数据预测模型_预测疫情走势，联通大数据疫情传播趋势仿真模型助力复工复产...

联通大数据通过融入基于运营商信令数据分析得出的城市人口职住分布、城市活跃指数、城市复工指数等实际数据指标，对经典传染病SIR模型中的传染率、恢复率等关键指标进行了优化提升，构建了城市疫情传播趋势仿真模型。该模型对于武汉市前期已公布的疫情数据形成了较好拟合。

基于该模型，联通大数据研发了城市疫情趋势仿真系统，可对防控疫情发展的多项关键因素，如城市活动指数、复工指数、医疗收治容量、传染率、恢复率、病死率等，进行交互式干预控制，测算关键因素之间的关联关系，进而对疫情的发展趋势进行动态模拟仿真。

该仿真对于当前疫情之下如何逐步恢复城市生产生活有参考价值，通过推演仿真，可辅助相关部门的政策制定。

1. 模型设计

在通用疫情传播SIR模型基础上，引入基于运营商信令大数据分析得出的城市活跃指数，对SIR模型中的传染率、恢复率进行修正优化。

经典的传染病SIR模型如下：

其微分方程如下：

                              

其中，N为总人口，S为易感人群，I为感染人群，R为恢复人群；β表示传染率，γ表示恢复率。

而对于其中的关键指标传染率β、恢复率γ，我们引入基于运营商大数据测算得出的城市活动指数(采用经归一化处理后的管控指数，参见下一小节)、复工指数进行了修正优化：

• 传染率β满足上述指数衰减公式，C为管控指数，a和q为β关于管控指数的衰减参数，P为传染率的变化参数；

• 恢复率γ满足上述增长公式，b为γ关于管控指数的增长参数。

可见，β随着城市活动指数、复工指数的降低而衰减，而γ随着城市活动指数的降低而增加。

该模型根据武汉市前期已公布的每日新增确诊人数，结合基于联通信令大数据测算得出的实际城市活动指数、复工指数，可以对已有疫情发展趋势进行较好拟合，并可在假定条件下对后续发展趋势进行模拟推演。

2. 城市活跃指数/城市管控指数

城市活跃指数：

通过运营商信令大数据分析得出的城市内人口平均活动距离、平均活动时长以及平均活跃次数的综合测算，体现城市内人口活动的宏观情况，可以直接体现城市疫情防控措施的实施效果。

活跃指数越高，说明出行运动的人口越多，人们的日常活动保持常态，流动性较强；反之，活跃指数越低，说明不出门的人口越多，居家、隔离、收治等相关措施落实比较到位。

以下为武汉1月9日-2月9日的城市活跃指数。可以看出，在1月23号封城之后，活跃指数开始快速下降，并在1月26日及之后保持在较低的活跃指数水平，充分反映了政府防空措施增强、社会防控意识提升的效果。

城市管控指数：

为了便于直观比对，在以下分析模拟中，我们对城市活动指数进行了转换及归一化处理，形成城市管控指数：

城市管控指数=(1-城市活动指数)/|Max城市活动指数-Min城市活动指数|

如下图对武汉市的拟合曲线所示，图中绿色曲线为原城市管控指标线，黄色曲线为对城市管控指标延后7天的推移，蓝色曲线为该城市已公布的确诊人数日增曲线，可以看到黄色与蓝色曲线有较高的拟合度。

通过以两个典型城市实际确诊数据、城市管控指数的比对，我们发现两个趋势曲线在7天的延迟窗口期上达到较高的拟合性。同时，从图中可以看到，当城市管控指数达到较高水平后，如果持续维持3、4天，新增确诊人数即开始进入下降趋势。可见，基于运营商大数据测算得出的城市活动指数，对于城市7-10天后的疫情新增趋势有较强的预示作用。

3. 疫情趋势拟合推演

根据武汉市已发布1月16日-2月9日期间的疫情确诊人数，用基础SIR模型结合上述定义的城市活跃指数、复工指数对确诊人数及趋势进行拟合。

在疫情前期，政府防控措施较少、社会防控意识较弱，城市活跃指数较高、管控指数较低。因此，模拟疫情按照SIR模型进行发展。不同的城市，SIR模型拟合得到不同的传染率和恢复率。在疫情前期，采用基础SIR模型即可达到较好的拟合效果。

在疫情明显发展后，政府防控措施增强、社会防控意识提升，SIR模型在一定程度上无法反映出政府决策及群众的防疫措施。此时，根据上述城市管控指数与确诊人数之间的较强关联性，对新增确诊人数的影响力随时间推移而增加。

因此，在疫情进入防控阶段后，基础的SIR模型已经不能及时反映防控措施对疫情的直接影响作用，而引入的城市活跃指数、复工指数对模型的影响权重将不断增强，城市活跃指数维持在低水平活跃度，新增确诊将按照活跃指数、复工指数的下降规律而下降，新增确诊采取不同的参数进行下降，拟合曲线如下图所示。

同时，如果保持当前的城市防控措施力度，即城市活动指数、复工指数基本维持在当前的较低水平，根据模型对后续疫情发展趋势的模拟推演，将在一个月内逐步趋缓。

4. 城市疫情趋势仿真系统

基于联通大数据所具备的全国31省市全量信令大数据，可以实际测算出全国各城市内的人口职住分布、城市活动指数、城市复工指数等实际数据指标，对于城市的疫情防控现状具有直接体现与衡量作用。其中，城市人口职住分布体现了城市人口居住、工作区域的聚集分布，城市活动指数主要反映人们日常出行活动的频度，而城市复工指数则主要反映城市中已经返岗上班的人口比例。

在这些大数据分析得出的城市实际数据指标基础上，基于前述改进的疫情传播趋势拟合模型，形成了一套城市疫情趋势仿真系统。

该系统一方面能够基于城市前期疫情数据进行拟合；另一方面，也提供了多项对疫情发展关键因素的交互式干预控制，包括：城市活动指数、城市复工指数、初始感染数量、传染概率、病死率、潜伏期、收治周期、收治容量、治愈周期等，可以模拟反映各城市当前防控政策措施对疫情发展的影响作用。基于城市的现有实际数据指标，通过设定不同的控制因素，可以对后续的疫情发展趋势进行动态模拟仿真，从而为疫情防控策略的制定提供辅助推演参考。

RECOMMEND 推荐阅读

• 速查！周边社区疫情风险预测(实时更新)

• 返程复工好帮手，347座城市动态免费查
• 联通大数据解析城市骑手的“逆行”
• 联通大数据“AI助防-智能合规监测系列产品”发布
• 联通大数据行程查询助手上线

扫码关注联通大数据，了解更多大数据资讯