传染病SIR模型及蒙特卡洛方法 |
您所在的位置：网站首页 › 传染病公式 › 传染病SIR模型及蒙特卡洛方法 |
传染病SIR模型及蒙特卡洛方法
|
传染病模型的Matlab实现
一、符号说明二、基本公式三、基本数据处理四、rβ参数估计及模型简化五、SIR模型MATLAB实现及分析六、蒙特卡洛方法的实现及分析七、模型改进八、文章说明
一、符号说明
以SIR模型为例，这里对SIR重新定义： S:Susceptible 易感人群（数量），与感染者密切接触易受到其感染。I:Infective 感染人群（数量），已患上传染病并有可能传染给易感人群。由于在我国内，感染者一旦出现症状便被隔离，几乎丧失传染的可能性，故被隔离患者归入移除人员，即不再参与传染过程的人员。R:Removed 移除人群（数量），患病后被治愈或死亡人群数量，这部分人不再参与感染和被感染过程。由于国家的隔离政策，被隔离人群也被计算在失去传染能力的移除人群内。N: 人口总数，包括易感人群，感染人群及移除人群。r: 每个患者每天内接触在易感者人数。β: 易感者与感染者接触时的传染率。γ: 感染人群失去传播能力的速率，其中因隔离而丧失传播能力的部分占比应远远大于自行恢复及死亡的部分。注：(rβ)可以反映出每一个患者的传染能力。反映了疾病的传染强度，其值越大说明感染人群与易感染人群接触时传染的可能性越大。r可以通过统计方法进行计算，而为了追求实际意义，我们后文主要将(rβ)看作一个整体。 . . 二、基本公式转换关系的简单示意图如下： 我们为了简化方程，假设人口基数足够大，即在某一较短时间S/N的改变几乎可以忽略不计，举疫情传播早期为例，在疫情刚开始I/N≈0，在短期内S/N≈(N-I)/N≈1,则式(2)可简化为： 数据来源：839Studio. Novel-Coronavirus-Updates [DB/OL].GitHub,10:30 May. 8 GMT+8 我们通过将数据处理得到武汉市1月18日至2月1日各类数据，选择这期间的数据的原因是，1月18日接近疫情初期，而2月1日为武汉封城日期。 . 四、rβ参数估计及模型简化利用MATLAB非线性拟合模块确定参数rβ粗略值，编写MATLAB程序如下： load WuhanData.mat %导入1月18日至2月1日武汉各类人群数据 %数据格式： %====================================== %月份 日期 累计确诊 累计出院 累计死亡 % 1 18 45 15 2 % 1 19 62 19 2 [m,n]=size(WuhanData); WuhanData(:,3)=WuhanData(:,3)-WuhanData(:,4)-WuhanData(:,5); %I=e^((rβ-1/14)t) ft=fittype('n*exp((lmd-1/14).*t)','coefficients',{'lmd','n'},... 'independent','t','dependent','I'); cf=fit((1:m)',WuhanData(:,3),ft,'StartPoint',[0 41]); plot(cf,(1:m)',WuhanData(:,3)) disp(cf)解得： General model: cf(t) = n*exp((lmd-1/14).*t) Coefficients (with 95% confidence bounds): lmd = 0.3123 (0.273, 0.3516) n = 104.5 (52.87, 156.1) 我们将使用MATLAB进行数值模拟，来向大家展示各个参数对病毒传播的影响。 为了简化模型，忽略地区人数对实验结果造成的影响，仅对模型的本质进行模拟，并将各类人群以比例的方式表示，即将原本以个人为单位的离散化模型变得连续化，我们可假设我们所探究区域的人口总数在短期内基本保持不变，即：
编写SIR模型代码如下： [t,sir]=ode15s('SIR',[0 250],[1-1e-6;1e-6;0]); hold on plot(t,sir(:,1),'linewidth',1.5) plot(t,sir(:,2),'linewidth',1.5) plot(t,sir(:,3),'linewidth',1.5) [~,peakTpos]=max(sir(:,2)); scatter(t(peakTpos),sir(peakTpos,2),20,'k','filled') legend('S:易感者比例','I :感染者比例','R:移除者比例','感染者峰值坐标') title('SIR模型:S(0)=1-10^{-6} I(0)=10^{-6} r\beta=0.3123 \gamma=1/14') xlabel('t:时间(天)') ylabel('各类人群所占比例') function newrate=SIR(t,rate) %rate: %================== %[s(t) i(t) r(t)] rb=0.3123; g=1/14; newrate=[-rb*rate(1)*rate(2);... rb*rate(1)*rate(2)-g*rate(2);... g*rate(2)]; end若取初始感染者占比为
1
0
−
6
10^{-6}
10−6，即假设该市有1000万人口，在疫情初始阶段约有10人患病，求解常微分方程数值解结果如下： 我们假设(rβ)中r=5，即每人每天平均接触五个人，我们如果进行自我隔离，将r分别降至2或1，得到结果如下: 假设我们加强了检测力度、拥有了更加先进的对该病毒的检测方法、或对该病毒的医疗有了突破性进展，我们将γ提高至1/7，则的得到如下结果： 通过各种手段降低β的情形与降低r类似，由于该连续模型下，(rβ)被当作一个整体看待，很难将其分别进行分析，故我们在此引入蒙特卡洛方法： 在一定区域内，将每个人看作独立的个体，用圆点来表示，每隔单位时间每个个体都会向一定方向位移一段距离并且当易感者和感染而未被隔离者相距较近时，易感者可能会向感染而未被隔离者转换，我们使用灰色圆点表示易感者，粉色圆点表示感染而未被隔离者，红色圆点表示移除或被隔离者，红色圆点已不具备传染能力。编写蒙特卡洛方法代码如下： function MonteCarlo figure('units','pixels',... 'position',[350 100 800 500],... 'Numbertitle','off',... 'MenuBar','none',... 'resize','off',... 'name','MonteCarlo',... 'color',[0.95 0.95 0.95]); axes('position',[0 0 1 1]); axis([0 800 0 500]); set(gca,'color',[0 0 0.0078]); set(gca,'xtick',[],'ytick',[],'xcolor','w','ycolor','w') %========================================================================== Limit=[0 800 0 500]; beta=0.3; gama=0.01; InfectDis=1; Dis=2; Num.N=500; Num.S=Num.N-5; Num.I=5; Num.R=0; Pos.N=rand(Num.N,2).*[Limit(2),Limit(4)]; Pos.S=Pos.N(1:Num.S,:); Pos.I=Pos.N(Num.S+1:Num.S+Num.R,:); Pos.R=Pos.N(Num.S+Num.R+1:end,:); Ncollection=Num.N; Scollection=Num.S; Icollection=Num.I; Rcollection=Num.R; %========================================================================== hold on; DrawSHdl=scatter(Pos.S(:,1),Pos.S(:,2),50,'filled','CData',[0.3,0.3,0.3]); DrawIHdl=scatter(Pos.I(:,1),Pos.I(:,2),50,'filled','CData',[1,0.5,0.5]); DrawRHdl=scatter(Pos.R(:,1),Pos.R(:,2),50,'filled','CData',[1,0.1,0.1]); TxtNHdl=text(10,480,['人口总数:',num2str(Num.N)],'color',[1 1 1],'fontsize',12,'FontWeight','bold'); TxtIHdl=text(10,480-25,['携带者:',num2str(Num.I)],'color',[1 1 1],'fontsize',12,'FontWeight','bold'); TxtRHdl=text(10,480-50,['隔离或具抗性者:',num2str(Num.R)],'color',[1 1 1],'fontsize',12,'FontWeight','bold'); fps = 200; game = timer('ExecutionMode', 'FixedRate', 'Period',1/fps, 'TimerFcn', @Spread); set(gcf,'tag','co','CloseRequestFcn',@clo); start(game) function clo(~,~) stop(game) save SIR.mat Ncollection Scollection Icollection Rcollection delete(findobj('tag','co')); clf close end function Spread(~,~) Theta=rand(Num.N,1).*2.*pi.*Dis; MovDir=[cos(Theta),sin(Theta)]; Pos.N=Pos.N+MovDir; Pos.S=Pos.N(1:Num.S,:); Pos.I=Pos.N(Num.S+1:Num.S+Num.I,:); Pos.R=Pos.N(Num.S+Num.I+1:end,:); DisMat=GetDis(Pos.S,Pos.I); S2I=any(DisMat |
. 易通过上述转换关系推出经典SIR模型的常微分方程组表达式： 
若取时间t的间隔单位为天，新冠病毒在潜伏期即未隔离时具备着传播能力，而在潜伏期过后因病症爆发而被隔离失去传播能力，又因为新冠病毒的潜伏期约为14天，则不妨取γ=1/14，在已知 γ 数值的情况下我们能较为简单的由其推出其他数据，即(rβ)的数值。
变量分离得： 
易解得： 
.
数据处理代码:
可以看出(rβ)在疫情爆发初期时，其值约为0.273~0.3516，对于基本传染系数
R
0
R_0
R0可以采取以下式子来估计： 
基本传染系数是指在没有外力介入下，所有人都没有对于疾病的免疫力的情况下，一个人会将疾病传染给其他多少人，若
R
0
R_0
R01时传染并将以指数形式散布，2003年新加坡严重急性呼吸道综合症的
R
0
R_0
R0约为2-3，天花的
R
0
R_0
R0约为5-7，可以看出我们对本次新冠疫情的
R
0
R_0
R0估计值是较高的，明显
R
0
R_0
R0>1且在武汉爆发初期确实是近指数增长，但这并不说明疾病无法被控制，我们还有很多有效地手段可以实施，例如：
并令s(t),i(t),r(t)代表各类人群在总数中的占比，即可简化模型： 
即: 
. .
从图中可以看出疫情感染者比例将在经过约62天时到达峰值，且占比约为43.32%，到达峰值后感染者数目逐渐减少且有约1.34% 的人群在疫情过程中未被感染过。超过98%的人群会在此次疫情中被感染，这是一个恐怖的数字，也说明了如不对疫情进行控制，其初始(rβ) 高至可以几乎感染全部人。
观察到，当每天接触人数为2时，疫情的爆发大幅度的延后，约238天时到达高峰，且爆发的剧烈程度也有所降低，从高峰期43.32%感染降至约10.83%感染，且在疫情过程中，有约 28.77%的人未曾感染过病毒，足以体现自我隔离的有效性。且如图所示,当每天接触人数降至1时，疫情几乎无法爆发。
可以看出，增大γ对疫情的爆发时间影响并不大，但却显著的降低了疫情爆发时感染者的比例，同时在疫情结束后有约15.89%的人未被感染，相较于改变γ前1.34%的比例也有了显著的提升。 . .【本文地址】
今日新闻 |
推荐新闻 |