搜索
在SIR模型的基础上,我们思考以下改进方案:保留SIR模型中对于人群的分类，但是将SIR模型中连续的微分方程模拟替换为离散化的以时间为基准的模型。在新的模型中，人群被分为四类：易感人群，感染者，疑似感染者，自由带菌者（携带者），分别用H,I,S,F表示；还有一些其他的参数，分别代表了疾病传播过程中可能影响到模型走势的系数。α：代表每日新增被确诊人群中被隔离的概率β：代表每日自由带菌者被发现并确诊的概率k：平均每个自由带菌者每日可感染的人数P1：所有已经被确诊患者的退出率，这个系数同时与治愈率和死亡率相关P2：所有已经被隔离患者的确诊率P3：所有已经被隔离患者的排除率，一般由于误诊造成下标t：代表该变量在某一时间点的值整个模型基础由以下条件约束：It=I(t–1)*(1–P1)+P2*S(t–1)+β*F(t–1)St=S(t–1)*(1–P2–P3)+α*F(t-1)Ft=F(t-1)*(1-β)+F(t-1)*k*(1-α)Wt=It+St+Ft通过对时间t的迭代，利用MATLAB模拟出一段时间内的疾病传播走势。模型分析：通过测试与参数调整可知，整体模型对于疾病初期的爆发模拟与数据拟合度很好，基本能达到SIR模型的灵敏度和稳定性。模型缺点在于整体的模型系统外界控制力度小,病患数量呈现出典型的指数型增长,这是由于没有外界药物以及预防措施的介入.基于此,我们想到了进一步改进方案：在系统中加入自反馈机制,从而达到动态控制整个系统,并预测模拟Ebola病毒在存在外界药物与预防因素介入下的传播效果。首先我们对于系统中的可变系数进行了讨论,结果发现其中系数A,K,V应进行反馈变化。其中系数A代表每日新增被感染人群中被隔离的概率，这个系数应该随着时间推移，疫情严重程度的变化，政府对疾病的重视程度提升和预防强度的提升而提升，预估A的反馈机制是基于Wt上下限置位的线性累加过程；K代表平均每个自由带菌者每日可感染的人数，这个值随着预防强度的提升而提升，预估K的反馈机制是基于分级讨论的线性调整过程。V则比较复杂，医疗条件V的介入会同时反馈给Ft，K，P1三个系数，反馈方式预测是线性调节。加入反馈后图表变化：（处理图表）对新的模型进行分析，我们会发现：模型自反馈的加入能成功模拟出在外界干扰条件介入下Ebola病毒的传播趋势，并采用类似流行性疾病的数据进行了拟合，结果比较吻合。得出结论为此模型可以在一定程度上预测Ebola病毒的扩散情况。下一步我们将把传播模型与医疗运输模型的结果进行综合，共同得出结论。