用Python在地图上模拟疫情扩散

用Python在地图上模拟疫情扩散

受杰森的《Almost Looks Like Work》启发，我来展示一些病毒传播模型。需要注意的是这个模型并不反映现实情况，因此不要误以为是西非可怕的传染病。相反，它更应该被看做是某种虚构的僵尸爆发现象。那么，让我们进入主题。

这就是SIR模型，其中字母S、I和R反映的是在僵尸疫情中，个体可能处于的不同状态。

• S 代表易感群体，即健康个体中潜在的可能转变的数量。
• I 代表染病群体，即僵尸数量。
• R 代表移除量，即因死亡而退出游戏的僵尸数量，或者感染后又转回人类的数量。但对与僵尸不存在治愈者，所以我们就不要自我愚弄了（如果要把SIR模型应用到流感传染中，还是有治愈者的）。

至于β(beta)和γ(gamma):

• β(beta)表示疾病的传染性程度，只要被咬就会感染。
• γ(gamma)表示从僵尸走向死亡的速率，取决于僵尸猎人的平均工作速率，当然，这不是一个完美的模型，请对我保持耐心。

S′=−βIS告诉我们健康者变成僵尸的速率，S′是对时间的导数。

I′=βIS−γI告诉我们感染者是如何增加的，以及行尸进入移除态速率（双关语）。

R′=γI只是加上(gamma I)，这一项在前面的等式中是负的。

上面的模型没有考虑S/I/R的空间分布，下面来修正一下！

一种方法是把瑞典和北欧国家分割成网格，每个单元可以感染邻近单元，描述如下：

实验完整代码如下：

Main.py

# -*- coding: utf-8 -*-
import numpy as np
import math
import matplotlib.pyplot as plt    
from matplotlib import rcParams
import matplotlib.image as mpimg
from PIL import Image

rcParams['font.family'] = 'serif'
rcParams['font.size'] = 16
rcParams['figure.figsize'] = 12, 8


beta = 0.010
gamma = 1

def euler_step(u, f, dt):
    return u + dt * f(u)

def f(u):
    S = u[0]
    I = u[1]
    R = u[2]

    new = np.array([-beta*(S[1:-1, 1:-1]*I[1:-1, 1:-1] + \
                            S[0:-2, 1:-1]*I[0:-2, 1:-1] + \
                            S[2:, 1:-1]*I[2:, 1:-1] + \
                            S[1:-1, 0:-2]*I[1:-1, 0:-2] + \
                            S[1:-1, 2:]*I[1:-1, 2:]),
                     beta*(S[1:-1, 1:-1]*I[1:-1, 1:-1] + \