Page 110 - 南京医科大学学报自然科学版

第42卷第2期
·256 · 南 京 医 科 大 学 学 报 2022年2月

（1，1，1） 12，AIC=1 511.45，BIC=1 535.15，白噪声检验 据冗余对模型效率的影响，对气象因素进行因子分
结果表明模型的残差为白噪声序列。 析，提取出众多气象因素的公因子。根据因子特征
2.3 LSTM神经网络 值及各个因子累积贡献率，选择前3个因子，特征值
如图4所示，各气象因素之间存在很强的相关性。 分别为 6.14、1.92、0.33，累积贡献率达到 93.19%。
因子分析的充分性检验（Bartlett 检验，χ =4 461.37， 因子载荷热图见图5。
2
P＜0.05）表明气象因素适合做因子分析。为降低数 本研究以前3个月的逐月发病数及气象公因子

降水量 0.80 -0.69 -0.75 -0.68 -0.69 -0.62 -0.66 -0.08
降雨天数 -0.45 -0.50 -0.72 -0.44 -0.36 -0.40 -0.37
1.0
平均气压 -0.92 -0.41 -0.94 -0.94 -0.95 -0.44
0.8
水汽压 -0.60 -0.98 -0.94 -0.96 -0.34 0.6
相对湿度 -0.52 -0.42 -0.47 -0.40 0.4
0.2
最低气温 -0.99 -1.00 -0.41 0
最高气温 -1.00 -0.51 相关系数 -0.2
-0.4
平均气温 -0.46 -0.6
日照时间 -0.8
-1.0
图4 2005—2019年江苏省逐月气象因素数据相关性热图
Figure 4 The correlation heat map of meteorological factors in Jiangsu during 2005⁃2019

降水量 0.50 0.73 0.27 作为模型输入，以当月发病数为模型输出。最终建
降雨天数 0.21 0.84 0.37 立的 LSTM 模型由 4 层 LSTM 层和 1 层全连接层构
平均气压 0.90 0.36 0.02
水汽压 0.90 0.32 0.23 成，每层含32个神经元。
相对湿度 0.32 0.40 0.85 2.4 模型比较
最低气温 0.95 0.25 0.17 因子负荷 0.8 SARIMA（3，1，2）（1，1，1） 12在训练集和测试集
最高气温 0.98 0.18 0.05 0.6
平均气温 0.97 0.22 0.11 0.4 上的 MAPE 分别为 22.47%、35.97%，RMSE 分别为
日照时间 0.59 0.33 0.55 0.2 43.64、227.85，LSTM 模型在训练集和测试集上的
1 2 3
因子 MAPE 分别为 16.94%、22.46%，RMSE 分别为 19.30、
图5 2005—2019年江苏省逐月气象因素数据因子载荷热图 152.46。LSTM 对原始数据的拟合优度以及外推预
Figure 5 The factor loading heat map of meteorological 测精度均明显优于 SARIMA（3，1，2）（1，1，1） 12。模
factors in Jiangsu during 2005⁃2019
型预测结果见图6。

1 800 观测值
1 800
1 600
1 600 1 400 SARIMA模型拟合预测值
（ 例 ） 1 200 LSTM模型拟合预测值
1 400 1 000
1 200 发病数 800
（ 例 ） 1 000 400
600
200
发病数 800 月年 0 1 2 3 4 5 6 7 8 9 101112 1 2 3 4 5 6 7 8 9 101112
600 2018 2019
400
200
月年 0
1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9 1 5 9
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
图6 2005—2019年江苏省猩红热逐月发病数拟合及预测结果
Figure 6 Observed monthly scarlet fever and values predicted by different models in Jiangsu during 2005-2019