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。
SEIR 模型考虑存在易感者、暴露者、患病者和康复者四类人群,适用于具有潜伏期、治愈后获得终身免疫的传染病。
本文详细给出了几种改进 SEIR 模型微分方程的思路、建模、例程和结果,让小白学会模型分析与改进。
『Python小白的数学建模课 @ Youcans』 带你从数模小白成为国赛达人。
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小白的数学建模课-B4.新冠疫情 SIR模型
Python小白的数学建模课-B5.新冠疫情 SEIR模型
Python小白的数学建模课-B6.改进 SEIR疫情模型
1. SEIR 基本模型
1.1 SEIR 模型的结构
SEIR 模型考虑存在易感者(Susceptible)、暴露者(Exposed)、患病者(Infectious)和康复者(Recovered)四类人群,适用于具有潜伏期、治愈后获得终身免疫的传染病。易感者(S 类)被感染后成为潜伏者(E类),随后发病成为患病者(I 类),治愈后成为康复者(R类)。这种情况更为复杂,也更为接近实际情况。
SEIR 模型的仓室结构示意图如下:
1.2 SEIR 模型的假设
考察地区的总人数 N 不变,即不考虑生死或迁移;
人群分为易感者(S 类)、暴露者(E 类)、患病者(I 类)和康复者(R 类)四类;
易感者(S 类)与患病者(I 类)有效接触即变为暴露者(E 类),暴露者(E 类)经过平均潜伏期后成为患病者(I 类);患病者(I 类)可被治愈,治愈后变为康复者(R 类);康复者(R类)获得终身免疫不再易感;
将第 t 天时 S 类、E 类、I 类、R 类人群的占比记为 \\(s(t)\\)、\\(e(t)\\)、\\(i(t)\\)、\\(r(t)\\),数量分别为 \\(S(t)\\)、\\(E(t)\\)、\\(I(t)\\)、\\(R(t)\\);初始日期 \\(t=0\\) 时,各类人群占比的初值为 \\(s_0\\)、\\(e_0\\)、\\(i_0\\)、\\(r_0\\);
日接触数 \\(\\lambda\\),每个患病者每天有效接触的易感者的平均人数;
日发病率 \\(\\delta\\),每天发病成为患病者的暴露者占暴露者总数的比例;
日治愈率 \\(\\mu\\),每天被治愈的患病者人数占患病者总数的比例,即平均治愈天数为 \\(1/\\mu\\);
传染期接触数 \\(\\sigma = \\lambda / \\mu\\),即每个患病者在整个传染期内有效接触的易感者人数。
1.3 SEIR 模型的微分方程
\\[\\begin{cases}
\\begin{align*}
& \\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{align*}
\\end{cases}
\\]
来源:https://www.cnblogs.com/youcans/p/15020719.html
图文来源于网络,如有侵权请联系删除。