實驗總結

在實驗一本研究進行了敏感度分析，在 5.1.1 節分析各種底層旅運網路組合變化 對於模型計算結果改變的同時也對模型的方法正確性做出初步驗證，並且於 5.1.2 節藉敏感度分析實驗結果決定接下來何種旅運網路組合該使用基因演算法 進行搜尋比較的實驗。

在實驗二至實驗四則是進一步使用基因演算法搜尋何種參數組合下所得的 模型計算結果，與真實流行病病例資料會產生最佳相關係數檢定解，實驗中分別 比較了當計算的地理規模尺度在縣市層級及鄉鎮市層級時，模型計算結果與 H1N1-A 型流感的相關性是否大於 71 型腸病毒藉此對模型方法正確性做為進一 步驗證，並且於 5.2.1.3 節將計算地理規模尺度擴充至可縮放縣市層級、原始縣 市層級、鄉鎮市層級。因此在實驗二至實驗四中主要著重在三種地理規模尺度下，

模型計算結果與 H1N1-A 型流感及 71 型腸病毒的相關係數比較，還有所搜尋出 來的染病人數及行政區命中率，來驗證模型正確性。

在實驗五中，本研究則是放寬對所有模型中的參數限制，搜尋本模型方法所 能找到最符合真實流行病病例情況的參數解並做進一步討論。而在本章節將把實 驗二至實驗五所有地裡尺度下對於 H1N1-A 型流感所搜尋出相關係數值拿出來 做進一步歸納討論，如圖 5-20，將實驗二至實驗五共四種總交通旅運網路組合的 實驗中所有計算層級下與 H1N1-A 型流感的相關係數皆取出比較。

首先呼應 5.1.2 節以圖 5-21 從中短程交通旅運網路以及長程交通旅運網路的 觀點下去分析，本研究發現無論在何種計算層級下，總交通網路 1 與總交通網路 2 在檢定值方面並沒有明顯的差異，換句話說在總交通網路 1 加入長程交通旅運 網路構成總交通網路 2 之後，對於流行病的特徵捕捉並沒有明顯的提升準確性；

再者以只含中短程旅運資料的總交通網路 1 以及只含長程旅運資料的總交通網 路 3 來比較，除了在可縮放縣市規模能夠做出相同的檢定值外，在鄉鎮市規模及 原始縣市規模長程交通旅運網路皆無法較中短程交通旅運網路模擬出更貼近真

77

0.53 0.51

0.65 0.62

0.72

0.8

Spearman 相關係數

總交通網路1 = 1通勤 + w2台鐵

0.53 0.51

0.65

Spearman 相關係數

總交通網路1 = 1通勤 + w2台鐵

78

另外若以圖 5-22 比較原始縣市規模以及可縮放縣市規模的觀點來看，無論 在何種總交通網路的組合比較下，使用可縮放縣市規模所取得的相關係數檢定值 皆優於原始縣市規模。其背後的意義在於，原始縣市規模與可縮放縣市規模使用 的總交通旅運網路人口流量相同，同樣也為計算縣市規模的行政區危險程度，但 以總交通旅運架構來說，原始縣市規模使用的是 22x22 大小的網路架構，反映的 是縣市間的人口流動，可縮放縣市規模使用的是 353x353 大小的網路架構，反映 的是鄉鎮間較為細膩的人口流動資料。由此本研究發現掌握鄉鎮之間的人口流動 相較於縣市之間的人口流動更可以捕捉到 H1N1-A 型流感傳染特性，得到與現實 流行病資料較為相符的計算結果，而鄉鎮間的人口流動反映的也是中短程的交通 網路造成的人口流動，同時呼應圖 5-21 所提結論。

圖 5-22 比較地理尺度實驗結果圖

此外如本文 4.2.1 節所述，在計算結果的驗證方法中是將模型所計算出各行 政區的染病風險程度排序數列與真實流行病資料經染病人數與染病週別所排序

0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00

原始縣市規模 可縮放縣市規模

0.56 0.51

0.65 0.72

0.8

Spearman 相關係數

總交通網路1 = 1通勤 + w2台鐵

總交通網路2 = 1通勤 + w2台鐵 + w3高鐵 + w4航空 總交通網路3 = w3高鐵 + w4航空

總交通網路4 = w1通勤 + w2台鐵 + w3高鐵 + w4航空

0.56

0.64 0.65

79

（Epidemic Risk Rank）與染病人數排序數列經斯皮爾曼相關係數的驗證改為一 地的染病危險程度百分比比率 ERI（Epidemic Risk Index）與病原體接觸率排序 數列的斯皮爾曼相關係數驗證，是否會有更貼近真實流行病傳播的模擬結果出現。

80

81

6 六、結論

本研究提出一套基於馬可夫鏈與 PageRank 演算法的網路遞移模型，並使用基因 演算法做參數最佳化用以分析網路拓樸的遞移性。模型中將 PageRank 演算法公 式擴充，考量真實網路中雙向鏈結的回饋，使其能解決現今分析網路遞移性現象 普遍遇到無法考慮整體網路中節點互動的問題，同時模型中亦應用可變機率陣列 以反應真實網路拓樸的變化。最後利用基因演算法對參數進行優選搜尋最符合實 際病例的參數組合，除了進一步觀察遞移性動態也驗證研究方法。

在 PageRank 演算法中，Page（1998）探討網頁拓樸的遞移現象，並提出分 析方法與網頁搜尋應用。本研究將此分析方法擴展至一般網路拓樸中，利用流行 病動態傳播為研究案例，並且得出正確的驗證結果。顯示本研究不僅能夠確實提 出分析方法使計算結果有提供案例研究參考的價值，更能在 PageRank 演算法的 基礎上將遞移性現象的應用與分析延伸推廣。

以往探討交通旅運網路對流行病散播的研究僅利用通勤人口流動量的數據 觀察不同行政區間的疫情傳播模式。本研究中則進一步將行政區以及通勤人口流 動的關係轉化為網路的概念，分析病原體於網路中遞移傳播造成的影響。實驗結 果顯示，本方法不僅能夠進一步由通勤人口流動量分析各行政區在疫情傳播上的 重要性，藉由基因演算法亦能夠搜尋出更為貼近現實流行病傳播動態的參數組合 得到更高的相關係數值；此外以更由分析實驗結果發現，構成台灣本島主要交通 運輸人口流動的短程通勤網路與台鐵網路是呼吸道流行病傳染進程的關鍵，未來 在有經呼吸道傳染的新興流行性傳染病來臨時，控制台灣本島的通勤網路與台鐵 網路重要性將高於高鐵網路與航空網路。

本研究的研究限制與未來展望如下：1. 模型中所探討的遞移性現象其形成 擴散的本質在於當個體擴散影響別的個體之後自己本身還會保留此種特性。例如 流行病的傳播，當傳染給其他個體之後自己本身還保有病原體能夠繼續造成傳染 影響其他個體的重要性，因此對於網路拓樸中，非經複製概念所產生的遞移性現

82

象並不在本研究所探討的範圍。2. 由於交通運輸部對於各式交通工具的旅客起 訖量資料並非年年都進行調查因此本研究無法完整收集各年旅運網路資料來架 構網路拓樸進行分析，因此當所模擬的遞移性現象越趨於複雜時，若能建構更為 細膩的網路拓樸架構，將有助於模型達到更加精確的計算。3. 模型中根據行政 區與人口流動資料建立網路拓樸架構，因此在分析病原體造成的遞移傳播現象上 只考慮人口流動的影響，未來如能把其他諸如溫度、人口數等因素加入分析，對 於模型計算準確度的提升將有幫助。

83

參考文獻

Andersen, R., Chung, F., & Lang, K. (2006). Local graph partitioning using pagerank vectors.

Back, T., & Schwefel, H. (1993). An overview of evolutionary algorithms for parameter optimization. Evolutionary computation, 1(1), 1-23.

Centola, D. (2010). The spread of behavior in an online social network experiment.

Science, 329(5996), 1194.

Goldberg, D. (1989). Genetic algorithms in search, optimization, and machine learning: Addison-wesley.

Grais, R., Hugh Ellis, J., & Glass, G. (2003). Assessing the impact of airline travel on the geographic spread of pandemic influenza. European Journal of

Epidemiology, 18(11), 1065-1072.

Grais, R., Ellis, J., Kress, A., & Glass, G. (2004). Modeling the spread of annual influenza epidemics in the US: The potential role of air travel. Health Care Management Science, 7(2), 127-134.

Haupt, R., Haupt, S., & Wiley, J. (1998). Practical genetic algorithms: Wiley Online Library.

Hoff, P., Raftery, A., & Handcock, M. (2002). Latent space approaches to social network analysis. Journal of the American Statistical Association, 97(460), 1090-1098.

Holland, J. (1992). Adaptation in natural and artificial systems: MIT Press Cambridge, MA, USA.

Hufnagel, L., Brockmann, D., & Geisel, T. (2004). Forecast and control of epidemics in a globalized world. Proceedings of the National Academy of Sciences of the United States of America, 101(42), 15124.

Keeling, M. J., Danon, L., Vernon, M. C., & House, T. A. (2010). Individual identity and movement networks for disease metapopulations. Proceedings of the National Academy of Sciences, 107(19), 8866.

Lee, M., & Takagi, H. (2002). Integrating design stage of fuzzy systems using genetic algorithms.

Lind, P. G., Da Silva, L. R., Andrade Jr, J. S., & Herrmann, H. J. (2007). Spreading gossip in social networks. Physical Review E, 76(3), 36117.

Ma, N., Guan, J., & Zhao, Y. (2008). Bringing PageRank to the citation analysis.

Information Processing & Management, 44(2), 800-810.

Man, K., Tang, K., & Kwong, S. (1999). Genetic algorithms: Concepts and designs:

Springer Verlag.

Merler, S., & Ajelli, M. (2010). The role of population heterogeneity and human

84

mobility in the spread of pandemic influenza. Proceedings of the Royal Society B: Biological Sciences, 277(1681), 557.

Meyn, S. P., Tweedie, R. L., & Hibey, J. (1993). Markov chains and stochastic stability: Springer London et al.

Michalewicz, Z. Genetic algorithms+ data structures= evolution programs. 1992. New York, Springer Verlag.

Moreno, Y., Gomez, J., & Pacheco, A. (2003). Epidemic incidence in correlated complex networks. Physical Review E, 68(3), 35103.

Nekovee, M., Moreno, Y., Bianconi, G., & Marsili, M. (2007). Theory of rumour spreading in complex social networks. Physica A: Statistical Mechanics and its Applications, 374(1), 457-470.

Organization, W. H. (2003). Summary of probable SARS cases with onset of illness from 1 November 2002 to 31 July 2003, from

http://www.who.int/csr/sars/country/table2004_04_21/en/index.html Organization, W. H. (2009). Pandemic (H1N1) 2009 - update 69. from

http://www.who.int/csr/don/2009_10_09/en/index.html

Page, L., Brin, S., Motwani, R., & Winograd, T. (1998). The pagerank citation ranking:

Bringing order to the web.

Sivanandam, S., & Deepa, S. (2007). Introduction to genetic algorithms: Springer Verlag.

Tang, J., Li, Y., Eames, I., Chan, P., & Ridgway, G. (2006). Factors involved in the aerosol transmission of infection and control of ventilation in healthcare premises. Journal of Hospital Infection, 64(2), 100-114.

Viboud, C., Bjornstad, O., Smith, D., Simonsen, L., Miller, M., & Grenfell, B. (2006).

Synchrony, waves, and spatial hierarchies in the spread of influenza. Science, 312(5772), 447.

Wasserman, S., & Faust, K. (1994). Social network analysis: Methods and applications: Cambridge Univ Pr.

王國嫻. (2011). 九十一年十一月份施政報告., 2010, from

http://www.ca.taipei.gov.tw/ct.asp?xitem=1080206&CtNode=38590&mp=102 001.

中華民國交通部高速鐵路工程局. (2009). 高鐵 98 年各站起迄旅客量.

中華民國交通部運輸研究所. (2008). 第三期台灣地區整體運輸規劃-公路篇.

2010

中華民國交通部運輸資訊組. (2009a). 國家永續發展之城際運輸系統需求模式研 究(4/4). 2010, from

http://www.iot.gov.tw/ct.asp?xItem=248652&ctNode=1448&mp=1

85

中華民國交通部運輸資訊組. (2009b). 運輸研究統計資料彙編. 2010, from http://www.iot.gov.tw/ct.asp?xItem=235055&ctNode=1448&mp=1.

86

附錄

為能使讀者對於本研究基因演算法搜尋結果有全局觀點，並呈現出各項參數與解 的變動關係，因此本文附錄收集了實驗結果中使用基因演算法所搜尋出各項參數 的一百條染色體最佳解分佈，並皆以圖示的方式收集在附錄中，為了閱讀方便並 未統一標示 X 軸與 Y 軸而在此說明。在圖示中 X 軸表示參數數值區間分佈、Y 軸表示染色體數目，以圖 A-1 中旅運影響比例參數（d）為例，在 X 軸刻度為 0.9 的地方有長條標示 Y 軸刻度為 90，代表此實驗中搜尋的一百條最佳解染色體中，

有其中九十條分佈在≧0.9 並< 1.0 之間。其中附錄 A、附錄 B、附錄 C 與附錄 D

有其中九十條分佈在≧0.9 並< 1.0 之間。其中附錄 A、附錄 B、附錄 C 與附錄 D