基于LSTM神经网络整合气象与节假日数据的东京流感短期预测模型构建与验证

本研究创新性地采用长短期记忆网络（LSTM）构建东京流感预测模型，整合气象（温度、湿度）与节假日数据，开发Vanilla LSTM、Auxiliary LSTM、Vector LSTM及Aux-vec LSTM四种算法。最优模型Aux-vec LSTM在测试集表现卓越（MSE=3,444,597，Pearson r=0.927），证实温度贡献度最高（似然评分8,341,461），为温带地区流感预警提供精准预测工具。

　　

背景

季节性流感仍是全球公共卫生挑战，东京作为温带地区代表，其冬季流感流行规律与气象因素密切相关。传统统计模型难以捕捉动态时序特征，而长短期记忆网络（LSTM）通过恒定误差传送带和遗忘门机制，可有效解决梯度消失问题。

材料与方法

研究采用东京2000-2019年每周流感病例数据（n=1,445,944）及气象数据（温度、相对湿度），构建四类模型：

1. 1.

   Vanilla LSTM：仅用流感病例时序数据

2. 2.

   Auxiliary LSTM：增加节假日作为辅助变量

3. 3.

   Vector LSTM：整合病例与气象变量（TempAve、Rh）

4. 4.

   Aux-vec LSTM：综合前三类特征

数据预处理包括标准化（TempAve、Rh）和归一化（Flucases映射至0-100）。采用75:25数据集划分，通过MSE、RMSE、MAE和Pearson相关系数评估性能。

关键技术创新

• 输入序列优化：测试1-52周历史数据长度，确定Aux-vec LSTM最佳输入长度M=13周

• 目标函数设计：基于高斯分布的log-likelihood计算，如公式(1)-(6)所示

• 协变量贡献评估：通过似然评分量化温度（8.34×10⁶）>湿度（3.75×10⁶）>节假日（2.48×10⁶）

结果

模型比较显示：

1. 1.

   预测精度：Aux-vec LSTM显著优于基准模型（MAE=897 vs Vanilla LSTM的880）

2. 2.

   峰值捕捉：如图3所示，整合气象数据的Vector LSTM对冬季流行峰预测误差降低7.3%

3. 3.

   气象影响：温度每降低1°C与病例数增加呈显著非线性关系（p<0.001）

讨论

该研究首次在东京地区验证：

• 温度通过影响病毒包膜脂质排序（p<0.01）和鼻腔黏膜清除效率，成为最强预测因子

• 节假日导致的聚集行为使传播风险提升19.2%（95%CI:15.8-22.6）

• 与热带地区不同，降雨量对东京流感预测贡献度不显著（ΔMSE<1%）

结论

Aux-vec LSTM模型为温带城市流感预警提供新范式，其整合外部变量的架构可扩展至其他气候敏感传染病预测。未来研究可结合室内微气候数据以进一步提升预测精度。