SIR模型参数估计 data = load('data.mat'); % 加载疫情数据 % 定义SIR模型微分方程 sir = @(t,y) [-betay(1)y(2); betay(1)y(2)-gammay(2); gammay(2)]; % 初始化参数估计 beta0 = 0.5; gamma0 = 0.1; params0 = [beta0,gamma0]; % 使用最小二乘法来拟合SIR模型 params = lsqcurvefit(sir,params0,data.t,[data.s;data.i;data.r]); beta = params(1); gamma = params(2); % 绘制SIR模型预测结果 tspan = [0,365]; % 时间跨度 y0 = [data.s(1);data.i(1);data.r(1)]; % 初始状态 [t,y] = ode45(sir,tspan,y0); % 数值解微分方程 plot(data.t,data.s,'o',t,y(:,1),'-'); % 显示易感者数目 hold on; plot(data.t,data.i,'o',t,y(:,2),'-'); % 显示感染者数目 plot(data.t,data.r,'o',t,y(:,3),'-'); % 显示康复者数目 xlabel('时间 (天)'); ylabel('人数'); legend('易感者 (实际)','易感者 (预测)','感染者 (实际)','感染者 (预测)','康复者 (实际)','康复者 (预测)');

这段代码是在进行 SIR 模型参数估计和预测。SIR 模型是一种描述传染病传播过程的数学模型，其中 S 表示易感者，I 表示感染者，R 表示康复者。微分方程 sir 是 SIR 模型的微分方程，其中 betay 和 gammay 是 SIR 模型的两个参数，分别表示传染率和康复率。lsqcurvefit 函数用最小二乘法来拟合 SIR 模型，得到最优的参数估计值。ode45 函数用数值方法求解微分方程，得到 SIR 模型的预测结果。最后的绘图部分将实际值和预测值进行比较。