欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python小白的数学建模课-B3. 新冠疫情 SIS模型

程序员文章站 2022-03-01 20:26:57
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 ......

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。

Python小白的数学建模课-B3. 新冠疫情 SIS模型

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:

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

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 \(y_0\)\(y\) 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

Python小白的数学建模课-B3. 新冠疫情 SIS模型

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) \(\sigma \leq 1\)

Python小白的数学建模课-B3. 新冠疫情 SIS模型

\(\sigma<1\) 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

\(\sigma=1\) 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) \(\sigma > 1\)

Python小白的数学建模课-B3. 新冠疫情 SIS模型

Python小白的数学建模课-B3. 新冠疫情 SIS模型

\(\sigma>1\) 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

\(\sigma=1\) 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

Python小白的数学建模课-B3. 新冠疫情 SIS模型

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。

Python小白的数学建模课-B3. 新冠疫情 SIS模型

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. \(\sigma > 1\),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. \(\sigma \leq 1\),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