基于改进SEIR模型的病毒传播动力学建模与疫情预测分析（以COVID-19新冠病毒为例，超详细，带matlab源码）

---

前言

  SEIR模型是现在较为成熟流行病预测模型，所研究的传染病具有一定时间的潜伏期，与患者接触的正常人并不会马上患病，而是成为病原体的携带者。
  传统的SEIR模型包含五大部分，即易感染者、潜伏者、患病者、康复者。
  本文多次改进了传统的SEIR模型，引入了死亡者、医疗隔离者、自我隔离者，使得模型更加完备准确。
  最终，模型的预测结果在5月7日前后总感染者达到了80,000人左右，与实际数据仅相差不到2000人。

---

一、数学基础知识

马尔可夫链
微分方程

---

符号定义

符号	单位	意义
N	人	总人数
S	人	易感染者
E	人	潜伏者
I	人	感染者
R	人	康复者
D	人	死亡者
F	人	自我隔离者
Q	人	医疗隔离者
h	常数	传播系数
a	常数	接触人数
b	常数	感染率
k	常数	感染者死亡率
f	常数	自我隔离速率
q	常数	医疗隔离速率
r	常数	感染者康复率
r_1	常数	隔离者康复率
k_1	常数	隔离者死亡率
c	常数	潜伏者转阴率
i	常数	转病率

---

二、传统SEIR模型的建立与求解

1.经典的SEIR传播动力学模型建立

  在建立经典SEIR模型时，我们同时引入死亡者。
  要建立经典SEIR传播动力学模型，需要将人类群体分为五大部分(易感染者、潜伏者、患病者、康复者、死亡者)，各个部分人群未来趋势走向具有相互转化的可能。
  其中，人群相互转化存在一定的比率关系，建立的关于各个部分人群未来趋势走向的SEIR传播动力学模型如下。

---

2.根据经典的SEIR模型列出微分方程并求解

  在新冠病毒传染病蔓延过程中，各部分人群未来趋势走向是按照一定的比率进行转化的。因此，根据上图经典的SEIR传播动力学模型构建微分方程。

$$\mathrm{d}\mathrm{S}/\mathrm{d}\mathrm{t}=-hIS/N$$$$\mathrm{d}\mathrm{E}/\mathrm{d}\mathrm{t}=hIS/N-iE$$$$\mathrm{d}\mathrm{I}/\mathrm{d}\mathrm{t}=\mathrm{i}\mathrm{E}-rI-kI$$$$dR/\mathrm{d}\mathrm{t}=rI$$$$dD/dt=kI$$

  将其看做马可夫链，我们假设后一天的状态只与前一天状态有关，故推出以下迭代方程。

$$S_{n+1}=S_n-h{I}_n{S}_n/N$$$$E_{n+1}=E_n+h{I}_n{S}_n/N-i{E}_n$$$$I_{n+1}=I_n+i{E}_n-r{I}_n-k{I}_n$$$$R_{n+1}=R_n+r{I}_n$$$$D_{n+1}=D_n+k{I}_n$$

  以我国数据为例，我们取a=20，b=0.03，最终得出传播系数h=0.6(以SARS为标准)，转病率i=0.125(潜伏期为2-14天，故取1/8)，康复率r=0.1，感染者死亡率k=0.05，将参数带入迭代方程并使用MATLAB求解得出如下结果。

  由上图可见，日最大存在的感染者达到了250,000,000左右，与实际的数据严重不符，这是因为经典的SEIR模型只考虑了无限制传播的情况，所以在后面我们将对经典模型进行进一步改进。

---

代码

%SEIR模型求解
clear;clc;
%参数设置
N = 1400000000;%人口数
I = 1;%传染者
R = 0;%康复者
D = 0;%死亡患者数量
E = 0;%潜伏者
S = N-I;%易感染者
a = 20;%感染者平均接触人数
b = 0.03;%感染率
h = a*b;%感染系数（以SARS为准）
i = 0.125;%潜伏者患病概率
r = 0.1;%康复概率
k = 0.05;%死亡概率
T = 1:500;
for idx =1:length(T)-1
    S(idx+1)=S(idx)-h*I(idx)*S(idx)/N;%易感人数迭代
    E(idx+1)=E(idx)+h*S(idx)*I(idx)/N-i*E(idx);%潜伏者人数迭代
    I(idx+1)=I(idx)+i*E(idx)-(r+k)*I(idx);%患病人数迭代
    R(idx+1)=R(idx)+r*I(idx);%康复人数迭代 
    D(idx+1)=D(idx)+k*I(idx);%死亡患者人数迭代
end
plot(T,S,T,E,T,I,T,R,T,D);
grid on;
xlabel('日期');
ylabel('人数');
legend('易感者','潜伏者','感染者','康复者','死亡者');
title('SEIR模型');

三、SEIR模型第一次修正

1.模型建立

  修正思路：由于此次新冠肺炎有未发病感染症状，故患者在潜伏阶段也会感染正常人，所以我们引入潜伏者感染系数h_1。
  同时，潜伏者还存在自愈转阴的情况，所以，同时引入潜伏者转阴率c。
  建模如下

---

2.模型求解

通过SEIR模型，我们可以得到如下微分方程:

$$\mathrm{d}\mathrm{S}/\mathrm{d}\mathrm{t}=-hIS/N-h_{1}ES/N+cE$$$$\mathrm{d}\mathrm{E}/\mathrm{d}\mathrm{t}=hIS/N{+h}_{1}ES/N-iE-cE$$$$\mathrm{d}\mathrm{I}/\mathrm{d}\mathrm{t}=\mathrm{i}\mathrm{E}-rI-kI$$$$dR/dt=rI$$$$dD/dt=kI$$

根据上述微分方程推出以下迭代方程:

$$S_{n+1}=S_n-h{I}_n{S}_n/N-{h_{1}I}_n{S}_n/N+c{E}_n$$$$E_{n+1}=E_n+h{I}_n{S}_n/N-i{E}_n-c{E}_n$$$$I_{n+1}=I_n+i{E}_n-r{I}_n-k{I}_n$$$$R_{n+1}=R_n+r{I}_n$$$$D_{n+1}=D_n+k{I}_n$$

---

  在原参数的基础上，取潜伏者感染系数h_1与感染者感染系数h相同，转阴率c=0.05。将参数代入第一次修正的SEIR模型，使用MATLAB求解,结果如下。

可以看到，引入潜伏者感染系数后，感染者大幅上升，爆发速度也更快，更加接近新冠病毒疫情的实际效果。

---

四、SEIR模型的第二次修正

1.模型建立

  修正思路:由于我国的快速响应，采取了定点医院隔离措施，积极收治感染者，故引入新的人群医疗隔离者Q，感染者被收治的速率为q，由于医院医疗条件较好，故医疗隔离者死亡率k_1与隔离者治愈率r_1应单独考虑。由于患者被严格隔离，所以其不具备传染性。
  第二次修正后SEIR模型如下:

---

2.模型求解

通过SEIR模型，我们得到如下微分方程:

$$\mathrm{d}\mathrm{S}/\mathrm{d}\mathrm{t}=-hIS/N-h_{1}ES/N+cE$$$$\mathrm{d}\mathrm{E}/\mathrm{d}\mathrm{t}=hIS/N{+h}_{1}ES/N-iE-cE$$$$\mathrm{d}\mathrm{I}/\mathrm{d}\mathrm{t}=\mathrm{i}\mathrm{E}-rI-kI-qI$$$$dR/dt=rI+r_{1}Q$$$$dD/dt=kI+k_{1}Q$$$$dQ/dt=qI-r_{1}Q-k_{1}Q$$

根据上述微分方程推出以下迭代方程:

$$S_{n+1}=S_n-h{I}_n{S}_n/N-{h_{1}I}_n{S}_n/N+c{E}_n$$$$E_{n+1}=E_n+h{I}_n{S}_n/N-i{E}_n-c{E}_n$$$$I_{n+1}=I_n+i{E}_n-r{I}_n-k{I}_n-{\mathrm{q}\mathrm{I}}_n$$$$R_{n+1}=R_n+r{I}_n+r_1{Q}_n$$$$D_{n+1}=D_n+k{I}_n+k_1{Q}_n$$$$Q_{n+1}={\mathrm{q}\mathrm{I}}_n-r_1{Q}_n-k_1{Q}_n$$

---

  由于我国响应快速，医疗措施较好，故取q=0.9，r_1=1.2r, k_1=0.05k。
  在原参数的基础上，将上述参数代入第二次修正的SEIR模型，并使用MATLAB求解，结果如下图所示。

  虽然日存在感染人数有所下降，可是几乎所有样本都被感染，最高日存在感染人数高达3.5亿(感染者与潜伏者的总数，即为总携带者)，仍偏离实际。这是因为在动态的转化中，所有的易感染者都处于不受保护的状态，最终都会变成感染者或潜伏者。
  此时的模型虽然定量分析偏离实际，但是定性来说，很好的符合了我国新冠肺炎疫情的情况，感染人数首先以指数增加，此时是病毒的爬升期;在数十天后达到峰值，迎来拐点;随后缓慢下降直到清零，治愈人数与死亡人数也同时趋于稳定。

---

五、SEIR模型的第三次修正

1.模型建立

  由于我国处理措施得当，及时进行了管制措施，使得感染者与潜伏者日接触人数a大幅下降，所以模型在采取管制措施后应当下调传染系数h。
  此外，由于民众自我隔离，每天都有易感染者S成为不易感染的自我隔离者F，其速率为f。现假设易感染者成为自我隔离者后绝对安全，不会被感染。
  第三次修正后SEIR模型如下。

---

2.模型求解

由以上SEIR模型可得以下微分方程:

$$\mathrm{d}\mathrm{E}/\mathrm{d}\mathrm{t}=hIS/N{+h}_{1}ES/N-iE-cE$$$$\mathrm{d}\mathrm{I}/\mathrm{d}\mathrm{t}=\mathrm{i}\mathrm{E}-rI-kI-qI$$$$dR/dt=rI+r_{1}Q$$$$dD/dt=kI+k_{1}Q$$$$dQ/dt=qI-r_{1}Q-k_{1}Q$$

当没有采取管制措施时:

$$\mathrm{d}\mathrm{S}/\mathrm{d}\mathrm{t}=-hIS/N-h_{1}ES/N+cE$$

当采取管制措施时:

$$\mathrm{d}\mathrm{S}/\mathrm{d}\mathrm{t}=-hIS/N-h_{1}ES/N+cE-fS$$

由于自我隔离者不会被感染，所以不用计算其人数。由以上微分方程可得以下迭代方程:

$$E_{n+1}=E_n+h{I}_n{S}_n/N-i{E}_n-c{E}_n$$$$I_{n+1}=I_n+i{E}_n-r{I}_n-k{I}_n-{\mathrm{q}\mathrm{I}}_n$$$$R_{n+1}=R_n+r{I}_n+r_1{Q}_n$$$$D_{n+1}=D_n+k{I}_n+k_1{Q}_n$$$$Q_{n+1}={\mathrm{q}\mathrm{I}}_n-r_1{Q}_n-k_1{Q}_n$$

当没有采取管制措施时:

$$S_{n+1}=S_n-h{I}_n{S}_n/N-{h_{1}I}_n{S}_n/N+c{E}_n$$

当采取管制措施时:

$$S_{n+1}=S_n-h{I}_n{S}_n/N-{h_{1}I}_n{S}_n/N+c{E}_n-f{S}_n$$

---

  根据我国情况，我们取a=5，f=0.3，在第31天采取管制措施。在原参数基础上，将以上参数代入第三次修正的模型，并使用MATLAB求解，结果如下。

  可以看到，SEIR模型经过改进后，日存在患者人数最高达到32000(感染者与潜伏者的总数，即为总携带者)，总患病人数达到约80000，与我国数据极为接近。

---

代码

%SEIR模型第三次修正，易感人群进行自我隔离
clear;clc;
%参数设置
N=1400000000;%人口数


%参数设置
N=1400000000;%人口数
I = 1;%传染者
R = 0;%康复者
D = 0;%死亡患者数量
E = 0;%潜伏者
S = N-I;%易感染者
Q = 0;%隔离者人数
Iq = I+Q;%现存总患病人数
F = 0;%自我隔离人数
sum_I = 1;%累计感染人数
a = 20;%感染者平均每日接触人数
b = 0.03;%平均感染率
h = a*b;%传染系数（以SARS为标准）
i = 0.125;%潜伏者患病概率
r = 0.1;%康复概率
k = 0.05;%死亡概率
r1 =r*1.15;%隔离者治愈率
q = 0.9;%隔离速率
d1 = k*0.05;%隔离者死亡率
f = 0.3;%自我隔离速率
day=31;%采取控制措施的天数
c = 0.05;%转阴率

T = 1:200;
for idx = 1:length(T)-1
    S(idx+1) = S(idx)-h*I(idx)*S(idx)/N-h*E(idx)*S(idx)/N+c*E(idx);%易感人数迭代
    E(idx+1) = E(idx)+h*I(idx)*S(idx)/N+h*E(idx)*S(idx)/N-i*E(idx)-c*E(idx);%潜伏者人数迭代
    I(idx+1) = I(idx)+i*E(idx)-(r+k)*I(idx)-q*I(idx);%患病人数迭代
    R(idx+1) = R(idx)+r*I(idx)+r1*Q(idx);%康复人数迭代
    D(idx+1) = D(idx)+k*I(idx)+d1*Q(idx);%死亡患者人数迭代
    Q(idx+1) = Q(idx)+q*I(idx)-r1*Q(idx)-d1*Q(idx);%隔离人数迭代
    Iq(idx+1) = I(idx)+Q(idx);%现存总患病人数迭代
    if idx == day
        a = 5;%采取控制措施后感染者平均接触人数
        h = a*b;%采取控制措施后感染系数
    end
    if idx>=day
        S(idx+1) = S(idx)-f*S(idx);%采取控制措施后潜伏者人数迭代
    end
    sum_I(idx+1) = sum_I(idx) + i*E(idx);%累计患病人数迭代(累计患病人数=前一天的患病人数+新增患病)
end
plot(T,E,T,I,T,R,T,D,T,Iq,T,sum_I);
grid on;
xlabel('日期');
ylabel('人数');
legend('潜伏者','感染者','康复者','死亡者','总感染人数','累计感染人数');
title('SEIR模型第三次修正');

---

六、模型检验

  带入上面的参数，将结果与国内实际情况对比

  可以看出，模型成功预测了爆发时间(19年12月前后)，拐点的到达时间，最终的总感染人数，总死亡人数，总治愈人数等。

---

  修改参数，与美国实际情况对比
  使N=330000000，转病率i=0.1，康复率r=0.09，死亡率k=0.02，医疗隔离速率q=0.2，自我隔离速率f=0.005，在第29天采取管制措施，其余参数与上面一致。

  以上数据均截止至5月7日

---

七、总结

  优点:该模型预测最终患病人数、最终死亡人数、拐点时间较为准确，可以准确判断疫情带来的影响。不但如此，模型可以根据数据估算出当前已经携带病毒的总人数(感染者与潜伏者的总数)，由此可以进一步确定应对措施。
  缺点:该趋势预测模型由于考虑的参数比较多，所以会存在一定的计算误差。而且由于对疫情考虑过于理想，所以对日存在患者数的预测不是特别准确。