基于BP神經網絡的病毒性肝炎發病率預測

徐香 朱家明

摘 ?要：構建BP神經網絡模型，對我國病毒性肝炎發病趨勢進行預測.收集1990-2019年全國病毒性肝炎發病率的數據，分別構建ARIMA模型、支持向量回歸、BP神經網絡、ARIMA-SVR、ARIMA-BPANN模型，對病毒性肝炎發病率進行預測.實驗結果表明，BP神經網絡模型預測的效果最佳，得到測試集的擬合值和真實值的RMSE（平均殘差平方和的平方根）和MAPE（平均絕對百分誤差）分別只有0.427 3和0.385 8，遠小于其他預測模型.

關鍵詞：病毒性肝炎；發病率；BP神經網絡；預測

[ ? 中圖分類號 ? ?]R512.6[ ? ?文獻標志碼 ? ] ?A

Prediction of Incidence Rate of Viral Hepatitis Based

on BP Neural Network

XU Xiang1，ZHU Jiaming2*

（1.The Fourth People's Hospital of Bengbu，Bengbu ?233010，China； 2.School of

Statistics and Applied Mathematics，Anhui University of Finance and Economics，Bengbu ?233030，China）

Abstract：The trend of viral hepatitis in China was predicted by modeling. First，collect the relevant data of the incidence rate of viral hepatitis in China from 1990 to 2019，and build ARIMA model，support vector regression，BP neural network，ARIMA-SVR，ARIMA-BPANN and other models to predict the incidence rate of viral hepatitis. The experimental results show that the prediction effect of BP neural network is the best，The RMSE （square root of the mean residual sum of squares） and MAPE （mean absolute percentage error） of the fitting value and the real value of the test set obtained by this model are only 0.427 3 and 0.385 8，respectively，which are far less than other prediction models.

Key words： viral hepatitis； incidence rate； BP neural network； forecast

2019年1-7月中國病毒性肝炎發病人數為934 295例，死亡人數為372人；2018年中國病毒性肝炎發病人數為1 280 015例，死亡人數為531人.病毒性肝炎的發病率與受病原體變異的速度有關，與易感者積累速度有關，還受環境的影響.[1]病毒性肝炎的發生從歷史數據上看存在一定的規律，這有利于人們利用各種適用模型對其發病率進行預測，從而有效地為衛生部門主動防控工作提供有效參考.[2，3]本文以1990-2019年我國病毒性肝炎的年發病率為數據，研究BP神經網絡模型對病毒性肝炎發病率的預測.

1 數據來源和研究方法

1.1 數據來源

本文數據來源：國家統計局官網（http：//www.stats.gov.cn/tjsj/）年度數據中甲乙類法定報告傳染病發病率，中國疾病預防控制局網站（http：//www.nhc.gov.cn/jkj/pqt/new_list. shtml）全國法定傳染病疫情概況.

1.2 研究方法

BP神經網絡[4-9]作為一種模型，其運行模式是向前傳遞信號，反向傳遞誤差.[10]在向前傳遞時，首先將數據錄入到輸入層，然后將輸入層的數據傳到隱含層進行處理，最后經過輸出層輸出.如果輸出結果和預想期望的值不一樣，那么會進入下一個過程，即反向傳遞.此時每一個層次作出相應的調整，包括模型中的權值以及不同層次之間的閾值，目的是進一步優化輸出值，使其接近或等于期望值.[11]算法步驟為：

（1）輸入輸出維數和訓練集的設置.

（2）數據歸一化.

（3）確定網絡結構和函數設定：首先設置BP神經網絡的網絡層數和各層節點數.基于1990-2019年病毒性肝炎發病率30年的數據，將輸入層節點數設定為27，輸出層神經元數設定為3，將學習函數設定為{'logsig'，'purelin'}、traincgp和learnwh.

（4）網絡的建立和檢驗.用設定的訓練集訓練網絡，測試集測試病毒性肝炎數據網絡，反復執行第 （3）～（4） 步，以測試集的實際輸出值和期望輸出值的MSE最小為標準，找出最佳網絡.

（5）評價模型預測效果.計算訓練集原始數據（真實值）與預測結果（預測值）的平均絕對誤差、均方誤差、總方差；對2019-2021年數據預測值與原始數據進行誤差分析，評價BP神經網絡的預測效果.

2 結果與分析

2.1 BP神經網絡模型對病毒性肝炎發病率的預測

BP神經網絡模型對病毒性肝炎發病率的訓練樣本集進行訓練，測試樣本集的仿真結果和2019-2021年病毒性肝炎發病率預測結果見圖1.在訓練次數為5 000次，收斂誤差為0.000 01，每迭十次顯示一次的設定下，1990-2016年的網絡模型對訓練樣本的擬合平均絕對誤差、均方誤差、總方差分別為0.419 7，0.294 3，7.945 5.對測試集的擬合情況和誤差分析見表1和表2.由圖2可知，BP神經網絡訓練集擬合模型的可決系數R=0.999 97，表明該模型擬合程度很好.

2.2 五個模型的比較

采用ARIMA、支持向量回歸、BP神經網絡、ARIMA-SVR、ARIMA-BPANN模型對病毒性肝炎發病率進行預測[11-14]，模型擬合的RMSE分別為3.266 6，2.364 1，0.427 3，4.753 5，3.675 5；MAPE分別為2.494 9，2.296 9，0.385 8，4.531 5，2.964 1.組合模型中，RMSE（ARIMA-SVR）>RMSE（ARIMA-BPANN），MAPE（ARIMA-SVR）>MAPE（ARIMA-BPANN），組合模型中ARIMA-BPANN較優.在五種模型中，BPANN的RMSE和MAPE最小，預測值與真實值差距最小，擬合誤差在真實值中占比最小，預測效果最好.

五種模型對2019-2021年的病毒性肝炎發病率的預測值與其真實值的對比見圖3.初步看出，BP神經網絡模型與SVR模型對病毒性肝炎發病率的預測值與病毒性肝炎發病率的真實值較為接近.

3 結論與研究展望

對傳染病爆發及時有效的預測是傳染病預測控制工作的重點，本文采用ARIMA、SVR、BP神經網絡、ARIMA-SVR和ARIMA-BPANN模型分別對1990-2019年的病毒性肝炎發病率進行擬合，結果表明，BP神經網絡模型的預測效果優于其他兩種單一模型和兩種組合模型.衡量我國各類肝炎流行程度的重要參考依據就是病毒性肝炎的發病率，流行病防控中心可以采用本文對病毒性肝炎發病率的模型合理預測其發病趨勢.

病毒性肝炎的發展受公共政策、人口流動、氣象條件等多種因素影響，如果將這些因素納入模型，在更高維度上擬合數據，可以為流行病發病率分析、預測、預防提供更多有效參考.進一步研究病毒性肝炎的誘導病因以及這些病因所涉及的現實條件，為未來疾病防控提供參考.

參考文獻

[1]付之鷗，周揚，陳誠，等.時間序列分析與機器學習方法在預測肺結核發病趨勢中的應用[J].中國衛生統計，2020，37（2）：190-195.

[2]Wah W，Das S，Earnest A，et al. Time series analysis of demographic and temporal trends of tuberculosis in Singapore[J]，BMC public health，2014，14（1）：1121.

[3]劉曉芬. 膠南市1990～2012年病毒性肝炎流行特征分析及預測研究[D].濟南：山東大學，2014.

[4]吳越怡，朱家明，劉辛邑，等.基于BP神經網絡對合金收得率影響因素的研究[J].河南科技學院學報：自然科學版，2020，48（5）：57-64.

[5]李細榮，林碩.基于BP神經網絡的地基壓實度測量方法[J].牡丹江師范學院學報：自然科學版，2022（1）：54-56.

[6]朱家明，燕惹弟，張航，等.基于BP神經網絡對脫氧合金冶煉中元素收得率的預測[J].青海大學學報，2020，38（4）：70-77.

[7]劉光宇，曹禹，黃懿，等.基于BP神經網絡結構的圖像壓縮技術研究[J].牡丹江師范學院學報：自然科學版，2021（2）：23-29.

[8]朱家明，馬曉旭，陳榮燕，等.基于灰色關聯度和神經網絡對科創板擬上市企業估值的研究[J].齊齊哈爾大學學報：自然科學版，2020，36（5）：79-83+94.

[9]劉文東，吳瑩，艾靜，等.BP神經網絡在痢疾發病趨勢預測中的應用研究[J].中國衛生統計，2012，29（6）：801-804.

[10]侯少康，劉耀儒，張凱.基于IPSO-BP混合模型的TBM掘進參數預測[J/OL].巖石力學與工程學報：1-11[2020-06-10].

[11]刁秀芳，李望晨.基于SVM模型和ARIMA模型在擬合病毒性肝炎發病率中的應用[J].現代預防醫學，2017，44（9）：1545-1548.

[12]向超. 基于ARIMA-SVR組合模型的動力煤價格預測與實證研究[D].北京：對外經濟貿易大學，2019，26-28.

[13]朱家明，段寒冰，王子健，等.基于ARIMA模型對北京垃圾分類對策的計量分析[J].中央民族大學學報：自然科學版，2020，29（2）：49-56.

[14]朱家明，陳妍群，金靜.基于ARIMA模型對我國外匯儲備余額的預測分析[J].長沙理工大學學報：自然科學版，2020，17（1）：92-97.

編輯：琳莉