本文主要是介绍sirs模型_基于plotly的数据可视化——经典传染病模型,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

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-Modelimport scipy.integrate as spi
import numpy as np
import plotly as py
import plotly.graph_objects as go
pyplt = py.offline.plotfig = 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 YT_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()

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-Modelimport scipy.integrate as spi
import numpy as np
import plotly.graph_objects as go
pyplt = py.offline.plotfig = 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 YT_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()

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.plotfig = 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 YT_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()

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] / Tsreturn YT_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()

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 YT_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()

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] / Tsreturn YT_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()

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

这篇关于sirs模型_基于plotly的数据可视化——经典传染病模型的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!