基于SIR模型的COVID-19疫情数据分析

发布时间：2021-02-15 17:37

　　本文主要利用SIR模型对新型冠状病毒肺炎（COVID-19）疫情的数据进行了分析,为今后更加有效控制疫情提供一些参考。首先利用R语言程序包获取了国家卫生健康委员会公布的疫情数据,然后通过构建一个传染病数学模型（SIR模型）对湖北省武汉市的COVID-19疫情数据进行分析和梳理。比较分析了公布的疫情数据和模型得到的疫情数据之间的差异,探讨了模型的两个重要参数（感染率和移除率）的拟合结果,说明了及时采取封城等防疫措施,提升医疗救助能力的重要性。 

【文章来源】：电子元器件与信息技术. 2020,4(07)

【文章页数】：3 页

【部分图文】：

模型图

初值条件为:I(0)=I0,R(0)=R0(不妨设初始值为0),S(0)=S0。设固定参数值,根据参考,取λ=0.6,μ=0.3,S0=0.99,I0=0.01,进行求解绘图,如图2。从图中可以发现,健康人群比例S(t)单调减少,移除人群比例R(t)单调增加,都趋向于稳定值,而患者人群比例I(t)先增后减趋于0(t→+∞),S(t)趋于的稳定值表示在传染病传播过程中最终没有被感染的人数比例,I(t)最大值点和最大值表示传染病高峰(患者最多)到来的时刻和患者比例。这些值可以衡量传染病传播的强度和速度,感染率λ和移除率μ是影响传播过程的重要参数。社会的卫生水平高,如接种疫苗,戴口罩,减少聚集,感染率λ越小。同时,医疗水平越高,移除率μ越大,于是感染人群越小,有助于控制传染病的传播[4]。1.2 参数时变的SIR模型

现在对λ(t)、移除率μ(t)进行数据的拟合,如图4。封城初期由于检验手段和标准的滞后,疫情数据有一定的失真性。所以我们取第55天到140天的数据来拟合,之后可认为近似为0。程序代码如下:

【参考文献】：
期刊论文
[1]基于改进SEIR模型的COVID-19疫情状况评估及发展趋势预测[J]. 植运超,陈既谋,杨林森.  东莞理工学院学报. 2020(03)
[2]基于时变参数-SIR模型的COVID-19疫情评估和预测[J]. 喻孜,张贵清,刘庆珍,吕忠全.  电子科技大学学报. 2020(03)
[3]基于Matlab的疾病传播研究——SARS疫情的传播预测与控制[J]. 肖海军,王玲,程明.  计算机与数字工程. 2005(04)

硕士论文
[1]几类传染病模型的动力学研究[D]. 韩怡茹.西安电子科技大学 2017



本文编号：3035268