我正在将我的评论转换为完整的答案。
问题是由于模型设置不正确而引起的。为了简化微分方程，我将提到dS(t)/dt并且dI(t)/dt作为S和I分别。
# incorrect
S = -S * I * beta
I = S * I * beta - I * gamma
# correct
S = -S * I * beta / N
I = S * I * beta / N - I * gamma
通过错误地设置微分方程，变化率即从y（t）到y（t + dt）的变化是错误的。因此，不仅会得到不正确积分的I（t），而且还会将其除以N（或k，正如您所称的），这甚至会导致错误。
我们知道这些特定方程的耦合系统要求S（t）+ I（t）+ R（t）= N，其中N是总体常数。从声明初始条件的方式来看，我们推断N为1。请注意，这也与max(ydata)小于1一致。
# IO + SO + R0 is always 1 regardless of "value"
I0 = value
S0 = 1 - I0
R0 = 0
此外，您的处理k方式确实令人怀疑。您的数据似乎已经被标准化，但是您将其乘以0.1。如您所见，k = 1./sum(ydata)与人口常数无关。通过对I0 = ydata[0] * kI（t）进行除以k，您可以有效地按比例缩小数据，仅稍后再按比例放大。无论总体常数是多少，这几乎将I（t）限制在0-1范围内。
您只需设置所有初始条件和未知参数并查看产生的结果，即可验证模型是否错误odeint()。您会注意到S（0），I（0）和R（0）可能与您给它们提供的值不对应，这表明您做错了事k。但是要发现有缺陷的动力学演变，您只需简单地查看模型即可。
一个棘手的解决方案是设置k = 1.0。一切顺利，因为乘法和除法无效，即使您在技术上仍然做错了计算。但是，如果您的人口常数曾经假设不等于1，那么一切都会破裂。所以为了彻底
手动将其设置k为总体常数，除非您也试图适合S0，I0和/或R0，否则无论如何都应该知道。
写变化模型的正确率S和I。
摆脱任何np.divide(array, k)计算，并且
k从fitFunc()参数中删除，不要将其附加到param_init列表中。尽管此最后一个动作是可选的，不会影响结果，但从技术上来说还是正确的。这是因为k，即使您没有最终在任何地方使用它来影响您的计算，优化求解器也会尝试通过它寻找最佳值。
如果要进行最小二乘拟合，可以使用curve_fit（），在内部调用最小二乘方法。您仍然需要为配件创建包装函数，该包装函数必须通过数字方式集成系统以获取各种beta和gamma值，但是您不必手动进行任何SSE计算。
curve_fit()还将返回协方差矩阵，您可以用它来估计拟合变量的置信区间。从协方差矩阵计算置信区间的进一步相关讨论可以在这里找到。
import numpy as np
import matplotlib.pyplot as plt
from scipy import integrate, optimize
ydata = ['1e-06', '1.49920166169172e-06', '2.24595472686361e-06', '3.36377954575331e-06', '5.03793663882291e-06', '7.54533628058909e-06', '1.13006564683911e-05', '1.69249500601052e-05', '2.53483161761933e-05', '3.79636391699325e-05', '5.68567547875179e-05', '8.51509649182741e-05', '0.000127522555808945', '0.000189928392105942', '0.000283447055673738', '0.000423064043409294', '0.000631295993246634', '0.000941024110897193', '0.00140281896645859', '0.00209085569326554', '0.00311449589149717', '0.00463557784224762', '0.00689146863803467', '0.010227347567051', '0.0151380084180746', '0.0223233100045688', '0.0327384810150231', '0.0476330618585758', '0.0685260046667727', '0.0970432959143974', '0.134525888779423', '0.181363340075877', '0.236189247803334', '0.295374180276257', '0.353377036130714', '0.404138746080267', '0.442876028839178', '0.467273954573897', '0.477529937494976', '0.475582401936257', '0.464137179474659', '0.445930281787152', '0.423331710456602', '0.39821360956389', '0.371967226561944', '0.345577884704341', '0.319716449520481', '0.294819942458255', '0.271156813453547', '0.24887641905719', '0.228045466022105', '0.208674420183194', '0.190736203926912', '0.174179448652951', '0.158937806544529', '0.144936441326754', '0.132096533873646', '0.120338367115739', '0.10958340819268', '0.099755679236243', '0.0907826241267504', '0.0825956203546979', '0.0751302384111894', '0.0683263295744258', '0.0621279977639921', '0.0564834809370572', '0.0513449852139111', '0.0466684871328814', '0.042413516167789', '0.0385429293775096', '0.035022685071934', '0.0318216204865132', '0.0289112368382048', '0.0262654939162707', '0.0238606155312519', '0.021674906523588', '0.0196885815912485', '0.0178836058829335', '0.0162435470852779', '0.0147534385851646', '0.0133996531928511', '0.0121697868544064', '0.0110525517526551', '0.0100376781867076', '0.00911582462544914', '0.00827849534575178', '0.00751796508841916', '0.00682721019158058', '0.00619984569061827', '0.00563006790443123', '0.00511260205894446', '0.00464265452957236', '0.00421586931435123', '0.00382828837833139', '0.00347631553734708', '0.00315668357532714', '0.00286642431380459', '0.00260284137520731', '0.00236348540287827', '0.00214613152062159', '0.00194875883295343']
xdata = ['1', '2', '3', '4', '5', '6', '7', '8', '9', '10', '11', '12', '13', '14', '15', '16', '17', '18', '19', '20', '21', '22', '23', '24', '25', '26', '27', '28', '29', '30', '31', '32', '33', '34', '35', '36', '37', '38', '39', '40', '41', '42', '43', '44', '45', '46', '47', '48', '49', '50', '51', '52', '53', '54', '55', '56', '57', '58', '59', '60', '61', '62', '63', '64', '65', '66', '67', '68', '69', '70', '71', '72', '73', '74', '75', '76', '77', '78', '79', '80', '81', '82', '83', '84', '85', '86', '87', '88', '89', '90', '91', '92', '93', '94', '95', '96', '97', '98', '99', '100', '101']
ydata = np.array(ydata, dtype=float)
xdata = np.array(xdata, dtype=float)
def sir_model(y, x, beta, gamma):
S = -beta * y[0] * y[1] / N
R = gamma * y[1]
I = -(S + R)
return S, I, R
def fit_odeint(x, beta, gamma):
return integrate.odeint(sir_model, (S0, I0, R0), x, args=(beta, gamma))[:,1]
N = 1.0
I0 = ydata[0]
S0 = N - I0
R0 = 0.0
popt, pcov = optimize.curve_fit(fit_odeint, xdata, ydata)
fitted = fit_odeint(xdata, *popt)
plt.plot(xdata, ydata, 'o')
plt.plot(xdata, fitted)
plt.show()
您可能会注意到一些运行时警告，但是这些警告主要是由于最初搜索了最小化求解器（Levenburg- Marquardt），它会尝试一些值，beta并且gamma会在积分过程中引起数值溢出。但是，应该尽快将其定为更合理的值。如果您尝试使用的其他求解器minimize()，则会注意到类似的警告。
602392714
清零编程群