12.13 动态接触追踪
上述工作大都只关注建模接触行为的静态属性，如接触对象（和谁接触）、接触场景（在哪接触）、接触频率和接触时长等。换言之，这些工作假设个体的接触模式静止不变。然而，在现实世界中，人的接触行为常常随时间变化，呈现出不同的时空模式。例如，接触行为会随着天气和季节呈周期性变化；接触行为在工作日、周末、假期会有明显不同；在疾病爆发期间，个体会调整自身的接触行为，如减少出行或戴口罩出行，以应对疫情的威胁[23-24] 。此外，政府实施的疫情控制手段也会显著改变个体的接触模式[17,25-26] 。例如，在 2009 年香港 H1N1流感爆发过程中，减少航班、关闭学校和接种疫苗等干预措施都会显著改变个体的接触行为[24] 。
个体之间的动态接触比静态接触更加难以观测和记录。由于涉及隐私保护等问题，我们不能指望大部分个体都同意佩戴无线传感设备，并实时收集他们的动态接触行为。面对这些困难，我们能否另辟蹊径，不“直接”去捕获和记录个体的动态接触行为，而是从其他易于获得的数据源中“间接”推断出大规模人口的动态接触模式？
随着信息技术在医疗领域的广泛应用，类似图1 所示的传染病监控数据与日俱增。这些监控数据记录了与传染病扩散相关的时空信息，是传播模型作用于真实接触网络的结果（如图 7(a) 所示），可看作是隐含接触网络的一种外在表现形式。这启发我们可以尝试从传染病监控数据中“反推出”产生这些数据的动态接触网络（如图7(b)所示）。本质上，这是一个复杂的逆向工程问题，即从观察到的动力学现象推断出导致该现象出现的动态结构；或者说，利用传染病传播趋势的时变性反推出接触行为的时变性。
采用逆向工程的解决思路，吉林大学的研究者提出了基于张量模型的动态接触网络建模和推断方法[21] （见图 8）。他们将复合群体接触的时空模式表示为张量，将动态接触网络推断建模为低秩张量重建问题，提出了融合压缩感知、稀疏张量分解和流行病传播模型的张量反卷积推理方法，能够从人口普查数据和多种流行病监控数据中协同推断出大规模复合群体的动态接触网络。
采用该方法，他们利用香港和台湾的人口统计数据和多种传染病监控数据（如 H1N1、流感、麻疹、腮腺炎等），分别为这两个地区构建了复合群体动态接触网络，分析了个体动态接触行为的时空演化模式。基于构造的动态接触网络，他们进一步研究了 H1N1 疫情的传播规律和防控策略，发现了两个重要结论：① 在 2009 年香港 H1N1 爆发过程中，如果延迟学校开学 2~6 周，则被感染的总人数将会降低 10%~25%；② 在新学期开始的前几天（对应群体接触行为变化最剧烈的时间段），对学龄儿童接种流感疫苗是防控 H1N1 扩散的最佳策略。
