大数据+人工智能助力战“疫”：数据驱动的疫情智能防控        

（主讲：牛奔教授）    

主讲人简介：牛奔，管理科学系主任，博士，教授，博导。英国爱丁堡大学、美国亚利桑那州立大学访问学者，香港理工大学/中国科学院博士后。广东省珠江学者、教育部工业工程专业“教指委委员”。  

内容简介：以大数据及人工智能为先驱的新兴技术已经成为遏制疫情蔓延的有效“武器”。为响应工信部发布《关于运用新一代信息技术支撑服务疫情防控和复工复产工作的通知》的号召，基于数据驱动和群体智能技术，依据疫情的发展规律，利用系统工程的思想提出了“数据驱动的疫情智能防控一体化的解决方案”。结合疫情相关大数据，分别针对疫情暴发前、爆发时和爆发后的三个阶段，进行智能预警、预测与分级防控，从整体上提升疫情防控“战斗力”。  

正文链接：    

https://mp.weixin.qq.com/s?__biz=MzAwMTU3Nzg4NA==&mid=2651017223&idx=1&sn=4776875dcc960430b6bd081755b173a4&chksm=812076f4b657ffe2030d5afd99ef0ed9f23a0ac10c9bc81def72256025cf6401ed1252207333&scene=21#wechat_redirect  

正文：    

一、 引言    

全面实施疫情科学防控迫在眉睫，2020年1月19日，工信部发布《关于运用新一代信息技术支撑服务疫情防控和复工复产工作的通知》，呼吁社会各界利用人工智能、大数据、5G等技术全面支持疫情防控，在疫情发现、预警、防治等方面发挥重要作用。自疫情扩散以来，一系列基于大数据的疫情防御应用在国内不断涌现，如疫情动态发展地图、患者追踪、人员流动图、密切接触者查询等。  

为响应工信部号召，基于数据驱动和群体智能技术，依据疫情的发展规律，利用系统工程的思想提出了“数据驱动的疫情智能防控一体化的解决方案”，如图1所示。结合疫情相关大数据，分别针对疫情暴发前、爆发时和爆发后的三个阶段，进行智能预警、预测与分级防控，从整体上提升疫情防控“战斗力”。  

图1. 数据驱动的疫情智能防控一体化的解决方案  

二、数据驱动的疫情智能预警    

传染病的及时预警能有效阻止传染病扩散，提高疾病防御成功率，并降低传染病爆发后带来的损失及管控成本。  

为此，拟构建一个数据驱动的疫情智能预警系统，该系统启发于加拿大BlueDot控制传染病平台，具体方案如图2所示。首先以流行疾病、公共卫生等作为关键词从公共数据源收集数据。然后基于语料预处理技术和特征工程技术对数据进行计算机语言转换。其次，利用循环神经网络RNN、卷积神经网络CNN等深度学习方法训练疫情预警模型，从而得到网络输入词汇与传染病风险指数的映射关系。最后，基于防控平台线上采集的各区域语料数据，实现疫情实时追踪与预警。  

图2. 数据驱动的疫情智能预警系统研究方案  

三、数据驱动的疫情智能预测    

在疫情暴发后，若能及时判断疫情的高峰及规模，预判高风险易感人群以及推测出疫情暴发的高危区域及城市，就可协助有关部门制定具有可操作性的政策和行动计划，有效防止疫情的扩散。  

为此，提出两类智能传染病趋势预测方案：基于传染病模型的智能算法预测与基于回归的小样本趋势预测，具体步骤如图3所示。  

图3. 数据驱动的疫情智能预测研究方案  

目前，已有多种传染病模型，如SIR、SEIR、SIRS等，但这类基本数学模型中往往没有考虑人口流动、管控措施等因素。因此，拟引入医疗隔离，交通管制等防疫政策因素，尤其是中国特色的一些防控限定因素，提出新型预测模型。并采用群体智能算法来求解常微分方程，以避免欧拉法、泰勒法等传统数值解法的计算复杂度高，求解精度低等缺点。  

第二种方式则是采用回归的趋势预测。由于突发疫情（如新型冠状病毒肺炎）相对普通流感具有非常规性、紧急性，样本采集周期短且不完备程度高。可采用小样本回归预测技术，如灰色理论预测、支持向量机、随机森林等。首先分析疫情相关因素，收集并处理历史数据，然后集成多个小样本技术优势和进化策略设计新型疫情预测算法，并对预测效果进行对比和可靠性分析，以更准确地预测传染趋势。  

另外，通过搭建疫情时期动态时序图谱，分析传染关系及社会动向，以提出高风险易感人群识别与传播路径预测方法，构建的图谱如图4所示。  

图4. 疫情时期的时序图谱  

如图5所示，关于图谱的数据存储有两个技术关键点：1.通过机票、高铁数据库与服务运营商定位服务，收集人口流动信息。经过数据处理后，将信息存储在图谱的“交通工具”与“活动地点”两个属性中；2.以时序图谱中病例的出行工具与地点为关键词，搜索与病例乘坐同一交通、参与同一活动的密切接触人群（例如，病例A与B在某日同坐了同一班飞机，则将B定义为A的密切接触者），再将其接触者信息存储在该病例图谱的“关系网”属性中。  

图5. 时序图谱关键属性的存储方案  

以构建好的时序图谱为基础，可实现疫情智能预测，具体步骤如图6所示: 针对城市风险预测，首先提取并分析病例的出行信息，推算出其移动路径（途经各个城市），根据病患人群的移动路径，计算各城市的综合风险概率；针对高风险人群预测，首先提取病患的关系数据，包括亲属与接触人群。再根据与病例的接触频率与时长设计疾病传染率。最后计算其亲属与接触人群的染病风险率，分析出高风险人群，可以此对其采取及时诊断或隔离的手段。  

图6. 城市风险与高风险人群智能预测的研究方案  

四、数据驱动的疫情分级防控    

疫情的有效防控依赖于疫情预警预测机制的建立，也与疫情暴发后居民的分级防护举措密切相关。目前，对外地返回深圳的无症状人员，常见的防护措施是先强制进行医学隔离观察，隔离期满解除观察自由活动。然而，人们所处的风险等级受多种因素共同影响，例如解除医学观察后的无症状者与他人的日常接触频率也会影响病毒携带的风险。为此，我们建议从病毒携带概率的角度出发，以小区为单位，对病毒携带风险等级不同的居民采取与其目前情况相匹配的防护措施，在关注居民健康的同时降低疫情对生活的影响。具体工作包括：1. 建立疫情期间的居民档案；2. 构建实现居民病毒携带概率自动判定的模型；3. 构建不同概率与防护举措之间的识别规则，设计分级防控方案，如图7所示。  

图7. 数据驱动的疫情分级防控研究方案  

对于潜在的病毒携带者，首先收集特征数据并建立疫情档案，实现各类数据初步的统计分析；其次，统计发病人群的上述特征，构建相应的概率模型，进而获取居民的病毒携带概率；最后，构建多级防控方案，搭建识别规则，并依病毒携带概率给出相应防护方案。  

不同于传统疫情防控方案，本方案具有如下特色：1.以小区为单位，构建疫情档案，为后续研究提供基础数据支持；2.以病毒携带概率细分居民在疫情中的健康风险，为无症状人员的主动防护提供数据依据；3.提出以病毒携带概率为基础的分级管理机制，提高防护的同时降低疫情对生活的影响。  

五、结语    

以大数据及人工智能为先驱的新兴技术已经成为遏制、阻断疫情蔓延的有效“武器”，我们以“大数据+群体智能”为技术手段，以系统工程为指导思想，搭建了面对突发重大疫情的智能防控一体化解决方案。后续将针对疫情中确诊人员的病例管理问题，从病例分析、医疗物资订单分配优化、医疗物资精益生产和配送等方面展开讨论，并给出面向突发疫情的系统化解决方案。  

值得注意的是，本文主要从技术的角度提出针对疫情的防控方案。但疫情防控并不仅仅是单纯的技术问题，更是一个复杂的社会系统工程问题。它涉及社区居民管理系统、城市交通管理系统、企业资源管理系统与医用物流传输系统等多个社会技术系统的协调与控制，需要全民参与，上下同心。中华民族历经千年风霜，在与疫病的抗争中一次次涅槃，在涅槃中一步步走向辉煌。此次疫情虽来势汹汹，但在党中央的统一部署下，在全国人民的众志成城中，我们有信心有决心，一定能打赢这场疫情防控阻击战！  

最后附上一首小诗：  

庚子伊始染肺炎，疫情突发扣心弦；  

山川异域筑防线，风月同天共克难；  

雷神火神齐上阵，智能防控非等闲；  

三位一体全覆盖，拨云驱魔是必然。  

致谢：感谢在微课制作过程中周天薇博士、肖溱鸽博士、耿爽博士、李丽教授提出的相关建议。