首页
/ Turing.jl中基于SIR模型的贝叶斯参数估计实践

Turing.jl中基于SIR模型的贝叶斯参数估计实践

2025-07-04 19:36:10作者:段琳惟

背景介绍

在流行病学建模中,SIR(易感-感染-恢复)模型是最基础的数学模型之一。本文将展示如何使用Turing.jl这一强大的概率编程语言,结合微分方程求解器,对SIR模型进行贝叶斯参数估计。

SIR模型定义

我们首先定义标准的SIR模型微分方程:

function sir(du, u, p, t)
    S, I, R = u
    γ, ν = p
    infection = γ * S * I
    recovery = ν * I
    du[1] = -infection
    du[2] = infection - recovery
    du[3] = recovery
    return nothing
end

其中γ表示感染率,ν表示恢复率。模型描述了人群中易感者(S)、感染者(I)和恢复者(R)的数量随时间的变化。

数据生成

为了验证参数估计的效果,我们首先生成合成数据:

u0_known = [999, 1, 0]  # 初始条件
tend_known = 100.0
γ_true = 0.0003; ν_true = 0.1; σ_true = 20.0
p_true = [γ_true, ν_true]
oprob_true = ODEProblem(sir, u0_known, tend_known, p_true)

measured_t = 1:1:100
sol_true = solve(oprob_true; saveat = measured_t)
measured_S = [rand(Normal(S, σ_true)) for S in sol_true(measured_t, idxs = 1).u]

这里我们添加了高斯噪声来模拟实际观测数据。

贝叶斯模型构建

使用Turing.jl构建贝叶斯模型:

@model function fit_sir(data, prob)
    # 先验分布
    γ ~ LogUniform(0.00001, 0.001)
    ν ~ LogUniform(0.01, 1.0)
    σ ~ LogUniform(10.0, 30.0)

    # 模型模拟
    prob = remake(prob; p = [γ, ν])
    predicted = solve(prob; saveat = measured_t, verbose = false, maxiters = 10000)

    # 检查求解是否成功
    if !SciMLBase.successful_retcode(predicted)
        Turing.@addlogprob! -Inf
        return nothing
    end

    # 似然计算
    for i in eachindex(predicted)
        data[i] ~ Normal(predicted[i][1], σ)
    end
end

关键点说明:

  1. 对γ和ν使用对数均匀先验,符合它们的物理意义
  2. 使用ODE求解器获取模型预测值
  3. 采用正态分布作为观测模型

参数估计与结果分析

运行MCMC采样:

model = fit_sir(measured_S, oprob_true)
chain = sample(model, NUTS(), MCMCSerial(), 1000, 4)

后验分布显示参数估计效果良好,能够较好地恢复真实参数值。特别值得注意的是:

  1. 感染率γ的估计集中在真实值0.0003附近
  2. 恢复率ν的估计也接近真实值0.1
  3. 噪声参数σ的估计反映了数据生成过程中使用的噪声水平

实践建议

在实际应用中,需要注意以下几点:

  1. 对于人口动力学模型,考虑使用离散分布(如泊松分布)可能更合适
  2. 当ODE解出现负值时,需要谨慎处理,避免产生无效的概率计算
  3. 先验分布的选择对结果有重要影响,应根据领域知识合理设置
  4. 对于复杂的ODE模型,可能需要调整求解器参数以确保数值稳定性

通过这个案例,我们展示了Turing.jl在结合微分方程模型进行贝叶斯参数估计方面的强大能力。这种方法可以扩展到更复杂的流行病学模型和其他领域的动态系统建模中。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8