基于机器学习的新加坡 COVID-19 疫情趋势时间序列分析与预测：为抗疫决策提供关键指引

COVID-19 疫情对全球健康威胁巨大，新加坡疫情形势严峻。研究人员开展基于机器学习的新加坡 COVID-19 疫情趋势时间序列分析与预测研究，结果显示 LSTM 模型表现最佳。该研究为新加坡及周边地区防疫提供依据。

　　2019 年末，新冠病毒（SARS-CoV-2）引发的 COVID-19 疫情突如其来，迅速在全球蔓延，给人类健康和社会经济带来了前所未有的冲击。这场疫情如同一场没有硝烟的战争，波及全球 200 多个国家和地区。截至 2023 年 10 月 11 日，全球确诊病例超过 771 million，死亡近 7 million；新加坡在 2020 年 1 月 3 日至 2023 年 10 月 11 日期间，也有大约 250 万确诊病例和近 2000 例死亡病例 。

疫情的发展态势复杂多变，病毒不断变异，出现了 Alpha（B.1.1.7）、Beta（B.1.351）、Gamma（P.1）、Delta（B.1.617.2）和 Omicron（B.1.1.529）等多种变异株，其传播力和毒力都有所改变。Omicron 变异株的出现，更是导致 2022 年 2 - 3 月全球疫情大幅反弹，新加坡在 2022 年 4 月也迎来了病例高峰。面对如此严峻的形势，准确预测疫情趋势变得至关重要。然而，传统的预测方法存在诸多不足。统计方法依赖样本子集预测整体趋势，个体样本差异使其预测准确性受限；经典的动力学模型，如 SIR（Susceptible-Infected-Recovered）模型和 SEIR（Susceptible-Exposed-Infected-Recovered）模型，虽然在疫情早期有一定作用，但在复杂的现实场景中，难以准确预测病毒传播，且理论参数与实际情况难以契合。

为了攻克这些难题，探索更精准的疫情预测方法，研究人员开展了基于机器学习的新加坡 COVID-19 疫情趋势时间序列分析与预测研究。该研究成果发表在《Computer Methods and Programs in Biomedicine Update》上，为全球抗疫提供了重要参考。

在研究方法上，研究人员使用了世界卫生组织提供的新加坡 COVID-19 新增和累计确诊病例数据集，时间跨度从 2020 年 1 月 5 日至 2024 年 1 月 21 日，以周为单位进行数据汇总。研究的关键技术方法主要包括：采用长短期记忆网络（Long Short-Term Memory，LSTM）、门控循环单元（Gated Recurrent Unit，GRU）以及两者结合的复合模型（LSTM-GRU）进行预测。LSTM 是一种特殊的递归神经网络（Recurrent Neural Network，RNN），具有多个门结构，能够有效捕捉长短期信息，解决了传统 RNN 训练过程中的梯度消失问题；GRU 则是 LSTM 的变体，网络结构相对简化 。同时，研究人员运用平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）、平均绝对误差（Mean Absolute Error，MAE）、均方根误差（Root Mean Square Error，RMSE）和决定系数（R²）等指标来评估模型性能。

在研究结果方面：

• 模型性能比较：研究人员将数据按 6:4 的比例划分为训练集和测试集，训练完成后用模型预测测试集数据。结果显示，在新加坡 COVID-19 数据集上，单个模型的表现优于复合模型。其中，LSTM 模型的表现又优于 GRU 模型。LSTM 模型的 MAPE 为 11.154，MAE 为 2596.146，RMSE 为 2886.58，R²为 0.9143；GRU 模型的 MAPE 为 15.700，MAE 为 2802.027，RMSE 为 3168.097，R²为 0.8969；LSTM-GRU 复合模型的 MAPE 为 13.682，MAE 为 3014.133，RMSE 为 3418.391，R²为 0.8799。这表明 LSTM 模型在捕捉新加坡 COVID-19 数据的复杂模式和长期依赖关系方面具有独特优势。
• 疫情趋势预测：LSTM 和 GRU 模型均预测新加坡未来四周新增病例数呈逐渐下降趋势。这可能是由于多种因素共同作用，如政府采取的防控措施，包括重新开放专门的治疗设施、鼓励民众接种加强针等；公众防疫意识提高，积极采取预防措施；以及季节性变化等因素。

在结论与讨论部分，该研究明确了 LSTM 模型在预测新加坡每周新增 COVID-19 病例方面的有效性，其在捕捉数据的长期依赖关系和非线性模式上表现出色，这对于公共卫生规划和资源分配具有重要意义。准确的疫情预测可以帮助政府和卫生部门合理调配医疗资源，如医院床位、医护人员和疫苗等，提前做好应对准备。同时，政策制定者也能根据预测结果评估现有防控措施的有效性，及时调整策略，从而更有效地控制疫情传播。

然而，研究也指出了未来的研究方向。一方面，可以纳入更多外部因素，如政府政策、疫苗接种率和社会经济变量等，以进一步提高预测准确性，更全面地了解疫情动态。另一方面，可以对模型进行优化，尝试其他架构，如基于 Transformer 的模型，或结合注意力机制，同时通过微调模型参数和探索迁移学习等技术，提升模型性能。此外，将该模型应用于其他国家或地区，有助于比较不同地区的 COVID-19 疫情趋势，为全球健康规划提供参考。开发实时预测模型，使其能快速适应新数据，可增强决策的及时性，更迅速地应对疫情爆发。确保模型具备良好的可扩展性，能够处理更大规模的数据集和不同类型的疫情，将进一步提高其在全球健康防范中的应用价值。

总的来说，这项研究为 COVID-19 疫情预测提供了重要的参考依据，虽然仍有改进空间，但为后续研究和全球抗疫工作奠定了坚实基础，有望在未来更好地应对类似的健康危机。