## 留言板 引用本文: 闫琴玲，唐三一. 基于Kolmogorov前向方程评估甲型H1N1流感疫情的动态变化 [J]. 应用数学和力学，2022，43（4）：435-444 Qinling YAN, Sanyi TANG. Dynamic Changes of Influenza A/H1N1 Epidemic Evaluated Based on the Kolmogorov Forward Equation[J]. Applied Mathematics and Mechanics, 2022, 43(4): 435-444. doi: 10.21656/1000-0887.420243
 Citation: Qinling YAN, Sanyi TANG. Dynamic Changes of Influenza A/H1N1 Epidemic Evaluated Based on the Kolmogorov Forward Equation[J]. Applied Mathematics and Mechanics, 2022, 43(4): 435-444. • 中图分类号: O29

## Dynamic Changes of Influenza A/H1N1 Epidemic Evaluated Based on the Kolmogorov Forward Equation

• 摘要:

基于个体水平的传染病模型可以揭示随机性在传染病疫情防控中的重要作用。研究此类模型的普遍方法是通过事件驱动的、大量重复的随机模拟来确定预测变量的范围。而基于Kolmogorov前向方程(KFE)研究个体水平的传染病模型，不仅不需要大量的重复模拟来确定预测变量的范围，而且可以同时考虑每种状态发生的概率。因此，基于2009年西安市第八医院甲型H1N1流感数据，建立了基于社交网络的个体决策心理模型，以确定行为改变率；进一步地，为得到传染病传播过程中各状态的概率分布，基于改进的个体SIR模型，通过Markov过程推导出KFE。结果表明：通过数值求解KFE可以得到整个爆发过程中每种状态发生的概率分布、最严重的时间段及相应的概率，从而能更快、更准确地了解甲型H1N1疫情的传播过程，因此有助于高效地进行甲型H1N1疫情防控。

• 图  1  2009年9月3日至10月10日西安市第八医院甲型H1N1病例数：(a)新增病例数； (b) 累计病例数

Figure  1.  The hospital notifications for A/H1N1 from 3rd September to 10th October 2009 in Xi’an 8th Hospital: (a) the number of new hospital notifications; (b) the accumulated number of hospital notifications

2  流感流行38天计算出的概率质量函数的快照： (a)到第38天时，感染人数与易感人数的联合条件概率质量函数$P(S(t),I(t)|I(t)>0)$ ；(b)概率质量函数的轮廓图；(c)第38天恢复人数的条件概率质量函数$P(R(t)|I(t)>0)$ 2.  A snapshot of the calculated probability mass function at the end of the 38 d influenza epidemic: (a)joint conditional probability mass function $P(S(t),I(t)|I(t)>0)$ of infected and susceptible individuals; (b) the contour of the calculated probability mass function; (c) conditional probability mass function $P(R(t)|I(t)>0)$ of recovered individuals

图  3  均值、均值±1 标准差：(a)易感者；(b)感染者；(c)恢复者；(d)基于MCMC估计的感染者

注　为了解释图中的颜色，读者可以参考本文的电子网页版本，后同。

Figure  3.  The mean values and the mean values ±1 standard deviation values: (a) the susceptible; (b) the infected; (c) the recovered；(d) the infected by MCMC

A1  基于个体的LHBM流程图

A1.  The individual-based scheme of the LHBM

A2  基于模型(A6)，对2 004个个体的个体行为改变率$p_{{\rm{e}}}(i,t)$ 进行估计： (a)规则网络; (b) 小世界(WS) 网络; (c)NW 网络; (d) 随机网络

A2.  The estimation of individual behaviour change rate $p_{e}(i,t)$ for 2 004 persons based on model (A6): (a) the regular network; (b) the small-world (WS) network; (c) the Newman and Watts (NW) network; (d) the random network

A1  在四种经典的社交网络结构下, 模型(A6)所有参数均值和标准差的估计值及取值范围

A1.   The estimated values and ranges of means and standard deviations for all parameters of model (A6) with 4 classical social networks

 mean $\mu$ min max best fit (regular) best fit (WS) best fit (NW) best fit (random) $\delta$ 0.35 0.58 0.410 7 0.475 1 0.580 0 0.475 0 $\lambda$ 170 195 175.116 8 175.402 1 174.625 0 173.485 0 $\tau$ 6 8 6.761 4 6.898 6 6.895 5 6.510 9 $\xi$ 10 50 18.781 0 21.449 0 20.966 4 10.047 5 $\eta$ 0.3 0.6 0.599 5 0.482 2 0.513 3 0.414 5 $O_0$ −0.75 −0.6 −0.637 3 −0.710 2 −0.613 6 −0.631 7 $O_{ {1} }$ 0.001 0.1 0.009 3 0.060 8 0.059 0 0.048 4 $O_{2}$ 0.65 1 0.717 0 0.846 3 0.999 3 0.759 6 $O_3$ 0.01 0.15 0.065 4 0.092 3 0.149 8 0.084 0 $O_4$ −0.75 −0.45 −0.504 5 −0.579 9 −0.497 2 −0.520 9 standard deviation $\sigma$ min max best fit (regular) best fit (WS) best fit (NW) best fit (random) $\delta$ 0.01 0.1 0.038 1 0.058 3 0.094 0 0.046 7 $\lambda$ 1 5 3.591 6 3.837 8 4.458 9 3.144 4 $\tau$ 0 2 0.625 5 0.800 1 1.129 9 0.199 7 $\xi$ 2 2 2.000 0 2.000 0 2.000 0 2.000 0 $\eta$ 0.1 0.1 0.100 0 0.100 0 0.100 0 0.100 0 $O_0$ 0.2 0.6 0.293 9 0.388 3 0.210 9 0.396 7 $O_1$ 0.01 0.4 0.343 0 0.306 3 0.200 7 0.010 0 $O_2$ 0.3 0.5 0.316 3 0.409 3 0.427 8 0.342 1 $O_3$ 0.01 0.1 0.030 2 0.054 3 0.094 2 0.050 3 $O_4$ 0.1 0.5 0.100 4 0.406 1 0.499 0 0.141 7
•  点击查看大图
##### 计量
• 文章访问数:  111
• HTML全文浏览量:  38
• PDF下载量:  29
• 被引次数: 0
##### 出版历程
• 收稿日期:  2021-08-13
• 录用日期:  2021-09-13
• 修回日期:  2021-09-13
• 网络出版日期:  2022-03-25
• 刊出日期:  2022-04-01

### 目录 / 下载:  全尺寸图片 幻灯片
• 分享
• 用微信扫码二维码

分享至好友和朋友圈