Page 116 - 南京医科大学学报自然科学版

第42卷第1期
·110 · 南 京 医 科 大 学 学 报 2022年1月

的蚊虫侵害密度，预测结果见图3。
3 讨 论
8
蚊虫侵害受到多种因素，如气温、湿度、气压等
］ 6 气象因素以及植被、水网、土地利用模式等地理因
（ 灯 ·） h 4 2 素的影响。由于不断进行的城市化进程和人员交
［ 只/ 0 通物流持续增强的社会化活动，各种社会性因素也
密度 -2
-4 在影响着蚊虫侵害问题。人民对于日益增长的美
-6 好生活的要求，对于人居环境改善的迫切需求等，
2015 2016 2017 2018 2019 2020 使得蚊虫侵害显然不仅仅是一个疾病预防的问题，
年份
而是逐渐演变成一个公众关注的公共卫生问题，因
图 3 2015 年 1 月—2018 年 12 月实际时间序列及 2019 年
此要更加关注蚊虫侵害的现状和未来，更加注重蚊
1—12月预测序列
虫控制的效果评价，更加注重蚊虫和蚊媒病的相关
2.2.3 SARIMA模型评价 性研究 ［10-13］ 。
SARIMA预测的2019年1—12月结果与实际监 蚊虫侵害密度监测是国内开展较为成熟的
测结果比较见表1。 横断面研究，方法较为系统和成熟，有长时间的
表1 2019年1—12月时间序列预测与实际监测比较 工作积累和分析方法，但大部分都局限在横断面
月份 预测密度 实际密度 绝对误差 分析，如对蚊虫的密度、种群、群落结构和季节消
相对误差
（月）［只/（灯·h）］［只/（灯·h）］ ［只/（灯·h）］ 长进行描述性研究，仅有少部分开展前瞻性的预
01 -0.062 0 -0.062 — 测 预 警 研 究 ，方 法 较 为 单 一 。 SARIMA 方 法 是
02 -0.064 0 -0.064 —
ARIMA 模型中对于季节变化趋势较为明显的时
03 -0.013 0.144 -0.157 --1.093
间序列进行研究的方法，相对于简单的 AR 或者
04 -0.224 0.548 -0.324 --0.591
MA 模型，SARIMA 加入了季节性变化因素，使模
05 -1.439 1.658 -0.219 --0.132
型分析更为精准。有学者利用 ARIMA 模型对三
06 -2.987 2.590 -0.398 --0.154
带喙库蚊或白纹伊蚊密度开展过类似研究，预测
07 -3.098 3.940 -0.842 --0.214
的拟合效果均较好，说明 ARIMA 模型适用于开展
08 -3.959 3.046 -0.913 --0.300
09 -2.499 1.988 -0.512 --0.258 蚊虫侵害预测研究 ［14-16］ 。从本研究来看，SARI⁃
10 -0.829 0.846 -0.017 --0.020 MA 对于本地区蚊虫侵害的预测精度较高，决定
11 -0.245 0.681 -0.437 --0.641 系数 R 达到了 0.9 以上，预测的成功率大大提升，
2
12 -0.050 0 -0.050 —
对提前进行蚊媒病防制动员和爱国卫生运动具
根据预测密度和实际密度，计算 ME、RMSE、 有前瞻性意义。
2 但是也要看到 SARIMA 模型仍是一种传统
MAE、MASE和R 。计算如下：ME=0.029 074，RMSE=
的线性时间序列模型，预测时仅仅考虑从历史
2
0.441 683，MAE=0.332 771，MASE=0.517 030，R =
0.907。结果表明预测精度较高，预测与监测曲线拟 看未来，而没有加入可能影响未来的各种因素
合见图4。 （如上述所说的气象环境、社会因素等），因此本
研究预测的高峰值与实际高峰值有所差别，所
4.5 预测密度
4.0 以这是本研究之后要考虑开展的方向。如气象
实际密度
3.5 因素对于蚊虫密度也有滞后效应，参照肖扬 ［13］
］ 3.0
（ 灯 ·） h 2.5 的研究可以使用分布滞后非线性模型（DLNM）
［ 只/ 2.0 开展类似研究。对于时间序列中的非线性部分
1.5
密度 1.0 本文未涉及，参照国内类似研究可以在 ARIMA
0.5 的基础上加入支持向量机（SVM）或神经网络模
0.0 型等人工智能技术 ［17-20］ ，使得预测拟合效果更
-0.5 1 2 3 4 5 6 7 8 9 10 11 12
月份 加贴近真实值，这样才能真正服务于现实公共
图4 2019年1—12月时间序列预测和监测结果拟合曲线 卫生工作需要。