簡單介紹
在上一篇文章中我試圖使用Optuna的超參數擬合技術來求更復雜的SIR模型變種，但是遇到了數據無法觀測的問題（潛伏期和無症狀患者無法觀測），因此在這篇文章中，我們換一個角度，使用系統動力學模型來仿真更復雜並且貼近現實的COVID-19傳染情景，便於大家瞭解病毒的傳播過程。
模型介紹
SIR
首先，先構建一個最簡單的SIR模型。SIR模型假設總人口（隨時間不變的常數）是由三種類型的人羣組成的，分別是易感染者、感染者、移除者，其中移除者包括痊癒人羣和死亡人羣兩類。我們先來看一下這個模型大概的結構。
在這個模型中我們要注意兩個Flow過程，分別對應感染和移除。感染是從易感者進入感染者人羣的過程。假設初始狀態下感染者1人，易感者人數即爲總人口-1人，在本例中是等於9999。而一個感染者一天接觸10個人，並且感染概率是0.05的話，那麼一天實際上一個感染者就可以感染半個人。但是需要注意的，如果隨着感染人數增加，那麼感染者每天接觸的人羣中也可能會出現感染者，而我們知道感染者之間無法進行互相傳播二次染病，因此我們還要考慮感染者接觸人羣中易感者的人數，可由易感者/總人口求得。最後，我們就可以得到感染過程的表達式：
當前感染人數 = 每天接觸人數 * 當前易感者人數 / 總人口 * 感染概率 * 當期感染者人數
接下來分析一下移除流的具體過程。移除流反映從感染者進入移除者的過程。爲了簡化問題，我們假設這個病毒沒有致死性，那麼的話病好只是一個時間的過程。假設該病疾病週期爲7天，也就是說從得病到康復只需要7天的時間，那麼的話，每天我們都恢復了“1/7的健康”。從這個角度講，我們就可以將每天的移除流定義爲：
當期移除人數 = 感染者 * 1 / 疾病週期
以上，我們便構建了整個動力學模型的流程，接下來看一下仿真結果。
SEAIR-C
這是一個更復雜的自定義模型。我將總人口進一步區分爲易感者、潛伏者、有症狀感染者、無症狀感染者、康復和死亡，同時我還加入了政府管控力度的模擬。但是這個模型只供參考，其數據和參數設置沒有任何現實意義。我們來看一下這個模型的構造。
在我的參數設置下（按照珍珠號給出的統計報告，無症狀患者佔總感染者的40%左右），仿真出來的結果大概是這樣的：
這個圖像模擬的是政府在初期不防控，在時刻45時達到防控最高峯的情況，防空力度的具體函數是一個隨時間變化的weibull distribution。根據我的多次模擬結果顯示，無症狀患者比例越高，那麼該病對生命的威脅就越小，但是，卻會出現遲遲無法完全消除該病的情況（函數爲長尾）。相反，如果有症狀患者比例高，那麼該病在爆發期所產生的死亡量就大，但是這些有症狀患者更容易被發現，隔離和移除，所以往往這種情況下病情在相同管制力度下持續的時間更短。