前几篇我们一直在做一类事：
已知方程、已知初值、已知参数，往前算曲线。
这一篇换个方向。
如果题目只给你观测数据，不告诉你 beta、gamma 这些参数，你怎么把它们反推出来？
先给一句人话答案：
先用微分方程生成一条“猜的曲线”，再拿它和真实数据比差距，差距越小，参数越像真的。
这就是参数识别，也可以理解成“把数据拟合回方程里”。
这一节的 takeaway：微分方程不只会正向求解，还可以反过来做参数标定。
0. 先看最小问题
还是用第二篇的 SIR 模型。
SIR 是 Susceptible-Infectious-Recovered 的缩写，中文通常叫“易感者-感染者-康复者模型”。
这一次我们不再问“曲线会怎么走”，而是问：
如果我已经看到了几天的感染人数，能不能倒推出这次传播有多强、恢复有多快？
这类问题很常见：
- 疫情数据反推传播参数
- 药物浓度反推代谢速率
- 生态数据反推种群增长率
这一节的 takeaway：很多建模题不是在算未来，而是在用数据倒推模型里的参数。
1. 变量和未知量不是一回事
这一篇里有两层量。
第一层是状态变量：
-
S(t)：易感者比例 -
I(t)：感染者比例 -
R(t)：康复者比例
第二层是参数：
-
beta：传播速率 -
gamma：康复速率
状态变量是“这一天系统长什么样”。
参数是“这套系统的性格有多强”。
这里最容易犯的错，是把参数当成状态。
例如 beta 和 gamma 不是每天都在变的曲线，它们更像是模型的旋钮。
如果你换一批数据，旋钮可能要重拧，但在一次拟合里，它们通常先假设为常数。
顺手再提醒一句：
beta 和 gamma 不是概率，不需要卡在 0 到 1 之间，也不一定要“大于 1”。
它们是按时间单位计的速率，常见写法就是“每天 0.32 次”“每天 0.10 次”。
这一节的 takeaway：状态变量描述系统当前状态，参数描述系统运行方式。
2. 先造一份能验算的假数据
最小可用做法不是直接上真实数据，而是先造一份“像真的”数据。
这样有两个好处：
- 你知道真相，方便检查拟合有没有跑偏
- 你可以控制噪声大小，观察拟合有多稳
我们先选一组“真参数”：
beta_true = 0.32gamma_true = 0.10
再用它们生成一条 SIR 轨迹，然后在 I(t) 和 R(t) 上加一点小噪声。
这一步的意思是：
先假装自己只有观测值，再看能不能把原始参数找回来。
这一节的 takeaway：先做合成数据，是最省力也最稳的验算方式。
3. 残差是什么
拟合的核心不是“猜一个参数”，而是“算两条曲线的差”。
这条差就叫残差。
如果观测值记成 y_obs，模型预测值记成 y_pred，那最朴素的残差就是：
如果我们同时盯住 I(t) 和 R(t)，那残差就可以拼成一个向量：
求解器要做的事，就是不断调 beta 和 gamma，让这个残差向量尽量短。
这一节的 takeaway：参数拟合本质上就是“把预测和观测之间的差压到最小”。
4. least_squares 怎么找参数
SciPy 里最顺手的工具之一是 least_squares。
它的人话版本就是：
你给我一个参数猜测，我帮你反复缩小残差。
如果只拟合一个显式函数，curve_fit 也很好用。
但只要模型本身先要跑一遍 solve_ivp，least_squares 往往更顺手，因为它更通用。
这里我们用 least_squares，因为它正好能把“微分方程 + 拟合”串起来。
这一节的 takeaway：curve_fit 适合直接拟合曲线，least_squares 更适合包着一个微分方程模型一起拟合。
5. solve_ivp 和 least_squares 怎么接起来
这一步的逻辑其实很朴素：
-
least_squares先给一组参数 -
solve_ivp用这组参数算出整条轨迹 - 把轨迹和数据比差距
-
least_squares再改参数 - 重复直到残差足够小
代码可以写成这样：
import numpy as np
from scipy.integrate import solve_ivp
from scipy.optimize import least_squares
def sir_rhs(t, y, beta, gamma):
# y = [S, I, R]，分别是三只桶里的比例
S, I, R = y
# infection 对应 S -> I 的流量
infection = beta * S * I
# recovery 对应 I -> R 的流量
recovery = gamma * I
# 三个桶的净变化速度
dS_dt = -infection
dI_dt = infection - recovery
dR_dt = recovery
return [dS_dt, dI_dt, dR_dt]
def simulate(beta, gamma, t_eval, y0):
# 这一步就是“给定参数，正向解出曲线”
sol = solve_ivp(
lambda t, y: sir_rhs(t, y, beta, gamma),
(t_eval[0], t_eval[-1]),
y0,
t_eval=t_eval,
method="RK45",
rtol=1e-8,
atol=1e-11,
)
if not sol.success:
raise RuntimeError(sol.message)
return sol.y
def residual(params, t_eval, y0, i_obs, r_obs, sigma_i, sigma_r):
# params = [beta, gamma]
beta, gamma = params
s_pred, i_pred, r_pred = simulate(beta, gamma, t_eval, y0)
# 残差向量：观测值和预测值的差
r_i = (i_pred - i_obs) / sigma_i
r_r = (r_pred - r_obs) / sigma_r
return np.concatenate([r_i, r_r])这里有两个很重要的小地方：
-
simulate()负责“前向算曲线” -
residual()负责“把差距交给优化器”
也就是说，solve_ivp 还是那个正向求解器，least_squares 负责反向找参数。
这一节的 takeaway：参数识别就是把“正向模拟器”包进“反向搜索器”里。
6. 结果怎么看
拟合完成后，最值得看的不是“参数是不是精确到小数点后很多位”，而是三件事：
- 拟合曲线有没有压住数据点
- 拟合出来的参数是不是还讲得通
- 残差是不是还有明显结构
如果曲线看上去贴得很紧，但参数已经离谱，那往往说明：
你的模型写得太简单，或者数据本身不够支撑这些参数。
如果残差不是随机散开的，而是有系统偏差，那说明：
模型缺了东西。
这一节的 takeaway：拟合好不好，不只看图像贴不贴，还要看参数和残差有没有讲得通。
7. 一个很现实的提醒
只拟合一条曲线，常常不够。
这是因为不同参数有时会“互相顶替”：
-
beta大一点 -
gamma也大一点 - 结果曲线还是差不多
所以真实建模里，最好同时利用更多信息：
- 多个观测量
- 不同时间段的数据
- 边界条件或先验经验
这不是在“增加麻烦”，而是在给参数更多约束。
这一节的 takeaway：数据越少，参数越容易互相替代；数据越完整，拟合越稳。
8. 小结
这一篇压成一句话就是：
微分方程不只是拿来往前算的，它也可以拿来反推参数；做法就是用 solve_ivp 生成预测，再用 least_squares 把预测和观测之间的残差压下去。
如果只记五句话，就记这五句：
-
SIR是Susceptible-Infectious-Recovered -
beta和gamma是速率，不是概率 - 参数和状态变量不是一回事
-
solve_ivp负责正向模拟，least_squares负责反向找参数 - 拟合不能只看曲线，还要看残差和参数是否合理
下一篇我们换到 FiPy，看污染物为什么会一边走一边散。