多样化疫情场景数据集

传染病跨尺度传播推演对于应对重大公共卫生事件至关重要，而构建高拟真的推演模型高度依赖于多层级、高质量的基础场景数据。本研究面向传染病推演系统的多尺度建模需求，整合互联网公开统计资料、OpenStreetMap开源地理数据及专业三维测绘模型，构建了2020–2022年多样化疫情场景数据集。本研究利用Haversine公式与随机抽样算法模拟了城市级小区间通勤连边，并基于图论与最短路径算法提取了微观建筑拓扑网络，实现了多尺度空间数据的融合计算。本数据集涵盖全球、国家（中国）、城市（北京）、学校（清华大学）、大型活动场馆（杭州奥体中心）及特定医院6大空间尺度，时间分辨率以年度为主，空间精度实现了从宏观城市经纬度点位到微观室内高精度三维模型（.max格式）的跨越。数据处理过程中，通过构建中英文映射字典统一国家实体标识，对多源交通网络站点进行跨表一致性校验，并严格筛除拓扑网络中的孤立路径与冗余属性，有效保障了数据的连通性与准确性。本数据集为多尺度传染病动力学建模、宏观交通管控政策评估以及微观高风险场所内的人员接触溯源提供了关键的数字底座。

搜集汇总

背景与挑战

背景概述

该数据集为支持传染病跨尺度传播推演而构建，整合了互联网公开统计资料、开源地理数据及三维测绘模型，涵盖全球、国家、城市、学校、场馆和医院六大空间尺度，时间分辨率以年度为主。通过算法融合多尺度空间数据，并经过一致性校验和拓扑优化，确保了数据的连通性与准确性，为传染病动力学建模、交通管控政策评估及人员接触溯源提供了关键数据基础。