数学建模【微分方程传染病预测模型】

一、模型简介

传染病预测问题

• 不同类型的传染病的发病机理和传播途径各有特点
• 有的传染病，在得过一次后可获得免疫力，但有的则不会
• 有的传染病具有潜伏期，有的则没有
• 需要对不同类型的传染病建立相应合适的预测模型

本篇介绍4个不同情况的模型：指数传播模型、SI模型、SIS模型、SIR模型

本篇重点：模型假设与模型改进的思想

二、模型分析

1.指数传播模型

①模型假设

• 假设所研究的区域是封闭区域，在一定时期内人口总量不变，不考虑迁入和迁出
• 在t时刻患病人数N(t)是随时间连续变化的、可微的函数
• 每个病人在单位时间内会传染到的人数为大于0的常数λ

②模型建立

• 设N(t)为t时刻患病人数，则t+△t时刻的患病人数为N(t+△t)
• 则从t→t+△t时间内，净增的患病人数为N(t+△t) - N(t)
• 根据假设3（每个病人在单位时间内会传染到的人数为大于0的常数λ），有：N(t+△t) - N(t) = λN(t)△t
• 注意，λ在模型中始终是常数

③微分方程

• 基于假设2，在N(t+△t) - N(t) = λN(t)△t等号两边同时除以△t，并令△t→0
• 可得微分方程

• 可求得该模型的解析解

④结果分析

• 该模型显示，患病人数是指数型增长的
• 该模型一般适用于传染病爆发初期
• 因为在初期，传染源和传染途径往往未知，难以防范
• 但是按照模型，t→∞时N(t)→∞，这显然是不符合实际的

⑤模型改进

• 封闭区域内人数有限，当患病人数越来越多时，健康人群的数量也就越来越少
• 那么单位时间内新增的人数（N(t)的导数）也会减少，毕竟没多少人可以被感染了
• 基于以上分析，对模型进行改进，建立SI模型

2.SI模型

①模型假设

• 人口总数：所研究的区域内人口总数为常数N，既不考虑生死，也不考虑迁移
• 两类人群：人群分为易感染者（susceptible）和已感染者（infective），设t时刻两类人群在总人口中所占的比例分别为s(t)和i(t)，显然s(t) + i(t) = 1
• 日感染率：每个病人在单位时间（每天）内接触的平均人数为常数λ，称为日感染率；当病人所接触的是健康者时，会将其感染成病人
• 不考虑治愈：每个病人得病后会在传染期内无法治愈，且不会死亡

注意事项

• 现实中，地区人数并不会真的为常数，总有出生率、死亡率、迁入和迁出率等
• 但如果把这些因素考虑进模型，模型会非常复杂；而本题的重心是传染病
• 再次强调模型假设的目的：简化问题

②模型建立和微分方程

• 细节：假设3中λ是1个病人单位时间接触的平均人数，接触的人中既有病人也有健康者
• 则1个病人单位时间内可使λs(t)个健康者变为病人
• 在t时刻病人总数Ni(t)，△t时间内会新增λs(t)Ni(t)△t个病人，则单位时间内新增病人数为

• 令△t→0，得微分方程

• 根据假设2，由于s(t) + i(t) = 1，所以可写作

• 设t = 0时，患病人数占总人口的比例为i(0) = i0，则SI模型：

• 求解该微分方程，得

• 该模型其实就是Logistic模型，i(t)是病人占总人口的比例，最大值为1，即当t→∞时，区域内所有人都被感染

③结果分析

• 医学上称di(t)/dt为传染病曲线，表示传染病人增加率与时间的关系，如下图所示

• 预测结果如下图所示，随着时间的推移，病人比例接近100%
• 当病人总量占总人口比值达到50%，即i = 0.5时，di/dt达到最大值，此时为传染高峰期
• 根据i(t)的表达式，可得高峰期对应时刻

• 高峰期对应时刻在医学上具有重要意义
• 提前预防：若已知日接触率λ（统计调查等），可预测高峰期到来的时间，做好应对准备
• 由于高峰期时刻与λ成反比，若能减小λ（隔离、戴口罩等），则高峰期时刻将变大
• 也就意味着传染病高峰期来得越晚，现实中可能在高峰期到来之前就彻底解决了该传染病
• 注意：比赛时需要根据数学结果，分析求解结果的现实意义，写进论文

④模型改进

• 但SI模型中未考虑病人得病后可以治愈，t→∞是i(t)→1，即最后所有人都被感染
• 问题源自模型假设中只有健康者变为病人，但病人不会变为健康者，显然不合理
• 进一步分析问题，可建立SIS模型

3.SIS模型

①模型假设

SIS模型在SI模型假设的基础上，进一步假设

• 治愈比例：每天被治愈的病人人数占病人总数的比例为μ，且1/μ 为该传染病的平均传染期，即从患病到治愈的天数
• 无免疫性：病人被治愈后成为仍可被感染的健康者

②模型建立和微分方程

由假设可得SIS模型：

该模型的解析解为：

令σ = λ / μ为传染强度，代表的是每个患病者在整个传染期 1/μ 天内，有效接触的易感者人数，即接触数，带入上面的公式，得微分方程和解析解：

③结果分析

根据解析解，当t→∞时，可得：

④模型改进

• SIS分析是建立在假设“无免疫性：病人被治愈后成为仍可被感染的健康者”的基础上
• 进一步考虑现实中天花、麻疹、流感、肝炎等疾病经治愈后均有很强的免疫力
• 病愈后的人因已具有免疫力，既非易感染者也非病人（已感染者），即这部分人已退出感染系统，再也不会被感染成患者
• 因此，考虑免疫性，改进为SIR模型

4.SIR模型

①模型假设

• 人群分易感者（susceptible）、病人（infective）和病愈后有免疫力而退出系统的移除者（removal）
• 设任意时刻t，这三类人群占总人口的比例分别为s(t)，i(t)和r(t)
• 病人的日接触率为λ，日治愈率为μ
• 人口总数N为固定常数，既不考虑生死，也不考虑迁移

②模型建立

• 对于全体人群：s(t) + i(t) + r(t) = 1
• 对于移除者：Ndr/dt = μNi(t)
• 对于患者：Ndi/dt = λNs(t)i(t) - μNi(t)
• 对于健康者：Nds/dt = -λNs(t)i(t)

则有

③模型分析

• SIR模型形式是多个相互关联的系统变量之间的常微分方程组，属于典型的系统动力学模型
• 更复杂的情况，考虑有些传染病具有潜伏期，考虑一类人为潜伏者，建立SEIR模型
• 类似的问题:河流各类污染物质的耗氧、复氧、吸附、沉降等
• 该类问题往往难以求得精确的解析解，可以使用MATLAB求数值解