一种基于ARIMA-LSTM混合模型的流感季节性趋势预测方法、系统及存储介质

本发明属于公共卫生与人工智能交叉，具体涉及一种基于arima-lstm混合模型的流感季节性趋势预测方法、系统及存储介质。

背景技术：

1、流感作为一种具有显著冬春季高峰特征的呼吸道传染病，其传播动力学往往呈现出线性漂移与非线性波动交织的复杂时序特性。长期以来，业内主要依赖统计学时间序列模型与机器学习算法开展流行趋势推演。其中，自回归积分滑动平均模型凭借其对线性自相关结构的稳健捕捉能力，被广泛应用于长期趋势拟合；而长短期记忆网络则依托门控机制，在刻画非线性时序依赖与突发波动方面展现出独特优势。随着公共卫生监测体系的数字化升级，单一模型逐步向多模型融合方向演进，以期在复杂疫情背景下提升预测的鲁棒性与前瞻性。

2、尽管现有预测技术已在常规流行周期内取得一定成效，但在面对突发性公共卫生事件冲击与多源时序信号交织时，仍暴露出若干亟待突破的技术瓶颈。其一，单一模型在特征捕捉上存在天然局限。传统统计模型基于线性平稳假设，难以有效响应因干预措施或环境突变引发的非线性阶跃；而深度学习模型虽具备非线性拟合能力，但在序列不平稳或样本量受限的场景下，极易陷入过拟合困境，导致长期趋势推演出现漂移。其二，现有融合策略缺乏对流行模式变迁的动态适配能力。部分公开方案虽尝试引入多模型加权平均或主成分分析进行结果集成，但其权重分配多依赖于历史误差平方和最小化的静态原则，无法随流感高峰期、低谷期或突发公共卫生事件引发的季节性规律重构进行自适应调节。其三，特征输入机制存在冗余干扰。在尝试引入外部时序分解项以增强模型表征时，现有技术普遍采用全量特征输入或随机分配策略，致使趋势分量与周期分量在模型内部产生梯度干扰，不仅浪费了模型容量，更削弱了对关键波动特征的敏感度。

3、上述技术缺陷直接导致现有预测工具在应对新冠疫情等大规模非药物干预措施引发的流感季节性模式根本性改变时，预测精度出现断崖式下滑。如何在保障线性趋势稳定追踪的同时，有效剥离周期性噪声干扰，并构建能够随流行阶段自动演进权重的自适应融合架构，已成为本领域技术人员亟需攻克的技术难题。为此，亟需一种能够基于时序分解实现特征定向解耦、支持滚动验证与批量离线动态加权、并具备不确定性量化能力的混合预测方法，以弥补单一模型的认知盲区，提升复杂公共卫生事件背景下流感季节性趋势预测的准确性与工程可落地性。

技术实现思路

1、针对现有技术中存在的上述不足之处，本发明提供了一种基于arima-lstm混合模型的流感季节性趋势预测方法、系统及存储介质，用于解决单一预测模型难以兼顾线性长期趋势与非线性突发波动、现有融合策略采用静态权重无法自适应流感不同流行阶段特征、多源时序特征耦合输入易导致模型干扰与过拟合的问题。

2、为了解决上述技术问题，本发明采用了如下技术方案：

3、本发明的目的之一在于提供一种基于arima-lstm混合模型的流感季节性趋势预测方法，通过时序分解特征解耦、双模型并行构建与批量离线动态加权融合，结合贝叶斯动态先验区间构建，实现不同流行阶段预测精度的稳步提升与预测不确定性的科学量化。

4、为了实现上述目的，本发明的技术方案为：

5、一种基于arima-lstm混合模型的流感季节性趋势预测方法，包括以下步骤：

6、获取目标地区流感监测时序数据并进行预处理；

7、采用时序分解算法对预处理后的序列进行分解，得到趋势项、季节项与节假日效应项，

8、并将所述趋势项定向输入至线性预测子模型作为外部回归变量，将所述季节项与所述节假日效应项定向输入至非线性预测子模型作为专属特征；

9、采用逐年滚动验证策略划分训练集与验证集；

10、基于所述训练集分别构建所述线性预测子模型与所述非线性预测子模型，输出各自的预测值；

11、基于所述验证集，采用批量离线优化算法动态更新线性预测子模型与非线性预测子模型的融合权重，计算加权融合预测值；

12、基于历史验证集的预测误差统计构建动态先验分布，结合当前验证集的预测误差似然函数，通过贝叶斯推断更新后验分布并构建预测区间；

13、将实际监测值与所述预测区间的上限进行比对，当实际值超过所述上限时触发预警信号。

14、进一步优化设计，所述预处理包括：

15、计算流感病毒核酸检测阳性率作为时序数据；对缺失时间点采用线性插值法填补；采用扩展dickey-fuller检验评估序列平稳性，若序列非平稳则进行差分转换；采用最小-最大归一化将时序数据映射至预设区间。

16、进一步优化设计，所述将所述趋势项定向输入至线性预测子模型作为外部回归变量，将所述季节项与所述节假日效应项定向输入至非线性预测子模型作为专属特征，具体包括：

17、利用prophet模型将流感阳性率序列分解为趋势项、年周期季节项与公共假期效应项的叠加；

18、所述线性预测子模型仅接收所述趋势项作为外部回归变量以专注拟合线性漂移分量；

19、所述非线性预测子模型仅接收所述季节项与节假日效应项作为输入特征以集中建模周期性波动与突发节假日效应。

20、进一步优化设计，所述采用逐年滚动验证策略划分训练集与验证集，具体包括：

21、以第m年至第n年的数据作为训练集，预测第(n+1)年的流感阳性率，其中n依次取预设年份序列，生成多个独立的验证窗口，以评估模型在不同流行阶段的预测性能。

22、进一步优化设计，所述线性预测子模型为arima模型，通过网格搜索确定最优的自回归阶数、差分阶数和移动平均阶数，将所述趋势项作为外部回归变量输入以输出线性预测值。

23、进一步优化设计，所述非线性预测子模型为lstm模型，其输入层由标准化后的流感阳性率、所述季节项的fourier特征及节假日效应标志拼接而成，隐藏层包含多层lstm单元及dropout层，输出层为全连接层以输出非线性预测值。

24、进一步优化设计，所述采用批量离线优化算法动态更新融合权重，具体包括：

25、初始化线性预测子模型的权重与非线性预测子模型的权重，满足权重之和为1且各权重非负；

26、定义加权融合预测值，计算验证集上的平均绝对误差作为目标函数；

27、通过梯度下降法对所述权重进行迭代更新，更新过程包含符号函数次梯度项与l2正则化惩罚项，并设置早停机制与学习率搜索策略，防止权重分配极端化。

28、进一步优化设计，所述构建预测区间具体包括：

29、对预测误差序列进行正态性检验，若服从正态分布，则将历史验证窗口的预测误差统计作为高斯先验分布，将当前验证窗口的预测误差作为高斯似然函数，在共轭条件下计算后验分布的均值与方差；

30、采用指数加权移动平均机制动态更新先验分布参数，使先验分布随流行模式变迁自适应调整；在给定置信水平下，基于后验分布参数计算预测区间

31、本发明的目的之二在于提供一种基于arima-lstm混合模型的流感季节性趋势预测系统，用于在计算机上运行上述一种基于arima-lstm混合模型的流感季节性趋势预测方法。

32、为了实现上述目的，本发明的技术方案为：

33、一种基于arima-lstm混合模型的流感季节性趋势预测系统，包括：

34、数据采集与预处理模块，用于获取目标地区流感监测时序数据并进行预处理；

35、特征解耦输入模块，用于采用时序分解算法对预处理后的序列进行分解，得到趋势项、季节项与节假日效应项，并将所述趋势项定向输入至线性预测子模型作为外部回归变量，将所述季节项与所述节假日效应项定向输入至非线性预测子模型作为专属特征；

36、滚动验证划分模块，用于采用逐年滚动验证策略划分训练集与验证集；

37、双模型构建模块，用于基于所述训练集分别构建所述线性预测子模型与所述非线性预测子模型，输出各自的预测值；

38、自适应融合模块，用于基于所述验证集，采用批量离线优化算法动态更新线性预测子模型与非线性预测子模型的融合权重，计算加权融合预测值；

39、区间构建模块，用于基于历史验证集的预测误差统计构建动态先验分布，结合当前验证集的预测误差似然函数，通过贝叶斯推断更新后验分布并构建预测区间；

40、预警输出模块，用于将实际监测值与所述预测区间的上限进行比对，当实际值超过所述上限时触发预警信号。

41、本发明目的之三在于提供一种计算机可读存储介质，用于存储程序指令，在计算机上执行实现基于arima-lstm混合模型的流感季节性趋势预测方法及优化设计。

42、为了实现上述目的，本发明的技术方案为：

43、一种计算机可读存储介质，所述计算机可读存储介质存储有程序指令，所述程序指令被处理器执行时用于实现如本发明的目的之一所述的一种基于arima-lstm混合模型的流感季节性趋势预测方法及优化设计。

44、本发明与现有技术相比，具有如下有益效果：

45、本发明通过架构级创新与算法级优化，在流感预测领域取得显著技术成效。首先，特征解耦定向输入机制从根本上化解了线性趋势与周期信号相互干扰的建模瓶颈，使线性子模型专注宏观漂移，非线性子模型聚焦微观波动，双模型优势互补，使融合预测精度在多个流行阶段均优于单一模型。其次，批量离线动态加权策略摒弃了传统静态权重分配，使模型能够敏锐感知疫情前、中、后不同阶段的流行特征演变，自动调整线性与非线性组件的贡献比例，大幅提升预测鲁棒性。再次，基于贝叶斯推断与指数加权移动平均的预测区间构建方法，不仅提供了具有统计学保证的不确定性度量，更实现了区间宽度的自适应伸缩，为公共卫生机构制定分级防控策略与医疗资源调度提供了科学、可量化的决策依据。