อ้าคำถามที่ยอดเยี่ยม !!
ฉันจะเสนอเส้นโค้ง logisitic รูปตัว S อย่างไร้เดียงสา แต่เห็นได้ชัดว่าเป็นแบบที่ไม่ดี เท่าที่ฉันทราบการเพิ่มขึ้นอย่างต่อเนื่องคือการประมาณเนื่องจาก YouTube นับจำนวนการดูที่ไม่ซ้ำกัน (หนึ่งต่อที่อยู่ IP) ดังนั้นจึงไม่สามารถดูได้มากกว่าคอมพิวเตอร์
เราสามารถใช้แบบจำลองทางระบาดวิทยาที่ผู้คนมีความไวที่แตกต่างกัน เพื่อให้ง่ายเราสามารถแบ่งออกเป็นกลุ่มที่มีความเสี่ยงสูง (พูดกับเด็ก ๆ ) และกลุ่มที่มีความเสี่ยงต่ำ (พูดกับผู้ใหญ่) ขอเรียกสัดส่วนของ "ติดเชื้อ" เด็กและสัดส่วนของ "ติดเชื้อ" ผู้ใหญ่ในเวลาทีฉันจะเรียก (ไม่ทราบ) ของบุคคลในกลุ่มที่มีความเสี่ยงสูงและคือจำนวนบุคคล (ไม่ทราบ) ที่อยู่ในกลุ่มที่มีความเสี่ยงต่ำy ( t ) t X Yx ( t )Y( t )เสื้อXY
˙ y (t)=r2(x(t)+y(t))(Y-y(T)),
x˙( t ) = r1( x ( t ) + y( t ) ) ( X- x ( T ) )
Y˙( t ) = r2( x ( t ) + y( t ) ) ( Y- y( T ) ) ,
ที่r_2 ฉันไม่ทราบวิธีแก้ปัญหาระบบนั้น (อาจจะเป็น @EpiGrad) แต่ถ้าดูกราฟของคุณเราสามารถตั้งสมมติฐานให้ง่ายขึ้นได้ เนื่องจากการเจริญเติบโตไม่อิ่มตัวเราจึงสามารถสันนิษฐานได้ว่ามีขนาดใหญ่มากและมีขนาดเล็กหรือR1> r2Yy
x˙(t)=r1x(t)(X−x(t))
y˙(t)=r2x(t),
ซึ่งทำนายการเติบโตเชิงเส้นเมื่อกลุ่มที่มีความเสี่ยงสูงติดเชื้ออย่างสมบูรณ์ โปรดทราบว่ารุ่นนี้มีเหตุผลที่จะถือว่าไม่มีค่อนข้างตรงกันข้ามเพราะระยะขนาดใหญ่วิทยขณะนี้อยู่ในr_2r1>r2Y−y(t)r2
ระบบนี้แก้ไขได้
x(t)=XC1eXr1t1+C1eXr1t
y(t)=r2∫x(t)dt+C2=r2r1log(1+C1eXr1t)+C2,
ที่และมีค่าคงที่บูรณาการ จำนวนประชากร "ที่ติดเชื้อ" ทั้งหมดนั้นคือ
ซึ่งมี 3 พารามิเตอร์และค่าคงที่การรวม 2 ตัว (เงื่อนไขเริ่มต้น) ฉันไม่รู้ว่ามันจะพอดีหรือไม่ ...C1C2x(t)+y(t)
อัปเดต:เล่นกับพารามิเตอร์ฉันไม่สามารถสร้างรูปร่างของส่วนโค้งด้านบนด้วยโมเดลนี้การเปลี่ยนจากเป็นจะคมชัดกว่าข้างบนเสมอ ต่อเนื่องกับความคิดเดียวกันเราอีกครั้งอาจจะคิดว่ามีสองชนิดของผู้ใช้อินเทอร์เน็ต: ความ "หาใช่"และ "ทัง"(t) คนที่ติดเชื้อแพร่เชื้อซึ่งกันและกันคนโดดเดี่ยวชนเข้ากับวิดีโอโดยบังเอิญ รูปแบบคือ0600,000,000x(t)y(t)
x˙(t)=r1x(t)(X−x(t))
y˙(t)=r2,
และแก้ไขให้
x(t)=XC1eXr1t1+C1eXr1t
y(t)=r2t+C2.
เราอาจจะคิดว่า , คือว่ามีเพียงผู้ป่วย 0 ที่ซึ่งผลตอบแทนถัวเฉลี่ยเพราะคือ จำนวนมาก ดังนั้นเราจึงสามารถสรุปได้ว่า0 ตอนนี้มีเพียง 3 พารามิเตอร์ ,และกำหนดพลวัตx(0)=1t=0C1=1X−1≈1XXC2=y(0)C2=0Xr1r2
ถึงแม้จะมีรุ่นนี้ แต่ดูเหมือนว่าการเปลี่ยนแปลงนั้นมีความคมชัดมาก แต่ก็ไม่เหมาะสม นั่นทำให้ปัญหาน่าสนใจจริงๆ ตัวอย่างเช่นรูปด้านล่างถูกสร้างขึ้นด้วย ,และ1,000,000X=600,000,000r1=3.667⋅10−10r2=1,000,000
อัปเดต:จากความคิดเห็นที่ฉันรวบรวมว่า Youtube นับจำนวนการดู (ในทางลับ) และไม่ใช่ IP ที่ไม่ซ้ำกันซึ่งสร้างความแตกต่างอย่างมาก กลับไปที่กระดานวาดภาพ
เพื่อให้ง่ายสมมติว่าผู้ชมนั้น "ติดเชื้อ" โดยวิดีโอ พวกเขากลับมาดูเป็นประจำจนกว่าพวกเขาจะกำจัดเชื้อ หนึ่งในโมเดลที่ง่ายที่สุดคือSIR (ไวต่อการติดเชื้อ) ซึ่งมีดังต่อไปนี้:
˙ I (t)=αS(t)I(t)-βI(t) ˙ R (t)=βI(t)
S˙(t)=−αS(t)I(t)
I˙(t)=αS(t)I(t)−βI(t)
R˙(t)=βI(t)
โดยที่คืออัตราการติดเชื้อและคืออัตราการกวาดล้าง จำนวนการดูทั้งหมดเป็นเช่นนั้นโดยที่คือจำนวนการดูเฉลี่ยต่อวันต่อบุคคลที่ติดเชื้อบีตาx ( T ) ˙ x ( T ) = k ฉัน( T ) kαβx(t)x˙(t)=kI(t)k
ในโมเดลนี้จำนวนการดูเริ่มเพิ่มขึ้นทันทีหลังจากเริ่มมีการติดเชื้อซึ่งไม่ใช่กรณีในข้อมูลดั้งเดิมอาจเป็นเพราะวิดีโอแพร่กระจายในลักษณะที่ไม่ใช่ไวรัส (หรือมส์) ฉันไม่มีความเชี่ยวชาญในการประมาณค่าพารามิเตอร์ของตัวแบบ SIR เพียงแค่เล่นกับค่าต่าง ๆ นี่คือสิ่งที่ฉันได้รับ (ใน R)
S0 = 1e7; a = 5e-8; b = 0.01 ; k = 1.2
views = 0; S = S0; I = 1;
# Exrapolate 1 year after the onset.
for (i in 1:365) {
dS = -a*I*S;
dI = a*I*S - b*I;
S = S+dS;
I = I+dI;
views[i+1] = views[i] + k*I
}
par(mfrow=c(2,1))
plot(views[1:95], type='l', lwd=2, ylim=c(0,6e8))
plot(views, type='n', lwd=2)
lines(views[1:95], type='l', lwd=2)
lines(96:365, views[96:365], type='l', lty=2)
เห็นได้ชัดว่ารูปแบบไม่สมบูรณ์และสามารถเติมเต็มได้หลายวิธี ภาพร่างคร่าวๆนี้คาดการณ์ว่ามีผู้ชมกว่าพันล้านคนรอบ ๆ เดือนมีนาคม 2013 มาดูกัน ...