地鐵乘客的病毒載量演化模型和仿真

盧守峰 黃志康 趙紅云

摘要：為了微觀刻畫地鐵乘客的病毒傳播，構建了吸入病毒概率與社交距離之間的函數關系，建立了病毒載量增加量和減少量的計算公式，在此基礎上建立了病毒載量演化方程，其中防疫措施的效果以歸一化的參數描述。通過Anylogic軟件的二次開發接口，對每個乘客的病毒載量進行編程，刻畫每個乘客在感染前和感染后兩個階段的病毒載量變化。仿真初始時刻設定10%的乘客被病毒感染，包括普通感染者和超級感染者。對不同乘客數量條件下的病毒演化進行仿真，分為有管控和無管控兩種場景。仿真結果表明：隨著乘車人數的增多，乘客密度增大，病毒傳播增強，個體病毒載量增加較快；對病毒載量大于1 000的乘客進行管控，禁止其乘車，可將所有乘客的病毒載量降低一個數量級。

關鍵詞：城市交通；地鐵乘客；病毒載量；疫情管控；演化模型；Anylogic仿真

中圖分類號：U12; R181.8?? 文獻標志碼：A?? 文章編號：1002-4026（2024）02-0097-07

The evolution model and simulation of the viral load of subway passengers

Abstract∶A functional relationship was constructed between the probability of inhaling viruses and social distance to characterize the viral transmission of subway passengers at the microscopic level. Formulas for calculating the increase and decrease of viral load were constructed based on establishing the viral load evolution equation. Normalized parameters were used within this equation to describe the effect of pandemic prevention measures. The viral load of each passenger was programmed through the Anylogic softwares secondary development interface to characterize the viral load change at the pre- and post-infection phases. In the initial simulation settings， 10% of the passengers were infected with the virus， including ordinary carriers and supercarriers. The evolution of the virus under different passenger number conditions within subway carriages was simulated， which was categorized into with-control and without-control scenarios. The simulation results showed the following： as the number of passengers increases， the passenger density increases， the virus transmission increases， and the individual viral load increases rapidly. Isolating passengers with a viral load greater than a threshold of 1 000 and prohibiting them from taking the subway can reduce the viral load of all passengers by an order of magnitude.

Key words∶urban transportation; subway passengers; viral load; pandemic control; evolutionary model; Anylogic simulation

新型冠狀病毒的傳播方式、檢測方法、管控模式、相關配套措施具有典型代表性，研究新型冠狀病毒感染的精細化管控措施對于其他呼吸道病毒管控有著重要的借鑒意義。我國學者一直關注各種場景下的新型冠狀病毒的傳播規律和管控策略。例如李小莉等[1]構建了考慮傳染概率的政府部門與公眾演化博弈模型，研究了不同傳染概率下政府防疫管控策略的演化。方丹輝等[2]提出了一種考慮高低防護人群且將感染者歸入移出者的易感者-暴露者-康復者傳染病模型（susceptible-exposed-recovered， SER），研究了不同等級管控措施的效果。馬劍等[3]構建了校園內上下課行人流模型，通過時空伴隨概念量化行人接觸導致的疫情傳播風險，利用Anylogic軟件對不同的校園疫情防控策略效果進行仿真。

已有關于公共交通內疫情傳播模型主要以易感者-感染者-康復者（susceptible-infective-recovered， SIR）模型、Wells-Riley模型為主。SIR模型描述各類個體（易感者、感染者、康復者）的數量隨時間的變化，適合宏觀上描述大范圍內的疫情傳播。近期相關文獻利用該模型對公共交通防疫措施的有效性進行了研究。例如施紅生[4]對鐵路交通的傳染病防控模式進行評估，通過對SARS、甲型H1N1流感等防控案例分析，提出了遠距離鐵路交通傳染病傳播數學模型，表明在長距離鐵路交通環境下提前進行病毒檢測、乘務人員的免疫率達到50%可以有效減少病毒傳播。賈興利等[5]在SIR模型基礎上，考慮了病毒的潛伏期、人口遷徙、市內小區人口流動等因素建立了市域新型冠狀病毒疫情傳播模型，對比分析了4個城市交通管控措施對于疫情發展的阻斷效果，結果表明及時全面地實施市內道路封閉、客運交通停運和小區人口流動控制三種交通管控措施可以有效阻斷疫情傳播、控制市域疫情發展。

Wells-Riley模型計算每個個體感染病毒的概率，輸入變量是宏觀變量。近期相關文獻從防疫措施、病毒傳播過程兩個方面對該模型進行了改進，更好地描述公共交通內疫情傳播。例如，陳國強等[6]在Wells-Riley傳染病模型基礎上，考慮乘客個體差異、飛沫傳播距離、口罩保護率、疫苗免疫情況及車廂消毒等影響因素，建立符合公交車輛運行環境的多智能體新型冠狀病毒傳播模型，結果表明車輛及時進行消毒、提高乘客提高口罩的佩戴率疫苗接種率能有效減少新型冠狀病毒傳播。Sun等[7]在原有Wells-Riley方程基礎上添加社交距離、環境通風量等影響因素，結果表明增加社交距離可以在30 min內顯著降低20%～40%的感染率。Yan等[8]對飛沫在波音737客艙的傳播過程進行研究，使用拉格朗日方程代替歐拉方程模擬飛沫傳播特性，改進傳統Wells-Riley方程。謝國等[9]利用高斯公式模擬病毒的傳播過程，改進Wells-Riley方程，選取CRH2型動車組為模擬環境，提出了有利于降低新型冠狀病毒傳播概率的乘客座位分布模式。

以上文獻對新型冠狀病毒的傳播和管控措施的有效性進行了研究，但是現有模型偏宏觀，無法刻畫個體的病毒載量隨時間的變化，不能為精準管控提供理論依據。本文的研究目標是建立地鐵車廂內個體病毒載量的演化模型，對是否被感染的狀態進行預測，然后研究防控措施對病毒載量的影響，從而為主動精準管控提供理論依據。

1 病毒載量的演化模型

病毒載量演化的建模方法是物質守恒和隨機建模。病毒載量代表的是病毒的負荷，即體內病毒的數量。通常新型冠狀病毒的濃度越高，人被感染的可能性往往會更大，此外，病毒活性、自身免疫力等因素也是導致機體感染的重要因素。Ma等[10]研究表明人體呼吸是新型冠狀病毒重要傳播方式。Zhang等[11]研究表明空氣傳播是新型冠狀病毒傳播的主要途徑，其傳播率是接觸傳播的1 000倍。

基于以上研究結果，本研究主要考慮個體以呼吸方式傳播和吸入病毒。個體內的病毒載量是動態變化的，其隨時間的變化等于增加量減去減少量。病毒載量用w表示，其演化方程建模為

其中，w+是病毒載量的增加量，w-是病毒載量的減少量。

感染前，體內的病毒不會復制；感染后，體內病毒會復制。根據這一特點，建模區分為感染前和感染后兩個階段。

1.1 感染前階段的病毒載量增加量

采用隨機建模方法，建立了吸入病毒與社交距離之間的概率公式，吸入病毒的概率隨著社交距離的增加而降低。如圖1所示。

圖1展示兩個社交距離的閾值ｄｃ和ｄｍａｘ，當社交距離小于dc時，在無防護措施情況下，吸入相鄰個體呼出的病毒的概率為1。當社交距離大于dmax時，吸入相鄰個體呼出的病毒的概率為0。當介于兩者之間時，吸入相鄰個體呼出的病毒的概率呈線性衰減。在實際應用過程中，兩個參數dc和dmax可使用實測數據標定。本文建立的目標個體吸入病毒的概率見公式（2）。

其中，P是吸入病毒的概率;x是研究的目標個體的位置;x* 是相鄰個體的位置;H（·） 是赫維賽德函數， 當（·）≥０時Ｈ（·）=1，當（·）<０時Ｈ（·）=0。

設研究的目標個體在dmax為其半徑的圓周范圍內有n個相鄰個體。n個相鄰個體從t0時刻到當前時刻t，產生的對目標個體有所影響的病毒總量為

其中，qi為每個個體單位時間內產生的病毒數量;pi為目標個體吸入第i個相鄰個體產生的病毒的概率；s為時間。

1.2 感染后階段的病毒載量增加量

一個人感染新型冠狀病毒后，病毒復制是病毒增長的主要原因。由于病毒復制帶來的病毒數量遠遠大于吸入病毒的數量，因此感染后階段只需要考慮病毒復制導致的病毒載量增加量。

1.3 病毒載量減少量

根據Popa等[13]的研究結果，一個人平均吸入1 000個病毒顆粒被感染。本文以該值作為閾值，當個體體內的病毒顆粒小于1 000個時，體內的病毒量將一直累加，不排出病毒。當個體體內的病毒顆粒超過1 000個時，該個體變為感染個體。感染個體的排毒量與體內的病毒數量有一定關系，本文假設感染者的排毒量等于個體體內病毒載量的0.1%。

其中，N表示個體內的病毒載量；w－表示呼出的病毒數量。

1.4 防疫措施的干預效果建模

在公共交通車輛上，采取的防疫措施主要包括戴口罩或面罩、增加社交距離、車廂消毒、通風。其中前兩項措施是減少病毒的吸入量，后兩項措施是減少病毒的數量。各類防疫措施的效果用參數α表示，取值范圍是［0，1］，其中0表示完全阻擋病毒侵入，1表示防疫措施沒有防護作用，中間值表示使用防疫措施后吸入病毒的概率。在公式（4）的基礎上乘以參數α，描述防疫措施的干預效果。

2 基于Anylogic 仿真軟件的管控措施效果評估

Anylogic仿真軟件為行人智能體提供了二次開發的接口。本部分在二次開發接口中對公式（1）～（6）進行編程。首先在Anylogic軟件中對地鐵車廂建立物理模型；再使用Anylogic軟件提供的邏輯流程圖工具對乘客行為編程，包括進站乘客流線和出站乘客流線；然后設置客流量、乘客在地鐵車廂中的間距等參數；利用Anylogic軟件提供的二次開發接口，對本文建立的病毒載量演化模型進行編程；最后設置仿真時長，輸出仿真數據。仿真界面如圖3所示，紅色乘客表示受感染的乘客，灰色乘客表示未受感染的乘客。

仿真的地鐵車廂為南京地鐵A型車廂，其幾何尺寸（長×寬×高）是24.0 m×3.0 m×3.8 m，每節車廂定員240人。為了研究乘客密度對病毒傳播的影響，分別設置定員的1/3、定員的2/3、定員人數3個場景，即80人、160人、240人。每個場景初始時刻被感染的乘客比例為10%，其中超級傳播感染者占被感染乘客的比例為20%。由于車廂的尺寸是固定的，因此人數越多，密度越大，乘客之間的距離越小。仿真結果如圖4。每組圖包括無管控和有管控兩種情況，無管控是指無論乘客體內的病毒數量多大，都允許其乘車。有管控是指基于病毒載量進行管控，當乘客體內的病毒數量大于1 000個時，不允許該乘客乘車。每個圖中有兩條曲線，防疫措施的干預率取100%對應于α＝０，防疫措施的干預率取50%對應于α＝0.5。

社交距離通過乘客密度來反映，乘客密度大則社交距離小，乘客密度小則社交距離大。對口罩、消毒等防疫措施的干預率分別是50%和100%兩種情況進行仿真。為對比分析有無管控措施情況下的病毒傳播，每個場景進行兩輪仿真。對于無管控的情況，所有乘客在第一輪結束時的病毒載量數值基礎上，繼續進行第二輪模擬，仿真結果如圖4（a）、4（c）、4（e）所示。對于有管控的情況，第一輪仿真30 min后，對病毒載量超過1 000個的乘客進行隔離，禁止其上車，生成新的乘客上車從而保持車廂內總人數不變。由于補充了新的乘客，因此圖4（b）、4（d）、4（f）的橫坐標表示的乘客編號大于車廂內的乘客數量。未被感染的乘客繼承上一輪模擬結束時的病毒載量數值，進行第二輪模擬。

以上場景的仿真結果表明：對病毒載量大于閾值1 000的乘客進行管控，禁止其乘車，可將所有乘客的病毒載量降低一個數量級;隨著乘車人數的增多，乘客密度增大，病毒傳播增強，個體病毒載量增加較快。

為展示乘客個體病毒載量隨時間的變化，對兩種情況進行了仿真，情況1：車廂人數為80人、防疫措施控制有效率為100%；情況2：車廂人數為160人、防疫措施控制有效率為50%。仿真時長為1 h，如圖5所示。與情況1相比，情況2的個體的病毒載量多一個數量級。

3 結論

本文利用物質守恒和隨機建模方法建立了病毒載量演化模型?；贏nylogic二次開發接口，對建立的病毒載量演化模型進行編程，實現了地鐵乘客病毒載量的仿真。仿真分析了乘客密度、防疫措施的有效率、有無管控措施三個因素對地鐵乘客病毒載量的影響。仿真結果表明，隨著乘車人數的增多，乘客密度增大，病毒傳播增強，個體病毒載量增加較快。對病毒載量大于1 000的乘客進行管控，禁止其乘車，可將所有乘客的病毒載量降低一個數量級。這表明根據乘客體內病毒載量的數量對其能否乘車進行管控是有效降低病毒傳播的重要手段，為精準管控提供了理論依據。此外，每個場景初始時刻被感染的乘客比例設定為10%，其中超級傳播感染者占被感染乘客的比例為20%。仿真結束時，超級傳播感染者的病毒載量比普通傳播者的病毒載量多出一個數量級，因此識別超級傳播者并對其乘車進行管控是管理的重點。

參考文獻：

［1］李小莉， 曹策俊， 劉偉華， 等. 考慮傳染概率的政府防疫管控策略演化仿真[J]. 中國安全科學學報， 2023， 33（3）： 42-50. DOI： 10.16265/j.cnki.issn1003-3033.2023.03.0835.

[2]方丹輝， 周敏， 洪葒， 等. 考慮疫苗效力差異的封閉場館疫情傳播分析[J]. 中國安全科學學報， 2022， 32（7）： 121-127. DOI： 10.16265/j.cnki.issn1003-3033.2022.07.2366.

[3]馬劍， 李慧文， 宋丹丹， 等. 校園通勤行人流時空伴隨分析與疫情防控策略[J]. 中國安全科學學報， 2022， 32（9）： 86-93. DOI： 10.16265/j.cnki.issn1003-3033.2022.09.2737.

[4]施紅生. 國內重大傳染病疫情鐵路交通防控模式效率評估[J]. 鐵路節能環保與安全衛生， 2013， 3（1）： 32-38. DOI： 10.16374/j.cnki.issn2095-1671.2013.01.006.

[5]賈興利， 周吳嘯， 韓興家， 等. 交通管控措施對市域新冠疫情傳播的阻斷效果分析[J]. 中國公路學報， 2022， 35（1）： 252-262. DOI： 10.19721/j.cnki.1001-7372.2022.01.022.

[6]陳國強， 劉瀾， 陳玉婷， 等. 基于Wells-Riley模型的公交車輛內部COVID-19傳播及防控研究[J]. 公路交通科技， 2022， 39（6）： 144-152. DOI： 10.3969/j.issn.1002-0268.2022.06.019.

[7]SUN C J， ZHAI Z Q. The efficiency of social distance and ventilation effectiveness in preventing COVID-19 transmission[J]. Sustainable Cities and Society， 2020， 62： 102390. DOI： 10.1016/j.scs.2020.102390.

[8]YAN Y H， LI X D， SHANG Y D， et al. Evaluation of airborne disease infection risks in an airliner cabin using the Lagrangian-based Wells-Riley approach[J]. Building and Environment， 2017， 121： 79-92. DOI： 10.1016/j.buildenv.2017.05.013.

[9]謝國， 金永澤， 姬文江， 等. 高速列車疫情風險評估與主動防護策略[J]. 交通運輸工程學報， 2020， 20（3）： 110-119. DOI： 10.19818/j.cnki.1671-1637.2020.03.010.

[10]MA J X， QI X， CHEN H X， et al. Coronavirus disease 2019 patients in earlier stages exhaled millions of severe acute respiratory syndrome coronavirus 2 per hour[J]. Clinical Infectious Diseases， 2021， 72（10）： e652-e654. DOI： 10.1093/cid/ciaa1283.

[11]ZHANG X， WU J F， SMITH L M， et al. Monitoring SARS-CoV-2 in air and on surfaces and estimating infection risk in buildings and buses on a university campus[J]. Journal of Exposure Science & Environmental Epidemiology， 2022， 32（5）： 751-758. DOI： 10.1038/s41370-022-00442-9.

[12]SANCHE S， CASSIDY T， CHU P H， et al. A simple model of COVID-19 explains disease severity and the effect of treatments[J]. Scientific Reports， 2022， 12： 14210. DOI： 10.1038/s41598-022-18244-2.

[13]POPA A， GENGER J W， NICHOLSON M D， et al. Genomic epidemiology of superspreading events in Austria reveals mutational dynamics and transmission properties of SARS-CoV-2[J]. Science Translational Medicine， 2020， 12（573）： eabe2555. DOI： 10.1126/scitranslmed.abe2555.