主頁 > 後端開發 > Python小白的數學建模課-B5. 新冠疫情 SEIR模型

Python小白的數學建模課-B5. 新冠疫情 SEIR模型

2021-06-17 10:24:55 後端開發


傳染病的數學模型是數學建模中的典型問題，常見的傳染病模型有 SI、SIR、SIRS、SEIR 模型，

考慮存在易感者、暴露者、患病者和康復者四類人群，適用于具有潛伏期、治愈后獲得終身免疫的傳染病，

本文詳細給出了 SEIR 模型微分方程的建模、例程、結果和分析，讓小白都能懂，

『Python小白的數學建模課 @ Youcans』帶你從數模小白成為國賽達人，


1. SEIR 模型

1.1 SEIR 模型的提出

建立傳染病的數學模型來描述傳染病的傳播程序，要根據傳染病的發病機理和傳播規律， 結合疫情資料進行擬合分析，可以認識傳染病的發展趨勢，預測疫情持續時間和規模，分析和模擬各種防控措施對疫情發展的影響程度， 為傳染病防控作業提供決策指導，具有重要的理論意義和現實意義，

SI 模型是最簡單的傳染病傳播模型，把人群分為易感者（S 類）和患病者（I 類）兩類，通過 SI 模型可以預測傳染病高潮的到來；提高衛生水平、強化防控手段，降低病人的日接觸率，可以推遲傳染病高潮的到來，在 SI 模型基礎上發展的 SIS 模型考慮患病者可以治愈而變成易感者，SIS 模型表面傳染期接觸數 σ \sigma σ 是傳染病傳播和防控的關鍵指標，決定了疫情終將清零或演變為地方病長期存在，在 SI 模型基礎上考慮病愈免疫的康復者（R 類）就得到 SIR 模型，通過 SIR 模型也揭示傳染期接觸數 σ \sigma σ 是傳染病傳播的閾值，滿足 s 0 > 1 / σ s_0>1/\sigma s0?>1/σ 才會發生傳染病蔓延，由此可以分析各種防控措施，如：提高衛生水平來降低日接觸率 λ \lambda λ、提高醫療水平來提高日治愈率 μ \mu μ，通過預防接種達到群體免疫來降低 s 0 s_0 s0? 等，

傳染病大多具有潛伏期（incubation period），也叫隱蔽期，是指從被病原體侵入肌體到最早臨床癥狀出現的一段時間，在潛伏期的后期一般具有傳染性，不同的傳染病的潛伏期長短不同，從短至數小時到長達數年，但同一種傳染病有固定的（平均）潛伏期，例如，流感的潛伏期為 1～3天，冠狀病毒感染的潛伏期為4~7天，新型冠狀病毒肺炎傳染病（COVID-19）的潛伏期為1-14天（* 來自：新型冠狀病毒肺炎診療方案試行第八版，潛伏時間 1～14天，多為3～7天，在潛伏期具有傳染性），肺結核的潛伏期從數周到數十年，

SEIR 模型考慮存在易感者（Susceptible）、暴露者（Exposed）、患病者（Infectious）和康復者（Recovered）四類人群，適用于具有潛伏期、治愈后獲得終身免疫的傳染病，易感者（S 類）被感染后成為潛伏者（E類），隨后發病成為患病者（I 類），治愈后成為康復者（R類），這種情況更為復雜，也更為接近實際情況，

SEIR 模型的倉室結構示意圖如下：

在這里插入圖片描述


1.2 SEIR 模型假設

  1. 考察地區的總人數 N 不變，即不考慮生死或遷移；

  2. 人群分為易感者（S 類）、暴露者（E 類）、患病者（I 類）和康復者（R 類）四類；

  3. 易感者（S 類）與患病者（I 類）有效接觸即變為暴露者（E 類），暴露者（E 類）經過平均潛伏期后成為患病者（I 類）；患病者（I 類）可被治愈，治愈后變為康復者（R 類）；康復者（R類）獲得終身免疫不再易感；

  4. 將第 t 天時 S 類、E 類、I 類、R 類人群的占比記為 s ( t ) s(t) s(t)、 e ( t ) e(t) e(t)、 i ( t ) i(t) i(t)、 r ( t ) r(t) r(t)，數量分別為 S ( t ) S(t) S(t)、 E ( t ) E(t) E(t)、 I ( t ) I(t) I(t)、 R ( t ) R(t) R(t)；初始日期 t = 0 t=0 t=0 時，各類人群占比的初值為 s 0 s_0 s0?、 e 0 e_0 e0?、 i 0 i_0 i0?、 r 0 r_0 r0?；

  5. 日接觸數 λ \lambda λ，每個患病者每天有效接觸的易感者的平均人數；

  6. 日發病率 δ \delta δ，每天發病成為患病者的暴露者占暴露者總數的比例；

  7. 日治愈率 μ \mu μ，每天被治愈的患病者人數占患病者總數的比例，即平均治愈天數為 1 / μ 1/\mu 1/μ；

  8. 傳染期接觸數 σ = λ / μ \sigma = \lambda / \mu σ=λ/μ，即每個患病者在整個傳染期內有效接觸的易感者人數，


1.3 SEIR 模型的微分方程

由
{ N d s d t = ? N λ s i N d e d t = N λ s i ? N δ e N d i d t = N δ e ? N μ i N d r d t = N μ i \begin{cases} N \frac{ds}{dt} = - N \lambda s i\\ N \frac{de}{dt} = N \lambda s i - N \delta e\\ N \frac{di}{dt} = N \delta e - N \mu i\\ N \frac{dr}{dt} = N \mu i\\ \end{cases} ??????????Ndtds?=?NλsiNdtde?=Nλsi?NδeNdtdi?=Nδe?NμiNdtdr?=Nμi?
得：
{ d s d t = ? λ s i , s ( 0 ) = s 0 d e d t = λ s i ? δ e , e ( 0 ) = e 0 d i d t = δ e ? μ i , i ( 0 ) = i 0 \begin{cases} \frac{ds}{dt} = -\lambda s i, &s(0)=s_0\\ \frac{de}{dt} = \lambda s i - \delta e, &e(0)=e_0\\ \frac{di}{dt} = \delta e - \mu i, &i(0)=i_0 \end{cases} ??????dtds?=?λsi,dtde?=λsi?δe,dtdi?=δe?μi,?s(0)=s0?e(0)=e0?i(0)=i0??

SEIR 模型不能求出決議解，可以通過數值計算方法求解，


2. SEIR 模型的 Python 編程

2.1 Scipy 工具包求解微分方程組

SIS 模型是常微分方程初值問題，可以使用 Scipy 工具包的 scipy.integrate.odeint() 函式求數值解，

scipy.integrate.odeint(func, y0, t, args=())

**scipy.integrate.odeint() **是求解微分方程的具體方法，通過數值積分來求解常微分方程組，

odeint() 的主要引數：

  • func: callable(y, t, …) 　　導數函式 f ( y , t ) f(y,t) f(y,t) ，即 y 在 t 處的導數，以函式的形式表示
  • y0: array：　　初始條件 y 0 y_0 y0?，注意 SEIR模型是二元常微分方程組， 初始條件為陣列向量 y 0 = [ i 0 , s 0 ] y_0=[i_0, s_0] y0?=[i0?,s0?]
  • t: array：　　求解函式值對應的時間點的序列，序列的第一個元素是與初始條件 y 0 y_0 y0? 對應的初始時間 t 0 t_0 t0?；時間序列必須是單調遞增或單調遞減的，允許重復值，
  • args: 向導數函式 func 傳遞引數，當導數函式 f ( y , t , p 1 , p 2 , . . ) f(y,t,p1,p2,..) f(y,t,p1,p2,..) 包括可變引數 p1,p2… 時，通過 args =(p1,p2,…) 可以將引數p1,p2… 傳遞給導數函式 func，

odeint() 的回傳值：

  • y: array 　　陣列，形狀為 (len(t),len(y0)，給出時間序列 t 中每個時刻的 y 值，

2.2 odeint() 求解 SEIR 模型的編程步驟

  1. 匯入 scipy、numpy、matplotlib 包，
  2. 定義導數函式 f ( y , t ) f(y,t) f(y,t)，注意對于常微分方程（例如 SI模型）和常微分方程組（SEIR模型），y 分別表示標量和向量，函式定義略有不同，以下給出兩種情況的例程以供對比，

常微分方程的導數定義（SIS模型）

def dySIS(y, t, lamda, mu):  # SIS 模型，導數函式
    dy_dt = lamda*y*(1-y) - mu*y  # di/dt = lamda*i*(1-i)-mu*i
    return dy_dt

常微分方程組的導數定義（SIR模型）

def dySEIR(y, t, lamda, delta, mu):  # SEIR 模型，導數函式
    s, e, i = y
    ds_dt = - lamda*s*i  # ds/dt = -lamda*s*i
    de_dt = lamda*s*i - delta*e  # de/dt = lamda*s*i - delta*e
    di_dt = delta*e - mu*i  # di/dt = delta*e - mu*i
    return np.array([ds_dt,de_dt,di_dt])

Python 可以直接對向量、向量函式進行定義和賦值，使程式更為簡潔，但考慮讀者主要是 Python 小白，又涉及到看著就心煩的微分方程組，所以我們寧愿把程式寫得累贅一些，便于讀者將程式與前面的微分方程組逐項對應，

  1. 定義初值 y 0 y_0 y0? 和 y y y 的定義區間 [ t 0 , t ] [t_0,\ t] [t0?, t]，注意初值為陣列向量 y 0 = [ s 0 , e 0 , i 0 ] y_0=[s_0,e_0,i_0] y0?=[s0?,e0?,i0?]，
  2. 呼叫 odeint() 求 y y y 在定義區間 [ t 0 , t ] [t_0,\ t] [t0?, t] 的數值解，

SEIR 模型是二元常微分方程，回傳值 y 是 len(t)*2 的二維陣列，


2.3 Python例程：SEIR 模型

# modelCovid4_v1.py
# Demo01 of mathematical modeling for Covid2019
# SIR model for epidemic diseases.
# Copyright 2021 Youcans, XUPT
# Crated：2021-06-13
# Python小白的數學建模課 @ Youcans

# 1. SEIR 模型，常微分方程組
from scipy.integrate import odeint  # 匯入 scipy.integrate 模塊
import numpy as np  # 匯入 numpy包
import matplotlib.pyplot as plt  # 匯入 matplotlib包

def dySIS(y, t, lamda, mu):  # SI/SIS 模型，導數函式
    dy_dt = lamda*y*(1-y) - mu*y  # di/dt = lamda*i*(1-i)-mu*i
    return dy_dt

def dySIR(y, t, lamda, mu):  # SIR 模型，導數函式
    s, i = y  # youcans
    ds_dt = -lamda*s*i  # ds/dt = -lamda*s*i
    di_dt = lamda*s*i - mu*i  # di/dt = lamda*s*i-mu*i
    return np.array([ds_dt,di_dt])

def dySEIR(y, t, lamda, delta, mu):  # SEIR 模型，導數函式
    s, e, i = y  # youcans
    ds_dt = -lamda*s*i  # ds/dt = -lamda*s*i
    de_dt = lamda*s*i - delta*e  # de/dt = lamda*s*i - delta*e
    di_dt = delta*e - mu*i  # di/dt = delta*e - mu*i
    return np.array([ds_dt,de_dt,di_dt])

# 設定模型引數
number = 1e5  # 總人數
lamda = 0.3  # 日接觸率, 患病者每天有效接觸的易感者的平均人數
delta = 0.03  # 日發病率，每天發病成為患病者的潛伏者占潛伏者總數的比例
mu = 0.06  # 日治愈率, 每天治愈的患病者人數占患病者總數的比例
sigma = lamda / mu  # 傳染期接觸數
fsig = 1-1/sigma
tEnd = 300  # 預測日期長度
t = np.arange(0.0,tEnd,1)  # (start,stop,step)
i0 = 1e-3  # 患病者比例的初值
e0 = 1e-3  # 潛伏者比例的初值
s0 = 1-i0  # 易感者比例的初值
Y0 = (s0, e0, i0)  # 微分方程組的初值

# odeint 數值解，求解微分方程初值問題
ySI = odeint(dySIS, i0, t, args=(lamda,0))  # SI 模型
ySIS = odeint(dySIS, i0, t, args=(lamda,mu))  # SIS 模型
ySIR = odeint(dySIR, (s0,i0), t, args=(lamda,mu))  # SIR 模型
ySEIR = odeint(dySEIR, Y0, t, args=(lamda,delta,mu))  # SEIR 模型

# 輸出繪圖
print("lamda={}\tmu={}\tsigma={}\t(1-1/sig)={}".format(lamda,mu,sigma,fsig))
plt.title("Comparison among SI, SIS, SIR and SEIR models")
plt.xlabel('t-youcans')
plt.axis([0, tEnd, -0.1, 1.1])
plt.plot(t, ySI, 'cadetblue', label='i(t)-SI')
plt.plot(t, ySIS, 'steelblue', label='i(t)-SIS')
plt.plot(t, ySIR[:,1], 'cornflowerblue', label='i(t)-SIR')
# plt.plot(t, 1-ySIR[:,0]-ySIR[:,1], 'cornflowerblue', label='r(t)-SIR')
plt.plot(t, ySEIR[:,0], '--', color='darkviolet', label='s(t)-SIR')
plt.plot(t, ySEIR[:,1], '-.', color='orchid', label='e(t)-SIR')
plt.plot(t, ySEIR[:,2], '-', color='m', label='i(t)-SIR')
plt.plot(t, 1-ySEIR[:,0]-ySEIR[:,1]-ySEIR[:,2], ':', color='palevioletred', label='r(t)-SIR')
plt.legend(loc='right')  # youcans
plt.show()

2.4 SI /SIS/SIR 模型與SEIR 模型的比較

在這里插入圖片描述

例程 2.3 的引數和初值為： λ = 0.3 ， δ = 0.03 ， μ = 0.06 ， ( s 0 , e 0 , i 0 ) = ( 0.001 , 0.001 , 0.998 ) \lambda=0.3，\delta=0.03，\mu=0.06，(s_0,e_0,i_0)=(0.001,0.001,0.998) λ=0.3，δ=0.03，μ=0.06，(s0?,e0?,i0?)=(0.001,0.001,0.998)，上圖為例程的運行結果，

曲線 i(t)-SI 是 SI 模型的結果，患病者比例急劇增長到 1.0，所有人都被傳染而變成患病者，

曲線 i(t)-SIS 是 SIS 模型的結果，患病者比例快速增長并收斂到某個常數，即穩態特征值 i ∞ = 1 ? μ / λ = 0.8 i_\infty=1-\mu/\lambda = 0.8 i∞?=1?μ/λ=0.8，表明疫情穩定，并將長期保持一定的患病率，稱為地方病平衡點，

曲線 i(t)-SIR 是 SIR 模型的結果，患病者比例 i(t) 先上升達到峰值，然后再逐漸減小趨近于常數，

曲線 s(t)-SEIR、e(t)-SEIR、i(t)-SEIR、r(t)-SEIR 分別表示 SEIR模型中易感者（S類）、潛伏者（E類）、患病者（I類）和康復者（R 類）人群的占比，

圖中易感者比例 s(t) 單調遞減并收斂到接近于 0 的穩定值，潛伏者比例 e(t) 曲線存在波峰，先逐漸上升而達到峰值，然后再逐漸減小，最終趨于 0，患病者比例 i(t) 曲線與潛伏者比例曲線類似，上升達到峰值后逐漸減小，最終趨于 0；但患病者比例曲線發展、達峰的時間比潛伏者曲線要晚一些，峰值強度也較低，康復者比例 r(i) 單調遞增并收斂到非零的穩態值，以上分析只是對本圖進行的討論，并非普遍結論，取決于具體引數條件，

比較相同引數條件下 SIR 和 SEIR 模型的結果，SIR 模型中患病者比例 i(t) 的波形起點、峰值和終點到來的時間都顯著早于 SEIR 模型，峰值強度也高于 SEIR 模型，這表明具有潛伏期的傳染病，疫情發生和峰值的到來要晚于沒有潛伏期的傳染病，而且持續時間更長，


3. SEIR 模型引數的影響

SEIR 模型中有日接觸率 λ \lambda λ 、日發病率 δ \delta δ 和日治愈率 μ \mu μ 三個引數，還有 i 0 、 e 0 、 s 0 i_0、e_0、s_0 i0?、e0?、s0? 等初始條件，我們先用單因素分析的方法來觀察引數條件對于疫情傳播的影響，

3.1 初值條件 i 0 、 e 0 、 s 0 i_0、e_0、s_0 i0?、e0?、s0? 初始條件的影響

SEIR 模型中有 i 0 、 e 0 、 s 0 i_0、e_0、s_0 i0?、e0?、s0? 等 3個初始條件，組合眾多無法窮盡，考慮實際情況中，疫情初始階段尚無康復者，而潛伏者比例往往高于確診的發病者，我們假定 e 0 / i 0 = 2 ， r 0 = 0 e_0/i_0=2，r_0=0 e0?/i0?=2，r0?=0，考察不同 i 0 i_0 i0? 時的疫情傳播情況，
在這里插入圖片描述

通過對于該引數下不同的患病者、潛伏者比例初值條件的模擬，可以看到患病者、潛伏者比例的初值條件對疫情發生、達峰、結束的時間早晚具有直接影響，但對疫情曲線的形態和特征影響不大，不同初值條件下的疫情曲線，幾乎是沿著時間指標平移的，

這說明如果不進行治療防控等人為干預，疫情傳播程序與初始患病者、潛伏者比例關系并不大，該來的總會來，

圖中患病率達到高峰后逐步降低，直至趨近于 0；易感率在疫情爆發后迅速下降，直至趨近于 0，但這一現象是基于具體的引數條件的觀察，僅由該圖并不能確定其是否普遍規律，


3.2 日接觸率 λ \lambda λ 的影響

首先考察日接觸率 λ \lambda λ 的影響，

保持引數 δ = 0.1 ， μ = 0.06 , ( i 0 = 0.001 , e 0 = 0.002 , s 0 = 0.997 ) \delta =0.1，\mu=0.06, (i_0=0.001,e_0=0.002,s_0=0.997) δ=0.1，μ=0.06,(i0?=0.001,e0?=0.002,s0?=0.997) 不變，$\lambda = [0.12, 0.25, 0.5, 1.0, 2.0] $ 時 i ( t ) , s ( t ) i(t), s(t) i(t),s(t) 的變化曲線如下圖所示，
在這里插入圖片描述
通過對于該條件下日接觸率的單因素分析，可以看到隨著日接觸率 λ \lambda λ 的增大，患病率比例 i ( t ) i(t) i(t) 出現的峰值更早、更強，而易感者比例 s ( t ) s(t) s(t) 逐漸降低，但最終都趨于穩定，


3.3 日發病率 δ \delta δ 的影響

下面考察日發病率 δ \delta δ 的影響，保持引數 λ = 0.25 ， μ = 0.06 , ( i 0 = 0.001 , e 0 = 0.002 , s 0 = 0.997 ) \lambda =0.25，\mu=0.06, (i_0=0.001,e_0=0.002,s_0=0.997) λ=0.25，μ=0.06,(i0?=0.001,e0?=0.002,s0?=0.997) 不變，$\delta = [0.02, 0.05, 0.1, 0.2, 0.4] $ 時 i ( t ) , s ( t ) i(t), s(t) i(t),s(t) 的變化曲線如下圖所示，
在這里插入圖片描述

通過對于該條件下日接觸率的單因素分析，可以看到隨著日接觸率 λ \lambda λ 的增大，患病率比例 i ( t ) i(t) i(t) 出現的峰值更早、更強，而易感者比例 s ( t ) s(t) s(t) 逐漸降低，但最終都趨于穩定，


3.4 日治愈率 μ \mu μ 的影響

下面考察日治愈率 μ \mu μ 的影響，保持引數 λ = 0.25 ， δ = 0.1 ， ( i 0 = 0.001 , e 0 = 0.002 , s 0 = 0.997 ) \lambda =0.25，\delta=0.1， (i_0=0.001,e_0=0.002,s_0=0.997) λ=0.25，δ=0.1，(i0?=0.001,e0?=0.002,s0?=0.997) 不變，$\mu = [0.02, 0.05, 0.1, 0.2, 0.4] $ 時 i ( t ) , s ( t ) i(t), s(t) i(t),s(t) 的變化曲線如下圖所示，
在這里插入圖片描述

通過對該條件下日治愈率的單因素分析，可以看到在日治愈率 μ = 0.4 \mu=0.4 μ=0.4 時，患病者比例始終非常低并趨于 0，易感者比例幾乎不變，表明疫情不會傳播，這是因為患病者治愈的速度快于易感者被感染的速度，

在日治愈率 μ = 0.2 \mu=0.2 μ=0.2 時，患病者比例也始終非常低（接近 0），易感者比例緩慢降低并趨于穩定值，表明疫情的傳播十分緩慢微弱，這是因為患病者治愈的速度較快，在易感者比例逐漸降低到某一水平后治愈人數與感染人數將達到平衡，

在日治愈率較低時 （ μ < 0.2 \mu<0.2 μ<0.2 ），患病者比例曲線存在波峰，然后再逐漸減小，最終趨于 0，隨著日治愈率 μ \mu μ 的減小，患病率比例 i ( t ) i(t) i(t) 曲線的峰值更強、也稍早，易感者比例 s ( t ) s(t) s(t) 隨著患病者比例上升而迅速降低，最終趨于某個穩定值，也達到治愈與感染的平衡，

通過對不同引數的單因素實驗和結果分析，可以發現雖然各個模型引數和初始條件都會影響疫情曲線，但日治愈率 與日接觸率的關系更為重要，進一步的分析和模擬可以發現，傳染期接觸數 σ = λ / μ \sigma = \lambda / \mu σ=λ/μ是傳染病蔓延的閾值，滿足 s 0 > 1 / σ s_0>1/\sigma s0?>1/σ 才會發生傳染病蔓延，

這說明具有決定性影響的特征引數，往往不是模型中的某個引數，而是多個引數特定關系的組合，僅從單因素實驗很難充分反映模型中的內在特征，


4. SEIR 模型的相空間分析

4.1 Python例程：SEIR 模型的相軌跡

# modelCovid4_v1.py
# Demo01 of mathematical modeling for Covid2019
# SIR model for epidemic diseases.
# Copyright 2021 Youcans, XUPT
# Crated：2021-06-15
# Python小白的數學建模課 @ Youcans

# 7. SEIR 模型，常微分方程組 相空間分析: e(t)~i(t)
from scipy.integrate import odeint  # 匯入 scipy.integrate 模塊
import numpy as np  # 匯入 numpy包
import matplotlib.pyplot as plt  # 匯入 matplotlib包

def dySEIR(y, t, lamda, delta, mu):  # SEIR 模型，導數函式
    s, e, i = y
    ds_dt = -lamda*s*i  # ds/dt = -lamda*s*i
    de_dt = lamda*s*i - delta*e  # de/dt = lamda*s*i - delta*e
    di_dt = delta*e - mu*i  # di/dt = delta*e - mu*i
    return np.array([ds_dt,de_dt,di_dt])

# 設定模型引數
number = 1e5  # 總人數
lamda = 0.3  # 日接觸率, 患病者每天有效接觸的易感者的平均人數
delta = 0.1  # 日發病率，每天發病成為患病者的潛伏者占潛伏者總數的比例
mu = 0.1  # 日治愈率, 每天治愈的患病者人數占患病者總數的比例
sigma = lamda / mu  # 傳染期接觸數
tEnd = 500  # 預測日期長度
t = np.arange(0.0, tEnd, 1)  # (start,stop,step)# e0List = np.arange(0.01,0.4,0.05)  # (start,stop,step)

e0List = np.arange(0.01,0.4,0.05)  # (start,stop,step)
for e0 in e0List:
    # odeint 數值解，求解微分方程初值問題
    i0 = 0  # 潛伏者比例的初值
    s0 = 1 - i0 - e0  # 易感者比例的初值
    ySEIR = odeint(dySEIR, (s0,e0,i0), t, args=(lamda,delta,mu))  # SEIR 模型
    plt.plot(ySEIR[:,1], ySEIR[:,2])  # (e(t),i(t))
    print("lamda={}\tdelta={}\mu={}\tsigma={}\ti0={}\te0={}".format(lamda,delta,mu,lamda/mu,i0,e0))

# 輸出繪圖
plt.title("Phase trajectory of SEIR models: e(t)~i(t)")
plt.axis([0, 0.4, 0, 0.4])
plt.plot([0,0.4],[0,0.35],'y--')  #[x1,x2][y1,y2]
plt.plot([0,0.4],[0,0.18],'y--')  #[x1,x2][y1,y2]
plt.text(0.02,0.36,r"$\lambda=0.3, \delta=0.1, \mu=0.1$",color='black')
plt.xlabel('e(t)')
plt.ylabel('i(t)')
plt.show()

4.2 SEIR 模型的相軌跡分析

在這里插入圖片描述
在這里插入圖片描述
上圖為例程 4.2 的運行結果，是 SEIR 模型的相軌跡圖，

圖中每一條 e-s 曲線，從直線 i(t)+s(t)=1 上的某一初值點出發，最終收斂于 s軸上的某一點，對應著某一個初值條件下的患病者與易感者比例隨時間的變化關系，

SEIR 模型的相軌跡圖比較復雜，難以在本文展開進行討論，但是，相軌跡圖中的虛線還是反映出了時間變化曲線圖中難以表達的一些重要特征，以此為線索可以進行更深入的研究，


5. SEIR 模型結果討論

最后，我們簡單總結一下 SEIR 模型的特點：

  1. SEIR 模型是一個單向模型，易感者（S）不斷轉變為潛伏者（E），潛伏者（E）發病后成為患病者（I），患病者（I）不斷轉變為康復者（R），因此易感者比例 s(t) 單調遞減，康復者比例 r(i) 單調遞增，

  2. SEIR 模型假設潛伏期無傳染性，因此潛伏期延遲了傳染期的開始，疫情發生和峰值的到來要晚于沒有潛伏期的 SIR 模型，但潛伏期不會改變感染人群的累計數量，而且持續時間更長，

  3. 1 / σ 1/\sigma 1/σ 是傳染病蔓延的閾值，滿足 s 0 > 1 / σ s_0>1/\sigma s0?>1/σ 才會發生傳染病蔓延，因此，為了控制傳染病的蔓延：一方面要提高閾值 1 / σ 1/\sigma 1/σ，這可以通過提高衛生水平來降低日接觸率 λ \lambda λ、提高醫療水平來提高日治愈率 μ \mu μ；另一方面要降低 s 0 s_0 s0?，這可以通過預防接種達到群體免疫來實作，

  4. 在 SEIR 模型的基礎上，可以根據不同傳染病病理特征及疫情傳播特點，對模型進行進一步的改進，使模型與實際情況更加吻合，以便更準確地預測疫情發展趨勢，

  5. 在 SEIR 模型的基礎上，可以結合實際的疫情資料來擬合和估計模型引數，進而用來模擬和分析不同治療方案和防控措施對疫情發展的影響，為新冠疫情的防控作業提供決策指導，


【本節完】

著作權宣告：

歡迎關注『Python小白的數學建模課 @ Youcans』 原創作品

原創作品，轉載必須標注原文鏈接：(https://blog.csdn.net/youcans/article/details/117932162)，

Copyright 2021 Youcans, XUPT

Crated：2021-06-15


歡迎關注 『Python小白的數學建模課 @ Youcans』 系列，持續更新
Python小白的數學建模課-A1.國賽賽題型別分析
Python小白的數學建模課-A2.2021年數維杯C題探討
Python小白的數學建模課-A3.12個新冠疫情數模競賽賽題及短評
Python小白的數學建模課-B2. 新冠疫情 SI模型
Python小白的數學建模課-B3. 新冠疫情 SIS模型
Python小白的數學建模課-B4. 新冠疫情 SIR模型
Python小白的數學建模課-B5. 新冠疫情 SEIR模型
Python小白的數學建模課-01.新手必讀
Python小白的數學建模課-02.資料匯入
Python小白的數學建模課-03.線性規劃
Python小白的數學建模課-04.整數規劃
Python小白的數學建模課-05.0-1規劃
Python小白的數學建模課-06.固定費用問題
Python小白的數學建模課-07.選址問題
Python小白的數學建模課-09.微分方程模型
Python數模筆記-PuLP庫
Python數模筆記-StatsModels統計回歸
Python數模筆記-Sklearn
Python數模筆記-NetworkX
Python數模筆記-模擬退火演算法


轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/288004.html

標籤：python

上一篇：python對CSV檔案進行可視化-餅圖

下一篇：小白看這一篇文章就學會 亞馬遜 淘寶 京東的 反爬蟲機制

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 【C++】Microsoft C++、C 和匯編程式檔案

    ......

    uj5u.com 2020-09-10 00:57:23 more
  • 例外宣告

    相比于斷言適用于排除邏輯上不可能存在的狀態，例外通常是用于邏輯上可能發生的錯誤。 例外宣告 Item 1：當函式不可能拋出例外或不能接受拋出例外時，使用noexcept 理由 如果不打算拋出例外的話，程式就會認為無法處理這種錯誤，并且應當盡早終止，如此可以有效地阻止例外的傳播與擴散。 示例 //不可 ......

    uj5u.com 2020-09-10 00:57:27 more
  • Codeforces 1400E Clear the Multiset(貪心 + 分治)

    鏈接：https://codeforces.com/problemset/problem/1400/E 來源：Codeforces 思路：給你一個陣列，現在你可以進行兩種操作，操作1：將一段沒有 0 的區間進行減一的操作，操作2：將 i 位置上的元素歸零。最終問：將這個陣列的全部元素歸零后操作的最少 ......

    uj5u.com 2020-09-10 00:57:30 more
  • UVA11610 【Reverse Prime】

    本人看到此題沒有翻譯，就附帶了一個自己的翻譯版本 思考 這一題，它的第一個要求是找出所有 $7$ 位反向質數及其質因數的個數。 我們應該需要質數篩篩選1~$10^{7}$的所有數，這里就不慢慢介紹了。但是，重讀題，我們突然發現反向質數都是 $7$ 位，而將它反過來后的數字卻是 $6$ 位數，這就說明 ......

    uj5u.com 2020-09-10 00:57:36 more
  • 統計區間素數數量

    1 #pragma GCC optimize(2) 2 #include <bits/stdc++.h> 3 using namespace std; 4 bool isprime[1000000010]; 5 vector<int> prime; 6 inline int getlist(int ......

    uj5u.com 2020-09-10 00:57:47 more
  • C/C++編程筆記：C++中的 const 變數詳解，教你正確認識const用法

    1、C中的const 1、區域const變數存放在堆疊區中，會分配記憶體（也就是說可以通過地址間接修改變數的值）。測驗代碼如下： 運行結果： 2、全域const變數存放在只讀資料段（不能通過地址修改，會發生寫入錯誤）， 默認為外部聯編，可以給其他源檔案使用（需要用extern關鍵字修飾） 運行結果： ......

    uj5u.com 2020-09-10 00:58:04 more
  • 【C++犯錯記錄】VS2019 MFC添加資源不懂如何修改資源宏ID

    1. 首先在資源視圖中，添加資源 2. 點擊新添加的資源，復制自動生成的ID 3. 在解決方案資源管理器中找到Resource.h檔案，編輯，使用整個專案搜索和替換的方式快速替換 宏宣告 4. Ctrl+Shift+F 全域搜索，點擊查找全部，然后逐個替換 5. 為什么使用搜索替換而不使用屬性視窗直 ......

    uj5u.com 2020-09-10 00:59:11 more
  • 【C++犯錯記錄】VS2019 MFC不懂的批量添加資源

    1. 打開資源頭檔案Resource.h，在其中預先定義好宏 ID（不清楚其實ID值應該設定多少，可以先新建一個相同的資源項，再在這個資源的ID值的基礎上遞增即可） 2. 在資源視圖中選中專案資源，按F7編輯資源檔案，按 ID 型別 相對路徑的形式添加 資源。（別忘了先把檔案拷貝到專案中的res檔案 ......

    uj5u.com 2020-09-10 01:00:19 more
  • C/C++編程筆記：關于C++的參考型別，專供新手入門使用

    今天要講的是C++中我最喜歡的一個用法——參考，也叫別名。 參考就是給一個變數名取一個變數名，方便我們間接地使用這個變數。我們可以給一個變數創建N個參考，這N + 1個變數共享了同一塊記憶體區域。(參考型別的變數會占用記憶體空間，占用的記憶體空間的大小和指標型別的大小是相同的。雖然參考是一個物件的別名，但 ......

    uj5u.com 2020-09-10 01:00:22 more
  • 【C/C++編程筆記】從頭開始學習C ++：初學者完整指南

    眾所周知，C ++的學習曲線陡峭，但是花時間學習這種語言將為您的職業帶來奇跡，并使您與其他開發人員區分開。您會更輕松地學習新語言，形成真正的解決問題的技能，并在編程的基礎上打下堅實的基礎。 C ++將幫助您養成良好的編程習慣（即清晰一致的編碼風格，在撰寫代碼時注釋代碼，并限制類內部的可見性），并且由 ......

    uj5u.com 2020-09-10 01:00:41 more
最新发布
  • Rust中的智能指標:Box<T> Rc<T> Arc<T> Cell<T> RefCell<T> Weak

    Rust中的智能指標是什么 智能指標（smart pointers）是一類資料結構，是擁有資料所有權和額外功能的指標。是指標的進一步發展 指標（pointer）是一個包含記憶體地址的變數的通用概念。這個地址參考，或 ” 指向”（points at）一些其 他資料 。參考以 & 符號為標志并借用了他們所 ......

    uj5u.com 2023-04-20 07:24:10 more
  • Java的值傳遞和參考傳遞

    值傳遞不會改變本身，參考傳遞（如果傳遞的值需要實體化到堆里）如果發生修改了會改變本身。 1.基本資料型別都是值傳遞 package com.example.basic; public class Test { public static void main(String[] args) { int ......

    uj5u.com 2023-04-20 07:24:04 more
  • [2]SpinalHDL教程——Scala簡單入門

    第一個 Scala 程式 shell里面輸入 $ scala scala> 1 + 1 res0: Int = 2 scala> println("Hello World!") Hello World! 檔案形式 object HelloWorld { /* 這是我的第一個 Scala 程式 * 以 ......

    uj5u.com 2023-04-20 07:23:58 more
  • 理解函式指標和回呼函式

    理解 函式指標 指向函式的指標。比如： 理解函式指標的偽代碼 void (*p)(int type, char *data); // 定義一個函式指標p void func(int type, char *data); // 宣告一個函式func p = func; // 將指標p指向函式func ......

    uj5u.com 2023-04-20 07:23:52 more
  • Django筆記二十五之資料庫函式之日期函式

    本文首發于公眾號：Hunter后端 原文鏈接：Django筆記二十五之資料庫函式之日期函式 日期函式主要介紹兩個大類，Extract() 和 Trunc() Extract() 函式作用是提取日期，比如我們可以提取一個日期欄位的年份，月份，日等資料 Trunc() 的作用則是截取，比如 2022-0 ......

    uj5u.com 2023-04-20 07:23:45 more
  • 一天吃透JVM面試八股文

    什么是JVM？ JVM，全稱Java Virtual Machine（Java虛擬機），是通過在實際的計算機上仿真模擬各種計算機功能來實作的。由一套位元組碼指令集、一組暫存器、一個堆疊、一個垃圾回收堆和一個存盤方法域等組成。JVM屏蔽了與作業系統平臺相關的資訊，使得Java程式只需要生成在Java虛擬機 ......

    uj5u.com 2023-04-20 07:23:31 more
  • 使用Java接入小程式訂閱訊息！

    更新完微信服務號的模板訊息之后，我又趕緊把微信小程式的訂閱訊息給實作了！之前我一直以為微信小程式也是要企業才能申請，沒想到小程式個人就能申請。 訊息推送平臺🔥推送下發【郵件】【短信】【微信服務號】【微信小程式】【企業微信】【釘釘】等訊息型別。 https://gitee.com/zhongfuch ......

    uj5u.com 2023-04-20 07:22:59 more
  • java -- 緩沖流、轉換流、序列化流

    緩沖流 緩沖流, 也叫高效流, 按照資料型別分類： 位元組緩沖流：BufferedInputStream，BufferedOutputStream 字符緩沖流：BufferedReader，BufferedWriter 緩沖流的基本原理，是在創建流物件時，會創建一個內置的默認大小的緩沖區陣列，通過緩沖 ......

    uj5u.com 2023-04-20 07:22:49 more
  • Java-SpringBoot-Range請求頭設定實作視頻分段傳輸

    老實說，人太懶了，現在基本都不喜歡寫筆記了，但是網上有關Range請求頭的文章都太水了 下面是抄的一段StackOverflow的代碼...自己大修改過的，寫的注釋挺全的，應該直接看得懂，就不解釋了 寫的不好...只是希望能給視頻網站開發的新手一點點幫助吧. 業務場景：視頻分段傳輸、視頻多段傳輸（理 ......

    uj5u.com 2023-04-20 07:22:42 more
  • Windows 10開發教程_編程入門自學教程_菜鳥教程-免費教程分享

    教程簡介 Windows 10開發入門教程 - 從簡單的步驟了解Windows 10開發，從基本到高級概念，包括簡介，UWP，第一個應用程式，商店，XAML控制元件，資料系結，XAML性能，自適應設計，自適應UI，自適應代碼，檔案管理，SQLite資料庫，應用程式到應用程式通信，應用程式本地化，應用程式 ......

    uj5u.com 2023-04-20 07:22:35 more

Copyright © 2010-2020 有解無憂