一種應對COVID-19疫情的社會接觸自動檢測方法

摘 要：由于新冠病毒的高傳染性，及早發現患者的密切接觸者對于遏制疫情爆發至關重要。而受限于技術發展的水平，目前關于接觸檢測的方法和研究均需人工參與。提出了一種面向未來的自動化方法，利用加載在感知設備上的移動智能體和邊緣協調器在街道上組成多智能體系統，基于對感染者的感知、跟蹤和邊緣計算，實現了感染者與行人之間的接觸概率估算。系列仿真給出了應用部署中的參數比較。仿真結果表明，提出的街道征用模式及邊緣計算算法可以進一步改善檢測率。

關鍵詞：邊緣計算；物聯網；移動智能體；社會接觸

中圖分類號：TP393 文獻標志碼：A

文章編號：1001－3695（2023）04－029－1142－06

Abstract：Because of the high infectivity of COVID-19，it is essential to detect the close contacts of patients as soon as possible to contain the outbreak of the epidemic.However，due to the level of technological development，the current methods and research on contact detection require manual participation.This paper proposed a future oriented automation method，which used mobile agents loaded on sensing devices and edge coordinators to form a multi-agent system on the street.Based on perception，tracking and edge-computing，the contact probability between infected people and pedestrians was estimated.A series of simulations provided the comparison of parameters in application deployment.The simulation results show that the proposed street expropriation mode and edge-computing algorithm can further improve the detection rate.

Key words：edge computing；Internet of Things；mobile agent；social contact

0 引言

由新型冠狀病毒（COIVD-19）[1]引起的呼吸道疾病爆發已導致全球累計確診病例和死亡人數分別超過5.6億和637萬（據世衛組織情況報告，于2022年7月25日更新）。根據直接觀察，COVID-19可通過飛沫和污染物進入咽部或下呼吸道迅速傳播。現在已經比較清楚的是，一部分攜帶病毒的人可能癥狀輕微，但仍會在體液中傳播病毒顆粒。然后這些顆粒通過各種途徑，包括感染者咳嗽或打噴嚏時飛出的傳染性飛沫進入其他人的呼吸道。研究飛沫傳播距離與其暴露概率的關系，是減少新冠肺炎疫情傳播的重要研究課題。一般來說，醫生選擇相信“6英尺規則”有助于減少COVID-19的傳播。然而，空氣傳播機制目前很少被研究和記錄。文獻[2]提出了空氣傳播疾病的模型，用于預測空氣傳播病毒相關的感染概率，可進一步應用于電子接觸檢測實踐。文獻[3]估計冠狀病毒繁殖數為2.68（95%置信區間為2.47 ～ 2.86），疫情倍增時間為6.4天（95%置信區間為5.8～ 7.1）。因此，在堅持廣泛的實驗室檢測和醫療措施的同時，及時發現患者感染期間的密切接觸者，對于及早遏制疫情爆發也至關重要。要做到這一點，有幾個挑戰需要解決：a）一般來說，感染發生在患者檢測和隔離之前，當發現某人被感染時，如何識別在該患者社交距離內出現的人？b）如果每天可以收集大量的疫情相關信息，可以用什么（大）數據算法來處理？c）當聯系不到疑似密切接觸者或傳染病人時，如何找到他們？本文針對第二個問題，提出了一個面向未來的智能解決方案。許多國家都在實施智慧城市計劃。許多城市將物聯網（IoT）作為連接所有實體的一種嘗試，以提高居民生活體驗和安全性并產生收入。例如，當處理刑事和安全事件時，警察感興趣的信息是誰在現場、誰是嫌疑人和他的潛在共犯等。這種監控行為是在公民的同意下，基于城市級物聯網的基礎設施進行的。然而，受科技發展和投資水平的限制，此類物聯網基礎設施的大規模實施仍處于起步階段。許多城市在尋找智慧城市項目基金的同時，也在努力地將智慧城市項目擴展到一次性物聯網實例之外。

醫療物聯網（IoMT）[4]是普通物聯網的延伸和專業化。它被認為是智能傳感和網絡技術在醫療方面的應用，特別是那些在監測疾病的發展過程中不被醫生所注意，但可能影響未來相應醫療策略的東西。監測系統對高傳染性疾病特別有用，因此對社會非常有價值。智慧城市關注的是城市內兩種移動目標的信息，即行人和車輛。監視移動目標不僅需要填充傳感器節點，還需要知識圖和某種判斷技術。這類目標的檢測對智慧城市至關重要，尤其是在涉及社會接觸檢測時。由于新冠肺炎疫情的爆發，人類活動受到極大限制?，F在是IoMT展示其使用各種現有傳感器無處不在地檢測癥狀和基于聚合物聯網數據追蹤傳染源能力的時候了。將人際關系和情感分析整合到IoMT中也有助于尋找失蹤的患者。事實上，在IoMT的幫助下，城市層面的社會接觸檢測可以應用于各種場景。

本文研究了城市級接觸檢測的可行性，并分析了這一新的研究領域面臨的技術挑戰，希望通過對一些疫情相關實體或傳感器的城市級描述，提供一種更強大的數據收集和數據處理方法，從而顯著提高目前仍由人工識別社會接觸對象的效率。同時模擬了一些正在進行的實踐，包括社交網絡和服務提供，以展示應用前景和技術優勢。

下一代測序和生物信息學正在改變人們應對傳染病爆發的方式，同時提高對疾病發生和傳播的理解，加速病原體的識別，并促進數據共享。文獻[1，5]報告了一場由新型冠狀病毒（COVID-19）引起的呼吸道疾病爆發事件，根據事實、分析和結論，有證據表明，自2019年12月中旬以來，密切接觸者之間發生了人際傳播。因此，為了控制疫情，除了醫學研究外，還需要作出相當大的努力，包括發現接觸者并馬上對其進行隔離。

呼吸系統疾病的動力學經典是用微分方程來描述的。著名的SIR模型[6]將人類分為易感人群（S）、已感染人群（I）和已康復人群（R）。SIR的原理是通過大量人群接觸類比來研究疾病的流行特征，因此處理算法的設計對傳染病模型的成功至關重要。文獻[7]發現冪律增長的存在，不同國家的冪律曲線之間存在很強的相關性，將流行特征擴展到SEIR（易感—暴露—感染—恢復）模型，并提出了允許政府增加冪律曲線平坦化的有效策略。此外還發現，檢疫的軟措施無法使生長曲線變平。

物聯網[8，9]系統可以促進智慧城市中的接觸檢測、事件可視化、模擬以及事故和災難管理方面的數據收集和決策[10～12]。除了常規用于城市感知外，公共或私有的物聯網節點也可以通過移動智能體軟件加載的方式征用為專用邊緣智能體[13]，以便專注于某種特定的物聯網應用。當互聯設備數量呈指數級增長時，物聯網成為大數據的來源[14～16]。然而，如何設計流行病監測的數據處理算法一直是一個公開的挑戰。在智慧城市中，數據可以從不同的來源收集，如社區和一些技術平臺，包括患者臨床數據、公共衛生數據和行為數據在內的各種來源都可以進行整合，以幫助建立一個強大的衛生系統，以應對流行病的早期發現和預防工作。例如，2019年疫情爆發時，一些互聯網平臺推出了面向COVID-19的查詢功能，讓客戶根據世界衛生組織和當地政府提供的數據，實時查看自己所在社區和周圍的疫情信息。數據分析有助于當局作出快速和有效的決定，并提醒人們避免出現在疫情嚴重的地區。此外，阿里巴巴、騰訊等幾家中國企業推出了“健康碼”移動應用，根據用戶的健康狀況、居住地、旅行史和聯系史，對用戶的新冠肺炎相關健康水平進行分類，提高常規衛生檢查的效率。

由于城市范圍的IoMT難以通過實驗進行檢驗，所以仿真是一種比較合適的數據收集和數據處理方法。基本上，這種城市級物聯網可以在一個二維網格內模擬。NetLogo是一種多智能體建模語言，使學習者能夠探索和構建突發現象的模型。使用NetLogo對物聯網等情況進行建模，使本文能夠觀察智慧城市場景，并以一種快速靈活的方式檢查其自然和社會現象的潛在動態，這在現實世界中很難做到[17]。

研究人員提出了幾種不同的方法來模擬導致COVID-19的新型冠狀病毒的傳播[17～20]。事實證明，這些模型有利于制定新的戰略，以應對目前的全球流行病。例如，來自德國KIT的Bai[21]評估了兩種方法的效果，分別是一階常微分方程模型（ODE）和基于空間代理的模型（ABM）。通過比較有或沒有這些策略的模型的結果來評估這些策略的有效性。

然而，當涉及到大規模的智慧城市應用時，可擴展性和實時性問題仍然是一個直接的挑戰。作為一種解決方案，霧計算和邊緣計算[22～24]被作為云計算解決方案的延伸。霧計算的目標是將基礎分析服務分散到網絡邊緣[25，26]，通過將計算資源定位到更接近需要的地方來提高性能，從而縮短網絡內數據傳輸的距離，提高整體網絡效率。城市級接觸檢測物聯網體系結構的設計是需要解決的關鍵問題之一。

由于傳感器的計算資源不足，采用邊緣計算進行接觸檢測[22，23]是很自然的。在邊緣計算中，數據由邊緣設備處理，只將所需要的數據發送到云端，這樣可以提高魯棒性并減少總體網絡開銷。邊緣設備是分布式的，每個設備通常資源貧乏、缺乏全局信息。邊緣設備要實現接觸檢測，需要相互配合，消除數據采集和處理中的不確定性。Shortliffe等人[27]研究了可信度理論，并試圖理解確定權重分配背后的心理問題。確定性因子（C-F）的概念被證明是不確定性推理的有效度量。

1 基于IoMT架構的接觸檢測

為抗擊疫情，中國采取了嚴格的早期防控政策，以及相應的隔離醫療措施（如隔離、避免擁擠、保持社交距離等），旨在控制感染源，包括疑似密切接觸者、密切接觸者或無癥狀感染者和確診病例的流動。根據《新型冠狀病毒肺炎疫情防控指南》[28]對他們進行隔離、治愈或醫學觀察。這些政策在極大地幫助政府控制傳染源的同時，也給日常生活帶來了許多麻煩。隨著基于城市IoMT的發展，本文提出了一種面向未來的自動化接觸檢測和智能化決策機制，設計了一種面向街道征用模式的多智能體協作系統，通過IoMT的接觸檢測以及多智能體的協作算法來實現自動化判別，大大減少了不必要的封鎖。

1.1 基于IoMT的接觸檢測方法設計

圖1展示了所提社交接觸檢測方法的參與者和基本用例。其中官方傳感器為政府提供的物聯網節點一般設置在路口，用于IoMT常規檢測，也可以專用于疫情中的接觸檢測。私人傳感器則是個體商家自行安裝的物聯網節點。這些物聯網節點包括路邊5G基站、RFID接收器、懸掛攝像頭、NFC收銀機或地理移動數據采集器。它們通過有線通信或一些短程無線電技術（如藍牙、Wi-Fi和Zigbee）連接，構成城市IoMT，用于社會接觸檢測和分布式數據處理。除了常規感知，通過移動智能體加載的方式將傳感器征用為專用邊緣感知智能體[29]的應用模式也早有案例。

案例感知和追蹤可以基于上述傳感方式，通過不同的技術來實現，其精度和覆蓋范圍也各不相同。例如，攝像頭可以提供厘米級精度的檢測和錐狀覆蓋，文獻[30]提出了一種基于人臉跟蹤和識別的行人闖紅燈解決方案，通過路口的攝像頭識別正在闖紅燈行人的身份信息，并顯示在路口的顯示屏上，這項技術已經在安徽、西安等地試用，而在聯網情況下，運用RFID接收器、Wi-Fi等其他傳感器也可以獲得不同精度的行人身份信息。在本文提出的自動化接觸檢測方法中對行人和感染者的數據采集，正是來自不同類型的城市傳感器。

案例接觸檢測基于案例感知，本文采用碰撞的概念來表示兩個或兩個以上的行人位于安全距離內的情況。與患者發生碰撞意味著行人與患者有過密切接觸，有可能被感染。本文將通過邏輯判斷和可信度分析來實現接觸檢測。細節將在第1.2節和第2章中進一步描述。案例預警主要處理在某一城市區域內的兩種情況：a）向當局報告，以便及時實施一些重要的公共衛生措施，避免病毒的進一步傳播；b）提供公眾風險溝通，提高公眾對風險領域的認識，鼓勵采取自我保護措施；c）如果病人在街道上被發現，向他發送行政請求。

1.2 面向街道征用模式的多智能體協作原理

為了更精確地篩查出感染者的疑似密接者，除了官方傳感器外，本文提出了街道征用模式的方法來征用私人傳感器。街道征用模式指的是當感染者被官方傳感器檢測到進入某一條街道后，該街道內的部分可用的私人傳感器將被暫時征用，用于接觸檢測，征用基于移動智能體軟件的加載與調用，細節將在1.3節中詳述。當加載完成后，此時這些傳感器就可以被稱為移動智能體。除了智能體外，在街道內還會安裝一個邊緣協調器（可以由官方傳感器兼任），它負責協調成員智能體進行接觸檢測，提供邊緣子集內外的數據交換。街道內的所有智能體和邊緣協調器構成了一個多智能體系統，如圖2所示。

假設當街道左端的官方移動智能體1發現感染者進入街道路段時，官方移動智能體1會向感染者發送信息，要求其服從行政請求，然后將行人數據（主要是感染者和行人的身份信息和時間戳）發送給邊緣協調器（①）。為了防止感染者不遵循行政請求，后續操作仍然是必要的。邊緣協調器將要求右側的官方移動智能體2交換數據（②③），并在之后的時間里，持續交換檢測到的后續進入路段的行人信息，直到官方移動智能體2檢測到感染者。邊緣協調器根據官方移動智能體1和2提供的數據，篩選可能是密切接觸者的行人（參見2.1節），并將其發送給其他移動智能體（④⑤）。當感染者或行人被私人移動智能體1檢測到時，它會根據相鄰移動智能體提供的數據進行接觸檢測（⑥）（將在2.2、2.3節詳細闡述）并將檢測結果發送給下一個私人移動智能體和邊緣協調器（⑦）。每當私人移動智能體檢測到感染者或新的行人的數據時，都會重復上述操作（⑥⑦），直到官方移動智能體2檢測到感染者。

1.3 移動智能體的加載與調用

移動智能體的開發涉及到了多種語言，但是基于移動智能體需要在異構的網絡環境下不斷遷移的特點，利用Java語言的通用性和平臺無關性來開發移動智能體是很自然的[31]。但是如何將開發好的移動智能體程序加載到被征用的私人傳感器上，以及如何遠程調用它們是一個新的問題。

Socket是應用層與TCP/IP協議族通信的中間軟件抽象層，它是一組接口，提供了一系列的方法來完成客戶端與服務端的通信，其工作原理如圖3所示。

圖3中，私人傳感器就是客戶端，而遠程控制中心的作用是與某一區域范圍內的官方傳感器和私人傳感器進行通信，充當了服務端的角色，服務端會對綁定的端口進行實時監聽，該遠程控制中心控制范圍內的所有傳感器都會綁定在其監聽的端口上。當有感染者進入街道，并被官方傳感器檢測到后，官方傳感器就會通知遠程控制中心將移動智能體程序發送給私人傳感器，完成移動智能體的加載工作。當移動智能體加載完畢后，需要遠程調用這些移動智能體程序來協作完成1.2節中的接觸檢測判斷。目前常見的遠程調用方法主要是RPC（遠程過程調用）協議，RPC協議是一種通過網絡從遠程計算機上請求服務，而無須了解底層網絡技術的協議[32]，如圖4所示。

在RPC協議中通常有服務提供者、服務消費者以及注冊中心三個角色。在本文中，私人傳感器作為服務提供者，將啟動本地某一程序（即加載到其上的移動智能體程序）的服務注冊到注冊中心中，然后遠程控制中心作為服務消費者調用該服務來完成移動智能體軟件的遠程調用。更進一步，私人傳感器還可以將卸載本地某一程序的服務也注冊到注冊中心當中，用于當感染者離開街道后，遠程控制中心刪除加載到這些私人傳感器上的移動智能體程序，保證信息的安全性。

2 基于邊緣計算的接觸檢測算法

本文通過檢測感染者與行人是否在街道區域發生碰撞來識別社會接觸。碰撞檢測算法主要分兩步進行判斷：a）通過邏輯判斷算法將行人細分為邏輯上存在碰撞的行人、邏輯上可能碰撞的行人和邏輯上不可能碰撞的行人三大類，對于邏輯上存在碰撞的，本文直接將其劃分為疑似密切接觸者；b）對于邏輯上有可能與感染者發生碰撞的行人，提出了一種邊緣計算算法來估計碰撞概率可信度。根據文獻[2]，日常社交活動的最小安全距離為1.6～3 m，最大傳播距離可達8.2 m，概率為5%。因此，本文在2.2節中設置5%的碰撞可信度作為判斷行人是否為疑似密切接觸者的閾值。

3 實驗仿真

由于城市層面的IoMT規模較大，很難進行大規模實驗。但為了驗證本文提出的街道征用模式方法和基于邊緣計算的接觸檢測算法的正確性，本文對不同覆蓋率、不同部署策略、不同檢測算法下的接觸檢測率進行了一系列仿真測試。這里的檢測率是指被檢測到的接觸者與實際接觸者總數的比值。

3.1 仿真設置

模型中的基本實體包括正常行人、感染者、官方傳感器和私人傳感器。官方傳感器可以隨機部署，也可以部署在路口。由于部署在路口的傳感器比隨機部署的傳感器具有更高的檢測效率，所以官方傳感器大部分部署在十字路口，而私人傳感器則被隨機設置在街道區域。疑似密切接觸者的接觸檢測實際上是感染者（假設只有1名感染者）與行人的碰撞檢測。以下實驗主要在不考慮二次接觸的大前提下進行。如果行人與感染者發生碰撞，則該行人的狀態將變為疑似。該模型建立在NetLogo上。與模型相對應的世界由網格組成。在現實中，每個網格對應10 m。實驗中的大部分參數如表1所示。

由于街道路段長度是隨機的，所以在每次實驗中，官方傳感器的數量是隨機的。每個實驗中私人傳感器的數量不是固定的，但為了使仿真結果更加精確，每個路段最少需要3個私人傳感器。模擬中的時間以tick計算，每個tick對應于現實中的1 s。因為模擬整個城市范圍的碰撞檢測是不現實的，所以本文僅使用NetLogo生成了一個180 grid×180 grid的模擬環境，即現實中1 800 m2的范圍。根據中國城市道路交通規劃設計規范，每個道路交叉口的距離不小于70 m，即對應于本文中的街道路段長度不能小于70 m，為了方便計算，實驗中將每個路段的長度設置在10～30 grid，即現實中的100～300 m。每個實驗初始產生3 000個行人，其分布是隨機的。在實驗仿真中，系統每經歷一次tick，就會在隨機位置生成一個行人，事實上，行人的數量對于仿真結果幾乎沒有任何影響。圖5展示了模擬場景的部分示意圖，其中黃色區域是街道部分，白色區域是社區、企業和辦公樓所在的街區，紅色三角形代表官方傳感器，紅色圓圈代表私人傳感器，紅色笑臉代表被征用的私人傳感器（即移動智能體）（見電子版）。行人和感染者只在街道上行走，當他們到達十字路口時，他們隨機選擇一個方向轉彎，不會回頭。行人的正常行走速度為4～10 km/h，即1.11～2.78 m/s，為了便于計算，將感染者和行人的行走速度設置為1～3 m/ tick，對應于現實中的1～3 m/s。在每一個tick之后，移動智能體會檢測行人是否與感染者碰撞。如果不使用可信度算法，則通過是否與感染者同時出現在同一網格中來判斷密切接觸者。如果采用可信度算法，則密切接觸由第2章提出的邊緣計算算法決定。每個實驗做十次，取平均值。

3.2 基于不同部署和覆蓋率的仿真

為了最大限度地提高社會接觸檢測的效率，需要解決兩個基本問題，即找到合適的覆蓋率和部署策略。第一個問題是：官方傳感器應該放在哪里，十字路口還是街道的其他地方？為了回答這個問題，本文模擬比較了傳感器數量相同的情況下，路口全部署和隨機部署傳感器的檢測率，如圖6所示。一般情況下，在模擬開始時，檢測率為0。隨著時間的推移，檢測率會不斷上升，直到達到某個水平，然后開始沿著某個水平振蕩。這是因為在開始的時候，檢測到的接觸點數量非常少，所以每一個檢測到的接觸點都對檢測率有很大的貢獻。隨著時間的推移，檢測到的接觸點數量積累到一定程度，曲線變得越來越光滑。

圖6中實線表示路口傳感器全部署時的檢測率，虛線表示傳感器位置隨機位于街道路段時的檢測率。由圖6可以看出，在傳感器個數相同的情況下，路口設置傳感器的檢測率遠高于隨機位置設置傳感器的檢測率。這是因為路口的傳感器可以從四個方向檢測碰撞，而街道路段的傳感器只能從兩個方向檢測碰撞。前者的檢測率約為后者的兩倍。第二個需要回答的問題是：隨著傳感器覆蓋范圍的變化，官方傳感器的整體性能會如何？從圖6中已經知道，設置在十字路口的傳感器的檢測要高于其他地方。接下來的模擬將繼續使用相同的模擬參數，但路口官方傳感器的部署率會在20%～100%之間變化，從而找出檢測率和傳感器部署率之間的關系。

圖7為仿真結果，其中實線、虛線、三角形實線、圓圈實線和正方形實線分別表示路口官方傳感器100%、80%、60%、40%和20%部署率時的的檢測率?？梢园l現，一般情況下，在仿真開始時，檢測率為0。隨著時間的推移，檢測率會不斷上升，直到達到一定水平，然后開始波動，如圖7所示。也可以得出結論，路口傳感器節點的部署率越高，檢測率越高，這與本文的直覺相吻合。

3.3 基于街道征用模式的仿真

圖8模擬了使用和沒有使用街道征用模式下的檢測率。在圖8中，實線表示使用街道征用模式時的檢測率，虛線表示僅使用官方傳感器時的檢測率。一般情況下，模擬開始時兩條曲線均為0。隨著時間的推移，檢測率會不斷上升，直到達到一定水平，然后開始波動，如圖8所示?？梢园l現，使用街道征用模式下檢測率總體上比不征用時高100%以上。這是因為街道征用模式需要一組私有傳感器，極大地增強了系統的碰撞檢測能力，從而提高了系統的整體性能。

3.4 基于可信度算法的仿真

圖9模擬了在街道征用模式下，使用和不使用邊緣計算的接觸檢測算法的檢測率比較，并考慮了不同閾值下的情況。

基于第2章提出的邊緣計算算法，模擬了在閾值0.05、0.1和0.2下的檢測率，對應的仿真結果分別如圖9（a）～（c）所示，其中實線代表應用可信度算法時在不同閾值處的檢測率，虛線代表不應用可信度算法時對應曲線?？梢钥闯?，檢測率隨著閾值的降低而增加。這是因為閾值越低，可信度算法篩選出的可能的疑似密切接觸者越多，檢測率也就越高。還可以發現，在所有情況下，可信度算法的使用都會在一定程度上提高檢測率。這可以解釋為：如果不使用可信度算法，MAS會根據在單個傳感器上設置的閾值進行碰撞檢測判斷。另一方面，在應用可信度算法時，MAS根據可信度算法對一組傳感器進行決策融合，作出碰撞判斷，提高了檢測的可能性。事實上，隨著閾值的增加，可信度算法帶來的檢測率的增加更大。

3.5 仿真結果與分析

第3章對不同部署率、不同部署策略，是否使用街道征用模式以及是否使用邊緣計算的接觸檢測算法對接觸檢測率進行了一系列的仿真，獲得如下結果：

a）設置在路口的傳感器比設置在該路段其他位置的傳感器檢測率更高，傳感器節點的部署率越高，檢測率越高；b）所提出的街道征用模式的檢測率要明顯高于不使用街道征用模式的檢測率；c）考慮二次接觸時，大大增加了觸點數量，減小了曲線的波動；d）所提出的邊緣計算算法可以顯著提高檢測率。

雖然無法進行大規模的實驗，但上述仿真結果可以為未來基于IoMT的社會接觸檢測的實踐提供有力的支撐。

4 結束語

城市IoMT和邊緣計算等技術為公共醫療信息的數據訪問提供了門戶，從而為社會接觸檢測和分析提供了獨特的生態系統。

本文提出了一種基于邊緣計算的智慧城市社會接觸檢測方法，包括基于移動智能體的感知與邊緣計算的IoMT架構，融合邏輯判斷與可信度理論的數據處理算法，以及用于社會接觸檢測的移動智能體協作機制。該方法實現了感染者與行人之間的接觸概率估算，可以大幅改善人工檢測方法帶來的延宕和低效。由于城市層面的IoMT規模較大，很難進行大范圍實驗。本文執行了一系列的仿真來測試不同覆蓋率和部署策略下的檢測率。仿真結果也提供了不同部署方式、傳感器覆蓋率、征用模式下的檢測率參數，可用于指導未來的社會接觸檢測實踐。仿真結果表明，本文提出的街道征用模式及邊緣計算算法可以進一步改善檢測率指標。目前對于密切接觸者的判斷來源于人工假設和人工判斷，誤差無從估算，而本文提出的基于城市IoMT和邊緣計算的判別方法首次實現了自動檢測。需要說明的是，本文引用了文獻[2]中的標準，將5%的碰撞可信度作為判斷行人是否為疑似密切接觸者的閾值。而實際上，如果降低該數值，檢測率指標還可以大幅度增高。筆者也正在實施一些基于移動智能體的局部傳感器網絡的小規模實驗，以進一步驗證其他各種小型傳感裝置在自動化接觸檢測中的可用性。另外，隨著個人信息的廣泛收集，數據的安全性和未經授權的使用引起了公眾的廣泛關注，這也需要未來進一步研究如何在隱私和便利性之間作出妥協。

參考文獻：

［1］Li Qun，Guan Xuhua，Wu Peng，et al.Early transmission dynamics in Wuhan，China，of novel coronavirus-infected pneumonia[J].The New England Journal of Medicine，2020，382（13）：1199-1207.

[2]Sun Chanjuan，Zhai Zhiqiang.The efficacy of social distance and ventilation effectiveness in preventing COVID-19 transmission[J].Sustainable Cities and Society，2020，62：102390.

[3]Wu J T，Leung K，Leung G M.Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak ori-ginating in Wuhan，China：a modelling study[J].The Lancet，2020，395（10225）：689－697.

[4]Shen Meng，Deng Yawen，Zhu Liehuang，et al.Privacy-preserving image retrieval for medical IoT systems：a blockchain-based approach[J].IEEE Network，2019，33（5）：27－33.

[5]Zhou Peng，Yang Xingluo，Wang Xianguang，et al.A pneumonia outbreak associated with a new coronavirus of probable bat origin[J].Nature，2020，579：270－273.

[6]Siettos C I，Russo L.Mathematical modeling of infectious disease dynamics[J].Virulence，2013，4（4）：1-12.

[7]Manchein C，Brugnago E L，Silva R M D，et al.Strong correlations between power-law growth of COVID-19 in four continents and the inefficiency of soft quarantine strategies[J].Chaos：An Interdisciplinary Journal of Nonlinear Science，2020，30：041102.

[8]Habibzadeh H，Dinesh K，Rajabi S O，et al.A survey of healthcare Internet of Things（HIoT）：a clinical perspective[J].IEEE Internet of Things Journal，2020，7（1）：53-71.

[9]Zanella A，Bui N，Castellani A，et al.Internet of Things for smart cities[J].IEEE Internet of Things Journal，2014，1（1）：22－32.

[10]Lea R.Smart cities：an overview of the technology trends driving smart cities[EB/OL].（2022-11-22）.https：//eprints.lancs.ac.uk/id/eprint/ 126363.

[11]Hammi B，Khatoun R，Zeadally S，et al.IoT technologies for smart ci-ties[J].IET Networks，2018，7（1）：1-13.

[12]Rajab H，Cinkelr T.IoT based smart cities[C]// Proc of International Symposium on Networks，Computers and Communications.2018：1－4.

[13]Qi Hairong，Xu Yingyue，Wang Xiaoling.Mobile-agent-based collaborative signal and information processing in sensor networks[J].Proceedings of the IEEE，2003，91（8）：1172-1183.

[14]Kumar S，Singh M.Big data analytics for healthcare industry：impact，applications，and tools[J].Big Data Mining and Analytics，2019，2（1）：48－57.

[15]Chettri L，Bera R.A comprehensive survey on Internet of Things（IoT） toward 5G wireless systems[J].IEEE Internet of Things Journal，2020，7（1）：16－32.

[16]Mayer-Schnberger V，Cukier K.Big data：a revolution that will transform how we live，work，and think[J].American Journal of Epidemiology，2014，179（9）：1143-1144.

[17]Tisue S，Wilensky U.NetLogo：a simple environment for modeling complexity[C]// Proc of International Conference on Complex Systems.2004：16－21.

[18]D’Orazio M，Bernardini G，Quagliarini E.How to restart？ An agent-based simulation model towards the definition of strategies for COVID-19 “second phase” in public buildings[EB/OL].（2020－04－27）.https：//arxiv.org/abs/2004.12927.

[19]Mahmood B M，Dabdawb M M.The pandemic COVID-19 infection spreading spatial aspects：a network-based software approach[J].AL-Rafidain Journal of Computer Sciences and Mathematics，2020，14（1）：159-170.

[20]Highlander H，Singley A.A mathematical model for the effect of social distancing on the spread of COVID-19[J].Spora：A Journal of Biomathematics，2020，6：40－51.

[21]Bai Shan.Simulations of COVID-19 spread by spatial agent-based model and ordinary differential equations[J].International Journal of Simulation and Process Modelling，2020，15（3）：268－277.

[22]Abbas N，Zhang Yan，Taherkordi A，et al.Mobile edge computing：a survey[J].IEEE Internet of Things Journal，2017，5（1）：450－465.

[23]Bonomi F，Milito R，Zhu Jiang，et al.Fog computing and its role in the Internet of Things[C]//Proc of the 1st Edition of the MCC Workshop on Mobile Cloud Computing.2012：13-16.

[24]Bonomi F，Milito R，Natarajan P，et al.Fog computing：a platform for Internet of Things and analytics[M]//Bessis N，Dobre C.Big data and Internet of Things：a roadmap for smart environments.Cham：Springer，2014：169-186.

[25]Wang Tian，Zhang Guangxue，Liu Anfeng，et al.A secure IoT service architecture with an efficient balance dynamics based on cloud and edge computing[J].IEEE Internet of Things Journal，2018，6（3）：4831－4843.

[26]Shi Weisong，Cao Jie，Zhang Quan，et al.Edge computing：vision and challenges[J].IEEE Internet of Things Journal，2016，3（5）：637－646.

[27]Shortliffe E H，Buchanan B G.A model of inexact reasoning in medicine[J].Mathematical Biosciences，1975，23（3－4）：351－379.

[28]Xu Tielong，Ao Meiying，Zhou Xu，et al.China’s practice to prevent and control COVID-19 in the context of large population movement[J].Infectious Diseases of Poverty，2020，9（4）：121-134.

[29]陳飛.一種動態調整傳感器數據采集算法的方法與系統：中國，CN201610784061.0[P].2016－08－31.（Chen Fei.A method and system for dynamically adjusting sensor data acquisition algorithm：China，CN201610784061.0[P].2016－08－31.）

[30]韋勇，萬旭，徐海黎，等.基于人臉跟蹤與識別的行人闖紅燈取證系統的設計與實現[J].現代電子技術，2018，41（19）：36－39.（Wei Yong，Wan Xu，Xu Haili，et al.Design and implementation of pedestrian red-light forensics system based on face tracking and recognition[J].Modern Electronic Technology，2018，41（19）：36－39.）

[31]Lange D B，Oshima M.Mobile agents with Java：the aglet API[J].World Wide Web-Internet amp; Web Information Systems，1998，1（3）：111-121.

[32]Birrell A D，Nelson B J.Implementing remote procedure calls[J].ACM Trans on Computer Systems，1984，2（1）：39－59.