基于机器学习和时间序列方法的传染病规模预测模型

摘要

疾病预测是疫情风险评估中的重要指标，为探索时间序列分析与机器学习方法在传染病发病趋势预测中的应用，以全国2012–2022年月度法定传染病疫情资料为基础，分别使用传统时间序列分析方法 (SARIMA模型)、机器学习方法 (SVR、BP神经网络)和二者的组合(SARIMA-SVR、SARIMA-BPANN)，建立5种传染病发病数的预测模型，进而比较模型预测性能。结果发现，对法定传染病的预测，相较于单一SARIMA、SVR、BP神经网络模型，组合模型SARIMA-SVR和SARIMABPNN的平均绝对百分比误差分别减小了6.85%、7.48%、6.97%和6.36%、6.99%、6.48%；同样，对于甲乙类和丙类传染病，组合模型相较于单一模型的预测精度都有一定程度的提升。这表明组合模型SARIMA-SVR和SARIMA-BPANN比单一模型在传染病预测中更有优势，可推广于疫情数据的预测分析应用中。

关键词

时间序列分析 / 机器学习 / 法定传染病 / 预测

基金资助

国家自然科学基金（12171116）; 广西自然科学基金(2024GXNSFAA010475)