第60行: |
第60行: |
| | | |
| 从一类状态转变为另一类状态的转变速率在数学上可以用导数表示,因此可以使用微分方程来建立模型。在建立这样的模型时,必须假设仓室的人口规模在时间上是可区分的,并且流行过程是确定性的。 换句话说,只能使用用于建立模型的历史记录来计算仓室的人口变化。[6] | | 从一类状态转变为另一类状态的转变速率在数学上可以用导数表示,因此可以使用微分方程来建立模型。在建立这样的模型时,必须假设仓室的人口规模在时间上是可区分的,并且流行过程是确定性的。 换句话说,只能使用用于建立模型的历史记录来计算仓室的人口变化。[6] |
| + | |
| + | == 流行病模型 Epidemic models == |
| + | |
| + | 在经典的流行病传播模型中,人们通常被划分为几种的状态。 信息传播过程中最常见的状态是:(i)S(Susceptible):易感状态,表示处于该状态的人们不了解信息,将来会被感染; (ii)I(Infected):受感染状态;(iii) R (Recoverd):已恢复状态。这些状态的不同组合可以导致不同的模型,例如SI,SIS和SIR模型。 |
| + | |
| + | 在这里,我们首先考虑在均匀混合的人群中的这些流行病模型。 |
| + | |
| + | === SI模型 === |
| + | |
| + | 最简单的情况是SI模型,其中考虑了两个状态,即S和I。将s(t)和i(t)表示为在时刻t处易感染个体和受感染个体的比例,因此我们具有$s(t)+i(t)=1$。假定受感染个体I感染易感染个体S的速率为$\beta$。 在SI模型中,当一位易感态个体一旦被感染,则其将永远处于感染状态。因此,SI模型可以用以下常微分方程表示: \begin{equation} \label{eq:si} \left\{ \begin{aligned} &\frac{ds(t)}{dt}=-\beta s(t)i(t),\\ &\frac{di(t)}{dt}=\beta s(t)i(t). |
| + | \end{aligned} \right. |
| + | \end{equation} |
| + | |
| + | === SIS模型 === |
| + | |
| + | 在SIS模型里,人群被划分为两类:易感人群(S)和受感染人群(I)。受感染人群为传染的源头,它通过一定速率$\beta$将疾病传播给易感人群。受感染人群本身则以速率$\gamma$被治愈恢复为易感态;易感人群一旦被感染,就又成为了新的传染源。若将此模型用于信息传播过程中,则表示尚未知晓信息的个体(S)在对信息的了解后(变为I状态),经过一段后,将忽略该信息并再次对该信息变得敏感(处于S状态)。我们将s(t)和i(t)分别表示为人群中易感和受感染个体的比例。因此,SIS模型也可以用常微分方程表示: \begin{equation} \label{eq:sis} \left\{ \begin{aligned} &\frac{ds(t)}{dt}=-\beta s(t)i(t)+\gamma i(t),\\ &\frac{di(t)}{dt}=\beta s(t)i(t)-\gamma i(t). |
| + | \end{aligned} \right. |
| + | \end{equation} 给定初始值i(0),我们可以得出i(t)的表达式: \begin{equation} i(t)=\frac{i(0)(\beta-\gamma)e^{(\beta-\gamma)t}}{\beta-\gamma+\beta i(0)e^{(\beta-\gamma)t}}. |
| + | \end{equation} 在这里,我们将$\lambda=\beta/\gamma$定义为该模型的有效感染率。 从等式(6)可知,当$\lambda>1$时,I的稳态值为$i=(\beta-\gamma)/\beta=1-1/\lambda$,表明终态时人群中存在一定比例的受感染者,也就是说当$\lambda>1$时,整体人群处于地方性疾病状态。 但是,当$\lambda<1$时,我们有$i\to0(t\to\infty)$,这意味着最终人群中将没有I状态个体,整体人群被称为健康状态。 综上,$\lambda=1$是SIS模型的传播阈值,也称为基本再生数[217]。 |
| + | |
| + | === SIR模型 === |
| + | |
| + | SIR模型是用来解释具有永久免疫力的人群中的流行病。 与SI和SIS模型不同,此模型中还存在恢复状态(R)。 处于S状态的个体被I状态个体以速率$\beta$感染,而处于I状态的个体以恢复速率$\gamma$恢复到R状态,节点一旦成为恢复的R状态则成为永久免疫人群,不可以再被感染。 因此,SIR模型的常微分方程为 |
| + | \begin{equation} \label{eq:sir} |
| + | \left\{ |
| + | \begin{aligned} |
| + | &\frac{ds(t)}{dt}=-\beta s(t)i(t),\\ |
| + | &\frac{di(t)}{dt}=\beta s(t)i(t)-\gamma i(t),\\ |
| + | &\frac{dr(t)}{dt}=\gamma i(t). |
| + | \end{aligned} \right. |
| + | \end{equation} |
| + | |
| + | 同样也可以定义$\lambda=\beta/\gamma$为该模型的有效感染率,可以得到与SIS模型类似的结论,即当$\lambda<1$时,$r=0$,表明疾病无法在人群中传播。当$\lambda>1$时,有$r>0$。$\lambda=1$是SIR模型的传播阈值。 |
| | | |
| == 参考文献 References == | | == 参考文献 References == |
| + | |
| + | 参考文献待加!!!!!!!!!!!!!!!!!!!! |