📊 统计学

Short-Term Forecasting of Monthly Syphilis Cases Using a Stability and Recency-Aware Selective Ensemble

本研究提出了一种由粒子群优化算法（PSO）优化的稳定性与近期性感知选择性集成（SRSE）框架，该框架在预测江苏省每月梅毒病例方面显著优于个体模型和传统集成模型，为短期疾病监测提供了一个强大的工具。

原作者： Shanhua Zhang, Xinxin Shen

发布于 2026-10-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Shanhua Zhang, Xinxin Shen

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

公共卫生官员面临着一个持续的挑战：预测传染疾病的未来。为了有效地分配资源，例如疫苗或医护人员，他们不仅需要知道今天有多少人患病，还需要知道下个月会有多少人患病。这项任务依赖于对历史数据模式的分析，这是一个被称为时间序列预测的领域。其核心思想是，过去的趋势往往蕴含着关于未来的线索，但未来很少是过去的完美复制。由于疾病率可能会因人们行为的变化、病毒传播方式的变化，甚至医院报告病例方式的变化而发生改变，因此，一个在今天表现良好的单一数学模型在明天可能会失效。长期以来，研究人员一直试图寻找一种结合不同预测方法优势的方法，以创造出更可靠的预测，但要在引入误差或偏差的同时做到这一点，需要一种谨慎且严谨的方法。

在最近的一项研究中，来自中国江苏省的研究人员通过开发一种预测每月梅毒病例数的新方法解决了这一问题。梅毒是一种通过性接触及其他途径传播的细菌感染，虽然它是可以治疗的，但仍然是一个持续存在的公共卫生问题。该团队专注于 2021 年至 2025 年的数据，这一时期提供了一个相对较短但关键的月度病例计数窗口。他们的目标是建立一个能够观察过去四年数据并准确预测下一年数字的系统。他们并没有仅仅依靠一个公式来进行这些预测。相反，他们创建了一个“选择性集成”（selective ensemble），这本质上是一个由不同预测模型组成的专家组共同协作。他们在工作中的创新在于如何选择包含哪些模型，以及如何决定对每个模型投入多少信任。

研究人员首先测试了九种不同的统计模型，涵盖了从非常简单的方法到更复杂的方法。有些模型很基础，假设下个月的数字仅仅是过去的平均值或与前一年相同。另一些模型则更为复杂，旨在检测趋势、季节性周期或数字升降的具体模式。他们在 2021 年至 2024 年的历史数据上运行了这些模型，但他们不仅仅看整体的平均表现。他们意识到，一个模型可能擅长预测遥远的过去，但在预测最近几个月时表现不佳。为了解决这个问题，他们引入了一个“感知近期性”（recency-aware）系统。该系统增加了模型在最接近当前月份表现的权重，实际上是在询问：“这个模型现在是否仍然运作良好？”

此外，团队理解一致性与准确性同样重要。一个在一个月内极其准确、而在下个月又极其不准确的模型对于规划来说是危险的。他们向系统中加入了一个“稳定性”检查，会对那些误差率出现大幅波动的模型进行惩罚。通过结合这两个因素——近期表现和稳定性——他们可以为每个模型计算出一个分数。然后，他们使用了一种计算机优化技术，类似于鸟群寻找食物的方式，来寻找其系统的完美设置组合。这个过程使他们能够从最初的九个模型中选出表现最好的六个，并根据它们的分数分配特定的权重。最终的预测是这些顶尖表现者的加权平均值，而不是所有模型的简单平均值。

当研究人员将他们的新系统与他们在训练阶段隐藏的 2025 年实际数据进行对比测试时，结果非常明确。这种被称为 PSO-SRSE 的新方法优于每一个单独的模型，甚至击败了所有模型组合而成的简单平均值。在平均漏报病例数方面，新系统每月大约偏差 109 例。相比之下，表现最好的单个模型偏差接近 140 例，而所有模型的标准平均值偏差则超过 114 例。新方法还显著降低了误差百分比，降至仅 4% 以下。这些数字表明，通过仔细选择信任哪些模型以及在多大程度上信任它们，研究人员创造了一个更稳健的公共卫生规划工具。

该研究还检验了其优化过程的可靠性。他们运行了三十次计算机搜索算法，以观察是否每次都能找到相同的最佳设置。结果非常一致，表明该方法并不依赖于偶然的猜测或数据的随机波动。然而，作者指出，他们的工作是基于单一省份在短期内的数据。虽然该方法在这一特定数据集上被证明是有效的，但他们提醒说，需要在其更长的时间序列和不同地区进行测试，以确认其更广泛的实用性。他们也指出，未来的工作应该研究该系统如何处理不同的时间框架，以及如何量化其预测的不确定性。目前，这项研究提供了一个充满前景的进展，证明了通过结合简单的工具与复杂的工具，并在近期表现和稳定性的引导下，可以为疾病监测提供更清晰的未来视图。

技术摘要：基于稳定性与近期性感知选择性集成模型的每月梅毒病例短期预测

问题陈述
准确的梅毒病例短期预测对于疾病监测和公共卫生资源配置至关重要。然而，传染病趋势的预测面临着诸如传输动态变化、报告实践差异以及样本量有限等挑战。传统方法通常依赖于单一的“表现最佳”的模型，这类模型可能缺乏适应性；或者采用简单的集成方法并分配相等权重，这可能会稀释优异模型的贡献。此外，标准的模型评估往往未能考虑到预测相关性的时间衰减，即较旧的验证数据可能无法反映当前的预测能力。本研究旨在解决这些问题，开发一种专门针对短时疾病监测时间序列（48 个月观测值）的框架，以提高点预测的准确性和稳定性。

研究方法
本研究提出了一种**稳定性与近期性感知选择性集成（SRSE）**框架，并在江苏省每月梅毒病例数据（2021 年 1 月至 20 24 年 12 月）上进行了验证，并使用 2025 年作为独立的测试集。该方法由四个核心部分组成：

候选模型库： 为了减轻与有限数据相关的过拟合风险，选择了九个简约统计模型作为候选模型：均值（Mean）、朴素模型（Naive）、季节性朴素模型（Seasonal Naive）、简单指数平滑（SES）、Holt 模型、阻尼 Holt 模型（Damped Holt）、指数平滑状态空间模型（ETS）、ARIMA 以及 Fourier-AR。这些模型涵盖了关于水平、趋势、季节性和自相关的多样化假设。
带有近期性权重的滚动起点验证： 采用扩张窗口滚动起点策略来迭代生成样本外预测。与标准验证不同，该方法引入了指数时间衰减机制。来自靠近训练期末端的滚动起点的验证误差被赋予更高的权重 ( $\gamma$ )，从而确保模型选择能够反映近期的预测表现，而非历史平均水平。
稳定性感知模型筛选与加权：
- 筛选： 模型根据综合损失函数 ( $L_m$ ) 进行排名，该函数结合了近期性加权平均误差 ( $\bar{E}_m$ ) 和稳定性惩罚项 ( $S_m$ )，其中 $S_m$ 定义为各滚动窗口内误差的标准差。仅保留前 $K$ 个模型。
- 加权： 非负集成权重与综合损失成反比得出，并通过参数 ( $\eta$ ) 进行调整以控制权重差异。
超参数优化： 使用粒子群优化算法（PSO）、遗传算法（GA）和麻雀搜索算法（SSA）对四个关键超参数（ $K, \gamma, \lambda, \eta$ ）进行联合优化。目标函数是最小化严格源自训练期间的交叉验证平均绝对百分比误差（CV-MAPE），以防止数据泄漏。

主要贡献

SRSE 框架： 一种新型集成方法，共同结合了近期性加权验证误差、跨起点预测稳定性以及候选模型筛选。这减少了过时或不稳定预测对最终集成结果的影响。
无泄漏评估： 实施了严格的扩张窗口滚动起点策略，其中所有的模型选择、稳定性评估和加权均完全基于训练期（2021–2024 年）的样本外预测，将 2025 年的数据专门留作独立测试。
对比优化分析： 对用于超参数调优的 PSO、GA 和 SSA 进行了系统性的比较研究。研究表明，在相同的设置下，PSO 在实现最优 CV-MAPE 的同时，展现出了优于 GA 和 SSA 的重复运行稳定性（30 次运行的标准差接近于零）。

结果
研究使用独立 2025 年测试集的 MAE、RMSE、MAPE 和 sMAPE 对模型进行了评估。

性能表现： 经 PSO 优化的 SRSE（PSO-SRSE） 在所有对比模型中实现了最低误差：MAE 为 109.39，RMSE 为 132.35，MAPE 为 3.89%，sMAPE 为 3.87%。
比较优势： PSO-SRSE 的表现优于未优化的 SRSE（MAPE 4.16%）、九个候选模型的等权重集成（MAPE 4.03%）以及表现最好的单个候选模型 ARIMA(1,0,0)（MAPE 4.83%）。
模型构成： PSO-SRSE 最终选定的集成保留了六个模型（ARIMA、Mean、SES、Naive、ETS、Damped Holt），由于其较低的近期性加权误差和高稳定性，ARIMA 获得了最高的权重（19.14%）。
敏感性分析： 敏感性分析表明，该模型对保留模型数量 ( $K$ ) 和权重调整参数 ( $\eta$ ) 最为敏感，而对稳定性惩罚系数 ( $\lambda$ ) 和时间衰减系数 ( $\gamma$ ) 的变化相对稳健。

意义与主张
作者声称，所提出的 PSO-SRSE 框架为样本量有限的短期疾病监测时间序列提供了一种稳健的点预测方法。通过显式地处理验证数据的时效性以及模型性能在不同时间窗口下的稳定性，该方法改进了传统的单模型和静态集成方法。研究结论指出，虽然该方法在每月梅毒监测方面显示出应用前景，但目前其应用局限于所使用的特定区域数据集，未来的工作应涉及跨不同地区、不同疾病及更长序列的外部验证，以确认其泛化能力。

技术摘要：基于稳定性与近期性感知选择性集成模型的每月梅毒病例短期预测

类似论文