高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

长短时记忆神经网络模型在河北省麻疹疫情发病趋势预测中应用

许晓萌 崔世恒 王亚菲 孙丽 丛艳丽 王晶辉 李静 张振国

许晓萌, 崔世恒, 王亚菲, 孙丽, 丛艳丽, 王晶辉, 李静, 张振国. 长短时记忆神经网络模型在河北省麻疹疫情发病趋势预测中应用[J]. 中国公共卫生, 2023, 39(11): 1464-1468. doi: 10.11847/zgggws1141808
引用本文: 许晓萌, 崔世恒, 王亚菲, 孙丽, 丛艳丽, 王晶辉, 李静, 张振国. 长短时记忆神经网络模型在河北省麻疹疫情发病趋势预测中应用[J]. 中国公共卫生, 2023, 39(11): 1464-1468. doi: 10.11847/zgggws1141808
XU Xiaomeng, CUI Shiheng, WANG Yafei, SUN Li, CONG Yanli, WANG Jinghui, LI Jing, ZHANG Zhenguo. Predicting trend of measles epidemic in Hebei province: an empirical study with long short-term memory neural network model[J]. Chinese Journal of Public Health, 2023, 39(11): 1464-1468. doi: 10.11847/zgggws1141808
Citation: XU Xiaomeng, CUI Shiheng, WANG Yafei, SUN Li, CONG Yanli, WANG Jinghui, LI Jing, ZHANG Zhenguo. Predicting trend of measles epidemic in Hebei province: an empirical study with long short-term memory neural network model[J]. Chinese Journal of Public Health, 2023, 39(11): 1464-1468. doi: 10.11847/zgggws1141808

长短时记忆神经网络模型在河北省麻疹疫情发病趋势预测中应用

doi: 10.11847/zgggws1141808
基金项目: 河北省2021年度医学科学研究课题计划(20210680)
详细信息
    作者简介:

    许晓萌(1992 – ),主管医师,硕士,研究方向:传染病预防与控制

    通信作者:

    孙丽,E-mail:1126sl@163.com

Predicting trend of measles epidemic in Hebei province: an empirical study with long short-term memory neural network model

More Information
  • 摘要:   目的  探讨长短时记忆(LSTM)神经网络模型在麻疹疫情发病趋势预测上的可行性,为科学防控麻疹提供参考依据。  方法  收集中国疾病预防控制信息系统传染病监测系统中河北省发病日期为2004年1月 — 2020年12月的51012例麻疹病例发病数据构建LSTM神经网络模型,选择最优模型对河北省麻疹疫情发病趋势进行预测,并采用均方误差平方根(RMSE)和平均绝对误差(MAE)评价模型预测效果。  结果  河北省2004、2005、2006、2007、2008、2009、2010、2011、2012、2013、2014、2015、2016、2017、2018、2019和2020年分别报告麻疹病例950、4837、7953、4973、2273、3359、14457、79、38、353、5365、3825、1825、287、241、130和67例,从2015年开始河北省麻疹发病数逐年下降,且发病具有明显的季节性;视窗长度分析结果显示,当视窗长度取3时,模型预测效果最好,RMSE和MAE值分别为17.288和12.334;本研究构建LSTM神经网络模型对河北省2017 — 2020年麻疹发病情况进行预测,模型预测的发病趋势与实际趋势基本一致,RMSE和MAE值在2017、2019和2020年均 < 10,但2018年误差略大。  结论  LSTM神经网络模型在河北省麻疹疫情发病趋势预测中效果较好,可用于麻疹发病趋势的研判和风险评估。
  • 图  1  模型拓扑结构图

    Figure  1.  Topology structure for predicting monthly number of measles cases with long short term memory neural network model

    图  2  基于LSTM神经网络模型的河北省2017 — 2020年麻疹发病真实情况与预测情况比较图

    Figure  2.  Chang trajectory in monthly number of measles cases reported and predicted with LSTM neural network model in Hebei province: 2017 - 2020

    表  1  河北省2004 — 2020年麻疹月发病数

    Table  1.   Reported monthly number of measles cases by year in Hebei province: 2004 – 2020

    年份月份合计
    1月2月3月4月5月6月7月8月9月10月11月12月
    20041032126115996337401957166186950
    2005179282816120697956727112478791031534837
    2006314509111916592 016119238115381701992607953
    2007429652937134710403348527271725534973
    20086613838743156432316175362430382273
    2009321905831089689246128654423522183359
    2010655123927123974456910161756526810814457
    201147123314400110379
    2012014610650210338
    201361857586313171319211553353
    201434491214661205801288110541930181185365
    201533951279876684724797482417231073825
    201614421641249130712666206912161 825
    2017 17 20 59 40 49 30 12 1119 9 7 14287
    2018 48 25 26 36 22 25 19 6 513 7 9241
    2019 6 6 17 36 28 14 8 7 2 1 1 4130
    2020 42 5 4 2 1 4 1 1 2 1 0 467
    下载: 导出CSV

    表  2  河北省2017 — 2020年麻疹月发病实际值与预测值

    Table  2.   Reported and predicted monthly number of measles cases by year in Hebei province: 2017 – 2020

    年份指标1月2月3月4月5月6月7月8月9月10月11月12月
    2017 实际值 17 20 59 40 49 30 12 11 19 9 7 14
    预测值 16 25 47 86 77 54 17 10 10 10 10 12
    2018 实际值 48 25 26 36 22 25 19 6 5 13 7 9
    预测值 11 19 44 43 48 31 6 6 6 6 7 8
    2019 实际值 6 6 17 36 28 14 8 7 2 1 1 4
    预测值 9 10 15 21 19 19 12 3 3 3 3 3
    2020 实际值 42 5 4 2 1 4 1 1 2 1 0 4
    预测值 16 15 4 3 4 3 7 5 3 4 4 3
    下载: 导出CSV
  • [1] 李兰娟, 任红, 高志良, 等. 传染病学[M]. 9版. 北京: 人民卫生出版社, 2018: 81.
    [2] 刘倩倩, 唐林, 温宁, 等. 中国2020年麻疹流行病学特征[J]. 中国疫苗和免疫, 2022, 28(2): 135 – 139. doi: 10.19914/j.CJVI.2022026
    [3] 赵子平, 许可, 吴莹, 等. 基于深度学习的猩红热流行趋势预测模型研究[J]. 南京医科大学学报: 自然科学版, 2022, 42(2): 252 – 257, 263.
    [4] 赵永翼, 王菲, 申莹. 基于长短期记忆网络的COVID - 19疫情趋势序列分析预测[J]. 沈阳师范大学学报: 自然科学版, 2020, 38(6): 525 – 531.
    [5] 陈春艳, 陈亿雄, 赵执扬, 等. SARIMA模型和LSTM神经网络在预测深圳市宝安区手足口病疫情中的应用[J]. 山西医科大学学报, 2022, 53(10): 1302 – 1307.
    [6] 杨寒雨, 赵晓永, 王磊. 数据归一化方法综述[J]. 计算机工程与应用, 2023, 59(3): 13 – 22.
    [7] 马停停, 冀天娇, 杨冠羽, 等. 基于长短时记忆神经网络的手足口病发病趋势预测[J]. 计算机应用, 2021, 41(1): 265 – 269.
    [8] 杨文静, 杜然然, 吕章艳, 等. 人工智能在疾病预测研究中可视化分析[J]. 中国公共卫生, 2021, 37(5): 871 – 874. doi: 10.11847/zgggws1128486
    [9] 陈亿雄, 李苑, 刘小明, 等. 长短记忆神经网络在流行性感冒暴发预测中的应用[J]. 江苏预防医学, 2019, 30(6): 622 – 625. doi: 10.13668/j.issn.1006-9070.2019.06.009
    [10] 刘振球, 严琼, 左佳鹭, 等. EMD - BP神经网络在传染病发病趋势和预测研究中的应用[J]. 中国卫生统计, 2018, 35(1): 152 – 155.
    [11] 程宁, 丁长松, 高婉卿, 等. 基于时间窗长短期记忆模型分析新型冠状病毒肺炎疫情[J]. 中华疾病控制杂志, 2021, 25(5): 577 – 582. doi: 10.16462/j.cnki.zhjbkz.2021.05.015
    [12] 韩天齐, 宋波. 基于LSTM神经网络的麻疹发病率预测[J]. 电脑与电信, 2018(5): 54 – 57.
    [13] 倪茹玉, 胡婉, 张恒川, 等. ARIMA乘积季节模型与LSTM神经网络模型对我国麻疹发病数预测效果的比较[J]. 现代预防医学, 2023, 50(1): 177 – 182.
    [14] 李顺勇, 张钰嘉. LSTM和Prophet模型在肺结核发病数预测中的应用[J]. 河南科学, 2020, 38(2): 173 – 178. doi: 10.3969/j.issn.1004-3918.2020.02.001
    [15] 丛艳丽, 张富斌, 张振国, 等. 2009 — 2012年河北省麻疹流行特征及消除麻疹策略[J]. 职业与健康, 2014, 30(23): 3408 – 3411.
    [16] 刘曙光, 王立芹, 刘岩, 等. 河北省麻疹疫情时间序列的预测和预警分析[J]. 中国卫生检验杂志, 2015, 25(17): 2954 – 2956.
  • 加载中
图(2) / 表(2)
计量
  • 文章访问数:  143
  • HTML全文浏览量:  103
  • PDF下载量:  27
  • 被引次数: 0
出版历程
  • 接收日期:  2023-03-21
  • 录用日期:  2023-09-04
  • 修回日期:  2023-06-16
  • 网络出版日期:  2023-11-28
  • 刊出日期:  2023-11-01

目录

    /

    返回文章
    返回