SEIRS +模型框架 该软件包实现了带有扩展功能的广义SEIRS传染病动态模型,使我们能够研究社交联系网络结构,异质性,随机性和干预措施(如社交距离,测试,联系追踪和隔离)的影响。 最新版本:v1.0(2020年8月9日) 全面推出, 以及面向和人口的。 示例笔记本,其中包含复杂的和模拟的深入演练。 和类已被重构,以符合约定。 动态和核心实现保持不变,但是某些变量名称已更改,等等。 2020年8月9日之前的这些类的版本现在位于legacy_models.py模块中。 启动新的以全面记录模型和包装特征 总览 可以上找到该软件包的模型,代码,用例,示例等的完整文档。 SEIRS动力学 该软件包中模型的基础是经典的传染病SEIR模型。 SEIR模型是标准的隔离模型,其中将种群分为易感(S) ,暴露(E) ,传染性(I)和恢复(R)个体。 与感染个体进行传染性接触时,该种群中的易感成员被感染(暴露),然后进入感染状态,最终恢复。 在SEIRS模型中,恢复的个体可能在恢复后的某个时间变得易感(尽管如果不适用或不期望,则可以排除易感性)。 扩展的SEIRS模型 该模型扩展了经典的传染病S
1
随机图上的流行病 介绍 这里的代码旨在模拟的疾病爆发。 包含的功能可以通过可修改的部署将通过疫苗的干预措施纳入进来。 注意:此项目已被所取代。 目录 基本信息 我们用一个经典的随机图G(n,p_adj)建模一个简单的社交网络,该图由n个节点组成,其中任意两个节点的连接概率为p_adj。 一个随机选择的节点感染了病毒V(p_inf,tau),成为零号患者。 在一个时间步中,每个受感染的节点以p_inf的概率将病毒传播到其每个连接的节点。 节点从感染中恢复的预期时间步长为tau。 为了数学上的方便,我们忽略了生命动力学,并假设网络中没有出生或死亡。 有关更多信息,请阅读相应的论文上的 。 用法 可以使用带有命令行参数的simRGSIR来运行大多数核心功能。 前六个命令行参数是: 人口:要模拟的节点数。 p_adjacent :连接两个节点的概率。 p_infect :感染者在一个时
1