Temporal Modeling of Weekly Dengue Cases in Marikina City: A Time-Respecting Comparison of Classical, Machine Learning, and Deep Temporal Models
本研究通过使用防止数据泄露的时间设计，评估了用于预测马里基纳市每周登革热病例的经典模型、机器学习模型和深度学习模型，结果发现，尽管简单基准模型在内部验证期间表现良好，但 LSTM 模型在 2025 年的时间外留存测试集上实现了更优的预测准确度，尽管存在普遍倾向于低估爆发水平周数的现象。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在热带城市潮湿且人口稠密的社区中，一个持久的威胁潜伏在日常生活的积水中：登革热病毒。这种由蚊子传播的疾病在病例意外激增时，可能会使当地诊所不堪重负，并使社区资源面临压力。对于城市卫生官员而言，区分可控局面与危机爆发的关键往往在于时机。如果知道两周后病例可能会上升，团队就可以储备医疗物资、向特定街道部署媒介控制人员，并在高峰到来前提醒公众。然而，预测这些高峰是极其困难的。报告病例的数量并不遵循简单的直线；它随季节起伏，对局部天气做出反应，并受到人们就医速度的影响。为了应对这种不确定性，科学家们转向了预测学——这是一个利用过去模式来推测未来结果的领域。挑战在于如何区分能够预测未来的真实信号与仅仅看起来像信号的随机模式。如果模型测试不当——例如，在训练过程中让它“偷看”未来的数据——它可能会表现得非常出色，但在面对真实的、未见的疫情爆发时却会彻底失效。
这项研究聚焦于菲律宾的马里基纳市（Marikina City），这是一个登革热反复发生的公共卫生问题频发之地。研究人员致力于构建一个系统，该系统仅使用已报告病例的历史数据，即可精确预测两周后的每周登革热病例数。他们收集了跨越近十年的数据，仔细剔除了报告过于稀疏而无法提供有效信息的年份，并组织了时间线，使模型仅从过去学习，而绝不接触未来。团队测试了八种不同类型的预测工具，从沿用数十年的经典统计方法，到旨在识别复杂序列模式的现代机器学习算法和深度神经网络。为了确保结果可靠，他们将数据分为不同的时间段：一段用于教导模型，一段用于调整参数，以及最后一年完全未见的、作为其实际表现严格测试集的年度数据。
结果显示，最佳工具在很大程度上取决于所预测的具体年份。当模型在 2024 年的数据上进行测试时，一种被称为 ARIMA 的传统统计方法在所有训练系统中表现最强。这种依赖于“近期趋势是近期未来最佳指南”这一理念的方法，虽然略逊于一个非常简单的基准模型：即过去两周的移动平均值。这一发现是一个至关重要的提醒：复杂的算法并不总是能击败简单的逻辑，尤其是在数据存在噪声的情况下。但当研究人员将同样的模型应用于完全未见的 2025 年数据时，排名发生了变化。一种被称为长短期记忆网络（LSTM）的深度学习模型脱颖而出，成为了明显的赢家。这种人工智能旨在记忆长序列事件并学习它们如何随时间连接。在 2025 年的测试中，LSTM 模型预测的每周病例数平均误差不到 8 例，优于传统的 ARIMA 模型和简单的基准模型。
尽管先进模型取得了成功，但研究也强调了一个影响所有预测方法的显著局限性：它们难以预测最危险的时刻。当城市面临病例数极高的周数（预示着活跃的疫情爆发）时，所有模型都倾向于低估严重程度。在这些高峰周，预测值始终低于实际观察到的数字。这表明，虽然模型在追踪疾病的一般流向和预判适度增长方面表现出色，但在捕捉体现真正流行病特征的突然爆发式增长方面效果较差。研究人员发现，机器学习模型最显著的影响因素仅仅是当前周报告的病例数，以及前两周的平均病例数。模型过度依赖于这些近期历史，而非复杂的季节性模式，这进一步证实了该城市登革热传播在很大程度上是由即时的、短期动量驱动的。
研究结论认为，仅依靠监测（即仅使用病例计数而不需天气或人口流动等外部数据）的方法，是支持地方卫生规划的一种可行且实用的方式。LSTM 模型在未来展现出了最大的潜力，为未见年份提供了最准确的预测，而 ARIMA 模型仍然是一种有价值、透明且计算高效的替代方案。然而，研究人员警告说，不应孤立地使用任何单一模型。由于模型一致性地低估了最严重的疫情，任何现实世界的系统都必须包含简单的基准模型和人工监督，以确保卫生官员不会被突如其来的激增所措手不及。最终目标不是用计算机预测取代人类判断，而是提供一个可靠的早期预警，使其在结合专家评审时，能够帮助社区在下一波登革热到来之前做好准备。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。