61
个编辑
更改
跳到导航
跳到搜索
非马尔科夫疾病传播（Non-Markovian Epidemic Spreading） (查看源代码)
2020年10月23日 (五) 16:18的版本
、 2020年10月23日 (五) 16:18创建页面，内容为“== 马尔科夫疾病传播 == 在经典的流行病传播中，个体间疾病传播和恢复过程被近似假设为泊松过程，为马尔科夫的疾病传播…”
== 马尔科夫疾病传播 ==
在经典的流行病传播中，个体间疾病传播和恢复过程被近似假设为泊松过程，为马尔科夫的疾病传播。这种泊松近似假设了单位时间内通过给定连边传播疾病的概率或针对给定感染节点恢复的概率是常数的，分别等于$\beta$和$\mu$。对应等效地，网络中处于I态的节点$i$仍然为感染态的总时间$\tau_i$是服从指数分布$P_i(\tau_i)=\mu e^{-\tau_i \mu}$的随机变量，并且一个感染态节点沿着一条边传播疾病给一个易感染节点的所需要花费的时间$\tau_a$，即事件发生间隔（the interevent time）也是服从指数分布$P_a(\tau_a)=\mu e^{-\tau_a \mu}$的随机变量。
这种泊松过程的假设实际上使得数学分析变得更易处理。由于传播和恢复的速率是恒定的，它们不依赖于个体的先前历史信息或经历，因此这可以称为是无记忆的马尔科夫过程（Ross，1996； Tijms，2003； van Kampen，1981； Van Mieghem ，2014b？？？？？？）。
== 非马尔科夫疾病传播 ==
在流行病传播研究中，若已知传播的平均速率，则对传播过程作泊松近似可能存在合理的情况（Lambiotte等人，2013），但这种假设在大多数疾病的传播中并不合理，例如实证中感染时间的分布通常是具有一个以平均值为中心的峰，同时显示出明显的非指数尾巴（Blythe和Anderson，1988）。此外，最近关于个体之间的社交和通信交流的相关文献也观察到事件发生时间的间隔具有长尾特征，激发了人们对非指数传播过程研究的兴趣。若事件发生时间间隔所服从的分布不为指数分布，即传播过程为非泊松过程，则其传播过程具有记忆性，也即为非马尔科夫过程。
对于SIS模型和SIR模型，非泊松感染和恢复过程的框架如下（boguna,2014）：被感染的个体在一段时间$\tau_i$内仍具有感染力，一旦过了$\tau_i$则就会恢复，$\tau_i$遵循非指数的分布$P_i(\tau_i)$。为了简单起见，通常可以假设所有节点服从同一分布。如果网络中一条连边的两端分别连接了易感个体和感染态个体，则称这样的连边为活跃边。在传播过程中，疾病是通过这样的活跃边，将疾病由感染态个体传播给易感个体。通过活跃边传播疾病的疾病感染时间服从分布$P_a(\tau_a)$，也就是说，例如在$t$时刻产生了一条活跃边，则该活跃边一端的易感态节点将在$t+\tau_a$时刻被感染为感染态节点。如果一个易感态节点连接了不止一个感染态节点，也就是说有多条活跃边，则它将被最早传播疾病过来的那条活跃边感染为感染态节点。因此，非马尔科夫过程的复杂性显而易见：一个节点的感染不止依赖于邻居节点数量，还依赖于其活跃边出现的时间等。
复杂网络中关于非泊松流行病的数值结果相对较少。简单的事件驱动方法依赖于发生事件的时间顺序，这些事件表示的是在给定固定的时刻某些行为会发生，例如恢复或感染，而发生所需要的时间是由事件发生时间间隔分布$P_i(\tau_i)$和$P_a(\tau_a)$计算得出。这些方法的要求很高，因此只能考虑较小的系统来研究。例如，Van Mieghem和van de Bovenkamp在2013年研究了恢复过程为泊松过程，而感染过程是非泊松的且感染事件发生时间间隔服从韦布尔分布$P_a(\tau_a)~(x/b)^{\alpha-1}e^{-(x/b)^\alpha}$时，SIS模型传播的结果。在这种传播过程情况下，当改变参数$\alpha$时，发现疾病传播范围和传播阈值的有非常明显的差异性。在2014年，$\mathrm{Bogu\tilde{n}\acute{a}}$等人提出的通用仿真框架提供了一种不错的方法，基于用于泊松过程的Gillespie算法的延伸算法，该算法可以适用于模拟更大的网络规模下的结果。
考虑了非泊松感染或恢复过程的疾病传播，其解析上的研究并不简单容易（Lambiotte等，2013）。一般的非泊松形式会导致卷积集的积分微分方程组（Keeling和Gren fall，1997）。因此，对于复杂网络中的非泊松过程，没有太多的解析结果。 可以提到的是，Min等人在2013年考虑了复杂网络上，感染事件遵循事件之间时间分布$P_a(\tau_a)$的SIR传播过程。假设感染态节点固定的时间$\tau_i$内状态不发生改变，则可以计算疾病传播率为（Min等人，2013年）
\begin{equation}
T(\tau_i)=1-\int^\infty_{\tau_i}\Psi(\Delta)d\Delta.
\end{equation}
其中$\Psi(\Delta)=\int_\Delta^\infty P_a(\tau_a)d\tau_a/\int_0^\infty P_a(\tau_a)d\tau_a$。等式（67）假设感染的动力学过程遵循平稳的更新过程（Cox，1967； Van Mieghem，2014b）。应用生成函数方法，从隐式方程中可以得到传播阈值作为$\tau_i$的函数表示为：
\begin{equation}
T(\tau_{ic})=\frac{\left<k\right>}{\left<k^2\right>-\left<k\right>}.
\end{equation}
对于幂律分布$P_a(\tau_a)~\tau_a^{-\alpha}$，发现$\tau_{ic}$随$\alpha\to2$时发散，这意味着只有无法恢复的疾病才能在网络上将疾病传播开来（Min等人，2013）。2010年Karrer和Newman通过应用消息传递方法（message-passing method），对在SIR模型中处理一般的非指数分布的恢复和感染时间方面的研究迈出了重要的一步。 这种方法通过用积分微分方程来对树和局部树状网络的作精确描述，并且对非树状网络给出了精确边界，其结果与数值模拟结果符合得很好。
最后，Cator、van de Bovenkamp和Van Mieghem在2013年针对感染或恢复时间为非指数分布时的SIS模型提出了延伸性的基于个体的平均场理论。通过使用更新理论，他们主要观察到的结果是，当用一个恢复时间内的平均尝试感染次数代替传播率$\lambda=\beta/\mu$作为自变量时，亚稳态状态下的疾病传播范围的函数形式与泊松过程情况下的SIS模型形式相同。此外，他们在2013年的另一篇文献还通过理论预测了非马尔科夫SIS流行病的传播阈值。
在经典的流行病传播中，个体间疾病传播和恢复过程被近似假设为泊松过程，为马尔科夫的疾病传播。这种泊松近似假设了单位时间内通过给定连边传播疾病的概率或针对给定感染节点恢复的概率是常数的，分别等于$\beta$和$\mu$。对应等效地，网络中处于I态的节点$i$仍然为感染态的总时间$\tau_i$是服从指数分布$P_i(\tau_i)=\mu e^{-\tau_i \mu}$的随机变量，并且一个感染态节点沿着一条边传播疾病给一个易感染节点的所需要花费的时间$\tau_a$，即事件发生间隔（the interevent time）也是服从指数分布$P_a(\tau_a)=\mu e^{-\tau_a \mu}$的随机变量。
这种泊松过程的假设实际上使得数学分析变得更易处理。由于传播和恢复的速率是恒定的，它们不依赖于个体的先前历史信息或经历，因此这可以称为是无记忆的马尔科夫过程（Ross，1996； Tijms，2003； van Kampen，1981； Van Mieghem ，2014b？？？？？？）。
== 非马尔科夫疾病传播 ==
在流行病传播研究中，若已知传播的平均速率，则对传播过程作泊松近似可能存在合理的情况（Lambiotte等人，2013），但这种假设在大多数疾病的传播中并不合理，例如实证中感染时间的分布通常是具有一个以平均值为中心的峰，同时显示出明显的非指数尾巴（Blythe和Anderson，1988）。此外，最近关于个体之间的社交和通信交流的相关文献也观察到事件发生时间的间隔具有长尾特征，激发了人们对非指数传播过程研究的兴趣。若事件发生时间间隔所服从的分布不为指数分布，即传播过程为非泊松过程，则其传播过程具有记忆性，也即为非马尔科夫过程。
对于SIS模型和SIR模型，非泊松感染和恢复过程的框架如下（boguna,2014）：被感染的个体在一段时间$\tau_i$内仍具有感染力，一旦过了$\tau_i$则就会恢复，$\tau_i$遵循非指数的分布$P_i(\tau_i)$。为了简单起见，通常可以假设所有节点服从同一分布。如果网络中一条连边的两端分别连接了易感个体和感染态个体，则称这样的连边为活跃边。在传播过程中，疾病是通过这样的活跃边，将疾病由感染态个体传播给易感个体。通过活跃边传播疾病的疾病感染时间服从分布$P_a(\tau_a)$，也就是说，例如在$t$时刻产生了一条活跃边，则该活跃边一端的易感态节点将在$t+\tau_a$时刻被感染为感染态节点。如果一个易感态节点连接了不止一个感染态节点，也就是说有多条活跃边，则它将被最早传播疾病过来的那条活跃边感染为感染态节点。因此，非马尔科夫过程的复杂性显而易见：一个节点的感染不止依赖于邻居节点数量，还依赖于其活跃边出现的时间等。
复杂网络中关于非泊松流行病的数值结果相对较少。简单的事件驱动方法依赖于发生事件的时间顺序，这些事件表示的是在给定固定的时刻某些行为会发生，例如恢复或感染，而发生所需要的时间是由事件发生时间间隔分布$P_i(\tau_i)$和$P_a(\tau_a)$计算得出。这些方法的要求很高，因此只能考虑较小的系统来研究。例如，Van Mieghem和van de Bovenkamp在2013年研究了恢复过程为泊松过程，而感染过程是非泊松的且感染事件发生时间间隔服从韦布尔分布$P_a(\tau_a)~(x/b)^{\alpha-1}e^{-(x/b)^\alpha}$时，SIS模型传播的结果。在这种传播过程情况下，当改变参数$\alpha$时，发现疾病传播范围和传播阈值的有非常明显的差异性。在2014年，$\mathrm{Bogu\tilde{n}\acute{a}}$等人提出的通用仿真框架提供了一种不错的方法，基于用于泊松过程的Gillespie算法的延伸算法，该算法可以适用于模拟更大的网络规模下的结果。
考虑了非泊松感染或恢复过程的疾病传播，其解析上的研究并不简单容易（Lambiotte等，2013）。一般的非泊松形式会导致卷积集的积分微分方程组（Keeling和Gren fall，1997）。因此，对于复杂网络中的非泊松过程，没有太多的解析结果。 可以提到的是，Min等人在2013年考虑了复杂网络上，感染事件遵循事件之间时间分布$P_a(\tau_a)$的SIR传播过程。假设感染态节点固定的时间$\tau_i$内状态不发生改变，则可以计算疾病传播率为（Min等人，2013年）
\begin{equation}
T(\tau_i)=1-\int^\infty_{\tau_i}\Psi(\Delta)d\Delta.
\end{equation}
其中$\Psi(\Delta)=\int_\Delta^\infty P_a(\tau_a)d\tau_a/\int_0^\infty P_a(\tau_a)d\tau_a$。等式（67）假设感染的动力学过程遵循平稳的更新过程（Cox，1967； Van Mieghem，2014b）。应用生成函数方法，从隐式方程中可以得到传播阈值作为$\tau_i$的函数表示为：
\begin{equation}
T(\tau_{ic})=\frac{\left<k\right>}{\left<k^2\right>-\left<k\right>}.
\end{equation}
对于幂律分布$P_a(\tau_a)~\tau_a^{-\alpha}$，发现$\tau_{ic}$随$\alpha\to2$时发散，这意味着只有无法恢复的疾病才能在网络上将疾病传播开来（Min等人，2013）。2010年Karrer和Newman通过应用消息传递方法（message-passing method），对在SIR模型中处理一般的非指数分布的恢复和感染时间方面的研究迈出了重要的一步。 这种方法通过用积分微分方程来对树和局部树状网络的作精确描述，并且对非树状网络给出了精确边界，其结果与数值模拟结果符合得很好。
最后，Cator、van de Bovenkamp和Van Mieghem在2013年针对感染或恢复时间为非指数分布时的SIS模型提出了延伸性的基于个体的平均场理论。通过使用更新理论，他们主要观察到的结果是，当用一个恢复时间内的平均尝试感染次数代替传播率$\lambda=\beta/\mu$作为自变量时，亚稳态状态下的疾病传播范围的函数形式与泊松过程情况下的SIS模型形式相同。此外，他们在2013年的另一篇文献还通过理论预测了非马尔科夫SIS流行病的传播阈值。