耦合虚拟和物理空间人群情感传染控制模拟方法和系统
阅读说明：本技术 耦合虚拟和物理空间人群情感传染控制模拟方法和系统 (Method and system for simulating emotional infection control of crowd in coupling virtual space and physical space ) 是由 张桂娟 洪潇 石业鹏 陆佃杰 刘弘 于 2019-11-08 设计创作，主要内容包括：本发明公开了耦合虚拟和物理空间人群情感传染控制模拟方法及系统,包括：基于个性化情绪感染规则,制定包含物理空间和虚拟空间的控制方案；将所述控制方案和个性化情绪感染机制相结合,构建个性化情绪感染计算模型；建立性化BA无标度网络,计算个性化情绪感染计算模型在情绪感染发生相变现象时的阈值,获得个体从易感状态到感染状态的数量随相变值的变化；验证所述模型的稳定性和所述模型在情绪感染发生相变现象时的阈值。本发明综合考虑了虚拟和物理空间中个体之间复杂的交互作用,建立了一种新的个性化情绪感染计算模型去研究耦合物理和虚拟空间的个性化情绪感染控制策略。(The invention discloses a method and a system for simulating the emotional infection control of people in coupling virtual and physical spaces, wherein the method comprises the following steps: formulating a control scheme comprising a physical space and a virtual space based on the personalized emotional infection rule; combining the control scheme with a personalized emotion infection mechanism to construct a personalized emotion infection calculation model; establishing a personalized BA scale-free network, calculating a threshold value of a personalized emotional infection calculation model when the emotional infection has a phase change phenomenon, and obtaining the change of the number of individuals from a susceptible state to an infected state along with the phase change value; and verifying the stability of the model and the threshold value of the model when the emotional infection generates phase transition phenomenon. The invention comprehensively considers the complex interaction between individuals in virtual and physical spaces, and establishes a new individualized emotional infection calculation model to research the individualized emotional infection control strategy coupling the physical space and the virtual space.)
技术领域
本发明涉及情感传染控制技术领域，尤其涉及一种耦合虚拟和物理空间人群情感传染控制模拟方法和系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
近年来，地震、火灾等突发性自然灾害和公共事件以其巨大的破坏性引起了越来越多公众的关注并造成了消极的社会影响。随着社会的快速发展，个体的情绪极易受到物理空间和虚拟空间中信息以及个体个性的影响。
目前，对人群情绪感染控制策略和阈值的研究主要分为两类。一种是对物理空间中情绪感染的阈值和控制策略的研究，也就是通过地理上相邻个体之间的情绪感染来研究情绪感染阈值和提出控制策略。另一种是对虚拟空间中情绪感染的阈值和控制策略的研究，也就是通过社交网络中个体之间的情绪感染来研究情绪感染阈值和提出控制策略。
为了更好地控制人群情绪感染的速度和规模，我们需要在虚拟空间与物理空间相结合的场景中，研究人群情绪感染的控制策略和更精确地计算人群情绪感染发生相变现象时的阈值。但是，目前对于情绪感染控制策略的研究大都没有同时考虑虚拟和物理空间中信息以及个体个性差异对情绪感染的影响的问题，尚缺乏有效的解决方案。
发明内容
为了解决上述技术问题，本发明提出了耦合虚拟和物理空间人群情感传染控制模拟方法和系统，能够更好地控制人群情绪感染的速度和规模，同时为大规模人群情绪感染事件的预防和控制等问题提供了新的解决思路。
在一些实施方式中，采用如下技术方案：
耦合虚拟和物理空间人群情感传染控制模拟方法，包括：
基于个性化情绪感染规则，制定包含物理空间和虚拟空间的控制方案；
将所述控制方案和个性化情绪感染机制相结合，构建个性化情绪感染计算模型；
建立性化BA无标度网络，计算个性化情绪感染计算模型在情绪感染发生相变现象时的阈值，获得个体从易感状态到感染状态的数量随相变值的变化；
验证所述模型的稳定性和所述模型在情绪感染发生相变现象时的阈值。
在另一些实施方式中，采用如下技术方案：
耦合虚拟和物理空间人群情感传染控制模拟系统，包括：
用于基于个性化情绪感染规则，制定包含物理空间和虚拟空间的控制方案的装置；
用于将所述控制方案和个性化情绪感染机制相结合，构建个性化情绪感染计算模型的装置；
用于建立性化BA无标度网络，计算个性化情绪感染计算模型在情绪感染发生相变现象时的阈值，获得个体从易感状态到感染状态的数量随相变值的变化的装置；
用于验证所述模型的稳定性和所述模型在情绪感染发生相变现象时的阈值的装置。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其上存储有计算机程序，用于指纹图谱相似度计算，该程序被处理器执行时执行如上所述的耦合虚拟和物理空间人群情感传染控制模拟方法。
在另一些实施方式中，采用如下技术方案：
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行如上所述的耦合虚拟和物理空间人群情感传染控制模拟方法。
与现有技术相比，本发明的有益效果是：
(1)本发明综合考虑了虚拟和物理空间中个体之间复杂的交互作用，建立了一种新的个性化情绪感染计算模型去研究耦合物理和虚拟空间的个性化情绪感染控制策略。
(2)本发明构建了一个个性化BA无标度网络去更精确地计算NP-ECC模型在情绪感染发生相变现象时的阈值，进一步获得个体从易感状态到感染状态的数量随相变值的变化，从而更好地控制情绪感染的速度和规模。
(3)本发明提出了CS-BA和T-BA两种算法以验证NP-ECC模型的稳定性和NP-ECC模型在情绪感染发生相变现象时的阈值。
附图说明
图1为本发明实施例一中耦合虚拟和物理空间人群情感传染控制模拟方法流程图；
图2为本发明实施例一中个性化情绪感染的控制框架。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
名词解释：
(1)NP-ECC：novel personalized emotional contagion computational新的个性化情绪感染计算；
(2)虚拟空间：虚拟互联网空间；
(3)物理空间：真实的现实生活场景。
(4)CS-BA：control strategy-BA
(5)T-BA：Threshold-BA
实施例一
在一个或多个实施例中，公开了一种耦合虚拟和物理空间人群情感传染控制模拟方法，提供了一种新的个性化情绪感染计算模型(NP-ECC)去研究耦合物理和虚拟空间的个性化人群情绪感染控制策略，从而更精确地计算情绪感染发生相变现象时的阈值。
首先，我们考虑了虚拟和物理空间中个体之间复杂的交互作用，建立了一种新的个性化情绪感染计算模型去研究耦合物理和虚拟空间的个性化情绪感染控制策略。其次，我们构建了一个个性化BA无标度网络去更精确地计算NP-ECC模型在情绪感染发生相变现象时的阈值，进一步获得个体从易感状态到感染状态的数量随相变值的变化，从而更好地控制情绪感染的速度和规模。最后，我们提出了CS-BA和T-BA两种算法以验证NP-ECC模型的稳定性和NP-ECC模型在情绪感染发生相变现象时的阈值。
具体地，本实施方式公开的耦合虚拟和物理空间人群情感传染控制模拟方法包括如下步骤：
S101，提出了一种新的个性化情绪感染计算模型(NP-ECC)。
在本实施例中，为了更好地控制人群情绪感染的速度和规模，首先提出个性化情绪感染机制，然后提出耦合物理和虚拟空间的个性化情绪感染控制策略。
在本实施例中，参考了经典的SIR模型(susceptible-infected-recovered)。由于考虑了虚拟和物理空间对情绪感染的共同影响，因此在SIR模型的基础之上根据个体的情绪状态将N个个体划分为六类，即虚拟空间易感者(CVS)，物理空间易感者(CPS)、虚拟空间感染者(CVI)、物理空间感染者(CPI)、虚拟空间免疫者(CVR)和物理空间免疫者(CPR)。同样地，使用OCEAN个性模型来研究个性化情绪感染。该模型有五个因素：开放性、外向性、随和性、神经质和责任心。
本实施方式考虑了OCEAN个性模型中的“神经质”因素。“神经质”个体的情绪状态分为平静状态、焦虑状态、恐慌状态和歇斯底里状态。随机为虚拟和物理空间中的每个个体分配情绪状态，并根据个体的个性化情绪状态提出了Svir(i)、Pvir(i)、Sphy(i)和Pphy(i)。Svir(i)和Pvir(i)分别表示个体i在虚拟空间的情绪感染强度和情绪恢复强度，Sphy(i)和Pphy(i)分别表示个体i在物理空间的情绪感染强度和情绪恢复强度。在这里，假设它们服从均匀分布U(·)如表2所示。此外，还根据个体在物理空间中有沉浸体验的常识，认为个体更容易受到物理空间情绪感染的影响和个体的情绪在物理空间更容易得到恢复。因此，设置物理空间中个体的情绪感染强度和情绪恢复强度大于虚拟空间中个体的情绪感染强度和情绪恢复强度。当个体的个性化情绪状态为冷静状态时，设置 Svir(i)＝0,Pvir(i)＝0和Sphy(i)＝0,Pphy(i)＝0，因为处于平静状态的个体很难受到情绪感染的影响。
在本实施例中，当感染状态的个体i遇到免疫状态的个体时，被感染个体可能会以一种概率的方式成为免疫个体。同样地，当易感状态的个体i遇到感染状态的个体时，易感状态的个体可能会以一种概率的方式成为感染状态的个体。设一个八元组S(i)＝(Svir(i),Sphy(i),Pvir(i),Pphy(i),Ivir,Iphy,rvir,rphy)来表示个体i的个性化情绪模型。其中，Ivir表示虚拟空间感染者对所有个体的感染概率，Iphy表示物理空间感染者对所有个体的感染概率，rvir表示虚拟空间免疫者对所有个体的治愈率，rphy表示物理空间免疫者对所有个体的治愈率。
在本实施例中，在人群情绪感染过程中，当易感者与感染者接触时，易感者会受到自身感染情绪强度和感染者感染率的影响。同样，当感染者与免疫者接触时，感染者会受到自身恢复情绪强度和免疫者治愈率的影响。因此，虚拟空间中易感染者被感染者感染的概率是IvirSvir(i)，而在物理空间中易感染者被感染者感染的概率则是IphySphy(i)。虚拟空间中感染者被免疫者治愈的概率是rvirSvir(i)，而在物理空间中感染者被免疫者治愈的概率则是rphySphy(i)。
对个性化情绪感染规则定义如下：
表1：符号解释
在任何时间t定义了各个状态之间的以下新的转换规则。
(1)当i∈CVS与j∈CVI或j∈CPI相互作用时(例如面部表情、发声和姿势)，i可能会被j在任何时间t以IvirSvir(i)或IphySphy(i)的概率感染成为CVI。
(2)当i∈CPS与j∈CVI或j∈CPI相互作用时，i可能会被j在任何时间t以IvirSvir(i)或IphySphy(i)的概率感染成为CPI。
(3)当i∈CVI与j∈CVR或j∈CPR相互作用时，i可能会被j在任何时间t以rvirPvir(i)或 rphyPphy(i)的概率感染成为CVR。
(4)当i∈CPI与j∈CVR或j∈CPR相互作用时，i可能被j会在任何时间t以rvirPvir(i)或 rphyPphy(i)的概率感染成为CPR。
表2Svir(i),Sphy(i),Pvir(i),Pphy(i)的取值范围
在本实施例中，基于前面提出的耦合物理和虚拟空间的人群情绪感染机制，进一步制定了耦合物理和虚拟空间的人群情绪感染控制策略，以最大限度地降低紧急情况下个性化人群中情绪感染的速度和规模。为了更好地控制情绪感染，分别为感染状态和易感状态的个体分别设置控制策略。因此，提出的个性化情绪感染控制策略包括预防控制策略和治疗控制策略。预防控制策略主要是针对易感状态下的个体，治疗控制策略主要针对感染状态下的个体。
在本实施例中，预防控制策略包括物理空间预防和虚拟空间预防。物理空间预防，即告诉物理空间易感个体，一件危险事件已由紧急管理人员有效控制，表示为
在本实施例中，治疗控制策略包括物理空间治疗和虚拟空间治疗。物理空间治疗，即让紧急管理员传播一种积极的情绪给物理空间感染个体，以消除物理空间感染个体的恐慌情绪或消极情绪，表示为
在本实施例中，Vphy1(t)、Vvir1(t)、Vphy2(t)和Vvir2(t)是由应急管理人员和官方媒体随时调整的面对面控制信号(例如：面部表情、语言或官方文件)，
其中,φvir1,φvir2,φphy1,φphy2∈[0,1]分别是对不同状态的个体成功实施控制策略的概率。
本实施例中，将上述控制策略与上一节提出的个性化情绪感染机制相结合，建立了个性化情绪感染的控制框架，如图2所示。其中，圆圈代表在物理空间和虚拟空间中不同状态下的个体集合，弧代表各个状态之间的转换规则，每条弧上的权重表示在时间Δt内个体从一种状态到另一种状态的个体比例的变化。图2中每个弧的定义如表3所示。因此，我们可以得到NP-ECC模型控制策略的平均场方程如下：
在本实施例中，由于个体在物理和虚拟空间中可能会有很小的重叠,为了更准确地表示NP-ECC模型，我们考虑了群体中个体的重叠，用k来表示。根据前面的情绪感染规则我们定义以下的公式：
在上述公式中Svir和Pvir分别表示处于同一个性化情绪状态下易感个体和感染个体在虚拟空间的平均情绪感染强度和恢复强度。Sphy和Pphy分别表示处于同一个性化情绪状态下感染个体在物理空间的平均情绪感染强度和恢复强度。显然， (5)-(10)建立了一个基于常微分方程的动力系统，称为NP-ECC模型。NP-ECC 模型是一种采取了预防和治疗措施的耦合物理和虚拟空间的个性化情绪感染模型。NP-ECC模型具有以下的初始值：
0≤Vvir1(1)≤1×10-6，0≤Vvir2(t)≤1×10-6，0≤Vphy1(t)≤1×10-5，0≤Vphy2(t)≤1×10-5. (20)
NP-ECC模型的解在任何时候都必须满足以下约束：
表3图2中ARC的定义
步骤S102，构建了一个个性化BA无标度网络去更精确地计算NP-ECC模型在情绪感染发生相变现象时的阈值。
在本实施例中，为了更好地控制人群情绪感染的速度和规模，需要更精确地计算NP-ECC模型在情绪感染发生相变现象时的阈值。我们首先构建了一个个性化BA无标度网络，然后更精确地计算了NP-ECC模型在个性化BA无标度网络中发生相变现象时的阈值。
在本实施例中，人群情绪感染的过程中，可以把人群看作是一个以人为节点，以人之间的关系为连接边的复杂网络。BA无标度网络常用于研究人群中的情绪感染，因为它比较接近于真实的社交网络。以前的研究都集中于感染率和治愈率均为同质的情况下或感染率为异质时寻找人群中情绪感染的阈值，没有考虑个体的个性差异。
在本实施例中，考虑了个体的个性差异对人群情绪感染产生的影响。因此，构建了一个个性化BA无标度网络来分析和模拟在感染率和治愈率均异质的情况下NP-ECC模型发生相变时的阈值。使用G(V,E)来表示个性化无标度网络，其中V是节点的集合，E是链接边的集合。节点的数目用|V|来表示，相似地，边的数目用|E|来表示。
在本实施例中，构建的个性化BA无标度网络过程中，假设所有链路的感染率和治愈率均是异质的。这个假设是因为易感节点和感染节点之间的链路感染率受感染节点的感染率及其自身情绪感染强度的影响，免疫节点和感染节点之间的链路治愈率受免疫节点的治愈率及其自身恢复强度的影响。定义LI(i,j)来表示易感节点和感染节点之间的链路感染率，Lr(i,j)来表示感染节点和免疫节点之间的链路治愈率如下：
其中，i是个性化BA无标度网络中的一个节点，j是它的一个邻居节点。
在本实施例中，性化情绪感染的阈值实际上相当于非平衡相变中的临界点，是确定情绪感染生存或消失条件的基本指标。在本节中，研究了NP-ECC模型在个性化BA无标度网络中发生相变时的阈值，进一步获得个体从易感状态到感染状态的数量随相变值的变化，从而更好地控制情绪感染的速度和规模。
在本实施例中，由于情绪感染过程与传染病的传染过程类似，在先前的研究中，证明了当感染率和恢复率均为同质时传染病的阈值满足以下条件：如果感染病存活；如果
在本实施例中，提出的NP-ECC模型综合考虑了感染率和治愈率均为异质时的情况，设NP-ECC模型发生相变时的阈值满足以下条件：
在该条件下，公式(25)表示情绪感染可以存活并感染非零数目的节点。否则，情绪感染消失。因为由于个体个性的差异我们考虑了异质感染率和治愈率，在公式(24)和(25)中∑(i,j)∈ELI(i,j)/|E|表示异质感染率的情况下网络中感染率的均值，∑(i,j)∈ELr(i,j)/|E|表示异质治愈率的情况下网络中治愈率的均值，τ表示情绪感染的阈值。
公式(26)表示没有考虑任何控制策略时，个性化BA无标度网络上情绪感染的相变值S。公式(26)提供了在我们的NP-ECC模型中情绪感染消失(S＜1) 或存活(S≥1)的条件。要将此可视化，我们将情绪感染的传播视为其在复杂网络上的随机游走,情绪感染以(∑(i,j)∈ELI(i,j)/|E|)<kA>的速度传播。另一方面，情绪感染以∑i(i,j)∈ELr(i,j)/|E的速度治愈。因此，“有效”的传播速率大约是
根据之前提出的控制策略，对不同控制策略下的S进行了定义，如下：
公式(27)表示只对物理和虚拟空间易感个体实施预防控制策略时，个性化 BA无标度网络上情绪感染的相变值。
公式(28)表示只对物理和虚拟空间感染个体实施治疗控制策略时，个性化 BA无标度网络上情绪感染的相变值。
公式(29)表示分别对物理和虚拟空间易感个体和感染个体实施预防和治疗控制策略时，个性化BA无标度网络上情绪感染的相变值。
步骤S103，提出了CS-BA和T-BA两种算法以验证NP-ECC模型的稳定性和 NP-ECC模型在情绪感染发生相变现象时的阈值。
在本实施例中，提出了CS-BA算法和T-BA算法来描述NP-ECC模型在个性化 BA无标度网络中的仿真过程。CS-BA算法通过计算NP-ECC模型中感染节点在个性化BA无标度网络中的变化，来验证NP-ECC模型的稳定性。T-BA算法通过计算NP-ECC模型在不同的控制策略下发生相变时的相变值S，进一步获得个体从易感状态到感染状态的数量随相变值的变化。下面将分别介绍CS-BA算法和T-BA 算法。
在仿真过程中，每个个体都被看作一个节点。我们定义了Pn(CVI)和Pn(CPI)分别表示CVI和CVI在第n次迭代时在人群中所占的比例。Pn(CVI)和Pn(CPI)可以被分别表示，如下：
Pn(CVI)＝||CVI||/N， (30)
Pn(CPI)＝||CPI||/N. (31)
这里||·||是集合的尺寸，N代表节点的数量。定义了Mv和Mp分别表示Pn(CVI)和 Pn(CPI)在每轮实验的均值，如下：
这里，T代表每轮实验的迭代次数并且重复实验W次。
CS-BA算法。CS-BA算法提供了NP-ECC模型中物理空间感染节点和虚拟空间感染节点的数量在个性化BA无标度网络中的变化，通过算法输出的Mv和Mp是否趋于收敛来判断NP-ECC模型的稳定性。
T-BA算法。T-BA算法提供了NP-ECC模型在不同控制策略下的相变值S 和个体从易感状态到感染状态的数量随相变值S的变化。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。