基于个体行为的传染病模型研究与分析

陈腾飞 龙华 邵玉斌 杜庆治 张亚楠 宋肖肖

陈腾飞, 龙华, 邵玉斌, 杜庆治, 张亚楠, 宋肖肖. 基于个体行为的传染病模型研究与分析[J]. 疾病监测, 2022, 37(6): 813-820. doi: 10.3784/jbjc.202111210597
引用本文: 陈腾飞, 龙华, 邵玉斌, 杜庆治, 张亚楠, 宋肖肖. 基于个体行为的传染病模型研究与分析[J]. 疾病监测, 2022, 37(6): 813-820. doi: 10.3784/jbjc.202111210597
Chen Tengfei, Long Hua, Shao Yubin, Du Qingzhi, Zhang Yanan, Song Xiaoxiao. Research and analysis of infectious disease model based on individual behavior[J]. Disease Surveillance, 2022, 37(6): 813-820. doi: 10.3784/jbjc.202111210597
Citation: Chen Tengfei, Long Hua, Shao Yubin, Du Qingzhi, Zhang Yanan, Song Xiaoxiao. Research and analysis of infectious disease model based on individual behavior[J]. Disease Surveillance, 2022, 37(6): 813-820. doi: 10.3784/jbjc.202111210597

基于个体行为的传染病模型研究与分析

doi: 10.3784/jbjc.202111210597
详细信息
    作者简介:

    陈腾飞,男,陕西省渭南市人,硕士研究生,主要从事复杂系统建模与仿真研究,Email: tengfei0973@163.com

    通讯作者:

    龙华,Tel: 13888051616,Email: 1670931890@qq.com

  • 中图分类号: R211; R51

Research and analysis of infectious disease model based on individual behavior

More Information
  • 摘要:   目的  为了充分考虑种群中个体差异和人员流动对传染病发展的影响,构建一种基于个体行为的传染病模型来揭示传染病传播的动力学特征,对疫情防控措施的有效性进行评价。  方法  以个体为基本研究对象建立仿真模型,为个体属性赋予不同数值以体现个体间的差异性,将影响传染病传播的因素以参数形式引入模型,通过改变个体的属性值来反映传染病流行期间个体的状态变化。  结果  通过对相关参数的设置,模型仿真结果与疫情发展趋势高度吻合,并以武汉地区新型冠状病毒肺炎疫情的基本再生数为指标,验证了模型的有效性。 在此基础上,进一步讨论了个体社交活跃度对疫情发展的影响,模拟了不同防控措施下疫情的发展趋势。  结论  该模型参数灵活,适用于传染病在多种情况下的趋势分析,能对防控措施的有效性进行科学评价,为疫情防控提供科学指导。
  • 图  1  个体状态转移规则

    Figure  1.  Rules of individual condition transition

    图  2  密切接触区域示意图

    Figure  2.  Schematic diagram of close contact area

    图  3  研究区域示意图

    Figure  3.  Schematic diagram of study area

    图  4  个体活动轨迹示意图

    Figure  4.  Schematic diagram of individual movement track

    图  5  相邻两天内个体的密切接触区域与位移的关系

    Figure  5.  Close contact areas of an individual in two adjacent days

    图  6  模型总体流程

    Figure  6.  Overall process of the model

    图  7  模型仿真结果

    Figure  7.  Simulation results of model

    图  8  模型对比

    Figure  8.  Comparison of two models

    图  9  社交活跃度对疫情发展影响对比

    Figure  9.  Comparison of impact of social activity on epidemic development

    图  10  采取防控措施前后社交活跃度对疫情发展影响对比

    Figure  10.  Comparison of impact of social activity on epidemic development before and after lockdown

    图  11  密切接触人数对疫情发展影响对比

    Figure  11.  Comparison of impact of close contacts on epidemic development

    图  12  传染期对疫情发展影响对比

    Figure  12.  Comparison of impact of infectious period on epidemic development

    图  13  口罩佩戴率对疫情发展影响对比

    Figure  13.  Comparison of impact of mask wearing rate on epidemic development

    图  14  感染率对疫情发展影响对比

    Figure  14.  Comparison of impact of infection probability on epidemic development

    表  1  实验参数

    Table  1.   Experimental parameters

    参数含义参数形式参数取值
    潜伏期均值λ13.00
    传染期均值λ23.00
    隔离期均值µ12.39
    密切接触人数m5.00
    基本再生数R02.60
    社交活跃度k0.05
    下载: 导出CSV
  • [1] 黄德生, 关鹏, 周宝森. SIR模型对北京市SARS疫情流行规律的拟合研究[J]. 疾病控制杂志,2004,8(5):398–401. DOI:10.3969/j.issn.1674−3679.2004.05.005.

    Huang DS, Guan P, Zhou BS. Research on fitting of SIR model on prevalence of SARS in Beijing city[J]. Chin J Dis Control Prev, 2004, 8(5): 398–401. DOI: 10.3969/j.issn.1674−3679.2004.05.005.
    [2] 王小莉, 曹志冬, 曾大军, 等. 应用SEIR模型预测2009年甲型H1N1流感流行趋势[J]. 国际病毒学杂志,2011,18(6):161–165. DOI:10.3760/cma.j.issn.1673−4092.2011.06.001.

    Wang XL, Cao ZD, Zeng DJ, et al. Prediction of the epidemic trends of pandemic H1N1 2009, using SEIR model[J]. Int J Virol, 2011, 18(6): 161–165. DOI: 10.3760/cma.j.issn.1673−4092.2011.06.001.
    [3] 陈乾国, 张自力. 无标度网络上带人工免疫的SIRS模型的动力学行为及其免疫控制策略[J]. 计算机科学,2013,40(6):211–214. DOI:10.3969/j.issn.1002−137X.2013.06.046.

    Chen QG, Zhang ZL. Dynamics behavior and immune control strategies of SIRS model with immunization on scale-free complex networks[J]. Comput Sci, 2013, 40(6): 211–214. DOI: 10.3969/j.issn.1002−137X.2013.06.046.
    [4] 陈佳丽, 金美玲, 王霞, 等. 基于SVEPIUHDR传染病动力学模型的新型冠状病毒肺炎疫情趋势分析[J]. 中华流行病学杂志,2021,42(8):1341–1346. DOI:10.3760/cma.j.cn112338−20210225−00147.

    Chen JL, Jin ML, Wang X, et al. Fitting and predicting trend of COVID-19 by SVEPIUHDR dynamic model[J]. Chin J Epidemiol, 2021, 42(8): 1341–1346. DOI: 10.3760/cma.j.cn112338−20210225−00147.
    [5] 石耀霖, 程惠红, 黄禄渊, 等. 用离散随机模型研究湖北新冠肺炎COVID-19流行病动力学特征[J]. 中国科学院大学学报,2020,37(2):145–154. DOI:10.7523/j.issn.2095−6134.2020.02.001.

    Shi YL, Cheng HH, Huang LY, et al. Using a discrete stochastic model to study the epidemic dynamics of COVID-19 in Hubei, China[J]. J Univ Chin Acad Sci, 2020, 37(2): 145–154. DOI: 10.7523/j.issn.2095−6134.2020.02.001.
    [6] 崔玉美, 陈姗姗, 傅新楚. 几类传染病模型中基本再生数的计算[J]. 复杂系统与复杂性科学,2017,14(4):14–31. DOI:10.13306/j.1672−3813.2017.04.002.

    Cui YM, Chen SS, Fu XC. The thresholds of some epidemic models[J]. Complex Syst Complex Sci, 2017, 14(4): 14–31. DOI: 10.13306/j.1672−3813.2017.04.002.
    [7] Wu JT, Leung K, Leung GM. Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan, China: a modelling study[J]. Lancet, 2020, 395(10225): 689–697. DOI: 10.1016/S0140−6736(20)30260−9.
    [8] 何明霞. 生物种群及其模型研究[D]. 兰州: 兰州大学, 2013.

    He MX. Mathematical model of ecological population[D]. Lanzhou: Lanzhou University, 2013.
    [9] Wallinga J, Lipsitch M. How generation intervals shape the relationship between growth rates and reproductive numbers[J]. Proc Roy Soc B Biol Sci, 2007, 274(1609): 599–604. DOI:  10.1098/rspb.2006.3754.
    [10] Ball F, Barbour AD. Poisson approximation for some epidemic models[J]. J Appl Probabil, 1990, 27(3): 479–490. DOI:  10.2307/3214534.
    [11] 杨孝坤, 李昱, 赵宏婷, 等. 新型冠状病毒感染不同阶段的传染性研究进展[J]. 中华流行病学杂志,2021,42(1):33–38. DOI:10.3760/cma.j.cn112338−20200806−01027.

    Yang XK, Li Y, Zhao HT, et al. Advance on the infectivity of SARS-CoV-2 infection at different stages[J]. Chin J Epidemiol, 2021, 42(1): 33–38. DOI: 10.3760/cma.j.cn112338−20200806−01027.
    [12] Li Q, Guan XH, Wu P, et al. Early transmission dynamics in Wuhan, China, of novel coronavirus-infected pneumonia[J]. N Engl J Med, 2020, 382(13): 1199–1207. DOI:  10.1056/NEJMoa2001316.
    [13] Ferretti L, Wymant C, Kendall M, et al. Quantifying SARS-CoV-2 transmission suggests epidemic control with digital contact tracing[J]. Science, 2020, 368(6491): eabb6936. DOI:  10.1126/science.abb6936.
    [14] Yang Y, Lu QB, Liu M, et al. Epidemiological and clinical features of the 2019 novel coronavirus outbreak in China[Z]. medRxiv,DOI:  10.1101/2020.02.10.20021675.
    [15] Chen NS, Zhou M, Dong X, et al. Epidemiological and clinical characteristics of 99 cases of 2019 novel coronavirus pneumonia in Wuhan, China: a descriptive study[J]. Lancet, 2020, 395(10223): 507–513. DOI: 10.1016/S0140−6736(20)30211−7.
    [16] 王聪, 严洁, 王旭, 等. 新型冠状病毒肺炎早期时空传播特征分析[J]. 物理学报,2020,69(8):243–252. DOI: 10.7498/aps.69.20200285.

    Wang C, Yan J, Wang X, et al. Analysis on early spatiotemporal transmission characteristics of COVID-19[J]. Acta Phys Sin, 2020, 69(8): 243–252. DOI:  10.7498/aps.69.20200285.
    [17] Huang CL, Wang YM, Li XW, et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China[J]. Lancet, 2020, 395(10223): 497–506. DOI: 10.1016/S0140−6736(20)30183−5.
    [18] Li RY, Pei S, Chen B, et al. Substantial undocumented infection facilitates the rapid dissemination of novel coronavirus (SARS-CoV-2)[J]. Science, 2020, 368(6490): 489–493. DOI:  10.1126/science.abb3221.
  • 加载中
图(14) / 表(1)
计量
  • 文章访问数:  126
  • HTML全文浏览量:  165
  • PDF下载量:  36
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-11-21
  • 网络出版日期:  2022-03-25
  • 刊出日期:  2022-07-14

目录

    /

    返回文章
    返回

    在线交流

    防诈骗公告

    近期有不法分子以本刊编辑身份添加作者微信,请务必提高警惕!本刊关于稿件的一切事项通知均采用编辑部唯一邮箱(jbjc@icdc.cn)和座机(010-58900732)联系作者,且在录用稿件后仅收取版面费,无其他任何名目费用(如审稿费和加急费等),非编辑部邮箱发送的本刊收费用通知等均为诈骗,不要随意汇入款项!如有可疑及时致电编辑部核实确认!