新疆流感预测的混合模型:适应复杂的季节性和COVID-19后的结构性断裂
Yanran Liu1,2,3,4, Jingxia Guo1, Yongmei Ge1
1Disease Prevention and Control Center, Xinjiang Production and Construction Corps, Urumqi, China.
BMC public health
|February 17, 2026
概括
由于复杂的季节性和COVID-19的影响,在新疆准确预测流感需要专门的方法. 一种新的两阶段长短期记忆梯度增强回归 (LSTM-GBR) 模型成功解决了这些挑战,表现优于一般模型.
科学领域:
- 流行病学 流行病学
- 机器学习 机器学习
- 公共卫生监督 公共卫生监督
背景情况:
- 新疆流感预测面临着独特的挑战,包括复杂的季节性和COVID-19后的重大结构性断裂.
- 一般预测模型往往无法捕捉到这些局部流行病学动态.
研究的目的:
- 开发和验证一种新的两阶段混合模型,用于在新疆准确预测流感.
- 解决现有模型在处理区域复杂性和流行后变化的局限性.
主要方法:
- 利用了新疆的流行病学数据 (2011-2023年),分层分为大流行前和COVID-19受影响的时期.
- 开发了一种两阶段的长短记忆梯度增强回归 (LSTM-GBR) 模型,将流行病趋势与病毒学和人口学特征融合在一起.
- 将LSTM-GBR性能与统计模型,自动化工具和基础模型进行比较.
主要成果:
- 该LSTM-GBR模型表现出卓越的性能与最低的错误率.
- 它准确地预测了复杂的双模式季节性和2023年COVID-19后的流感反弹.
- 所有的基准模型,包括先进的基础模型,都未能捕捉到这些关键的动态.
结论:
- LSTM-GBR模型提供了一种经过验证的,强大的,高准确度的预测工具,适合新疆特定的公共卫生监测需求.
- 这种本地化的特征融合方法对于克服动态环境中通用模型的缺陷至关重要.
- 该研究强调,对于具有独特流行病学特征和结构性断裂的地区,需要专门的模型.
