아하, 훌륭한 질문 !!
나는 또한 S 형의 로지스틱 곡선을 순진하게 제안했을 것이지만 이것은 분명히 적합하지 않습니다. 내가 아는 한 YouTube는 고유 조회수 (IP 주소 당 1 개)를 계산하므로 컴퓨터보다 조회수가 더 많기 때문에 지속적인 증가는 근사치입니다.
사람들이 다른 감수성을 갖는 역학 모델을 사용할 수 있습니다. 간단하게하기 위해 고위험군 (어린이 등)과 저 위험군 (성인 등)으로 나눌 수 있습니다. 의 호출하자 "감염"아이들과의 비율 시간에 "감염"성인의 비율 . 나는 고위험 그룹 의 (알 수없는) 개인 수로 , 저 위험 그룹의 (알 수없는) 개인 수로 부를 것입니다., Y ( t ) t X Yx ( t )와이( t )tXY
x˙(t)=r1(x(t)+y(t))(X−x(t))
y˙(t)=r2(x(t)+y(t))(Y−y(t)),
여기서 입니다. 해당 시스템을 해결하는 방법을 모르지만 (@EpiGrad가 가능할 수도 있음) 그래프를 보면 몇 가지 간단한 가정을 할 수 있습니다. 성장이 포화되지 않기 때문에 가 매우 크고 가 작거나r1>r2Yy
x˙(t)=r1x(t)(X−x(t))
y˙(t)=r2x(t),
고위험군이 완전히 감염되면 선형 성장을 예측합니다. 이 모델에서는 를 가정 할 이유가 없습니다 . 큰 용어 가 이제 포함되어 있기 때문에 그 반대 입니다.r1>r2Y−y(t)r2
이 시스템은
x(t)=XC1eXr1t1+C1eXr1t
y(t)=r2∫x(t)dt+C2=r2r1log(1+C1eXr1t)+C2,
여기서 및 는 적분 상수입니다. 총 "감염된"모집단은
이며 3 개의 매개 변수와 2 개의 적분 상수 (초기 조건)가 있습니다. 나는 그것이 얼마나 쉬운 지 모르겠다 ...C1C2x(t)+y(t)
업데이트 : 매개 변수를 사용 하여이 모델로 상단 곡선의 모양을 재현 할 수 없었습니다 에서 의 전환 은 항상 위보다 더 선명합니다. 같은 생각으로 계속해서 "공유자" 와 "loners" 라는 두 종류의 인터넷 사용자가 있다고 가정 할 수 있습니다. 공유자들은 서로를 감염시키고, 외로운 사람들은 우연히 비디오에 부딪칩니다. 모델은0600,000,000x(t)y(t)
x˙(t)=r1x(t)(X−x(t))
y˙(t)=r2,
에 해결
x(t)=XC1eXr1t1+C1eXr1t
y(t)=r2t+C2.
우리는 가정 수 , 즉 단지에서 환자의 0이 있음을 산출, 있기 때문에 있다 큰 수. 이므로 이라고 가정 할 수 있습니다 . 이제 3 개의 매개 변수 , 및 역학을 결정합니다.x(0)=1t=0C1=1X−1≈1XXC2=y(0)C2=0Xr1r2
이 모델을 사용하더라도 변곡이 매우 날카 로워 보입니다. 적합하지 않으므로 모델이 잘못되어야합니다. 실제로 문제가 매우 흥미로워집니다. 예를 들어 아래 그림은 , 및 .X=600,000,000r1=3.667⋅10−10r2=1,000,000
업데이트 : 유튜브가 독특한 IP가 아닌 (비밀 방식으로) 조회수를 계산한다는 의견에서 큰 차이가 있습니다. 드로잉 보드로 돌아갑니다.
간단하게하기 위해 시청자가 비디오에 "감염"되었다고 가정합니다. 그들은 감염이 사라질 때까지 정기적으로 그것을 보러 돌아옵니다. 가장 간단한 모델 중 하나 는 다음과 같은 SIR (Susceptible-Infected-Resistant)입니다.
˙ 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)
여기서 는 감염률이고 는 제거율입니다. 총 조회수 는 와 으며, 여기서 는 감염된 개인당 하루 평균 조회수입니다.β x ( t ) ˙ x ( t ) = k I ( t ) kαβx(t)x˙(t)=kI(t)k
이 모델에서는 감염이 시작된 후 얼마 후 조회수가 급격히 증가하기 시작합니다. 이는 원본 데이터의 경우에는 그렇지 않습니다. 비디오가 바이러스가 아닌 (또는 밈) 방식으로 확산되기 때문일 수 있습니다. SIR 모델의 매개 변수를 추정하는 데 전문가가 아닙니다. 다른 값으로 연주하면 여기에 R이 있습니다.
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)
이 모델은 분명히 완벽하지는 않으며 여러 가지 방법으로 보완 될 수 있습니다. 이 매우 거친 스케치는 2013 년 3 월경 어딘가의 10 억 회 전망을 예측합니다