现代预防医学

周期序号	起止时间（年/月）	峰值	谷值	峰谷落差	周期长度（月）
1	2015.01—2018.03	151 849	92 978	58 871	39
2	2018.04—2021.12	148 245	63 330	84 915	45
3	2022.01—2025.01	181 006	72 630	108 376	37

周期序号	起止时间（年/月）	峰值	谷值	峰谷落差	周期长度（月）
1	2015.01—2018.03	151 849	92 978	58 871	39
2	2018.04—2021.12	148 245	63 330	84 915	45
3	2022.01—2025.01	181 006	72 630	108 376	37

时间（年/月）	实际发病数	LSTM模型	SARIMA模型
2023/04	142 746	138 972	2.64	144 110	0.96
2023/05	141 492	138 255	2.29	144 096	1.84
2023/06	133 888	137 688	2.84	144 912	8.23
2023/07	151 809	151 135	0.44	158 041	4.11
2023/08	166 606	150 550	9.64	155 393	6.73
2023/09	147 758	143 120	3.14	144 135	2.45
2023/10	152 695	137 538	9.93	134 346	12.02
2023/11	156 977	140 634	10.41	135 813	13.48
2023/12	143 778	140 451	2.31	134 725	6.30
2024/01	159 136	142 295	10.58	133 386	16.18
2024/02	142 012	123 714	12.88	124 275	12.49
2024/03	181 006	166 670	7.92	174 723	3.47
2024/04	168 275	157 132	6.62	162 234	3.5
2024/05	165 333	152 974	7.48	161 934	2.06
MRPE（%）		6.37	6.71
MAE		9 998.727	10 274.03

时间（年/月）	实际发病数	LSTM模型	SARIMA模型
2023/04	142 746	138 972	2.64	144 110	0.96
2023/05	141 492	138 255	2.29	144 096	1.84
2023/06	133 888	137 688	2.84	144 912	8.23
2023/07	151 809	151 135	0.44	158 041	4.11
2023/08	166 606	150 550	9.64	155 393	6.73
2023/09	147 758	143 120	3.14	144 135	2.45
2023/10	152 695	137 538	9.93	134 346	12.02
2023/11	156 977	140 634	10.41	135 813	13.48
2023/12	143 778	140 451	2.31	134 725	6.30
2024/01	159 136	142 295	10.58	133 386	16.18
2024/02	142 012	123 714	12.88	124 275	12.49
2024/03	181 006	166 670	7.92	174 723	3.47
2024/04	168 275	157 132	6.62	162 234	3.5
2024/05	165 333	152 974	7.48	161 934	2.06
MRPE（%）		6.37	6.71
MAE		9 998.727	10 274.03

时间（年/月）	实际发病数	LSTM模型	SARIMA模型
2024/06	152 225	150 217	1.32	162 268	6.60
2024/07	170 397	162 301	4.75	177 490	4.16
2024/08	163 748	162 444	0.80	176 493	7.78
2024/09	146 669	145 414	0.86	161 190	9.90
2024/10	148 566	137 859	7.21	151 399	1.91
2024/11	154 173	144 145	6.50	152 130	1.33
2024/12	161 938	142 177	12.20	151 957	6.16
2025/01	165 723	146 922	11.34	152 145	8.19
MRPE（%）		5.62		5.75
MAE		8 995		9 104.638

时间（年/月）	实际发病数	LSTM模型	SARIMA模型
2024/06	152 225	150 217	1.32	162 268	6.60
2024/07	170 397	162 301	4.75	177 490	4.16
2024/08	163 748	162 444	0.80	176 493	7.78
2024/09	146 669	145 414	0.86	161 190	9.90
2024/10	148 566	137 859	7.21	151 399	1.91
2024/11	154 173	144 145	6.50	152 130	1.33
2024/12	161 938	142 177	12.20	151 957	6.16
2025/01	165 723	146 922	11.34	152 145	8.19
MRPE（%）		5.62		5.75
MAE		8 995		9 104.638

中国病毒性肝炎发病的循环周期特征分析与机器学习模型预测

PDF下载

孟庆刚 ¹ , 武茜茜 ² , 张义婷 ² , 李晓钰 ² , 刘超 ²^,³

现代预防医学 | 流行病与统计方法 2026,53(5): 782-787

收起

现代预防医学 |流行病与统计方法 2026 , 53 (5) : 782 -787

中国病毒性肝炎发病的循环周期特征分析与机器学习模型预测

全屏

孟庆刚¹, 武茜茜², 张义婷², 李晓钰², 刘超²^,³

作者信息

^1.河北大学科学与技术创新研究院，河北保定 071000

^2.河北大学统计学系，河北保定 071000

^3.河北省公共卫生安全重点实验室，河北保定 071000

通讯作者:

刘超，E-mail: liuchao003003@126.com

作者简介:

孟庆刚（1986—），男，硕士，实验师，研究方向：预测技术分析

Cyclical characteristics analysis and machine learning based forecasting of viral hepatitis incidence in China

Qing-gang MENG¹, Qian-qian WU², Yi-ting ZHANG², Xiao-yu LI², Chao LIU²^,³

Affiliations

Institute of Science and Technology Innovation, Hebei University, Baoding, Hebei 071000, China

出版时间: 2026-03-10 doi: 10.20043/j.cnki.MPM.202509171

文章导航

摘要

收起

目的

本研究通过揭示中国病毒性肝炎的发病波动规律与周期特征，实现对其短期趋势的预测，从而为科学优化防控策略提供支持。

方法

基于国家疾病预防控制局2015年1月—2025年1月中国病毒性肝炎的月度发病数据，采用Census X-13方法进行季节性调整，深入探究病毒性肝炎的流行规律与变化趋势。使用HP滤波法剖析病毒性肝炎发病的循环周期特征，并利用机器学习模型（long short-term memory,LSTM）与时间序列分析模型（seasonal autoregressive integrated moving average,SARIMA）进行预测，同时对该预测模型的预测性能进行评估。

结果

研究发现病毒性肝炎的发病病例数呈上升态势，且各年份的发病情况均表现出季节性波动特征，每年的3—4月为发病高峰。2015年1月—2025年1月，中国病毒性肝炎的发病数呈现出三个完整的循环周期，平均周期跨度为40个月，且各周期的振幅并不稳定。机器学习与时间序列模型的平均相对预测误差分别为6.37%和6.71%，其中LSTM模型的均方根误差与平均绝对误差均较低，显示出更优的预测性能。

结论

结合循环周期分析和机器学习模型可有效提升预测精度，助力实现“健康中国2030”目标。

关键词

病毒性肝炎 / 循环周期特征 / 机器学习

Abstract

收起

Objective

To reveal fluctuation patterns and cyclical characteristics of viral hepatitis incidence in China and to forecast its short-term trend, thereby supporting the optimization of prevention and control strategies.

Methods

Based on the monthly incidence data of viral hepatitis in China from January 2015 to January 2025 by the National Disease Control and Prevention Bureau, this study employed the Census X-13 Seasonal Adjustment Method to analyze the epidemiological patterns and temporal trends of viral hepatitis during this period. The HP filter was applied to dissect the cyclical patterns of incidence.Forecasting was conducted using a machine learning model (long short-term memory, LSTM) and a time-series model(SARIMA), and and the predictive performance of the models was evaluated.

Results

The number of viral hepatitis cases showed an overall increasing trend, with clear seasonal fluctuations observed each year, and the annual peak occurred in March—April. From January 2015 to January 2025, the incidence of viral hepatitis in China was divided into three complete cyclical cycles, with an average cycle length of 40 months. Notably, the amplitude of these cyclical fluctuations was unstable over time.The mean relative prediction errors for the LSTM model and the SARIMA model were 6.37% and 6.71%, respectively. The LSTM model demonstrated lower root mean square error and mean absolute error, indicating superior predictive performance.

Conclusion

Combining cyclical analysis and machine learning models can effectively improve prediction accuracy,contributing to achieving the goal of “Healthy China 2030”.

Key words

Viral hepatitis / Cyclical characteristics / Machine learning

引用本文

孟庆刚, 武茜茜, 张义婷, 李晓钰, 刘超. 中国病毒性肝炎发病的循环周期特征分析与机器学习模型预测. 现代预防医学, 2026 , 53 (5) : 782 -787 . DOI: 10.20043/j.cnki.MPM.202509171

Qing-gang MENG, Qian-qian WU, Yi-ting ZHANG, Xiao-yu LI, Chao LIU. Cyclical characteristics analysis and machine learning based forecasting of viral hepatitis incidence in China[J]. Modern Preventive Medicine, 2026 , 53 (5) : 782 -787 . DOI: 10.20043/j.cnki.MPM.202509171

正文

收起

病毒性肝炎已成为威胁公共卫生安全和社会经济发展的重大隐患^[1]。病毒性肝炎在全球范围内广泛流行，死亡负担沉重，其年死亡人数已超过结核病和艾滋病之和^[2]。从致病类型看，乙型病毒性肝炎(viral hepatitis B）与丙型病毒性肝炎（viral hepatitis C)占据主导，是导致肝硬化和肝癌的关键诱因。值得注意的是，中国因人口基数大和既往感染率高等因素，承载了全球近30%的肝炎相关疾病负担^[3]。因此，开发高精度、高可靠性的预测方法，对于病毒性肝炎的防控工作至关重要。

国内有关病毒性肝炎的研究多聚焦于区域流行特征分析或特定防治技术评估，而针对全国发病趋势的系统性研究较少^[4]。鉴于此，本研究基于2015年1月—2025年1月中国病毒性肝炎的月度发病数据，采用Census X-13方法进行季节性调整，深入探究病毒性肝炎的流行规律与变化趋势。使用Hodrick-Prescott(HP)滤波法剖析病毒性肝炎发病的循环周期特征，并利用机器学习模型（long short-term memory，LSTM）与时间序列分析模型（seasonal autoregressive integrated moving average,SARIMA）对2025年2月—2025年12月年发病趋势进行预测，旨在为优化“预防-筛查-治疗”全链条防控策略提供科学依据，助力“健康中国2030”目标实现。

1　资料与方法

收起

1.1　数据来源

本研究的数据来源于国家疾病预防控制局，涵盖2015年 1月—2025年1月全国病毒性肝炎发病信息。为构建与评估预测模型，研究将2015年1月—2023年3月数据设为训练集，2023年4月—2024年5月数据设为测试集，同时报告了2023年4月—2024年5月全国病毒性肝炎发病数的平均相对预测误差（mean relative prediction error,MRPE）和平均绝对误差（mean absolute error,MAE）。

1.2　研究设计

1.2.1　Census X-13季节调整法

针对病毒性肝炎发病数的季节性特征，本研究运用Census X-13季节调整法，旨在剔除季节干扰，生成平稳的时间序列，为后续精准预测奠定基础^[5]。模型构建如下：

公式（1）

其中，Y_t为全国病毒性肝炎发病数的月度序列数据，T_t为长期趋势成分，S_t为季节成分，C_t为短期周期成分，I_t为不规则成分。

1.2.2　HP滤波法

是计量经济学领域一种重要的数据处理方法，其核心功能在于将时间序列数据拆解为反映长期变化规律的趋势成分与体现短期波动特征的周期成分^[6]，分解公式如下：

公式（2）

其中，y_t为病毒性肝炎发病数的月度序列数据，g_t为长期趋势成分，c_t为短期周期成分。

1.2.3　LSTM模型

是一种专为序列数据设计的深度学习模型，它通过输入门、遗忘门、输出门等门控单元与细胞状态，有效克服了传统循环神经网络（recurrent neural network，RNN）的长期依赖问题，能更好捕捉时间序列中的长期趋势^[7]。具体建模过程如下：

遗忘门负责筛选单元状态中的记忆流，公式如下：

公式（3）

输入门由两部分构成：一是sigmoid层，决定更新值；二是tanh层，创建新的候选值向量，公式如下：

公式（4）

公式（5）

在单元状态的更新过程中，会综合遗忘门与输入门所传递的所有信息：

公式（6）

输出门决定输出值，tanh函数则对输出值进行缩放：

公式（7）

公式（8）

其中，σ表示sigmoid函数，·表示向量或矩阵的点积，x_t是t时刻的输入，h_t是t时刻的隐藏状态，C_t是t时刻的单元状态，W和b分别是权重和偏置。

1.2.4　SARIMA模型

SARIMA模型在ARIMA的基础上，既涵盖非季节性变化参数，也包含四个季节性参数，其中三个超参数和一个周期参数，以精准建模具有季节性规律的时间序列^[8]。模型具体公式如下：

公式（9）

B为延迟算子，B_s为季节性延迟算子，φ（B）和θ（B）为延迟多项式算子，Φ（B_s）和Θ（B_s）为季节性延迟多项式算子，D次季节性差分和d次常差分。

1.2.5　模型检验

基于模型性能的评估需求，本文采纳了以下三个评价指标：相对预测误差（relative prediction error,RPE）、MRPE与MAE^[9]。各指标的定义如下：

公式（10）

公式（11）

公式（12）

其中，y_i表示第i个真实值，

表示第i个预测值，n为测试集的样本数量。

1.2.6　统计分析

使用EViews13软件进行Census X-13季节调整，并使用HP滤波法剖析病毒性肝炎发病的循环周期特征。运用Python 3.10软件建立SARIMA模型与LSTM模型并检验拟合效果，对2025年2月—2025年12月全国病毒性肝炎的发病数进行预测分析。

2　结果

收起

2.1　中国病毒性肝炎发病的循环周期分析

在本研究中，通过 Census X-13 季节调整法对病毒性肝炎发病相关数据进行季节调整，将数据分解为趋势成分、季节成分、周期成分及不规则成分。结果显示，发病数存在明显的季节性规律，且各年季节指数均呈现典型的双峰模式。其周期性波动表现为，每年在2月的初次波谷后迎来3—4月的主高峰，此后一段时间内病毒性肝炎的发病受季节性影响趋于平缓，继而经过7—8月的次高峰后，在10月达到第二个波谷，至此完成一个完整的波动周期。

在剔除季节因素后，本研究采用HP滤波法将数据分解为长期趋势与循环周期，以揭示其周期特征。结果显示，中国病毒性肝炎发病数的长期趋势总体呈逐步上升态势。

就病毒性肝炎的循环周期特征而言，在2015年1月—2025年1月大致呈现三个完整的循环周期，平均周期长度为40个月。第1周期（2015年1月—2018年3月）长度为39个月，波动相对平缓；第2、3周期振幅明显加剧。其中，第2周期（2018年4月—2021年12月）长达45个月，发病数达148 245例；第3周期（2022年1月—2025年1月）虽时长缩短至37个月，发病数却攀升至更高峰值181 006例。由此可见，各周期的振幅与长度并不稳定。见表1、图1。

2.2　LSTM的结果分析与对比

以2015年1月—2023年3月全国病毒性肝炎发病数时序数据作为训练集，根据公式（10）～（12），分别计算LSTM与SARIMA 2023年4月—2024年5月每个月的RPE值、MRPE值和MAE值，结果显示2023年4月—2024年5月LSTM模型与SARIMA模型的MRPE分别为6.37%和6.71%，模型预测表现优秀。且使用LSTM模型预测获得的MAE为9 998.727，比使用SARIMA模型预测获得的值小，相比之下使用LSTM模型的预测效果更好。见表2。

为直观比较，本研究绘制了2023年4月—2024年5月全国病毒性肝炎发病数的实际值与LSTM、SARIMA模型预测值的走势图。结果显示，两种模型的预测曲线均与实际值高度吻合，表明预测偏差较小。见图2。

为评估模型对2025年全国病毒性肝炎发病数的预测表现，本研究收集2024年6月—2025年1月的实际发病数作为测试集。采用MRPE作为评价指标，MRPE处于0～10%之间说明预测表现优秀。使用LSTM模型与SARIMA模型，分别对2024年6月—2025年1月全国病毒性肝炎的发病数进行预测，MRPE分别为5.62%、5.75%，两者均小于10%，说明预测效果较为可靠。使用LSTM模型预测获得的MAE和MRPE均比使用SARIMA模型预测获得的值小，相比之下使用LSTM模型的预测效果更好。见表3。

综上所述，本研究分别以2015年1月—2023年3月全国病毒性肝炎发病数检测数据为训练集，并先后以2023年4月—2024年5月及2024年6月—2025年1月的数据为测试集进行建模与验证。结果表明，LSTM与SARIMA模型的MRPE均低于10%，模型预测结果表现优秀。但使用LSTM模型预测获得的MAE和MRPE值均比使用SARIMA模型预测获得的值小，相比之下使用LSTM模型的预测效果更好。

2.3　LSTM的预测结果

基于2015年1月—2025年1月全国病毒性肝炎月度发病数据，构建时间序列模型以预测2025年2月—12月的发病趋势。在数据预处理阶段，采用四分位距（IQ_R）法识别并处理异常值，并通过滚动平均平滑数据，有效降低噪声干扰。模型采用LSTM架构，包含一个含50个神经元的LSTM层及一个全连接输出层。训练期间，模型损失值迅速下降后趋于平稳，在训练集与验证集上均表现出良好的预测性能。模型预测结果显示，2025年2月—12月全国病毒性肝炎的发病数呈现类似周期性模式，且整体呈现持续平缓下降趋势。见图3。

3　讨论

收起

已有研究在分析中国病毒性肝炎疾病负担时指出，中国在病毒性肝炎防控领域已经取得了部分成效，但是负担仍然沉重，严重影响人群健康^[10]。因此，为进一步降低病毒性肝炎疾病负担，提升公共卫生整体水平，需要加大防控力度，完善干预策略，优化防治服务体系^[11]。为此本研究旨在分析2015—2025年全国病毒性肝炎的流行规律，发现其流行的长期趋势、季节性特征以及周期性特征，并对比LSTM模型和SARIMA模型的预测性能，找出较优的预测模型，为制定精准的防控政策提供数据支持。

本研究结果显示，从长期趋势来看，2015—2025年中国病毒性肝炎发病数整体呈上升趋势^[12]，发病数由2015年124 984例上升至2025年165 723例；从季节性规律来看，中国病毒性肝炎发病存在明显的季节性规律^[13]，各年季节指数均呈现典型的双峰模式，其高峰期主要集中于3—4月，并于7—8月出现次高峰。从循环周期来看，2015年1月—2025年1月，中国病毒性肝炎的发病数呈现出3个完整的循环周期，平均周期跨度为40个月，且各周期的振幅并不稳定，第1周期波动相对平缓，第2、3周期振幅明显加剧。病毒性肝炎发病预测研究也证实，存在类似的周期性模式，且整体呈现持续平缓上升趋势。未来10年（2025—2035年）我国病毒性肝炎发病将呈现“周期性波动下降”的总体特征。

科学的统计模型是实现精准、高效预测的关键。本研究发现，LSTM模型的预测性能优于SARIMA模型，与倪茹玉等人^[14]的研究一致。以2015年1月—2023年3月全国病毒性肝炎月度发病数据训练模型，并以两个时间段进行测试评估。结果表明，LSTM与SARIMA模型的MRPE均低于10%，拟合效果良好，且LSTM在MAE和MRPE上均优于SARIMA，预测精度分别提升0.34%和0.13%，显示出更好的稳健性与准确性。此外，据楼润平等人^[15]的研究结果显示，SARIMA模型在预测肺结核发病率时表现不佳，而武长礼等人^[16]、肖国栋等人^[17]则证明LSTM模型的预测精度优于SARIMA模型。

参照既有研究定义2020年1月—2023年3月为COVID-19疫情期间^[18]，排除2020年1月—2023年3月的数据，即使用2015年1月—2019年12月的数据作为训练集，进行敏感性分析^[19]。在此基础上，重新应用Census X-13季节调整法和HP滤波法分析循环周期特征，并分别训练LSTM和SARIMA模型，比较全数据集与剔除疫情数据集的预测误差，以检验模型的稳健性。结果显示，剔除疫情数据集后在2023年4月—2024年5月的预测中，LSTM模型的MAE和MRPE值均低于SARIMA模型，分别为18 113.31和11.53%，证实了LSTM模型具有更优的预测效果与稳健性。然而全数据集与剔除疫情数据集比较，全局数据集的预测误差更优。基于更短、未受疫情干扰的数据所建立的模型，其预测误差相较于全局数据局增大。这一对比恰恰证明了使用全数据模型的优越性^[20]。

基于本研究发现的中国病毒性肝炎季节性和周期性规律，可在预测高发期前精准部署防控资源，灵活调整防控策略强度^[21]。同时，结合本研究证实LSTM在短期预测中表现优异，能够实现发病趋势的月度滚动预测，为精准防控提供了关键技术支撑^[22]，优化“预防-筛查-治疗”全链条效率。该“时序分析+机器学习”框架亦具备向其他传染病预测推广的潜力^[23]。未来通过融入多源数据并建立模型更新机制，可进一步提高预测精度，推动肝炎防控工作的科学化与精准化，助力“健康中国2030”目标实现。

本研究存在一定的局限性。一是，模型存在数据维度单一的局限，未能涵盖除历史发病数外的其他影响因素；二是，原始数据本身可能存在的偏差也会对预测结果的准确性造成影响。

综上所述，该研究揭示了中国病毒性肝炎发病数呈周期性波动上升趋势，平均周期约为40个月，具有明显的季节性（高峰在3—4月），且LSTM模型在预测中表现优异。这一发现不仅深化了对该病毒性肝炎流行规律的认识，其准确预测也为防控方案的制定提供了关键的决策支持。

基金

收起

国家社会科学基金项目(21BRK025)
河北大学多学科交叉研究计划资助项目(DXK202415)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

王宇.建立公共卫生管理模式,促进消除病毒性肝炎危害[J].临床肝胆病杂志，2025，41（2）：201-204.

Wang

. Public health management strategies: A pathway to eliminating viral hepatitis threats[J]. Journal of Clinical Hepatology, 2025, 41(2): 201-204. (In Chinese)

[2]

Thomas

. Global elimination of chronic hepatitis[J]. New England Journal of Medicine, 2019, 380(21): 2041-2050.

[3]

黄文琪，温卉妍，李佳昕，等.全球病毒性肝炎现状及消除进展[J].中国公共卫生，2024，40（11）：1413-1416.

Huang

, Wen

, Li

, et al. Viral hepatitis: a review of global prevalence and research progress toward elimination[J]. Chinese Journal of Public Health, 2024, 40(11): 1413-1416. (In Chinese)

[4]

Yue

, Zhang

, Cai

, et al. Trends in the disease burden of HBV and HCV infection in China from 1990-2019[J]. International Journal of Infectious Diseases, 2022, 122: 476-485.

[5]

刘建平，王雨琴.季节调整方法的历史演变及发展新趋势[J].统计研究，2015，32（8）：90-98.

Liu

, Wang

. The historical evolution and new development trend of seasonal adjustment method[J]. Statistical Research, 2015, 32(8): 90-98. (In Chinese)

[6]

刘超，白莎莎，韩敏，等.中国艾滋病发病和死亡的循环周期特征与非线性预测[J].中华疾病控制杂志，2025，29（1）：55-60.

Liu

, Bai

, Han

, et al. Characteristics of the cyclical cycle and non-linear prediction of acquired immunodeficiency syn-drome incidence and mortality in China[J]. Chinese Journal of Disease Control & Prevention, 2025, 29(1): 55-60. (In Chinese)

[7]

范子亮，韩雪峰，申亚琦，等.长短期记忆网络模型在预测乙型肝炎发病趋势中的应用[J].预防医学论坛，2023，29（11）：812-815, 819.

Fan

, Han

, Shen

, et al. Application of Long Short-Term Memory(LSTM) network model in predicting hepatitis B incidence trends[J].Preventive Medicine Tribune, 2023, 29(11): 812-815, 819. (In Chinese)

[8]

Schaffer

, Dobbins

, Pearson

. Interrupted time series analysis using autoregressive integrated moving average (ARIMA)models: a guide for evaluating large-scale health interventions[J].BMC Medical Research Methodology, 2021, 21(1): 58.

[9]

王志燕，石敏，赵鹏，等.老年肺癌患者机械通气相关性肺部感染的风险预警模型构建及临床验证[J].四川大学学报(医学版)，2025，56（6）：1620-1626.

Wang

, Shi

, Zhao

, et al. Construction and clinical validation of a risk warning model for mechanical ventilation-associated pulmonary infection in elderly patients with lung cancer[J]. Journal of Sichuan University(Medical Sciences), 2025, 56(6): 1620-1626. (In Chinese)

[10]

李健，王富珍，陈仲丹，等.中国病毒性肝炎疾病负担研究进展[J].临床肝胆病杂志，2025，41（2）：221-227.

, Wang

, Chen

, et al. Research advances in the disease burden of viral hepatitis in China[J]. Journal of Clinical Hepatology, 2025, 41(2):221-227. (In Chinese)

[11]

单姗，贾继东.中国慢性乙型肝炎治疗的进展与挑战[J].临床肝胆病杂志，2025，41（2）：205-209.

Shan

, Jia

. Advances and challenges in the treatment of chronic hepatitis B in China[J]. Journal of Clinical Hepatology, 2025, 41(2): 205-209. (In Chinese)

[12]

孙亚军，刘天，姚远.时间序列广义回归神经网络模型在病毒性肝炎发病率预测中的应用[J].现代预防医学，2024，51（23）：4260-4265.

Sun

, Liu

, Yao

. Application of time series generalized regression neural network model in predicting the incidence of viral hepatitis[J].Modern Preventive Medicine, 2024, 51(23): 4260-4265. (In Chinese)

[13]

赵敏，彦子博.2010-2022年黑龙江省戊型病毒性肝炎流行病学特征分析[J].现代预防医学，2025，52（6）：1019-1023, 1043.

Zhao

, Yan

. Epidemiological characteristics of hepatitis E in Heilongjiang Province,2010-2022[J]. Modern Preventive Medicine, 2025,52(6): 1019-1023, 1043. (In Chinese)

[14]

倪茹玉，胡婉，张恒川，等.ARIMA乘积季节模型与LSTM神经网络模型对我国麻疹发病数预测效果的比较[J].现代预防医学，2023，50（1）：177-182.

, Hu

, Zhang

, et al. Comparison between ARIMA model and LSTM neural network model in predicting measles incidence in China[J].Modern Preventive Medicine, 2023, 50(1): 177-182. (In Chinese)

[15]

楼润平，潘依菲，王棣楠，等.2011-2021年浙江省肺结核发病率预测:基于三体模型和三体预测法[J].中国感染控制杂，2024，23（7）：806-811.

Lou

, Pan

, Wang

, et al. Predicting pulmonary tuberculosis incidence in Zhejiang Province (2011–2021): Based on triple model and triple prediction method[J]. Chinese Journal of Infection Control, 2024, 23(7): 806-811. (In Chinese)

[16]

武长礼，徐锋顺，段萌，等.基于SARIMA模型与LSTM神经网络模型的中国肺结核发病预测比较研究[J].中国口岸科学技术，2025，7（3）：4-12.

, Xu

, Duan

, et al. Comparative study of SARIMA and LSTM neural network models for pulmonary tuberculosis incidence prediction in China[J]. China Port Science and Technology, 2025, 7(3): 4-12. (In Chinese)

[17]

肖国栋，陈兴书，罗勇军.基于SARIMA、LSTM的西藏某医院肺结核病例数据的预测模型建立与初步应用[J/OL].陆军军医大学学报，1-17 [2026-02-01].https://doi.org/10.16016/j.2097-0927.202406089.

Xiao

, Chen

, Luo

. Establishment and preliminary application of a prediction model for tuberculosis case data based on SARIMA and LSTM in a hospital in Tibet[J/OL]. Journal of Army Medical University, 1-17[2026-02-01]. https://doi.org/10.16016/j.2097-0927.202406089. (In Chinese)

[18]

魏於家，马斌忠，王朝才，等.COVID-19疫情对青海省结核病病例登记情的影响因素分析[J].医学动物防制，2025，41（7）：654-657, 662.

Wei

, Ma

, Wang

, et al. Analysis of factors influencing the registration of tuberculosis cases in Qinghai Province during the COVID-19 pandemic[J]. Journal of Medical Pest Control, 2025, 41(7): 654-657,662. (In Chinese)

[19]

符振旺，范世恒，李卫霞.海南省2015-2021年乙型肝炎流行病学特征分析及趋势预测[J].中国热带医学，2024，24（2）：143-149.

, Fan

, Li

. Epidemiological characteristics and trend prediction of hepatitis B in Hainan Province,2015-2021[J]. China Tropical Medicine, 2024, 24(2): 143-149. (In Chinese)

[20]

夏爽，汪鹏，吴利沙，等.2005-2023年湖北省武汉市急性乙型肝炎流行特征及发病预测分析[J].疾病监测，2025，40（3）：365-370.

Xia

, Wang

, Wu

, et al. Epidemiological characteristics and incidence prediction of acute hepatitis B in Wuhan, Hubei, 2005-2023[J].Disease Surveillance, 2025, 40(3): 365-370. (In Chinese)

[21]

董邓波，邹圣强，唐舒.2009-2019年中国病毒型肝炎发病的时空流行病学特征分析[J]. 现代预防医学，2024，51（4）：595-601.

Dong

, Zou

, Tang

. Spatio-temporal epidemiological characterisation of viral hepatitis incidence in China,2009-2019[J].Modern Preventive Medicine, 2024, 51(4): 595-601. (In Chinese)

[22]

杨敏雪，于斐，王培生，等.基于ARIMA和LSTM神经网络的乌鲁木齐市乙型肝炎发病预测研究[J].现代预防医学，2022，49（16）：2903-2907.

Yang

, Yu

, Wang

, et al. Prediction study of hepatitis B incidence in Urumqi based on ARIMA model and the LSTM neural network model[J].Modern Preventive Medicine, 2022, 49(16): 2903-2907. (In Chinese)

[23]

Chretien

, George

, Shaman

, et al. Influenza forecasting in human populations: a scoping review[J]. PLOS One, 2014, 9(4): e94130.

2026年第53卷第5期

PDF下载

引用本文

BibTeX

文章信息

doi: 10.20043/j.cnki.MPM.202509171

接收时间：2025-09-13
首发时间：2026-11-02
出版时间：2026-03-10

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-09-13

基金

国家社会科学基金项目(21BRK025)

河北大学多学科交叉研究计划资助项目(DXK202415)

作者信息

^1.河北大学科学与技术创新研究院，河北保定 071000

^2.河北大学统计学系，河北保定 071000

^3.河北省公共卫生安全重点实验室，河北保定 071000

通讯作者:

刘超，E-mail: liuchao003003@126.com

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/xdyfyx/CN/10.20043/j.cnki.MPM.202509171

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

周期序号	起止时间（年/月）	峰值	谷值	峰谷落差	周期长度（月）
1	2015.01—2018.03	151 849	92 978	58 871	39
2	2018.04—2021.12	148 245	63 330	84 915	45
3	2022.01—2025.01	181 006	72 630	108 376	37

周期序号

起止时间（年/月）

峰值

谷值

峰谷落差

周期长度（月）

2015.01—2018.03

151 849

92 978

58 871

2018.04—2021.12

148 245

63 330

84 915

2022.01—2025.01

181 006

72 630

108 376

时间（年/月）	实际发病数	LSTM模型	SARIMA模型
2023/04	142 746	138 972	2.64	144 110	0.96
2023/05	141 492	138 255	2.29	144 096	1.84
2023/06	133 888	137 688	2.84	144 912	8.23
2023/07	151 809	151 135	0.44	158 041	4.11
2023/08	166 606	150 550	9.64	155 393	6.73
2023/09	147 758	143 120	3.14	144 135	2.45
2023/10	152 695	137 538	9.93	134 346	12.02
2023/11	156 977	140 634	10.41	135 813	13.48
2023/12	143 778	140 451	2.31	134 725	6.30
2024/01	159 136	142 295	10.58	133 386	16.18
2024/02	142 012	123 714	12.88	124 275	12.49
2024/03	181 006	166 670	7.92	174 723	3.47
2024/04	168 275	157 132	6.62	162 234	3.5
2024/05	165 333	152 974	7.48	161 934	2.06
MRPE（%）		6.37	6.71
MAE		9 998.727	10 274.03

时间（年/月）

实际发病数

LSTM模型

SARIMA模型

预测值

RPE（%）

预测值

RPE（%）

2023/04

142 746

138 972

2.64

144 110

0.96

2023/05

141 492

138 255

2.29

144 096

1.84

2023/06

133 888

137 688

2.84

144 912

8.23

2023/07

151 809

151 135

0.44

158 041

4.11

2023/08

166 606

150 550

9.64

155 393

6.73

2023/09

147 758

143 120

3.14

144 135

2.45

2023/10

152 695

137 538

9.93

134 346

12.02

2023/11

156 977

140 634

10.41

135 813

13.48

2023/12

143 778

140 451

2.31

134 725

6.30

2024/01

159 136

142 295

10.58

133 386

16.18

2024/02

142 012

123 714

12.88

124 275

12.49

2024/03

181 006

166 670

7.92

174 723

3.47

2024/04

168 275

157 132

6.62

162 234

3.5

2024/05

165 333

152 974

7.48

161 934

2.06

MRPE（%）

6.37

6.71

MAE

9 998.727

10 274.03

时间（年/月）	实际发病数	LSTM模型	SARIMA模型
2024/06	152 225	150 217	1.32	162 268	6.60
2024/07	170 397	162 301	4.75	177 490	4.16
2024/08	163 748	162 444	0.80	176 493	7.78
2024/09	146 669	145 414	0.86	161 190	9.90
2024/10	148 566	137 859	7.21	151 399	1.91
2024/11	154 173	144 145	6.50	152 130	1.33
2024/12	161 938	142 177	12.20	151 957	6.16
2025/01	165 723	146 922	11.34	152 145	8.19
MRPE（%）		5.62		5.75
MAE		8 995		9 104.638

时间（年/月）

实际发病数

LSTM模型

SARIMA模型

预测值

RPE（%）

预测值

RPE（%）

2024/06

152 225

150 217

1.32

162 268

6.60

2024/07

170 397

162 301

4.75

177 490

4.16

2024/08

163 748

162 444

0.80

176 493

7.78

2024/09

146 669

145 414

0.86

161 190

9.90

2024/10

148 566

137 859

7.21

151 399

1.91

2024/11

154 173

144 145

6.50

152 130

1.33

2024/12

161 938

142 177

12.20

151 957

6.16

2025/01

165 723

146 922

11.34

152 145

8.19

MRPE（%）

5.62

5.75

MAE

8 995

9 104.638