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：

1. 考察地区的总人数 n 不变，即不考虑生死或人口流动；
2. 人群分为易感者（s类）和患病者（i类）两类；
3. 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；
4. 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；
5. 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；
6. 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

\[\begin{align*} n\frac{di}{dt} = n \lambda s i - n \mu i \end{align*} \]

得：

\[\begin{align*} \frac{di}{dt} = \lambda i (1-i) - \mu i，\ i(0) = i_0 \end{align*} \]

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：

\[\begin{cases} \begin{aligned} & i(t)=\frac{i_0}{1+\lambda t i_0}&,\lambda = \mu\\ & i(t)=[\frac{\lambda}{\lambda-\mu} + (\frac{1}{i_0}-\frac{\lambda}{\lambda-\mu})*e^{-(\lambda - \mu) t}]^{-1} &,\lambda \neq \mu\\ \end{aligned} \end{cases}\\ \]

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：

1. 导入 scipy、numpy、matplotlib 包；
2. 定义导数函数 \(f(i,t)=\lambda i (1-i)- \mu i\) ；
3. 定义初值 \(y_0\) 和 \(y\) 的定义区间 \([t_0,\ t]\)；
4. 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：

1. 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。
2. 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。
3. 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