微分方程预测模型（以传染病为例子）

一、背景

参考资料：收藏了一份博客，有考虑迁入迁出和死亡率，某个方程就加上

可使用对象：传染病的预测，海底or空气污染物的臭氧等的预测，

重点是：模型假设和模型改进的思想

数据如何可视化：画出感染者，易感者不同人群的数量变化

（所有方程式见PPT)

二、指数传播模型（基本）

模型假设：

1. 封闭区域，不考虑迁入和迁出

2.患病人数是连续可微的

3.每个病人单位时间内传染到的人数为常数

结果分析：

1.患病人数初期指数型增长

2.该模型适用于爆发初期（因为初期传染源和传染途径都不知道）

3.但是时间越久，感染人数越多，不符合

三、SI模型（拓展一下logistic模型）

模型假设：

1.人口总数是不变的（后面改进可以考虑迁入迁出，加死亡率）

2.两类人群：易感人群和已感人群，看他们的比例

3.日感染率：每个病人接触到的平均人数

结果分析：

1.传染病曲线，表示传染病人增加率与时间的关系

2.随着时间的推移，病人比例接近百分之百

3.传染高峰期！！！（重大意义：可以提前预防，即使用隔离手段，减少日感染率，就可以使得高峰期来的越晚。现实中可能在高峰期来之前就彻底解决了该传染病

四、SIS模型

模型改进：同时考虑感染和治愈

模型假设：

1.治愈比例

2.无免疫性

结果分析：

传染强度（病人日接触率：病人日治愈率）为一个阈值

五、SIR模型

模型改进：病愈后的病人具有免疫力

模型分析：

多个相互关联的系统变量之间的常微分方程，属于典型的系统动力学模型

六、SEIR模型

模型改进：再考虑病人具有潜伏期

七、其他

常微分方程在数据处理中的应用通常涉及对时间序列数据进行建模和分析。以下是一些常微分方程在数据处理中的具体应用：

1.系统动力学建模：常微分方程可以用来建模动态系统的行为，例如金融市场、生态系统、工业过程等。通过将系统的动力学描述为微分方程，可以更好地理解和预测系统的变化。
2.时间序列预测：微分方程模型可以用于对时间序列数据进行预测。通过考虑数据的导数，可以更准确地捕捉数据的趋势和周期性，从而提高预测的准确性。
3.信号处理：微分方程在信号处理中有广泛的应用。例如，在音频处理中，可以使用微分方程来建模声音信号的变化，以便去除噪音或实现其他信号处理操作。
4.图像处理：微分方程也可以用于图像处理。通过建立描述图像变化的微分方程，可以实现图像去噪、边缘检测和其他图像处理操作。
5.优化问题：微分方程常常用于解决优化问题。通过建立描述系统优化过程的微分方程，可以找到最优解，这在数据处理中常常涉及到最优化模型的构建。
6.控制系统设计：微分方程在控制系统设计中也有应用。通过对系统的动态行为建模，可以设计控制器以实现系统的期望行为。
7.深度学习中的微分方程：近年来，深度学习中引入了微分方程的概念。这包括使用微分方程来描述神经网络的动态行为，从而提高对时间序列数据的建模能力。

总体而言，常微分方程在数据处理中的应用使得我们能够更好地理解和利用时间序列数据的动态特性，从而更精确地分析和预测系统的行为。这对于许多领域，包括金融、生态学、信号处理等都具有重要意义。