【数学建模】基于matlab SIR模型新冠病毒COVID-19估计【含Matlab源码 2042期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、SEIR模型简介

1 SEIR模型简介

如果所研究的传染病有一定的潜伏期，与病人接触过的健康人并不马上患病，而是成为病原体的携带者，归入 E 类。此时有：

仍有守恒关系 S(t) + E(t) + I(t) + R(t) = 常数，病死者可归入 R 类。潜伏期康复率 γ1 和患者康复率 γ2 一般不同。潜伏期发展为患者的速率为 α。与 SIR 模型相比，SEIR 模型进一步考虑了与患者接触过的人中仅一部分具有传染性的因素，使疾病的传播周期更长。疾病最终的未影响人数 S∞ 和影响人数 R∞ 可通过数值模拟得到。

2 SEIR模型中的S\E\I\R分别表示什么

SEIR模型是传染病模型的一种，一般将传染病流行范围内的人群分为以下几类：
（1）S 类，易感者 (Susceptible)，指未得病者，但缺乏免疫能力，与感染者接触后容易受到感染；
（2）E 类，暴露者 (Exposed)，指接触过感染者，但暂无能力传染给其他人的人，对潜伏期长的传染病适用；
（3）I 类，感病者 (Infectious)，指染上传染病的人，可以传播给 S 类成员，将其变为 E 类或 I 类成员；
（4）R 类，康复者 (Recovered)，指被隔离或因病愈而具有免疫力的人。如免疫期有限，R 类成员可以重新变为 S 类。

⛄二、部分源代码

close all
addpath(‘CV19’)
addpath(‘data’)
%w1 - weigth for values, w2 - weight for derivatives, prn - print results
res = fitVirusCV19(@getDataAustria,‘prn’,‘on’,‘jpg’,‘on’,‘jpres’,‘-r300’);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%% STEP 1: download the data and convert the file format %%%
%%% added by Igor Podlubny, (igor.podlubny@tuke.sk) %%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

% get the current date in YYYYMMDD format
currentDateYYYYMMDD = strrep(datestr(date, 26), ‘/’, ‘’);
% set the filenames
fileCSV = [‘totalcases’, currentDateYYYYMMDD, ‘.csv’];
fileXLSX = [‘totalcases’, currentDateYYYYMMDD, ‘.xlsx’];

% import data from https://ourworldindata.org/coronavirus-source-data
% download the ‘totalcase.csv’ file
tcFileCSV = websave(fileCSV,‘https://covid.ourworldindata.org/data/ecdc/total_cases.csv’);

% read the CSV file, and then save it to XLSX format
TMPFILE = readtable(fileCSV);
writetable(TMPFILE,fileXLSX);

% we will write the results of parsing into the appropriate folder;
% in order to use the original Milan Batista’s code, we put:
path = pwd;

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%% STEP 2: Split the data for individual countries %%%
%%% Milan Batista’s original code for parsing %%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

Amin = 5; % data les than Amin will be deleted from file begining

% get table
T = readtable(fileXLSX);

% get data
A = T{:,2:end};
[nrow,ncol] = size(A);

% table column names
name = string(T.Properties.VariableNames);
name = name(2:end)';

% start date
date0 = datenum(T{1,1}); %datenum(txt{2,1},‘dd.mm.yyyy’); %datenum(‘2019/12/31’);

% end date
%date1 = date0 + nrow - 1;

%functions names
ffname = strings(ncol,1);
nn = 0;
for n = 1:ncol
nname = name{n};
if strcmp(“”,nname)
continue
end
nn = nn + 1;
nname = strrep(nname,’ ‘,’‘);
nname = strrep(nname,’-‘,’‘);
nname = strrep(nname,’‘’‘,’‘);
nname = strrep(nname,’(‘,’‘);
nname = strrep(nname,’)‘,’‘);
fname = sprintf(‘getData%s.m’,nname);
fid = fopen(fullfile(path,fname),‘w’);
if fid < 0
fprintf(’***Fail to open %s\n’,fname);
continue
end
fprintf(‘%d/%d country %s …\n’,ncol,n,nname);
ffname(nn) = nname;
fprintf(fid,‘function [country,C,date0] = getData%s()\n’,nname);
fprintf(fid,‘%%GETDATA%s Coronavirus data for %s\n’,upper(nname),nname);
fprintf(fid,‘%% as reported by One World in Data\n’);
fprintf(fid,‘%% https://ourworldindata.org/coronavirus-source-data\n’);
fprintf(fid,‘country = ‘’%s’‘;\n’,strrep(name(n),’ ‘,’‘));
fprintf(fid,‘C = [\n’);
found = false;
nday = 0;
for m = 1:nrow
if ~found && (isnan(A(m,n)) || A(m,n) == 0 || A(m,n) < Amin)
nday = nday + 1;
continue
else
found = true;
end
fprintf(fid,’ %9d %% %s\n’,A(m,n),datestr(date0 + m - 1));
end
fprintf(fid,‘%%<-------------- add new data here\n’);
fprintf(fid,‘]’‘;\n’);
% start date
fprintf(fid,‘date0=datenum(’‘%s’‘);\n’,datestr(date0 + nday));
fprintf(fid,‘end\n’);
fclose(fid);

%generete driver rutine
fname = 'runAll.m';
fid = fopen(fullfile(path,fname),'w'); 
if fid < 0
    fprintf('***Fail to open %s\n',fname);
    continue
end
fprintf(fid,'prn = ''off'';\n');
fprintf(fid,'plt = ''on'';\n');
for n = 1:nn
    fprintf(fid,'try\n');
    fprintf(fid,'  fitVirusCV19(@getData%s,''prn'',prn,''jpg'',plt)\n',...
        ffname(n));
    fprintf(fid,'end\n');
end
fclose(fid);

cd(oldFolder)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]李昕.MATLAB数学建模[M].清华大学出版社.2017
[2]王健,赵国生.MATLAB数学建模与仿真[M].清华大学出版社.2016
[3]余胜威.MATLAB数学建模经典案例实战[M].清华大学出版社.2015

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合