基于SEIR模型对美国COVID

基于每日发布的COVID-19确诊感染人数，采用SEIR(Susceptible-Exposed-Infected-Recovered)传染病动力学模型，利用最小二乘法对模型中的参数 $\beta，k，\gamma，\mu$ 以及潜伏者的初值E(0)进行拟合估计，选择合适的数据集和参数范围，进一步提高模型预测的精度和准度。该方法能够合理地预测美国COVID-19疫情确诊感染人数、死亡人数和疫情稳定阶段，对美国确诊感染人数的预测平均误差率在6%左右，对于疫情防控具有实用价值，对美国COVID-19疫情传播趋势具有研究意义。

为预测美国COVID-19疫情传播情况，本文主要分为4个部分。

第一部分：建立SEIR模型，在原始模型基础上进行改进，以提高精度和准度。

第二部分：模型求解，获取数据并进行数据预处理，运用最小二乘拟合进行参数估计，进而预测分析确诊感染人数。

第三部分：模型分析，对模型的可行性和灵敏度进行分析，确定模型的精度和准度。

以一个国家或一个省/市的数据为例，建立数学模型描述新冠病毒的传播规律，并进行预测和分析，可以美国、香港或上海为例。本文选取美国作为研究对象，进行参数拟合和结果预测。主要的问题如下：

问题1：获取美国自COVID-19疫情发展之初至今的每日总确诊数以及单日新增 感染、治愈、死亡人数，并整合到excel数据表格中；

问题2：基于已知数据，建立COVID-19疫情预测模型，对模型中的参数进行拟合，获取最优拟合参数，预测美国COVID-19疫情传播趋势以及确诊人数；

选取SEIR模型进行数学建模。

​ 图1-研究过程

(1) 不考虑出生和死亡，假设总人口为一个常数；

(2) 治愈后的个体具有免疫能力，不会再次感染；

(3) 人群分为易感人群、潜伏人群、感染人群和康复人群；

(4) 康复人群中包含治愈和死亡人数；

(5) 不考虑疫苗的预防作用。

​ 表1-符号定义

在worldometer网站上有全球范围内较为权威的COVID-19感染人数统计情况，通过python程序获取网站的html文件并通过正则匹配获取美国疫情感染人数，部分数据如表2所示。由于人数较多，在不同时间统计结果中，近期的确诊人数不同，但数据差异不大，可忽略不计。

​ 表2-COVID-19感染人数

​ 图2-感染数据

目前已获取美国自疫情传播以来的所有数据，截至2022年4月7日，共有783组数据，数据量较大，可以直接进行参数拟合，不需要进行插值处理。

目前需要进行拟合的未知参数包括 $\beta，k，\gamma，\mu$ 以及E(0)。

考虑到过拟合和病毒传播特性，采用近150天的数据进行最小二乘拟合，拟合后的参数值如表3所示。

​ 表3-拟合后参数值

通过以上模型和拟合过程，基于5.2中拟合出的参数，预测出接下来4年时间美国COVID-19感染人数，得到每日疫情预测情况。预测出的部分数据如表4所示。预测出的美国COVID-19疫情传播趋势如图Y轴为linear形式如图3所示，Y轴为log形式如图4所示。

​ 表4-拟合数据

​ 图3-Y轴为linear

​ 图4-Y轴为log

（1） 模型假设总人口为常数是可行的。在短时间内，出生人口数和死亡人口数可忽略不计。使用2020年至今的数据预测接下来两年时间美国感染人数，总计4年时间，时间较短，人口数量起伏不大，可以忽略不计。

（2） 模型假设治愈后的人群具有免疫能力，康复后不会被感染是可行的。世界卫生组织曾公布康复者仍有可能二次感染，但这里的二次感染大多数是因为核酸检测和抗体检测的假阳性问题，对于完全康复的人群，其二次感染的可能几乎为0，所以可以假设康复人群具有免疫能力。

（3） 假设总人群分为易感人群、潜伏人群、感染人群和康复人群是可行的。美国没有实行严格的防疫措施，几乎没有任何隔离措施，另外美国人更注重自由，所以可以假设所有人都暴露在病毒之下。

采用不同的参数结果不同，采用不同参数总确诊数增幅不同，如图5所示。从图中可以看出，beta越大，k越大，gamma越小，mu越小，则总确诊人数的增幅越大，总确诊人数越大。由图6可知，当beta和k增大到一定范围内，对确诊人数的影响较小，不同参数时总确诊人数相同。

​ 图5-参数变化对美国COVID-19疫情传播的影响

​ 图6- $ \beta $ 和 $k$ 较大时对美国COVID-19疫情传播的影响

根据真实总感染人数和预测总感染人数计算误差，获取相对误差，2022年03月01至2022年03月10日的真实感染人数和预测感染人数如表5所示。

​ 表5- 美国确诊人数预测结果表

从表5中可以看出，预测的部分数据误差在0.8%到3.2%之间，误差较小。

在进行拟合的150组数据中，误差范围在0-14.9%之间，平均相对误差为6.42%，拟合效果较好，且有充分的数据支撑，可以较好的模拟出美国COVID-19疫情传播趋势。

在该模型中，预测的结果仍有平均6.42%的误差，可能是以下几个原因造成的：

(1) 考虑到病毒的不确定性，美国COVID-19新增确诊人数波动性较大，较难获取最佳拟合效果。

(2) 随着疫情的发展以及科学技术水平的不断提高，新冠疫苗问世，但是本模型没有考虑疫苗的作用，可以增加新的变量代表疫苗的预防效果。在疫苗的作用下，接种疫苗的人群感染概率较低，并不均为易感人群。

(3) 本模型使用的数据为近150天的数据，奥密克戎毒株在美国盛行，但未来产生的新变异毒株的传染性未知，可能和奥密克戎毒株差异较大。仅使用SEIR模型具有局限性，可考虑结合其他模型及拟合方法，例如 AI模型，获取更好的拟合效果和预测精度。

(4) 没有考虑隐形传播者，即尚未被确诊但实际上已经感染新冠病毒的混在健康者中的人群，这类人群有更高的感染系数，所以需要对潜伏者和感染者进行重新定义，包含隐形传播者。

(5) 忽略了潜伏期患者的传播风险，潜伏人群仍具有一定的传播风险，但在本模型中将其假设为无传染性。

(6) 没有考虑住院或隔离患者的传染性，隔离和住院感染者可接触到的人群较少，且有较好的防护措施，和普通感染者的感染系数不同。

在不进行附加干预措施的情况下，在2026年左右美国疫情传播将到达稳定阶段，所有COVID-19感染者将会被治愈或死亡，现存确诊较少，仅有 1000例左右，S,E,I,R均趋于稳定，但是此时感染者人数已超过美国总人口的2/3，死亡人数已超过200万人。所以，进行有效的预防措施和接种疫苗是有必要的。

如6.2.2所示 ，降低 $\beta、k、\gamma、\mu$，可以有效降低总确诊人数。

目前beta的值为0.014419668870111，gamma的值为0.001492483739052，最终确诊人数为2.6亿人，如果 $\beta$ 能降低到0.01，最终确诊人数将降低到1.8亿人，可显著减少确诊人数。降低感染系数，首要的措施就是戴口罩，将易感人群和感染者隔离开。同时提高治愈率，这需要生物医学的发展以及政府的资金补助，当 $\gamma$ 同时提高到0.01时，最终确诊人数将降到1.0亿，确诊人数显著减少。

[1] 张发，李璐，宣慧玉． 传染病传播模型综述［J］． 系统工程 理论与实践，2011，31( 9) : 1736 － 1744．

[2]须成杰,覃开舟.基于SEIR模型的新型冠状病毒肺炎疫情分析[J].计算机应用与软件,2021,38(12):87-90.（主要）

[3]李静,高媛,黄家妹.基于改进SEIR模型的COVID-19疫情传播建模[J].中北大学学报(自然科学版),2021,42(06):486-494.

[4]陈兴志,田宝单,王代文,黄飞翔,付凌燕,徐浩莹.基于SEIR模型的COVID-19疫情防控效果评估和预测[J].应用数学和力学,2021,42(02):199-211.

[5]张杰豪,陈永雪,申佳瑜,张慧,温永仙.信息效应下SEIR传染病模型的动力学分析[J].数学的实践与认识,2021,51(11):316-323.

[6]杨真真,谢艳秋,靳旭东,庄桂敏.基于ARIMA时间序列模型的传染病发展趋势预测——以COVID-19为例[J].中国科技信息,2021(Z1):70-72.

[7]李静,高媛,黄家妹.基于改进SEIR模型的COVID-19疫情传播建模[J].中北大学学报(自然科学版),2021,42(06):486-494.

[8]钟德炎,陈丽华,吴荣火.新型冠状病毒肺炎（COVID-19）疫情预测——基于残差自回归模型[J].内江科技,2021,42(05):118-119.

[9]谢晓金,罗康洋,张怡,金建炳,林海翔,殷志祥,王国强.非线性组合动态传播率模型与我国COVID-19疫情分析和预测[J].运筹学学报,2021,25(01):17-30.DOI:10.15960/j.cnki.issn.1007-6093.2021.01.002.

[10]刘雅姝,吴琪俊,陆一涵,赵玉虹.新型冠状病毒肺炎(COVID-19)传染病预测模型分析[J].公共卫生与预防医学,2020,31(03):10-13.

[11]白宁,宋晨玮,徐瑞.基于动力学模型的COVID-19疫情预测与控制策略研究[J].应用数学学报,2020,43(03):483-493.

[12]林俊锋.基于引入隐形传播者的SEIR模型的COVID-19疫情分析和预测[J].电子科技大学学报,2020,49(03):375-382.

[13]曹盛力,冯沛华,时朋朋.修正SEIR传染病动力学模型应用于湖北省2019冠状病毒病(COVID-19)疫情预测和评估[J].浙江大学学报(医学版),2020,49(02):178-184.

[14]王志心,刘治,刘兆军.基于机器学习的新型冠状病毒(COVID-19)疫情分析及预测[J].生物医学工程研究,2020,39(01):1-5.DOI:10.19529/j.cnki.1672-6278.2020.01.01.

[15]喻孜,张贵清,刘庆珍,吕忠全.基于时变参数-SIR模型的COVID-19疫情评估和预测[J].电子科技大学学报,2020,49(03):357-361.

Python & MATLAB