Spatio-Temporal SIR Model of Pandemic Spread During Warfare with Optimal Dual-use Healthcare System Administration using Deep Reinforcement Learning
本文提出融合SIR流行病模型与Lanchester战争模型的时空数学模型，并利用深度强化学习优化军民两用医疗系统管理策略，揭示战时疫情下应依据即时死亡率在救治伤兵与染疫平民间动态优先分配医疗资源。
2024-12-18 cs.LG cs.MA physics.soc-ph
Emergence of Self-Sustained Oscillations for SIRS Model on Random Networks
研究了随机网络上疾病传播的SIRS（susceptible/ infected/ refractory/ susceptible）模型从持续期到灭绝期的相变.通过研究该模型在随机网络上的时间演化和同步参数，我们发现，该模型在随机网络上，在聚类系数很小的范围内，表现出同步相.这一发现证实了文献[4]中的结论，即聚集系数是导致小世界网络中同步相出现的原因。
2019-11-16 cond-mat.stat-mech physics.soc-ph
Epidemic spreading in modular time-varying networks
我们研究模块和时间连接模式对传染病传播的影响。为此，我们介绍和解析地描述了一个具有可调模块性的时变网络模型。在此框架下，我们研究了易感-感染-易感（SIR）模型的流行规模和易感-感染-易感（SIS）模型的流行阈值。有趣的是，我们发现，虽然紧密连接的集群的存在抑制SIR过程，它加速SIS疾病。在这种情况下，我们观察到，异构的时间连接模式和模块化结构引起的阈值降低随时间变化的网络没有社区。我们确认的理论结果，通过广泛的数值模拟合成图，以及在一个真正的模块化和时间网络。
2017-10-03 physics.soc-ph
Well-posedness results for a new class of stochastic spatio-temporal SIR-type models driven by proportional pure-jump Lévy noise
本文首次将纯跳Lévy噪声引入随机时空SIR型流行病模型，利用半群理论、截断技术和Banach不动点定理证明温和解的存在唯一性、连续依赖性及几乎必然正性，并通过数值模拟展示其相对于高斯噪声的影响。
2023-03-31 math.DS math.PR physics.soc-ph
An Empirically-parametrized Spatio-Temporal Extended-SIR Model for Combined Dilution and Vaccination Mitigation for Rabies Outbreaks in Wild Jackals
本研究提出经验参数化的时空扩展SIR模型，结合图框架和智能体模拟，评估以色列北部豺狂犬病暴发中稀释与疫苗接种联合缓解措施的有效性，发现其受种群大小影响小，但对活动中心间扩散敏感。
2025-01-26 cs.IR physics.soc-ph
A Systematic Framework of Modelling Epidemics on Temporal Networks
我们提出了一个建模框架，流行病的传播时间网络的个人为基础的和对为基础的模型可以恢复。从这个框架中系统地推导出的基于时间对的模型通过远离以边缘为中心的描述同时保持描述简洁和相对简单，提供了对现有基于对的模型的改进。对于传染过程，我们考虑了易感-感染-扩散（SIR）模型，该模型在具有时变边缘的网络上实现。我们发现，从个人为基础的角度对基于数量的转变，使时间树网络上的马尔可夫流行病过程的精确建模。在任意网络上，与基于个体的模型相比，所提出的基于对的模型以较低的计算和概念成本提供了准确性的大幅提高。从基于对的模型中，我们分析找到了流行病发生的必要条件，也称为流行病阈值。由于SIR模型只有一个稳定的不动点，即全局非感染状态，我们通过观察模型的初始稳定性来识别流行病。
2020-11-15 nlin.AO physics.soc-ph
Temporal percolation of the susceptible network in an epidemic spreading
在这项工作中，我们研究了易感个体的进化过程中的流行病的传播模型的易感性感染恢复（SIR）过程的复杂网络上的顶部传播。使用基于边缘的分区方法和渗透工具，我们发现，一个时间依赖量$Φ_S(t)$，即一个节点的给定邻居在时间$t$是易感的概率，是一个节点的空隙渗透过程的控制参数，涉及网络上的那些节点没有达到的疾病。我们证明了存在一个临界时间$t_c$，超过这个临界时间，巨敏感分量被破坏。因此，为了保持由健康个体组成的网络的宏观连接部分，以保证其功能，任何缓解策略都应该在这个关键时间$t_c$之前实施。我们的理论结果证实了广泛的模拟SIR过程。
2012-09-23 cs.SI physics.soc-ph
Temporal connection probabilities in real networks
Cyprus University of Technology（塞浦路斯科技大学）
本文提出一种非马尔可夫闭式表达式，统一了隐含双曲几何与过去交互的长期记忆，用于预测复杂网络中链接形成的时间和位置，揭示了几何与记忆共同塑造链接动态的机制。
2026-04-26 cs.SI 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
Epidemic Spreading and Aging in Temporal Networks with Memory
时变网络拓扑结构可以深刻地影响由它们介导的动力学过程。人们还知道，个体之间互动模式中的记忆效应会影响扩散和传播现象的发生。在本文中，我们分析了这两种成分对网络上流行病动力学的综合影响。在最近引入的具有记忆的活动驱动网络上，研究了易感染-易感染（SIS）和易感染-易感染-移除（SIR）模型。通过基于活动的平均场方法，我们推导出，在很长的时间限制，分析预测的流行阈值作为一个函数的参数描述的活动分布和记忆效应的强度。我们的研究结果表明，记忆降低了阈值，这是相同的SIS和SIR动态，因此有利于传染病传播。在长时间渐近状态下，理论计算与数值模拟结果完全一致。强的老化效应存在于前渐近制度和流行病的阈值深受流行病的开始时间的影响。我们详细讨论了依赖于模型的前渐近校正的起源，其理解可能允许相关的时间网络的流行病控制。
2018-12-19 cs.SI physics.soc-ph q-bio.PE
Analytic solution of Markovian epidemics without re-infections on heterogeneous networks
本文针对无重复感染的异构网络马尔可夫流行病模型，给出了连续时间仓室过程的解析闭式解，将特征值与接触图割集关联，并解析求解了SI和SIR过程，同时指出该方法可扩展至非马尔可夫、时序网络及单纯形传染等更复杂情形。
2023-11-28 physics.soc-ph
Discovering Key Nodes in a Temporal Social Network
[背景]发现关键节点在社会网络分析（SNA）中具有重要意义。对关键节点的有效、准确挖掘，促进了广告、推荐等领域的成功应用。【方法】针对用户行为的时间属性和类别属性--何时转发或回复消息，以及通过结构嵌入度量的社交亲密度，设计了一种更敏感的PageRank类算法，以适应不断增长和变化的社交网络，挖掘关键节点。【结果】与基线PageRank算法相比，在SNAP Higgs数据集的SIR疾病模拟中，该算法选择的关键节点表现明显更好。[结论]这些结果有助于更好地理解社会事件在网络上的传播。
2018-03-01 cs.SI physics.soc-ph
Epidemic Model with Isolation in Multilayer Networks
易感-感染-康复（SIR）模型成功地模拟了甲型流感（H1N1）等空气传播疾病的传播。虽然SIR模型最近被研究在一个多层的网络配置，在几乎所有的研究中，被感染的个人的隔离被忽视。因此，我们把我们的研究集中在一个两层网络的流行病模型中，我们使用隔离参数来衡量隔离期间从两层隔离感染个体的效果。我们称这个过程为易感-感染-隔离-隔离（$SI_IR$）模型。隔离减少了疾病的传播，因为感染传播的时间缩短了。在这种情况下，我们发现，流行病的阈值与隔离时间和隔离参数的增加。当隔离期最长时，隔离参数有一个阈值，超过这个阈值，疾病就不会成为流行病。我们还发现，流行病模型，如$SIR$高估了感染的理论风险。最后，我们的模型可以为未来的研究提供基础，以研究疾病的时间演变与真实数据校准我们的模型。
2015-06-16 physics.soc-ph
Identification of Patient Zero in Static and Temporal Networks - Robustness and Limitations
零号病人的检测可以为流行病学家提供关于首次传播到人群中的性质的新见解。在本文中，我们研究的统计推断问题，检测流行病的来源，从一个任意的网络结构上传播的快照。通过使用精确的解析计算和蒙特卡罗估计，我们证明了SIR模型的可检测性限制，这主要取决于传播过程的特点。最后，我们证明了这种方法的适用性，在一个模拟的性传播感染的情况下，传播经验的时间网络的性互动。
2015-06-11 cs.SI physics.soc-ph
Revealing latent factors of temporal networks for mesoscale intervention in epidemic spread
在时间网络中，流行病缓解的传统观点取决于识别具有特定特征或网络角色的节点。然而，随之而来的基于个人的控制策略，很难在实践中进行，并忽略了重要的拓扑和时间模式之间的相关性。在这里，我们采用中观的视角，并提出了一个原则性的框架，以确定在多个尺度的集体特征，并排名其重要性的流行病传播。我们使用张量分解技术来建立一个时间网络的附加表示的介观结构，如凝聚力集群和时间本地化的混合模式。这种表示允许确定单个介观结构对流行病传播的影响，并评估去除所选结构的有针对性的干预措施的效果。我们说明了这种方法使用高分辨率的社交网络数据在学校面对面的互动，并表明我们的方法提供了有效的中尺度干预措施的设计。
2015-01-12 cs.SI physics.soc-ph
Critical Node Detection in Temporal Social Networks, Based on Global and Semi-local Centrality Measures
本研究关注时态社交网络中的关键节点检测，提出了三种新度量方法，并基于 SIR 流行病模型验证其能更准确地识别影响节点，可应用于控制流行病传播或加速信息传播。
2024-09-23 cs.SI physics.soc-ph
Detecting Overlapping Temporal Community Structure in Time-Evolving Networks
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Raytheon BBN Technologies（雷神BBN技术公司）
我们提出了一个原则性的方法来检测重叠的时间社区结构的动态网络。我们的方法是基于以下框架：找到重叠的时间社区结构，最大化的质量函数与网络的每个快照的时间平滑约束。提出了一种新的质量函数和光滑性约束来处理重叠，并使用一种新的凸松弛来解决由此产生的组合优化问题。我们提供了理论保证以及实验结果，揭示了真实和合成网络中的社区结构。我们的主要观点是，某些结构可以确定只有当时间相关性被认为是当社区被允许重叠。一般来说，发现这种重叠的时间社区结构可以通过揭示其看似混乱的演化背后的潜在稳定性来增强我们对现实世界复杂网络的理解。
2013-03-28 cs.LG cs.SI physics.soc-ph
The interplay of network structure and correlated infectious traits in epidemic models
University of Virginia（弗吉尼亚大学）；Vermont Complex Systems Institute, University of Vermont（佛蒙特大学复杂系统研究所）
研究网络结构与个体传染性特征的相互作用，通过SIR模型分析群体结构和度异质性的影响，推导基本再生数并验证社会干预的有效性。
2026-05-12 physics.soc-ph q-bio.PE
Modeling sequences and temporal networks with dynamic community structures
在不断发展的复杂系统中，如空中交通和社会组织，集体效应产生于其许多组成部分的动态相互作用。虽然动态交互可以用具有随时间变化的节点和链接的时间网络来表示，但它们仍然非常复杂。因此，经常需要使用提取时间网络的大规模动态社区结构的方法。然而，这样的方法受到过拟合或遭受任意的，先验强加的时间尺度的影响，而不是从数据中提取。在这里，我们同时解决这两个问题，并开发一个原则性的数据驱动的方法，确定相关的时间尺度，并确定发生在网络上的动态模式，以及塑造网络本身。我们的方法基于一个任意阶马尔可夫链模型与社区结构，并开发了一个非参数贝叶斯推理框架，确定最简单的这样的模型，可以解释时间交互数据。
2017-09-20 cond-mat.stat-mech cs.SI physics.soc-ph
Predicting commuter flows in spatial networks using a radiation model based on temporal ranges
由于交通基础设施和人类流动的复杂性质，理解诸如大型交通网络中的通勤交通的网络流是持续的挑战。在这里，我们展示了一个基于第一性原理的交通预测方法，使用基于成本的概括的辐射模型的人类流动，再加上成本最小化算法的有效分布的流动性通量通过网络。使用美国人口普查和高速公路交通数据，我们表明，交通可以有效地和准确地计算范围有限，网络介数类型的计算。基于旅行时间成本的模型捕获的对数正态分布的交通，并达到较高的皮尔逊相关系数（0.75）相比，真正的交通。由于其原则性的性质，这种方法可以告知许多应用程序相关的人类流动驱动的空间网络中的流量，从交通运输，通过城市规划，减轻灾难性事件的影响。
2014-10-17 cond-mat.stat-mech cs.SI physics.soc-ph
STAN: Spatio-Temporal Attention Network for Pandemic Prediction Using Real World Evidence
目标：COVID-19大流行带来了许多需要立即关注的挑战。已经开发了各种流行病学和深度学习模型来预测COVID-19疫情，但所有模型都有限制，影响预测的准确性和稳健性。我们的方法旨在解决这些局限性，并通过（1）使用来自不同县和州的患者EHR数据，编码当地疾病状态和医疗资源利用情况;（2）考虑不同地点之间的人口相似性和地理邻近性;（3）将流行病传播动态集成到深度学习模型中，从而更早，更准确地预测大流行病爆发。材料和方法：我们提出了一个时空注意力网络（STAN）的流行预测。它使用基于注意力的图卷积网络来捕捉地理和时间趋势，并预测未来固定天数的病例数。我们还设计了一个基于物理定律的损失项，以增强长期预测。STAN使用大量真实世界的患者数据和约翰霍普金斯大学在美国所有县提供的开源COVID-19统计数据进行了测试。结果如下：STAN在长期和短期预测方面均优于SIR和SEIR以及深度学习模型等流行病学建模方法，与最佳基线预测模型相比，均方误差降低高达87%。结论：通过使用来自真实世界患者数据和地理数据的信息，STAN可以更好地捕获疾病状态和医疗资源利用信息，从而提供更准确的流行病建模。通过基于流行病传播规律的正则化，STAN也取得了良好的长期预测性能。
2020-12-07 cs.SI physics.soc-ph q-bio.PE
Online detection of temporal communities in evolving networks by estrangement confinement
时间社区是在一个不断发展的复杂网络的多个快照中对节点进行一致划分的结果，它可以帮助揭示网络中密集的集群如何随着时间的推移而出现、组合、分裂和衰退。目前的方法，在一个单一的快照中找到社区是不直截了当地推广到寻找时间社区，因为用于寻找静态社区的质量函数具有高度退化的景观，并最终分区中选择的许多分区的类似质量是高度敏感的网络中的小变化。为了可靠地检测时间社区，我们不仅需要在给定的快照中找到一个好的社区分区，而且还需要确保它与之前的快照中找到的分区具有一些相似性。我们提出了一种新的措施，分区距离称为“疏远”的动机节点间的关系，当纳入到分区质量的测量，有利于检测有意义的时间社区的惯性。具体来说，我们提出了疏远限制方法，它假设社区中的相邻节点更愿意继续分享社区的联系，随着网络的发展。约束疏远使我们能够找到有意义的时间社区在不同程度的时间平滑在不同的现实世界的数据集。具体来说，我们研究了美国国会参议员投票行为的演变，人类移动数据集中邻近度的演变，以及合成网络中难以找到的进化社区的检测。因此，疏远限制提供了一个原则性的方法来发现不断发展的网络中的时间社区。
2012-03-22 cond-mat.stat-mech cs.SI physics.soc-ph
Stochastic epidemic dynamics on extremely heterogeneous networks
能够传播传染病的接触者网络往往具有高度异质性，大多数人的接触者少于平均数，而相当一部分人的接触者相对较多。我们推导出一个二维的扩散模型的全时间行为的随机易感染性恢复（SIR）模型在这样的网络上，利用时间尺度分离的确定性限制的动态。这个低维过程是一个精确的近似完整的模型在大人口的限制，即使是在时间尺度分离不是太明显的情况下，提供的最大程度不是人口规模的顺序。
2016-12-19 physics.bio-ph physics.soc-ph q-bio.PE
