- 在线时间
- 791 小时
- 最后登录
- 2022-11-28
- 注册时间
- 2017-6-12
- 听众数
- 15
- 收听数
- 0
- 能力
- 120 分
- 体力
- 35383 点
- 威望
- 11 点
- 阅读权限
- 255
- 积分
- 13558
- 相册
- 0
- 日志
- 0
- 记录
- 1
- 帖子
- 621
- 主题
- 542
- 精华
- 10
- 分享
- 0
- 好友
- 225
TA的每日心情 | 开心 2020-11-14 17:15 |
---|
签到天数: 74 天 [LV.6]常住居民II
群组: 2019美赛冲刺课程 群组: 站长地区赛培训 群组: 2019考研数学 桃子老师 群组: 2018教师培训(呼伦贝 群组: 2019考研数学 站长系列 |
问题的提出8 E' C5 R" _. B
医生们发现,在一个民族或地区,当某种传染病流传时,波及到的总人数大体上保持为一个常数。即既非所有人都会得病也非毫无规律,两次流行(同种疾病)的波及人数不会相差太大。如何解释这一现象呢?试用建模方法来加以证明。
+ ^. C. g2 g/ n
8 G$ u8 O1 b$ C. a1 x) C1 z4 x z. i指数模型, t# Q; J5 _1 L
定义已感染人数为i(t) i(t)i(t),假设每个病人单位时间有效接触(足以使人致病)的人数为λ \lambdaλ,那么,在时间段Δt \Delta tΔt内,病人的增量可以用如下的公式进行计算( O7 ~6 g* `; J
i(t+Δt)−i(t)=λi(t)Δt i(t+\Delta t) - i(t) = \lambda i(t)\Delta t
# v9 {" P5 U3 J+ [4 bi(t+Δt)−i(t)=λi(t)Δt; v, R/ \: W0 L9 l& ^- v
! Z9 `; L2 {( g, u
将i(t) i(t)i(t)移到等式的右边,我们得到如下的递推公式
* h# A' v" Q& n- v5 C/ i3 ui(t+Δt)=i(t)+λi(t)Δt i(t+\Delta t) = i(t) + \lambda i(t)\Delta t1 Z B7 [* U, ?0 \
i(t+Δt)=i(t)+λi(t)Δt
* b( E: H O/ t+ g; O/ v' p- j0 C+ K6 N, A' Q2 q' j
以上递推公式意味着,我们可以通过当前时刻的病人人数和致病参数λ \lambdaλ,计算得到Δt \Delta tΔt时间后的病人人数,将以上思想在Python中进行实现,代码如下。
c/ ^4 G4 P( D i) C# {0 O" L) q7 D$ t) R. u1 i. `4 w: @
import matplotlib.pyplot as plt
, x3 `2 w3 K' X0 a, a. k6 @4 {%matplotlib inline
( E; H. r& g2 r: y }6 UdeltaT = 0.015 v' Z' N* i8 o/ ]$ i
lamb = 2
8 a' h. t8 } I' W8 c' _5 q1 B( hi_list = []
$ t5 p; b; e7 u# w# a+ ^1 m' g- L/ ki0 = 0.08; # 初始有8%的人患病
3 D7 s7 U5 a/ X5 s, R" X/ ?i_list.append(i0)
4 ]9 j7 K5 i, g+ \7 @Tot_Time = 10/ ^, { k1 m) K2 w7 }
TotStep = int(Tot_Time/deltaT)
' _4 d' e) q# r9 e: Y6 K3 s, n9 _## " v% F q3 C9 ?
for i in range(TotStep):$ g4 y0 A' g- Q0 D2 i3 y! ^
i_new = i_list[-1] + lamb * i_list[-1] * deltaT
1 J5 D% U$ W' N i_list.append(i_new)
; u4 L' f6 x5 r9 {& I* ~plt.plot(i_list)
* _$ z( S V7 f( \, M! c/ @) o# d4 R6 G5 N: ]6 D8 k
将以上代码在Jupyter Notebook中运行,得到病人人数的变化趋势见下图,从中我们可以看到病人的增长是指数级的,在短短十天后,已经有3000万人患病!这显然不符合实际情况的,那么问题出在哪里了呢?
5 Z9 `+ p! W; E4 _- c/ x# R0 `3 u2 E" S9 d$ x( {) W
4 c) u; b% P5 p+ D
实际上,若病人解除的是病人,并不能够使病人再次患病,实际上以上的算法导致了重复计数现象的发生。解决办法:必须区分已感染者和未感染者。
: h, |- k7 ^: D2 K! @% X. R% p: F$ F& K8 |# o
SI模型
@7 n q5 \ F% d2 M. d5 G现在我们将人群分成两个群体:已感染者(病人,Infected)和未感染者(健康者,Suspect),该模型称为SI模型,模型假设:! [8 r1 h% M8 w
4 t0 j- }; a" N1 R6 k在研究时间内,不考虑死亡率和出生率,即总人数N NN不变,病人和健康人的比例分别为i(t) i(t)i(t)和s(t) s(t)s(t)7 X! z! [: E, y# V+ {0 o; c2 M
每个病人在单位时间内有效接触并致病的人数为λ \lambdaλ,且只有接触健康人才会致病,称λ \lambdaλ为日接触率1 X, x5 u! R- f7 J( c P
仿照指数模型里面的建模方法,在时间段Δt \Delta tΔt内,病人的增量可以用如下的公式进行计算$ @9 I: V" C/ u$ S! ^
5 f4 x2 J/ n1 r3 u+ T9 ?. LN[i(t+Δt)−i(t)]=[λs(t)]Ni(t)Δt N[i(t+\Delta t)-i(t)]=[\lambda s(t)] N i(t) \Delta t
8 b1 B# S& {; T$ |" p( S+ MN[i(t+Δt)−i(t)]=[λs(t)]Ni(t)Δt
V6 R4 {" C" n3 n. v, l9 Q: D, o0 K$ b& }3 K# A) c% f3 L
消去N NN,再将i(t) i(t)i(t)移到等式的右边,我们得到如下的递推公式
* v, F4 X) w0 `- g$ A7 C8 oi(t+Δt)=i(t)+λi(t)s(t)Δt i(t+\Delta t) = i(t) + \lambda i(t)s(t)\Delta t
! w% v9 @/ l9 z$ bi(t+Δt)=i(t)+λi(t)s(t)Δt
5 \( W; q1 w5 \# b0 x* ^9 t$ A* j' ]0 @! E* C3 m
同样地,我们可以通过当前时刻的病人人数和致病参数λ \lambdaλ,计算得到Δt \Delta tΔt时间后的病人人数,将以上思想在Python中进行实现,代码如下: L9 [; x4 S2 ^- {6 _ X
- \' w a# X$ p ` t7 \1 v5 n
import matplotlib.pyplot as plt
8 L* A" W& b7 ^% M( ]%matplotlib inline4 Q+ b5 F0 b. V
deltaT = 0.01
" y; S {$ \1 K) U5 T2 Rlamb = 2% i, W2 c8 f* w8 `- c/ F" }
i_list = []$ K3 }0 Q( D: c9 d4 ^2 H
s_list = []1 \- |# i" S9 t( p9 O
i0 = 0.08; # 初始有8%的人患病
7 A1 g/ N- B% l" `7 R( o+ z" [' @i_list.append(i0)0 c6 q# r0 F" o# @6 z4 P
s_list.append(1 - i0). J5 E6 h+ [ a
Tot_Time =5
4 |6 S; n; J/ y- LTotStep = int(Tot_Time/deltaT)
0 g6 e- i) v, M: ~* R## $ C& M3 d" Z# I1 F4 u/ G' C
for i in range(TotStep):( D6 Q: D( ^: G' o4 s; E
i_new = i_list[-1] + lamb * i_list[-1] * deltaT * s_list[-1]
) W2 S& w2 e+ N" R x. p i_list.append(i_new)/ c1 F% s0 Y, n
s_list.append(1- i_new)
- @6 P, _3 b5 K" V; e9 tTime = [i * deltaT for i in range(TotStep + 1)]
, @7 E9 R. T m$ F% K$ e! D. pplt.plot(Time,i_list)
7 L+ H; p3 O9 ~! T& F$ F6 R% X6 Q3 `plt.plot(Time,s_list)
; d3 j3 i. ^, f" h7 M) Oplt.title("SI",fontsize = 20)# B, J9 y1 w1 ]" y
plt.xlabel("Time")
: T% V# y, v/ |: m9 C cplt.ylabel('i(t)') O1 ~+ [" Y9 r& V5 Y# r
; e4 [. R. l8 _6 I! \2 k从SI模型我们可以看到,病人比例不再会出现"指数爆炸"的情况,在t→∞ t \rightarrow \inftyt→∞时最大患病比例为1。在SI模型中,病人数量的增长曲线是一个典型的S型曲线,又称为Logistic曲线,该曲线在生物学上经常被用来描述物种的增长模。( H: K8 N8 Y6 h- o: m
$ {& {; E- N) u# |
然后,SI模型的结论告诉我们,无论λ \lambdaλ多么小,最终人群都会患病,这显然也是不符合实际情况的。
% Y6 q4 ]$ d8 q9 E( m A. ?( u- h————————————————
9 v* L; s8 d5 q5 E版权声明:本文为CSDN博主「任公子ha」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。- O j" ?" L2 f5 \9 [/ b6 `
原文链接:https://blog.csdn.net/baidu_26746963/article/details/93918383
/ p+ p- E0 |- u& B- I! D1 j' a5 i/ V; `1 c/ a& h
2 J0 F9 @- g3 P$ ?
|
zan
|