sirs模型_基于plotly的数据可视化——经典传染病模型

最新推荐文章于 2024-02-21 14:23:44 发布
最新推荐文章于 2024-02-21 14:23:44 发布
阅读量1.8k 收藏 34
点赞数 1
文章标签： sirs模型

e93645571af7c3131b11345c5e7a464c.png

本文只讲述如何使用Python将模型中的微分方程进行可视化，具体各个模型的理论细节，请移步其他专业传染病动力学文章。

SI模型

SI模型只适合研究具有高传染风险又不能被治愈的病（比如HIV）已经患病的人就不能再被传染了 。人群分为两类 ：易感者（S-susceptiable）和感染者（I-infective）

SI-Model

#SI-Model

import scipy.integrate as spi
import numpy as np
import plotly as py
import plotly.graph_objects as go
pyplt = py.offline.plot

fig = go.Figure()
# N为人群总数
N = 10000
# β为传染率系数
beta = 0.25
# gamma为恢复率系数
gamma = 0
# I_0为感染者的初始人数
I_0 = 1
# S_0为易感者的初始人数
S_0 = N - I_0
# T为传播时间
T = 150

# INI为初始状态下的数组
INI = (S_0,I_0)

def funcSI(inivalue,_):
    Y = np.zeros(2)
    X = inivalue
    # 易感个体变化
    Y[0] = - (beta * X[0] * X[1]) / N + gamma * X[1]
    # 感染个体变化
    Y[1] = (beta * X[0] * X[1]) / N - gamma * X[1]
    return Y

T_range = np.arange(0,T + 1)

RES = spi.odeint(funcSI,INI,T_range)

fig.add_trace(go.Scatter(
    y = RES[:,0],
    mode = 'lines', # 线性图
    name = '感染者'
))

fig.add_trace(go.Scatter(
    y = RES[:,1],
    mode = 'lines', # 线性图
    name = '易感者'
))

fig.update_layout(
    yaxis={'title':'人数'},
    xaxis={'title':'天数'},
    title={'text':'SI-Model','xref':'paper','x':0.5,},
    hovermode="x",
    #height=600,
    template="plotly_white",
)

fig.show()

4dacb86b1f2a32a086a6cba5bd887fce.png
SI-Model

SIS模型

SIS模型适合研究具有传染性和反复性的流行病，和SI模型做比较，区别就是计算感染者的增加数时要 减去被治愈的人数

SIS-Model 

#SIS-Model

import scipy.integrate as spi
import numpy as np
import plotly.graph_objects as go
pyplt = py.offline.plot


fig = go.Figure()
# N为人群总数
N = 10000
# β为传染率系数
beta = 0.25
# gamma为恢复率系数
gamma = 0.05
# I_0为感染者的初始人数
I_0 = 1
# S_0为易感者的初始人数
S_0 = N - I_0
# T为传播时间
T = 150

# INI为初始状态下的数组
INI = (S_0,I_0)


def funcSIS(inivalue,_):
    Y = np.zeros(2)
    X = inivalue
    # 易感个体变化
    Y[0] = - (beta * X[0]) / N * X[1] + gamma * X[1]
    # 感染个体变化
    Y[1] = (beta * X[0] * X[1]) / N - gamma * X[1]
    return Y

T_range = np.arange(0,T + 1)

RES = spi.odeint(funcSIS,INI,T_range)


fig.add_trace(go.Scatter(
    y = RES[:,0],
    mode = 'lines', # 线性图
    name = '感染者'
))

fig.add_trace(go.Scatter(
    y = RES[:,1],
    mode = 'lines', # 线性图
    name = '易感者'
))

fig.update_layout(
    yaxis={'title':'人数'},
    xaxis={'title':'天数'},
    title={'text':'SIS-Model','xref':'paper','x':0.5,},
    hovermode="x",
    #height=600,
    template="plotly_white",
)

fig.show()

a5d569a69f66dbcc0321b1415e2cd615.png
SIS-Model

SIR模型

SIR模型适合研究没有潜伏期的急性传染病，治疗后能够痊愈并具有抗病性。模型加入移出者（Removed），即被治愈的病人不会再被传染。

SIR-Model

#SIR-Model
import scipy.integrate as spi
import numpy as np
import plotly.graph_objects as go
pyplt = py.offline.plot

fig = go.Figure()
# N为人群总数
N = 10000
# β为传染率系数
beta = 0.25
# gamma为恢复率系数
gamma = 0.05
# I_0为感染者的初始人数
I_0 = 1
# R_0为治愈者的初始人数
R_0 = 0
# S_0为易感者的初始人数
S_0 = N - I_0 - R_0
# T为传播时间
T = 150

# INI为初始状态下的数组
INI = (S_0,I_0,R_0)


def funcSIR(inivalue,_):
    Y = np.zeros(3)
    X = inivalue
    # 易感个体变化
    Y[0] = - (beta * X[0] * X[1]) / N
    # 感染个体变化
    Y[1] = (beta * X[0] * X[1]) / N - gamma * X[1]
    # 治愈个体变化
    Y[2] = gamma * X[1]
    return Y

T_range = np.arange(0,T + 1)

RES = spi.odeint(funcSIR,INI,T_range)

fig.add_trace(go.Scatter(
    y = RES[:,0],
    mode = 'lines', # 线性图
    name = '感染者'
))

fig.add_trace(go.Scatter(
    y = RES[:,1],
    mode = 'lines', # 线性图
    name = '易感者'
))
fig.add_trace(go.Scatter(
    y = RES[:,2],
    mode = 'lines', # 线性图
    name = '治愈者'
))

fig.update_layout(
    yaxis={'title':'人数'},
    xaxis={'title':'天数'},
    title={'text':'SIR-Model','xref':'paper','x':0.5,},
    hovermode="x",
    #height=600,
    template="plotly_white",
)

fig.show()

ef35be34e5e687ee60cda8839ba5e6ee.png
SIR-Model

SIRS模型

现实情况却是部分传染病并不会痊愈后拥有终身抗体，即被治愈的病人 仍会再被传染。SIRS模型相对SIR模型加入抗体时间

SIRS-Model

#SIRS-Model
import scipy.integrate as spi
import numpy as np
import plotly.graph_objects as go
pyplt = py.offline.plot
fig = go.Figure()
# N为人群总数
N = 10000
# β为传染率系数
beta = 0.25
# gamma为恢复率系数
gamma = 0.05
# Ts为抗体持续时间
Ts = 15
# I_0为感染者的初始人数
I_0 = 1
# R_0为治愈者的初始人数
R_0 = 0
# S_0为易感者的初始人数
S_0 = N - I_0 - R_0
# T为传播时间
T = 150

# INI为初始状态下的数组
INI = (S_0,I_0,R_0)


def funcSIRS(inivalue,_):
    Y = np.zeros(3)
    X = inivalue
    # 易感个体变化
    Y[0] = - (beta * X[0] * X[1]) / N + X[2] / Ts
    # 感染个体变化
    Y[1] = (beta * X[0] * X[1]) / N - gamma * X[1]
    # 治愈个体变化
    Y[2] = gamma * X[1] - X[2] / Ts
    return Y

T_range = np.arange(0,T + 1)

RES = spi.odeint(funcSIRS,INI,T_range)

fig.add_trace(go.Scatter(
    y = RES[:,0],
    mode = 'lines', # 线性图
    name = '感染者'
))

fig.add_trace(go.Scatter(
    y = RES[:,1],
    mode = 'lines', # 线性图
    name = '易感者'
))
fig.add_trace(go.Scatter(
    y = RES[:,2],
    mode = 'lines', # 线性图
    name = '治愈者'
))

fig.update_layout(
    yaxis={'title':'人数'},
    xaxis={'title':'天数'},
    title={'text':'SIRS-Model','xref':'paper','x':0.5,},
    hovermode="x",
    #height=600,
    template="plotly_white",
)

fig.show()

91a6282ef0beb03b0865fd02a5f36774.png
SIRS-Model

SEIR模型

SIR模型忽略了太多因素了导致和实际情况有较大出入，比如潜伏期，药物，出生死亡等等。接来下可以把 潜伏期考虑进去，新增一个人群，叫 潜伏者E（exposed）

SEIR-Model

#SEIR-Model
import scipy.integrate as spi
import numpy as np
import plotly.graph_objects as go
pyplt = py.offline.plot
fig = go.Figure()

# N为人群总数
N = 10000
# β为传染率系数
beta = 0.5
# gamma为恢复率系数
gamma = 0.1
# Te为疾病潜伏期
Te = 14
# I_0为感染者的初始人数
I_0 = 1
# E_0为潜伏者的初始人数
E_0 = 0
# R_0为治愈者的初始人数
R_0 = 0
# S_0为易感者的初始人数
S_0 = N - I_0 - E_0 - R_0
# T为传播时间
T = 150

# INI为初始状态下的数组
INI = (S_0,E_0,I_0,R_0)


def funcSEIR(inivalue,_):
    Y = np.zeros(4)
    X = inivalue
    # 易感个体变化
    Y[0] = - (beta * X[0] * X[2]) / N
    # 潜伏个体变化
    Y[1] = (beta * X[0] * X[2]) / N - X[1] / Te
    # 感染个体变化
    Y[2] = X[1] / Te - gamma * X[2]
    # 治愈个体变化
    Y[3] = gamma * X[2]
    return Y

T_range = np.arange(0,T + 1)

RES = spi.odeint(funcSEIR,INI,T_range)

fig.add_trace(go.Scatter(
    y = RES[:,0],
    mode = 'lines', # 线性图
    name = '易感者'
))

fig.add_trace(go.Scatter(
    y = RES[:,1],
    mode = 'lines', # 线性图
    name = '潜伏者',
    line=dict(color="yellow")
))
fig.add_trace(go.Scatter(
    y = RES[:,2],
    mode = 'lines', # 线性图
    name = '感染者',
    line=dict(color="red")
))
fig.add_trace(go.Scatter(
    y = RES[:,3],
    mode = 'lines', # 线性图
    name = '治愈者',
    line=dict(color="green")
))

fig.update_layout(
    yaxis={'title':'人数'},
    xaxis={'title':'天数'},
    title={'text':'SERI-Model','xref':'paper','x':0.5,},
    hovermode="x",
    #height=600,
    template="plotly_white",
)

fig.show()

13c682dbb26277249d1b689a69658ebb.png
SERI-Model

SEIRS模型

SEIRS模型即对SEIR模型 添加抗体存在时长

SEIRS-Model

#SEIRS-Model
import scipy.integrate as spi
import numpy as np
import plotly.graph_objects as go
pyplt = py.offline.plot
fig = go.Figure()

# N为人群总数
N = 10000
# β为传染率系数
beta = 0.5
# gamma为恢复率系数
gamma = 0.1
# Ts为抗体持续时间
Ts = 15
# Te为疾病潜伏期
Te = 14
# I_0为感染者的初始人数
I_0 = 1
# E_0为潜伏者的初始人数
E_0 = 0
# R_0为治愈者的初始人数
R_0 = 0
# S_0为易感者的初始人数
S_0 = N - I_0 - E_0 - R_0
# T为传播时间
T = 150

# INI为初始状态下的数组
INI = (S_0,E_0,I_0,R_0)


def funcSEIRS(inivalue,_):
    Y = np.zeros(4)
    X = inivalue
    # 易感个体变化
    Y[0] = - (beta * X[0] * X[2]) / N + X[3] / Ts
    # 潜伏个体变化
    Y[1] = (beta * X[0] * X[2]) / N - X[1] / Te
    # 感染个体变化
    Y[2] = X[1] / Te - gamma * X[2]
    # 治愈个体变化
    Y[3] = gamma * X[2] - X[3] / Ts
    return Y

T_range = np.arange(0,T + 1)

RES = spi.odeint(funcSEIRS,INI,T_range)

fig.add_trace(go.Scatter(
    y = RES[:,0],
    mode = 'lines', # 线性图
    name = '易感者'
))

fig.add_trace(go.Scatter(
    y = RES[:,1],
    mode = 'lines', # 线性图
    name = '潜伏者',
    line=dict(color="orange")
))
fig.add_trace(go.Scatter(
    y = RES[:,2],
    mode = 'lines', # 线性图
    name = '感染者',
    line=dict(color="red")
))
fig.add_trace(go.Scatter(
    y = RES[:,3],
    mode = 'lines', # 线性图
    name = '治愈者',
    line=dict(color="green")
))

fig.update_layout(
    yaxis={'title':'人数'},
    xaxis={'title':'天数'},
    title={'text':'SERIS-Model','xref':'paper','x':0.5,},
    hovermode="x",
    #height=600,
    template="plotly_white",
)

fig.show()

143fb5dffcd3748974dc1a58b99bfa8b.png
SERIS-Model
病毒其实不可怕，你宅我宅它就挂
病毒其实不可怕，戴好口罩它也挂

参考：

关于传染病的数学模型有哪些？​www.zhihu.com
363fc313654168a2e1d3d5eef1b461d1.png
关于传染病的数学模型有哪些？​www.zhihu.com
fd1db1c8609d9317a05c6b69d5d04c2a.png
https://www.bilibili.com/video/av85508117​www.bilibili.com
weixin_39769703
关注
  • 1
    点赞
  • 踩
  • 34
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
传染病学模型 | Matlab实现SIRS传染病学模型 (SIRS Epidemic Model)
算法如诗的博客
05-23 917
传染病学模型 | Matlab实现SIRS传染病学模型 (SIRS Epidemic Model)
sirs模型_用Python网络理论来构建疾病传播模型
weixin_39523625的博客
11-22 1360
目前整个世界同新冠肺炎的斗争仍在继续，从新冠肺炎爆发以来，很多人都提出了各种各样的模型来预测肺炎疫情的发展，其中比较常见的就是SIR模型。这是因为SIR是目前疾病防控领域最经典也是最常用的一个模型，而今天笔者就用图论来讲述一下SIR模型。首先对SIR模型做一个简单的介绍，SIR全称就是Susceptible—Infected—Recovered，翻译过来就是易感—感染—康复，即易感人群Suscep...
新冠疫情数据可视化分析
xm-love-mq的博客
02-21 1494
'Iran': '伊朗', 'Iraq': '伊拉克', 'Iceland': '冰岛', 'Israel': '以色列', 'Italy': '意大利', 'Jamaica': '牙买加', 'Jordan': '约旦','Germany': '德国', 'Djibouti': '吉布提', 'Denmark': '丹麦', 'Algeria': '阿尔及利亚', 'Ecuador': '厄瓜多尔', 'Egypt': '埃及',
具有阶段结构的SIRS传染病模型
04-28
具有阶段结构的SIRS传染病模型.....
docker之传染病可视化系统
liuyishou
07-28 773
传染病可视化系统罢了
传染病模型.rar_SIRS模型_correctqaa_sirs传染病模型_传染病 网络_网络 传染病
07-15
小世界网络中的SIRS传染病模型实现。该模型将动物状态分为三个类别：易感状态（S）、传染状态（I）、移出状态（R），易感状态的动物在与感染状态的动物接触过程中会以一定概率被传染状态的动物传染而患病；传染状态的动物可以一定的概率将疾病传染给接触到的动物；传染状态的动物在经历一段时间之后得到痊愈并且不再会收到感染，也不会对其他动物造成威胁，即相当于从整体中被移出的状态；在一段时间过后，移出状态的个体会再复原成为易感状态。在初始时一定比例的动物处于感染状态，剩余动物处于易受感染状态。
SIRS传染病模型求解及MATLAB实现
热门推荐
qq_37694821的博客
01-21 8万+
模型假设 1、总人数N不变。人群分为健康者、病人和移出者三类。t时刻三类人数量分别记为s(t),i(t)和r(t)。 2、病人的日接触率为，日治愈率为。 3、移出者康复后只有暂时免疫力，单位时间内将有的移出者丧失免疫而可能再次被感染。 模型构成 由假设1显然有 （1-1） 建立关于s(t),i(t)和r(t)的三个方程 （1-2） 记初始...
sirs模型_数学建模常用算法——传染病模型（二）SIS模型
weixin_39703926的博客
12-08 2577
复习一下：常见的传染病模型按照具体的传染病的特点可分为 SI、SIS、SIR、SIRS、SEIR 模型。其中“S”“E”“I”“R”的现实含义如下：S (Susceptible)，易感者，指缺乏免疫能力健康人，与感染者接触后容易受到感染；E (Exposed)，暴露者 ，指接触过感染者但暂无传染性的人，可用于存在潜伏期的传染病；I (Infectious)，患病者，指有传染性的病人，可以传播给 S...
SIR模型简单了解（Susceptible Infected Recovered Model）
追求灵魂代码
09-26 6万+
SIR模型定义 SIR模型是一种传播模型，是信息传播过程的抽象描述。 SIR模型是传染病模型中最经典的模型，其中S表示易感者，I表示感染者，R表示移除者。 S：Susceptible，易感者 I：Infective，感染者 R：Removal，移除者 SIR模型的应用 SIR模型应用于信息传播的研究。 传播过程大致如下：最初，所有的节点都处于易感染状态。然后，部分节点接触到信息后，变成感染状态，...
【头脑风暴】基于新冠肺炎探究数据可视化及传染病模型（相关资料整理）
○( ＾皿＾)っHiahiahia…的博客
02-27 1万+
前言 新型冠状病毒肺炎（Corona Virus Disease 2019，COVID-19） 稍微整理了部分最近看到到资料文章什么的，具体实践见后续的博客吧（奈何当下要做的想做的事情太多太杂了，怎么取舍确实有些头疼啊~） 链接 1、新增确诊新型冠状病毒肺炎统计数据（每日更新） 链接内容：主要提供较为实时的数据，并附带两个链接（疫情地图，数据文档） 2、基于SIR模型的武汉新型冠状病毒动力学建模...
基于SIRS模型的矿工不安全行为传播研究
05-17
从煤矿员工的不安全行为入手,借鉴SIR信息传播模型,并与煤矿安全系统的特点相结合,分析了不安全行为在矿工之间的传播机制。首先,提出了一种煤矿员工不安全行为传播的SIRS模型,并从理论层面证明解的存在性以及稳定性;然后,通过数值模拟对煤矿安全系统的稳定性进行分析,研究了各个参数变化对系统稳态的影响,为煤矿安全的研究提供了一种新思路。
Epidemic_Visualization:流行病可视化
04-06
Epidemic_Visualization 流行病可视化
SIRS模型传染曲线生成代码
07-11
智能手机病毒传播模型的matlab仿真，基于Sirs模型
基于matlab实现SI、SIS、SIR、SIRS、SEIR、SEIRS流行病模型
qq_59747472的博客
11-11 807
在流行病学和传染病领域，流行病模型是一种用来研究和预测疾病传播和控制的数学模型。其中，SI、SIS、SIR、SIRS、SEIR、SEIRS 是常见的流行病模型，它们分别代表了不同的疾病传播方式和人群状态转移过程。本文将介绍这些流行病模型的算法流程，帮助读者更好地理解和应用这些模型。SI 模型是最简单的流行病模型之一，它假设人群中的个体只有两种状态：易感染者 (S) 和感染者 (I)。在 SI 模型中，易感染者可以被感染者传染，但感染后不会恢复，也不会获得免疫力。
可视化| 病毒在物种间触目惊心的传播
weixin_34279061的博客
05-02 212
在所有的人类疾病中约有百分之六十的疾病会从人传染到动物，而百分之七十五的新发传染病属于人畜共患疾病，这意味着这些疾病可以在物种间传播。这个引人注目的可视化展现出造成问题的病原体在动物间传播的方式。英国一个研究团队搜集了1950年至2012年期间的数据，创造出了宿主病原体及其相关物种间互动的数据库，一同出现的还有它们的全球性分布。他们最终做出来的可视化结果...
python实现SI、SIS、SIR、SIRS、SEIR、SEIRS模型
沉梦昂志
02-07 2万+
传染病传播模型SISISSIRSIRSSEIR（相比较贴合新冠状病毒）SEIRS 在家闲着无事，搜了一些关于传染病模型的知识，在此做个总结。 SI 最简单的SI模型首先把人群分为2种，一种是易感者(Susceptibles)，易感者是健康的人群，用S表示其人数，另外一种是感染者(The Infected)，人数用 I来表示。 假设： 1、在疾病传播期间总人数N不变，N=S+I 2、每个病人每天接...
SI，SIS，SIR，SEIRD模型
qq_37730871的博客
08-26 8343
因为个人工作需要系统地整理SI，SIR以及SEIR模型，故对三个模型进行原理介绍以及对比。文中关于SI，SIS，SIR的所有的截图都来自西工大肖华勇老师在慕课上的分享，原视频戳SEIRD模型则来自发表在SCI上的paper，想看原文戳。...
微分方程传染病模型之指数模型-SI模型-SIS模型-SIR模型
weixin_44734502的博客
08-21 1万+
微分方程传染病模型之指数模型-SI模型-SIS模型-SIR模型
经典的传染病模型简介 + SIS情况分析
Ray的博客
01-30 2万+
传染病模型简介 + SIS情况分析简介各类经典传染病模型（基础形式）SIS模型假设符号说明微分方程组模型结论经典传染病模型的缺陷 简介 研究传染病模型，对社会经济和维持秩序有重大意义，尤其在过去的2020年，新冠疫情爆发。从数学领域对疫情进行分析，根据经典的传染病模型，考虑新的因素，加入新的变量，也是疫情追踪和防控的一种有力手段。 最近刚好有机会用到传染病模型，趁此机会先对其有一个大致的了解。 常见的传染病模型按照具体的传染病的特点可分为 SI、SIS、SIR、SIRS、SEIR 模型。其中“S”、“E”、
基于Java的两个通用安全模块的设计与实现模块项目(源代码+论文).zip
最新发布
08-07
JAVA; 毕业设计；MVC模式; JSP; SQL Server 2000 数据库管理系统; J2EE
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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