【SIER】基于SIRV模型的新型冠状病毒疫情预测附MATLAB仿真

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

🍎个人主页:Matlab科研工作室

🍊个人信条:格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

⛄ 内容介绍

目的拟合并预测新型冠状病毒肺炎(COVID-19)疫情的发展趋势,为疫情防控提供科学依据。方法基于SIRV动力学模型,考虑COVID-19的传播机制、感染谱、隔离措施等,建立SIRV传播动力学模型。基于官方公布的每日确诊病例数进行建模,利用2020年1月20日至2月7日的报告疫情数据进行拟合。采用2月8-12日的数据评估预测效果,并进行疫情预测。结果该模型对加拿大的累计确诊病例数的过去10日拟合偏差<5%;

⛄ 部分代码

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

% MATLAB Code for the fitting of the SIRV model proposed

% in the following work:

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%% Load data

clear all;clc;close all

population='Canada';

data = xlsread('COVID19-Data-Canada',population);

N=data(1,1);

I=data(:,2);

R=data(:,3);

D=data(:,4);

S=N*ones(size(I))-R-I;

startDate= datenum('17-Jul-2020'); %start day of the data

endDate=datenum('08-Jan-2021'); %end day of the data

tmonths=startDate:30:(endDate);

%% Fitting R0;

clear x y

yS=log(S/S(1)); 

yS=yS(1:end);

xS=R(1:end)-R(1)*ones(size(R(1:end)));

R0=-(xS\yS)*N;

%% Fitting for gamma

idx=1;

for t=2:length(I)

   

    xR(idx)=trapz(1:t,I(1:t));

    yR(idx)=R(t)-R(1);

    idx=idx+1;

end

gamma=xR'\yR';

beta=gamma*R0;

%% Fitting for mu

xD=R(1:end)-R(1);

yD=D(1:end)-D(1);

mu=xD\yD;

yDfit=mu*xD;

%% Simulate the identified model

dt=1/24;

T=length(I)-1+dt;

[par,rms]=fminsearch(@(par)RMS_SIRV(par,I(1:end)/N,R(1:end)/N,T,dt),[beta gamma]);

beta=par(1);

gamma=par(2);

R0=beta/gamma;

[~,x2,x3,~] = SIRV_model(0,beta,gamma,I(1)/N,R(1)/N,0,T,dt,zeros(1,T/dt));

Dfit=mu*(x3-x3(1))*N+D(1);

t=startDate:dt:endDate;

% Plot the figures

figure(4)

plot(t,x2*N,'LineWidth',1.5);grid on; hold on; box on;

stem(startDate:endDate,I(1:end),'o')

ylabel('Infected $I(t)$','Interpreter','latex','fontsize',15)

title(population,'Interpreter','latex','fontsize',15)

legend({'Fitted Model','Real Data'},'Interpreter','latex','fontsize',15)

ax=gca;

ax.XTick=tmonths;

xtickangle(90)

datetick('x','mmm-yy')

set(gca,'TickLabelInterpreter','latex','fontsize',15)

xlim([startDate endDate])

ax.YAxis.Exponent = 3;

ySfit = -R0*xS/N;

axes('position',[.25 .6 .25 .25])

hold on;grid on;box on

plot(xS+R(1),ySfit,'-.','LineWidth',2); 

scatter(xS+R(1),yS)

xlim([R(1) R(end)])

ylabel('$\log(S(t)/S(t_0))$','Interpreter','latex','fontsize',14)

xlabel('$R(t)$','Interpreter','latex','fontsize',14)

figure(5)

plot(t,x3*N,'LineWidth',1.5);grid on; hold on; box on;

stem(startDate:endDate,R(1:end),'o')

ylabel('Removed $R(t)$','Interpreter','latex','fontsize',15)

title(population,'Interpreter','latex','fontsize',15)

legend({'Fitted Model','Real Data'},'Interpreter','latex','fontsize',15)

ax=gca;

ax.XTick=tmonths;

xtickangle(90)

datetick('x','mmm-yy')

set(gca,'TickLabelInterpreter','latex','fontsize',15)

xlim([startDate endDate])

axes('position',[.25 .6 .25 .25])

hold on;grid on;box on

yRfit = gamma*xR;

plot(xR,yRfit+R(1),'-.','LineWidth',2); 

scatter(xR,yR+R(1))

ylabel('$R(t)$','Interpreter','latex','fontsize',14)

xlabel('$\int_{t_0}^tI(\tau)d\tau$','Interpreter','latex','fontsize',14)

figure(6)

plot(t,Dfit,'LineWidth',1.5);grid on; hold on; box on;

stem(startDate:endDate,D(1:end),'o')

ylabel('Deaths $D(t)$','Interpreter','latex','fontsize',15)

title(population,'Interpreter','latex','fontsize',15)

legend({'Fitted Model','Real Data'},'Interpreter','latex','fontsize',15)

ax=gca;

ax.YAxis.Exponent = 3;

ax.XTick=tmonths;

xtickangle(90)

datetick('x','mmm-yy')

set(gca,'TickLabelInterpreter','latex','fontsize',15)

xlim([startDate endDate])

axes('position',[.25 .6 .25 .25])

hold on;grid on;box on;

plot(xD+R(1),yDfit+D(1),'-.','LineWidth',2); 

scatter(xD+R(1),yD+D(1))

xlim([R(1) R(end)])

ylabel('$D(t)$','Interpreter','latex','fontsize',14)

xlabel('$R(t)$','Interpreter','latex','fontsize',14)

⛄ 运行结果

⛄ 参考文献

[1] 朱仁杰, 唐仕浩, 刘彤彤,等. 基于改进SIR模型的新型冠状病毒肺炎疫情预测及防控对疫情发展的影响[J]. 陕西师范大学学报:自然科学版, 2020, 48(3):6.

[2] 康观龙, 柳炳祥. 基于SIR模型的新型冠状病毒肺炎预测分析[J]. 中阿科技论坛(中英文), 2020, 000(006):P.151-153.

[3] 丁美丽, 彭润龙, 郭荣伟. 基于传染病模型的新冠肺炎传播问题研究[J]. 齐鲁工业大学学报, 2020, 34(6):9.

[4] 祁冬, 姜研, 姚传顺,等. 单能量技术结合ASIR-V算法在疑似新型冠状病毒肺炎患者行低剂量CT扫描中的应用价值[J]. 中国中西医结合影像学杂志, 2020, 018(005):453-457.

⛳️ 代码获取关注我

❤️部分理论引用网络文献,若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
数学建模优化模型的优点包括: 1. 提供系统化的问题分析和解决方法:数学建模优化模型能将复杂的实际问题转化为具有数学表达形式的模型,通过数学方法进行分析和求解,从而提供系统化的问题解决方法。 2. 提高问题解决效率:优化模型能够通过数学方法进行求解,避免了人工试错的过程,大大提高了问题解决的效率。 3. 能够考虑多个因素和约束:优化模型能够考虑多个因素和约束,例如经济性、可行性、可行解空间等,从而综合考虑问题的各个方面,得出最优解。 4. 可以应用于不同领域:数学建模优化模型是一种通用的方法,可以应用于不同领域,如工程、管理、经济等,解决各种实际问题。 数学建模优化模型的缺点包括: 1. 建模过程需要专业知识:建立数学模型需要一定的数学和领域知识,对于非专业人士来说,可能比较难以理解和应用。 2. 模型假设的局限性:优化模型通常基于一些假设前提,这些假设可能与实际情况存在差异,导致模型的准确性和适用性受到影响。 3. 模型求解的困难性:某些优化问题可能是复杂的非线性问题,求解过程可能需要耗费大量的时间和计算资源。 4. 对数据的依赖性:数学建模优化模型需要依赖于准确的输入数据,如果数据质量不高或者缺乏可靠的数据,可能会影响模型的准确性和可靠性。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值