基于紫外与太阳辐射监测数据的MMS-GRU多尺度登革热预测框架

《Mathematics》：Integrating Ultraviolet and Solar Radiation Monitoring Data with an MMS-GRU Framework for Multi-Scale Dengue Forecasting

　　

登革热持续在热带与亚热带地区扩散，给公共卫生监测系统带来压力，部分原因在于登革热时间序列呈现非平稳性、多周期结构以及随地理位置变化的气候驱动因素。本研究提出MMS-GRU，一种混合多尺度框架，该框架利用最大重叠离散小波变换（Maximal Overlap Discrete Wavelet Transform, MODWT）对登革热序列与气候序列进行分解，以将季节趋势与短期动态分离；采用两阶段Lasso–SHAP流程筛选具有信息量的气候预测因子；并将各频率分量输入堆叠双向门控循环单元（Stacked Bidirectional Gated Recurrent Unit, SBi-GRU）以捕捉时间依赖关系。该框架在三个流行站点（Iquitos、San Juan和菲律宾）上于13周、26周和52周预测horizon进行评估，使用常规气候记录，并针对菲律宾使用卫星反演的NASA POWER变量。MODWT在全部三个站点产生的误差均低于EEMD和CEEMDAN，而特征选择的收益随站点、horizon和架构而变化，紫外指数与太阳辐射变量在菲律宾被列为最具影响力的输入之一。上述发现表明，将多尺度分解与可解释的特征选择相结合是登革热预测的一个有前景的基础，但在该框架能够支持病媒控制规划之前，仍需在统一协议下进行重复运行并与简单基准模型比较。

研究背景：2023年，80多个国家的卫生当局报告了超过500万例登革热病例，该数字几乎肯定低估了真实负担。登革热主要由埃及伊蚊（Aedes aegypti）和白纹伊蚊（Aedes albopictus）传播，已远超其曾经主导的热带区域，全球发病率在过去五十年间上升逾三十倍。气候在多个时间尺度上同时塑造传播：更温暖的条件加速蚊虫发育与病毒复制，单次强降雨可在数日内形成孳生地，而受季风、厄尔尼诺–南方涛动（El Ni?o–Southern Oscillation, ENSO）和人群免疫影响的季节与年际流行节律则在数月至数年尺度上展开。将上述影响作为单一混合信号接收的模型，必须在学习预测病例数的同时分离短期噪声与缓慢结构。早期登革热预测主要依赖自回归积分滑动平均（Autoregressive Integrated Moving Average, ARIMA）模型，其擅长处理线性趋势，但一旦潜在动态变为非线性或非平稳便难以应对。混合扩展在一定程度上有所助益：Chakraborty等将ARIMA与神经网络自回归（Neural Network AutoRegression, NNAR）组分结合，以捕捉Iquitos、San Juan和菲律宾发病率记录中的线性与非线性结构；Benedum等在多个流行站点系统比较了回归与机器学习方法，表明没有单一模型在各流行阶段均占优。这些是有意义的进展，但两项研究均将气象变量视为简单协变量，其自身的时间复杂性基本未被建模。当气候条件以训练数据此前未显示的方式发生转变时，此类模型的响应能力有限。深度学习的到来提供了更灵活的表示，并迅速被应用于登革热。长短期记忆（Long Short-Term Memory, LSTM）和门控循环单元（Gated Recurrent Unit, GRU）网络无需被明确告知寻找什么即可学习长程时间依赖，若干研究已证实其在发病率预测上优于传统基线。更近期的架构进一步扩展了预测horizon：Lu等将LSTM嵌入 compartmental 流行病学模型，在马来西亚将可靠预测推至约60周。然而，这些深度学习框架的共同倾向是直接作用于原始或轻度处理的输入，短期天气噪声与缓慢季节趋势纠缠着到达网络，模型只能通过学习到的权重隐式分离二者；其能否在不同站点以及从数周到一年的不同horizon上一致地做到这一点，在现有工作中很少被检验。信号分解提供了一条更有原则的路径，其思想是在建模前将原始时间序列分离为不同频率分量，使网络接收结构化的多尺度输入而非单一混合信号。集合经验模态分解（Ensemble Empirical Mode Decomposition, EEMD）及其自适应变体CEEMDAN已被用于金融与能源预测，但二者均易出现模态混叠（mode mixing），即一个频带的能量泄漏到另一频带，且均不能保证各分解层级之间的时间对齐。基于小波的方法在这方面更为适合，其相对于EMD衍生分解在环境时间序列预测中的优势已在生态预测情境中得到证明。Stoddard等将小波分析应用于Iquitos十年登革热监测数据，恢复了与气候驱动因素相关的、传统分析遗漏的季节周期性。更近期，Panja等开发了XEWNet，使用MODWT并以降雨作为外生输入，改善了长期登革热预测，尽管该框架仅纳入降雨作为气候协变量并使用单一单向模型。MODWT在嵌入同一深度学习流程时、且针对流行病序列，是否相对EEMD和CEEMDAN具有实际优势，尚未被系统检验。知晓哪些气候变量真正重要是另一个同等重要的问题。温度与降雨几乎出现在每项登革热预测研究中，但其在文献中的主导地位可能部分反映惯例而非穷尽评估。Kuo等发现将紫外（ultraviolet, UV）指数加入台湾登革热模型可产生可测量的更好预测，提示通常可从卫星平台获取但很少使用的太阳辐射变量可能携带温度和降雨无法单独提供的预测信息。仍然缺乏的是一个透明、可重复的流程，用于对气候输入排序并排除冗余或弱预测变量。Shapley加性解释（Shapley Additive Explanations, SHAP）和Lasso正则化正是为此目的而成熟确立的工具，但据研究人员所知，其在一个多尺度流行病预测框架内的联合应用尚未被尝试。表1将本研究置于代表性近期工作的情境中；其所凸显的空白在文献中是一致的：现有框架均未在单一流程内同时处理分解质量、可解释特征选择和跨区域验证。数据驱动的神经预测器只是该问题的一类工具。基于过程的模型将SEIR型传播模型与数据同化耦合，并在多个模型组合为超级集合时产生了有用的季节预测。由季节气候预测驱动的贝叶斯时空模型已在实践中使用，例如在2014年FIFA世界杯前为巴西发布登革热预警。基于知识和基于规则的系统构成第三类：Buczak等从临床、气象和遥感数据中挖掘模糊关联规则，将秘鲁即将到来的季节分类为高或低发病率。NOAA登革热预测项目提供了本文使用的Iquitos和San Juan数据，在同一目标上比较了许多此类方法，发现没有单一方法对每个目标和季节都是最佳的。因此研究人员不认为此处提出的方法是唯一合适的。机制模型需要昆虫学或血清学参数，而这些参数很少以常规监测的分辨率可得；基于规则的系统通常返回类别而非病例数。研究人员的焦点是更窄的设置：仅可获得病例序列和候选气候协变量池，且需要在多个horizon上给出定量预测。在该设置中，如何分离时间尺度以及保留哪些协变量是建模者可做的主要选择，也是本研究检验的选择。本研究有四个目标。第一，正式陈述多步预测问题，并足够详细地描述从数据到预测的流程以便他人复现。第二，检验当下游网络固定时，采用Daubechies-4滤波器的MODWT是否比EEMD和CEEMDAN给出更好的输入。第三，考察两阶段Lasso–SHAP气候输入选择如何影响预测精度以及保留哪些变量，包括菲律宾来自NASA POWER的紫外指数和太阳辐射变量。第四，将所得MMS-GRU框架的结果与相同数据集在13周、26周和52周horizon上的已发表结果并列。尽管每个组分都是成熟方法，本研究做出三点贡献。第一，给出多尺度登革热预测的正式陈述以及MODWT的完整描述，包括其边界行为和多分辨率分析的非因果特性，这在小波分量被用作预测输入时至关重要。第二，气候输入通过两阶段流程从各数据源提供的完整变量池中选取，因此保留集可被报告和审计。第三，据研究人员所知，本研究首次使用卫星反演的紫外和太阳辐射变量作为菲律宾月度登革热预测的候选预测因子，该设置下病例数据中没有地面气候记录。图1总结了工作流程：采用多分辨率分析（Multi-Resolution Analysis, MRA）的MODWT将登革热和气候序列拆分为频率特异分量，Lasso–SHAP流程为各站点选择气候预测因子，所选分量被传递至堆叠双向门控循环单元（SBi-GRU）。该框架应用于Iquitos（秘鲁）和San Juan（波多黎各）的周记录以及菲律宾的月记录，气候输入分别来自NOAA和NASA POWER。

关键技术方法：研究使用三个登革热病例数据集，覆盖两个地理情境和两种时间分辨率：Iquitos和San Juan的周发病率记录取自Panja等重新分发的NOAA登革热预测项目病例序列（Iquitos为2002年初至2012年末，598个周观测；San Juan为1991年初至2012年末，1196个周观测），菲律宾2008年1月至2016年12月的月度全国病例数（108个月）取自Chakraborty等所用数据集（2008年1月至2015年12月共96个月为训练期，2016年为测试期）。气象输入按区域数据可得性来自两个数据库：San Juan和Iquitos从NOAA登革热预测挑战获取20个气候变量（涵盖地面气象站、卫星观测和气候再分析），并加入Panja等数据附带的周降雨序列，每个周站点共21个候选气候变量；菲律宾病例序列自身无气候变量，故通过POWER Data Access Viewer从NASA Prediction of Worldwide Energy Resources（POWER）数据库检索34个变量（涵盖太阳辐射包括紫外指数、UVA和UVB，以及温度、湿度、风、地表压力和土壤湿度），因病例数为全国总计，气候序列在单一代表点提取并将日值聚合为日历月均值。病例数与气候变量经min–max缩放至[0,1]，气候记录缺口以该变量均值填补，缩放、填补及MODWT–MRA分解均在各完整序列上、于划分训练与测试期之前应用。特征选择采用两阶段Lasso–SHAP：第一阶段对每个数据集拟合Lasso回归（?1惩罚），按系数符号和大小筛选候选变量，绝对值较大者进入下一阶段；第二阶段在这些变量上计算整个观测期的SHAP值，按平均绝对SHAP值排序，排名最高者构成最终输入集；选择作用于原始未分解气候序列，所选变量随后被分解，故同一变量集进入每个频带。评价指标为均方根误差（Root Mean Square Error, RMSE）、平均绝对误差（Mean Absolute Error, MAE）、对称平均绝对百分比误差（Symmetric Mean Absolute Percentage Error, SMAPE）和平均绝对缩放误差（Mean Absolute Scaled Error, MASE）；SMAPE以0至2的比例报告，因其在无报告病例周仍保持有限而优于MAPE；MASE分母为各站点训练序列上一步朴素预测的样本内MAE，在同一站点对各模型和分解均相同。预测问题正式表述为：设yt为站点在时期t的报告登革热病例数，xt为同期p个候选气候协变量向量，在预测起点T0信息集为截至T0的观测，任务是产生H步预测，输入向量Zt汇集病例序列及各所选协变量k的MRA细节1,t至J,t与平滑J,t，映射fθ为SBi-GRU网络，其预测一步向前，H步预测通过将每个预测反馈为下一步输入递归获得，参数通过最小化训练窗口上的一步均方误差估计。周站点使用H=13、26和52周，菲律宾月度序列对应horizon为3、6和12个月。测试期内气候输入取自记录的气候序列，即假设气候协变量已知，未使用气候预测。各站点和各horizon在单一预测起点评估，模型训练至该起点并对随后H个时期发出一个H步预测构成测试集，报告指标为H步平均。EMD专为违反多数经典谱方法平稳性假设的信号设计，直接从数据提取本征模态函数（Intrinsic Mode Functions, IMFs），但存在模态混叠及白噪声未被完全抵消的不稳定性；EEMD通过多次添加高斯白噪声并平均结果部分缓解模态混叠；CEEMDAN在每一分解阶段注入自适应噪声并对每个输出IMF施加包络均值为零和极值点与过零点计数差不超过一的条件。标准离散小波变换（Discrete Wavelet Transform, DWT）的降采样会在每一分解层级将信号长度减半，破坏原始观测与分解表示之间的时间对应；MODWT通过在每一层级保留全样本长度避免此问题，使第47周病例数映射到每个细节带第47周系数，便于在输入循环网络前对齐分解后的气候分量与病例分量。变换在每一层级j应用重标度小波和尺度滤波器，对Db4取L=8，层级j等效滤波器宽度为Lj = (2j ? 1)(L ? 1) + 1，MODWT使用重标度滤波器并以Percival和Walden的金字塔算法逐层计算系数，代价为O(N log2 N)次操作，变换保持能量，MRA通过将系数反向通过相同滤波器获得并给出序列的精确加性重构。研究采用Daubechies-4（Db4）滤波器，因其四个消失矩可跟随发病率的渐变季节波而不压平更尖锐的暴发峰值。若干性质对预测重要：索引(t ? l) mod N将序列视为周期，故层级j的前Lj ? 1个系数利用序列末端值，这些边界系数受环绕失真影响且其数量随j快速增长；除该环绕外，式(10)仅使用当前和过去值，而式(12)的MRA通过索引t + l向前看，本研究对各完整序列分解，故训练期末端附近分量部分受测试期值塑造，严格因果的替代方案是在扩展窗口上重算分解；深度J受最宽滤波器须适配序列内即LJ ≤ N的限制，取L=8时L6=442、L7=890，故Iquitos（N=572）最大可允许深度为J=6，San Juan亦用J=6以保持可比，96个月菲律宾序列L3=50可适配而L4=106不可，故J=3。LSTM网络在循环网络中加入记忆单元和三个门（输入、遗忘和输出），可在多时间步上保留信息并缓解普通循环网络的梯度消失问题。双向LSTM（Bi-LSTM）在输入序列上反向运行第二个LSTM并拼接前向与后向隐藏状态，本研究两个方向均仅在观测输入窗口上运行。GRU使用两个门而非三个并将单元与隐藏状态合并为单一向量，重置门rt决定前一隐藏状态有多少进入候选激活，更新门zt设定保持旧状态与接受新候选之间的权衡，参数更少意味着训练更快且在较短序列上过拟合风险降低。双向GRU（Bi-GRU）施加与Bi-LSTM相同的前向–后向扩展。MMS-GRU流程分三阶段：第一，缩放后的病例序列和所选气候序列经Db4滤波器的MODWT–MRA分解，每个序列得到J个细节分量和一个平滑（周站点J=6，菲律宾J=3）；第二，Lasso–SHAP流程固定气候输入集；第三，分量被传递至含两个Bi-GRU层的SBi-GRU，第一层学习输入窗口内表示，第二层学习第一层产生的隐藏状态序列中的模式；对病例序列的每个分量（J个细节和一个平滑）分别训练一个SBi-GRU，以所选气候变量的匹配分量为协变量，即每站点J + 1个模型（周站点七个，菲律宾四个），分量预测相加以给出序列预测；超参数从Panja等报告的设置初始化并经各数据集初步运行确认。双向层需要谨慎，因为其反向传递读取序列中较后位置；在MMS-GRU中呈现给网络的序列是输入窗口，全部位于信息集内，前向GRU从第一到最后一位置读取，后向GRU反向读取，两个最终状态拼接后传递至稠密输出层，目标期的任何值都不属于序列，故反向传递是从窗口另一端重访相同过去观测而非看向未来。研究将流程概括为可应用于类似气候敏感预测问题的通用程序，包括针对前视的防护措施：定义目标序列及其分辨率、候选协变量池和与预测所要支持的决策相匹配的horizon；按时间将数据划分为训练、验证和测试段，理想情况下设置多个预测起点；仅用训练段计算缩放常数和填补值；仅用训练段运行带分块时间序列交叉验证的Lasso筛选，按平均|SHAP|对其余变量排序并应用预先固定的截断；在满足LJ ≤ N下选择小波滤波器和深度J，并在扩展窗口上计算MODWT–MRA分量以使每个输入仅使用过去数据；对每个分量在长度为w的窗口上训练一个SBi-GRU，目标严格位于各窗口之后，并用多个随机种子重复训练；预测每个分量、求和、逆缩放并与记录序列及季节朴素预测比较评估；报告跨种子离散度并用Diebold–Mariano检验及Harvey等的小样本校正正式检验精度差异。该程序有要求和局限：序列须足够长以支持所选深度和窗口；协变量须以目标分辨率记录或聚合至该分辨率，并在实时中可得至预测起点；方法给出计数的点预测而无机制解释；SHAP排序描述拟合模型所用，是预测关联而非因果效应证据。

研究结果：3.1 信号分解分析。3.1.1 MRA分解：MRA输出描述各序列在任何建模之前的频率结构。对Iquitos（图13）和San Juan（图14），平滑分量A6跟随传播的季节和年际包络，粗细节D4–D6描述单个流行的起落；细细节D1–D3在记录大部分时段接近零，但在主要暴发周围显示短时大幅爆发（San Juan约在观测230和430附近），故去除细细节的平滑在平静期代价很小但恰在流行峰值时钝化预测。菲律宾序列（图15，J=3）表现不同，其平滑分量在约第60–75月（2013年）升至宽峰后下降，指向年周期之上的多年流行波，而细节D1–D3承载该波周围的逐月变化。3.1.2 MODWT分解：MODWT系数图（图16、图17、图18）从不同角度显示相同结构，各图以黑色显示原始序列、蓝色显示小波系数、红色显示尺度（平滑）系数；在全部三个站点，平滑系数跟随流行包络，小波系数分离各峰值周围的快速波动；两组图看起来不同有一个简单原因且降采样不参与其中，因为MODWT及由其构建的MRA均不降采样：MODWT系数是滤波器输出，其尺度通过式(9)中的因子2?j/2依赖于层级，而MRA细节以原始序列单位表示并精确加总为原序列（式(13)），如此解读，两种表示对全部三个站点一致。3.2 分解方法比较：将三种时频分解（EEMD、CEEMDAN和MODWT）与六种神经网络变体（LSTM、GRU、Bi-LSTM、Bi-GRU、SBi-LSTM和SBi-GRU）组合，在Python（版本3.13.9）中用EMD-signal和PyWavelets（版本1.9.0）库实现；跨三个站点，MODWT（Db4）+ MRA在多数比较中给出最低误差，SBi-GRU是该框架内最强的架构之一，全部组合的完整结果见补充表S1–S3。3.2.1 Iquitos：对Iquitos（表S1），MODWT（Db4）+ MRA在多数网络配置中给出低于EEMD或CEEMDAN的MAE、SMAPE和MASE；无论何种分解，双向变体通常优于其单向对应物，提示窗口上第二遍处理的收益不依赖于特定预处理选择；该站点在MAE、SMAPE和MASE上的最佳结果来自MODWT + MRA与SBi-GRU：RMSE = 1.9068，MAE = 0.5759，SMAPE = 0.284，MASE = 0.4639；相同分解的GRU具有更低RMSE（1.1164），表明SBi-GRU在多数周误差更小但少数周误差更大。3.2.2 San Juan：对San Juan（表S2），基于CEEMDAN的模型产生非常大的误差，CEEMDAN–LSTM组合给出RMSE = 61.30、MAE = 50.53，该模式与模态混叠一致，即一个IMF合并多个时间尺度，这是EMD类方法在具有稀少、大幅流行尖峰且间隔长时间低计数的序列上的已知弱点；CEEMDAN对其噪声幅度和集合大小的敏感性也可能起作用；EEMD给出更通常大小的误差但仍高于MODWT + MRA：最佳EEMD模型达到RMSE = 5.28，而MODWT的SBi-GRU为4.41，其SMAPE为0.476。3.2.3 菲律宾：对菲律宾（表S3），额外纳入两种MODWT滤波器选项Haar与Daubechies-4（Db4）的比较，因为小波滤波器选择在文献中很少被明确讨论，但在此处结果影响显著：基于Haar的LSTM给出RMSE为0.3672，Db4对应值为0.1139，约好三倍；最可能的解释是Haar的分段常数基在应用于菲律宾月度登革热发病率所特有的平滑季节波时引入阶跃伪影，而Db4的四个消失矩在不过度平滑更尖锐暴发过渡的情况下表示它们；MODWT（Db4）+ MRA与SBi-GRU达到总体最佳结果：RMSE = 0.1080，MAE = 0.0859，SMAPE = 0.2404，MASE = 0.7737，该配置被带入所有后续分析；表7总结各站点每种分解方法的最佳表现配置（26周horizon，全部候选变量），每行给出通过RMSE ≥ MAE检查的结果中RMSE最低的架构，各站点最佳分解以粗体显示。3.3 特征选择对预测性能的影响。3.3.1 26周预测horizon：在MODWT（Db4）+ MRA固定为分解后，下一个问题是Lasso–SHAP步骤是否增加价值；表8、表9和表10显示答案取决于站点和架构且效应不均匀。对Iquitos（表8），将输入从21个减至11个变量使SBi-GRU的RMSE降低33%，从1.907降至1.269，但其MAE、SMAPE和MASE增加，故所选输入以普通周误差略大为代价减小最大误差；LSTM在全部四项指标上改善，GRU在全部指标上变差；Bi-LSTM和Bi-GRU在RMSE上改善而在MAE上损失精度，SBi-LSTM在两者上均变差；幸存选择的变量（温度极值、降雨总量和植被指数）是蚊虫孳生与存活的合理相关因素。对San Juan（表9），选择降低了全部六种架构的RMSE，意味着更少的大误差，但对其中四种提高了MAE和MASE；SBi-GRU是唯一在全部四项指标上改善的模型，RMSE下降25%、MAE下降21%、SMAPE下降16%、MASE下降21%；故选择主要减小最大偏差的幅度，并非对每个模型都有益。菲律宾结果（表10）不同：以18个所选变量替代34个，每种架构的RMSE变化至多0.005，六种中五种MAE略高；在26周（6个月）horizon，选择未改善该站点精度，其收益是以精度损失很小为代价的更小且更可解释的输入集；序列过短是可能原因：仅96个月度训练观测时，此等大小的差异小到可仅由随机初始化产生；52周结果表现不同（3.3.2节）。3.3.2 52周预测horizon：扩展至52周，特征选择的增益收窄但未消失。对Iquitos（补充表S4），从全部21变量输入转向所选11变量时，SBi-GRU记录RMSE降低3.45%、MAE降低7.38%、SMAPE降低4.14%、MASE降低7.37%；这些百分比小于26周，但方向在全部四项指标上一致，表明即使预测horizon拉长至整年，所选气候变量仍保留有意义的预测内容。San Juan和菲律宾在Bi-GRU和SBi-GRU配置上显示改善（表S5和S6），但并非每种架构均如此。菲律宾案例值得单独指出：在不加选择地以全部NASA POWER变量集训练时，LSTM的RMSE为0.52，而以所选集训练时降至0.113；相同模式对每种架构均成立，RMSE从0.46–0.52降至0.108–0.198（表S6）；短月度序列上众多辐射变量之间的共线性是最可能原因（4.3节）。3.4 与已发表模型的基准比较：结果随后与使用相同病例序列的已发表方法在13、26和52周horizon上并列；表11、表12和表13报告取自原始出版物的值；这些研究与本研究及彼此之间在训练期、预测起点和评估窗口上不同，且在某些情况下误差计算尺度不同，故文献值仅作为背景给出，不与MMS-GRU直接可比，研究人员不由此得出百分比改善结论；在统一协议下重新训练已发表模型才需要直接比较；26周horizon具有最完整的已发表指标集并用于图示。3.4.1 Iquitos：对Iquitos（表11），MMS-GRU在26周的MAE、SMAPE和MASE低于已发表值，但RMSE并非最低：Chakraborty等的混合ARIMA–NNAR模型报告1.172，而本研究为1.269；较低MAE与较高RMSE并存意味着MMS-GRU在多数周误差更小但少数周误差更大；对暴发监测而言这些大偏差代价高昂，故这是该站点模型的弱点；XEWNet也使用MODWT并纳入降雨作为外生输入但以自回归神经网络预测，其已发表RMSE在26周为1.98、52周为4.73；在13周，已发表混合ARIMA–NNAR值接近本研究（RMSE 1.188对1.134）。3.4.2 San Juan：对San Juan（表12），已发表的26周混合ARIMA–NNAR值（RMSE 20.73，MAE 16.56）和XEWNet值（RMSE 9.98，MAE 6.55）高于MMS-GRU（3.295和2.105），但评估窗口不相同，故研究人员不再进一步解释差异；已发表的13周混合ARIMA–NNAR值（RMSE 7.438）和52周XEWNet值（RMSE 68.49）远大于MMS-GRU（2.284和3.739）；研究人员谨慎地不以方法本身解释这些差距，XEWNet使用MODWT故模态混叠不能是原因，评估期、预测窗口和误差尺度差异可能解释大部分差距。3.4.3 菲律宾：对菲律宾（表13），已发表误差远大于本研究，例如26周RMSE对EWNet为6.81、对混合ARIMA–NNAR为0.5728，而MMS-GRU为0.106；本研究菲律宾误差在缩放序列上，故这些数字不在共同尺度上不能直接比较；混合ARIMA–NNAR模型也不使用气候协变量，故与其比较混合了模型效应与所加气候信息的效应；紫外和太阳辐射变量是否增加预测价值在4.2节讨论。3.4.4 视觉比较与预测曲线：图19、图20和图21将MMS-GRU与26周已发表值并列，由于这些值来自不同评估设置，图示仅作说明。图22、图23和图24显示各站点测试期内单个MODWT–MRA分量的实际与预测值，依次绘制：Iquitos和San Juan的七个分量各26周（182点），菲律宾四个分量各12个月（48点）；细节分量围绕零振荡，故纵轴出现负值，这些值是分量而非病例数；在全部三个站点，承载季节包络的平滑和粗分量被紧密跟随，而承载逐周波动的最细细节匹配较差。

讨论与结论：4.1 信号分解选择及其对预测误差的后果。San Juan的CEEMDAN结果极差，RMSE高于60而对MODWT约为4；模态混叠提供最可能的解释，因为EMD类方法已知难以处理结合稀少大幅流行尖峰与长时间低计数的序列；CEEMDAN所用噪声幅度和集合成员数也可能有贡献；这些结果不意味着CEEMDAN总体上不适合流行病序列，但在本文测试的设置下MODWT为该站点提供了远更稳定的输入。MODWT完全规避了这种不匹配，其非抽取结构在每一分解层级保持时间对齐，无降采样也无平移方差问题，这对十年周流行病序列比对MODWT文献所基于的更长连续信号更为重要。菲律宾的Haar与Db4比较补充了文献很少涉及的一点：小波滤波器选择不是次要细节，Haar的分段常数基在渐变季节波上引入阶跃伪影，三倍RMSE差异使该代价具体化。4.2 太阳辐射变量与紫外指数作为登革热预测因子。据研究人员所知，此前没有菲律宾月度登革热预测纳入紫外指数变量；在Lasso–SHAP选择保留18个NASA POWER预测因子后，若干辐射变量在拟合模型中位居最重要之列；高SHAP排名显示模型依赖这些变量，但不表明它们改善预测，因为相关输入可共享或交换重要性；确立其附加价值需要比较有无这些变量的其他方面相同的模型，这不属于本文实验的一部分，是最重要的下一步；该排名反映的是紫外本身还是辐射变量作为更广泛季节天气体制的标志，无法用这些数据解决。辐射变量与登革热发病率相关的可能原因：高紫外时段倾向干燥无云，可减少孳生栖息地同时增加对成蚊的热胁迫，且据报道紫外影响水中病毒稳定性和伊蚊取食行为，尽管两种效应均未被很好量化；这些机制是假设，本研究结果仅涉及预测关联，不应被解读为紫外辐射驱动传播的证据。菲律宾病例序列自身无气候变量，NASA POWER填补了该空白；此类卫星反演估计在地面观测稀疏处有吸引力，但其预测价值仍须通过上述受控比较来证明。4.3 短训练序列中的特征选择与预测稳定性。减少输入集的效应取决于站点、horizon和架构；对26周的SBi-GRU，裁剪至11个变量使Iquitos和San Juan的RMSE降低25–33%，但其他若干架构在MAE上损失精度，且对菲律宾26周效应可忽略；最清晰的增益是菲律宾52周，全部NASA POWER集给出LSTM RMSE为0.52而所选18变量集给出0.113，每种架构均有类似降低（表S6）。最可能的解释是共线性而非无关性：许多NASA POWER太阳辐射量源自同一潜在物理量并携带几乎相同的信息；仅96个训练观测时，添加近重复预测因子不增加信号，而增加竞争的梯度方向使权重更新不稳定；Del Castillo等在河流水质建模中观察到相同动态，用冗余特征训练主动降低性能而代表性子集始终胜出；Lasso首先通过将最弱预测因子收缩至零来处理，SHAP随后按对模型输出的实际贡献对其余变量排序；两步针对不同失效模式，分别应用每一步的消融将显示各自贡献多少；该流程对更短记录是否成立仍是值得在采取更激进降维前检验的开放问题。4.4 堆叠双向架构与长horizon预测稳定性。SBi-GRU在多数站点和horizon是最强架构之一，但并非全部（表7、表8、表9、表10及表S1–S6）；MMS-GRU与已发表XEWNet在San Juan 52周的巨大差距（3.739对68.49）不能归因于架构，因为评估设置不同，需要消融研究来分离架构的作用。双向性和堆叠以不同方式起作用：每个Bi-GRU的两个方向读取相同观测输入窗口，故反向传递不添加未来信息；它添加的是从最近观测开始的窗口第二遍读取，这可能使将窗口中早期气候信号与最新病例数联系起来更容易；堆叠让第二层学习第一层隐藏状态序列中的模式而非原始输入中的模式；堆叠的增益是否超过模型规模增加的增益，可用参数数量匹配的单层模型检验，留待未来工作。4.5 公共卫生意义。不同公共卫生决策需要不同提前期：病媒控制（喷洒、清除孳生源和社区动员）需要约三个月预警，诊断和静脉补液的采购与预置通常以六个月周期运行，年度预算和人员配置需要一年前瞻可见性；13、26和52周horizon被选择以匹配这些需求。当前结果不支持将MMS-GRU用作业务化早期预警系统：模型给出点预测，且未评估预测区间、流行峰值的时间和大小或暴发阈值的跨越，而这些都是早期预警系统所需的；概率预测和峰值时间评估，如NOAA预测挑战所用，是下一步。多horizon精度是预测工具在实践中被采用的必要但非充分条件；呈现给公共卫生当局的点预测只有在该当局有某种基础信任或质疑它时才可行动；显示对当前预测贡献最大的气候变量的排序列表（显示紫外指数升高、降雨高于季节平均、最低温度上升）为从业者提供可对照当地现场观测交叉核验的生态学依据；这与要求他们接受一个无法质询的模型所产出的数字有实质性不同；Jung等在河流水质情境中提出相同论点，即量化每个上游监测站点对预测的贡献对实际采用与模型精度本身同样重要；无论输出是登革热病例数还是有机碳浓度，条件相同：从业者需要能够推理预测所依赖的内容才会据此行动。4.6 局限性与范围。研究人员的许多推理依赖序列的频率结构，通过分解选择及对其分量的解读；这允许检验具体假设，例如分离时间尺度有助于网络，但不解释为何某预测在给定时段成功或失败，且分量没有直接流行病学意义；SHAP排名描述拟合模型而非传播过程；用机制解释预测技巧需要显式表示媒介和宿主种群的模型。实验设计的若干特征限制结果的可推广程度：第一，缩放、MODWT–MRA分解和Lasso–SHAP选择均应用于各完整序列包括测试期，由于MRA非因果（2.5.3节）且选择使用了测试期观测，报告误差相较严格前瞻预测可能偏乐观；第二，每种配置训练一次并在单一预测起点评估而非采用滚动起点设计，故未评估运行间变异性和结果对测试窗口选择的敏感性，模型间差异也未作统计检验；第三，递归预测使用测试期内记录的气候值，故对应未来气候已知的设置，业务预测将需要气候预测或滞后输入；第四，菲律宾误差在缩放序列上而已发表基准在不同协议下获得，故表11、表12和表13的比较仅指示性；第五，既未进行消融研究也未进行辐射变量的有无比较；按2.5.7节程序在扩展窗口上重算分解、将选择嵌套在训练数据内、用多个种子重复训练并纳入季节朴素基准的复现是未来工作的主要任务。研究覆盖三个站点，其中两个来自同一基准挑战，另一个是菲律宾全国月度序列且仅96个训练月；菲律宾气候输入在单一点提取，不能反映国内区域差异。结论：本研究开发了MMS-GRU，一种结合MODWT–MRA分解、两阶段Lasso–SHAP气候输入选择和应用于每个频率分量的堆叠双向GRU的登革热预测多尺度框架；研究人员正式陈述了预测问题，给出了小波变换的完整描述包括其边界行为，并在三个流行站点和三个horizon上评估了该框架。采用Db4滤波器的MODWT在全部三个站点给出低于EEMD和CEEMDAN的误差，特征选择的效应取决于站点、horizon和架构；对菲律宾，卫星反演的紫外指数和太阳辐射变量是拟合模型最依赖的输入之一，这是预测关联而非紫外辐射改变传播的证据，这些变量是否在常规气候输入之外改善预测仍有待检验。结果来自单一训练运行和每个horizon单一评估窗口，预处理应用于完整序列，应作为初步评估而非业务验证来解读；未来工作将因果地重算分解、将特征选择嵌套在训练数据内、用多个种子重复训练、在统一协议下与简单及重新训练的基准比较，并在框架被考虑用于早期预警前添加概率输出和峰值时间评估。