基本的传染病模型：SI、SIS、SIR及其Python代码实现

时间：2024-02-21 13:57:25

本文主要参考博客：http://chengjunwang.com/en/2013/08/learn-basic-epidemic-models-with-python/。该博客有一些笔误，并且有些地方表述不准确，推荐大家阅读Albert-Laszlo Barabasi写得书Network Science，大家可以在如下网站直接阅读传染病模型这一章：http://barabasi.com/networksciencebook/chapter/10#contact-networks。Barabasi是一位复杂网络科学领域非常厉害的学者，大家也可以在他的官网上查看作者的一些相关工作。

　　下面我就直接把SIS模型和SIR模型的代码放上来一起学习一下。我的Python版本是3.6.1，使用的IDE是Anaconda3。Anaconda3这个IDE我个人推荐使用，用起来很方便，而且提供了Jupyther Notebook这个很好的交互工具，大家可以尝试一下，可在官网下载：https://www.continuum.io/downloads/。

     在Barabasi写得书中，有两个Hypothesis：1,Compartmentalization; 2, Homogenous Mixing。具体看教材。

默认条件：1, closed population; 2, no births; 3, no deaths; 4, no migrations.

　　1.    SI model 

 1 # -*- coding: utf-8 -*-
 2 
 3 import scipy.integrate as spi
 4 import numpy as np
 5 import pylab as pl
 6 
 7 beta=1.4247
 8 """the likelihood that the disease will be transmitted from an infected to a susceptible
 9 individual in a unit time is β"""
10 gamma=0
11 #gamma is the recovery rate and in SI model, gamma equals zero
12 I0=1e-6
13 #I0 is the initial fraction of infected individuals
14 ND=70
15 #ND is the total time step
16 TS=1.0
17 INPUT = (1.0-I0, I0)
18 
19 def diff_eqs(INP,t):
20     \'\'\'The main set of equations\'\'\'
21     Y=np.zeros((2))
22     V = INP
23     Y[0] = - beta * V[0] * V[1] + gamma * V[1]
24     Y[1] = beta * V[0] * V[1] - gamma * V[1]
25     return Y   # For odeint
26 
27 t_start = 0.0; t_end = ND; t_inc = TS
28 t_range = np.arange(t_start, t_end+t_inc, t_inc)
29 RES = spi.odeint(diff_eqs,INPUT,t_range)
30 """RES is the result of fraction of susceptibles and infectious individuals at each time step respectively"""
31 print(RES)
32 
33 #Ploting
34 pl.plot(RES[:,0], \'-bs\', label=\'Susceptibles\')
35 pl.plot(RES[:,1], \'-ro\', label=\'Infectious\')
36 pl.legend(loc=0)
37 pl.title(\'SI epidemic without births or deaths\')
38 pl.xlabel(\'Time\')
39 pl.ylabel(\'Susceptibles and Infectious\')
40 pl.savefig(\'2.5-SI-high.png\', dpi=900) # This does increase the resolution.
41 pl.show()

结果如下图所示

SI model

　　在早期，受感染个体的比例呈指数增长， 最终这个封闭群体中的每个人都会被感染，大概在t=16时，群体中所有个体都被感染了。

　　2.    SIS model 

 1 # -*- coding: utf-8 -*-
 2 
 3 import scipy.integrate as spi
 4 import numpy as np
 5 import pylab as pl
 6 
 7 beta=1.4247
 8 gamma=0.14286
 9 I0=1e-6
10 ND=70
11 TS=1.0
12 INPUT = (1.0-I0, I0)
13 
14 def diff_eqs(INP,t):
15     \'\'\'The main set of equations\'\'\'
16     Y=np.zeros((2))
17     V = INP
18     Y[0] = - beta * V[0] * V[1] + gamma * V[1]
19     Y[1] = beta * V[0] * V[1] - gamma * V[1]
20     return Y   # For odeint
21 
22 t_start = 0.0; t_end = ND; t_inc = TS
23 t_range = np.arange(t_start, t_end+t_inc, t_inc)
24 RES = spi.odeint(diff_eqs,INPUT,t_range)
25 
26 print(RES)
27 
28 #Ploting
29 pl.plot(RES[:,0], \'-bs\', label=\'Susceptibles\')
30 pl.plot(RES[:,1], \'-ro\', label=\'Infectious\')
31 pl.legend(loc=0)
32 pl.title(\'SIS epidemic without births or deaths\')
33 pl.xlabel(\'Time\')
34 pl.ylabel(\'Susceptibles and Infectious\')
35 pl.savefig(\'2.5-SIS-high.png\', dpi=900) # This does increase the resolution.
36 pl.show()

运行之后得到结果如下图：

SIS model

 

 

 

　　由于个体被感染后可以恢复，所以在一个大的时间步，上图是t=17，系统达到一个稳态，其中感染个体的比例是恒定的。因此，在稳定状态下，只有有限部分的个体被感染，此时并不意味着感染消失了，而是此时在任意一个时间点，被感染的个体数量和恢复的个体数量达到一个动态平衡，双方比例保持不变。请注意，对于较大的恢复率gamma，感染个体的数量呈指数下降，最终疾病消失，即此时康复的速度高于感染的速度，故根据恢复率gamma的大小，最终可能有两种可能的结果。

　　3.    SIR model 

# -*- coding: utf-8 -*-

import scipy.integrate as spi
import numpy as np
import pylab as pl

beta=1.4247
gamma=0.14286
TS=1.0
ND=70.0
S0=1-1e-6
I0=1e-6
INPUT = (S0, I0, 0.0)

def diff_eqs(INP,t):
	\'\'\'The main set of equations\'\'\'
	Y=np.zeros((3))
	V = INP
	Y[0] = - beta * V[0] * V[1]
	Y[1] = beta * V[0] * V[1] - gamma * V[1]
	Y[2] = gamma * V[1]
	return Y   # For odeint

t_start = 0.0; t_end = ND; t_inc = TS
t_range = np.arange(t_start, t_end+t_inc, t_inc)
RES = spi.odeint(diff_eqs,INPUT,t_range)

print(RES)

#Ploting
pl.plot(RES[:,0], \'-bs\', label=\'Susceptibles\')  # I change -g to g--  # RES[:,0], \'-g\',
pl.plot(RES[:,2], \'-g^\', label=\'Recovereds\')  # RES[:,2], \'-k\',
pl.plot(RES[:,1], \'-ro\', label=\'Infectious\')
pl.legend(loc=0)
pl.title(\'SIR epidemic without births or deaths\')
pl.xlabel(\'Time\')
pl.ylabel(\'Susceptibles, Recovereds, and Infectious\')
pl.savefig(\'2.1-SIR-high.png\', dpi=900) # This does, too
pl.show()

所得结果如下图：　

SIR model