
-
生物通官微
陪你抓住生命科技
跳动的脉搏
非线性格兰杰因果性与 LSTM-Transformer 混合预测揭示了甘肃省流感发病率的气象驱动因素
《Scientific Reports》:Nonlinear Granger causality and LSTM-Transformer hybrid forecasting reveal meteorological drivers of influenza incidence in Gansu Province
【字体: 大 中 小 】 时间:2026年08月27日 来源:Scientific Reports 4.9
编辑推荐:
摘要流感具有明显的季节性,构成了重大的公共卫生负担。在中国甘肃等气候特征显著的地区,传统统计模型往往无法捕捉气象驱动因素对流感传播的非线性和滞后效应。深入理解这些复杂关系对于提高预测准确性至关重要。本研究采用基于随机森林的非线性格兰杰因果检验,系统识别了八个气象变量与甘肃省月
流感具有明显的季节性,构成了重大的公共卫生负担。在中国甘肃等气候特征显著的地区,传统统计模型往往无法捕捉气象驱动因素对流感传播的非线性和滞后效应。深入理解这些复杂关系对于提高预测准确性至关重要。本研究采用基于随机森林的非线性格兰杰因果检验,系统识别了八个气象变量与甘肃省月流感发病率(2004–2020 年)之间显著的滞后预测关系。该方法能够容纳线性格兰杰因果检验无法捕捉的复杂非线性依赖关系。通过随机森林筛选出表现出显著预测改进的气象特征,并将其与流感自相关特征结合,作为 LSTM-Transformer 混合模型的输入。模型使用严格的时间序列划分(60%-20%-20%)进行训练,并主要使用加权平均绝对百分比误差(WMAPE)进行评估。使用 SHapley Additive exPlanations (SHAP) 评估模型的可解释性。非线性格兰杰因果检验识别出所有八个气象因素均具有显著的统计预测关系。温度相关变量表现出 6 个月的滞后效应(改进率:22.56%-23.99%)。降水表现出 1 个月的滞后效应(改进率:19.37%)。日照时数在 1 到 6 个月的滞后期间显示出持续的预测模式(改进率:15.8%-22.85%)。混合模型在独立测试集上实现了 0.786 的 R2和 30.19% 的 WMAPE。基于 SHAP 的可解释性分析将滞后 2 个月的日照时数列为最具影响力的预测因子(平均绝对 SHAP 值 = 0.0609),其次是最低温度的 6 个月滚动平均值(0.0322)。气象因素为甘肃省流感发病率提供了重要的统计预测信息,其中日照时数在多个滞后期间表现出持续的预测模式。混合模型在独立测试集上表现出稳健的预测性能。