用于分析演化网络中传播的时间级联模型及其在疾病监测中的应用

当前对网络中传播（例如疾病传播）建模的方法无法充分捕获数据的时间特性，如演化连接的顺序与持续时间，或沿这些连接传播的动态似然。演化网络中的时间模型在许多需要分析动态传播的应用中至关重要。例如，疾病传播病毒基于个体间随时间以不同频率、邻近度和场所人口密度发生的交互而具有变化的传染性。为捕获此类行为，我们首先开发了时间独立级联（T-IC）模型，并提出了一种我们证明为次模的新颖传播函数，以及一种高效利用动态传播概率的基于超图的采样策略。随后，我们利用所提 T-IC 过程引入“反向传播”概念，并给出识别哨兵/检测节点和高度易感节点的解决方案。所证明的近似质量保证使得对高度细粒度时间网络的可扩展分析成为可能。在多种真实世界数据集上的大量实验结果表明，通过考虑演化网络拓扑以及细粒度接触/交互信息，所提方法在建模传播是否发生及如何发生上显著优于其他方法。我们的方法具有众多应用，包括其对监测疾病传播这一重大挑战的效用。利用所提方法与 T-IC，我们分析了各种干预策略在真实时空接触网络上的影响。我们的方法还被证明在量化超级传播者重要性、设计针对性限制以控制传播以及逆向接触追踪方面高度有效。