任务描述
本关任务:使用常微分方程来预测新冠疫情。
相关知识
为了完成本关任务,你需要掌握: 1.常微分方程的基础知识; 2.前向欧拉法,后向欧拉法与梯形法; 3.SIR 模型。
其中 1,2 知识点见 Python 计算思维训练——常微分方程关卡。
SIR模型
SIR 模型是一种传播模型,会对信息传播过程进行抽象描述,是传染病模型中最经典的模型。模型中把传染病流行范围内的人群分成三类:
- S 类,易感者(Susceptible),指未得病者,但缺乏免疫能力,与感病者接触后容易受到感染;
- I 类,感病者(Infective),指染上传染病的人,它可以传播给 S 类成员;
- R 类,移出者(Removal),指被隔离,或因病愈而具有免疫力的人。
感染机制和 SIR 模型如下所示:
任务描述
本关任务:使用常微分方程来预测新冠疫情。
相关知识
为了完成本关任务,你需要掌握: 1.常微分方程的基础知识; 2.前向欧拉法,后向欧拉法与梯形法; 3.SIR 模型。
其中 1,2 知识点见 Python 计算思维训练——常微分方程关卡。
SIR模型
SIR 模型是一种传播模型,会对信息传播过程进行抽象描述,是传染病模型中最经典的模型。模型中把传染病流行范围内的人群分成三类:
- S 类,易感者(Susceptible),指未得病者,但缺乏免疫能力,与感病者接触后容易受到感染;
- I 类,感病者(Infective),指染上传染病的人,它可以传播给 S 类成员;
- R 类,移出者(Removal),指被隔离,或因病愈而具有免疫力的人。
感染机制和 SIR 模型如下所示:
任务描述
本关任务:使用常微分方程来预测新冠疫情。
相关知识
为了完成本关任务,你需要掌握: 1.常微分方程的基础知识; 2.前向欧拉法,后向欧拉法与梯形法; 3.SIR 模型。
其中 1,2 知识点见 Python 计算思维训练——常微分方程关卡。
SIR模型
SIR 模型是一种传播模型,会对信息传播过程进行抽象描述,是传染病模型中最经典的模型。模型中把传染病流行范围内的人群分成三类:
- S 类,易感者(Susceptible),指未得病者,但缺乏免疫能力,与感病者接触后容易受到感染;
- I 类,感病者(Infective),指染上传染病的人,它可以传播给 S 类成员;
- R 类,移出者(Removal),指被隔离,或因病愈而具有免疫力的人。
感染机制和 SIR 模型如下所示:
基于微分方程组对 SIR 模型进行求解,即可有效地拟合曲线。
编程要求
根据提示,在右侧编辑器 Begin-End 区间补充代码,实现新冠疫情的预测。
测试说明
平台会对你编写的代码进行测试。
开始你的任务吧,祝你成功!
import ode_7 as ode
import numpy as np
import matplotlib.pyplot as plt
# 采用matplotlib作图时默认设置下是无法显示中文的,凡是汉字都会显示成方块。
# 实际上,matplotlib是支持unicode编码的,不能正常显示汉字主要是没有找到合适的中文字体。
from pylab import mpl
mpl.rcParams['font.sans-serif']= ['SimHei']
# 解决负号显示问题
import matplotlib
matplotlib.rcParams['axes.unicode_minus']=False
'''
根据传染病传播的SIR模型,微分方程组可以转换为向量运算:
y = [S, I, R]
f(t, y) = [-beta*y[0]*y[1], beta*y[0]*y[1]-gamma*y[1], gamma*y[1]]
前向欧拉公式:
y[k+1] = y[k] + dt * f(t[k], y[k])
后向欧拉公式(两步迭代):
y_p = y[k] + dt * f(t[k], y[k])
y[k+1] = y[k] + dt * f(x[k+1], y_p)
改进的欧拉法:
y_p = y[k] + dt * f(t[k], y[k])
y_c = y[k] + dt * f(t[k+1], y_p)
y[k+1] = 1/2 * (y_p + y_c)
'''
class SIR(ode.ODE):
def f(self, t, y): # Y为向量[S,I,R],t为标量
#请在此处编程,实现f函数
########### Begin ###########
return np.array([-self.beta*y[0]*y[1], self.beta*y[0]*y[1]-self.gamma*y[1], self.gamma*y[1]])
########### End ###########
def __init__(self, beta, gamma, y0):
#请在此处编程,调用ODE类对SIR进行初始化
########### Begin ###########
self.beta = beta; self.gamma = gamma; self.y0 = y0 # 参数属性
ode.ODE.__init__(self, self.f, self.y0)
########### End ###########
N = 1e8 # 武汉总人数:1000万人
beta = 1.0/N # 1名病毒携带者平均每天感染1.0人
gamma = 1/25 # 假设肺炎患者平均25天治愈(15天潜伏 + 10天治疗)
y0 = [N-1, 1, 0] # 初始发病1人,其他人员正常 [S0, I0, R0]
t = np.arange(0, 61, 1) # 模拟60天的发展情况,单位时间为1天
simulation = SIR(beta=beta, gamma=gamma, y0=y0)
y = simulation.solve(t, 'T') # 'T' 代表改进的欧拉法
print(y)
plt.plot(t, y[:, 0], '-g', label='易感者')
plt.plot(t, y[:, 1], '-r', label='感染者')
plt.plot(t, y[:, 2], '-k', label='恢复(隔离)者')
plt.legend(loc=0)
plt.title('继承ODE类的新冠病毒传播分析(SIR模型)')
plt.xlabel('时间(天)')
plt.ylabel('人数')
Vx = [1.0e6, 5.0e6] + [i * 1.e7 for i in range(11)]
plt.yticks(Vx, ['%d'%e for e in Vx])
plt.show()
plt.savefig('test1/test1.png')
关注更新后续答案