Python：SEIR传染病模型

Hello，大家好！好久没有更新了，今天给大家介绍一个非常经典的模型——SEIR传染病模型！

模型介绍

传染病的基本数学模型，研究传染病的传播速度、空间范围、传播途径、动力学机理等问题，以指导对传染病的有效地预防和控制。常见的传染病模型按照传染病类型分为 SI、SIR、SIRS、SEIR 模型等，按照传播机理又分为基于常微分方程、偏微分方程、网络动力学的不同类型。

S、E、I、R代表的含义

S、E、I、R是传染病流行范围内的四类人群：易感者(Susceptible)、暴露者(Exposed)、感染者(Infectious)、康复者(Recovered)

类型	解释
易感者(Susceptible)	未得病者，但缺乏免疫能力，与感染者接触后容易受到感染
暴露者(Exposed)	接触过感染者，但暂无能力传染给其他人的人，对潜伏期长的传染病适用
感染者(Infectious)	染上传染病的人，可以传播给 S 类成员，将其变为 E 类或 I 类成员
康复者(Recovered)	被隔离或因病愈而具有免疫力的人。如免疫期有限，R 类成员可以重新变为 S 类

注：有些文章里面对于R的解释会用抵抗者(Resistant)来解释，会将死亡人群也划分在R中。

模型建立

变量解释

变量	解释
$S$	易感者人数
$E$	潜伏者人数
$I$	感染者人数
$R$	康复者人数
$r_1$	每个感染者每天接触的平均人数
$r_2$	每个潜伏着每天接触的平均人数
${\beta }_1$	易感者被感染者感染的概率
${\beta }_2$	易感者被潜伏者感染的概率
$\alpha$	潜伏者转化为感染者的概率（潜伏期的倒数）
$\gamma$	康复概率
$N$	总人数

建立微分方程

$$\begin{gathered} \frac{dS}{dt}=-\frac{r_1\beta IS}{N}-\frac{r_2{\beta }_{2}ES}{N} \\ \frac{dE}{dt}=\frac{r_1{\beta }_{1}IS}{N}+\frac{r_2{\beta }_{2}ES}{N}-\alpha E \\ \frac{dI}{dt}=\alpha E-\gamma I \\ \frac{dR}{dt}=\gamma I \end{gathered}$$

转化迭代形式

以$\frac{dS}{dt}=-\frac{r_1\beta IS}{N}-\frac{r_2{\beta }_{2}ES}{N}$为例

$$\frac{dS}{dt}=-\frac{r_1\beta IS}{N}-\frac{r_2{\beta }_{2}ES}{N}$$
左右两边求积分
$${\int }_{n-1}^n\frac{dS}{dt}dt={\int }_{n-1}^n(-\frac{r_1\beta IS}{N}-\frac{r_2{\beta }_{2}ES}{N})dt$$
等号右边使用左矩形公式（${\int }_a^{b}f(x)dx\approx (b-a)f(a)$）
$$S_n-S_{n-1}=-\frac{r_1{\beta }_1{I}_{n-1}{S}_{n-1}}{N}-\frac{r_2{\beta }_2{E}_{n-1}{S}_{n-1}}{N}$$
整理得
$$S_n=S_{n-1}-\frac{r_1{\beta }_1{I}_{n-1}{S}_{n-1}}{N}-\frac{r_2{\beta }_2{E}_{n-1}{S}_{n-1}}{N}$$

同理可得
$$\begin{gathered} S_n=S_{n-1}-\frac{r_1{\beta }_1{I}_{n-1}{S}_{n-1}}{N}-\frac{r_2{\beta }_2{E}_{n-1}{S}_{n-1}}{N} \\ {E}_n=E_{n-1}+\frac{r_1{\beta }_1{I}_{n-1}{S}_{n-1}}{N}+\frac{r_2{\beta }_2{E}_{n-1}{S}_{n-1}}{N}-\alpha E_{n-1} \\ {I}_n=I_{n-1}+\alpha E_{n-1}-\gamma I_{n-1} \\ {R}_n=R_{n-1}+\gamma I_{n-1} \end{gathered}$$

Python实现

首先，定义S、E、I、R四类人群，并设置初始人数：

N = 96400000  # 人口总数
E = []  # 潜伏携带者
E.append(0)
I = []  # 传染者
I.append(17)
S = []  # 易感者
S.append(N - I[0])
R = []  # 抵抗者
R.append(0)

设置各参数的初始值：

r = 21  # 传染者接触人数
b = 0.048  # 传染者传染概率
a = 0.13  # 潜伏者患病概率
r2 = 21  # 潜伏者接触人数
b2 = 0.048  # 潜伏者传染概率
y = 0.066  # 康复概率
T = [i for i in range(0, 160)]  # 时间

利用迭代公式计算每一天四类群体的人数：

for i in range(0, len(T) - 1):
    S.append(S[i] - r * b * S[i] * I[i] / N - r2 * b2 * S[i] * E[i] / N)
    E.append(E[i] + r * b * S[i] * I[i] / N - a * E[i] + r2 * b2 * S[i] * E[i] / N)
    I.append(I[i] + a * E[i] - y* I[i])
    R.append(R[i] + y * I[i])

最后，可视化来看下模拟的效果*（完整代码已封装，文末关注公众号即可获得）*：

if __name__ == "__main__":
    T = [i for i in range(160)]
    s = SEIR(T, 96400000, 0, 17, 0, 21, 21, 0.048, 0.048, 0.13, 0.066)
    s.plot()

总结

传染病模型是一个非常经典的模型，不仅可以用在疾病的传播模拟上，经济领域、网络舆情传播等都可以使用。并且本文仅仅做了最简单的建模，里面的各类参数的设定都可以根据具体问题或实际情况，做更优的调整。

获得源代码

关注公众号，回复“SEIR”即可获得源代码，谢谢大家支持！