Turing.jl中基于SIR模型的贝叶斯参数估计实践

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。