BP人工神经网络模型在上海市感染性腹泻日发病例数预测中的应用

摘要

目的建立基于气象因素的上海市感染性腹泻逐日发病例数BP人工神经网络预测模型。方法收集上海市2005—2008年感染性腹泻逐日发病例数与同期气象资料包括气温、相对湿度、降雨量、气压、日照时数、风速,通过Spearman相关分析选出与感染性腹泻相关的气象因素,用主成分分析（PCA）去除气象因素间的共线性影响。利用MatLab R2012b软件的神经网络工具箱建立感染性腹泻日发病例数的BP神经网络预测模型,并对拟合效果、外推预测能力和等级预报效果进行评价。结果 Spearman相关性分析显示,日感染性腹泻与前两天的日最高气温、最低气温、平均气温、最低相对湿度、平均相对湿度呈正相关（P＜0.01）,与前两天的日平均气压呈负相关（P＜0.01）。输入PCA提取的4个气象主成分构建BP神经网络预测模型,训练和预测样本平均绝对误差、均方根误差、相关系数、决定系数分别为4.7811、6.8921、0.7918、0.8418和5.8163、7.8062、0.7202、0.8180。模型预测值对2008年实际发病数的年平均误差率为5.30%,对感染性腹泻的等级预报正确率为95.63%。结论温度和气压对感染性腹泻日发病例数影响较大。BP神经网络模型的拟合及预测误差较小,预报正确率较高,预报效果理想。