基于SARIMA-BPNN组合模型的赣州市恙虫病月发病数预测及新冠疫情影响分析

本研究针对恙虫病这一全球性公共卫生威胁，创新性地采用SARIMA模型、BPNN模型及其组合模型SARIMA-BPNN(1-9-1)，对2008-2022年赣州市恙虫病月发病数据进行建模预测。研究首次探讨新冠疫情期间发病数据对模型预测效能的影响，发现包含疫情数据的BPNN(3-9-1)模型预测最优（RMSE=8.472），预测2024-2025年发病数将持续走低，为传染病预警系统构建提供了重要方法学参考。

　　

在亚热带地区，一种名为恙虫病的急性传染病正悄然威胁着公共卫生安全。这种由恙螨幼虫传播的疾病，不仅会导致高热、焦痂和淋巴结肿大，未经治疗时死亡率高达70%。中国江西省赣州市作为恙虫病高发区，2006-2017年间报告病例数和发病率均居全省首位。然而，面对这种具有明显季节特征的传染病，当地却缺乏有效的预测预警系统。更棘手的是，新冠疫情的突然暴发和严格的"清零政策"，使得包括恙虫病在内的多种传染病发病规律被打乱——这给传统预测模型带来了全新挑战。

江西省卫生健康委员会科研团队在《Infectious Disease Modelling》发表的研究，开创性地将季节性差分自回归移动平均(SARIMA)模型与反向传播神经网络(BPNN)相结合，构建了SARIMA-BPNN组合预测系统。研究团队收集了赣州市2008-2023年共6892例恙虫病报告病例，创新性地采用双时段建模策略：一组包含新冠疫情期间数据(2008-2022)，另一组排除疫情期间数据(2008-2019)。通过比较两组模型的预测效能，首次量化评估了突发公共卫生事件对传染病预测模型的影响。

研究采用三大关键技术方法：首先运用SARIMA(1,1,0)(2,1,0)₁₂模型捕捉时间序列的线性特征；其次构建不同结构的BPNN模型（包括3-9-1、6-13-1等）挖掘非线性规律；最后通过组合模型SARIMA-BPNN(1-9-1)整合两者优势。所有模型均采用均方根误差(RMSE)和平均绝对误差(MAE)进行验证，数据来源于国家疾病监测信息管理系统(NDSIMS)。

【描述性分析结果】显示，赣州市恙虫病发病呈现明显"N"型趋势和夏秋季高峰特征，2018年达到峰值后受疫情影响显著下降，但2023年又出现回升势头。这种波动模式印证了重大公共卫生干预措施对传染病流行规律的扰动效应。

【基于2008-2022年数据的建模】发现，BPNN(3-9-1)模型表现最优，其RMSE(8.472)显著低于SARIMA模型(27.950)和组合模型(19.881)。该模型准确预测了2023年6月(预测值71 vs 实际值99)和8月(88 vs 88)等关键月份的发病高峰。值得注意的是，采用"三年同期数据"划分样本的Net3模型展现出最佳预测精度，证实考虑疾病周期性特征的重要性。

【基于2008-2019年数据的对比研究】则揭示，组合模型SARIMA-BPNN(1-9-1)在排除疫情数据时表现最好(RMSE=19.361)。但令人惊讶的是，包含疫情数据的BPNN(3-9-1)模型预测误差反而更小，这说明疫情期间的特殊发病数据对提升模型适应性具有积极作用。

【最终预测应用】部分，研究团队选用最优的BPNN(3-9-1)模型预测2024-2025年发病情况。结果显示赣州市恙虫病发病将持续保持低位，2024年预测284例，2025年进一步降至163例。这种下降趋势可能与新冠防控措施的持续影响有关，但也提示需要警惕疫情后反弹风险。

在讨论环节，研究者指出三个关键发现：首先，恙虫病发病受农业活动季节性和气候因素双重影响，6-10月的高发期与农忙季和恙螨活跃期高度重合；其次，BPNN模型在捕捉非线性特征方面优势明显，特别是采用"三年同期数据"划分样本的策略；最重要的是，包含新冠疫情期间数据能显著提升模型预测精度，这为突发公共卫生事件期间的传染病预警提供了新思路。

该研究的创新价值体现在：首次系统评估了SARIMA-BPNN组合模型在恙虫病预测中的应用效果；开创性地分析了疫情数据对预测模型的影响机制；为建立"平战结合"的传染病预警系统提供了实证依据。不过研究者也坦承局限：被动监测数据可能存在漏报；未考虑气象和社会经济等混杂因素；未能解决传染病传播的时间延迟效应。

这项来自中国科研团队的工作，不仅为赣州市恙虫病防控提供了精准预测工具，更开创了传染病预测模型适应突发公共卫生事件的新范式。随着全球气候变化和新型传染病不断出现，这种融合多时段数据、兼顾线性与非线性特征的预测方法，或将成为未来传染病早期预警系统的重要技术路线。正如研究者强调的，在构建预测模型时，"确保时间序列数据的连续性"可能比"追求算法复杂度"更为关键——这一发现对全球传染病建模研究具有普遍启示意义。