多智能体模拟在登革热传播预测中的应用：以巴西两个城市为案例研究

《Ecological Informatics》：Multi-agent simulation for dengue spread forecast: A case study for two Brazilian cities

基于多智能体仿真的登革热传播模型研究及决策支持工具开发。摘要：提出一种结合地理信息系统（GIS）和分块建模的多智能体仿真（MABS）方法，用于模拟登革热在城市中的传播。通过分析巴西阿劳霍州两个城市（Alto Santo和Limoeiro do Norte）2015-2022年的病例数据，构建包含人类（SIR模型）和蚊子（SEI模型）的交互系统，实现街区级疫情预测与应急灭蚊策略优化。模型验证显示与历史数据皮尔逊相关系数达0.87，MAE误差小于15%，并成功指导城市防控资源分配。

　　
本研究提出了一种基于多智能体仿真（MABS）的登革热传播建模方法，通过整合地理信息系统（GIS）数据与动态仿真技术，为城市登革热防控决策提供支持。研究团队来自巴西坎皮纳斯大学计算研究所，联合公共卫生部门开发了具备时空分辨率（街道-街区级）的建模框架，成功应用于巴西塞阿拉州Alto Santo和Limoeiro do Norte两座城市的疫情预测与防控策略优化。

研究背景显示，登革热作为全球增长最快的虫媒传染病之一，在巴西近年疫情尤为严峻。2024-2025年数据显示，巴西贡献了全球86.43%的病例，单市最高月病例突破百万。传统防控手段存在响应滞后、资源分配不均等问题，促使研究团队探索智能化建模工具。

核心创新体现在三个层面：首先，构建了包含人类、蚊媒和环境的动态交互模型。人类智能体遵循SIR（感染-隔离-康复）生命周期，蚊媒智能体则采用SEI（感虫-潜虫-成虫）行为模型，并引入种群生死动态模拟蚊媒自然波动。其次，开发了基于OSM地图的街区自动划分算法，通过平面嵌入图论方法实现街道级网格划分，结合SINAN系统病例数据建立时空关联模型。最后，构建了包含环境因子（降雨、温度）、防控干预（化学灭蚊、社区教育）的参数化仿真平台，支持14周内的疫情演进推演。

技术实现路径包含五个关键模块：
1. 地理空间处理系统：利用OSMnx库从开源地图数据中提取道路网络，通过平面图论算法自动生成街区单元，实现空间分辨率达1km2的网格划分
2. 动态传播模型：整合人类行为（活动范围、聚集特征）、蚊媒生态（繁殖周期、栖息偏好）和环境参数（降雨频率、温度阈值）建立三维交互模型
3. 多尺度仿真引擎：支持从社区级（街区分辨率）到区域级（10km2单元）的跨尺度建模，具备快速参数调整功能
4. 疫情预测评估体系：采用Pearson相关系数（r值）、平均绝对误差（MAE）和 endemic-channel包络线三种评估指标，实现模型校准与验证
5. 决策支持模块：集成基于空间聚类算法的防控区域自动识别、资源优化配置模型和应急响应优先级排序功能

实证部分显示，在Alto Santo城市测试中，模型对2016-2022年疫情数据的拟合度达89.7%（MAE=127.5例/周），预测未来14周疫情时，成功识别出3个高危街区（预测感染率＞40%），与实际疫情暴发时间误差控制在±3个工作日内。特别在2024年5月疫情高峰期间，模型预警的5个高危区域中，4个在后续两周内确认为疫情 epicenter。

应用价值体现在三个方面：其一，建立动态仿真系统使防控策略可模拟验证，如调整灭蚊剂喷洒频率可使预期感染人数下降32%；其二，空间可视化功能帮助识别防控盲区，在Limoeiro do Norte城市应用中，将蚊媒滋生地识别准确率提升至91%；其三，模块化设计支持快速部署，目前已为3个巴西州卫生部门提供定制化仿真平台。

研究团队通过敏感性分析发现，蚊媒种群增长率（β值）和环境湿度阈值对模型精度影响最大（置信区间＞15%）。建议后续研究可整合实时环境监测数据，并探索多城市联动的跨区域仿真模型。该成果已获得巴西国家科技发展基金（CNPq）资助，相关代码与数据集通过GItHub开源平台共享，为全球热带地区疫情防控提供可复用的技术框架。

当前防控实践存在三个关键痛点：1）传统监测数据更新滞后（平均延迟15天）；2）防控措施缺乏动态评估（响应周期＞4周）；3）资源分配依赖经验判断（覆盖率波动达±30%）。本研究提出的MABS方法通过以下创新解决上述问题：
- 空间建模：将城市划分为8.7万个标准街区单元（平均面积2.3公顷），实现传播过程的微尺度追踪
- 动态反馈机制：实时接入市政部门环境监测数据（如积水容器数量、气温湿度），自动调整仿真参数
- 防控模拟推演：可快速评估不同灭蚊策略（喷雾密度、喷洒频次、目标区域）的预期效果，支持72小时内的应急决策
- 疫情传播可视化：生成包含高危区域热力图、传播路径动画和资源需求预测的交互式决策看板

实际应用案例显示，在2024年6月某州级应急响应中，基于MABS模型推荐的防控方案使实际感染人数较基准模型下降41%，同时节省27%的财政支出。模型特别擅长处理季节性波动和突发疫情场景，在模拟暴雨后蚊媒繁殖高峰时，预测准确率可达92.3%。

未来发展方向包括：① 开发移动端决策支持APP，集成实时疫情数据推送功能；② 构建多城市协同仿真平台，分析区域性传播规律；③ 研究人工智能驱动的参数优化算法，实现自动化策略生成。研究团队已完成与WHO的初步合作对接，计划在东南亚地区开展多中心验证研究。

该成果标志着登革热防控进入智能决策新时代，为全球应对15亿人口面临的虫媒传染病挑战提供了可扩展的技术解决方案。其核心价值在于将复杂的流行病学机制转化为可操作的业务流程，使公共卫生部门能够：1）提前14周预警疫情热点；2）精准分配60%以上的防控资源到高风险区域；3）动态调整防控策略，实现疫情传播链的精准阻断。