[01231810]人流大数据和AI驱动的新型冠状病毒（COVID-19）传播建模预测和模拟推演平台

新型冠状病毒的感染传播与人流移动存在密不可分的关联。然而,现阶段研究只停留在简单的相关性分析以及基于全国地图的数据可视化阶段,欠缺细粒度深度数据分析,更缺少基于人流移动的感染传播追溯及潜在感染源识别模型。本研究旨在解决粗颗粒度的活动轨迹临床调查及密切接触者人工排查所具有的精度低,易遗漏,难追踪等痛点,通过大数据和AI驱动技术,实现传播源追溯及潜在感染源识别。并开发针对新型冠状病毒传播的大数据分析和AI建模平台,完成对新型冠状病毒的传播和感染人群细粒度建模,从而实现在城市区域内细粒度预测、模拟和推演传播感染情况。 本研究通过整合、处理和分析各类多模态人流移动和出行大数据,结合新一代的人工智能技术,实现对新型冠状病毒（COVID-19）的传播和感染人群分布进行监测、建模、模拟以及传播追溯及潜在感染源识别。本研究的核心研究内容包括： （1）新型冠状病毒（COVID-19）传播感染和人流移动的映射模型的建立,包括潜伏期分析,传染代数分析等; （2）隐藏病患分析,基于疾病传播为链式,根据缺失的轨迹链反推出尚未确诊的实际病患; （3）风险人群分析,可根据病患轨迹寻找可能有接触的风险人群,提前预警; （4）潜在病原地挖掘,可分析病人间的轨迹交叉点确认潜在的未知病原地。 在以上功能基础上,实现在城市尺度上,基于人流移动的新型冠状病毒（COVID-19）传播感染情况的细粒度预测和模拟。并根据制定不同的隔离和公共防疫政策,推演和模拟传播感染情况。 本研究的创新和优势：（1）个人尺度的感染风险由生活环境,移动轨迹,接触人群密切程度等跨领域、多种要素共同决定。现有评价理论与方法难以融合这些关键要素,实现对复杂移动环境下个人尺度的感染风险的有效评价。因此,目前缺少细颗粒度、大规模潜在感染风险源检测的决策依据。本研究通过建立复杂环境下个人尺度的感染风险评价方法,分别在不同时间尺度下、传播概率与本质安全的不同视角下的要素建模与分析方法,融合城市移动性、传播物理模型、个人轨迹追踪、接触风险概率特征与功能特性,提出多维度评价方法。（2）城市尺度病毒传播属于具有复杂序列自相关性质与空间相互作用的多元时间序列,同时受到多方面影响要素的驱动作用,这种供需数据内部和供需数据与影响间的复杂关系构成大时间跨度传播状态演化的复杂规律。传统的理论分析模型难以提炼多因素共同作用的复杂规律,数据挖掘模型的“黑箱”特质又阻碍了其在实际的大规模应用。本研究提出的供需演化规律分析方法通过理论模型约束深度学习模型,这将打破数据模型与理论模型在传播预测领域的方法壁垒。