一种顾及动态交互作用的城市健康韧性时空特征建模方法与流程

本发明涉及地学统计与空间分析应用领域，尤其是涉及一种顾及动态交互作用的城市健康韧性时空特征建模方法。

背景技术：

1、随着城市化进程日益加速，城市也面临更多挑战，如自然灾害、突发公共卫生事件、环境污染等。为了使城市能够更好地应对各种冲击，通过合理准备和缓冲，以应对各类威胁并快速恢复和维持正常运转，“城市韧性”这一概念被引入到城市规划中。世界卫生组织（who）于1994年提出“健康城市”的概念，旨在通过改善自然社会环境、扩大社会资源来促进城市居民的健康水平。

2、世界各地逐渐践行健康城市的建设工作，并开展一系列相关研究。学者从基础设施、生态环境、社会经济、响应能力等方面来分析居民抵御突发健康风险的能力，对人群脆弱性进行分级来评价健康韧性，从而辅助政府定制决策措施。针对不同健康风险和不同研究区域，各因素作用程度有所不同，且因素之间可能存在交互影响。以基础设施为例，交通网络在救援中发挥重要作用，道路交通性能越好，越有利于救援；但在出现突发公共卫生事件如大型流行病时，便捷的交通网使得人员流动更加便利频繁，加速了病毒在空间范围内的扩散。总体而言，现有研究往往对因素之间的交互影响考虑不足，且大多未考虑诸如人口流动之类的动态指标，因此亟需从系统的角度构建顾及动态交互作用的城市健康韧性时空特征建模方法。

3、在出现突发公共卫生事件时，人口流动是疾病传播扩散的最主要因素之一，人群受到的健康风险不仅存在传统意义上的时空关联，还存在克服传统空间距离的人口流动网络时空关联，但现有方法往往没有充分考虑这种时空关联效应对结果产生的影响，造成方差膨胀和错误拒绝原假设，加大建模及分析结果的误差。

4、此外，目前对城市健康韧性时空特征探测的方法包括可视化、描述性统计及探索性空间分析等，大多为定性分析，能够直观体现研究区域内不同单元城市健康韧性的分布模式。但在定量分析方面，上述方法对造成健康韧性空间格局差异影响因素的归因探测仍存在局限性。

5、综上所述，城市健康韧性时空特征及影响因素分析仍面临以下三个方面的问题：（1）现有大多城市健康韧性相关研究忽视了城市应对突发事件时各因素动态变化过程和交互影响作用。现有研究往往以人口、经济、环境、固有医疗资源等静态数据作为建模分析指标，而在不同时间地点，针对不同健康风险，各因素作用程度存在动态差异且因素之间可能交互影响。（2）现有城市健康韧性时空建模过程中大多只考虑经典意义上的时空关联，但其不能完全反映研究单元之间关联程度，导致建模结果欠佳。因此，在城市健康韧性时空特征建模及影响因素分析中，同时考虑跨距离人口流动网络时空关联效应十分必要。（3）现有对城市健康韧性时空特征及影响因素分析的研究大多为定性分析，对造成健康韧性空间格局差异影响因素的归因探测仍存在局限，需要进一步进行定量分析，精准探究各因子对城市健康韧性影响的显著性与强弱程度。

技术实现思路

1、为解决上述背景技术中提出的问题，本发明采取的技术方案为：

2、一种顾及动态交互作用的城市健康韧性时空特征建模方法，包括如下步骤：

3、s1、选取城市健康韧性评价指标；

4、s2、获取城市健康韧性相关指标数据及动态外界扰动数据，并对数据进行预处理；

5、s3、计算不考虑外界扰动情况下的基础静态城市健康韧性得分；

6、s4、通过构建传染病动力学模型来模拟健康扰动强度，传染病动力学模型中引入传染病易感人数、潜伏人数、感染人数和移出人数的变量；

7、s5、提取城市健康扰动时空关联特征，得到时空特征向量集合，并从中筛选出代表研究单元中存在的健康扰动时空关联信息的典型时空特征向量；

8、s6、建立城市健康风险拟合模型，模型中，以步骤s2中的经过预处理和筛选得到的数据，及步骤s5中筛选得到的典型时空特征向量作为自变量，以动态城市健康韧性得分为因变量，动态城市健康韧性得分为步骤s4中的感染人数的变化率的倒数；

9、s7、利用步骤s6中建立的城市健康风险拟合模型，进行城市健康韧性风险评价及预测。

10、进一步地，在步骤s1中，城市健康韧性评价指标包括静态指标与动态指标；

11、其中静态指标包括基础设施、自然环境与社会经济，动态指标包括动态医疗资源变化、城市人口流动规模、城市动态人口分布状态与新增感染风险。

12、进一步地，在步骤s2中，具体包括如下步骤：

13、s2.1、根据步骤1中确定的城市健康韧性评价指标收集数据；

14、s2.2、对数据中的异常值、空值进行处理；

15、s2.3、确定研究所需时间分辨率和空间分辨率，采用重采样或平均值法，统一数据的时空分辨率；

16、s2.4、对数据进行归一化处理，归一化公式如下：

17、；

18、其中是归一化后的城市健康韧性影响指标x，和分别为城市健康韧性影响指标x的最大值和最小值。

19、进一步地，在步骤s3中，具体地：

20、采用层次分析法，首先确定目标层、准则层和指标层，然后比较不同指标之间的重要性，构建判断矩阵，计算矩阵的特征向量，求出各个静态指标的相对权重，初步得到层次分析ahp权重：

21、；

22、然后，对于指标层，计算每个指标的信息熵，用于衡量指标的信息丰富程度，如下所示：

23、；

24、其中m为研究时间节点总数，为信息熵，为在第p个指标在时间t的指标值占比，为常数，；

25、计算每个静态指标的权重修正因子，即熵值权重，具体计算如下公式所示：

26、；

27、将ahp权重和熵值权重加权平均，得到二者结合的指标权重；

28、然后根据确定的指标权重，将步骤2中预处理后的数据代入，计算得到不考虑外界扰动情况下的基础静态城市健康韧性得分。

29、进一步地，在步骤s4中，具体地：

30、易感人数表示在传染病流行期间，在研究单元i没有被感染但是可能被感染的人数；

31、潜伏人数表示研究单元i中已经感染病毒但尚未表现出症状的人数；

32、感染人数表示在传染病流行期间，研究单元i己经被感染且具有传染能力的人数；

33、移出人数表示在传染病流行期间，研究单元i已经被治愈或死亡的人数；

34、将上述变量建立微分方程并估计参数，如下：

35、；

36、其中， + +  +  =，为第i个研究单元的总人口数，为确诊患者的传染概率，为潜伏期患者表现出相应症状转化确诊发病者的速率，是确诊患者的移出率。

37、进一步地，在步骤s5中，具体包括如下步骤：

38、s5.1、分别建立基于城市单元空间邻近关系的空间邻接矩阵w和基于城市单元人口交互强度关系的动态空间邻接矩阵；

39、基于城市单元空间邻近关系的空间邻接矩阵w采用空间拓扑关系法等来构建；

40、基于城市单元人口交互强度关系的动态空间邻接矩阵通过所获取的公共卫生事件下城市研究单元间在t时刻的人口交互强度数据来构建，在t时刻，起始单元i到目标单元j的人口流动强度记为，将t时刻所有研究单元间的人口流动强度数据归一化得到，即为邻接矩阵第i行第j列的矩阵元素值，研究单元间人口流动强度数据归一化公式如下：

41、；

42、其中和分别代表t时刻所有研究单元间的人口流动强度的最大值和最小值；

43、s5.2、建立时间邻接矩阵t，以衡量变量的时间关联关系；

44、s5.3、将矩阵w、分别与矩阵t进行克罗内克积运算，得到时空扩展矩阵，矩阵w与矩阵t进行克罗内克积运算如下：

45、；

46、其中，表示矩阵w的时空滞后扩展矩阵，为k×k维时间单位对角矩阵，k为总研究时间节点数，为n×n维空间单位对角矩阵，n为研究范围内总研究单元数，为克罗内克积运算符；

47、矩阵与矩阵t进行克罗内克积运算如下：

48、；

49、其中，表示矩阵的时空滞后扩展矩阵，为k×k维时间单位对角矩阵，k为总研究时间节点数，为n×n维空间单位对角矩阵，n为研究范围内总研究单元数，为克罗内克积运算符；

50、将所有计算得到矩阵t（t=0,1,2…,k）相加，得到最终整体人口流动时空邻接矩阵；

51、s5.4、对矩阵和进行中心化，得到对称的时空矩阵wct和fct，公式如下：

52、；

53、；

54、其中n为研究单元数量，k为研究时间节点数，i为n×k维时空单位对角矩阵，为（n×k）×（n×k）维元素全部为1的矩阵；

55、分别将中心化后得到的矩阵wct和fct特征分解，计算特征值和时空特征向量，得到wct的时空特征向量特征值集合和特征值对应的特征向量集合，以及fct的特征值集合和特征值对应的特征向量集合，集合均按特征值由大到小排列；

56、s5.5、首先对步骤5.4中计算得到的特征向量集合和分别进行阈值为0.1的初筛，使得经过初筛后特征向量对应的特征值大于0且与集合中最大特征值的比例大于0.1；

57、然后采用逐步回归法对初筛后的特征向量进行筛选，最终筛选出的最优时空特征向量集。

58、进一步地，在步骤s6中，具体地，建立广义回归模型作为城市健康风险拟合模型，公式如下：

59、；

60、其中，表示动态城市健康韧性得分，为步骤s4中的感染人数的变化率的倒数，为城市健康韧性影响因素集合时间切片对应的参数，为时空特征向量时间切片对应的参数，由极大似然估计得到，为随机误差，满足独立正态分布；

61、建立城市健康风险拟合模型后，对其进行精度评价，若精度评价不合格，则调整模型参数，直到精度评价合格。

62、进一步地，在步骤s7中，进行城市健康韧性风险评价的步骤具体包括：

63、根据步骤s6得到的变量参数大小，分析各因素对城市健康韧性的贡献程度，并采用地理探测器，计算变量q值，探测造成研究单元健康韧性空间分异的驱动因素，具体计算公式如下：

64、；

65、；

66、；

67、式中，h=1,…,l为分类或分区，和n分别为层h的研究单元数和全范围总研究单元数，和分别是层h和全区的方差，ssw和sst分别为层内方差之和和全区总方差，q的值域为[0,1]，q值越大，表示相应自变量影响因素对因变量城市健康韧性空间分异的解释力越强，反之越弱；

68、进行城市健康韧性风险预测的步骤具体包括：

69、采集所需预测研究单元的城市健康韧性影响因子数据，根据步骤s2对数据进行预处理后，输入到步骤s6构建的城市健康风险拟合模型中进行运算，得到城市健康风险的预测值。

70、与现有技术相比，本发明的有益效果是：

71、本发明提供的顾及动态交互作用的城市健康韧性时空特征建模方法，充分利用多源数据，通过同时考虑静态指标和传染病动力学相关动态指标复杂关联的影响，构建动态城市健康韧性评价指标，采用动力学模型模拟城市健康风险，并引入人口流动网络时空滤值方法，提取因素间的时空关联效应加入模型，挖掘城市健康韧性动态特征，提高模型精度；采用时空滤值模型参数结合地理探测器的方法，衡量不同指标对城市健康韧性影响的贡献程度，更准确地发掘城市健康韧性影响因素，以适应不同公共卫生事件背景下的动态风险评估，为风险管理防控提供重要参考依据。