时间:2021-11-09 10:29 作者:admin

受杰森的《Almost Looks Like Work》启发，我来展示一些病毒传播模型。需要注意的是这个模型并不反映现实情况，因此不要误以为是西非可怕的传染病。相反，它更应该被看做是某种虚构的僵尸爆发现象。那么，让我们进入主题。

这就是SIR模型，其中字母S、I和R反映的是在僵尸疫情中，个体可能处于的不同状态。

S 代表易感群体，即健康个体中潜在的可能转变的数量。 I 代表染病群体，即僵尸数量。 R 代表移除量，即因死亡而退出游戏的僵尸数量，或者感染后又转回人类的数量。但对与僵尸不存在治愈者，所以我们就不要自我愚弄了（如果要把SIR模型应用到流感传染中，还是有治愈者的）。 至于β(beta)和γ(gamma): β(beta)表示疾病的传染性程度，只要被咬就会感染。 γ(gamma)表示从僵尸走向死亡的速率，取决于僵尸猎人的平均工作速率，当然，这不是一个完美的模型，请对我保持耐心。 S′=?βIS告诉我们健康者变成僵尸的速率，S′是对时间的导数。 I′=βIS?γI告诉我们感染者是如何增加的，以及行尸进入移除态速率（双关语）。 R′=γI只是加上(gamma I)，这一项在前面的等式中是负的。

上面的模型没有考虑S/I/R的空间分布，下面来修正一下！

一种方法是把瑞典和北欧国家分割成网格，每个单元可以感染邻近单元，描述如下：

其中对于单元，和是它周围的四个单元。（不要因为对角单元而脑疲劳，我们需要我们的大脑不被吃掉）。

初始化一些东东。

import numpy as npimport mathimport matplotlib.pyplot as plt  %matplotlib inlinefrom matplotlib import rcParamsimport matplotlib.image as mpimgrcParams['font.family'] = 'serif'rcParams['font.size'] = 16rcParams['figure.figsize'] = 12, 8from PIL import Image

适当的beta和gamma值就能够摧毁大半江山

beta = 0.010gamma = 1

还记得导数的定义么？当导数已知，假设Δt很小的情况下，经过重新整理，它可以用来近似预测函数的下一个取值，我们已经声明过u′(t)。

初始化一些东东。

import numpy as npimport mathimport matplotlib.pyplot as plt  %matplotlib inlinefrom matplotlib import rcParamsimport matplotlib.image as mpimgrcParams['font.family'] = 'serif'rcParams['font.size'] = 16rcParams['figure.figsize'] = 12, 8from PIL import Image

适当的beta和gamma值就能够摧毁大半江山

beta = 0.010gamma = 1

还记得导数的定义么？当导数已知，假设Δt很小的情况下，经过重新整理，它可以用来近似预测函数的下一个取值，我们已经声明过u′(t)。

这种方法叫做欧拉法，代码如下：

def euler_step(u, f, dt):  return u + dt * f(u)

我们需要函数f(u)。友好的numpy提供了简洁的数组操作。我可能会在另一篇文章中回顾它，因为它们太强大了，需要更多的解释，但现在这样就能达到效果：

 def f(u):  S = u[0]  I = u[1]  R = u[2]   new = np.array([-beta*(S[1:-1, 1:-1]*I[1:-1, 1:-1] +              S[0:-2, 1:-1]*I[0:-2, 1:-1] +              S[2:, 1:-1]*I[2:, 1:-1] +              S[1:-1, 0:-2]*I[1:-1, 0:-2] +              S[1:-1, 2:]*I[1:-1, 2:]),           beta*(S[1:-1, 1:-1]*I[1:-1, 1:-1] +              S[0:-2, 1:-1]*I[0:-2, 1:-1] +              S[2:, 1:-1]*I[2:, 1:-1] +              S[1:-1, 0:-2]*I[1:-1, 0:-2] +              S[1:-1, 2:]*I[1:-1, 2:]) - gamma*I[1:-1, 1:-1],           gamma*I[1:-1, 1:-1]          ])   padding = np.zeros_like(u)  padding[:,1:-1,1:-1] = new  padding[0][padding[0] < 0] = 0  padding[0][padding[0] > 255] = 255  padding[1][padding[1] < 0] = 0  padding[1][padding[1] > 255] = 255  padding[2][padding[2] < 0] = 0  padding[2][padding[2] > 255] = 255   return padding

导入北欧国家的人口密度图并进行下采样，以便较快地得到结果

from PIL import Imageimg = Image.open('popdens2.png')img = img.resize((img.size[0]/2,img.size[1]/2))img = 255 - np.asarray(img)imgplot = plt.imshow(img)imgplot.set_interpolation('nearest')

北欧国家的人口密度图（未包含丹麦）

S矩阵，也就是易感个体，应该近似于人口密度。感染者初始值是0，我们把斯德哥尔摩作为第一感染源。

S_0 = img[:,:,1]I_0 = np.zeros_like(S_0)I_0[309,170] = 1 # patient zero

因为还没人死亡，所以把矩阵也置为0.

R_0 = np.zeros_like(S_0)

接着初始化模拟时长等。

T = 900             # final timedt = 1             # time incrementN = int(T/dt) + 1        # number of time-stepst = np.linspace(0.0, T, N)   # time discretization # initialize the array containing the solution for each time-stepu = np.empty((N, 3, S_0.shape[0], S_0.shape[1]))u[0][0] = S_0u[0][1] = I_0u[0][2] = R_0

我们需要自定义一个颜色表，这样才能将感染矩阵显示在地图上。

import matplotlib.cm as cmtheCM = cm.get_cmap("Reds")theCM._init()alphas = np.abs(np.linspace(0, 1, theCM.N))theCM._lut[:-3,-1] = alphas

下面坐下来欣赏吧…

 for n in range(N-1):  u[n+1] = euler_step(u[n], f, dt)

让我们再做一下图像渲染，把它做成gif，每个人都喜欢gifs！

from images2gif import writeGif keyFrames = []frames = 60.0 for i in range(0, N-1, int(N/frames)):  imgplot = plt.imshow(img, vmin=0, vmax=255)  imgplot.set_interpolation("nearest")  imgplot = plt.imshow(u[i][1], vmin=0, cmap=theCM)  imgplot.set_interpolation("nearest")  filename = "outbreak" + str(i) + ".png"  plt.savefig(filename)  keyFrames.append(filename) images = [Image.open(fn) for fn in keyFrames]gifFilename = "outbreak.gif"writeGif(gifFilename, images, duration=0.3)plt.clf()

(责任编辑：admin)