如何利用图数据库发现新冠病毒的传播路径?

基于 Gemini 和 NebulaGraph 构建知识图谱问答系统 图数据库和知识图谱是管理图结构数据(包括节点(实体)和边(关系))的两大主流方案。图数据库利用基于图的数据模型存储信息,支持通过专用的图查询语言实现对图数据的查询和遍历;知识图谱通过整合推理和派生新知识的机制,增强了图数据库的功能。这种增强的表达力不仅让你能进行更高级的数据分析,还能从图中相互连接的数据点中提取洞察力。本文将简要介绍知识图谱,再来探讨使用 llamaindex 和 nebulagraph-lite 生成知识图谱。 阅读详情

天津某百货大楼内部相继出现 5 例新冠肺炎确诊病例,从起初的 3 个病例来看,似乎找不到任何流行病学上的关联性。在这种背景之下,作为技术人员可以通过什么技术来找寻病例之间的联系呢?

最初,nCoV 新冠病毒的扩散过程是由一个人(节点)向各其他人(节点)扩散的树状结构,但随着病毒的变异和人员交叉感染、“百家宴”、“联欢会”、“春运”等人员聚集,疫情扩散为网状结构。

可以使用图数据库来存储相关人员、地理位置、感染时间等数据,本文将使用图数据库 Nebula Graph 作为工具,带大家一起探讨疫情的传播路径,并找到相关的疑似病例。

1

天津案例简述

下面用 Usr1、Usr2、Usr3、Usr4、Usr5 来代指这 5 例病例,看一下他们的行为轨迹:

  • Usr1 信息: Usr1 于 1 月 24 日开始发热,在 1 月 22 日至 1 月 30 日期间在天津百货大厦 A 区工作,于 1 月 31 日确诊;

  • Usr2 信息:Usr2 为 Usr1 丈夫,于 1 月 25 日开始出现腹泻症状,于 2 月 1 日确诊;

  • Usr3 信息:Usr3 于 1 月 18 日接触过一个疑似病例,而后在天津百货大厦 B 区工作,于 1 月 24 日开始发热,于 2 月 1 日确诊;

  • Usr4 信息:Usr4 于 1 月 12 日、13 日接触过疑似病例,而后在天津百货大厦 C 区工作,于 1 月 21 日开始发热,于 2 月 1 日确诊;

  • Usr5 信息:Usr5 于 1 月 23 日下午 16 点到 23 点到过天津百货大厦 A、B、C 区,1 月 29 日开始发热,2 月 2 日确诊;

下面我们来建立一个传播路径的模型。

2

nCoV 新冠病的数据分析

以我们现有的资料显示,本次 nCoV 的传播路径为人传人(图 Demo1),即一个点通过特定访问路径连接到一个点。单个节点看来传播路径为一个树形结构(图 Demo2)——确诊病人 A 感染 B,B 再感染 C,C 再感染 D…。根据现在疫情传播情况,存在多个确诊病人,所以整个传播链路呈网状结构(图 Demo3)。而无论是树形结构还是网状结构都很适合用图(网络)这种数据结构来存储、查询和分析。

3

图模型

在建模之前我们需要清楚人和人之间的关系载体是什么?根据现有的病例信息,我们知道 A 和 B 会的接触场景最常见的是:同一个时间段逗留在某个相同的空间。这也是本次疫情筛选需隔离人群的重要指标:是否和确诊 / 疑似病例在酒店、火车、超市有过密切接触。

可见最小模型中有两类节点 Person 和 Space ,关系为 stay 。最小模型有了,那么我们需要 Person 和 Space 的什么信息呢?

Person 类型节点的属性:

  • ID:Person 的身份证,用来标识人

  • HealthStatus:健康状态,有 2 种状态

    • Health:健康

    • Sick:生病

  • SickTime:发热开始时间,可以用来追溯病人发病的先后次序

Space 类型节点的属性:

  • ID:Space ID,用来唯一标识 space

  • Address:space 地址

我们构建完 Person 和 Space 的模型之后,再构建人和位置之间的关系:

在 stay 关系上,记录有逗留的起始时间和终止时间。这样就可以帮助我们判断两个人是否有过时间和空间上的交集。

4

天津案例的建模

构建完最小模型之后,我们来分析一下天津病例中的信息,将模型应用在这个案例中。并通过图数据库 Nebula Graph 构建病例间关系、找寻病例1 的发病原因——病例1 怎么被传染的,及病例1 确诊后我们需要观察/隔离哪些人?

整个模型的示意如下:

数据录入

Usr1:

  • Person 信息:ID 2020020201,HealthStatus:Sick,SickTime:20200124;

  • Stay Time:起始时间 1 月 23 日 12 点,终止时间 18 点;

  • Place 信息:天津百货大厦 A 区;

  • Stay Time:起始时间 1 月 23 日 18 点,终止时间 24日 8 点;

  • Place 信息:天津市和平区 A 小区;

Usr2:

  • Person 信息:ID 2020020202,HealthStatus:Sick,SickTime:20200125;

  • Stay Time:起始时间 1 月 23 日 12 点,终止时间 23 点;

  • Place 信息:天津市和平区 A 小区;

Usr3:

  • Person 信息:ID 2020020203,HealthStatus:Sick,SickTime:20200125;

  • Stay Time:起始时间 1 月 23 日 15 点,终止时间 19 点;

  • Place 信息:天津百货大厦 B 区;

  • Stay Time:起始时间 1 月 23 日 12 点,终止时间 23 点;

  • Place 信息:天津市河西区 B 小区;

Usr4:

  • Person 信息:ID 2020020204,HealthStatus:Sick,SickTime:20200121;

  • Stay Time:起始时间 1 月 23 日 11 点,终止时间 20 点;

  • Place 信息:天津南开区某火锅店;

  • Stay Time:起始时间 1 月 23 日 20 点,终止时间 23 点;

  • Place 信息:天津市滨海区 B 小区;

Usr5:

  • Person 信息:ID 2020020205,HealthStatus:Health,SickTime:NULL(无);

  • Stay Time:起始时间 1 月 23 日 11 点,终止时间 15 点;

  • Place 信息:天津南开区某火锅店;

  • Stay Time:起始时间 1 月 23 日 16 点,终止时间 23 点;

  • Place 信息:天津百货大厦 A、B、C 区;

将它导入到 NebulaGraph 中, 建立人和空间之间的关系。这里以 Usr1 的轨迹为例,其余几份病例类似。

病例数据分析

数据导入后,让我们一步步揭开病例1 被感染之谜:

1. 查询 Usr1 在 1 月 23 日 15 点至 23 点之间去过哪里

2. 查询这段时间 Usr1 是否接触过任何(已发病的)病例

很奇怪,在 Usr1 发病的时候(2020-01-24),他接触的人群里面并没有发热患者。那会不会是这些人又接触过其他的患者呢(从而成为携带者),让我们继续分析。

3. 查询这些人又接触过谁

我们发现,虽然 Usr1 在 1 月 23 日 12 点到 1 月 24 日 8 点之间接触的人(Usr2, Usr5)都还没有发热,但是 Usr5 却在之前接触过发热病人 Usr4。至此,我们找到了这条传播链路:

Usr4 在 1 月 21 日发病。发病后,他仍前往天津南开区某火锅店(1 月 23 日 11 点- 20 点)。在这里,他接触到(当时健康的)Usr5(1 月 23 日 11 点-15 点)。在接触过程中使得 Usr5 成为一个携带者。之后 Usr5 前往天津百货大厦 A、B、C 区( 1 月 23 日 16 - 23 点),在这段时间内,他将病毒传染给在 A 区上班的 Usr1(1 月 23 日 12 点 - 18 点)。最终 Usr1 在 1 月 24 日发病。

4. 之后需要排查/隔离哪些人

Usr1 确诊之后,我们需要查看她在哪些时候到过哪些地方。而对应这个时间段相同地点内,又有哪些人同她接触。我们判断这些亲密接触者,需要重点隔离和观察。

可以发现 Usr1 和 Usr2 在天津市和平区 A 小区有过交集,这使得 Usr2 需要被重点观察。

5

传播路径可视化展示

上面这段分析过程,也可以使用图形化界面的方式来交互分析,这样更加直观。

当然,如果有非常大批量的关注点(例如上千万离开湖北的潜在人员和他们的二次三次传播轨迹),通过批量程序查询的方式会更加高效。

6

小结

由于春节返乡和一些不可描述的影响,导致冠状病毒的大面积扩散。从报道和社交媒体上可以看到,各个社区、村庄、企业都采用了相当严格的隔离措施,要求个人每日汇报行踪和健康状态,并密切跟踪从疫区来的人员。这样十几亿人的隔离和追踪需要极大的人力物力和动员能力,充分体现了“集中力量办大事”的制度优越性。

但另外一方面,这样的自我申报和层层统计,非常依赖个人的自觉,也依赖于汇报体系的响应速度。特别是当生死攸关(或者一刀切的歧视政策)的时候,个人反而有很强的动机隐瞒过去的行为和病史,导致未能得到及时的隔离和救治,也极大的影响了需要专业分工合作的现代经济生产活动。

另外一方面,随着大数据技术的发展和智能设备的普及,使得安防、运营商、交通、医疗部门的数据体系已经建立的较为全面。

在天津这个案例中,只选取了少数几个病例和场所作为示意,我们相信如果能够结合前述数据体系,并通过采用新的大数据和人工智能技术,能够极大提高定位和隔离疑似患者的速度,大大减少各种“有效人传人”和“超级毒王”的发生,减少一线医疗和社区工作人员的压力。也能降低全社会的全面隔离时间,尽快恢复经济活动。

作者介绍

吴敏,Nebula Graph 总监。浙大博士毕业后一直从事分布式系统研发工作,十余年数据库从业经验。当前负责分布式图数据库 Nebula Graph 产品设计和技术社区,重点关注高性能企业级图数据库的系统设计。

参考资料

  • 堪比推理小说!天津百货大楼5病例“迷局”:http://www.bjd.com.cn/a/202002/03/WS5e37d067e4b002ffe994092e.html

  • 图数据库技术 https://github.com/vesoft-inc/nebula

万物皆可建模,来点不一样的知识,新型冠状病毒肺炎的传播预测模型 模型假设 假设新型冠状病毒传播方式是且唯一是人传人; 假设感染人群平均分散在人群中; 假设每个人接触感染患者的概率和被感染率相同; 因没有相关疫苗,所以恢复率r保持不变; 假设感染期间,每天病死率相同; 不考虑人口出生和死亡率,以及城市人口迁移率; 不考虑气候对传播的影响。 模型结构 根据 5分室传播模型结构可知,新型冠状病毒的传播结构为: 02 冠状病毒传播流程图 其中,方框内为状态变量: S=人群中易感染者人数(Susceptible) E=人群中... 阅读详情

相关推荐

Graphs4Good: 使用Neo4j Bloom实现新冠病毒案例的接触史追踪

(本文的英文原文发表于:https://community.neo4j.com/t/graphs4good-protecting-community-from-covid-19-by-answering-key-questions-in-neo4j-bloom/17291) 尽管目前世界上大多数国家都在半封锁状态、以减慢致命的COVID-19病毒的传播,但寻找治愈方法的斗争从未停止...

GraphWay的博客 2974

从天津百货大楼 5 病例“迷局”见新冠病毒传播路径

天津某百货大楼内部相继出现 5 例新冠肺炎确诊病例,从起初的 3 个病例来看,似乎找不到任何流行病学上的关联性。在这种背景之下,作为技术人员可以通过什么技术来找寻病例之间的联系呢? 摘要 最初,nCoV 新冠病毒的扩散过程是由一个人(节点)向各其他人(节点)扩散的树状结构,但随着病毒的变异和人员交叉感染、“百家宴”、“联欢会”、“春运”等人员聚集,疫情扩散为网状结构。可以使用图数据库来存储相关人...

weixin_44324814的博客 2830

图数据库 原理与代码实例讲解

图数据库、节点、边、关系、查询语言、算法、Neo4j、Graphviz、数据可视化 1. 背景介绍 随着互联网和移动互联网的快速发展,数据呈爆炸式增长,传统的关系型数据库已经难以满足对复杂数据关系的存储和查询需求。图数据库作为一种新型的数据库,凭借其强大的数据建模能力和高效的查询性能

AI大模型应用之禅 236

基于springboot实现疫情信息管理系统项目【项目源码+论文说明】计算机毕业设计

本系统的研发具有重大的意义,在安全性方面,用户使用浏览器访问网站时,采用注册和密码等相关的保护措施,提高系统的可靠性,维护用户的个人信息和财产的安全。国外的计算机技术发展比较成熟,所以系统相关的设计也比较完善。本系统主要通过使用Java语言编码设计系统功能,MySQL数据库管理数据,AJAX技术设计简洁的、友好的网址页面,然后在IDEA开发平台中,编写相关的Java代码文件,接着通过连接语言完成与数据库的搭建工作,再通过平台提供的Tomcat插件完成信息的交互,最后在浏览器中打开系统网址便可使用本系统。

ybigbear1的博客 1029

新冠病毒数据集(包含地理位置、全国城市位置、2020-2-9新冠病毒数据集)

新冠病毒数据集介绍 1.100000_full.json (地理位置数据集,用于绘制地理边界) 2.china_coordinates.csv (全国城市位置数据集,用于定位每个城市位置) 3.DXYArea.csv (2020-2-9中国新冠病毒数据集)

泰森多面体Voronoi 3D-V5.0 功能介绍

Abaqus Voronoi3D

qq_34840441的博客 3367

新冠病毒的SEIR模型仿真---matlab

## SEIR模型 关于什么是SEIR模型我这里也不做过多解释了,我也看到过很多关于它的文章,都写的很好。我这里主要讲一下分阶段模型的建立,这个需要根据疫情防控的不同阶段来进行各个参数的设置,使模型的预测值更接近真实值,具体参考大家可以看这篇论文《多阶段动态时滞动力学模型的COVID⁃19 传播分析》。 下面上代码 %SEIR模型 clear;clc; %参数设置 [data,~]=xlsread('data.xls');%读入实际疫情数据可以和预测的画图做比较 I=41;%1月14号初始传染者 R=7;%

小敢心的博客 3万+

SHP转TXT、TXT转SHP工具(附工具下载链接)

关于TXT,可以选择整个图层生成一个TXT。也可以勾选“每个地块单独存TXT”,然后选择一个字段,根据字段值,给每个地块生成一个TXT文件。支持选择和数据框一样的坐标系,也可以选择一个图层,工具会采用和这个图层一样的坐标系。1、TXT数据支持输入单个或者多个TXT文件,也可以直接选择TXT所在的文件夹。所有的TXT数据都生成到一个矢量数据图层。关于这一行的内容,可以在地块坐标行设置中进行设置。其他:①面节点闭合:勾选,则回到起点。属性描述:可以直接复制粘贴进来,也可以直接修改。也可以改为任意字母。

坐听风雨 4316

分布式图数据库在社交网络影响力传播预测与精准营销中的应用

分布式图数据库通过其独特的图结构处理能力,已成为社交网络分析的核心基础设施。以Amazon的Recommendation Engine为例,其通过图数据库存储1.5亿用户的3亿条兴趣关系,结合Node2Vec算法生成用户向量,使推荐点击率提高23%(Zhang, 2023)。阿里巴巴的DMP(Data Management Platform)通过图数据库关联用户在淘宝、支付宝、优酷等平台的12个触点数据,生成包含200+维度的超级用户画像,使广告定向精度达到92%(Alibaba Tech, 2023)。

2503_92418848的博客 817

深入解析STM32H743双精度FPU:从配置误区到三角函数加速技巧

本文深入解析STM32H743双精度FPU的配置与优化技巧,涵盖常见误区、三角函数加速及飞控系统应用。通过实测数据展示如何利用FPU提升数学运算效率,特别适合工业控制、无人机飞控等高精度实时应用场景。

weixin_29190651的博客 641

把静态前端托管进 SAP BTP:HTML5 Application Deployer 与企业级内容部署全攻略

本文介绍了在SAP BTP Cloud Foundry环境中使用HTML5 Application Repository托管前端静态资源的工程化实践。通过HTML5 Application Deployer工具,结合MTA描述、路由配置和服务实例,实现前后端解耦和标准化部署。文章详细阐述了目录结构、关键配置文件、MTA编排以及构建部署流程,并针对大体积前端资源提供了GACD和异步上传两种解决方案。最后说明了如何与AppRouter协同工作,使部署内容可供终端用户访问。这套方法使前端更新无需重启后端,支持团队

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 158

移动应用病毒式传播引擎:从R₀建模到代码级实现

病毒式传播在移动应用中并非玄学,而是可量化、可工程化的增长范式。其本质是基于社交信任迁移的用户行为链路,核心指标R₀(基础传播系数)决定增长可持续性,而传播衰减周期与单次获客成本共同构成‘数百万用户’的可计算临界点。技术上需突破移动端特有瓶颈:分享入口触控失效、H5首屏加载延迟、短信验证高失败率等。本文聚焦将传播逻辑深度嵌入产品功能——通过图数据库构建实时关系图谱、带设备指纹的智能短链接、状态机驱动的原子化激励发放,实现从PPT策略到高可用代码的闭环落地。

weixin_29206669的博客 236

【Cmder】--- Windows11 配置CMD神器 (超详细 持续更新中)

在编程的艺术世界里,代码和灵感需要寻找到最佳的交融点,才能打造出令人为之惊叹的作品。而在这座秋知叶i博客的殿堂里,我们将共同追寻这种完美结合,为未来的世界留下属于我们的独特印记。

秋知叶i 1万+

新冠COVIN-19流感病患轨迹追溯

冬季是流感的高发季节,现已知某流感病毒的传播力很强,政府部门也陆续公开了部分流感确诊患者(后续简称“病患”)的非隐私信息,这部分数据为相关研究人员研究该流感病毒的传播与防控提供了重要的数据支撑。然而,公布的数据多为文本等非结构化数据,而且极其分散,难以直接为后续研究提供深度的支撑。病患的轨迹信息蕴含居家、出行、餐饮等丰富的接触关系,在流感病毒人传人的特性下,如果能直观地展示这些接触信息,相信能对该流感病毒的研究提供很大的帮助。

Jason_Honey2的博客 1323

SAP 标准 CDS View 到底能不能用 CDS Extension View 扩展,我们在项目里应该这样判断

文章摘要:判断SAP标准CDS视图(如A_PRODUCT)能否扩展字段,不能仅凭命名或@Metadata.allowExtensions判断,需检查DDL源码中的@AbapCatalog.viewEnhancementCategory值。#PROJECTION_LIST允许扩展字段,#NONE则禁止。聚合视图需额外包含#GROUP_BY,UNION视图需#UNION。CDS View Extension用于新增字段,Metadata Extension仅用于添加注解。在ABAP Cloud环境中还需检查AP

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 102

英飞凌TC3xx之一起认识GTM系列(一)先来认识GTM架构

本文讲述英飞凌TC3xx的通用计时器GTM的架构。

无所适从的我的博客 4603

抗击新冠肺炎,如何进行实时动态时序图谱建模与分析?

作者 | 闭雨哲来源 |ThutmoseAI背景介绍新冠肺炎是一种具有最长达24天潜伏期的新型突发性传染疾病,这种特性给疫情防控带来了巨大的挑战,随着感染规模的不断扩增,简单的人为治理...

AI科技大本营 3232

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

图数据库(Graph Database)在增强网络安全威胁检测中的应用与优化策略

图数据库是一种非关系型数据库,它使用节点(Node)、边(Edge)和属性(Property)来表示和存储数据。这种结构非常适合处理具有复杂关系的数据集,如社交网络、推荐系统等。

jie_kou的博客 1300

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

分布式图数据库在社交网络关系挖掘与精准营销中的应用

实验数据显示,这种基于社交关系的推荐模型使客单价提升25%,退货率降低18%(JD.com Tech Report, 2022)。某电商平台整合社交关系、消费记录、地理位置等数据,发现"健身爱好者"群体中68%的用户会在深夜浏览运动装备,据此调整了夜间推送策略,使转化率提升31%(McKinsey, 2023)。针对大规模图查询的延迟问题,华为推出分布式图引擎GaussDB,通过预聚合(pre-aggregation)和索引优化,将复杂查询性能提升5倍(Huawei White Paper, 2023)。

2503_92418848的博客 553

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

图数据库在人工智能研究中的关键应用场景

图数据库在人工智能研究中的关键应用场景

2501_91537388的博客 932

基于图数据库的新型肺炎传染图谱建模与分析

原文地址:https://mp.weixin.qq.com/s/9BYk1ONd3gKTzBW0WnxuJw 一、背景与数据来源介绍 新型肺炎作为一种存在潜伏期的传染病,分析其传染关系及接触关系非常有利于疫情的防控,对疫后的研究分析也有帮助。本文将介绍基于图数据库对新型肺炎图谱进行建模与分析的过程及效果。 图数据库(Graph Database)是一种复杂关系数据的处理系统,一种使用顶点...

Jermy的专栏 3284

#gStore-weekly | 北京新一轮本土疫情图解

自2019年12月发现新冠肺炎以来,对我们的日常生活造成了很大改变,日常佩戴口罩,勤洗手,勤消毒,人员密集地区保持一米间距等,新冠肺炎也成为日常讨论的热点。虽然对于新冠的出现在大量政府部门、医护人员和人民群众众志成城支持下,对新冠肺炎做到快速响应、及时处置、有效管控,但新冠肺炎当前呈现全球大流行和不断快速变异的趋势,局部地区受到境外地区疫情的冲击以及不断变异的新冠病毒考验。如何借助智能化手段对疫情的发生路径和特征进行分析并进行可视化的展示是辅助疫情分析防控的有效手段。也是提升医护人员和疫情防控人员的工作效率

weixin_48167662的博客 6464

计算机编程中图数据库(Graph Database)在增强机器学习模型特征工程中的应用与优化策略

图数据库是一种非关系型数据库,它使用节点(Node)、边(Edge)和属性(Property)来表示和存储数据。这种结构非常适合处理具有复杂关系的数据集,如社交网络、推荐系统等。

jie_kou的博客 1188

众志成城 共克时艰 TigerGraph免费开放企业级版本授权全力支持疫情防控

新型冠状病毒肺炎疫情自发生以来,一直牵动着全国人民的心。全球领先的可扩展企业级图数据库TigerGraph宣布,利用强大的企业级图数据库产品,免费开放企业级版本授权,为政府机构、公共事业和科研机构赋能,帮助实现更加科学和有效的研究和决策,减轻疫情对社会和经济的影响。 自从疫情发生以来,TigerGraph创始人兼CEO许昱博士和团队积极驰援,决定为需要进行抗疫研究和决策的机构免费提供TigerG...

优快云云计算 2879
上一篇: 现在的编程和二十年前有什么不同?
下一篇: 当15年的老司机遇到烂项目、烂代码时,他会做这5件事!
码农翻身
码农翻身 《码农翻身》作者 《码农翻身》作者
博客等级 码龄8年 3万+粉丝 1084原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值