SEIR 0.2.3

[simulation]

[simulation] 部分定义了与 SEIR 常微分方程数值模拟相关的参数。支持的参数包括

[simulation]
max_simulation_time = 300
method = DOP853
max_step = 0.5

这里唯一的必需参数是 max_simulation_time，即模拟天数。

参数 method 可用于更改数值积分算法。有关支持的值，请参阅 scipy.integrate.solve_ivp 的文档。

max_step 定义了积分中使用的最大时间步长。

[model]（无分室化）

[model] 部分定义了疾病模型的参数。在其最简单形式中，如果您希望模拟整个群体而无需对其进行分室化，则 [model] 部分如下所示

[model]
population = 5e6
incubation_period = 3
infectious_period = 7
initial_R0 = 2.5
hospitalization_probability = 0.1
hospitalization_duration = 20
hospitalization_lag_from_onset = 7
icu_probability = 0.01
icu_duration = 10
icu_lag_from_onset = 11
death_probability = 0.1
death_lag_from_onset = 25

这里的参数是

incubation_period

疾病的潜伏期（天数）。

infectious_period

患者在潜伏期之后能够传染他人的天数。

initial_R0

疾病的基本再生数。

hospitalization_probability

需要住院的感染者的概率。

hospitalization_duration

平均住院时间（天数）。

hospitalization_lag_from_onset

从症状出现到入院的平均时间（天数）。

icu_probability

需要住院的感染者的概率。

icu_duration

需要重症监护的平均时间（天数）。

icu_lag_from_onset

从症状出现到入住 ICU 的平均时间（天数）。

death_probability

感染者因疾病死亡的概率。

death_lag_from_onset

从症状出现到死亡的平均时间（天数）。

population

总人口。

[model]（分室化）

当您希望将群体分成不同的部分（例如，按年龄组划分）时，[model] 部分将更加复杂。

以芬兰的人口为例，根据年龄分为三个部分：0…15、16…65 和 65+。

[model]
compartments =
    0-15,
    16-65,
    65+

population =
    871036,
    3422996,
    1231274

incubation_period = 3
infectious_period = 7
initial_R0 = 2.5

hospitalization_probability =
    0.11,
    0.17,
    0.29

hospitalization_duration = 20
hospitalization_lag_from_onset = 7
icu_probability = 0.01
icu_duration = 10
icu_lag_from_onset = 11
death_probability = 0.1
death_lag_from_onset = 25

这里的参数是

compartments

以逗号分隔的分室名称列表

population

以逗号分隔的每个分室的人口

incubation_period

疾病的潜伏期（天数）。如果是一个数字，则所有分室使用相同的数字。您可以通过提供以逗号分隔的列表来为每个分室定义不同的潜伏期。

infectious_period

患者在潜伏期之后能够传染他人的天数。如果是一个数字，则所有分室使用相同的数字。您可以通过提供以逗号分隔的列表来为每个分室使用不同的值。

initial_R0

疾病的基本再生数。一个数字。

hospitalization_probability

需要住院的感染者的概率。如果是一个数字，则所有分室使用相同的数字。您可以通过提供以逗号分隔的列表来为每个分室使用不同的值。

hospitalization_duration

平均住院时间（天数）。

hospitalization_lag_from_onset

从症状出现到入院的平均时间（天数）。

icu_probability

需要住院的感染者的概率。如果是一个数字，则所有分室使用相同的数字。您可以通过提供以逗号分隔的列表来为每个分室使用不同的值。

icu_duration

需要重症监护的平均时间（天数）。

icu_lag_from_onset

从症状出现到入住 ICU 的平均时间（天数）。

death_probability

感染者因疾病死亡的概率。如果是一个数字，则所有分室使用相同的数字。您可以通过提供以逗号分隔的列表来为每个分室使用不同的值。

death_lag_from_onset

从症状出现到死亡的平均时间（天数）。

[initial state]（无分室化）

当模型中没有分室时，配置文件的 [initial state] 部分应类似于以下内容

[initial state]
probabilities = True
population_susceptible = 0.8
population_exposed = 0.15
population_infected = 0.05

这里的参数是

probabilities

如果设置为 true，则本节中其余参数被视为概率，暴露/感染者的总数通过将总人口乘以提供的值来计算。

population_exposed

暴露者的总数（或概率）

population_infected

感染者的总数（或概率）

[initial state]（分室化）

当模型中有隔间时，配置文件中的 [初始状态] 部分应类似于以下内容：

[initial state]
probabilities = True
population_exposed =
    0.001,
    0.01,
    0.005
population_infected =
    0.001,
    0.01,
    0.005

这里的参数是

probabilities

如果设置为 true，则本节中其余参数被视为概率，暴露/感染者的总数通过将总人口乘以提供的值来计算。

population_exposed

暴露者的总数（或概率）

population_infected

感染者的总数（或概率）

[限制条件]

我们可以通过在感染率（如果为隔间模型，则为矩阵）中引入时间依赖性来模拟如社交距离和学校关闭等限制。

限制条件可以在名为 [限制条件名称] 的部分中定义的 config 文件中定义。您可以在同一文件中定义多个限制条件。

以下限制条件作为感染率的前因子实现，如下所示：

[restriction social-distancing]
day-begins = 20
day-ends = 180
infectivity modifier = 0.7

[restriction social-distancing experiment 2]
day-begins = 20
day-ends = 180
infectivity modifier =
    [ 0-4, 5-9, 15-19 ] : [ 35-39, 40-44 ] : 0.8
    all : [ 60-64, 65+ ] : 0.2

[restriction social-distancing experiment 2]
day-begins = 20
day-ends = 180
infectivity modifier = file://my_data/restrictions_prefactor.csv