基于复杂网络SEIR模型研究不同防控措施的影响v2.pptxVIP

基于复杂网络SEIR模型研究不同防控措施的影响

目录Part01Part02Part03Part04传统SEIR模拟结果对象与方法基于复杂网络的SEIR模拟结果总结

传统SEIR模型的建立我们尝试使用SEIＲ模型揭示COVID-19的传播过程，鉴于2020年1月26日国家卫生健康委员会宣布COVID-19潜伏期具有传染性，因此本文设计了包含潜伏期传染性的SEIＲ流行病模型。模型涉及4类人群:易感人群(S)、潜伏人群(E)、感染人群(I)、移除人群(Ｒ)，假设康复概率是γ,易感者的感染概率是β，感染者接触的人数是r，潜伏者会传染易感者的概率为β2，潜伏者每天接触的人数是r1。其中，i是COVID-19传播的天数，N是总人数，N=Si+Ii+Ｒi+Ei，Si，Ei，Ii，Ｒi分别表示第i天时易感人群人数、潜伏人群人数、感染人群人数、移除人群人数，α表示潜伏者转化为感染者的概率。

总人口N:人口数据来源为中华人民共和国国家统计局公布的2018年年末武汉人口数据，共计883.73万人。感染概率β、β2以及潜伏者转化为感染者的概率α的计算:在实际生活中，因采取了干预措施，假设感染者平均每天接触人数为r=10，潜伏者接触人数r1=10，疫情期，易感人群数目等于总人数减去感染和潜伏人群，感染人群的变化率为dIi/ddi=βIiSi/N-γIi≈(β-γ)Ii，依据国家卫计委在疫情暴发期公布的数据进行拟合后估算β=β2≈0.045，依据α=Ii/Ei计算得到α≈0.10。确定方程相关参数

传统SEIR模拟结果据方程确定相关参数后，将相关参数代入Python建立SEIR模型进行参数拟合后的预测结果。02PART

限行措施实行后COVID—19的暴发趋势停工停学但不限制出行措施实行后COVID—19的暴发趋势在采取停工停学但不限制出行防控措施下COVID-19的暴发趋势如图所示，疫情会在2月底附近迎来顶峰，并且感染人数将远超目前的情况。在限制出行措施下COVID-19的暴发趋势2月2日起限制社区居民外出，每家每天指派一人购买生活用品政策，假设感染者平均每天接触人数r=3，潜伏者接触人数r1=5，治愈率较之前有所提高，从国家卫生健康委员会疫情通报数据上显示，治愈率提高25%，即γ从0.095提高了25个百分点至0.11875，还可以观察到，在限制社区出行后，感染曲线明显平滑减缓，潜伏和感染人群的峰值分别降低了45.71%和29.90%，我们还发现潜伏者的峰值和感染者的峰值相差一周左右，潜伏者的峰值更快到达，成为本次疫情拐点的标志。此外，模型的峰值出现在第107天，从12月12日武汉市卫健委进行的回顾式调查发现第1例患者发病，判断其感染病毒时间应大致在12月初甚至更早的时间，所以，推断出模型疫情拐点出现在3月中。

推迟限制出行措施下COVID-19的暴发趋势基于武汉正式封城日期是2020年1月23号。我们将封城时间推迟10天，并进行预测对比。如图2-3和图2-4所示，1月23日封城实行后COVID-19在2月10日达到顶峰且最终累计确诊人数达到62188人，当封城时间往后推迟10天时，COVID-19在2月20日达到顶峰且最终累计确诊人数达到261963人。仅仅推迟10天，累计确诊人数翻了4倍。

基于复杂网络的SEIR03PART

网络的简介我们的网络包含家庭网络、宿舍网络、工作网络、公共网络和聚集网络。其中公共网络和聚集网络属于含时网络。为了简化模型和减少模拟时间，我们选取总人数100000。潜伏期服从伽马分布，其中两个参数α，β分别为（7，2）考虑到潜伏者刚刚转变到感染者不可能立即治愈或死亡，所以每个感染者都有个基础感染时间，设其服从伽马分布（50，0.1）

家庭网络我们查阅了第7次人口普查中，武汉家庭的平均人数为2.47，大体上可以满足参数为2.5的泊松分布，同一个家庭中的点连接概率我们设为0.95，其中不同家庭连接的概率为0.05。宿舍网络考虑到不一定所有人都是在武汉定居的，比如一些外来务工人员，这些人一般住在大规模的宿舍中，为了简化模型，我们设每个宿舍包含1000人，每个人的平均度为60，不同宿舍之间的连接概率设为0.15。工作网络我们将家庭网络中45%的点和宿舍网络中90%的点包含在工作网络里。工作网络中每一个社区平均包含100个点，我们设社区大小服从伽马分布(4，25)，同一个社区中的点平均度为8。公共网络公共网络是用来模拟公共交通、超市等地方，每天的网络都是不一样的，为了模拟这种情况，我们在每个模拟天随机选出1000组，每组50个点