基于SEIR模型的传染病预测软件开发(完整代码+数据集+报告)

简介: 基于SEIR模型的传染病预测软件开发(完整代码+数据集+报告)

1 操作页面及用户使用说明

(1) 界面说明


2d1340db46363b4473e301e6cfa931e4.png


App页面主要分为4个区域,分别是:曲线显示区、模型初始化和预防参数设定区、传染病特征参数设定区、绘图控制区。


① 曲线显示区:显示模型预测的不同人数量随时间的变化曲线。


② 模型初始化和预防参数设定区:设定初始化参数(S健康人数、E潜伏区人数、I发病人数、R康复人数)和r单位时间接触次数、p个人防护率。


③ 传染病特征参数设定区:设定 每次接触感染概率、 单位时间从潜伏期发展到病发的概率、 单位时间治愈概率、 单位时间致死概率。


④ 绘图控制区:控制绘图、设定基本参数、设定坐标轴区间、设定绘制对象人数。


(2) 使用说明

a. 曲线显示区&绘图控制区

曲线显示区主要功能为显示模型预测的不同人数量随时间的变化曲线。


绘图控制区的主要功能为控制绘图、设定基本参数、设定坐标轴区间、设定绘制对象人数。

056ada1ad4646b37ebd90ffdeffea2b2.png



Clear:清除显示区的曲线。


Predict:在曲线显示区显示给定输入参数下模型预测的不同情况人数变化曲线。


Reset:快速设定默认输入参数和坐标。


坐标显示范围:输入预定的曲线观测区间。


Apply:应用XY观测区间。


坐标区:选择不同情况的人作为观测对象(S健康人数、E潜伏区人数、I发病人数、R康复人数)在曲线显示区内进行显示。


b. 模型初始化和预防参数设定区

该区域主要功能为


① 设定人员初始化参数:S0健康人数、E0潜伏区人数、I0发病人数、R0康复人数。


② 预防参数设定:r单位时间接触次数、p个人防护率。可以在Typical example中选择特定的预防措施,自动设置预防参数。



2f7ae071130a00cba65b809495e2aed2.png

c. 传染病特征参数设定区

该区域主要功能为设定β每次接触感染概率、ϵ单位时间从潜伏期发展到病发的概率、γ单位时间治愈概率、μ单位时间致死概率。


5ed81477ab8b9eb3a7dfa2c2866463d5.png


(3) 注意事项

a. 该app回调函数中采用sim函数调用模型SEIR_model.slx,应把该文件放在可访问的文件夹中。

b. SEIR_model.slx模型预算1000s的仿真时长,若观测区间大于1000days将会显示不全,需要手动调整slx文件时间参数。


2 回调函数设计说明

(1) Predict预测

点击Predict在曲线显示区生成图像。先将全部输入参数导入base workspace,在local workspace调用SEIR_model.slx模型,最后根据不同的预测对象设定绘制图像。


1078a28bd55475b7dfc028c92637a69d.png


(2) Reset重新设置

重新设定图像显示区窗口位置、区间和默认输入参数。


5ea101e5a87dc178f39595dc7c43abc4.png


(3) 预防类型下拉菜单

根据用户对不同预防措施的选择设定预测参数r、p。


8def2635ef7a622c2df5c2e01950d3ee.png


(4) 病毒类型选择

给定经典类型,用户选择后病毒传染参数会自动改变。


ce466a5bd5a4dd68c40edc3d396cc59d.png


(5) 不同对象预测选择

选择不同情况的人作为观测对象(S健康人数、E潜伏区人数、I发病人数、R康复人数)在曲线显示区内进行显示。

6cfc6622fab2f0ef9bd8e797cd5fec66.png


(6) Clear曲线清除

清除曲线显示区中曲线。


4898a4d09e39340219b243e69ad688c4.png


(7) Apply应用观测范围设置

在曲线显示区坐标范围设为用户输入的坐标范围。


e0a5a5259861ac2a8cbbd0075bdc1eed.png

3 生成及安装

(1) 打包生成


0d12bde1cee2bc063e457808981fcbc8.png


(2) 安装使用

2fa45627ed4381238e1c5dc84763fdd3.png


  1. 程序使用示例

见附件“基于SEIR模型的传染病预测软件使用示例.mp4”

完整代码+数据集:

https://download.csdn.net/download/weixin_55771290/87385540

相关文章
|
7月前
|
编解码 算法 数据挖掘
【数据挖掘】聚类趋势估计、簇数确定、质量测定等评估方法详解(图文解释 超详细)
【数据挖掘】聚类趋势估计、簇数确定、质量测定等评估方法详解(图文解释 超详细)
177 0
|
7月前
|
JSON 自然语言处理 供应链
R语言主题模型LDA文本挖掘评估公司面临的风险领域与可视化
R语言主题模型LDA文本挖掘评估公司面临的风险领域与可视化
|
5月前
|
机器学习/深度学习 存储 数据可视化
谷歌的时间序列预测的基础模型TimesFM详解和对比测试
在本文中,我们将介绍模型架构、训练,并进行实际预测案例研究。将对TimesFM的预测能力进行分析,并将该模型与统计和机器学习模型进行对比。
175 2
|
4月前
|
机器学习/深度学习 人工智能
高于临床测试3倍准确率!剑桥大学开发AI模型,提前6年预测阿尔茨海默症
【8月更文挑战第9天】剑桥大学研发的人工智能模型在预测阿尔茨海默症方面取得突破,准确率比传统临床测试高三倍,能提前六年预测疾病发生。该模型基于深度学习,利用大量临床及神经影像数据识别生物标志物,预测准确性达80%。这一成果有望促进早期干预,改善患者预后,但仍需更大规模研究验证,并解决隐私与公平性等问题。论文已发表于《The Lancet》子刊。
56 6
|
7月前
|
机器学习/深度学习 算法
利用机器学习进行股市预测的可行性分析
【5月更文挑战第31天】本文探讨了机器学习技术在股市预测中的应用。通过对历史数据的分析和模型训练,我们可以构建出能够预测未来股市走势的模型。然而,由于股市受到多种因素的影响,包括经济、政治和社会因素等,因此预测的准确性仍然存在挑战。本文将介绍一些常见的机器学习算法和它们在股市预测中的应用,并提供一些建议来提高预测的准确性。
|
7月前
|
数据可视化 数据挖掘
singleCellNet(代码开源)|单细胞层面对细胞分类进行评估,褒贬不一,有胜于无
`singleCellNet`是一款用于单细胞数据分析的R包,主要功能是进行细胞分类评估。它支持多物种和多分组分析,并提供了一个名为`CellNet`的类似工具的示例数据集。用户可以通过安装R包并下载测试数据来运行demo。在demo中,首先加载查询和测试数据,然后训练分类器,接着进行评估,包括查看准确率和召回率的曲线图、分类热图和比例堆积图等。此外,`singleCellNet`还支持跨物种评估,将人类基因映射到小鼠直系同源物进行分析。整体而言,`singleCellNet`是一个用于单细胞分类评估的综合工具,适用于相关领域的研究。
94 6
|
7月前
R语言Lee-Carter模型对年死亡率建模预测预期寿命
R语言Lee-Carter模型对年死亡率建模预测预期寿命
|
7月前
|
JSON 供应链 数据可视化
R语言主题模型LDA评估公司面临的风险领域与可视化
R语言主题模型LDA评估公司面临的风险领域与可视化
|
7月前
R语言马尔可夫转换模型研究交通伤亡人数事故预测
R语言马尔可夫转换模型研究交通伤亡人数事故预测
|
7月前
|
人工智能 算法 安全
训练数据集污染与模型算法攻击将成为AI新的棘手问题
【1月更文挑战第11天】训练数据集污染与模型算法攻击将成为AI新的棘手问题
221 3
训练数据集污染与模型算法攻击将成为AI新的棘手问题