《Applied Sciences》：STG-Mixer: A Multi-Region, Multi-Step Forecasting Network for Hand, Foot, and Mouth Disease with Multi-Timescale Feature Extraction and Spatial Association Learning
编辑推荐：
手足口病（HFMD）发病率的准确预测对于有效的预防和控制至关重要。然而，现有的多区域手足口病预测模型在联合捕捉多时间尺度的时间模式和区域间的空间关联方面仍然存在局限性，这影响了多步预测性能。在本研究中，研究人员提出了时空图混合器（STG-Mixer），一种基于
手足口病（HFMD）发病率的准确预测对于有效的预防和控制至关重要。然而，现有的多区域手足口病预测模型在联合捕捉多时间尺度的时间模式和区域间的空间关联方面仍然存在局限性，这影响了多步预测性能。在本研究中，研究人员提出了时空图混合器（STG-Mixer），一种基于多时间尺度特征提取和空间关联学习的多区域、多步手足口病预测网络。STG-Mixer基于区域间邻接关系构建图结构，并采用由自适应融合空间分支（AF-SB）和多尺度能量门控时间分支（MEG-TB）组成的双分支时空编码器。具体而言，AF-SB采用双层时间图卷积网络（T-GCN）、TimeKAN块和正交残差门控融合机制来学习空间表示，而MEG-TB通过膨胀时间卷积和能量门控机制在多个尺度上提取并自适应加权时间特征。学习到的空间和时间表示被融合并馈送到自回归解码器中进行多步预测。在日本47个县的HFMD监测和气象数据上的实验表明，STG-Mixer在提前一至四周的预测中优于基线模型。在中国南方一个独立HFMD数据集上的额外实验进一步评估了所提出模型在不同时间分辨率下的预测能力。
论文解读
一、研究背景与问题提出
手足口病（Hand, Foot, and Mouth Disease, HFMD）是一种主要影响学龄前儿童的常见传染病，在亚太地区尤其构成重大公共卫生负担。HFMD发病率表现出显著的季节性波动和区域异质性，这使得准确的预测对于疫情监测、预防规划和公共卫生资源配置至关重要。然而，时间变化、空间依赖和环境因素之间的复杂交互作用，使得多区域、多步HFMD预测成为一项具有挑战性的任务。
现有的预测方法存在多方面局限。统计时间序列方法如自回归积分滑动平均（Autoregressive Integrated Moving Average, ARIMA）模型、指数平滑状态空间模型以及季节性ARIMA（Seasonal ARIMA, SARIMA）和Prophet等方法，虽然提供了可解释性，但通常依赖于预定义假设，在建模多个流行病学与环境因素之间复杂的非线性交互方面能力有限。机器学习方法如随机森林、XGBoost和支持向量回归等，虽然能够改进非线性关系的表示，但许多方法仍集中于短期或单步预测，在较长预测范围内维持稳定性能仍具挑战。深度学习方法如长短期记忆（Long Short-Term Memory, LSTM）网络虽然增强了复杂时间与时空依赖的建模能力，但主要关注时间模式，可能无法充分捕捉不同区域之间的空间依赖。近年来，基于图的时空预测方法为建模复杂空间和时间依赖提供了有效框架，图神经网络（Graph Neural Network, GNN）将区域表示为节点、区域间关系表示为边，使学习不同位置间的空间相关性成为可能。然而，如何有效整合区域间空间关联与多尺度时间模式，仍然是多区域、多步HFMD预测中亟待解决的挑战。
二、研究内容与核心结论
针对上述挑战，研究人员提出了时空图混合器（Spatiotemporal Graph Mixer, STG-Mixer），一种基于多时间尺度特征提取和空间关联学习的多区域、多步HFMD预测网络。该模型由自适应融合空间分支（Adaptive Fusion Spatial Branch, AF-SB）和多尺度能量门控时间分支（Multi-Scale Energy-Gated Temporal Branch, MEG-TB）组成，通过联合捕捉区域间病例的空间关联以及气象变量与HFMD发病率之间的时间关系，提高了多区域预测的准确性和稳定性。实验结果表明，STG-Mixer在日本47个县的周度监测数据和中国南方某城市的独立日度数据集上，均一致地优于各类基线模型。
三、关键技术方法
研究人员构建了STG-Mixer模型，其核心架构包含以下关键技术组件。其一，自适应融合空间分支（AF-SB），通过双层时间图卷积网络（Temporal Graph Convolutional Network, T-GCN）聚合块传播和聚合相邻区域的HFMD病例信息；引入TimeKAN块增强复杂非线性空间依赖的建模；通过正交残差门控融合（Orthogonal Residual Gated Fusion, ORGF）机制，利用投影残差和自适应门控整合空间表示。其二，多尺度能量门控时间分支（MEG-TB），通过膨胀时间卷积（dilated temporal convolution）从HFMD病例数据和气象变量中提取多时间尺度的时间特征，膨胀率设置为(1, 3, 5)；采用能量门控机制自适应融合不同时间尺度的特征并突出与预测最相关的信息；随后通过双向长短期记忆（Bidirectional LSTM, BiLSTM）建模序列依赖。其三，自回归解码器，采用基于BiLSTM的自回归解码结构，每个预测步使用独立的BiLSTM模块和线性预测头，将前一步的预测反馈至后续解码步骤，逐步生成多步预测。数据方面，主要数据集为日本2013至2023年47个县的周度HFMD监测数据（来源于日本国立感染症研究所）和气象观测数据（来源于日本气象厅）；外部验证数据集为中国南方某城市2014年1月至2019年12月的日度HFMD病例记录和气象观测数据（由中国疾病预防控制中心公开发布）。
四、研究结果
4.1 日本数据集上的预测性能
在日本多区域HFMD数据集上，随着预测范围从提前一周增加到提前四周，各模型的预测性能普遍下降。STG-Mixer在四个预测范围内均取得最佳整体性能，提前一至四周预测的决定系数（R2）分别为0.965、0.908、0.834和0.787，同时在每个预测范围内均获得最低的平均绝对误差（Mean Absolute Error, MAE）和均方根误差（Root Mean Square Error, RMSE）。这表明STG-Mixer在多区域HFMD预测中的有效性。
4.2 独立中国数据集上的预测性能
在中国南方某城市的日度HFMD数据集上，STG-Mixer在四个预测范围内同样取得最佳整体性能，提前一至四天预测的R2值分别为0.888、0.875、0.834和0.829，并同时获得最低的MAE和RMSE。这表明该框架在不同时间分辨率和独立监测环境下仍能保持有效的预测性能。
4.3 区域与多步预测性能
研究人员从日本八个地区各选取一个代表性县进行观察值与预测结果的对比分析。在提前一周和两周的预测任务中，多数模型能在一定程度上捕捉主要时间模式和流行高峰；随着预测范围延长至三周和四周，多个基线模型在高峰时间和幅度上出现较大偏差，而STG-Mixer在代表性县中普遍与观察到的HFMD轨迹保持更接近的一致性。空间误差分布分析显示，STG-Mixer在大多数县的预测误差相对较低，其预测性能并非局限于少数预测良好的县，而是在日本多区域数据集中保持较为一致的性能。
4.4 模型组件分析
研究人员通过移除ORGF模块（w/o O）、TimeKAN块（w/o TimeKAN）、能量门控模块（w/o EG）、多尺度时间建模模块（w/o Multi）以及MEG-TB中的BiLSTM模块（w/o BiLSTM）五种简化变体进行消融实验。完整STG-Mixer在所有预测范围内均优于简化变体。移除ORGF导致性能持续下降；移除TimeKAN在较长预测范围内产生较大性能降低；移除能量门控模块降低了预测精度；移除多尺度时间建模模块在较长预测范围内表现出明显性能下降；移除BiLSTM模块产生最大的整体性能退化。这些结果表明各组件对预测性能具有互补性贡献。
4.5 空间图结构敏感性分析
研究人员比较了原始地理邻接图、动态指标加权图以及仅含自连接的恒等邻接矩阵三种图结构。原始地理邻接图在所有四个预测范围内均优于动态指标加权图，在提前四周预测时R2值分别为0.787和0.738。与恒等邻接矩阵变体相比，原始地理图在所有范围内均获得更高的R2和更低的MAE与RMSE，在提前四周预测时R2从0.787降至0.714。这支持了基于图的区域间消息传递对预测准确性的贡献。
4.6 解码策略比较
研究人员将所提出的自回归解码器与直接多范围解码器进行比较。自回归解码器在所有评估范围内均获得更好的预测性能，在提前四周预测时R2为0.787、MAE为25.29、RMSE为52.51，而直接多范围解码器R2为0.731、MAE为27.10、RMSE为61.89。这表明在连续预测步之间显式传播信息对多步HFMD预测是有益的。
4.7 历史输入长度敏感性分析
研究人员将历史输入窗口长度在3、4、5、6之间变化进行敏感性分析。对于提前一周和两周的预测，最佳性能在输入长度为3时获得；对于提前三周的预测，输入长度为5时效果最佳；对于提前四周的预测，性能随输入长度增加而提升，在输入长度为6时达到最佳。这表明适当的历史输入长度随预测范围而变化。
4.8 鲁棒性与可重复性分析
研究人员使用五个不同随机种子（41、42、45、46、48）重复实验，各预测范围内标准差均相对较小，表明模型性能不强烈依赖于特定随机初始化。在相同实验条件下重复五次实验，各指标标准差均较小，表明STG-Mixer在相同配置下表现出稳定且可重复的预测性能。
五、讨论与结论
讨论部分指出，所有模型的预测性能均随预测范围增加而下降，反映了较长范围内维持准确预测的难度。基于序列的模型在较短范围内表现竞争力，但随预测范围增加出现更大性能退化，表明仅建模时间依赖可能不足以应对需要同时表示时间动态和区域间关联的多步HFMD预测。基于图的模型显式纳入区域间空间关系，但其性能取决于空间信息的表示方式及与时间动态的整合方式。STG-Mixer通过自适应融合空间分支结合图聚合、非线性变换和正交残差门控融合，再与多时间尺度时间特征整合，在预测范围内维持了更一致的性能优势。模型组件分析表明，STG-Mixer的性能并非归因于单一模块，而是空间表示学习、多时间尺度时间建模、自适应特征加权和序列依赖建模之间的互补交互作用。独立中国数据集的评估提供了外部验证，表明该框架在不同时间分辨率和监测环境下能保持有效预测性能。
研究结论为：本研究开发了STG-Mixer用于多区域、多步HFMD预测，通过联合建模区域间空间关联和多时间尺度时间模式。模型整合了用于细化空间表示的自适应融合空间分支和用于在不同尺度上提取并自适应加权时间特征的多尺度能量门控时间分支，随后进行自回归多步解码。在日本47个县周度监测数据上的实验表明，STG-Mixer在提前一至四周预测范围内一致优于所比较的统计、机器学习、基于序列、基于Transformer和基于图的模型。模型组件分析进一步支持了空间表示学习、多时间尺度时间建模、自适应特征加权和序列依赖建模的互补贡献。在中国南方某城市独立日度HFMD数据集上的评估也表明，STG-Mixer在不同时间分辨率下保持了有效的预测性能。这些发现表明STG-Mixer为HFMD趋势预测提供了有用的框架，并可能支持疾病监测和早期预警应用。
