多源数据预测重庆市肝炎发病趋势的时滞输入神经网络研究

• Published in: 陆军军医大学学报 Vol. 46; no. 12; pp. 1447 - 1456
• Main Authors: 姚田华, 陈锡程, 伍亚舟
• Format: Journal Article
• Language: Chinese
• Published: 400038 重庆,陆军军医大学(第三军医大学)军事预防医学系军队卫生统计学教研室 2024
• Subjects: time series analysis; 元启发式算法; LSTM; 时序分析; meta-heuristic algorithm; incidence trend; long short term memory; 神经网络; 发病趋势; neural network
• ISSN: 2097-0927
• DOI: 10.16016/j.2097-0927.202309137

R195.1%R512.6; 目的 利用多源互联网数据构建时序分析融合工具,继而精准预测重庆市肝炎的发病趋势.方法 利用卫生疾控中心数据库获取肝炎发病率数据,大气污染物数据来源于中国环境监测总站官网,气候数据来源于国家气象星系中心,网络指数数据来源于百度搜索引擎,时间范围均为2013年11月至2023年5月.基于现有的时序分析方法,利用多源数据对分解模型的残差部分进行校正.基于非自回归(non-autoregressive,NAR)和长短期记忆递归神经网络(long short term memory,LSTM)的各自优势,构建了时滞输入神经网络(delayed input neural network,DI NN).之后,还在其基础上加入了星雀优化算法(nutcracker optimizer algorithm,NO A)和联合四分位-Huber 损失函数(joint quantile Huber loss,JQHL)等优化模块,继而构建了 DINN+.结果 相较于常见的单输入模型及同步多输入模型,DINN可取得最为优异的预测效果.在加入超参数和损失函数优化后,DINN+的预测性能进一步提升,其测试集 MSE 为 0.1709、MAE 为 0.4612、RMSE 为 0.5821、MAPE 为 0.0626、R2 为 0.8840.结论 基于多样方法和多元数据融合的思想,在既往的时序分析方法基础上,本文提出了一个准确性和泛化能力良好的DINN+优化模型.该模型丰富和补充了利用多源数据校准传染病时序预测分析的方法学研究内容,可作为未来传染病公共卫生层面影响因素分析及趋势预测的全新基准.