广义SEIR流行病模型（拟合与计算）

描述

数值实现了具有七种状态的广义SEIR模型[2]。除了依赖于函数“lsqcurvfit”的拟合外，该实现是从头开始的。因此，目前的实现可能不同于参考文献[2]中使用的实现。

该Matlab实现还包括与参考文献[2]的一些主要差异其中包括死亡率和恢复率的表达式，它们是时间的分析和经验函数。这种时间依赖性背后的思想是，随着时间的增加，死亡率和恢复率应该收敛到一个恒定值。如果死亡率保持不变，死亡人数可能会被高估。出生率d此处未对自然死亡进行建模。这意味着总人口（包括死亡病例数量）保持不变。请注意，参考文献[2]是未经同行审查的预印本，我没有资格判断论文的质量。

内容

本文件包括:

• 用于模拟感染性、恢复性和死亡病例（以及其他病例）的时间历程的函数SEIQRDP.m

• 一个函数fit_SEIQRDP.m，它以最小二乘法估计SEIQRDP.m中使用的十个参数。

• 一个示例文件Documentation.mlx，介绍了数值实现。

• 一个示例文件example_province_region.mlx，它使用约翰·霍普金斯大学收集的湖北省（中国）新冠病毒-19流行的数据[3]。

• 一个示例文件example_Country.mlx，它使用约翰·霍普金斯大学收集的新冠病毒-19流行的数据[3]作为证据。

• Matteo Secli编写的一个文件“ItalianaRegions.mlx”(https://github.com/matteosecli)我对其进行了修改，以使其更加牢固。

• 一个示例文件chineseprovices.mlx，说明了如何在for循环中使用fit_SEIQRDP.m函数来拟合来自中国不同省份的数据[3]。

• 其中一个例子是“uncertiesIssues.mlx”，它说明了拟合有限数据集的危险。

• 一个示例“example_US_cities.mlx”说明了“恢复”数据不可用时的拟合。

• 一个例子是模拟多重波，mlx，它说明了多个流行波的拟合。

• 一个函数是getDataCOVID，它从[3]约翰·霍普金斯大学收集的数据中读取数据。

• Matteo Secli编写的一个函数getDataCOVID_ITA(https://github.com/matteosecli)，从意大利政府收集意大利新冠病毒-19大流行的最新数据[4]

• 一个函数getDataCOVID_US从[3]收集美国的更新数据

• 一个函数checkRates.m，用于绘制拟合和计算的死亡率和恢复率（质量检查）

• 一个函数getMultipleWaves。m，模拟SEIRQDP模型并将其适合于检测到多个流行波的情况。

欢迎提出任何问题、意见或建议。

参考文献

［１］https://en.wikipedia.org/wiki/Compartmental_models_in_epidemiology#Bio-SIR模型的数学确定性处理

[2] 彭磊，杨伟伟，张德德，诸葛，C.，洪磊（2020）。中国新冠病毒-19的动态模型流行分析。arXiv预印本arXiv:2002.06563。

[3]https://github.com/CSSEGISandData/COVID-19

[4]https://github.com/pcm-dpc/COVID-19

例1（意大利的新冠病毒-19病例）

扩展SEIR模型与实际数据的拟合提供了以下结果：

例2（湖北的新冠病毒-19病例）

扩展SEIR模型与实际数据的拟合提供了以下结果：

示例3（多个波的情况）

扩展SEIR模型与实际数据的拟合提供了以下结果：