基于深度学习的猩红热流行趋势预测模型研究

目的:探究季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)模型和长短时记忆神经网络(long-short term memory neural network,LSTM)模型在江苏省猩红热发病趋势预测中的应用,为疫情防控工作提供理论依据.方法:以江苏省2005-2017年猩红热的逐月发病数据与气象数据作为训练数据,拟合SARIMA模型和LSTM模型,以江苏省2018-2019猩红热的逐月发病数据与气象数据作为测试集,检验模型的预测精度.结果:江苏省猩红热流行具有明显的季节性特征,每年4-6月和11月—次年1月为高发时间段.最优SARIMA模型为SARIMA(3,1,2)(1,1,1),2,最优LSTM的结构为以过去3个月的发病数据结合气象公因子作为模型输入,当前周期发病数为对应的期望输出,建立4层LSTM,每层包含32个长短时记忆神经元,以及1层全连接层.两种模型测试集的平均绝对误差百分比分别为35.97％、16.94％;均方根误差分别为227.85、152.46.提示LSTM神经网络的拟合效果和前瞻性预测精度优于SARIMA模型.结论:LSTM模型对江苏省猩红热发病趋势拟合和预测效果较好,可以用于流行趋势研判和风险评估,为优化和调整猩红热监测、防控策略和措施提供依据.