基于无标度网络的SEIQR-SF传染病模型系统：疾病传播动力学与防控策略研究

为应对COVID-19等新发传染病建模挑战，研究人员开发了基于无标度网络的SEIQR（易感-潜伏-感染-隔离-移除）空间决策支持系统。通过机器学习校准阿尔及利亚疫情数据，结合SHAP值分析和敏感性测试，构建了具有高预测精度的流行病学模型，为区域风险分级和防控决策提供科学依据。

　　

新发传染病如COVID-19对疾病建模提出了严峻挑战。这项研究创新性地将经典SEIQR（Susceptible-Exposed-Infected-Quarantined-Removed）模型与无标度网络（Scale-Free network）相结合，构建了空间决策支持系统。研究者采用机器学习方法，使用阿尔及利亚真实疫情数据对模型进行校准，通过敏感性分析识别出影响传播动力学的关键参数。借助博弈论衍生算法SHAP（SHapley Additive exPlanations）值评估各因素贡献度，绘制了疫情风险演变图谱。模型验证显示，其数值模拟结果与实际数据高度吻合，平均绝对误差（MAE）和均方根误差（RMSE）等指标证实了预测可靠性。该研究为区域化精准防控提供了创新方法论，特别是通过无标度网络特性揭示了超级传播者（super-spreader）在疫情扩散中的关键作用。