为了解决食源性疾病背景下的风险源识别问题，我们假设给定了某食品供应链的网络模型和通过该网络污染传播过程的概率模型。在某个时间点，单个风险源开始发送污染产品，污染产品根据传输模型通过网络传输，导致在一组网络节点处被检测到发生疾病。目标是在给定观察到疾病发生位置的情况下，最小化风险源估计位置与真实位置之间的误差。
我们将受污染食品在供应链网络上的传播过程描述为离散马尔科夫链，即网络上的随机游走，其中传输概率对应于网络边（或弧）的权重。这是加权有向网络上非传染性扩散的自然传播模型。为了估计真实的源位置，我们采用最大似然（ML）方法，通过定义最小化估计误差，ML估计法根据观察疾病报告的可能性选择最高概率源节点。
通过将传输过程公式化为加权随机游走，给出最大似然估计的数学表示，其考虑了每个受污染的食品单元所经历的所有可能长度的所有可能路径。这与现有的加权时间同构网络中的源检测方法有所不同，后者为仅考虑每个来源和每个观察之间最短路径［111］或主导路径（即最高概率和最短路径）的启发式方法［112，113］。虽然这种近似可能在网络环境有一定的合理性，但是考虑每个源和每个观察之间仅有一种可能的行进路径将极大地限制对食源性疾病暴发的传播动态进行建模的能力，并因此降低源检测的准确性。(www.xing528.com)
实际上，考虑所有可能传输路径的评估方法可以比其他方法能更加及时、准确和可靠地定位风险源，并且在网络结构的极端情况下仍然稳定。
接下来，回顾有关基于网络的风险源检测的文献，首先概述问题的关键特征，及其在其他网络环境中的风险源检测，然后使用这些特征根据它们与食源性疾病源检测的相关性对现有方法进行分类，接着研究食源性疾病概率传播模型并得出风险源的估计，论证该计算框架的有效性。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
