基于遗传算法优化小波神经网络的传染病发病率预测模型研究-公共卫生专业论文.docxVIP

重庆 重庆医科大学硕士研究生学位论文 万方数据 万方数据 英汉缩略语名词对照 英文缩写 英文全称 中文全称 GA Genetic Algorithm 遗传算法 ANN Artificial Neural Network 人工神经网络 BPNN Back Propagation Neural Network BP 神经网络 WBPNN Wavelet Back Propagation Neural Network 松散型小波神经网络 GABPNN GAWBPNN Back Propagation Neural Network Optimized by Genetic Algorithm Wavelet Back Propagation Neural Network Optimized by Genetic Algorithm 遗传算法优化 BP 神经网络 遗传算法优化 小波神经网络 MSE Mean Square Error 均方误差 MAE Mean Absolute Error 平均绝对误差 MAPE Mean Absolute Percentage Error 平均绝对百分比误差 RSR Rank-sum Ratio 秩和比法 CI Confidence Interval 可信区间 GM Grey Model 灰色模型 GRNN General Regression Neural Network 广义回归神经网络 Autoregressive Integrated Moving Average ARIMA  Model 自回归移动平均模型 1 基于遗传算法优化小波神经网络的传染病发病率预测 模型研究 摘 要 部分已知传染病可对人类造成重度伤害或是可能引发大流行，因 此许多国家借用政府的公权力，协助医疗体系严密监控这类疾病的发 生及后续发展，避免疫情扩大，这些传染病特称为法定传染病。《传染 病防治法》将全国发病率较高、流行面较大、危害严重的 39 种急性和 慢性传染病列为法定管理的传染病，并根据其传播方式、速度及其危 害程度，分为甲、乙、丙三类。我国传染病疫情监测数据的收集实行 属地化管理制度，2004 年 1 月 1 日起全国实行传染病网络直报。各级 各类责任报告单位网上直报，实行以县级审核为主，各级按权限分享 数据的方式，实现了传染病报告卡的网络实时录入直报、实时查询与 分析。目前我国主要的传染病监测数据为法定传染病报告数据，基于 历史发病数据的时间序列预测分析，准确预测传染病发病率是卫生资 源科学规划、决策的重要前提。 本研究利用小波分析和遗传算法对 BP 神经网络进行优化，建立基 于遗传算法优化小波神经网络的传染病发病率预测模型，并通过实例 验证，比较不同预测模型的预测效果，探讨预测模型进行传染病发病 率预测的可行性，从而使传染病防控工作具有科学的指导依据。 2 本研究以国家卫计委疾病预防控制局官方网站发布的 2005 年 1 月 至 2014 年 12 月全国法定传染病疫情报告数据和《中国统计年鉴》年 初人口数和年末人口数为基础，获取乙类传染病中报告发病数居前三 位的病种——肺结核、乙型肝炎和梅毒的全国月报告发病率作为预测 模型的实例验证对象，在 MATLAB 平台上采用 BP 神经网络（BPNN）、 松 散 型 小 波 神 经 网 络 （ WBPNN ）、 遗 传 算 法 优 化 BP 神 经 网 络 （GABPNN）和遗传算法优化小波神经网络（GAWBPNN）共四种预 测模型分别对三种传染病的全国月报告发病率进行预测，并通过比较 不同预测模型的预测效果对各预测模型进行评估。 对肺结核、乙型肝炎和梅毒三种传染病，均以各自 2005 年 1 月至 2013 年 12 月的全国月报告发病率建立模型，并对 2014 年 1-12 月的全 国月报告发病率开展预测，以 2014 年 1-12 月的实际全国月报告发病率 为参照值来验证预测模型的可靠性，评价指标为均方误差(MSE)、平均 绝对误差(MAE)和平均绝对百分比误差(MAPE)，其中无量纲的指标 MAPE≤10%时表示预测模型具有高精度预测能力。采用秩和比法对各 指标在各预测模型中的平均秩次（R）来进行综合评价，比较四种模型 预测效果的优劣。 对于 2014 年肺结核全国月报告发病率，其中 BPNN 预测模型的预 测误差为 MSE=0.2225，MAE=0.4275，MAPE=5.95%；WBPNN 预测 模 型 的 预 测 误 差 为 MSE=0.1000 ， MAE=0.2562 ， MAPE=3.58% ； GABPNN 预 测 模 型 的 预 测 误 差 为 MSE=0.1527 ， MAE=0.2793 ， MAPE=3.95% ； GAWBPNN