一、 国内文章
1. 传统模型
1.1 基于SIR模型的新冠肺炎疫情传播预测分析_张艳霞
文章在传统的SIR模型(即未感染者-感染者-治愈者)上,针对新冠肺炎致死率较高的特点,新增一项死亡者。模型假设如下:
模型通过微分方程建立,首先是
Δ
t
\Delta t
Δt内新增的病人人数:
第一项描述的是
t
t
t时刻感染者传播给的未感染者,解释为感染者总人数在日接触率下所接触到的未感染者人数,成为
t
t
t时刻感染者传播给的未感染者(因此要乘以
s
(
t
)
s(t)
s(t));第二项描述的是
t
t
t时刻治愈的感染者;第三项描述的是
t
t
t时刻死亡的感染者。
对上式消去N,除以
Δ
t
\Delta t
Δt并取极限可以得到如下的极限方程:
可以据此分析各比例变量随时间的变化规律
当然,这篇文章最大的亮点是,根据极限方程写出y关于s的函数,对函数求导并求驻点,确定了以下的规律,首先,驻点是:
s
=
μ
+
m
λ
s=\frac{\mu+m}{\lambda}
s=λμ+m
规律是:
根据
s
0
s_0
s0的取值,可以确定新冠肺炎的扩散状况,这是因为s在极限方程中体现为一个单调递减的趋势,所以当
s
0
s_0
s0取小于驻点时,后续值均会小于驻点,由此
y
(
t
)
y(t)
y(t)随
s
(
t
)
s(t)
s(t)的减少而减少,意味着治愈比例在增多,这种情况新冠肺炎就控制住了。
根据驻点,我们可以分析如何控制新冠疫情,即:
当然,除了分析以上内容外,根据极限方程和龙格库塔法,当确定了初始值和几个常数后,我们就可以对新冠疫情变化趋势进行仿真预测了
三、建模思路
在我们的问题中,面临的是一个非封闭的动态问题,即一个区域的人口不是固定的,有流入与流出,具体形式如下图所示:
现在的思路是,这两个量不作为建模的变量,而是去控制每个时刻S和E的初始值。输入的人口和输出的人口均包括S和E的可能,但它们的比例受到:控制力度(即是否要求出示48小时核酸证明)影响而变化