一种基于离散数据的SIS模型可用性评估方法及系统技术方案

本发明专利技术公开了一种基于离散数据的SIS模型可用性评估方法及系统，包括以下步骤：以固定时间间隔采集某传播数据集，获取数据集中个体的状态数据，基于个体状态数据得到个体的关联性状态数据；基于个体的关联性状态数据构建关联性时间序列；基于构建的时间序列，计算固定时间间隔内个体感染概率和个体康复概率；引入判据公式，基于个体感染概率和个体康复概率判断该数据集是否能够用SIS模型进行描述，当判据满足，则基于SIS模型评估数据集中数据的传播特性。本方法在时间间隔较大时仍然能够得到准确计算结果，通过计算结果可以直观展示参数随时间的演化，通过提前判断SIS模型的可用性，避免出现误判的结果。避免出现误判的结果。避免出现误判的结果。

【技术实现步骤摘要】
一种基于离散数据的SIS模型可用性评估方法及系统


[0001]本专利技术属于网络拓扑动力学
，涉及一种基于离散数据的SIS模型可用性评估方法及系统。

技术介绍

[0002]复杂网络传播动力学模型有着很广阔的应用面，比如：传染性疾病通过人与人之间的接触不断的传播，木马病毒在计算机网络上的扩散，信息舆论在社交网络上的传递等等。研究中，SIS(Susceptible
‑
Infected
‑
Susceptible)仓室模型是一个常用的传播动力学模型。如果个体处于S状态，则表示其处于健康状态。而I状态表示感染状态。人们通常采用连续时间SIS模型来研究动力学传播的过程，而现实数据是基于离散时间的。
[0003]目前，研究人员通常采用线性映射(即，转变速率＝转变概率
÷
时间间隔)来连接连续时间SIS模型和基于离散时间的数据。但在使用的过程中还是存在一些问题，首先现有的线性映射方法需要时间间隔趋于0才能成立，当时间间隔或状态转移概率太大时，描述结果的精确度就会下降；其次是缺少判断连续时间SIS模型可用性的定量判据，导致数据评判的精确度下降。

技术实现思路

[0004]本专利技术的目的在于解决现有技术中无法对模型进行定量评判，导致数据评判结果的精确度低的问题，提供一种基于离散数据的SIS模型可用性评估方法及系统。
[0005]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0006]一种基于离散数据的SIS模型可用性评估方法，包括以下步骤：
[0007]S1：以固定时间间隔采集某传播数据集，获取数据集中个体的状态数据，基于个体状态数据得到个体的关联性状态数据，基于个体的关联性状态数据构建关联性时间序列；
[0008]S2：基于构建的关联性时间序列，计算固定时间间隔内个体感染概率和个体康复概率；
[0009]S3：引入判据公式，基于个体感染概率和个体康复概率判断该数据集是否能够用SIS模型进行描述，当判据满足，则通过SIS模型评估数据集中数据的传播特性，当判据不满足，则返回S1。
[0010]本专利技术的进一步改进在于：
[0011]所述步骤S1中，获取的个体状态数据包括易感状态S和感染状态I；
[0012]所述步骤S1中的个体关联性状态数据包括当前时刻和上一时刻均为易感的状态SS、当前时刻为感染和上一时刻为易感的状态SI、当前时刻为易感和上一时刻为感染的状态IS以及当前时刻和上一时刻均为感染的状态II；
[0013]所述步骤S1中的关联性时间序列包括SS(t)、SI(t)、IS(t)和II(t)；
[0014]其中，SS(t)表示时刻t和时刻t
‑
Δt都为易感状态的个体数量；
[0015]SI(t)表示时刻t为感染状态且时刻t
‑
Δt为易感状态的个体数量；
[0016]IS(t)表示时刻t为易感状态且时刻t
‑
Δt为感染状态的个体数量；
[0017]II(t)表示时刻t和时刻t
‑
Δt均为感染状态的个体数量。
[0018]所述步骤S2中固定时间间隔内个体感染概率通过式(1)计算：
[0019][0020]所述固定时间间隔内个体康复概率通过式(2)计算：
[0021][0022]所述判据公式为：
[0023]A(t)+B(t)<1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0024]其中，A(t)表示个体感染概率，B(t)表示个体康复概率。
[0025]所述步骤S3中，当判据满足，则通过SIS模型评估数据集中数据传播特性包括以下步骤：
[0026]计算SIS模型在时间间隔[t
‑
Δt，t]内的个体平均感染速率：
[0027][0028]计算SIS模型在时间间隔[t
‑
Δt，t]内的个体平均感染速率
[0029][0030]计算SIS模型在时间间隔[t
‑
Δt，t]内一个易感个体接触一个感染个体的平均感染速率：
[0031][0032]其中，I(t)＝SI(t)+II(t)表示时刻t的感染状态的个体数量；
[0033]基于得到的<C>、<D>和<β>，评估该数据集中数据的传播特性。
[0034]所述步骤S3还包括以下步骤：
[0035]当判据不满足时，返回步骤S1，检查数据集是否采集错误，若数据集采集错误，则重新采集；
[0036]若数据集采集正确，则证明该传播数据集不适用于通过SIS模型进行描述，不对该数据集进行描述。
[0037]所述步骤S1中，固定时间间隔设定为1。
[0038]一种基于离散数据的SIS模型可用性评估系统，包括数据采集模块、概率计算模块和判据模块；
[0039]数据采集模块，以固定时间间隔采集某传播数据集，获取数据集中个体的状态数据，基于个体状态数据得到个体的关联性状态数据，基于个体的关联性状态数据构建关联性时间序列；
[0040]概率计算模块，用于基于构建的关联性时间序列，计算固定时间间隔内个体感染
概率和个体康复概率；
[0041]判据模块，用于基于个体感染概率和个体康复概率判断该数据集是否能够用SIS模型进行描述，当判据满足，则通过SIS模型评估数据集中数据的传播特性，当判据不满足，则返回数据采集模块。
[0042]一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求本专利技术任一项所述方法的步骤。
[0043]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如本专利技术任一项所述方法的步骤。
[0044]与现有技术相比，本专利技术具有以下有益效果：
[0045]本专利技术公开了一种基于离散数据的SIS模型可用性评估方法，基于构建的时间序列计算固定时间间隔内个体感染概率和个体康复概率，将得到的结果结合判据公式评判SIS模型是否可以对数据进行描述，对模型进行定量评判，提高了数据描述结果的精确度，同时，本方法在时间间隔较大或转移概率较大时，仍然能够得到准确计算结果，通过计算结果可以直观展示参数随时间的演化，通过提前判断SIS模型的可用性，避免出现误判的结果。
[0046]进一步的，本专利技术时间间隔可以设定为1，时间间隔较大，相比较与线性映射，在时间间隔较大的同时，仍然可以保持精确的评判结果。
附图说明
[0047]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于离散数据的SIS模型可用性评估方法，其特征在于，包括以下步骤：S1：以固定时间间隔采集某传播数据集，获取数据集中个体的状态数据，基于个体状态数据得到个体的关联性状态数据，基于个体的关联性状态数据构建关联性时间序列；S2：基于构建的关联性时间序列，计算固定时间间隔内个体感染概率和个体康复概率；S3：引入判据公式，基于个体感染概率和个体康复概率判断该数据集是否能够用SIS模型进行描述，当判据满足，则通过SIS模型评估数据集中数据的传播特性，当判据不满足，则返回S1。2.根据权利要求1所述的一种基于离散数据的SIS模型可用性评估方法，其特征在于，所述步骤S1中，获取的个体状态数据包括易感状态S和感染状态I；所述步骤S1中的个体关联性状态数据包括当前时刻和上一时刻均为易感的状态SS、当前时刻为感染和上一时刻为易感的状态SI、当前时刻为易感和上一时刻为感染的状态IS以及当前时刻和上一时刻均为感染的状态II；所述步骤S1中的关联性时间序列包括SS(t)、SI(t)、IS(t)和II(t)；其中，SS(t)表示时刻t和时刻t
‑
Δt都为易感状态的个体数量；SI(t)表示时刻t为感染状态且时刻t
‑
Δt为易感状态的个体数量；IS(t)表示时刻t为易感状态且时刻t
‑
Δt为感染状态的个体数量；II(t)表示时刻t和时刻t
‑
Δt均为感染状态的个体数量。3.根据权利要求2所述的一种基于离散数据的SIS模型可用性评估方法，其特征在于，所述步骤S2中固定时间间隔内个体感染概率通过式(1)计算：所述固定时间间隔内个体康复概率通过式(2)计算：4.根据权利要求1所述的一种基于离散数据的SIS模型可用性评估方法，其特征在于，所述判据公式为：A(t)+B(t)<1
ꢀꢀꢀꢀ
(3)其中，A(t)表示个体感染概率，B(t)表示个体康复概率。5.根据权利要求4所述的一种基于离散数据的SIS模型可用性评估方法，其特征在于，所述步骤S3中，当判据满足，则通过SIS模型评估数据集中数据传播特性包括以下步骤：计算SIS...

【专利技术属性】
技术研发人员：蔡超然，张亮，雷会姣，
申请(专利权)人：西北大学，
类型：发明
国别省市：