針對新冠肺炎疫情的發(fā)展呈現(xiàn)階段性變化的特征,提出一種以階段劃分為基礎,各階段分別進行模型擬合的分析方法。在傳統(tǒng)SIR（Susceptible-Infected-Recovered）模型的基礎上考慮"未確診感染者"、"治愈者"和"死亡者",構建階段性SIR-F模型。結合增長態(tài)勢識別、階段劃分、防控措施影響分析的方法,使用Python實現(xiàn)模擬仿真。實驗證明,分階段的擬合方法能比較準確地刻畫疫情數(shù)據(jù)隨時間的變化規(guī)律,以及防控措施產生的影響。 

【文章來源】：計算機應用與軟件. 2020,37(11)北大核心

【文章頁數(shù)】：7 頁

【圖文】：

技術路線圖

由于COVID-19疫情比較特殊,有一部分感染者在死亡前仍未正式確診,將這類情況增加到經(jīng)典的SIR模型中,構建SIR-F模型。SIR-F模型中從未感染者轉變?yōu)楦腥菊�、治愈者、死亡者的過程如圖 2 所示。圖2中,S代表未感染者,S*代表未確診的感染者,I代表感染者,R代表治愈者,F代表死亡者,α1為S*的死亡系數(shù),α2為I的死亡系數(shù),β為感染系數(shù),γ為I的治愈系數(shù)。累計確診數(shù)量C=I+R+F。

處于“爆發(fā)”增長態(tài)勢的包括印度、俄國、愛沙尼亞、巴西、肯尼亞等53個國家。將這類國家的疫情數(shù)據(jù)聚合,增長趨勢如圖3所示。處于“停滯”增長態(tài)勢的包括意大利、日本、利比亞、安哥拉、尼加拉瓜、越南等28個國家。將這類國家的確診數(shù)據(jù)聚合,增長趨勢如圖4所示。

【參考文獻】：
期刊論文
[1]基于時變參數(shù)-SIR模型的COVID-19疫情評估和預測[J]. 喻孜,張貴清,劉慶珍,呂忠全.  電子科技大學學報. 2020(03)
[2]基于SEIR的新冠肺炎傳播模型及拐點預測分析[J]. 范如國,王奕博,羅明,張應青,朱超平.  電子科技大學學報. 2020(03)
[3]新冠肺炎疫情傳播建模分析與預測[J]. 盛華雄,吳琳,肖長亮.  系統(tǒng)仿真學報. 2020(05)
[4]基于引入隱形傳播者的SEIR模型的COVID-19疫情分析和預測[J]. 林俊鋒.  電子科技大學學報. 2020(03)
[5]新冠肺炎疫情極限IR實時預測模型[J]. 梅文娟,劉震,朱靜怡,杜立.  電子科技大學學報. 2020(03)
[6]基于SIR模型的有限區(qū)域內新冠肺炎疫情傳播仿真模擬[J]. 尹楠.  統(tǒng)計與決策. 2020(05)



本文編號：3370423