 |
 |
 |
 |
 |
 |
 |
Open-source Model Library
开源模型库开源模型库
本课题组围绕人口合成与人类移动建模、传染病时空传播模拟与智能化防控策略优化，持续整理可复用的模型、算法与相关资源。本页面聚焦三类内容：人口合成与人类移动建模、传染病时空传播模型，以及传染病时空防控策略优化模型。
每个模块提供简要说明、代表性论文、图示资源，以及代码仓库入口和压缩包下载，便于教学展示、研究复现与进一步扩展。
人口合成与人类移动建模
该模块涵盖空间显式人口合成、人类移动轨迹及起讫点（OD）流网络生成方法，为城市模拟和传染病建模提供基础输入。EpiPopSynth 用于构建合成人口，M-STAR 与 Traveller 用于生成人类移动轨迹与刻画复杂移动行为。
EpiPopSynth
EpiPopSynth 结合微观抽样调查数据与人口统计约束，通过家庭结构编码和双层启发式优化生成具有空间显式属性的合成人口，为大规模传染病时空模拟和个体级建模提供人口基础。
M-STAR
M-STAR 通过多尺度时空自回归框架生成人类移动轨迹，显式建模不同时间与空间层级上的移动规律。该方法结合由粗到细编码移动模式的多尺度时空分词器，以及基于 Transformer 的下一尺度解码器，实现高效、准确的长期移动生成。在两个真实数据集上的实验表明，该方法在轨迹保真度、长期连贯性和计算效率方面均优于自回归与扩散模型基线，可为数据驱动的城市分析提供高保真的合成移动数据。
传染病时空传播模型
该模块包含人群级与个体级传染病时空传播模拟模型，用于表达人群及个体移动、接触结构、疾病传播动力学，以及干预响应在不同时间和空间尺度上的演化过程。
基于网络的元种群传播模型
基于网络的元种群传播模型结合区域间人口移动与区域内疾病传播过程，用于模拟疫情及干预措施在时间和空间上的传播与演化。
相关论文
- Zhu K, Yin L, Wang S, et al. SIMPLINET: a transmission network simplification method for spatiotemporal epidemic modelling.
- Shi, Y., Lv, Q., Zhu, K., Cai, J., Kong, D., Liu, K., & Yin, L. (2025). Estimating the two consecutive epidemic waves of SARS-CoV-2 Omicron in Shenzhen, China from November 2022 to July 2023: a modeling study based on multi-source surveillance and mobility data.
- Li, X., Yin, L., Liu, K., Zhu, K., & Cui, Y. (2024). Deep-reinforcement-learning-based optimization for intra-urban epidemic control considering spatiotemporal orderliness.
- Liu, K., Shi, Y., Wang, S., Zhao, X., & Yin, L. (2024). Impact of initial outbreak locations on transmission risk of infectious diseases in an intra-urban area.
空间显式个体级 ABM 传播模型
空间显式个体级 ABM 传播模型能够表达个体属性、家庭结构、建筑物级活动位置、不同场所的接触结构、感染状态转移、精细化干预措施及行为响应。该模型可融合手机轨迹等大规模个体位置数据、人口普查数据与真实建筑物特征，并支持超过一千万智能体的传染病时空传播模拟。
相关论文
- Luo, Y., Yin, L., Zhu, K., & Liu, K. (2025). Architecting urban epidemic defense: A hierarchical region-individual control framework for optimizing large-scale individual mobility interventions.
- Zhang, H., L. Yin, L. Mao, S. Mei, T. Chen, K. Liu, and S. Feng. Combinational Recommendation of Vaccinations, Mask-Wearing, and Home-Quarantine to Control Influenza in Megacities: An Agent-Based Modeling Study With Large-Scale Trajectory Data.
- Ling Yin, Hao Zhang, Yuan Li, Kang Liu, Tianmu Chen, Wei Luo, Shengjie Lai, Ye Li, Xiujuan Tang, Li Ning, Shengzhong Feng, Yanjie Wei, Zhiyuan Zhao, Ying Wen, Liang Mao, Shujiang Mei. A data driven agent-based model that recommends non-pharmaceutical interventions to suppress Coronavirus disease 2019 resurgence in megacities.
- Hao Zhang, Ling Yin, Kang Liu, Liang Mao, Shengzhong Feng, Jie Chen, Shujiang Mei. Effectiveness of Non-pharmaceutical Interventions on suppressing the 1st wave of COVID-19 epidemic in Shenzhen: an agent-based modelling study.
传染病时空防控策略优化模型
该模块聚焦基于强化学习的疫情防控优化模型，在不同时间和空间尺度下平衡疫情抑制效果、干预成本、时空协同，以及不完全信息条件下的决策稳健性。
面向时空有序性的疫情防控深度强化学习模型
DRL_EPC_STO 关注在多区域传播场景中优化具有时空有序性的干预策略，通过深度强化学习协调不同区域、不同时段的控制强度，以提升整体防控效率。
分层区域-个体协同疫情防控优化模型
Hi_RICE_EPC 构建区域层与个体层协同联动的决策框架，用于优化大规模个体流动干预，在疫情抑制与干预成本之间进行权衡。
Copyright © 2017 High Performance Computing Center, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences.
Designed by Chunxia Zeng. Oct 15 2017.