利用空间聚集的贝叶斯网络评估手足口病发病风险

丘文洋, 李连发, 张杰昊, 王劲峰

A Bayesian Network Method Considering Spatial Cluster to Evaluate Health Risk of Hand, Foot and Mouth Disease

QIU Wenyang,LI Lianfa,ZHANG Jiehao,WANG Jinfeng

表1 贝叶斯网络结构建立及参数的学习方法[21]

Tab. 1 Methods of Bayesian network topology and parameter learning

主要算法 主要方法 在手足口病风险评估中的适用性 结构学习 K2 通过变量固定拓扑排序得到节点间连接[28] 初始变量顺序是基于朴素贝叶斯模型 局部优化算法,计算速度快,适用于处理海量数据查找各影响因素同手足口病发病风险的关系 爬山算法 通过迭代最终选择得分最高的结构模型[29] Tabu 一种最优爬山法,在学好的结构中加Markov Blanket连接[30] TAN 设计算法来计算极大权重扩展树[31] 模拟退火 在上一模型基础上随机生成备选网络模型BS',如果该模型比上一个模型更好,则使用这个备选模型[30] 局部优化算法,但算法较为复杂,搜索较慢,不适用于处理大数据量,但算法实施可较好地搜寻各种影响因素同手足口病发病风险的关系 遗传算法 通过遗传算法找到最优的网络结构[32] 结构微调 结合域知识 根据手足口病的传播源及影响因素领域知识[2,8,16],移除无实质意义的连接,增加新的有意义的 连接 结合特别适合于手足口病影响因素复杂情况,根域知识,可移除关系学习中的偏差,纠正网络 参数学习 简单贝叶斯 根据Dirichlet分布根据数据进行概率计算[30] 基本求参数的方法 期望最大化 EM算法,基于最大似染法,可处理数据缺失的参数的估计值[33] 适用于有有自变量缺失的情况 Gibbs抽样 通过蒙特卡洛方法进行抽样计算条件概率,适合数据量大的情况[34] 适用于海量数据学习手足口病风险评估模型