Spatial Super-Infection and Co-Infection Dynamics in Networks
本文提出多重双病毒反应-扩散模型（MBRD-SI和MBRD-CI），刻画空间扩散与交叉扩散下的双病原体动力学，给出图灵及图灵-霍普夫不稳定性条件，并展示流行病斑图形成及跨领域应用潜力。
2025-08-21 nlin.AO nlin.PS physics.soc-ph
Understanding the temporal pattern of spreading in heterogeneous networks: Theory of the mean infection time
为了可靠地预测复杂系统中的流行病或信息传播模式，定义良好的度量是必不可少的。在异构网络上的易感染模型中，中间时间范围内的感染节点簇的大小波动太大，以至于不能使用其平均大小作为代表值。集群大小遵循相当广泛的分布，这是来自于当一个集线器节点被首次感染的时间的集群大小的变化。相反，感染给定数量的节点所花费的时间的分布很好地集中在其平均值上，这表明平均感染时间是一个更好的度量。我们表明，平均感染时间可以通过使用受感染的集群的边界区域的缩放行为进行评估，并使用它来找到一个非指数，但代数传播阶段在中间阶段的强异构网络。这种缓慢的传播起源于只有小度的节点留下易受感染，而大多数枢纽节点已经在早期的指数传播阶段被感染。我们的研究结果提供了一种绕过大的统计波动，并可靠地量化的时间模式下的结构异质性蔓延。
2019-04-09 physics.soc-ph
Repeat Contacts and the Spread of Disease: An Agent Model with Compartmental Solution
使用的概率来自一个物理模型的新的遭遇，我们增加了SIR房室模型的疾病传播。具有相同初始轨迹和相同$R_0$值的场景可能会根据我们的熟人圈变得陈旧的速度而产生很大的差异-导致最终案例计数的数量级差异。自感染以来平均时间的变化产生了动量效应，这反馈到新的感染率和爆发后期的更快下降。爆发的早期阶段可能会迅速消失，但一旦错过这个机会，效果就会减弱，然后，只有群体免疫才能有所帮助。
2020-06-12 physics.soc-ph q-bio.PE
In itinere infections covertly undermine localized epidemic control in metapopulations
本文扩展MIR复合种群框架以纳入行程中感染，发现该机制显著降低流行病阈值并使疫情轨迹去局部化，尤其在早期阶段削弱局部化防控效果。
2025-04-10 physics.soc-ph
Dynamics of Infection Spread and Hotspot Growth in Bi-Pathogen Networks
本研究基于多重双病毒反应扩散框架，通过数值实验分析重复感染与合并感染模型在不同条件下的行为，揭示多重结构对流行病传播的调控作用及相关定量规律，可为多病原体防控及其他多重传染过程研究提供参考。
2025-09-03 math.DS nlin.AO physics.soc-ph
On the uncertainty of real-time predictions of epidemic growths: a COVID-19 case study for China and Italy
虽然COVID-19在全球迅速传播，但提供疫情实时预测的需求推动了动态和统计模型对可用数据的适应，超出了其能力。在这里，我们专注于通过将渐近分布拟合到实际数据来进行COVID-19感染的统计预测。通过对中国各省和意大利地区的COVID-19感染总数的流行演变进行案例研究，我们发现，在疫情增长的早期阶段，预测的特点是具有很大的不确定性。这些不确定性在流行病达到高峰后大大减少。区域一级预测不确定性的差异可用来突出病毒传播的延迟。我们的研究结果警告说，长期外推的流行病计数必须极其小心地处理，因为它们不仅取决于数据的质量，而且还取决于流行病的阶段，由于内在的非线性本质的基本动力学。这些结果表明，实时流行病学预测应包括广泛的不确定性范围，并迫切需要编制高质量的感染计数数据集，包括无症状患者。
2020-04-20 physics.soc-ph q-bio.PE
Artificial Neural Network Prediction of COVID-19 Daily Infection Count
本文利用人工神经网络，结合检测数据、死亡人数和IFR回溯推算真实感染数，并用SEIR模型校准，以预测COVID-19每日感染人数。
2023-06-23 physics.soc-ph q-bio.PE
Epidemics on a stochastic model of temporal network
个体之间的接触是传染病传播的途径。这些接触图案可以由网络结构表示。静态结构一直是常见的建模范式，但最近的结果表明，时间结构发挥不同的作用，以调节感染或感染样动力学的传播。在时态网络上，顶点仅在某些时刻是活动的，否则不活动，因此接触不是连续可用的。在一些经验网络中，两个连续的顶点激活事件之间的时间通常遵循异质活动（例如突发）。在本章中，我们提出了一个简单直观的时间网络随机模型，并探讨如何流行病的时间结构共同演变，重点是流行病的增长动力学。该模型不假设底层拓扑结构，仅受两个连续顶点激活事件之间的时间约束。主要的观察结果是，在异质和同质的时间模式的情况下，感染传播的速度是不同的，但这种差异取决于流行病的阶段。与均匀场景相比，幂律情况在开始时会导致更快的增长，但在一定时间后会变得更慢，需要几个时间步长才能到达整个网络。
2012-04-24 physics.soc-ph q-bio.PE
Modeling Infection with Multi-agent Dynamics
发展全面研究小群体感染的能力使我们能够改进流行病模型，并更好地为个人提供有关其健康潜在风险的建议。我们目前对感染如何在小规模人群中传播的了解有限，因为很难在一个完整的社区内密切跟踪感染。这篇论文介绍了密切跟踪以学生宿舍为中心的感染传播的数据，这些数据是通过利用居民使用手机收集的。这些数据是基于为期四个月的每日症状调查和通过手机进行的近距离跟踪。我们证明，使用贝叶斯，离散时间的多代理模型的感染模拟真实世界的症状报告和接近跟踪记录给我们重要的见解感染在小群体。
2014-10-11 cs.MA cs.SI physics.soc-ph
Effect of antibody levels on the spread of disease in multiple infections
本文提出一个数学模型，研究抗体保留率对多重感染传播的影响，发现抗体衰减率影响传播过程，不同网络结构对衰减率敏感性不同。
2024-05-31 physics.soc-ph q-bio.PE
COVID-19 Should be Suppressed by Mixed Constraints -- from Simulations on Constrained Scale-Free Networks
病毒感染的传播在这里是通过人工人类网络来模拟的。在这里，人们的现实空间城市生活被建模为一个无标度网络的约束。一个无标度网络已被用于建模在线社区到目前为止，但在这里被用来表示人们的社会行为的目的，其中所产生的社区是有限的，反映在现实生活中的时空约束。结果，得出了三项结论和一项政策建议。首先，感染病例数量的时间序列中的峰值的高度倾向于对应于所有成员满足的组的大小的上限而减小。第二，如果我们对m0（一个人每次单独会见的所有其他人的数量）采用2到8之间的限制，那么只要我们允许规模W为8或更大的群体会议，它对抑制感染的效果可能就很弱。第三，这种适度的限制可能暂时看起来对减少早期感染有效，但结果可能只是延迟了高峰。基于这些结果，这里提出了一个策略：为了快速抑制感染的数量，如果使m0最多为1的约束过于严格，则将W限制为小于4。如果W设置为小于4，则根据结果将m0设置为4或更小，以快速减少感染。
2020-04-28 cs.SI physics.soc-ph
Predicting COVID-19 Infections Using Multi-layer Centrality Measures in Population-scale Networks
本文利用荷兰超百万人的多层网络数据研究中心性度量能否预测 COVID-19 感染风险与时间，发现其在模拟模型中有效但与真实检测数据无关联。
2023-10-31 cs.SI physics.soc-ph stat.AP
Asymmetrically interacting dynamics with mutual confirmation from multi-source on multiplex networks
在流行病发生的初期，由于缺乏确切的信息，个体采取保护措施以降低自身感染风险、抑制疾病传播的决心很可能依赖于多个信息来源及其相互印证。本文将层间相互确认机制引入到多重网络上的信息-疾病相互作用动力学中。在我们的模型中，个体一旦从多个层次的邻居状态中确认消息的真实性和疾病的严重性，就会增加信息传递率和采取防护措施的意愿。利用微观马尔可夫链方法，解析计算了稳态下的流行阈值、感知度和感染密度，与仿真结果吻合较好。我们发现，在确定有意识的邻居时，传播阈值的增量在通信层比在接触层大。相反，从接触层确认邻居的感知和感染导致比通信层更低的最终感染密度和更高的感知密度。研究结果提示，个体对邻居，尤其是与邻居有真实接触的人，明确暴露自己的感染和知晓状况，有助于抑制传染病传播。
2021-01-05 physics.soc-ph
Temporal Heterogeneities Increase the Prevalence of Epidemics on Evolving Networks
实证研究表明，接触模式遵循异质的事件间时间，这意味着高活动的间隔之后是不活动的时期。结合个人的出生和死亡，这些时间限制以非平凡的方式影响感染的传播，并取决于特定的接触动态。我们提出了一个随机模型来生成时间网络，其中顶点在异构事件间时间之后进行瞬时接触，并以固定的速率离开和进入系统。我们研究这些时间属性如何影响感染的流行，并估计R0，继发感染的数量，通过模拟感染（SIR，SI和SIS）与网络结构的共同发展。我们发现，异质接触模式导致更早和更大的流行病的SIR模型相比，同质的情况。在SI和SIS的情况下，流行病在早期阶段更快（高达90%的患病率），然后在异质模式的情况下，渐近极限减慢。在存在出生和死亡的情况下，与平均事件间隔时间相同的同质假设相比，异质模式总是导致更高的流行率。我们的研究结果表明，R0可能被低估，如果时间异质性不考虑在流行病的建模。
2012-06-26 cs.SI physics.med-ph physics.soc-ph
Multivariable Behavioral Change Modeling of Epidemics in the Presence of Undetected Infections
University of Minnesota（明尼苏达大学）；University of Calgary（卡尔加里大学）；McGill University（麦吉尔大学）
本文提出一种新的贝叶斯流行病建模框架，通过整合行为响应和未检测感染来更准确地捕捉疾病传播的复杂性，通过模拟和新冠数据验证其有效性。
2026-05-09 physics.soc-ph stat.ME
Fast Response to Infection Spread and Cyber Attacks on Large-Scale Networks
我们提出了一种策略，用于设计快速响应网络攻击和感染在复杂加权网络上传播的方法。在这些网络中，节点可以被解释为系统的原始元素，加权边反映了这些元素之间的相互作用的强度。所提出的策略属于家庭的多尺度方法，其目标是近似的系统在多个尺度的粗糙度，并获得微观尺度的解决方案，通过结合从粗尺度的信息。近年来，这些方法已经证明了它们在解决大规模网络优化和分析问题方面的潜力。我们考虑的最优化问题，是基于SIS流行病模型。其目的是检测网络节点，必须进行免疫，以保持系统中的低水平的感染。
2012-06-30 cs.CR cs.SI physics.soc-ph
In-store epidemic behavior: scale development and validation
传染病的流行已经伴随人类很长一段时间，并根据规模，造成各种不良的社会和经济后果。在COVID-19疫情持续期间，许多国家的政府实施限制措施以抑制感染传播。隔离和限制人际接触是特别推荐的行动。遵守隔离规则可能涉及在日常活动中限制自由，例如购物。这项研究的目的是制定一个规模的店内流行病的行为。整个过程包括3个阶段：定性研究、量表提纯和量表验证，基于3个研究：1个定性研究（20个深度访谈），2个定量研究（分别为373和584名受访者），并允许识别8个因素。随后，建立了一个理论模型来研究店内感染威胁对已识别变量的影响。所有已识别的因素均与店内感染威胁显著相关，这重申了提供揭示大流行真实规模的信息的重要性，并且没有给个人留下主观概率判断的空间。开发的量表可以帮助抵消虚假信息，评估消费者行为的合规性和对政府官方建议的理解，从而实现更有效的教育工作。
2020-05-04 physics.soc-ph
Infection patterns in simple and complex contagion processes on networks
本文对比网络上多种简单与复杂传染模型，揭示简单传染的感染模式高度稳健，而复杂及阈值传染会随参数和互动机制产生显著差异。
2024-06-04 physics.soc-ph
Estimating Infection Sources in Networks Using Partial Timestamps
我们研究了基于网络拓扑结构和感染时间戳子集识别网络中感染源的问题。在树型网络中存在单个传染源的情况下，我们导出了传染源和未知扩散参数的极大似然估计。然后，我们引入了一个新的启发式，涉及一个参数化的家庭Gromov矩阵的优化开发一般图的单源估计算法。与文献中常用的广度优先搜索树启发式算法相比，仿真结果表明，我们的方法比其他几种基准算法具有更好的估计精度，即使这些算法需要更多的信息，如扩散参数。接下来，我们开发了一个多源估计算法的一般图，它首先划分的图形到源候选集群，然后将我们的单源估计算法应用到每个集群。我们表明，如果图是一棵树，那么每个源候选簇包含至少一个源。使用合成和真实网络的模拟以及使用真实数据的实验表明，我们提出的算法能够在少量跳数内估计真正的感染源，并观察到一小部分感染时间戳。
2019-03-05 cs.SI physics.soc-ph
