完整代码与注释：基于实际数据进行参数优化的SIR、SEIR、SI、SIRS、SEIRS-V、SIRD实现与可视化

人工智能技术小白修炼手册

已于 2024-02-05 14:09:49 修改

阅读量1.3k

点赞数 29

分类专栏：课程设计文章标签： python

于 2024-02-05 14:09:36 首次发布

本文链接：https://blog.csdn.net/m0_46573428/article/details/136040651

版权

项目介绍

这个项目旨在通过利用传染病模型，结合实际观测数据，实现对传染病传播过程的更准确预测。我们采用了多种经典传染病模型，包括SIR、SIR模型带有随机性、SEIR、SEIR模型带有随机性、SI、SIRS、SEIRS-V以及SIRD，并通过优化算法对模型参数进行调整，以最好地拟合现实世界的数据。

关键词

SIR、SIR model with stochasticity、SEIR、SEIR model with stochasticity、SI、SIRS、SEIRS-V、SIRD

项目思路

整个项目的实现逻辑可以分为以下几个关键步骤：

数据加载与处理：

从CSV文件中加载实际观测数据，包括累积确诊、治愈和死亡数据。
进行数据预处理，如索引设置和数据类型转换。

传染病模型定义：

实现多种传染病模型，包括SIR、SIR模型带有随机性、SEIR、SEIR模型带有随机性、SI、SIRS、SEIRS-V以及SIRD等。
每个模型都有相应的微分方程描述传播过程。

时间序列扩展：

通过扩展时间序列，使其覆盖预测范围，以匹配模型预测的时间点。

优化参数：

定义损失函数，用于衡量模型预测与实际数据的差异。
利用数学优化算法（例如L-BFGS-B）调整模型参数，以最小化损失函数。

模型预测：

使用优化后的参数，结合传染病模型和ODE求解器，对未来一定时间范围内的传播过程进行预测。
得到预测结果，包括感染者、康复者和死亡者的数量。

结果可视化：

将实际数据和模型预测结果可视化，以直观展示模型拟合效果。
使用Matplotlib等工具创建图表，包括感染者、康复者和死亡者随时间的变化趋势。

具体代码

SIR

在这里插入图片描述

#!/usr/bin/python
import numpy as np
import pandas as pd
from scipy.integrate import solve_ivp
from scipy.integrate import odeint
from scipy.optimize import minimize
import matplotlib.pyplot as plt
from datetime import timedelta, datetime

predict_range = 200
s_0=99998
i_0=2
r_0=0
class Learner(object):
    def __init__(self, loss, predict_range, s_0, i_0, r_0):
        self.loss = loss
        self.predict_range = predict_range
        self.s_0 = s_0
        self.i_0 = i_0
        self.r_0 = r_0
    def load_confirmed(self):
      df = pd.read_csv('02_SZ_DailyCases.csv')
      df.set_index(["Date"], inplace=True)
      dff=df["cummulative confirmed cases"]
      print(dff.T)
      return dff.T

    def load_recovered(self):
        df = pd.read_csv('02_SZ_DailyCases.csv')
        df.set_index(["Date"], inplace=True)
        dff = df["cummulative cured cases"]
        print(dff.T)
        return dff.T

    def load_dead(self):
        df = pd.read_csv('02_SZ_DailyCases.csv')
        df.set_index(["Date"], inplace=True)
        dff = df["cummulative dead cases"]
        print(dff.T)
        return dff.T

    def extend_index(self, index, new_size):
        values = index.values
        current = datetime.strptime(index[-1], '%m/%d/%y')
        while len(values) < new_size:
            current = current + timedelta(days=1)
            values = np.append(values, datetime.strftime(current, '%m/%d/%y'))
        return values

    def predict(self, beta, gamma, data, recovered, death, s_0, i_0, r_0):
        new_index = self.extend_index(data.index, self.predict_range)
        size = len(new_index)

        def SIR(t, y):
            S = y[0]
            I = y[1]
            R = y[2]
            return [-beta * S * I, beta * S * I - gamma * I, gamma * I]

        extended_actual = np.concatenate((data.values, [None] * (size - len(data.values))))
        extended_recovered = np.concatenate((recovered.values, [None] * (size - len(recovered.values))))
        extended_death = np.concatenate((death.values, [None] * (size - len(death.values))))
        return new_index, extended_actual, extended_recovered, extended_death, solve_ivp(SIR, [0, size],
                                                                                         [s_0, i_0, r_0],
                                                                                         t_eval=np.arange(0, size, 1))

    def train(self):
        recovered = self.load_recovered()
        death = self.load_dead()
        data = (self.load_confirmed() - recovered - death)

        optimal = minimize(loss, [0.001, 0.001], args=(data, recovered, self.s_0, self.i_0, self.r_0),
                           method='L-BFGS-B', bounds=[(0.00000001, 0.4), (0.00000001, 0.4)])
        print(optimal)
        beta, gamma = optimal.x
        new_index, extended_actual, extended_recovered, extended_death, prediction = self.predict(beta, gamma, data,
                                                                                                  recovered, death,

                                                                                                  self.s_0, self.i_0,
                                                                                                  self.r_0)
        df = pd.DataFrame(
            {
   'Infected data': extended_actual, 'Recovered data': extended_recovered, 'Death data': extended_death,
             'Susceptible': prediction.y[0], 'Infected': prediction.y[1], 'Recovered': prediction.y[2]},
            index=new_index)
        fig, ax = plt.subplots(figsize=(15, 10))
        # df.to_csv("result_SIR.csv")
        #ax.set_title(self.country)
        df.plot(ax=ax)
        print(f" beta={
     beta:.8f}, gamma={
     gamma:.8f}, r_0:{
     (beta / gamma):.8f}")
        # fig.savefig("result_SIR.png")


def loss(point, data, recovered, s_0, i_0, r_0):
    size = len(data)
    beta, gamma = point

    def SIR(t, y):
        S = y[0]
        I = y[1]
        R = y[2]
        return [-beta * S * I, beta * S * I - gamma * I, gamma * I]

    # Here
    # solution = odeint(SIR, [0, size], [s_0, i_0, r_0])
    solution = solve_ivp(SIR, [0, size], [s_0, i_0, r_0], t_eval=np.arange(0, size, 1), vectorized=True)

    l1 = np.sqrt(np.mean((solution.y[1] - data) ** 2))
    l2 = np.sqrt(np.mean((solution.y[2] - recovered) ** 2))
    alpha = 0.1
    return alpha * l1 + (1 - alpha) * l2


def main():
    learner = Learner(loss, predict_range, s_0, i_0, r_0)
    learner.train()


if __name__ == '__main__':
    main()

SIR model with stochasticity

在这里插入图片描述

#!/usr/bin/python
import numpy as np
import pandas as pd
from scipy.integrate import solve_ivp
from scipy.integrate import odeint
from scipy.optimize import minimize
import matplotlib.pyplot as plt
from datetime import timedelta, datetime
np.random.seed(42)  # for reproducibility
predict_range = 200
s_0=99998
i_0=2
r_0=0
class Learner(object):
    def __init__(self, loss, predict_range, s_0, i_0, r_0):
        self.loss = loss
        self.predict_range = predict_range
        self.s_0 = s_0
        self.i_0 = i_0
        self.r_0 = r_0
    def load_confirmed(self):
      df = pd.read_csv('02_SZ_DailyCases.csv')
      df.set_index(["Date"], inplace=True)
      dff=df["cummulative confirmed cases"]
      print(dff.T)
      return dff.T

    def load_recovered(self):
        df = pd.read_csv('02_SZ_DailyCases.csv')
        df.set_index(["Date"], inplace=True)
        dff = df["cummulative cured cases"]
        print(dff.T)
        return dff.T

    def load_dead(self):
        df = pd.read_csv('02_SZ_DailyCases.csv')
        df.set_index(["Date"], inplace=True)
        dff = df["cummulative dead cases"]
        print(dff.T)
        return dff.T

    def extend_index(self, index, new_size):
        values = index.values
        current = datetime.strptime(index[-1], '%m/%d/%y')
        while len(values) < new_size:
            current = current + timedelta(days=1)
            values = np.append(values, datetime.strftime(current, '%m/%d/%y'))
        return values

    def predict(self, beta, gamma, data, recovered, death, s_0, i_0, r_0, sigma=0.1):
        new_index = self.extend_index(data.index, self.predict_range)
        size = len(new_index)

        def SIR_stochastic

最低0.47元/天解锁文章

人工智能技术小白修炼手册

关注

29
点赞
踩
27

收藏

觉得还不错? 一键收藏
打赏
0
评论
完整代码与注释：基于实际数据进行参数优化的SIR、SEIR、SI、SIRS、SEIRS-V、SIRD实现与可视化

这个项目旨在通过利用传染病模型，结合实际观测数据，实现对传染病传播过程的更准确预测。我们采用了多种经典传染病模型，包括SIR、SIR模型带有随机性、SEIR、SEIR模型带有随机性、SI、SIRS、SEIRS-V以及SIRD，并通过优化算法对模型参数进行调整，以最好地拟合现实世界的数据。
复制链接

扫一扫