61
个编辑
更改
跳到导航
跳到搜索
第4行：
第4行： + + − + + + + + + + + + + + + + + +
非马尔科夫疾病传播（Non-Markovian Epidemic Spreading） (查看源代码)
2020年10月26日 (一) 10:25的版本
、 2020年10月26日 (一) 10:25无编辑摘要
== 马尔科夫疾病传播 ==
== 马尔科夫疾病传播 ==
The modeling framework presented in the previous sections is mostly based on the Poisson approximation (Tijms, 2003) for both the transmission and recovery processes. The Poisson approximation assumes that the probabilities per unit time of transmitting the disease through a given edge, or recovering for a given infected node, are constant, and equal to $\beta$ and $\mu$, respectively. Equivalently, the total time $\tau_i$ that a given node $i$ remains infected is a random variable with an exponential distribution $P_i(\tau_i)=\mu e^{-\tau_i \mu}$, and that the time $\tau_a$ for an infection to propagate from an infected to a susceptible node along a given edge (the interevent time) is also exponentially distributed $P_a(\tau_a)=\mu e^{-\tau_a \mu}$.
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。
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。
From a practical point of view, the Poisson assumption leads to an increased mathematical tractability. Indeed, since the rates of transmission and recovery are constant, they do not depend on the previous history of the individual, and thus lead to memoryless, Markovian processes (van Kampen, 1981; Ross, 1996; Tijms, 2003; Van Mieghem, 2014b).
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？？？？？？）。
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 ==
== 非马尔科夫疾病传播 ==
While the Poisson approximation may be justified when only the average rates are known (Lambiotte, Tabourier, and Delvenne, 2013), it is at odds with empirical evidence for the time duration of the infective period in most diseases (Blythe and Anderson, 1988), whose distribution usually features a peak centered on the average value but exhibits strongly nonexponential tails. Furthermore, the interest in nonexponential transmission processes has also been fueled by the recent evidence on the patterns of social and communication contacts between individuals, which have been observed to be ruled by heavy-tailed distributions of interevent times.
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。
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。
The framework of non-Poissonian infection and recovery processes can be set up as follows, for either the SIS or SIR model（boguna,2014）: Infected individuals remain infective for a period of time $\tau_i$, after which they recover, that follows the (nonexponential)$P_i(\tau_i)$ distribution. For simplicity, it is assumed that this distribution is the same for all nodes. Infection events take place along active links, connecting an infected to a susceptible node. Active links transmit the disease at times following the interevent distribution $P_a(\tau_a)$, i.e., a susceptible individual connected to an infected node becomes infected at a time $\tau_a$, measured from the instant the link became active. If a susceptible node is connected to more than one infected node, it becomes infected at the time of the first active link transmitting the disease. The complexity of this non-Markovian process is now evident: the infection of a node depends not only on the number of neighbors, but also on the time at which each connection became active.
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。
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。
Numerical results on non-Poissonian epidemics in net�works are relatively scarce. Simple event-driven approaches rely on a time ordered sequence of events (tickets) that represent actions to be taken (recovery or infection) at given fixed times, which are computed from the interevent distributions $P_i(\tau_i)$ and $P_a(\tau_a)$. These approaches are quite demanding, so only small system sizes can be considered. For example, Van Mieghem and van de Bovenkamp (2013) reported results for the SIS model with Poissonian recovery, with rate $\mu$, while infection happens with a nonexponential distribution following the Weibull form $P_a(\tau_a)~(x/b)^{\alpha-1}e^{-(x/b)^\alpha}$. In this case, strong variations in the value of the prevalence and of the epidemic threshold are found when varying the parameter $\alpha$. A promising approach is provided by the general simulation framework proposed by $\mathrm{Bogu\tilde{n}\acute{a}}$ et al. (2014), based on the extension of the Gillespie algorithm for Poissonian processes (Gillespie, 1977). This algorithm allows the simulation of much larger network sizes.
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。
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。
The consideration of non-Poissonian infection or recovery processes does not lend itself easily to analytical approaches (Lambiotte, Tabourier, and Delvenne, 2013). Some simple forms for the distribution of infectious periods, such as the Erlang distribution, which can be described as the convolution of identical Poisson processes (Cox, 1967), can be tackled analytically by postulating an extended epidemic model with different infective phases and Poissonian transitions among them (Lloyd, 2001a, 2001b). However, general non Poissonian forms lead to convoluted sets of integrodifferential equations (Keeling and Grenfell, 1997). As a consequence there are not many analytical results for non-Poissonian transitions in complex networks. We mention the results of Min, Goh, and Kim (2013) which consider the SIR process on a network in which infection events follow an interevent distribution P aðτaÞ. Assuming that infected nodes remain in that state for a fixed amount of time τi, it is possible to compute (Min, Goh, and Kim, 2013) the disease transmissibility as
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）
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}
\begin{equation}