3. 利用轨迹网络和社交网络控制疫情发展

图3：左：不同时期疫情因果关系动态图，右：带有顽固节点的区域网络关系矩阵

项目说明：近年来，COVID-19严重影响了人类生活的各个方面。为了减缓病毒传播，政府出台了各种政策。在传染病的背景下，确定哪种政策能更有效地缓解疫情的传播对于政策制定者来说至关重要。我们考虑一个传染病网络，该网络是随时间段变化的疫情因果关系动态图，如图3左图所示。其中Z表示时变混杂因素，混杂因素是指影响治疗和确诊结果的因素；X表示一个地区在一个时间段t（例如3月）的协变量特征（例如居民在搜索引擎搜索疫情相关关键词的流行度）；P表示某政策在时间段t内是否在该地区实施（1有，0没有）；Y记录确诊结果；W表示地区与地区之间的网络距离在时间段t的邻接矩阵。假设混杂因素Z对当前时间段t的政策实施P和确诊结果Y都有因果关系，而前一时间段t-1的政策实施P、确诊结果Y和混杂因素Z也会影响当前混杂因素Z。可以使用循环神经网络(Recurrent Neural Network, RNN)从之前时间段的数据中提取有用的历史信息。再用图卷积神经网络(Graph Convolutional Network, GCN)对地区与地区之间的网络结构进行特征提取，挖掘出疫情严重的顽固节点，进而学习当前混杂因素Z的特征向量。关键之处在于，仅用地区之间的距离作为基本信息来形成W矩阵稍显简单，会丢失很多细节，可以考虑用信息更为丰富的含有顽固节点的地区网络关系矩阵替代原有W矩阵，如图3右图所示。对于一些疫情确诊情况非常严重的区域或者疫情发源地，我们认为在网络关系中它们是顽固节点，邻接矩阵的权重可以反应地区与地区中顽固节点对其他节点的疫情影响程度。