# Построение графика
plt.figure(figsize=(10, 6))
plt.plot(t, S, 'b', alpha=0.7, linewidth=2, label='Подверженные')
plt.plot(t, E, 'y', alpha=0.7, linewidth=2, label='Инфицированные, но не инфекционные')
plt.plot(t, I, 'r', alpha=0.7, linewidth=2, label='Инфекционные')
plt.plot(t, R, 'g', alpha=0.7, linewidth=2, label='Выздоровевшие')
plt.xlabel('Время (дни)')
plt.ylabel('Численность')
plt.title('Модель SEIR для эпидемии')
plt.legend()
plt.grid(True)
plt.show()
```
Этот код решает систему дифференциальных уравнений SEIR и строит графики изменения численности подверженных, инфицированных, выздоровевших в течение времени. Пожалуйста, обратите внимание, что значения параметров и начальных условий могут быть изменены в зависимости от конкретной ситуации и характеристик заболевания.
Для написания кода модели SEIR в Python мы используем библиотеку SciPy для решения системы дифференциальных уравнений. Вначале мы определяем функцию, которая представляет собой систему уравнений для SEIR модели. Затем мы используем функцию `odeint` из библиотеки SciPy для решения этой системы уравнений на протяжении определенного временного интервала. В результате мы получаем временной ряд, показывающий изменение численности каждой группы (подверженные, инфицированные, выздоровевшие) с течением времени.
После получения результатов, мы можем визуализировать динамику эпидемии с помощью библиотеки Matplotlib, чтобы лучше понять, как распространяется инфекция в популяции. Например, мы можем построить графики для численности каждой группы на протяжении времени, чтобы увидеть, как количество зараженных, выздоровевших и подверженных меняется во времени.
Это позволяет нам оценить влияние различных параметров на динамику эпидемии и прогнозировать ее дальнейшее развитие. Такой подход позволяет исследователям и общественным организациям более точно понимать характеристики инфекционных заболеваний и разрабатывать эффективные стратегии борьбы с ними.
2. SIR-модель (Susceptible-Infectious-Recovered) является упрощенной версией SEIR-модели, где не учитывается состояние подверженных (Susceptible). В этой модели предполагается, что все люди, которые не выздоровели от болезни, уже инфицированы, и нет новых случаев заражения. Таким образом, SIR-модель описывает только два основных состояния популяции: инфицированные (Infectious) и выздоровевшие (Recovered).
Система дифференциальных уравнений для SIR-модели включает три уравнения, описывающих изменение численности каждой группы с течением времени. Первое уравнение описывает скорость изменения числа подвергшихся инфекции, которая уменьшается по мере того, как они выздоравливают и становятся иммунными к болезни. Второе уравнение описывает скорость изменения числа инфицированных, которая зависит от количества подвергшихся инфекции и скорости распространения болезни. Третье уравнение описывает скорость изменения числа выздоровевших, которая зависит от количества инфицированных и скорости выздоровления от болезни.
SIR-модель является полезным инструментом для анализа и прогнозирования эпидемических ситуаций, особенно в случаях, когда нет необходимости учитывать подверженные состояния или когда количество новых случаев заражения невелико. Эта модель может помочь оценить влияние различных факторов на динамику эпидемии и предсказать ее дальнейшее развитие, что позволяет принимать более информированные решения в области общественного здравоохранения.
Рассмотрим пример кода на Python для реализации SIR-модели:
```python
import numpy as np
from scipy.integrate import odeint
import matplotlib.pyplot as plt
# Определение функции, представляющей систему дифференциальных уравнений SIR-модели
def sir_model(y, t, beta, gamma):
S, I, R = y
dSdt = -beta * S * I
dIdt = beta * S * I – gamma * I
dRdt = gamma * I
return [dSdt, dIdt, dRdt]
# Начальные условия: количество подвергшихся инфекции, инфицированных и выздоровевших
S0 = 0.99
I0 = 0.01
R0 = 0.0
# Временные параметры
t = np.linspace(0, 200, 1000) # Временной интервал: от 0 до 200 дней, 1000 точек
# Коэффициенты модели: скорость передачи болезни (beta) и скорость выздоровления (gamma)
beta = 0.3
gamma = 0.1
# Решение системы дифференциальных уравнений
solution = odeint(sir_model, [S0, I0, R0], t, args=(beta, gamma))
# Построение графика
plt.plot(t, solution[:, 0], label='Подверженные') # Подверженные
plt.plot(t, solution[:, 1], label='Инфицированные') # Инфицированные
plt.plot(t, solution[:, 2], label='Выздоровевшие') # Выздоровевшие
plt.xlabel('Время (дни)')
plt.ylabel('Доля населения')
plt.title('Модель SIR')