《Frontiers in Public Health》：Fusing meteorological factors and baidu search index with an adapted deformtime model to predict influenza-like illness in Beijing
编辑推荐：
背景：流感样病例（ILI）对公共卫生系统造成显著负担，尤其在人口密集特大城市。准确及时预测对预警和资源调配至关重要。深度学习模型虽有前景，但捕捉环境驱动与人群行为的复杂非线性耦合仍具挑战。方法：研究人员采用北京2010至2019年每周ILI%监测数据，辅以20
背景：流感样病例（ILI）对公共卫生系统造成显著负担，尤其在人口密集特大城市。准确及时预测对预警和资源调配至关重要。深度学习模型虽有前景，但捕捉环境驱动与人群行为的复杂非线性耦合仍具挑战。方法：研究人员采用北京2010至2019年每周ILI%监测数据，辅以20个气象变量与322个百度搜索关键词指数。经季节差分、ADF平稳性检验及两阶段Benjamini–Hochberg错误发现率（FDR）校正（q<0.05）的跨相关函数（CCF）分析，筛选出11个预测特征（6气象、5搜索衍生）。构建改进DeformTime模型（DeformTime-Ad），引入任务解耦注意力块、流行水平样本加权、逐折Optuna超参数优化及Huber损失。在3折滚动原点协议下对7至28天四 horizons 与10个对照（持续性、季节朴素、日历、SARIMA、ARIMAX、SARIMAX、XGBoost、随机森林、LSTM及未改进DeformTime-Base）比较，辅以Diebold–Mariano检验、按流行强度分层评估及六组消融。结果：北京ILI%呈显著冬春单峰。DeformTime-Ad在7至14天MAE最低（0.39至0.45），7至21天MSE最低，较报告延迟校正持续性基准MSE最高降62.0%。DM检验中其在7、14、21、28天分别显著优于10个对照中的8、6、2、1个，无显著劣势。流行峰值期（5个共同目标周）其峰值MAE 2.09，较DeformTime-Base低31.9%；持续性基准因高峰平台高自相关获最低峰值MAE 0.78。消融显示逐折超参优化影响最大（移除后MSE+51.9%），架构中任务解耦注意力次之（+7.9%）；气象与搜索特征提供互补且随预见期变化的预测信号，长lead时气象变量更突出。结论：含流行感知设计的多模态深度学习架构显著改善北京每周ILI%预测，尤在1至3周。气象与互联网搜索特征按horizon依赖贡献，气象在较长lead更关键。该框架结合探索性CCF筛选、无泄漏滚动原点评估及组件级消融，需前瞻性多城市验证后方可运行部署。
研究背景方面，流感样病例（Influenza-like illness，ILI）作为呼吸道传染病监测核心指标，在温带特大城市北京呈现冬春单峰、年际峰值差异大、非流行期占82.9%而峰值期仅4.5%的重度样本不平衡特征。既有研究多依赖SARIMA等单变量线性模型或Google Flu Trends式搜索数据范式，将气象因子、百度搜索行为指数与ILI临床数据在特大城市多horizon系统融合的研究有限；同时深度学习模型在捕捉气象生存传播机制与人群搜索行为非线性耦合时尚存缺口，故研究人员开展此项多源融合与改进架构预测研究。
关键技术方法上，研究人员基于北京2010至2019年哨点医院每周ILI%序列、国家地面站20个周聚合气象变量（含冷空气频次指数按GB/T 20484-2017分级熵权）、322个百度搜索关键词周总量，以3折滚动原点划分（训练2010至2016/2017/2018，测试2017/2018/2019）。特征筛选采用季节差分与ADF检验后做滞后?4至+4周CCF分析及两阶段BH-FDR（q<0.05）得11特征；模型以DeformTime为基底轻量化得DeformTime-Base，再改入卷积偏移TDAB、Optuna逐折超参、流行三级样本加权（非流行1.0/活跃2.0/峰值3.0）、Huber损失成DeformTime-Ad；评估在共同目标周（n=147/144/141/138）用MAE/MSE/SMAPE与Diebold–Mariano（Newey-West HAC）检验，并设6组消融与气象仅/搜索仅变体。
研究结果部分，3.1节季节性分布与年际异质性表明北京ILI%呈11至3月单峰，2013与2019为最严重年（峰值9.27%、9.10%），间歇高 spike 模式由冷干气象与搜索行为放大共同驱动。3.2节CCF分析从342候选经平稳性留296进入FDR，最终留6气象（周最高/最低温领先3周r=?0.296/?0.259，均温风速/气压/风速同期）、2个PCA搜索复合（治疗指数PC1解释82.7%、症状指数74.8%）与3独立关键词（挂号r=?0.525、社区医院?0.492、增强免疫力?0.352，均lag0），8/9独立特征在原始序列CCF中仍显著，证伪纯季节伪相关。3.3节整体预测中DeformTime-Ad于7天MAE 0.392/MSE 0.394、14天MAE 0.451/MSE 0.468、21天MSE 0.699均最优，28天MSE被Calendar等略超但较持续性基准仍降61.3%；DM检验7/14/21/28天净胜+8/+6/+2/+1且零失利；分层评估中非流行期MAE 0.45最低，活跃期MAE 1.03最低，峰值期n=5时DeformTime-Ad峰值MAE 2.09低于Base 3.07但高于持续性0.78（高自相关使朴素基准小样本占优）；消融表明去Optuna致MSE+51.9%最剧，去卷积偏移+7.9%，去加权整体MSE微降3.1%但峰值MAE恶化（2.09至2.19），气象仅变体MSE+4.2%、搜索仅+16.4%，印证互补性随horizon变化。
讨论与结论翻译：多模态深度学习架构结合流行感知设计显著改善北京每周ILI%预测，尤其1至3周horizon。气象与互联网搜索特征以horizon依赖方式贡献预测信号，气象变量在较长lead时权重上升。该框架融合探索性CCF特征筛选、共同目标周无泄漏滚动原点评估与组件级消融，为传染病监测提供方法学模板，但需在运行部署前经前瞻性多城市验证。论文发表于《Frontiers in Public Health》。
