基于机器学习的两个代表城市上呼吸道感染与气象要素关系及其发病风险预测研究

选取华南地区深圳市、西南地区攀枝花市两个不同气候区的当地医院上呼吸道感染发病逐日就诊病例数据和同期气象数据，采用随机森林方法和RNN（Recurrent neural network）深度学习方法，通过对两地上呼吸道感染发病特征及其与气象条件关系进行细致研究，分别构建了两地上呼吸道感染发病风险预测模型。研究结果表明：(1)深圳市上呼吸道感染就诊人数峰值每年出现在6-8月期间，谷值出现在1-2月期间，呈现以热不舒适的效应为主；而攀枝花市上呼吸道感染就诊人数峰值则出现在每年11月到次年的1月期间，谷值出现在每年3-7月期间，呈现以冷不舒适效应为主。(2)逐日平均气温的变化对两地上呼吸道感染发病的影响最明显，当日平均气温高于25℃或者低于10℃时，两地上呼吸道感染发病风险明显上升。(3)日平均风速影响次之，它与日平均相对湿度和日平均气温一起，通过对气候舒适度产生影响，进而影响上人群上呼吸道感染发病情况。(4)在对上呼吸道感染与气象要素关联性分析及预测方法优选的基础上，基于RNN深度学习方法构建的两城市上呼吸道感染发病风险预测模型，可为当地相关疾病风险预测及防控提供重要科技支持。     

季风转换对深圳地区呼吸系统疾病的影响及预测研究

深圳地处我国华南沿海季风敏感区,为探究季风等气象和污染要素对其呼吸系统疾病发病的影响和其预测相关就诊风险的可行性,本文利用当地2015-2016年呼吸系统疾病就诊人数资料及同期气象和污染物资料,并运用BP人工神经网络和LSTM网络构建呼吸系统疾病就诊人数预测模型。结果显示:每年九月份开始,冬季风的冷胁迫效应会使相关人群呼吸系统疾病发病人数波动式增加,直至次年冬季风向夏季风转换前的三月份发病人数达到峰值；而夏季风控制期间当地居民呼吸系统疾病发病人数呈波动式减少态势,比峰值期间减少35%；另外,该地不同呼吸系统疾病其主控因素也不相同；对比两种预测模型,总体上LSTM网络预报模型对深圳呼吸系统疾病风险预测准确率更高,可以满足健康气象预报服务业务需求。