自回归积分滑动平均模型与反向传播神经网络模型在利用气象因素与大气污染物拟合手足口病发病数的对比研究

【作者】 魏倩楠； 贾乐元； 苏虹；

【机构】 安徽医科大学公共卫生学院流行病与卫生统计学系；

【摘要】 目的对比自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)与反向传播神经网络模型(Back Propagation Neural Network,BPNN)在利用气象因素与大气污染物预测手足口病发病人数上的拟合效果。方法收集合肥市2014-2016年手足口病(hand,foot,and mouth disease,HFMD)日发病数与逐日气象因素和大气污染物数据,进行两变量相关性分析。使用SPSS23.0建立ARIMA模型,以日和以周为周期分别加入不同相关因素进行拟合优度探究。使用Matlab 2017神经网络工具包建立BPNN模型,在输入层对数据进行预处理(7天平均移动,加入星期几效应和月份效应)与否和纳入不同相关因素(气象因素、空气污染物、气象因素联合空气污染)后模型的拟合优度探究。结果 ARIMA模型未纳入气象因素和空气污染物时拟合结果:决定系数R~2=0.868,均方根误差RMSE=95.972,平均绝对误差MAE=65.556。最优拟合模型为纳入气象因素和空气污染物的ARIMA(1,1,1)(1,0,1)52,该模型在分析周手足口病发病数上拟合结果 R~2=0.891,RMSE=88.687,MAE=63.787。而BPNN模型能够拟合日手足口病发病数,BPNN模型纳入气象因素和空气污染物而未对数据预处理的拟合结果为:R~2=0.690,RMSE=26.966,MAE=19.871。在此基础上,对输入层数据进行7天平均移动,加入星期几效应和月份效应的预处理后,模型的拟合优度提升为:R~2=0.920,RMSE=13.298,MAE=9.848。ARIMA模型和BPNN模型在纳入气象因素联合空气污染物后,两者拟合优度都较未纳入时提高,但BPNN模型的拟合优度提升更大。结论使用气象因素和大气污染物纳入模型能提升ARIMA和BPNN模型的拟合优度。但BPNN模型在对输入层数据进行预处理与控制后,在拟合的时间精度与准确度上都优于ARIMA模型。更多还原