多源轨迹数据支持下基于个体的城市尺度传染病扩散模拟研究

Infectious Disease remains a serious threat to the world. Epidemic spread is a spatiotemporal process. Improving the modeling precision and prediction accuracy for such spatiotemporal processes is crucial to enhance precision intervention thus protecting human life and health in urban areas. Large-scale trajectory data can offer individual spatiotemporal activity records, which can help break through the long-existing bottleneck of epidemic modeling in spatiotemporal accuracy. However, there are some methodological obstacles to model epidemic spread with large-scale trajectory data. Taking advantage of large-scale trajectory data in which there are embedded individual spatiotemporal activity patterns as well as their pattern fusion with multi-source data, this proposed project models individual mobility with demographics and contact networks for modern urban areas where there are complex contact places with spatial explicitly agent-based models. This project then establishes a spread simulation model for a typical infectious disease infected with close proximity and physical contact transmission, and systematically evaluates the proposed modelling methods. This project aims to develop a new set of methodologies to model infectious disease spread at a city scale. This project will contribute to enhance the effectiveness of epidemic prediction and control in urban areas, to improve the theory and methodology development of human mobility analysis and modeling in the big data era, and to deepening the various applications of trajectory data in urban, traffic, and public health studies in a more general scope.

传染病仍是全球的严重威胁。面向传染病扩散过程，提高对时空过程建模的精细度和预测的准确性，促进精准防控，对保障城市居民生命健康至关重要。大规模轨迹数据提供的个体时空活动记录，有望突破长期以来传染病扩散模拟在时空精准性上的瓶颈。本课题旨在突破大规模轨迹数据在传染病建模中的方法壁垒，通过挖掘轨迹数据中蕴含的个体时空活动特征及其与多源数据特征融合的思路，基于智能体空间显式模型，研究融合人口属性的城市人口移动建模方法、面向现代城市复杂活动空间的个体接触网络构建方法，选用典型的近距离接触传播疾病构建扩散模型，并系统评价模型的有效性。本课题旨在发展城市尺度上新的传染病扩散建模与模拟方法，不仅可促进城市内部传染病疫情的有效预测及控制，而且可促进大数据时代人类移动分析与建模的理论方法发展，深化轨迹数据的应用，为城市、交通、和更为广泛的公共卫生等领域提供关键科学支撑。

传染病是人类的严重威胁。面向传染病扩散过程，提高对时空过程建模的精细度和预测的准确性，促进精准防控，对保障城市居民生命健康至关重要。大规模轨迹数据提供的个体时空活动记录，可突破长期以来传染病扩散模拟在时空精准性上的瓶颈。本项目基于轨迹数据模式识别的基础性理论分析，提出了从大规模手机位置数据中有效识别城市居民个体日常活动链的方法；提出了一种基于个体居住地共同语义的多源时空数据融合方法以及一套基于交通刷卡数据挖掘的地铁空间人际接触网络构建方法，实现了数据驱动的城市动静态空间大规模个体接触网络构建；构建了个体在不同建筑物从事不同类型活动的疾病传播模型，实现了呼吸道传染病（流感、COVID-19）与虫媒传染病（登革热）在千万级个体与数十万栋建筑物之间的高精度扩散模拟；构建了基于机器学习模型的城市疫情发展趋势短期时空预测模型；设计并模拟了多种个体干预措施（例如，居家令、密接追踪、集中隔离、自我居家隔离、佩戴口罩、接种疫苗、及时检测等），提出面向疫情爆发概率的风险管理措施推荐方法。综上，本项目首先构建了基于轨迹大数据的人员流动与交互活动感知理论与方法，在此基础上，聚焦于城市内部微观尺度下 “人-地-传染病”复杂系统，进一步提出了耦合人员流动的疫情发展趋势短期时空预测、高精度疫情扩散与干预效果模拟方法，形成了一整套融合多源轨迹数据的传染病扩散建模与模拟的框架及方法。本项目成果一方面突破了传统现场流行病学调查与数据采集的局限性，为空间细粒度疫情风险研判与重大疫情防控措施部署调整提供关键决策支持工具，促进了城市内部传染病疫情防控技术的发展；另一方面促进了大数据时代人类移动分析与建模的理论与方法发展，深化了轨迹数据的应用。项目成果应用于广东省与深圳市的COVID-19、登革热与流感防控中，取得了显著的社会效益。