新冠数据整理和简单分析（三）——使⽤Anylogic进⾏仿真实验
自控>自动检测
新冠数据整理和简单分析（三）—— 使⽤Anylogic进⾏仿真实验
抗坏血酸氧化酶简单介绍
在上⼀篇⽂章中我试图使⽤Optuna的超参数拟合技术来求更复杂的SIR模型变种，但是遇到了数据⽆法观测的问题（潜伏期和⽆症状患者⽆法观测），因此在这篇⽂章中，我们换⼀个⾓度，使⽤系统动⼒学模型来仿真更复杂并且贴近现实的COVID-19传染情景，便于⼤家了解病毒的传播过程。拍拍烧
模型介绍
SIR
⾸先，先构建⼀个最简单的SIR模型。SIR模型假设总⼈⼝（随时间不变的常数）是由三种类型的⼈组成的，分别是易感染者、感染者、移除者，其中移除者包括痊愈⼈和死亡⼈两类。我们先来看⼀下这个模型⼤概的结构。 在这个模型中我们要注意两个Flow过程，分别对应感染和移除。感染是从易感者进⼊感染者⼈的过程。假设初始状态下感染者1⼈，易感者⼈数即为总⼈⼝-1⼈，在本例中是等于9999。⽽⼀个感染者⼀天接触10个⼈，并且感染概率是0.05的话，那么⼀天实际上⼀个感染者就可以感染半个⼈。但是需要注意的，如果随着感染⼈数增加，那么感染者每天接触的⼈中也可能会出现感染者，⽽我们知道感染者之间⽆法进⾏互相传播⼆次染病，因此我们还要考虑感染者接触⼈中易感者的⼈数，可由易感者/总⼈⼝求得。最后，我们就可以得到感染过程的表达式：
当前感染⼈数 = 每天接触⼈数 * 当前易感者⼈数 / 总⼈⼝ * 感染概率 * 当期感染者⼈数
接下来分析⼀下移除流的具体过程。移除流反映从感染者进⼊移除者的过程。为了简化问题，我们假设这个病毒没有致死性，那么的话病好只是⼀个时间的过程。假设该病疾病周期为7天，也就是说从
一个粗瓷大碗得病到康复只需要7天的时间，那么的话，每天我们都恢复了“1/7的健康”。从这个⾓度讲，我们就可以将每天的移除流定义为：
当期移除⼈数 = 感染者 * 1 / 疾病周期
以上，我们便构建了整个动⼒学模型的流程，接下来看⼀下仿真结果。
SEAIR-C
这是⼀个更复杂的⾃定义模型。我将总⼈⼝进⼀步区分为易感者、潜伏者、有症状感染者、⽆症状感染者、康复和死亡，同时我还加⼊了政府管控⼒度的模拟。但是这个模型只供参考，其数据和参数设置没有任何现实意义。我们来看⼀下这个模型的构造。
在我的参数设置下（按照珍珠号给出的统计报告，⽆症状患者占总感染者的40%左右），仿真出来的结果⼤概是这样的：
这个图像模拟的是政府在初期不防控，在时刻45时达到防控最⾼峰的情况，防空⼒度的具体函数是⼀个随时间变化的weibull distribution。根据我的多次模拟结果显⽰，⽆症状患者⽐例越⾼，那么该病对⽣命的威胁就越⼩，但是，却会出现迟迟⽆法完全消除该病的情况（函数为长尾）。相反，如果有症状患者⽐例⾼，那么该病在爆发期所产⽣的死亡量就⼤，但是这些有症状患者更容易被发现，隔离和移除，所以往往这种情况下病情在相同管制⼒度下持续的时间更短。
>魔音组合
