其患病，患病后痊愈的病患因获得抗体不再被感染。SEIR模型的数学公式如下：

其中，S表示易感者人数，β表示易感者被具有传染能力的感染者或潜伏者感染的概率，I表示感染者人数，t表示时间，E表示潜伏者人数，σ表示潜伏着转化成感染者的概率，γ表示康复概率，R表示康复者人数。

本发明的技术方案设计涉及区分每天的时间段，因而在上述基础上根据办公楼和居住楼内部的感染情况构造以小时为单位的易感者被感染概率的公式。公式一中β

β

其中，P表示在办公区或住宅区内任意一个易感者在此区域内的概率；X

通过以上节点设置模块、网络连接模块、传染模型模块的设计，本发明基于复杂城市空间结构下的支持多场景的智慧办公方案的模拟预测技术模型搭建完成技术构建思路如图3所示。

三、模型实现和结果可视化模块

经过本发明的上述两个模块搭建了模拟预测模型，本模块进行数据的采集和处理，进一步结合过往文献和现实情况提出几种在流行病常态化下的场景以供模拟预测，将数据与场景放进搭建的模型进行模拟预测，最终实现在多场景下一些智慧办公方案的模拟，并将实验结果进行图表的可视化，保证结果能够更加直观清晰的呈现。

实施例三

一、基础数据的采集与处理

本发明的数据集来自2020年8月中旬到9月中旬北京市的公交刷卡数据，为提高模型精度，提取北京市包括朝阳区、西城区、东城区、石景山区、朝阳区、海淀区六个区的主城区居民早日晚高峰的公交刷卡数据并进行数据的清洗整理。以1km*1km的网格大小对北京市主城区范围进行网格化，得到3777个基本单元，将每个网格内带有早晚高峰人流量数据的各个公交站点在进行统计，以此表征北京市居民通勤时段的人流量情况。

通过百度地图、国家统计局等平台数据资料的收集整理，分别得到六个城区办公楼、住宅楼及各城区居住人口、办公人口数量的数据。结合上阶段公交流量网格化情况，对写字楼、住宅楼的节点密度在各个网格间进行分配，并将居住人口、办公人口数量相应分配在各节点上。将写字楼与办公楼以它们之间的距离平方的倒数为参数进行归一化，并以归一化后的结果作为概率进行人流量分配。单元节点代表住宅楼和办公楼，节点间的连接表示居民在住宅楼与办公楼间的通勤。最终得到基于实际交通流量数据、真实地理情况下的居民的复杂通勤出行网络，如下图4所示。

二、初始条件设置

本发明的模拟实验初始均在所有办公楼中共随机设置50个具有感染性的潜伏者，单元节点中感染者的自愈、隔离和死的情况下均退出传播模拟，实验模拟仿真八百多万居民在不同方案下的通勤感染过程，我们要考察的数据是100天中居民的感染人数变化。模型中的传播参数主要考钟南山院士的相关研究，取基本再生数R

三、智慧办公方案的场景提出

本发明根据前人的相关研究并结合流行病下的实际情况总结提出三种智慧办公方案供本发明进行场景的模拟预测。假定方案中的居民都具有灵活办公的条件，且公司和职员都配合实行多样的办公方案，所有方案默认设置居民办公时长为8小时，其余时间回到家中，不考虑居民的其他娱乐社交活动。基于以上前提，进行以下几种办公场景模拟：

1、实验对照组

为保证实验的准确性，本发明设置空白对照组，即模拟居民在传统办公方案上下班情况的感染情况。对照组中居民全部正常上下班，办公时长为8小时。由于流行病在城市中的传染在方向和数量上都具有随机性，为避免实验数据的偶然性，本发明对提出的三个办公场景以及对照组分别都进行多次模拟实验取平均值。

如图5所示，在空白对照组中进行动态模拟仿真，实验数据均稳定收敛，表明本发明的模型设计合理有效，可进一步支撑其他办公场景的模拟的实现。

2、复杂智慧办公多场景模拟预测

方案一：如图6所示，灵活办公方案中设置如下两个实验场景，(a)实验中允许员工工作日中任意一天选择居家办公，(b)实验允许员工工作日中任意选择两天居家办公。两实验分别设置不同比例员工进行居家办公，且与对照组进行比较。上述方案一中的1-1和1-2的实验结果表明，随着居民灵活居家比例的增大和居家办公时间的增长，感染人数峰值逐渐降低且推迟能够平均感染时间。

方案二：如图7所示，设置错峰上下班场景：一周五天的工作日，保证8小时工作时间不变，员工每天按照不同比例进行错峰上下班。实验二的场景(a)和场景(b)中我们分别选取20％、30％、40％、50％比例的员工分别进行错峰两小时和三小时的上下班方案，剩余员工按照正常时间段10：00-18：00上下班。方案二的智慧办公场景模拟表明当错峰时间越长，人们在工区的接触时间越短，对流行病的控制效果更加有效。

方案三的智慧办公场景设计：如图8所示，设置当监测到某居民区达到设定的风险值时，该栋风险点居民楼全部居民进行居家办公隔离，且在风险居民楼周围一定距离范围内的公司进行一定比例员工的居家办公设置。根据以上的场景设计，将居民区风险值、风险点居民楼的波及范围距离值、公司规定居家办公比例的值，三个值作为实验的变量进行三次实验模拟。因方案三中增加居家隔离措施，感染人数出现大幅明显的下降，其峰值远低于对照组中的感染峰值人数，为更直观清晰的体现方案中的几种实验结果的对比效果，故方案三中以下所有实验结果都不再加入与对照组的比较。

方案三中3-1场景的设置，将居民区风险值设为变量，设置3％、5％、7％三个居民风险等级进行比较，即当居民区风险值达到规定值时，距离该风险居民楼3km内的所有公司规定50％员工进行居家办公。根据上述实验条件，进行模拟得到以下实验结果。由图(a)可以看到当预设居民风险值，当病源出现时越早开始对该居民楼进行隔离居家等措施，能更高效的避免后续交叉感染的风险。

方案三中3-2方案场景设置中，设置3km、6km、9km为半径的范围进行模拟，即当某栋居民区有3％被感染时，距离该风险居民楼一定距离内的所有公司规定50％员工进行居家办公。根据上述实验条件，进行模拟得到以下实验结果。由图(b)可得，规定越大的范围圈进行灵活办公，越多的企业通过调控办公方式参与到流行病防控中，流行病感染风险也会大大降低。

方案三中3-3方案的设置，将风险居民楼3km半径内所有企业设置不同比例居家办公人数作为变量，居民区风险值为固定值3％。实验3-3中设置10％、20％、30％、40％、50％五个不同比例，模拟在流行病发生时企业选择不同居家办公政策时的感染情况。根据上述实验条件，进行模拟得到以下实验结果。由图(c)可得，在出现风险居民楼时，当风险圈半径范围内的企业主动实施居家办公政策时，企业让越多的职员进行居家办公时，能更好的降低感染的峰值和更快的控制流行病的蔓延。

综上，本技术可以支持多场景下居民的智慧办公的模拟预测，且模拟结果良好，可以在流行病常态化背景下为企业将来选择合适的智慧办公方案选择提供支撑，且为流行病防控工作提供了新思路，运用本发明，可有效支持此智慧办公场景的模拟，且在模拟中取得良好的模拟结果。

为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。