南大孵化，南栖仙策独创AI决议平台，快速搭建疫情模型

机械之心编辑部

由南京大学人工智能创新研究院孵化的 AI 新锐公司南栖仙策自主研发了 AI 决议平台 Universe，为疫情防控孝敬自己的气力。

让机械学会决议，用决议改变世界

新型肺炎疫情防控战火热举行中，除了逆行的医护人员外，AI 领域也力图为疫情防控事情孝敬自己的一份气力。

作为一家有情怀、有继承的企业，在祖国正面临危机的时刻，南栖仙策有义务、更有能力为抗「疫」孝敬一份自己的气力。

南栖仙策自主研发的 Universe 平台，搭建数据驱动疫情流传模型，区别于传统盛行病流传模型，可以融入更多的专业模型，联合 AI 和疫情流传专业领域知识，通过对病情流传举行推演，可有助于疫情防控决议。

盛行病流传模型

在盛行病领域，SIR 模型是常用的盛行病流传模型。SIR 模型关注三类人群数量，即易熏染人数、熏染人数、康复人数，如图 1 所示，SIR 模型主要通过两个参数来调整三类人群的转换，从而模拟疾病的流传熏染和康复历程。

图 1. SIR 盛行病流传模型示意图

显然，发现于 1760 年的 SIR 模型过于抽象，许多实际影响感染历程的因素难以在模型中体现，其中一个重要因素就是大多数感染病都有潜伏期。SEIR 模型在 SIR 模型的基础上增加了潜伏人群，如图 2 所示，SEIR 具有三个待定参数。

图 2. SEIR 盛行病流传模型示意图

SEIR 模型仍然过于简化，而且由于模型基于动力学方程演算，获得的效果往往过于理想，例如从图 3 的示例效果可以看到，所有人群的曲线都很是平滑，与真实数据只能举行大致的匹配。

图 3. SIR 和 SEIR 模型的推演效果示例（图片泉源：知乎用户 qwe14789cn）

是否能设计越发庞大的感染病流传模型，既可以切合人们对疾病流传的明白，又可以更好的形貌多种影响因素？要到达这样的目的，需要模型能够融入人类知识、又要能够通过拟合数据来确定模型的多个参数，现在的 AI 模型很难同时具备这两点。

AI 决议新星公司南栖仙策的 Universe 平台提供了这样的能力。下面我们来看看如何在 Universe 中构建越发庞大的感染病流传模型。

用 Universe 搭建一个感染病流传模型

图 4 显示了 Universe 的初始界面。在上方是数据领域，默认有参数模块用于设置待确定的参数，和变量模块用于设定盘算历程中的变量。在下方是机械学习领域，默认放置了损失函数模块用于评判模型效果的优劣，以及机械学习算法模块用于选择学习方法，系统提供了默认的通用学习方法，一般情况无需修改。其余界面空间用于搭建模型，系统默认提供了初始化函数。

图 4. Universe 模型编辑初始界面

对于模型，我们可以做这样的假定（注：该假定缺乏专家的支持，不具备权威性，不应被加以任何应用）：从某个起点开始，泛起了第 0 位熏染者；熏染者具有潜伏期，这里我们假设最大潜伏期是 20 天（没有任何依据），而且我们假设潜伏期具备熏染力；潜伏期熏染者有一定的机率发病（凭据媒体报道，有相当数量没有任何症状的熏染者），发病的患者有一定机率在医院被确诊（据报道有部门患者未去医院）；在医院的患者获得了很好的隔离，不再具备感染能力。

以上假设固然仍然是很是简化的，这里我们仅仅凭据这样的假设，演示如何搭建模型。我们在 Universe 中增加感染函数 FInfection、确诊函数 FConfirmation、潜伏期死亡函数 FDeath，和病程生长函数 FProgress。由于我们假设确诊患者已隔离，其中的死亡人数对于疾病流传没有影响，故略去。另外，我们在数据区域加入某地域真实的累计确诊数据 Records。形成的模型我们命名为「潜伏期生长」模型，结构如图 5 所示。

图 5. Universe 模型构建

下面我们说明每一个模块的实现。模块内的编程均为尺度的 Python 语言。

在变量模块中，我们设置的变量包罗

在初始化函数 Init function 中，我们主要处置惩罚初始熏染人数。注意到我们假设有最多 20 天的潜伏期，那么在视察到第一个确诊病人时，潜伏期数组就应该填有前 20 天的熏染潜伏人数。然而潜伏人数是未知数，因此我们设定一个待确定参数 PInit，表现第一个确诊病人 20 天前的潜伏熏染人数。因此 Init function 中的代码仅仅为

系统将只执行一次 Init function，然后迭代执行整个模型 UT 次。我们设计 FProgress 为病情希望函数，即把每一天的潜伏期人数往后挪动一天。

然后在 FInfection 盘算一天的熏染人数。设定参数有人均逐日接触人数 PContactNum 和接触平均感染率 PInfeRatio。

FConfirmation 函数盘算确诊人数。假设熏染 5 天后有概率 PCon 被确诊，而且确诊后移出潜伏行列。

FDeath 函数盘算死亡人数，设定参数 PDeath 为日均死亡率。

Loss function 函数盘算模型误差。这里我们思量模型获得简直诊人数与实际确诊人数的误差。

最后在 Parameters 模块列出待确定参数，PInit、PContactNum、PInfeRatio、PCon、PDeath 并并设定合理取值规模。

通过以上步骤，就完成了模型的构建，并留出了 5 个待确定参数。启动系统的训练历程，片刻即可得出最切合数据的参数值。

模型学习效果

以新加坡为例，我们将新闻公然报道的新加坡熏染者数据输入，学习获得模型参数。图 6 显示了模型对比真实数据的效果，可以看到模型给出的数据已经捕捉到了真实数据的生长趋势。

图 6. 实际数据与模型运行效果。左：累计确诊人数。右图：日增确诊人数。

学到的模型，自然可以在真实数据竣事的日期之后继续推演未来的生长情况，同时还可以推演对疫情举行控制后的生长情况。这里，我们在四种情况下推演未来 60 天的感染走势：不加防控，或者在 2 月 15 日开始增强防控，划分控制人均接触 15 人、10 人、5 人，差别接触人数可以通过修改模型的 PContactNum 值实现。图 7 显示了在三种情况下的累计和日增确诊人数推演效果。可见，如果不加控制，未来 60 天熏染人数将迅速增长，可能到达 5000 人，而当人均接触人数控制在 10 以下时，感染得以控制，确诊人数在 300 人内。

图 7. 模型推演未来 60 天确诊人数生长情况。左：累计确诊人数。右图：日增确诊人数。

AI 助力精准决议

在这次的疫情治理中，从体温丈量到机械人配送，人工智能可以在多个方面发挥作用，同时国家也对人工智能行业提出了更大的期望。我们希望能在疫情防控上联合自身的人工智能产物为国家打赢这场不能输的防疫战役孝敬自己的气力，我们研发的可编程决议平台 Universe 可以助力决议精准化，疫情防控的许多决议都关系到如何平衡经济生长和疫情控制，一旦决议错误，都市支付大量的价格，这就需要人工智能来辅助精准决议。

本文提供的模型是非专业人士的结构的一个简朴模型，在此模型的模拟的效果我们可以看到国家的防控政策对熏染率发生了很大的影响，显然这是一个正确的决议，而且这个决议国家支付了很大的经济生长的价格，这就凸显了决议精准的重要性，必须要提升防控政策的准确度，制止防控不力或者过分防控，在什么时间点，几多省份，实施多严格的防控措施都是需要决议的，而这个显然不能在实际情况中试错。我们的平台就提供了一个「零试错」的情况来给出决议方案，Universe 平台可以联合其他行业的专业模型（病毒流传模型，人口流动模型，经济学模型等等），接纳只管多的数据快速的训练出一个新的模型，这个模型越发贴近实际的疫情流传，该模型可以助力提供防控措施的精准决议，使得疫情防控带来的影响更小，效果更大，兼顾了民生和经济。

同样，这个平台上可以给出更多其他的决议模型，用于各行各业，让大家享受人工智能带来的便利。