chap5-微分方程模型2-传染病 人口预测要点.pptVIP

第五章 微分方程模型 5.1 传染病模型 5.6 人口的预测和控制 动态模型 描述对象特征随时间(空间)的演变过程. 分析对象特征的变化规律. 预测对象特征的未来性态. 研究控制对象特征的手段. 根据函数及其变化率之间的关系确定函数. 微分方程建模 本章的模型主要是非物理领域的实际问题，要分析具体情况或进行类比才能给出假设条件. 假设不同，就得到不同的方程。 5.1 传染病模型 描述传染病的传播过程. 分析受感染人数的变化规律. 预报传染病高潮到来的时刻. 预防传染病蔓延的手段. 不是从医学角度分析各种传染病的特殊机理,而是按照一般的传播机理建立数学模型. 背景 与 问题 传染病的极大危害(艾滋病、SARS、?) 基本方法 2009 NATURE: 利用查询数据探测流感传播 流言 1. t 时刻已感染人数 (病人) i(t) 是连续，可微函数. 2.每个病人每天有效接触(足以使人致病的接触)的人数为 常数? 0. 模型1 假设 建模 ? t 到 t + △ t 病人增加的人数： 建模失败原因 在病人有效接触的人群中，有健康人也有病人，而其中只有健康人才可以被传染为病人，所以在模型中必须区别这两种人. 模型2 人群分为易感染者(S, 健康者)和已感染者(I, 病人) 假设 1. 总人数 N 不变，病人和健康 人的 比例分别为 2. 每个病人每天有效接触的平均人数为常数?（日接触率）, 且使接触的健康人致病. 建模 SI 模型 病人的增加率： 模型2 ? (日接触率)? ? tm? Logistic 模型 t = ？ di/dt 最大 什么时候病人增加的最快？ 模型解释 所以改善保健设施，提高卫生水平，即，使 λ变小，可推迟传染病高峰的到来. 1/2 tm i i0 1 0 t 模型缺点 没有考虑到病人可治愈 模型3 传染病无免疫性——病人治愈成为健康人，健康人可再次被感染. 增加假设 SIS 模型 3. 每天被治愈的病人数占病人总数的比例为常数 ? （日治愈率）. 显然，1/ ? 为平均传染期（染病后平均1/ ? 天后被治愈）. 建模 ? ~ 一个感染期内每个病人的有效接触人数，称为接触数. m l s / = 病人的增加率： 模型3 i0 i0 1-1/? i di/dt O 1 ? 1 O t i ? 1 1-1/? 有解析解，以下为图形分析 σ = 1是一个阈值 i(t)按S形曲线增长 i0 i O t ? ?1 di/dt 0 考虑：σ（或μ）取何值，模型2(SI模型)可看作模型3(SIS模型)的特例 ？ When μ = 0 （日治愈率）或 σ = ∞（感染期内的接触数） 模型4 传染病有免疫性——病人治愈后即移出感染系统，称移出者. SIR模型 假设 1. 总人数N不变，病人、健康人和移出者的比例分别为 . 2. 病人的日接触率? , 日治愈率?, 传染期接触数 ? = ? / ? 建模 模型4 SIR模型 无法求出解析解，需做数值计算 (通常r(0)=r0很小) function y = ill(t, x) lamda = 1; mu = 0.3; y = [lamda*x(1)*x(2) - mu*x(1); … -lamda*x(1)*x(2)]; =============== clear, clc, ts = 0:50; x0 = [0.02, 0.98]; [t,x] = ode45(‘ill’,ts,x0); figure(1) plot(t,x(:,1),’r’,t,x(:,2),’b’),grid figure(2) plot(x(:,2),x(:,1)),grid 设? = 1, ? = 0.3, i0 = 0.02, s0 = 0.98 模型求解 模型4 SIR模型的数值解 i(t)从初值增长到最大; t??, i?0. s(t)单调减; t??, s?0.04. 设? = 1, ? = 0.3, i0 = 0.02, s0 = 0.98 模型4 SIR模型相轨迹分析 s i 相轨线i(s) ? = 1, ? = 0.3, i0 = 0.02, s0 = 0.98 相平面 相轨线的方向：s(t)单调递减 峰值点： 数值解 解析解 When s0 1/? : i(t)先升后降至 0 When s0 1/? : i(t)单调降至 0 传染病不蔓延 传染病蔓延 1/? ~阈值 模型4 SIR模型 预防传染病蔓延的手段 ? (日接触率)? ? 卫生水平? ?(日治愈率)? ? 医疗