1.一种传染病时变正向序列间隔分布推断方法，其特征在于，包括如下步骤：S1.构建传染病的基本传播链模型；步骤S1的具体实现方法包括如下步骤：S1.1.设置传染病的基本传播情况为本地传播且不存在外来感染者；S1.2.设置传播链上的时点t上的节点数量为P(t)，用于表示发病患者的人数，设置传播对中，感染的发起者被称为传播者Infector，被传播者所感染的患者称为受感者Infectee，并且受感者是传播者的后继受感节点，传播者是受感者的前驱传播节点；S1.3.设传播链的序列间隔分布中的最大间隔为τ max ，定义时点t上的节点是具备完全观测的属性，表示具备观测到时点t中每一个节点的前驱传播节点和后继受感节点；S1.4.设t e 表示传播链的有效时点长度，则传播链的时点长度为t e +τ max ，设t o 表示传播链的最大连续观测时点，完成传染病的基本传播链模型的构建；S2.基于步骤S1构建的传染病的基本传播链模型，建立时点t的有效再生数的不等式约束；步骤S2的具体实现方法包括如下步骤：S2.1.考虑在 上对时点t的有效再生数R(t)的不等式约束，基于步骤S1得到的传染病的基本传播链模型，设置传染开始于t＝1，则当处于时点t时，来自时点t-1前的节点必然是连续传播链的一部分；处于时点t的节点确定被来自[1,t-1]的节点所连并且位于时点t的节点不是孤立节点，因此[1,t]上的节点必然均被边所连；且t+1上的节点必须被[1,t]上的出度边所连，即，[1,t]上发出的边必须使[2,t+1]上的所有节点均有唯一前驱传播节点，则得到表达式为：其中，P(i)为第i个时点上的节点数量，i为t中的任意一个，R(i)为第i个时点上的有效再生数；S2.2.基于[1,t]发出的出度边不需要使得所有位于[t+1,t+τ max ]的节点均有唯一前驱传播节点，则有：则对 各个时点上的节点数量P(t)、传播链的序列间隔分布中的最大间隔τ max 以及R(t)，满足以下不等式约束：S2.3.进一步考虑如下情形：当考虑在时点t上的R(t)时，时点1,2,...,t-1上的R(·)为已知，对 有：因此，有：l Rt (t)≤R(t)≤u Rt (t) (5)其中，l Rt (t)为R(t)在时点t上的下界，u Rt (t)为R(t)在时点t上的上界；l Rt (t)的表达式为：u Rt (t)的表达式为：S2.4.基于R(t)不等式约束对R(t)进行估计；考虑基于R(t)在[1,t]上是已知的，估计[t+1,t+τ max ]上的R(t)，根据公式(5)，当考虑时点t+1时，有：l Rt (t+1)≤R(t+1)≤u Rt (t+1) (8)基于赋值方法，取上界和下界的比例θ∈[0，1]，则有：其中， 为时点t+1的有效再生数的估计值；接下来，使用R(1),R(2),...,R(t), 计算l Rt (t+2)和u Rt (t+2)，然后使用相同的方法获得 重复上述流程直到 被估计；因此，对 有：其中，τ为传播者发病时间与其对应的受感者发病时间之间的时间延迟长度；S3.基于步骤S2得到的时点t的有效再生数的不等式约束，建立正向序列间隔分布与反向序列间隔分布的关系；步骤S3的具体实现方法包括如下步骤：S3.1.构建时点t的有效再生数R(t)、时点t上的节点发出的出度边的总数e(t)和时点t上的节点数量P(t)的关系公式为：S3.2.定义e(t,t+τ)表示起点来自时点t、终点位于时点t+τ的出度边的总数，设置τ＞0，则构建时点t的正向序列间隔分布f t (τ)由如下公式所定义：S3.3.反向序列间隔分布为站在反向视角时点s面向过去时点s-τ的角度定义，则得到时点t的反向序列间隔分布b s (τ)的公式为：S3.4.根据R(t)、f t (τ)以及b s (τ)的公式，取s＝t+τ，有如下公式：f t (τ)×R(t)×P(t)＝b t+τ (τ)×P(t+τ) (16)且由于b t+τ (τ)易于从观测中得出、P(t)在任意时点是已知的，R(t)由R(t)不等式估值给出，得到正向序列间隔分布与反向序列间隔分布的关系的公式为：S4.构建正向序列间隔分布的推断目标；步骤S4的具体实现方法包括如下步骤：S4.1.设t o 为传播链的最大连续观测时点，表示具备观测到时间区间t∈[1,t o ]上所有节点的反向视角的传播链的能力；S4.2.假设节点在时点t上是具备完全观测的属性，则在[t-τ max ,t+τ max ]上相关的链接为已知量，那么在时点t上的R(t)、f t (τ)以及b t (τ)均为已知量；则对于t o ，设置在时间区间[1,t o ]内得到b t (τ)的有效部分以便后续的计算或推断，因此设置：t o -τ max ≥1 (18)即：t o ≥τ max +1 (19)由于所考虑的传播链仅提供在[1,t e ]上是具备完全观测的属性，因此t o 理论上最多取到t o ＝t e ，得到：t o ∈[1+τ max ,t e ](20)；S4.3.计算f t (τ)在[1,t o -τ max ]上的真实值；S4.4.构建正向序列间隔分布的推断目标是时间区间[t o -τ max +1,t o -1]上的正向序列间隔分布f t (τ)；S5.构建正向序列间隔分布的推断方法；步骤S5的具体实现方法包括如下步骤：S5.1.构造推断矩阵Inference Matrix，其第m行、第n列的元素表示处于时点t＝t o -τ max +m且时间延迟长度τ＝n的正向序列间隔f t (τ)的值，其中t＝t o -τ max +m且τ＝n，设置时点t∈[t o -τ max +1,t o -1]且τ∈{1,2,...,τ max }，因此推断矩阵InferenceMatrix具有τ max -1行和τ max 列，矩阵规模为(τ max -1)×τ max ；S5.2.设时点t m 表示推断矩阵InferenceMatrix第m行所代表的时点，即：t m ＝t o -τ max +m, m＝1,2,...,τ max -1 (21)则当m与n满足下述不等式时，推断矩阵Inference Matrix的第m行、第n列的元素具备由公式(17)推断出来的能力：t m +n＝t o -τ max +m+n≤t o (22)即：m+n≤τ max (23)根据上述公式，得到推断矩阵的第1行的第1列至第τ max -1列的元素值由公式(17)计算；若m与n满足上述不等式，取t＝t m ＝t o -τ max +m、τ＝n，则推断矩阵中符合约束条件的第m行、第n列的元素由如下公式给出：S5.3.基于推断矩阵Inference Matrix的每一行均代表的是一个概率分布，则对m∈{1,2,...,τ max -1}，有如下公式：则当m＝1、n∈{1,2,...,τ max -1}时的 值由公式(24)给出，因此第1行的第τ max 列由下述公式给出：S5.4.假设在外部干预强度不变的情况下，正向序列间隔分布的变化是连续的，则当前时点t m 的 与之前T时间的平均分布之间的差异应该尽量小；对于t m 时点以及n∈{1,2,...,τ max }，平均分布a(t m ,n)由下式给出：设置m∈{2,3,...,τ max -1}，则推断矩阵的第m行的状态与t m 时点上计算的a(t m ,n)以及待推断的正向序列间隔分布中的概率值x(t m ,n)的状态如下：a(t m ,1),...,a(t m ,τ max -m),a(t m ,τ max -m+1),...,a(t m ,τ max )；其中，x(t m ,n)中的n在上述公式中分别取值为n＝τ max -m+1,τ max -m+2,...,τ max ；S5.5.定义步骤S5.4得到的两个分布的差异Δ为：则定义差异函数 为：根据式(25)，有如下约束条件：然后将上述表达式记为：综上，构建正向序列间隔分布的推断方法为计算约束条件下的 最小化：S5.6.构造拉格朗日函数 如下：其中， 为拉格朗日乘子；即：然后，联立以下方程：得到：上式对 以及 均成立；如果出现x(t m ,n)＜0，则设置该x(t m ,n)＝0，然后根据上述流程重新计算其他的x(t m ,n)值；则通过公式(24)和(26)计算推断矩阵Inference Matrix中满足m+n≤τ max 的元素(m,n)的值，其中元素(m,n)值即为 的值，然后通过公式(36)计算其他位置上的元素值。
