基于神经网络架构比较提高传染病预报准确性

《Computation》:Improving the Accuracy of Infectious Disease Forecasts Based on Comparing Neural Network Architectures Oleksandr Kovaliv, Yuriy Kondratenko, Ievgen Sidenko, Galyna Kondratenko and Dmytro Chumachenko

【字体: 大 中 小 】 时间:2026年03月06日 来源:Computation 2.6

编辑推荐:

  本研究旨在利用机器学习(Machine Learning, ML)方法提高传染病预报的准确性。本研究的主要成果包括分析2016年12月至2024年1月期间乌克兰传染病(Infectious Disease, ID)的传播情况,以及在时间序列预测范畴内对不同神经

  
本研究旨在利用机器学习(Machine Learning, ML)方法提高传染病预报的准确性。本研究的主要成果包括分析2016年12月至2024年1月期间乌克兰传染病(Infectious Disease, ID)的传播情况,以及在时间序列预测范畴内对不同神经网络(Neural Network, NN)架构进行性能比较。采取的主要步骤包括:分析现有预报方法、选择神经网络架构、数据集预处理及模型测试。所开发的系统可作为制定合理管理决策的有效工具,以确保人群的流行病学福祉和生物安全。
一、研究背景与目的
战争(如叙利亚、也门及乌克兰冲突)通过破坏医疗体系、降低疫苗接种覆盖率、卫生条件恶化及人口流离失所显著加剧传染病传播风险,凸显了稳健的流行病学预报对预测感染动态及支持公共卫生干预的重要性。传统统计模型(如指数平滑、ARIMA)及部分改进SEIR或SIR(Susceptible-Infected-Recovered)模型虽有一定应用,但难以兼顾复杂时空因素与快速适应性;现有深度学习预报研究多局限于单一疾病(如仅COVID-19),且未系统比较多种先进NN架构在具有战时结构性断点的多疾病时间序列上的表现。为此,研究人员(Kovaliv O.等)开展此项研究,系统比较六种先进NN架构在乌克兰57种传染病月发病率时间序列上的预报性能,探究联合多序列训练(Global/Local training)与单序列训练的差异,旨在为战时及紧急状态下的流行病监测提供最优NN架构选择与训练策略依据。论文发表于《Computation》。
二、主要关键技术方法
研究人员收集乌克兰公共卫生中心2016年12月至2024年1月共86个月全国57种传染病(初筛自65种,剔除报告不稳定者)月度绝对病例数,按公式归一化为每百万人口月发病率(分子:当月病例数×1,000,000;分母:当年乌克兰人口估计数),零值保留不做插值填充。每种疾病视为独立单变量时间序列。选取六种NN架构——RNN(Recurrent Neural Network,含DeepAR式概率设计)、Block RNN(RNN编码器+全连接输出)、TCN(Temporal Convolutional Network,膨胀因果卷积)、N-BEATS(Neural Basis Expansion Analysis for Interpretable Time Series Forecasting)、N-HiTS(Neural Hierarchical Interpolation for Time Series Forecasting)及Transformer(Encoder-Decoder with Multi-Head Attention)——基于Python 3.12与Darts库实现。采用两种训练策略:(1) 全局训练(Joint/Global):同一模型参数共享于全部57条时间序列,损失跨序列计算;(2) 单独训练(Separate):每病独立一模型。输入回顾窗24个月,预测 horizon 6个月。超参数设定:RNN与Block RNN隐层25单元、单层;N-BEATS 30栈、每栈1块、每块4层FC各256神经元、趋势栈多项式阶数2、基展开系数维度5;N-HiTS 3栈、每栈1块、每块2层FC各512神经元、Dropout 0.1;TCN核尺寸3、滤波器3、扩张基2、Dropout 0.2;Transformer d_model 64、4头注意力、3层编码器/解码器、FFN维度512。评估指标为MAPE(Mean Absolute Percentage Error)、MAE(Mean Absolute Error)及RMSE(Root Mean Square Error),以95%置信区间报告平均MAPE。
三、研究结果
3.1. Neural Network Architectures for Forecasting
介绍了所选六种NN架构原理:N-BEATS采用双重残差拓扑与基函数投影分解趋势与季节分量;N-HiTS引入多速率采样与多尺度插值聚焦不同频带;TCN利用膨胀因果卷积并行处理、缓解梯度消失;RNN/Block RNN处理序列依赖;Transformer依靠多头自注意力捕捉长程依赖。
3.2. Data Collection
经归一化与人工筛选保留57病,22病(如贾第虫病giardiasis战前均值4.53升至10.06,增幅121.91%)战后平均增62.38%,35病平均降35.52%。指出战争引发人口迁移、避难所拥挤、供水破坏、啮齿动物增多等因子重塑流行景观。
3.3. Methodology for Performing Time Series Forecasting
阐述Darts库使用、双训练策略、各模型超参设置及回看24月→预测6月的实验设计。指出现有NN对具明显季节性波动(夏升冬降)的时间序列预测更佳,无清晰季节性时各架构表现均受限。
4. Results
全局训练下N-BEATS平均MAPE最低(优于N-HiTS、TCN、Block RNN、RNN、Transformer),证明其残差块与显式信号分解适于具强季节与趋势分量的流行病序列;全局多序列训练整体优于单序列训练,表明跨病种共享时序结构具正则化与多任务学习效应,暗示病种间存在交互影响或可借共同驱动因子提升泛化。RNN类因序贯处理易遇长程依赖与梯度消失致误差累积,Transformer缺内置时序归纳偏置过度依赖位置编码。
四、讨论与结论翻译
讨论指出战争致22/57病发病率平均升62.38%、35病降35.52%,此变化是传播动力学与报告稳定性的混合信号;归一化引入人口流动不确定性;全局训练优但需注意负迁移,建议按传播机制分组或引入疾病特异输出头;未来可引入潜表示学习(如Deep Factors)、图神经网络建模病种间依赖、使用Temporal Fusion Transformer或Autoformer等改进架构,纳入气象/流动性/疫苗接种等外生变量(Exogenous Variables),并结合Nowcasting修正报告延迟。
结论部分翻译如下:
研究人员收集并归一化的传染病数据显示57种疾病中有22种病例数平均增加62.38%,表明紧急情况对乌克兰人口健康与福祉的负面影响。所开发的神经网络经训练与性能比较,N-BEATS模型以平均MAPE 63.56%优于其他神经网络架构。尽管N-BEATS不提供明确流行病学解释,其内部分解为趋势与季节相关分量允许对预报驱动因子的部分定性解读,可区分预测由基线季节周期主导还是长期发病率水平偏移主导,支持短期监测与操作决策。基于多时间序列训练的神经网络优于基于单时间序列训练的神经网络。系统关键技术涉及RNN、Block RNN、N-BEATS、TCN、Transformer及N-HiTS,使用TensorFlow与Darts库。测试采用独立于训练集的数据集确定准确率。模型仅基于单一国家(乌克兰)及有限时段(2016–2024)训练,空间与时间范围受限可能影响泛化至其他地区或新发传染病,需在独立多国数据集外部验证后方可实操部署。未按传播途径(呼吸道、水源性、虫媒等)分层,且仅基于点预报与确定性精度指标评估未给出预测不确定度或置信区间,聚焦NN架构点预报精度比较,概率预报与不确定性量化留待后续研究。未评估单个输入滞后或外生变量贡献,未来应加入特征重要性分析与敏感性分析以增强透明度。未来工作需用更多样化多区域数据集与更长时段评估以增强鲁棒性。神经网络可成为传染病传播预报的重要组成部分,但对无明显季节性的疾病所有测试架构表现平平。未来应引入天气、人口流动或疫苗接种活动等外生因子,并采用潜表示学习与降维技术显式建模多病种共享隐藏驱动因子与相关性。本研究受监测数据可用性与质量限制,扩大数据集与多场景测试将助于理解生物与环境驱动因子如何影响性能。上述方向可使预报框架更可靠并更好契合疾病传播生物学本质。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号