BP神經網絡模型用于氣象因素對PRRS發病預測的研究

陳 欣，肖建華，欒培賢，徐 強，王洪斌

（東北農業大學動物醫學學院，黑龍江 哈爾濱150030）

豬繁殖與呼吸綜合征（Porcine Reproductive and Respiratory Syndrome，PRRS），是由豬繁殖與呼吸綜合征病毒（PRRSV）引起的一種高度傳染性疾病，以懷孕母豬流產、早產、死胎和木乃伊胎等繁殖障礙以及仔豬和育肥豬的呼吸道癥狀為特征。2006年5月份開始，南方地區發生豬無名高熱病，大部分發病豬場的發病率在50%以上，死亡率高達50%～90%，給養豬生產造成了數十億的經濟損失。2007年初，國家農業部正式定性為高致病性藍耳病，雖然仍然列為二類動物疫病，但是對其重視程度已不亞于高致病性禽流感。因此，PRRS發病預測模型的建立對于防控該病具有重要的意義。本研究結合PRRS發病特點，借鑒已有的傳染病預測研究理論，利用各種關鍵氣象因素數據對我國南方地區某省的PRRS發病率和發病趨勢進行預測研究，建立BP神經網絡預測模型，探討利用氣象因素預測PRRS發病率和發病趨勢的方法。

1 內容與方法

1.1 資料來源 選擇我國南方地區某省作為預測模型研究對象，該省區2005年～2007年氣象數據資料來自中國氣象局，同期該地區PRRS發病數據源自中國農業部《獸醫公報》，豬飼養量數據參考《中國畜牧業年鑒》。由于《中國畜牧業年鑒》中各省養豬量數據為年報，所以計算PRRS發病率時在模型中將每年度豬存欄量作為每月豬飼養量，以統一計算方法。發病率計算公式：

PRRS月發病率＝PRRS月發病數/當年年底豬存欄量

1.2 研究方法

1.2.1 氣象因素與PRRS發病率相關性分析 大量研究表明，PRRS發病與季節變化、免疫、飼養方式、野毒侵襲和人員接觸以及機體由于應激而造成免疫功能降低等原因有關。本研究將當月氣象數據作為自變量，將次月PRRS發病率作為因變量，利用SPSS 13.0統計學軟件對二者進行相關性分析，分析與PRRS發病關系密切的氣象因子，以便為預測模型的建立提供依據。

1.2.2 BP神經網絡預測模型建立

（1）神經網絡結構的確定：本研究采用log－sigmoid函數的三層前向BP人工神經網絡，參考公式N2＝sqrt（N1＋M）＋a確定隱含層單元N2的數量范圍，其中N1為輸入單元數，M為輸出單元數，a為1～10的常數［1］。在確定N1與M的數值以后，通過改變a的數值來改變隱含層N2的單元個數，對BP神經網絡進行訓練和調整，直到神經網絡訓練誤差達到預先設定的誤差最小值為止。最后通過檢驗組數據來考核網絡訓練擬合程度是否能夠滿足預測要求，根據最佳預測結果來確定BP神經網絡的結構。

（2）數據分組和歸一化處理：本次研究將所獲得數據分為訓練和檢驗2個數據組。將2004年12月～2007年5月該省氣象數據作為輸入層，2005年1月～2007年6月該地區PRRS發病率數據作為期望輸出層。當網絡結構確定后，可將2007年6月～11月的氣象數據帶入預測網絡中來驗證所構建的網絡預測模型的準確性。

為了滿足人工神經網絡節點函數的條件和提高神經網絡的訓練速度，需將樣本進行歸一化處理，將輸入層數據歸一化范圍為［－1，1］，公式為：X′＝（X－Xmin）/（Xmax－Xmin）×2－1，輸出層數據歸一化范圍為［0.1，0.9］，公式為：Y′＝（Y－Ymin）/（Ymax－Ymin）×0.8＋0.1。

（3）人工神經網絡的建立、訓練和仿真：采用BP神經網絡，并通過 Matlab7.0軟件編程實現［2］。

net＝newff（minmax（p1n），［n，1］，｛‘logsig’，‘logsig’｝，‘trainlm’）；其中 minmax（p1n）為網絡輸入p1n的取值范圍，p1n為氣象數據p經過歸一化處理后的數據。網絡采用3層網絡結構，n為隱單元數，由于輸出變量只有PRRS發病率一項，故輸出單元數為1，logsig為BP神經網絡各層之間的激活函數，trainlm為訓練函數。

net＝train（net，p1n，t1n）；其中p1n為輸入向量，t1n為目標向量。設定網絡訓練精度為1×10－5，最大訓練步數為5000。

t2n＝sim（net，p2n）；進行PRRS發病預測，檢驗t2值與PRRS實際發病率值擬合程度是否令人滿意。

（4）人工神經網絡模型的預測效果評價方法：預測效果評價指標采用決定系數R2以檢驗模型的擬合程度，其值越接近1說明方程或者模型擬合效果越好，預測越準確，并結合實際值與預測值誤差絕對值對模型效果做出綜合評價。決定系數R2＝（corrcoef（A，T））2，數值上等于實際發病率與預測值相關系數的平方，表示自變量能正確預測因變量變化的百分比［3］。

2 結果與分析

2.1 氣象因素與PRRS發病率相關性分析 由PRRS月發病率與氣象因子相關分析結果可知，PRRS發病率與月平均氣壓、極端最高氣壓、極端最低氣壓呈顯著正相關，與月平均氣溫、平均最低氣溫、平均最高氣溫、極端最低氣溫、極端最高氣溫、平均相對濕度、降水量、最大風速、極大風速、平均水汽壓呈顯著性負相關。

其中，發病率與月平均氣溫、平均最低氣溫、平均最高氣溫、極端最低氣溫、極端最高氣溫、平均氣壓、極端最高氣壓、平均水汽壓的相關系數分別為－0.4930、－0.4944、－0.4943、－0.4761、－0.5085、0.4930、0.4890、－0.487，相關性差異極顯著；發病率與平均相對濕度、降水量、最大風速、極大風速、極端最低氣壓的相關系數分別為－0.3360、－0.3340、－0.4060、0.4890、0.4150，相關性差異顯著。

2.2 BP神經網絡結構確定及預測結果 通過多次反復調試最終在眾多網絡結構中確定出網絡隱含層單元數為5時最適宜預測。網絡輸入層的神經元為13個，即13個月平均氣象指標；輸出層的神經元為1個，即PRRS發病率，因此神經網絡結構確定為13－5－1。預測網絡模型經過34次訓練以后達到預先設定的最小誤差值1×10－5，訓練情況見圖1，預測發病率與實際發病率對照見表1。

2.3 預測模型效果評價 將檢驗數據輸入建立好的預測模型后，得到相應的PRRS發病率預測結果（見表1）。求得預測模型決定系數R2＝0.821，說明模型預測性能較好。

另外，由表1可知，2007年7～12月預測發病率與實際發病率之間誤差不大，其中2007年9月模型預測值和實際發病率值的誤差絕對值為22.2×10－6，盡管這個月發病率預測數據相對誤差較大，但是在畜牧業生產中畜禽存欄量每年都可達幾千萬只，相比而言預測誤差仍然可以接受。預測模型的決定系數R2＝0.821，說明擬合程度較好，發病率預測比較準確，所以從實際預測需求來講這樣的結果仍然可以滿足預測要求。

表1 預測發病率與實際發病率對照

3 討論

3.1 氣象條件對PRRS發生的影響 PRRSV的主要傳播方式是易感豬與病毒攜帶豬的密切接觸，尤其在豬群規模大和飼養密度高的情況下，這種危險性更大［4］。蚊蟲和家蠅也可使PRRSV在易感動物間傳播。空氣傳播是導致PRRS流行的一個重要的因素，雖然對于空氣傳播的距離仍然存在爭論，但在歐洲有許多研究認為本病可以通過空氣傳播［5－6］。

本研究通過對氣象數據和PRRS發病率進行相關分析可知，溫度相對較低可能更有利于病毒在外界環境中生存，且該病的發生可能受氣溫驟變的影響。氣壓發生變化時，動物體內的腔窩擴大，會對疾病的發生產生影響，氣壓與發病率呈負相關也可能與溫度的影響有關。在空氣流通越快的空間內病毒含量越少，PRRS發生的可能性也就越低。Komijn等認為藍耳病在荷蘭最初快速傳播的一個原因是風向和冬季的天氣狀況導致，較低的溫度，較高的相對濕度和較低的風速有利于病毒的傳播［7］。本研究結果顯示，月平均濕度、降水量與PRRS發病率呈負相關關系，這似乎違背了PRRSV病毒在潮濕的環境下更易傳播的特性，但結合所調查地區常年處于相對濕度較大狀態的氣候特征，結合溫度與PRRS發病率呈極顯著負相關的結果，可以推測出PRRS受溫度的影響較大，溫度的變化在該地區可能成為疾病發生的重要提示指標。

3.2 BP神經網絡在動物疾病預測研究中的應用 基于人工神經網絡的預測模型不像傳統的統計學模型那樣要求變量符合特定的分布類型，不必對輸入變量作復雜的相關假定，而且尤其善于處理模型復雜的非線性關系。因此基于神經網絡的預測模型很好的解決了本研究中變量間不能用精確的函數表達這一問題。

本研究中BP人工神經網絡模型預測結果顯示，BP神經網絡模型對PRRS發病率具有較好的預測能力，可能是因為有些氣象因素對PRRS并不是直接作用，而是通過影響傳染病發生的各個環節，間接影響傳染病在易感動物中的分布［8］。本次研究BP神經網絡的預測效果較好，我們還可以通過增大樣本含量，在大樣本的前提下對網絡結構進行調整，讓網絡繼續學習、充分訓練獲得足夠信息，從而對網絡進行優化，提高模型預測的準確性，滿足預測需求。

4 結論

通過本研究將BP人工神經網絡模型引入PRRS的預測，結果顯示預測效果較好，為其他疫病，特別是發生與氣象因素相關性十分顯著的疫病的預測在方法和技術上積累了經驗，具有重要的現實意義。

［1］ 飛思科技產品研發中心.神經網絡理論與 MATLAB7實現［M］.北京：電子工業出版社，2005：103.

［2］ 葛哲學，孫志強.神經網絡理論與 MATLAB R2007實現［M］.北京：電子工業出版社，2008.

［3］ 曲波，黃德生，郭海強.干旱地區傷寒副傷寒與氣象因素關系的BP神經網絡模型［J］.中國衛生統計，2004，21（3）：165－167.

［4］ 王永剛，孫昕，王海彬.影響豬藍耳病的流行因素［J］.現代畜牧獸醫，2008（5）：60.

［5］ Anonymous.Porcine reproductive and respiratory syndrome（PRRS）［C］.Proc Seminar on Porc Reprod and Resp Syndr.Brussels，Belgium，1991：Conclusions，2.

［6］ Robertson I B.Porcine reproductive and respiratory syndrome（blue－eared pig disease）：Some aspects of its epidemiology［C］.Proc Soc Vet Epi Prev Med.Edinburgh，Scotland，1992：24－37.

［7］ Komijn R E，van der Sande W J H，van Klink E G M.Report on the epidemiology of PRRS in the Netherlands ［C］.Proc Seminar on Porc Reprod and Resp Syndr.Brussels，Belgium，1991：8－12.

［8］ 施海龍，曲波，郭海強.干旱地區呼吸道傳染病氣象因素及發病預測［J］.中國公共衛生，2006，4（22）：418.