基于移动数据与 LSTM 网络及注意力机制的时空传染病预测：为抗疫决策提供关键支撑

《Scientific Reports》：Spatio-temporal epidemic forecasting using mobility data with LSTM networks and attention mechanism

研究人员针对传染病预测难题，开展基于深度学习预测传染病趋势的研究，发现移动数据提升模型预测精度，意义重大。

　　# 基于移动数据与 LSTM 网络及注意力机制的时空传染病预测研究解读
在 21 世纪，传染病的爆发如影随形，严重急性呼吸综合征（SARS）、中东呼吸综合征冠状病毒（MERS-CoV），还有新冠病毒（COVID-19）等，给人类健康和全球社会经济结构带来了巨大冲击。医院人满为患，医疗物资短缺，医护人员疲惫不堪，同时非传染性疾病的医疗服务也受到影响。

为了应对这一困境，准确预测传染病的短期趋势变得至关重要。来自日本筑波大学（University of Tsukuba）和美国约翰斯?霍普金斯大学（Johns Hopkins University）的研究人员开展了一项重要研究，相关成果发表在《Scientific Reports》上。

研究人员运用了深度学习框架，结合长短期记忆网络（Long Short-Term Memory，LSTM）和基于 Transformer 的注意力机制，以日本的 COVID-19 确诊病例和住院数据为研究对象，尝试更精准地捕捉疾病爆发期间健康结果的时空变异性，并评估移动数据在提高预测准确性方面的作用。

在研究方法上，研究人员收集了 2020 年 12 月 6 日至 2021 年 10 月 16 日日本 47 个都道府县的每日时间序列数据，包括 COVID-19 确诊病例数据、住院数据和谷歌移动数据。将每周的相关数据进行汇总，其中最后 12 周的数据用于测试，前 33 周的数据用于训练模型。模型结构方面，首先是具有 64 个神经元的 LSTM 层，用于捕捉输入数据的时间依赖性；接着是 Transformer 编码器层，通过自注意力机制捕获数据中的全局依赖关系；然后是有 32 个神经元的全连接层，最后加入一个 Dropout 层以防止过拟合。使用 PyTorch 2.2.0 框架在 Google Colaboratory 环境中进行模型训练，采用 Adam 优化器、Huber 损失函数，训练 300 个 epoch。

在研究结果部分：

• 模型架构比较：研究人员构建了两个模型进行对比，模型 1 仅使用确诊病例和住院数据，模型 2 加入了移动数据。结果显示，在预测前 1 - 4 周的情况时，两个模型在短期预测中表现都较好，但随着预测时间延长，平均绝对百分比误差（MAPE）值增加。在预测第一周时，模型 1 表现稍好；而在后续三周，模型 2 的 MAPE 中位数和方差更低，R2更稳定，均方根误差（RMSE）也更低，说明移动数据能提升模型长期预测性能。此外，研究人员还构建了模型 3（两个 LSTM 层，其他配置与模型 2 相同）进行对比，发现基于 Transformer 的模型 2 在预测确诊病例和住院人数时，MAPE 值更低，表明 Transformer 架构能使模型更有效地处理疫情传播中的时间动态和复杂关系12。
• 不同地区模型性能：研究人员发现，模型在不同都道府县的预测准确性存在差异。一些地区如神奈川、大阪等预测误差较低，而宫城、岩手等地区误差较高。从时间上看，预测期越长，MAPE 越高。另外，人口规模较小的地区预测误差通常更大，可能是因为农村地区移动数据质量较差345。
• 可视化预测结果：以冈山为例，模型在预测确诊病例和住院人数时，1 周预测的准确性较高，2 - 4 周预测在疫情峰值前后会出现偏差。模型在疫情下降阶段的预测准确性更高6。

综合来看，研究结果表明移动数据对提高传染病预测模型的性能，尤其是长期预测性能至关重要。该研究提出的深度学习框架结合了 LSTM 网络和 Transformer 架构的优势，能更准确地捕捉传染病的复杂动态模式，为政策制定者和卫生当局提供了有价值的参考，帮助他们做出更明智的决策，如在高流动性和潜在疾病传播地区实施针对性的干预措施。但研究也存在局限性，比如多步预测中误差会累积、部分地区数据质量差等。未来研究可从评估模型长期稳定性、改善数据质量、考虑更多影响因素以及研究病毒传播和进化对疫情的影响等方向展开，进一步完善传染病预测模型。