3.2.1 個體的屬性
模型中的個體擁有各種屬性，用來表示個體的疾病狀態、活躍度、免疫力、
行動力…等，以上的屬性主要用來表示個體的先天或後天的差異及模擬過程中因 為感染或公衛政策介入等事件所造成個體狀態上的轉變。
表 3 個體的屬性
屬性名稱 資料型態 說明
EpiState 疾病狀態 個體的疾病狀態
NumOfMI 整數 個體分身點的個數
NumOfContacts 整數 一天當中，個體與周遭場所內的個體
的接觸次數，代表其活躍程度
Symptomatic 布林值 個體是否發病
Isolated 布林值 個體是否被隔離治療
Quarantined 布林值 個體是否被居家隔離
布林值 個體是否服用克流感 Medication
布林值 個體是否接受疫苗注射 Vaccined
LPeriod 整數 潛藏期－個體被感染後多久便具有
傳染力
整數 潛伏期－個體被感染後多久會發病 IPeriod
CPeriod 整數 傳染期－個體具有傳染力狀態所持
續的天數
3.2.2 染病過程及疾病參數
依照接觸網路所定義的接觸關係，每一個體每天會與其他個體產生接觸。每 一次的接觸是否成功傳染，則由疾病參數 SymptTransRate 及 AsymptTransRate 這兩個機率值來決定。
在本模型中使用了 SEIR 4 種疾病狀態來表現個體染病的過程：S 代表尚未 感染，E 代表已感染但還不具傳染力，I 代表具傳染力，R 代表已經康復或死亡。
從 S 進入 E 代表的是感染事件的發生，從 E 進入 I 代表潛藏期(Latent Period)已 經結束，個體開始具有傳染力。從 I 進入 R 代表感染期(Contagious Period)結束，
處於狀態 R 的個體不具傳染力也不會再度受到感染。
由於我們模擬的是新型流感病毒的爆發，因此每個人對病毒並不具有免疫 力，所以在人們初始的疾病狀態設定上，每一個人都是屬於 S 的狀態。此外，我 們假設流感的流行時間在一年以下，因此我們不考慮人們康複後一段時間，因免 疫力消失而再度被感染的情形；亦即人們不會從疾病狀態 R 再度回到 S。
由於流感患者在發病前便可能具有傳染力，因此在模擬個體的發病時我們使 用個體的 Symptomatic 屬性來代表患者發病與否，而從感染到發病所需的時間 稱為潛伏期(Incubation Period)。另外，因為不同的流感患者在症狀表現上會有所 差異，有部分的患者感染後並不會發病，對於那些尚未發病或不會發病的流感感 染者，我們設定他們只有發病者一半的傳染力。
圖 12 染病過程的疾病狀態變化
由於人們在出現流感症狀後，很有可能會因為身體不適或因為怕把病毒傳染 給他人，而減少其外出的機率。因此，我們使用了一個機率值 WithdrawProb 來 代表人們在感染流感發病後減少其外出的機率。在實作上如下面的虛擬碼：
For each MirrorIdentity M of Patient Do
If M.home != true then
set-A-to-B-with-probability(M.cancel, true, WithdrawProb) endif
AsymptTransRate 浮點數 已感染而尚未發
病者每一次接觸 的傳染機率
見 3.2.3
SymptomaticRate 浮點數 已感染的患者發
病的機率
1~2[8]
潛藏期的機率分 布
機率分布 LatentPeriod
1~3[8]
潛伏期的機率分 布
機率分布 IncubationPeriod
3~6[8]
傳染期的機率分 布
機率分布 ContagiousPeriod
0.63[46]
一個人發病後，
他會減少外出的 機率
WithdrawProb 浮點數
3.2.3 疾病參數的設定
在疾病參數的設定上，我們主要參考 Longini[8]的設定，但由於模型本身設 計上的不同，無法參考其傳染率設定，因此我們採用流感的 R0 值來推導傳染率。
R0 的定義為：“平均一個染病者可以將疾病傳染給多少人”。
因此其值可以以下面的公式來表示：
R0 = 傳染率 * 每日的接觸次數 * 感染期天數
由於有 63%的人感染流感後不會發病[27]，而其傳染率只有發病者的一半[8]。
AsymptTransRate = 0.5 * SymptTransRate
因此，我們可以將 R0 的公式改寫如下：
Î R0 = 61.400 * SymptTransRate
在設定流感病患因病而減少外出的行為時，我們則根據疾病管制局對學童生 病時出席狀況的調查統計結果[46]來設定。該報告指出，有 63%的生病學童會請 假在家休息。因此，我們將參數 WithdrawProb 設為 0.63。