[发明专利]一种基于滞后分析和LSTM的呼吸系统疾病发病人数预测方法

说明书

本发明涉及一种基于滞后分析和LSTM的呼吸系统疾病发病人数预测方法，结合了大气污染物和气象条件对人体呼吸系统疾病的影响，采用深度学习技术进行目标病种发病人数预测，能够有效地提高呼吸系统疾病人数的预测精度；同时，本申请将大气污染物对呼吸系统疾病影响的滞后效应纳入分析之中，提出了基于滞后分析的深度学习时间步长设置方法，能够在保证模型合理性的前提下，有效地简化LSTM网络参数的调优过程。

技术领域

本发明涉及疾病防控领域，特别是涉及一种基于滞后分析和LSTM的呼吸系统疾病发病人数预测方法。

背景技术

近年来国内外学者在大气污染对人体呼吸系统健康的影响方面进行了大量研究，然而此类研究大多采用时间序列研究方法聚焦于二者的相关关系，基于污染物浓度和气象要素的相关敏感性疾病预报研究还较为少见，为数不多的相关研究也大多只是直接基于多元线性回归模型、自回归积分滑动平均模型进行预报，而这几种预测模型的预测结果存在很大的不确定性，精度很低，难以满足业务化应用的实际需求。

发明内容

本发明的目的在于现有技术的局限，提供一种基于滞后分析和LSTM的呼吸系统疾病发病人数预测方法，由以下技术方案实现：

获取城市中各设定区域的人口密度数据、大气污染物数据、气象数据及病例数据；

根据所述大气污染物数据、气象数据及病例数据，得到以各设定区域为空间单位的大气污染物浓度、气象条件及目标病种发病人数的时间序列数据集；

根据所述时间序列数据集，构建大气污染物浓度、气象条件与目标病种发病人数之间的暴露-反应关系模型；

基于所述暴露-反应关系模型，选取不同滞后天数验证大气污染物浓度对目标病种发病人数的滞后效应的显著性，确定存在显著滞后效应的最长滞后天数；

以日发病人数作为因变量，以日均大气污染物浓度作为自变量，以人口密度作为辅助参数，参考所述最长滞后天数设置时间步长参数，构建基于长短期记忆网络的疾病人数预测模型；

将大气污染物的实际监测数据及对应设定区域的人口密度数据输入所述疾病人数预测模型，获得未来最长滞后天数内对应设定区域内目标病种每日发病人数的预测值。

相较于现有技术，本申请结合大气污染物和气象条件对人体呼吸系统疾病的影响，采用深度学习技术进行目标病种发病人数预测，能够有效地提高呼吸系统疾病人数的预测精度；同时，本申请将大气污染物对呼吸系统疾病影响的滞后效应纳入分析之中，提出了基于滞后分析的深度学习时间步长设置方法，能够在保证模型合理性的前提下，有效地简化LSTM网络参数的调优过程。

进一步的，还可包括以下步骤：

以所述大气污染物浓度及目标病种发病人数的时间序列数据集对所述疾病人数预测模型进行训练。

进一步的，根据城市中各设定区域的大气污染物数据、气象数据及病例数据，得到以各设定区域为空间单位的大气污染物浓度、气象数据及目标病种发病人数的时间序列数据集，可包括以下步骤：

对所述大气污染物数据、气象数据及病例数据进行数据筛选，并对数据缺失值进行插补；

对所述大气污染物数据进行数据空间插值，将离散数据转换为连续的数据曲面；

对所述病例数据进行地理编码赋予其空间位置信息，对所述大气污染物数据、气象数据及病例数据进行空间匹配得到以设定区域为空间单位的大气污染物浓度、气象数据及目标病种发病人数的时间序列数据集。

通过上述步骤，能够有效实现数据清洗与去噪，且使得到的数据更加便于进行数据分析与处理。

在一种可选的实施例中，所述暴露-反应关系模型的公式如下：