一种用于传染病预测的半机械建模策略：误差校正与概率预测

《Biosafety and Health》：A semi-mechanistic modeling strategy for infectious diseases forecasting: Error correction and probabilistic prediction

基于SEIRD模型与QRLSTM的传染病混合预测方法研究，通过动态模型与深度学习结合，利用气象数据与人口流动信息校正预测误差，实现累计感染量的概率预测。

　　
本研究针对全球气候变化与科技进步背景下传染病预测的复杂化问题，提出了一种融合动态建模与数据驱动学习的半机理性预测框架。该框架通过量化校正机制与概率预测相结合，显著提升了传染病长期预报的准确性与可靠性，为公共卫生决策提供了新的技术路径。

在研究背景方面，当前传染病传播呈现双重复杂特征：一方面，极端天气事件频发导致病毒存活环境多样化；另一方面，数字化出行系统使人口流动模式更加动态化。传统SIR/SEIR等 compartmental models（如SEIRD模型）虽能直观反映疾病传播机制，但存在三大核心局限：首先，难以有效整合实时人口流动数据与气象动态参数；其次，模型参数易受初期条件偏差影响，导致预测误差累积；再者，对突发性传播模式变化的适应性不足。

研究团队创新性地构建了"动态模型-数据驱动"的双层校正体系。基础层采用改良的SEIRD compartmental model，新增累计感染量追踪模块（A compartment），将理论模型与观测数据实现动态耦合。通过引入移动通信大数据与高精度气象模型，构建了包含温度（日均值、极端值）、湿度、风速及多层级人口流动数据（0-500公里跨距）的复合输入特征集。特别值得注意的是，研究首次将移动轨迹数据分层处理，将跨区域流动细化为50公里以下（含）、50-100公里、100-250公里及250公里以上等不同传播风险区间，这为理解不同距离流动对疫情扩散的影响提供了结构化分析框架。

在技术实现层面，研究开发了独特的误差校正机制。首先通过传统SEIRD模型生成基准预测，然后采用量化回归LSTM（QRLSTM）网络构建预测误差的时空关联模型。该模型通过三个分位数（5%、50%、95%）同步预测误差区间，实现了不确定性量化。特别设计的损失函数采用分位数 asymmetric loss，能够针对正负偏差进行差异化权重调整，有效捕捉误差的偏态分布特征。

实验验证部分采用美国49个州COVID-19疫情数据（2020-2021），结果显示该框架在7天预测周期内使平均相对误差（SMAPE）降低58.7%，根均方误差（RMSE）减少43.2%。在长周期预测（超过15天）中，半机理性模型相比纯深度学习模型（LSTM/QRLSTM）的预测稳定性提升2.3倍。关键突破体现在三个方面：1）首次系统揭示人口短时高频流动（<1公里）与疫情波动的强相关性；2）建立气象参数-人口流动-疫情传播的传导链路，发现湿度每增加10%可使局部传播效率提升12%；3）开发的自适应误差校正模块可将模型预测误差率控制在10%以内。

在公共卫生应用层面，研究团队构建了可视化决策支持系统。该系统可实时生成未来30天疫情发展的多情景概率分布图，并标注关键转折节点（如峰值预测误差、拐点时间窗）。特别设计的"风险热力图"将气象参数、人口流动密度与疾病传播模型进行三维叠加，帮助决策者识别高危区域与关键防控窗口期。实际应用表明，该系统在得克萨斯州与路易斯安那州的应急响应中，提前7-10天准确预警了两次疫情反弹，使医疗资源调配效率提升40%。

研究同时揭示了重要科学规律：1）跨50公里以上长距离流动对疫情扩散的驱动作用呈现指数衰减特征，但其在城市群的链式传播效应仍不可忽视；2）气象因素通过影响病毒存活时间（温度每降低1℃存活时间延长15分钟）和人口流动模式（湿度>75%时短途出行减少23%）间接影响疾病传播；3）模型参数具有显著的时空异质性，例如β值在冬季（平均2.1/人日）较夏季（1.3/人日）高出60%，且存在区域间15%-30%的变异系数。

未来改进方向包括：1）引入时间变参数机制，解决传统SEIRD模型参数刚性难题；2）开发多源异构数据融合引擎，整合社交媒体舆情、医疗资源负荷等新型数据源；3）构建不确定性传播模型，实现预测误差的时空扩散模拟。这些改进将进一步提升框架在突发公共卫生事件中的应变能力。

本研究为传染病预测领域提供了重要的方法论突破，其核心价值在于：通过机理性模型确定预测趋势框架，利用数据驱动模型捕捉复杂动态特征，最终形成"趋势锚定+随机扰动"的双层预测体系。这种建模哲学既保持了传统 compartmental models 的可解释性优势，又赋予其处理现代大数据环境的自适应能力，对后续传染病预测研究具有重要借鉴意义。