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] + \