Python小白的数学建模课-B3. 新冠疫情 SIS模型
传染病的数学模型是数学建模中的典型问题,常见的传染病模型有 si、sir、sirs、seir 模型。
sis 模型型将人群分为 s 类和 i 类,考虑患病者可以治愈而变成易感者,但不考虑免疫期。
本文详细给出了 sis 模型的建模、例程、运行结果和模型分析,让小白都能懂。
『python小白的数学建模课 @ youcans』 带你从数模小白成为国赛达人。
1. 疫情传播 sis 模型
传染病动力学是对传染病进行定量研究的重要方法。它依据种群繁衍迁移的特性、传染病在种群内产生及传播的机制、医疗与防控条件等外部因素,建立可以描述传染病动力学行为的数学模型,通过对模型进行定性、定量分析和数值计算,模拟传染病的传播过程,预测传染病的发展趋势,研究防控策略的作用。
1.1 si 模型
si 模型把人群分为易感者(s类)和患病者(i类)两类,易感者(s类)与患病者(i类)有效接触即被感染,变为患病者,无潜伏期、无治愈情况、无免疫力。
si 模型适用于只有易感者和患病者两类人群,且无法治愈的疾病。
按照 si 模型,最终所有人都会被传染而变成病人,这是因为模型中没有考虑病人可以治愈。因此只能是健康人患病,而患病者不能恢复健康(甚至也不会死亡,而是不断传播疫情),所以终将全部被传染。
1.2 sis 模型
sis 模型将人群分为 s 类和 i 类,考虑患病者(i 类)可以治愈而变成易感者(s 类),但不考虑免疫期,因此患病者(i 类)治愈变成易感者以后还可以被感染而变成患病者。
sis 模型适用于只有易感者和患病者两类人群,可以治愈,但会反复发作的疾病,例如脑炎、细菌性痢疾等治愈后也不具有免疫力的传染病。
sis 模型假设:
- 考察地区的总人数 n 不变,即不考虑生死或人口流动;
- 人群分为易感者(s类)和患病者(i类)两类;
- 易感者(s类)与患病者(i类)有效接触即被感染,变为患病者;患病者(i类)可被治愈而变为易感者,无潜伏期、无免疫力;
- 每个患病者每天有效接触的易感者的平均人数(日接触数)是 \(\lambda\),称为日接触率;
- 每天被治愈的患病者人数占患病者总数的比例为 \(\mu\) ,即日治愈率;
- 将第 t 天时 s类、i 类人群的占比记为 \(s(t)\)、\(i(t)\),数量为 \(s(t)\)、\(i(t)\);初始日期 \(t=0\) 时, s类、i 类人群占比的初值为 \(s_0\)、\(i_0\)。
需要说明的是,不考虑生死或人口流动,通常是由于考虑一个封闭环境而且假定疫情随时间的变化比生死、迁移随时间的变化显著得多, 因此后者可以忽略不计。
sis 模型的微分方程:
由
得:
由日治愈率 \(\mu\) 可知平均治愈天数为 \(1/\mu\),也称平均传染期。定义 \(\sigma = \lambda / \mu\),其含义是每个病人在传染期内所传染的平均人数,称为传染期接触数。例如,平均传染期 \(1/\mu = 5\),日接触率 \(\lambda = 2\)(每天传染 2人),则传染期接触数 \(\sigma = 10\)。
sis 模型的解析解为:
注意:网上有些博文中解析解的公式误写成 \(exp((\lambda-\mu)t)\) ,漏掉了一个负号。
2. sis 模型的 python 编程
2.1 scipy 工具包求解 sis 模型
sis 模型是常微分方程初值问题,可以使用 scipy 工具包的 scipy.integrate.odeint() 函数求数值解。
scipy.integrate.odeint(func, y0, t, args=())
**scipy.integrate.odeint() **是求解微分方程的具体方法,通过数值积分来求解常微分方程组。
odeint() 的主要参数:
- func: callable(y, t, …) 导数函数 \(f(y,t)\) ,即 y 在 t 处的导数,以函数的形式表示
- y0: array: 初始条件 \(y_0\),对于常微分方程组 \(y_0\) 则为数组向量
- t: array: 求解函数值对应的时间点的序列。序列的第一个元素是与初始条件 \(y_0\) 对应的初始时间 \(t_0\);时间序列必须是单调递增或单调递减的,允许重复值。
- args: 向导数函数 func 传递参数。当导数函数 \(f(y,t,p1,p2,..)\) 包括可变参数 p1,p2.. 时,通过 args =(p1,p2,..) 可以将参数p1,p2.. 传递给导数函数 func。
odeint() 的返回值:
- y: array 数组,形状为 (len(t),len(y0),给出时间序列 t 中每个时刻的 y 值。
odeint() 的编程步骤:
- 导入 scipy、numpy、matplotlib 包;
- 定义导数函数 \(f(i,t)=\lambda i (1-i)- \mu i\) ;
- 定义初值 \(y_0\) 和 \(y\) 的定义区间 \([t_0,\ t]\);
- 调用 odeint() 求 \(y\) 在定义区间 \([t_0,\ t]\) 的数值解。
2.2 python例程:sis 模型的解析解与数值解
# 1. sis 模型,常微分方程,解析解与数值解的比较 from scipy.integrate import odeint # 导入 scipy.integrate 模块 import numpy as np # 导入 numpy包 import matplotlib.pyplot as plt # 导入 matplotlib包 def dy_dt(y, t, lamda, mu): # sis 模型,导数函数 dy_dt = lamda*y*(1-y) - mu*y # di/dt = lamda*i*(1-i)-mu*i return dy_dt # 设置模型参数 number = 1e5 # 总人数 lamda = 1.2 # 日接触率, 患病者每天有效接触的易感者的平均人数 sigma = 2.5 # 传染期接触数 mu = lamda/sigma # 日治愈率, 每天被治愈的患病者人数占患病者总数的比例 fsig = 1-1/sigma y0 = i0 = 1e-5 # 患病者比例的初值 tend = 50 # 预测日期长度 t = np.arange(0.0,tend,1) # (start,stop,step) print("lamda={}\tmu={}\tsigma={}\t(1-1/sig)={}".format(lamda,mu,sigma,fsig)) # 解析解 if lamda == mu: yanaly = 1.0/(lamda*t +1.0/i0) else: yanaly= 1.0/((lamda/(lamda-mu)) + ((1/i0)-(lamda/(lamda-mu))) * np.exp(-(lamda-mu)*t)) # odeint 数值解,求解微分方程初值问题 ysi = odeint(dy_dt, y0, t, args=(lamda,0)) # si 模型 ysis = odeint(dy_dt, y0, t, args=(lamda,mu)) # sis 模型 # 绘图 plt.plot(t, yanaly, '-ob', label='analytic') plt.plot(t, ysis, ':.r', label='ysis') plt.plot(t, ysi, '-g', label='ysi') plt.title("comparison between analytic and numerical solutions") plt.axhline(y=fsig,ls="--",c='c') # 添加水平直线 plt.legend(loc='best') # youcans plt.axis([0, 50, -0.1, 1.1]) plt.show()
2.3 sis 模型解析解与数值解的比较
本图为例程 2.2 的运行结果,图中对解析解(蓝色)与使用 odeint() 得到的数值解(红色)进行比较。在该例中,无法观察到解析解与数值解的差异,表明数值解的误差很小。
本图也比较了对相同日接触率和患病者初值下 si模型与 sis模型进行了比较。si 模型更早进入爆发期,最终收敛到 100%;sis 模型下进入爆发期较晚,患病者的比例最终收敛到某个常数(与模型参数有关)。
考察 si 模型与 sis模型的关系,显然 si 模型是 sis 模型在 \(\mu = 0\) 时的特殊情况。
3. sis 模型参数的影响
对于 sis 模型,需要考虑日接触率 \(\lambda\) 与日治愈率 \(\mu\) 的关系、患病者比例的初值 \(i_0\) 的影响,总人数 n 没有影响。
3.1 日接触率 \(\lambda\) 与日治愈率 \(\mu\) 关系的影响
直观地考虑,如果每天治愈的人数高于感染的人数,则疫情逐渐好转,否则疫情逐渐严重。因此日接触率 \(\lambda\) 与日治愈率 \(\mu\) 的关系非常关键,这就是传染期接触数 \(\sigma = \lambda / \mu\) 的意义。
(1) \(\sigma \leq 1\)
当 \(\sigma<1\) 时,传染期接触数小于 1,日接触率小于日治愈率,患病率单调下降,最终清零,与患病率初值无关。 \(\sigma\) 越小,疫情清零速度越快; \(\sigma\) 越接近于 1,疫情清零越慢,但最终仍将清零。
分析其实际意义,传染期接触数小于 1,表明在传染期内经过接触而使易感者变成患病者的数量,小于在传染期内治愈的患病者的数量,因此患病者数量、比例都会逐渐降低,所以最终可以清零,称为无病平衡点。
当 \(\sigma=1\) 时,不论患病率初值如何,患病率也是单调下降,最终趋近于 0。虽然在数学上患病率只能趋近于 0 而不等于 0,但考虑到总人数 n 是有限的,而患病者和易感者人数需要取整,因此 \(\sigma=1\) 时最终也会清零。
(2) \(\sigma > 1\)
当 \(\sigma>1\) 时,传染期接触数大于 1,日接触率大于日治愈率,患病率的升降有两种情况:
- 当患病率很低时,患病者人数少而易感者人数多,患病率上升;但随着患病率增大,患病者越来越多而易感者越来越少,患病率虽然仍然上升但上升速度趋缓,最终趋于定值。
- 当患病率很高时,患病者人数多而易感者人数少,患病率下降;但随着患病率减小,患病者越来越少而易感者越来越多,患病率虽然仍然下降但下降速度趋缓,最终也趋于相同的定值。
- 患病率最终都会收敛到稳态特征值 \(i_\infty=1-1/\sigma\)。当 \(i_0>i_\infty\) 即患病率初值大于稳态特征值时,疫情曲线单调上升收敛;当 \(i_0<i_\infty\) 即患病率初值小于稳态特征值时,疫情曲线单调下降收敛;当 \(i_0 = i_\infty\) 时,患病率始终大于稳态特征值,疫情曲线为水平直线。
这表明,当 \(\sigma>1\) 时疫情终将稳定但不会清零,而是长期保持一定的患病率,称为地方病平衡点。
当 \(\sigma=1\) 时,不论患病率初值如何,患病率都单调下降并最终趋于 0。
3.2 传染期接触数 \(\sigma\) 与 $ di/dt$ 的关系
患病率的一阶导数 \(di/dt\) 的变化曲线,表明不论传染期接触数和初值如何,患病率的变化率都将收敛到 0,因此疫情终将稳定。当 \(\sigma<1\) 时, \(di/dt\) 始终是负值,单调上升趋近于 0; 当 \(\sigma>1\) 时, \(di/dt\) 始终是正值,先上升达到峰值后再逐渐减小趋近于 0。
本图为患病率 \(i(t)\) 与一阶导数 \(di/dt\) 在不同传染期接触数下的关系曲线(相空间图)。当 \(\sigma\leq 1\) 时,曲线收敛到原点 \((0,0)\),即存在无病平衡点; 当 \(\sigma>1\) 时,曲线收敛到 \((1-1/\sigma,0)\),即存在地方病平衡点。
3.3 python例程:传染期接触数 \(\sigma\) 与 $ di/dt$ 的关系
# 4. sis 模型,模型参数对 di/dt的影响 from scipy.integrate import odeint # 导入 scipy.integrate 模块 import numpy as np # 导入 numpy包 import matplotlib.pyplot as plt # 导入 matplotlib包 def dy_dt(y, t, lamda, mu): # sis 模型,导数函数 dy_dt = lamda*y*(1-y) - mu*y # di/dt = lamda*i*(1-i)-mu*i return dy_dt # 设置模型参数 number = 1e5 # 总人数 lamda = 1.2 # 日接触率, 患病者每天有效接触的易感者的平均人数 # sigma = np.array((0.1, 0.5, 0.8, 0.95, 1.0)) # 传染期接触数 sigma = np.array((0.5, 0.8, 1.0, 1.5, 2.0, 3.0)) # 传染期接触数 y0 = i0 = 0.05 # 患病者比例的初值 tend = 100 # 预测日期长度 t = np.arange(0.0,tend,0.1) # (start,stop,step) for p in sigma: ysis = odeint(dy_dt, y0, t, args=(lamda,lamda/p)) # sis 模型 yderiv = lamda*ysis*(1-ysis) - ysis*lamda/p # plt.plot(t, yderiv, '-', label=r"$\sigma$ = {}".format(p)) plt.plot(ysis, yderiv, '-', label=r"$\sigma$ = {}".format(p)) #label='di/dt~i' print("lamda={}\tmu={}\tsigma={}\t(1-1/sig)={}".format(lamda,lamda/p,p,(1-1/p))) # 绘图 plt.axhline(y=0,ls="--",c='c') # 添加水平直线 plt.title("i(t)~di/dt in sis model") # youcans-xupt plt.legend(loc='best') plt.show()
4. sis 模型结果讨论
sis 模型表明:
- 若 \(\sigma > 1\),则 \(\lim\limits_{t \to \infty} i(t) = 1-1/\sigma\), 表明患病者始终存在,成为地方病。
- 若 \(\sigma \leq 1\),则 \(\lim\limits_{t \to \infty} i(t) = 0, (\sigma\leq 1)\) ,表明患病者人数不断减少,最终可以清零。
- sis 模型说明,对于传染病,需要对患病者进行隔离以减少有效接触,通过减少日接触率 \(\lambda\) 来减小接触数 \(\sigma\) ,打破传播链,最终控制疫情。
需要指出的是,本文讨论的 sis模型是把考察地区视为一个疫情均匀分布的整体进行研究。实际上,在考察区域的疫情分布必然是不均衡的,可能在局部区域发生疫情爆发导致该区域患病人数激增,是否会影响 sis 模型的演化过程和稳定性呢?相关研究表明,扩散速度的不同可能导致种群空间分布的差异,在低风险区域将达到无病平衡点,在高风险区域仍将达到地方病平衡点。
【本节完】
版权声明:
欢迎关注 『python小白的数学建模课 @ youcans』 原创作品
原创作品,转载必须标注原文链接:()。
copyright 2021 youcans, xupt
crated:2021-06-09
欢迎关注 『python小白的数学建模课 @ youcans』,每周更新数模笔记
python小白的数学建模课-01.新手必读
python小白的数学建模课-02.数据导入
python小白的数学建模课-03.线性规划
python小白的数学建模课-04.整数规划
python小白的数学建模课-05.0-1规划
python小白的数学建模课-06.固定费用问题
python小白的数学建模课-07.选址问题
python小白的数学建模课-09.微分方程模型
python小白的数学建模课-b2.新冠疫情 si模型
python小白的数学建模课-b3.新冠疫情 sis模型
python数模笔记-pulp库
python数模笔记-statsmodels统计回归
python数模笔记-sklearn
python数模笔记-networkx
python数模笔记-模拟退火算法
上一篇: 详解常见web攻击手段
下一篇: 基于Redis实现抽奖功能及问题小结