利用SEIR模型预测意大利新冠疫情数据
2020年3月12日:、
利用SEIR模型预测意大利新冠疫情数据
最近,意大利的新冠疫情非常严峻,为此根据当前数据做了一定的预测,预测结果仅供参考,欢迎交流。
图 2月2日~3月9日意大利疫情数据
常规SEIR模型中,将人群分为易感者(susceptible,S)、感染者(infected,I)、潜伏者(exposed,E)和康复人群(recovered,R )。该模型还假设人群中所有个体都有被感染的概率,当被感染者痊愈后,会产生抗体,即康复人群R不会再被感染。考虑到防治传染病的隔离措施,模型中的人群组别新增隔离易感者(Sq)、隔离潜伏者(Eq)和隔离感染者(Ei)。鉴于隔离感染者会立即送往定点医院隔离治疗,因此这部分人群在本模型中全部转化为住院患者H。因此,本文修订的模型中 Sq、Ei、Eq分别指隔离措施遗漏的易感者、感染者和潜伏者。隔离易感者解除隔离后重新转变为易感者,而感染者和潜伏者均有不同程度的能力感染易感者,使其转化为潜伏者。人群的转化关系如图 1 所示。
图 1 新 SEIR 传染病动力学模型
经典SEIR 模型将人群分为易感者(susceptible,S)、感染者(infected,I)、潜伏者(exposed,
E)和康复人群(recovered,R )。该模型还假设人群中所有个体都有被感染的概率,当被感 染个体痊愈后,会产生抗体,即康复人群 R 不会再被感染。考虑到防治传染病的隔离措施, 模型中的人群组别新增隔离易感者(Sq)、隔离潜伏者(Eq)和隔离感染者(Iq)。鉴于隔 离感染者会立即送往定点医院隔离治疗,因此这部分人群在本模型中全部转化为住院患者H。因此,本文修订的模型中 S、I、E 分别指隔离措施遗漏的易感者、感染者和潜伏者。隔离易感者解除隔离后重新转变为易感者,而感染者和潜伏者均有不同程度的能力感染易感者,使 其转化为潜伏者。人群的转化关系如图 1 所示。
图2 动力学模型
修正的SEIR模型
具体的参数估计:
图3 模型参数
图4 修正SEIR动力学模型对意大利新冠疫情走势的预测
建立的理论模型对意大利疫情在2月14日至3月10日的实际数据温度都较好(图4所示),上述模型的数据采用的2月14的数据进行预测的,可以很很明显的看出,后续的预测数据基本一致。3月9号,意大利官方宣布全国人员管控。根据管控的需要,启动了必要的防空隔离措施,如限制大范围聚集情况,对流动人口采取预防工作,并升级隔离措施,这实际上是降低接触率c。我们对3月9号的接触率进行一定的降低。因此对3月9号意大利的接触率进行一定程度的降低,分别取1,0.9,0.7,0.5;下图给出了在降低接触率下的模拟情况,可以很明显的看到,意大利政府在3月9日的管控措施是非常有效的,感染总人数将会降低一半左右,对大面积抑制病情将有很好的控制作用,阻止了巨大的经济损失。
图5 利用修正的SEIR模型对评估3月9日意大利隔离后对疫情的控制
峰值到达时间大致为3月25日左右。
附录1:意大利新冠疫情数据表格:
意大利数据 | |||||
时间 | 序号 | 新增确诊 | 累计确诊 | 累计治愈 | 累计死亡 |
2月2日 | 1 | 0 | 2 | 0 | 0 |
2月3日 | 2 | 0 | 2 | 0 | 0 |
2月4日 | 3 | 0 | 2 | 0 | 0 |
2月5日 | 4 | 0 | 2 | 0 | 0 |
2月6日 | 5 | 0 | 2 | 0 | 0 |
2月7日 | 6 | 1 | 3 | 0 | 0 |
2月8日 | 7 | 0 | 3 | 0 | 0 |
2月9日 | 8 | 0 | 3 | 0 | 0 |
2月10日 | 9 | 0 | 3 | 0 | 0 |
2月11日 | 10 | 0 | 3 | 0 | 0 |
2月12日 | 11 | 0 | 3 | 0 | 0 |
2月13日 | 12 | 0 | 3 | 0 | 0 |
2月14日 | 13 | 0 | 3 | 0 | 0 |
2月15日 | 14 | 0 | 3 | 0 | 0 |
2月16日 | 15 | 0 | 3 | 0 | 0 |
2月17日 | 16 | 0 | 3 | 0 | 0 |
2月18日 | 17 | 0 | 3 | 0 | 0 |
2月19日 | 18 | 0 | 3 | 0 | 0 |
2月20日 | 19 | 0 | 3 | 0 | 0 |
2月21日 | 20 | 3 | 6 | 0 | 0 |
2月22日 | 21 | 39 | 45 | 0 | 0 |
2月23日 | 22 | 87 | 132 | 0 | 2 |
2月24日 | 23 | 98 | 230 | 0 | 2 |
2月25日 | 24 | 53 | 283 | 1 | 6 |
2月26日 | 25 | 91 | 374 | 1 | 7 |
2月27日 | 26 | 154 | 528 | 1 | 12 |
2月28日 | 27 | 127 | 655 | 42 | 14 |
2月29日 | 28 | 342 | 997 | 45 | 17 |
3月1日 | 29 | 131 | 1128 | 46 | 21 |
3月2日 | 30 | 581 | 1709 | 50 | 29 |
3月3日 | 31 | 327 | 2036 | 83 | 41 |
3月4日 | 32 | 466 | 2502 | 149 | 52 |
3月5日 | 33 | 587 | 3089 | 160 | 79 |
3月6日 | 34 | 769 | 3858 | 276 | 107 |
3月7日 | 35 | 778 | 4636 | 414 | 148 |
3月8日 | 36 | 1247 | 5883 | 523 | 197 |
3月9日 | 37 | 1492 | 7375 | 589 | 233 |
3月10日 | 38 | 1797 | 9172 | 622 | 366 |
- 点赞 2
- 收藏
- 分享
- 文章举报
- 【算法实践2】利用金融数据预测用户是否会逾期-(模型构建之集成模型)
- Keras之DNN:利用DNN【Input(8)→(12+8)(relu)→O(sigmoid)】模型实现预测新数据(利用糖尿病数据集的八个特征预测一个0或1)
- 深度学习-CAFFE利用CIFAR10网络模型训练自己的图像数据获得模型-4应用生成模型进行预测
- 如何使用PySpark来利用机器学习模型对流数据进行预测?
- 【算法实践】利用金融数据预测用户是否会逾期
- Intel DAAL AI加速——支持从数据预处理到模型预测,数据源必须使用DAAL的底层封装库
- 支付宝正利用大数据预测账户风险?
- 武汉新型冠状病毒疫情SIR预测模型,MATLAB代码
- 如何利用predict/predict_generator对测试数据进行预测?
- 与Django结合利用模型对上传图片预测的实例详解
- 利用ARIMA模型对标普500指数进行预测
- TensorFlow学习实践(二):使用TFRecord格式数据和tf.data API进行模型训练和预测
- Vb.net利用数据工厂建立(DBMS)数据操作模型
- 机器学习之利用K-均值聚类算法对未标注数据分组模型探讨
- python中利用ARIMA模型对时间序列问题进行预测(以洗发水销售预测为例)
- 深度学习-CAFFE利用CIFAR10网络模型训练自己的图像数据获得模型-3结合caffe中的CIFAR10修改相关配置文件并训练
- 【大数据部落】R语言多元Copula GARCH 模型时间序列预测
- 利用powerdesigner从oracle数据库中导出数据物理模型结构
- 使用两种不同配置的K近邻回归模型对美国波士顿房价数据进行回归预测
- iPhone开发之UITableView的小试牛刀 利用MVC模式从plist文件读取数据并字典转模型的格式实现