基于时变参数-SIR模型的COVID-19疫情评估和预测

被引：55

作者：

喻孜 ^{[1
]}

张贵清 ^{[2
]}

刘庆珍 ^{[3
]}

吕忠全 ^{[1
]}

机构：

[1] 南京林业大学理学院

[2] 天津科技大学理学院

[3] 中国医学科学院血液病医院

来源：

电子科技大学学报 | 2020年 / 49卷 / 03期

关键词：

COVID-19; 疫情评估; 预测; SIR模型;

D O I：

暂无

中图分类号：

R181.8 [疫情管理]; O211.67 [期望与预测];

学科分类号：

100401 ; 020208 ; 070103 ; 0714 ;

摘要：

该文基于COVID-19疫情发展到2020年2月1日所呈现的特点,对SIR模型进行了修正,使用易感再生数、当日感染率和潜伏感染率来求解病毒演化动力学方程,研究了感染人数的变化趋势,并分析了政府防控措施对趋势变化产生的影响。结果表明,从2020年1月24日后,政府的防控措施有效降低了病毒蔓延趋势。与1月24日之前呈现的趋势相比,截至2020年2月1日,实际感染人数较原趋势预估人数下降了超1/2。易感再生数、当日再生数和潜伏再生数都大幅度降低。基于目前的趋势,对易感再生数、当日感染率、潜伏感染率随时间的变化进行了分析,利用时变参数对疫情发展进行了预测。结果表明在2020年2月9日左右,疫情发展会达到高峰,随后确诊人数将出现下降。

引用

页码：357 / 361

页数：5

共 8 条

[1] 自适应网络中的流行病传播动力学研究综述 [J].

杨慧 ;

唐明 ;

许伯铭 .

复杂系统与复杂性科学, 2012, 9 (04) :63-83

[2] 考虑感染时延的局域世界复杂网络上疾病传播行为 [J].

夏承遗 ;

孙世温 ;

刘忠信 ;

陈增强 ;

袁著祉 .

辽宁工程技术大学学报(自然科学版), 2009, 28 (04) :615-618

[3] 复杂网络上SIRS类疾病传播行为分析 [J].

李光正 ;

史定华 .

自然科学进展, 2006, (04) :508-512

[4]

Identification of influential spreaders based on classified neighbors in real-world complex networks[J] . Chao Li,Li Wang,Shiwen Sun,Chengyi Xia.Applied Mathematics and Computation . 2018

[5]

Coupled disease–behavior dynamics on complex networks: A review[J] . Zhen Wang,Michael A. Andrews,Zhi-Xi Wu,Lin Wang,Chris T. Bauch.Physics of Life Reviews . 2015

[6] Spatial epidemiology of networked metapopulation: an overview [J].

Lin Wang ;

Xiang Li .

Chinese Science Bulletin, 2014, 59 (28) :3511-3522

[7]

基于英国帝国理工学院报告方法的武汉新型冠状病毒病例数量估计. 许小可. https://mp.weixin.qq.com/s/zhjljj1Xsbi51MAYs5zvgw . 2020

[8]

Preliminary prediction of the basic reproduction number of 2019-nCoV. ZHOU T,LIU Q H,YANG Z,et al. http://arxiv.org/abs/2001.10530 . 2020

← 1 →