近年来已经提出了许多网络源检测的方法,尽管这些方法都没有特别考虑食源性疾病暴发的背景。有些方法不包含关于连边的不同权重的信息,而是仅通过采用网络中心性指标,认为观察到的污染过程最“中心”的节点是就是风险源。Shah和Zaman[105]的开创性工作介绍了谣言中心性的度量,它考虑了每个来源和被感染节点之间的线性扩展的数量。针对树状图导出了检测概率的方法和分析结果;为了应用于一般网络,必须使用宽度优先搜索(BFS)启发式算法,该启发式算法假设必须使用通过最短路径到达观测值的污染。基于介数中心性[116]和特征向量中心性[117,118]的其他方法适用于不使用最短路径启发式算法的一般网络,尽管介数中心性的计算基于最短路径属性。这些方法为网络源检测问题研究打下了基础,但都是基于完整的网络观察假设,有时候不一定现实。
近年来,已经开发了许多更可行的方法,只需要可观察到污染节点的子集(部分观察)即可识别风险源。这些方法可分为(1)时间方法——旨在利用来自通过网络的疾病和时间报告信息的方法,以及(2)非时间方法——仅依赖于报告污染的节点位置的方法。时间方法包括假设基于动态消息传递[119]和贝叶斯信念传播[106]方程或连续时间高斯传输模型[107,108]的离散时间流行(SI/R)传染模型的方法。虽然连续时间传输模型是对现实设置的更好近似,但这种方法受限于结构树设计并通过宽度优先搜索启发式扩展到一般图。也有其他的时间方法,以用户控制的间隔来观察部分节点的污染状态[109,110]。鉴于可用于解决该问题的时间数据不完整,这些方法对于食源性疾病环境并不适用。此外,基于传染模型的方法在传输媒介和食源性疾病传播扩散过程方面也是不同的。
非时间方法类别中的另一项工作涉及对网络上的有效距离的测量,其定义为从源头到观察的最短、最高概率路径具有通过网络的最短有效距离[112,113]。有效距离法是与食源性疾病设置最相关的现有源检测方法,并已应用于2011年EHEC检测[113]。尽管如此,它是一种启发式方法,只考虑每个观察的单一路径。在路径概率差异较小的食物供应网络中,有效距离方法将仅考虑单个最高概率路径。当应用于2011年EHEC暴发时,这种启发式方法在食品供应网络背景下,源识别结果不稳定[112,113]。(www.xing528.com)
因此,许多现有的源头检测方法无法在食源性疾病背景下实施,因为它们是为不同目的而设计的,食源性疾病根据扩散传播过程需要更完整的数据——所有节点或定时网络数据的污染状态。
本研究借助随机游走传输模型解决这一局限,提出了一种计算上易于处理的方法来计算沿着所有可能长度的所有可能路径的风险源和每个观察之间的总概率。由此产生的方法不仅可用于解决食品供应网络中的风险源识别问题,而且能更广泛地应用于一般网络扩散过程中的源识别。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。