SEIR 模型实际可识别性方法的比较分析

数学模型的可识别性在模型参数化中起着至关重要的作用。在本研究中，我们建立了易感-暴露-感染-康复（SEIR）模型在不同输入数据组合下的结构可识别性，并研究了关于不同观测数据、数据频率和噪声分布的实际可识别性。通过蒙特卡洛模拟和相关矩阵方法探索了实际可识别性。我们的结果表明，更高的数据频率和来自疫情高峰期的数据有利于实际可识别性。与患病率数据和累积数据相比，发病率数据给出了最佳的实际可识别性结果。此外，我们比较并区分了蒙特卡洛模拟和相关矩阵方法得出的实际可识别性，为在其他应用中何时使用哪种方法提供了见解。