基于人群接触网络的应急医疗资源分配优化算法模型及运行仿真数据
该数据集主要面向突发公共卫生事件下的应急医疗资源分配优化算法研究，旨在为不同传染病的早期阻断提供多种资源分配方案并评估其效果。数据集通过模拟新冠、流感、猴痘三种传染病在人群接触网络上的传播动态生成。具体内容包括在六种不…
基本信息
资源简介
基于人群接触网络的应急医疗资源分配优化算法模型及运行仿真数据
【一句话概览】
本数据集是 国家基础学科公共科学数据中心 公开的结构化表格数据集，收录 53 个文件、合计 21.30 MB，主题涵盖 接触网络、资源分配优化、传播动力学建模、计算机科学技术、计算机应用，可用于统计建模、特征工程与队列分析，完全共享 许可开放获取。
【数据集背景】
源站首次发布：2025-10-16。
【数据内容】
源站原始描述：该数据集主要面向突发公共卫生事件下的应急医疗资源分配优化算法研究，旨在为不同传染病的早期阻断提供多种资源分配方案并评估其效果。数据集通过模拟新冠、流感、猴痘三种传染病在人群接触网络上的传播动态生成。具体内容包括在六种不同资源分配策略（如最大连接资源分配策略、无拓扑资源分配策略、老年人优先资源分配策略、婴幼儿优先资源分配策略、熟人优先资源分配策略、随机资源分配策略）下的疫情传播趋势仿真数据。数据模拟的起点是先前构建的人群接触网络和哨点医院监测的疾病传播特性。通过在网络上应用不同的资源分配策略，并调整基本再生数、资源覆盖率和有效性等参数，利用传播动力学模型进行推演，最终形成了可用于对比不同干预措施效果的算法模型与运行仿真数据集。数据量约为20.4MB。 数据格式：mat、pdf、m、docx。
中文译文（机器翻译，仅供快速理解，请以原文为准）：该数据集主要面向突发公共卫生事件下的应急医疗资源分配优化算法研究，旨在为不同传染病的早期阻断提供多种资源分配方案并评估其效果。数据集通过模拟新冠、流感、猴痘三种传染病在人群接触网络上的传播动态生成。具体内容包括在六种不同资源分配策略（如最大连接资源分配策略、无拓扑资源分配策略、老年人优先资源分配策略、婴幼儿优先资源分配策略、熟人优先资源分配策略、随机资源分配策略）下的疫情传播趋势仿真数据。数据模拟的起点是先前构建的人群接触网络和哨点医院监测的疾病传播特性。通过在网络上应用不同的资源分配策略，并调整基本再生数、资源覆盖率和有效性等参数，利用传播动力学模型进行推演，最终形成了可用于对比不同干预措施效果的算法模型与运行仿真数据集。数据量约为20.4MB。 数据格式：mat、pdf、m、docx。
【数据结构与技术规格】
文件数 53 个，合计 21.30 MB。
【主题与分类】
主题标签：接触网络、资源分配优化、传播动力学建模、计算机科学技术、计算机应用。
【适用方向】
结构化表格数据可直接用于统计建模、特征工程与队列分析。
【获取与许可】
源站页面：https://nbsdc.cn/general/dataDetail?id=68f1169a195d2632a8fcde5e&type=1
使用许可：完全共享。
规范引用：CSTR:16666.11.nbsdc.f8U6VP7q
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://nbsdc.cn/general/dataDetail?id=68f1169a195d2632a8fcde5e&type=1
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据加载示例（表格/文本类）
import pandas as pd, glob, os
files = (glob.glob(os.path.join(path, "**", "*.csv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tsv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.xlsx"), recursive=True))
print("数据文件:", files)
df = pd.read_csv(files[0])
print(df.shape); print(df.columns.tolist()); print(df.head(3))
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
