EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 2: 297 - 306

DOI: https://doi.org/10.12082/dqxxkx.2021.200449

疫情建模与仿真

基于GIS新冠智能体仿真模型及应用——以广州市为例

  • 曹中浩 , 1, 2 ,
  • 张健钦 , 1, 2, * ,
  • 杨木 2 ,
  • 贾礼朋 1, 2 ,
  • 邓少存 1, 2
展开
  • 1.北京建筑大学测绘与城市空间信息学院,北京 106216
  • 2.自然资源部城市空间信息重点实验室,北京 106216
* 张健钦（1977— ）,男,河北保定人,博士,教授,主要从事城市大数据可视化、智能交通、智慧应急等研究。E-mail:

曹中浩（1997— ）,男,北京人,硕士生,主要从事大数据可视化研究。E-mail:

收稿日期: 2020-08-08

  修回日期: 2020-10-28

  网络出版日期: 2021-04-25

基金资助

国家自然科学基金项目(41771413)

国家自然科学基金青年项目(41701473)

北京市自然科学基金项目(8202013)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

The City Agent Model of COVID-19 based on GIS and Application: A Case Study of Guangzhou

  • CAO Zhonghao , 1, 2 ,
  • ZHANG Jianqin , 1, 2, * ,
  • YANG Mu 2 ,
  • JIA Lipeng 1, 2 ,
  • DENG Shaocun 1, 2
Expand
  • 1. School of Geomatics and Urban Spatial Information, Beijing University of Civil Engineering and Architecture, Beijing 106216, China
  • 2. Key Laboratory of urban spatial information, Natural Resources Ministry, Beijing 106216, China
* ZHANG Jianqin, E-mail:

Received date: 2020-08-08

  Revised date: 2020-10-28

  Online published: 2021-04-25

Supported by

National Natural Science Foundation of China(41771413)

Youth Program of National Natural Science Foundation of China(41701473)

Beijing Municipal Natural Science Foundation(8202013)

Copyright

Copyright reserved © 2021.
Fold

摘要

2019年12月湖北省武汉市出现了新型冠状病毒肺炎疫情。新型冠状病毒传播力强,导致全国甚至全世界范围都出现新型冠状病毒疫情。为了刻画新型冠状病毒在城市内部的传播方式,本文基于个体在城市中的行为和社会关系,融合了复杂网络理论和GIS技术构建了新型冠状病毒智能体仿真模型。该模型以广州市为研究对象,通过马尔科夫链蒙特卡洛方法拟合参数,实现了对广州市疫情的准确回顾。结果表明,模型精度良好,其中MAPE为0.17。智能体模型具有良好的适用性。因此可以模拟境外输入病例对城市疫情发展的影响。智能体模型标记了个体的时空位置和社会关系,因此本文还提出一种通过智能体模型进行流行病学调查的方式,该方式相较于传统流行病调查更加便捷,效率更高。然后根据模拟分析结果,为城市防控疫情提供有价值的决策信息。最后建议市民,如果城市再次暴发疫情,不必恐慌,疫情会在14~20 d被控制,但是要提高自我防护意识,做好自我保护。

关键词： 智能体; 智能体仿真模型; COVID-19; 小世界网络; GIS; MCMC; 传染链分析; 境外输入病例

本文引用格式

曹中浩 , 张健钦 , 杨木 , 贾礼朋 , 邓少存 . 基于GIS新冠智能体仿真模型及应用——以广州市为例[J]. 地球信息科学学报, 2021 , 23(2) : 297 -306 . DOI: 10.12082/dqxxkx.2021.200449

Abstract

Since December 2019, a new type of coronavirus pneumonia has occurred in Wuhan, Hubei. The strong spread ability of the new coronavirus has led to the rapidly emergence of new coronaviruses throughout the country and even all over the world. In order to portray the spread line of the new coronavirus within the city and then provide reasonable suggestions for the prevention and control of the urban epidemic, this article constructs a new coronavirus intelligent simulation model by combining complex network theory and GIS technology based on the behavior and social relationships of individuals in the city. Considering to the facts that it is necessary to strictly prevent the import of overseas cases to prevent the local epidemic from rebounding in cities with complex composition of population. This agent model takes the first entry point for overseas entry, Guangzhou city, as the research object to review the development of the epidemic. The attributes and rules of the model was determined by collecting statistical data from the literatures. Then the parameters were fitted by the Markov chain Monte Carlo method to achieve an accurate review of the epidemic situation in Guangzhou. The model is of high accuracy whose MAPE value have achieved 0.17. Meanwhile, this model also has good applicability which can simulate the impact of imported cases from abroad on the development of urban epidemics. Since the agent model marks the individual's time and space location and social relationship, this paper proposes a method for epidemiological investigation through the agent model, which is more convenient and more efficient than traditional epidemiological investigations.This article also visually displays the results of the infection chain, which is convenient for analyzing the activity trajectory of virus carriers and close contacts. This model provides valuable decision-making information for urban epidemic prevention and control. Moreover, the simulation results show that if there is another epidemic outbreak in the city, the epidemic will be controlled within 14-20 days so the citizens don't need to be panic. However, it is still necessary to improve self-protection awareness and protect individuals finely, especially the children and the elderly. When the epidemic comes again, it is recommended that schools and enterprises should establish a joint health monitoring mechanism to strengthen the health monitoring of children and employees, respectively. Relevant governmental departments have to strengthened the spread of epidemic prevention knowledge and persuaded retired people to reduce gatherings and wear masks reasonably.

Key words： agent; agent model; COVID-19; small network; GIS; MCMC; chains of transmission analysis; virus carriers traveling from abroad

1 引言

2020年1月12日,世界卫生组织（World Health Organization,WHO）将新型冠状病毒命名为“2019新型冠状病毒（2019 Novel Coronavirus, SARS-COV-2）”,其引发的疾病命名为“2019冠状病毒病（Corona Virus Disease 2019, COVID-19）”[1]。COVID-19作为一种新型流行性病毒,引发了社会恐慌,也遏制了城市经济的发展。为了抗击疫情,在遏制疫情的同时加快复工复产,预防疫情再次大面积暴发,国内外学者针对COVID-19的基本再生数、病毒中间宿主、传播方式和临床表现等方面进行研究[2,3,4,5],为病毒的预防控制及临床诊治提供临床借鉴。对于COVID-19仿真与建模也是研究的热点问题。很多学者采取系统动力学模型预测城市和全球疫情发展趋势[6,7,8,9,10,11,12],为城市疫情防控,合理复工复产提出建议[13,14,15]。例如,李海滨[16]建立了基于个体社会分工建立流行病传播与演化的延时动力学模型,对武汉疫情做了动力学建模与仿真分析;尹楠[17]结合SIR模型分析不同区域的新型冠状病毒传播模型,并针对模型结果提出降低平均感染患者人数,降低交叉感染率来控制疫情。系统动力学的建模方式主要针对于群体,所以与病毒在现实社会中的传播会存在一定的差距。
相较于系统动力学模型,人工社会智能体模型是对现实社会的抽象,顾及了个体在空间中的移动和个体之间社会关系。智能体模型灵活,模型中个体会根据环境自主改变行为,对政府管控措施更加敏感。而且模型可扩展性强,因此适合建模分析COVID-19在不同场景的传播。GIS[18]将真实地理环境融入到虚拟人工社会环境中,让个体的地理行为更加科学。刘涛等[19]建立一种基于小世界网络的多智能体传染病时空传播模型,模型模拟结果比传统多智能体传染病的传播模型更加接近实际,更加适合分析传染病在真实地理环境的时空传播,有助于把握传染病的时空传播规律。因此本文基于智能体建模技术、小世界网络、个体健康状态构建COVID-19在城市中的传播模型。考虑模型复杂性和随机性,通过马尔科夫链蒙特卡洛方法（Markov Chain Monte Carlo,MCMC）,实现了对广州市疫情传播重要参数的率定。广州市是境外入境第一入境点,防控压力大,然而智能体可扩展性强,仅需修改模型参数和部分规则,即可分析境外输入病例对城市疫情防控的影响,辅助政府调整防疫措施。如果疫情再次暴发,追踪新冠病毒携带者的活动轨迹就变得尤为重要。现阶段对患者的流行性学调查耗时耗力,但是智能体模型能够很好地改善这种问题。智能体模型能够标记个体的日常活动轨迹,从而辅助进行流行病学调查,所以本文提出一种从时空角度分析感染者传染链的方法,通过检索不同人群发生感染的时空位置和在该空间中的交互关系,分析人群的感染的特点。

2 新冠传播智能仿真模型设计

2.1 模型总体框架

本文运用智能体建模技术、复杂网络建模技术,GIS技术构建COVID-19在城市内部疫情传播仿真模型。首先基于GIS技术建立智能体人口地理时空行为模型。模型根据城市居民年龄结构,出行特征,出行目的确定个体时空行为。进而根据个体所处环境通过小世界网络构建智能体之间的交互关系,从而实现病毒在城市和建筑物内部的传播。模型中智能体自身的健康状态转化考虑了智能体自身的身体情况和所处环境。模型最终输出结果为城市单位时间步长所有非健康状态的个体。最后借助MCMC采样法和贝叶斯拟合法构建COVID-19确诊病例和模型结果的线性回归方程（式（1））,多次迭代求解。当线性回归方程参数K趋近于1,B趋近于零,确定模型参数最优值。模型框架如图1所示。
Y = K × Model + B
式中：Y表示广州市真实每日累计确诊病例数;Model表示模型统计每日广州市非健康状态的病例数;K、B为参数。
图1 智能体模型框架

Fig. 1 Agent model framework

2.2 智能体模型设计

2.2.1 智能体时空地理行为建模
在现实社会中城市个体有很多社会属性,而且个体之间存在差异,对病毒的抵抗能力不同。因此,依据面向对象的思想方法将个体定义为Agent类,属性特征见表1。智能体的位置属性是智能体在时空地理行为模型中的时空位置。按照广州市居民的年龄结构[20],将城市的所有智能体分为学生、上班族、退休老人3种类型。
表1 智能体属性表

Tab. 1 Agent attribute table

属性 描述 属性 描述
Pid 身份识别标识 Hospitalization 是否被医院收治
FamilyId 家庭识别标识 Confirmed 是否被医院确诊
Pos(i) 在空间中的位置 E-period 潜伏期
Group 类型 H_period 病程
State 健康状态 I_period 轻症转重症时间
个体在不同环境中进行不同的活动。个体的活动需要与环境建立对应的映射关系,所以通过GIS技术标记个体在不同时刻在城市中的位置,运用空间连接方法赋予建筑物土地利用类型属性并筛选建筑物,为个体的出行提供所需环境。个体在空间的活动模式具有规律性和周期性,即每个个体的活动范围以家为中心向四周扩散,因此选择住宅区作为个体每天的初始位置。在智能体时空建模中,根据建筑物面积和楼层数计算各个街道单位面积的人口密度,从而推测出各个住宅区建筑的初始智能体数量。个体的日常活动轨迹较为固定,因此根据智能体的出行行为和出行目的[21,22]设计表2个体的日常行为表,建立个体和环境之间的映射关系。智能体时空地理行为建模中对矢量数据的处理如图2所示。
表2 智能体行为日志表

Tab. 2 Change of agent behavior rules

时间段 上班族 学生 退休老人
日常行为 1.21—1.23 出门时间/时 7—8 7 7—19
通勤时间/min 40 15~20 30
驻留时间/h 8~10 8~10 1
娱乐时间/h 2
出行轨迹 家-工作办公场所-所有用地-家 家-学校-家 家-所有用地-家
疫情行为 1.24—2.9 智能体健康状态为E和S出门。每天出行一次,驻留时间60 min
复工行为 2.10—3.10 学生呆在家中,退休老人和上班族恢复日常行为
图2 矢量数据处理流程

Fig. 2 Flow chart of vector data processing

2.2.2 智能体健康状态建模
鉴于新冠肺炎患者在潜伏期和患病期间同样具有传染性,且所有人群易感,参考SEIR[6]模型,对智能体健康状态定义为S、E、Im、Is、H、R、D 7种类型：
（1）S：易感状态,表示暴露于被感染者污染环境中的智能体。智能体与其他非健康状态的感染者在同一空间中建立交互关系时,易感者S有α概率被感染。其中α表示为感染率。
（2）E：潜伏状态,表示智能体已经被感染,但是没有表现出感染症状且具有传染性。
（3）I：轻症状态,表示E_period结束后,智能体出现轻度呼吸道症状和发热等症状且具有传染性。其中E-period表示为COVID-19的潜伏期。
（4）Is：重症状态,表示智能体出现呼吸困难等症状且具有传染性。轻症转重症时间结束后,轻症患者有β概率转为重症患者。其中β表示为重症率。
（5）H：收治状态,表示智能体被医院收治且不具备传染性,轻症状态的患者病程缩短。智能体出现症状有γ概率被收治。其中γ表示为医院的收治率。
（6）R：恢复状态,表示智能体恢复健康且不会被再次感染。智能体有σ概率恢复健康。其中σ表示为智能体的恢复率。
（7）D：死亡状态,表示智能体死亡。智能体有1-σ概率死亡。其中1-σ表示为智能体的死亡率。
以上智能体由感染至痊愈的过程如图3所示。
图3 智能体健康状态转化

Fig. 3 Agent's health status transformation

2.2.3 智能体交互关系建模
复杂网络是一种常用的描述人类交互关系的方法。网络中节点描述了人群个体,网络连边表示个体之间的交互行为。本文选择小世界网络描述智能体在不同环境中的社会关系和交互关系。小世界网络是2008年Watts和Strogatz[23]提出的一种描述个体之间社会关系和交互关系的复杂网络。模型根据智能体所处环境的土地利用类型,设定相应小世界网络的度和聚合系数[24],其中度表示为智能体在环境中的接触人数,聚合系数表示为智能体之间的熟悉程度。根据土地利用类型的不同,本文将场景设定为家庭、医院、和其他场景。通过对不同场景建立小模型并多次迭代计算,从而确定场景中小世界网络参数。在每个仿真时间步长内,未被收治的智能体依据智能体行为日志移动,当具有传染性的智能体进入某一场景中,然后与位于同一空间中的智能体建立小世界网络,此时被接触的健康者智能体都有概率被感染。模型中通过随机数控制智能体被感染,当随机数大于感染率α,则被接触的智能体发生聚集性感染。

2.3 模型参数

模型参数大部分来自相关文献与统计数据,对于部分未知参数采用蒙特卡洛马尔科夫链（简称MCMC）的方法进行模型参数的求解。MCMC的基本思想是：构造一条Markov链,使其平稳分布为需要估计参数的后验分布[25]。在模型确立前期,通过查阅资料和多次模型求解确定参数的取值范围。在参数求解过程中,将每日累计确诊病例作为观测值,通过MCMC方法在稳定的后验分布结果中取平均值或者是最优值。最终模型参数的假设取值如表3所示。
表3 模型参数表

Tab. 3 Model parameter table

名称 含义 参数取值 来源 名称 含义 参数取值 来源
E_period 潜伏期 X~N (5,1) 文献[26] 1-σ 死亡率 0.001 文献[26]
I_period 轻症转重症时间 X~N (5,1) 文献[26] α1 阶段一感染率 0.265 MCMC参数估计
H_period 被收治病程 X~N (14,2) 文献[27] α2 阶段二感染率 0.230 MCMC参数估计
NH_period 未被收治病程 X~N (17,3) 文献[26] α3 阶段三感染率 0.015 MCMC参数估计
β 重症率 0.130 文献[26] Αc 确诊率 0.975 MCMC参数估计
σ 恢复率 0.999 文献[26] γ 收治率 0.990 MCMC参数估计

3 实证分析

3.1 研究区域

广州市是广东省的省会,地处中国南部、广东省中南部、珠江三角洲中北缘,2019年末常驻人口1500万[20]。广州是中国重要的国际商贸中心,人口流动大,城市疫情防控复杂。截止2020年10月2日,广州市累计确诊病例377例,境外输入348例[28]。
模型涉及的数据主要分为GIS数据、疫情数据、统计年鉴数据。GIS数据包括广州市建筑轮廓数据[29]、土地利用数据[30]和2010年人口普查的GIS数据[31]。模型中的GIS数据包含建筑物建筑面积,楼层,土地利用类型,所属行政区县等信息。疫情数据包括广州市卫健委发布[28]的从1月21日—3月10日每天新增确诊病例数、累计确诊病例数和COVID-19流行病特征。统计年鉴数据[20]则包括广州市城市居民的年龄结构,各行业占比等社会属性信息。为了防止本土疫情再次反弹,加强对境外输入病例的管控,建立模型模拟广州市疫情发展,对有效防控疫情,保障市民生命和财产安全有重大意义。因此本文以广州市作为研究区,验证模型对新冠疫情仿真的适用性和合理性。

3.2 实验结果

本文将模型集成于Python环境中,通过灵活调用Python包实现对智能体时空地理行为和空间交互关系的建模,然后采用MCMC方法计算模型不同阶段的参数。最后应用模型对广州疫情发展3个阶段进行模拟仿真,3个阶段分别为潜伏阶段、公共卫生突发事件应急一级响应阶段,复工复产阶段。模型总计模拟50 d,单位步长为3 h。模型应用大规模计算取平均值拟合真实值和模拟值。最终模型运行结果准确地复现了疫情日增长曲线。模型的MAPE（平均绝对百分比误差）为0.17和R2为0.95,表明模型具有一定的准确性,可以很好地反映广州市疫情的发展规律。最终实验结果与真实数据的对比如图4所示。从图4可知：模型的前期精度低于后期精度,可能是由于在模型前期城市被筛查的病毒携带者过少,导致拟合程度不高。由图4还可知,在广州市大面积复工复产前,广州市的累计确诊人数呈现指数上升。这一阶段的确诊病例主要来自湖北和武汉的输入病例及其密切接触者。在武汉“封城”后,广州市的输入病例大幅减少,政府采取及时有力的防疫措施,降低病毒的传染率,提高患者的确诊收治率,因此广州市的疫情在复工复产之前得到控制。
图4 真实值和模拟值对比

Fig. 4 Comparison of real and simulated values

3.3 境外输入模拟预测

国外疫情尚未得到控制,境外输入也是防控疫情的重点。广州市出现疫情反弹是由于当时入境人员管理规定,部分患者不属于入境重点排查和社区健康服务管理对象,没有实行强制性隔离措施,出现聚集性感染。智能体模型具有通用性和可扩展性,对参数的简单修改,就可以适应不同场景。本文利用智能体模型来分析境外输入病例对城市疫情的影响,提高政府对境外输入病例的防控意识。
模型假设广州市放松对境外入境者的管控措施,广州市内出现2名并未居家隔离的感染者,设定2名潜伏期患者作为模型的初始感染者,初始感染者的健康状态E,位置随机,模型参数取值为复工时期参数,其中智能体被感染率仍为0.015。该实验总计模拟50次,统计30 d城市的新增感染者。结果表明平均感染人数为10.64人,最低感染人数为 3人,最多为34人。研究发现在严密防控下,虽然人们基本恢复日常出行活动,但是维持对感染者及时收治和隔离,城市疫情还是可控的。境外输入病例虽然不会造成城市疫情的大面积暴发,但是还是会造成一定的社会影响。为了分析广州市疫情的发展,本文统计了30 d不同健康状态人群数量,绘制图5智能体健康状态统计图。由图5可见,由于医院对患者的百分百收治,累计确诊人数曲线在14 d趋近于平稳,出现“拐点”,在20 d左右实现零增长。因此面对疫情可能再次暴发,政府应该时刻保持警惕,在最短的时间控制住疫情。市民也不必恐慌,提高自我的防护意识。
图5 智能体健康状态统计

Fig. 5 Agent health status statistics

3.4 传染链分析

当城市疫情暴发,跟踪城市的新的零号病人出行轨迹,研究可能的密切接触者和被污染的环境是这一阶段的重点。现阶段流行性病学调查主要方式还是与患者面对面交流,但工作量较为庞大。而人工社会的智能体模型包含智能体的地理位置要素和社会关系网络要素,可以刻画感染者所造成的感染链。相比较传统对病患的流行病学调查,通过智能体模型分析传染链,提高了调查的效率。本文鉴于上述背景展开实验,提出一种通过智能体模型确定感染者传染链的方法。通过智能体的方法分析上述境外输入模拟的其中一次实验感染情况,分析除了初始感染者之外其他感染者的感染位置和感染时间。不同人群的出行特点和感染特点不尽相同,需要分析不同群体的传染链。因此,根据智能体类型和家庭属性,绘制上班族、学生、退休老人传染链传播（图6）。
图6 智能体传染链传播分析

Fig. 6 Analysis of the spread of agent infection chain

由图6可见,个体被感染的时间、地点以及和被感染者之间的社会关系。通过时间和地理位置实现对个体的轨迹回溯和推测,就能发现可能的密切接触者和被污染的环境。这次实验中总计出现了五代传播感染,感染人数25人,覆盖了所有类型的智能体。发生感染的场所主要是家庭、学校、办公室等人员密集的地方,其中家庭感染次数最多。因为智能体在家庭中停留时间长,容易出现聚集性感染,可见家庭是智能体防护最薄弱的地点。学生正处于生理功能和各器官功能完善的阶段,对病毒抵抗能力差,尤其是小学生自控能力差,不能合理佩戴口罩,在家庭和学校出现感染。学校属于人群密集的的公共场所。因此学生在校也要提高自我防范意识。上班族虽然自我保护意识强,但是出行频繁,接触人员复杂,被感染的概率高,而且发生在非日常出行场所被感染。退休老人是新型冠状病毒易感高危人群,是重点防护人群。但是退休老人出行不规律,防护意识差,在任何出行场所都有被感染的可能性。

4 结论、讨论与建议

4.1 结论

本文基于智能体建模技术,以广州市为例建立了城市内部疫情的仿真模型,将GIS,小世界网络,SEIR模型融入到智能体建模当中。采用MCMC方法确定模型感染率等参数,接着在python环境中编程实现对广州市的回溯并进行了误差分析。模型将城市中的个体根据其社会属性分为3类,根据其出行特征设计个体出行规则并通过小世界网络描述个体之间交互关系。模型的MAPE为0.17,和R2为0.95,表明模型精度较高,因此该模型比传统的系统动力学模型更符合实际情况,适合模拟仿真病毒在城市中的传播。本文应用智能体模型研究境外输入病例对城市疫情防控的影响,经过研究发现,现如今广州市面对疫情防控已经积累了一定的经验,如果疫情再次暴发,政府及时响应,城市内部医疗资源充足,疫情基本在14~20 d左右趋于平稳。
本文提出一种基于智能体时空位置和智能体之间空间交互关系的流行病学调查方式,该方法相较于传统的流行病学调查方法更加智能化。通过分析不同群体的智能体传染链发现,不同群体的传染特点不同,所应该针对人群建立适合的防疫政策。

4.2 讨论

模型运行结果准确地复现了疫情日增长曲线,模拟仿真病毒在广州传播。在对广州疫情回顾过程中发现,中国武汉及时“封城”,市民减少日常出行次数,大大降低COVID-19在广州市内的传播能力。李海滨[16]提出太少的人群分类无法保证预测精度,本文提出用大规模计算和MCMC方法提升模型的精度。但是本文研究也存在一定的局限性,个体的时空行为虽然基于真实的统计数据,但现实情况更加复杂,在今后研究还需要细化个体的日常行为。本文的另一个局限是没有充分发挥GIS的优势,从空间的角度验证个体行为的真实性。
本文提出基于智能体模型的传染链分析,可视化方式相对简单。如果采用合适的可视化方式,再加上智能体的个人信息更加详细,便可以提高流行病学调查的速度,辅助防疫人员及时发现传染源头、密切接触者和被病毒携带者污染的环境。

4.3 建议

COVID-19作为一种新型流行性病毒,人群普遍易感。目前国内疫情虽然基本稳定,但是国外疫情还处在暴发阶段,国内还存在输入的风险。尽管计算结果表明境外输入病例并没有造成大面积的感染,但是公众还需提高自我防范意识,在人员密集的场所自觉佩戴口罩。如果疫情再次暴发,不必过分紧张,勤洗手,多通风,减少聚集。如果国外疫情没有结束,政府对国外入境人员的管控不能放松,由于COVID-19存活能力强,对入境的物品,尤其是海鲜食品要做好COVID-19的监测,避免接触感染。
借助智能体模型分析城市中传染链,很快就能逐级发现确诊患者的传染源头。根据实验结果针对不同人群给出以下建议：上班族在其工作场所出现聚集性感染,所以应该对上班人员进行健康监测。学生出行规律,但是出现家长感染孩子的情况,所以应该建立学生家长健康联动机制,如果学生出现症状及时通知学生家长及其工作单位,相反如果家长出现症状,家长应该自觉通知孩子所在学校。退休老人出行不规律,容易聚集,在任何地方都有可能被感染。所以社区或者其子女,应该帮助退休老人提高防范意识,劝导其出门戴口罩,减少不必要的聚集活动。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
苏石, 李小承, 蒿花,等. 新型冠状病毒(SARS-CoV-2)的研究进展[J/OL]. 西安交通大学学报(医学版), 2020,1-8[ 2020- 10- 08]. http://kns.cnki.net/kcms/detail/61.1399.R.20200224.0944.010.html.

[ Su H, Li X C, Hao H, et al. Advances in research on SARS-CoV-2[J/OL]. Journal of Xi'an JiaoTong University (Medical Sciences), 2020, 1-8[ 2020- 10- 08]. http://kns.cnki.net/kcms/detail/61.1399.R.20200224.0944.010.html

[2]
周涛, 刘权辉, 杨紫陌, 等. 新型冠状病毒肺炎基本再生数的初步预测[J]. 中国循证医学杂志, 2020,20(3):359-364.

[ Zhou T, Liu Q H, Yang Z M, et al. Preliminary prediction of the basic reproduction number of the Wuhan novel coronavirus 2019-nCoV[J]. Chinese Journal of Evidence-Based Medicine, 2020,20(3):359-364. ]

[3]
李承倬, 武文韬, 潘振宇, 等. 基于SIR模型和基本再生数的浙江省新型冠状病毒肺炎防控效果分析[J]. 浙江医学, 2020,42(4):311-314.

[ Li C Z, Wu W T, Pan Z Y, et al. Prevention and control of corona virus disease 2019 in Zhejiang province based on SIR model and R0[J]. Zhejiang Medical Journal, 2020,42(4):311-314. ]

[4]
钟少华, 林锋, 施理. 新型冠状病毒肺炎的早期临床特点及诊疗分析: 62例报告[J]. 解放军医学杂志, 2020,45(4):370-374.

[ Zhong S H, Lin F, Shi L. Clinical characteristics and outcomes of the patients with COVID-19: A report of 62 cases[J]. Medical Journal of Chinese People's Liberation Army, 2020,45(4):370-374. ]

[5]
马钰, 马蒙蒙, 罗业飞, 等. 广州市新型冠状病毒肺炎密切接触者感染危险因素分析[J]. 中国公共卫生, 2020,36(4):507-511.

[ Ma Y M m m L Y F,et al. Risk factors of 2019 novel coronavirus infection among close contacts in Guangzhou city[J]. Chinese Journal of Public Health, 2020,36(4):507-511. ]

[6]
魏凤英, 王金杰, 徐铣明, 等. 全球新型冠状病毒肺炎疫情发展趋势预测[J]. 疾病监测, 2020,35(6):467-472.

[ Wei F Y, Wang J J, Xu C M, et al. Tendency prediction of COVID-19 worldwide[J]. Disease Surveillance, 2020,35(6):467-472. ]

[7]
武文韬, 柏如海, 李达宁, 等. 广东省新型冠状病毒肺炎疫情流行趋势的初步预测[J]. 暨南大学学报(自然科学与医学版), 2020,41(2):181-185.

[ Wu W T, Bai R H, Li D Y, et al. Preliminary prediction of the epidemic trend of 2019 novel coronavirus (2019-nCoV) pneumonia in Guangdong province[J]. Journal of Jinan University (Natural Science & Medicine Edition), 2020,41(2):181-185. ]

[8]
田斌群, 陈道远, 田卫群, 等. 一个预测新型冠状病毒肺炎流行趋势的简易模型[J/OL]. 武汉大学学报(医学版): 1-4[2020-10-08]. https://doi.org/10.14188/j.1671-8852.2020.0200.

[ Tan B Q, Chen D Y, Tan Wei Q, et al. A simple mode of forecasting COVID-19 epidemic[J/OL]. Medical Journal of Wuhan University:1-4.[ 2020-10-08]. https://doi.org/10.14188/j.1671-8852.2020.0200.]

[9]
张李盈, 李东宸, 任景莉. 多阶段动态时滞动力学模型的COVID-19传播分析[J]. 武汉大学学报·信息科学版, 2020,45(5):658-666.

[ Zhang L Y, Li D C, Ren J L. Analysis of COVID-19 by discrete multi-stage dynamics system with time delay[J]. Geomatics and Information Science of Wuhan University, 2020,45(5):658-666. ]

[10]
Wu J T, Leung K, Leung G M. Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan, China: A modelling study[J]. The Lancet, 2020,395(10225):689-697.

[11]
范如国, 王奕博, 罗明, 等. 基于SEIR的新冠肺炎传播模型及拐点预测分析[J]. 电子科技大学学报, 2020,49(3):369-374.

[ Fan R G, Wang Y B, Luo M, et al. SEIR-based COVID-19 transmission model and inflection point prediction analysis[J]. Journal of University of Electronic Science and Technology of China, 2020,49(3):369-374. ]

[12]
金安楠, 李钢, 王皎贝, 等. 深圳市新型冠状病毒肺炎(COVID-19)疫情时空演化与防控对策[J]. 陕西师范大学学报(自然科学版), 2020,48(3):18-32.

[ Jing A N, Li G, W J B,et al. Spatio-temporal evolution and control strategies of COVID-19 epidemic in Shenzhen, China[J]. Journal of Shaanxi Normal University (Natural Science Edition), 2020,48(3):18-32.]

[13]
王霞, 唐三一, 陈勇, 等. 新型冠状病毒肺炎疫情下武汉及周边地区何时复工?数据驱动的网络模型分析[J/OL]. 中国科学:数学: 2020,50(7):969-978.

[ Wang X, Tang S Y, Chen Y, et al. When will be the resumption of work in Wuhan and its surrounding areas during COVID-19 epidemic? A data-driven network modeling analysis (in Chinese)[J/OL]. Sci Sin Math, 2020,50(7):969-978. ]

[14]
张路, 马冉, 韩雯雯 等. 哈尔滨市新型冠状病毒肺炎疫情分析与疫情之下复工建议[J/OL]. 重庆师范大学学报(自然科学版): 2020,37(2):107-111.

[ Zhang L, M R, H w w,et al. Analysis of new coronavirus pneumonia in Harbin and suggestions for resumption of work under the epidemic[J/OL]. Journal of Chongqing Normal University (Natural Science): 2020,37(2):107-111. ]

[15]
郑宇军, 吴晨昕, 陈恩富, 等. 新冠肺炎疫情条件下的企业复工复产优化规划方法[J]. 运筹学学报, 2020,24(3):43-56.

[ Zheng Y J, Wu C X, C E F,et al. An optimization method for production resumption planning under COVID-19 epidemic[J]. Operations Research Transactions: 2020,24(3):43-56. ]

[16]
李海滨. 基于社会分工的流行病动力学建模与仿真研究[J]. 系统仿真学报, 2020,32(5):745-758.

[ Li H B. Modeling and simulation on dynamics of epidemic disease based on social division of labor[J]. Journal of System Simulation, 2020,32(5):745-758. ]

[17]
尹楠. 基于SIR模型的有限区域内新冠肺炎疫情传播仿真模拟[J]. 统计与决策, 2020,36(5):15-20,1.

[ Yin N. Simulation of COVID-19 epidemic in limited area based on SIR model[J]. Statistics & Decision, 2020,36(5):15-20,1. ]

[18]
吴信才. 地理信息系统的基本技术与发展动态[J]. 地球科学, 1998(4):3-5.

[ Wu X C. Basic technology and development of geographic information system[J]. Earth Science, 1998(4):3-5. ]

[19]
刘涛, 黎夏, 刘小平 . 基于小世界网络的多智能体及传染病时空传播模拟[J]. 科学通报, 2009(24):45-54, 2009(24):45-54

[ Liu T, Li X, Liu X P. Integration of small world networks with multi-agent systems for simulating epidemic spatiotemporal transmission[J]. Chinese Science Bulletin, 2009(24):45-54. ]

[20]
广州市市统计局. 2019年广州市统计年鉴[R]. 中国统计出版社, 2019.

[ Guangzhou Statistics Bureau. GuangZhou statistical yearbook[R]. China Statistic Press, 2019. ]

[21]
马小毅. 把握居民出行特征、科学决策城市交通——解析广州市廿年居民出行特征变化[J]. 交通与运输(学术版), 2007(1):8-11.

[ Ma X Y. Making scientific decision about the urban transport on the basic of inhabitant trip characteristics[J]. Traffic & Transportation, 2007(1):8-11. ]

[22]
邓毛颖, 谢理. 广州市居民出行特征分析及交通发展的对策[J]. 城市规划, 2000(11):45-49.

[ Deng M Y, Xie L. The characteristics of the trips of the local residents and the transport policy in GuangZhou[J]. City Planning Review, 2000(11):45-49. ]

[23]
Watts D J, Strogatz S H. Collective dynamics of `small-world' networks[J]. Nature, 1998,393:440-442.

DOI PMID

[24]
陈关荣. 复杂网络及其新近研究进展简介[J]. 力学进展, 2008(6):653-662.

[ Chen G R. Introduction to complex networks and their recent advances[J]. Advances In Mechanics, 2008(6):653-662. ]

[25]
朱新玲. 马尔科夫链蒙特卡罗方法研究综述[J]. 统计与决策, 2009(21):151-153.

[ Zhu X L. A summary of the research on Markov Chain Monte Carlo method[J]. Statistics & Decision, 2009(21):151-153. ]

[26]
中华人民共和国国家卫生健康委员会疾病预防控制局. 中国-世界卫生组织新型冠状病毒肺炎(COVID-19)联合考察报告[EB/OL]. 2020- 02- 29. http://www.nhc.gov.cn/jkj/s3578/202002/87fd92510d094e4b9bad597608f5cc2c.shtml.

[ Bureau of disease control and prevention, National Health Commission of the people's Republic of China. China-WHO Joint Investigation Report on Novel Coronavirus Pneumonia (COVID-19) [EB/OL]. 2020- 2- 29. http://www.nhc.gov.cn/jkj/s3578/202002/87fd92510d094e4bd597608f5cc2c.shtml.

[27]
Guan W J, Ni Z Y, Hu Y, et al. Clinical characteristics of coronavirus disease 2019 in China[J]. New England Journal of Medicine, 2020,382(18):1708-1720.

[28]
广州市卫生健康委员会. 广州市新冠肺炎疫情情况[EB/OL]. http://wjw.gz.gov.cn/ztzl/xxfyyqfk/yqtb,2020-01-23.

[ GuangZhou Municipal Health Commission. Epidemic situation of Covid-19 infection in GuangZhou[EB/OL]. http://wjw.gz.gov.cn/ztzl/xxfyyqfk/content/post_6816380.html, 2020-01-23.]

[29]
中国科学院地理科学与资源研究院. 中国主要城市建筑底面轮廓和建筑高度空间分布数据[EB/OL]. http://www.resdc.cn/data.aspx?DATAID=270

[ Recourse and Environment Science and Data Center. Data on the spatial distribution of building outlines and building heights in major cities in China[EB/OL]. http://www.resdc.cn/data.aspx?DATAID=270.]

[30]
中国科学院地理科学与资源研究院. 2020年中国土地利用遥感监测数据[EB/OL]. http://www.resdc.cn/data.aspx?DATAID=335

[ Recourse and Environment Science and Data Center. China's landuse remote sensing monitoring data in 2020[EB/OL]. http://www.resdc.cn/data.aspx?DATAID=335.]

[31]
徐新良. 中国人口空间分布公里网格数据集[EB/OL]. 中国科学院资源环境科学数据中心数据注册与出版系统(http://www.resdc.cn/DOI), 2017.DOI: 10.12078/2017121101.

[ Xu X L. China's population spatial distribution kilometer grid dataset[EB/OL]. Data Registration and Publishing System of the Resource and Environmental Science Data Center.(http://www.resdc.cn/DOI), 2017, DOI: 10.12078/2017121101.]

Options
文章导航

/

〈 〉