新型冠状病毒肺炎暴发以来严重危害世界人民的生命健康安全，疫情防控已经成为我国当前乃至未来一段时间政府工作重点。为助力政府做好新冠肺炎疫情防控，省科学院智能制造所人因工程团队李辰潼博士根据疫情防控实际需求，结合传统的生物数学模型和深度学习图神经网络方法，综合运用最优化原理、贝叶斯统计分析和深度学习方法，建立了适合当下疫情防控实际的最优化神经网络模型，为快速找到最有可能的感染者、节约防控成本提供了新思路。
该模型以传统的随机游走图网络模型为模板，首先以城市的地铁和公交站点为节点，彼此间的公共交通路线作为边，构建邻接矩阵，再以邻接矩阵的幂次构建可达矩阵。其次，根据疫情防控的具体需求，提取疫情发现节点的可达矩阵的列、公共交通的平均速度以及所求间隔时间作为输入，同时以间隔时间后各个节点有疫情传播到的概率作为输出，综合使用各类网络搭建技巧，搭建如图1所示图神经网络模型。该模型经过训练可输出疫情发生节点在单位时间后可传播到城市各个交通节点的概率，进而为疫情防控提供精准依据。该模型具有很强的可塑性，可充分考虑各类变异毒株，对不同的社区结构和病毒毒性都能快速找到所有感染者，是图神经网络模型在传染病防控领域的首次应用。同时，该模型还可以应用到车辆位置追踪、遥感追踪等领域。
相关研究已获得了第69批中国博士后基金的资助。
图1 解决病人追踪问题的随机游走图网络（RWGN）模型构架图
图2 基于模拟数据的实时预测结果，红箭头为新发现的新发病例，蓝箭头是该病例接触过该区域的概率
（省科学院智能制造所/供稿）
附件下载：
