论文部分内容阅读
气象因素对慢性病的发作具有重要的影响,采用科学方法研究与慢性病发作有关的健康影响因子,可以为公共卫生负担提供有价值的信息,帮助公共卫生和环境部门合理规划,及时向公众传播气候变化的应对措施。本研究以甘肃省四个不同气候的代表性地区的气象因素和同期若干慢性病(肺心病和高血压)门诊量的数据为研究对象。首先,对GAM模型进行优化,结合DLNM模型,对二者之间的暴露-反应关系和滞后效应进行研究;然后,提出一种神经网络补偿灰色周期外延算法,解决了该时间序列的周期波动性问题,提高了门诊量的预测精度。论文的主要工作为:首先,采用描述性统计分析法,相关性分析和主成分分析法对甘肃省四个代表性区域(凉州区,白银,庆城和成县地区)2014-2016年的日气象数据及同时期的慢性病(肺心病和高血压)日门诊人数数据进行初步分析,得到影响慢性病的主要气象因素。然后,对GAM模型进行光滑度优化和共曲线性优化,结合DLNM模型,建立气象因素和慢性病门诊量二者之间的关系模型,并将其应用在四个代表性地区上。优化后的GAM模型的GCV和K-index两个指标均表明建立的模型光滑度足够,共曲线性程度降低,模型效果较好;实验结果表明四个地区地域和气候差异不同,因此温度对两种慢性病的影响程度各不相同,但气温在不同的滞后时间对肺心病和高血压的影响关系均是非线性的,对低温和高温都呈现出缓慢的滞后效应,滞后影响图大都呈“U”型。最后,针对门诊量预测精度低的问题,提出了一种神经网络补偿灰色周期外延算法,该算法主要考虑了门诊量的季节性周期波动性。通过将本文提出的算法与GM(1,1)模型和灰色周期外延模型进行对比,结果表明:GM(1,1)模型的预测结果的平均相对误差为6.6487%,灰色周期外延模型预测结果的相对误差为6.1211%,而本文提出的BP神经网络补偿周期外延算法预测结果的平均相对误差为1.1892%,并且本文算法的三个精度评价指标与其他两个相比均下降了50%以上。再将此算法应用在甘肃省四个代表性地区的肺心病和高血压人数上,进行了预测分析。将该方法的预测结果与前文的暴露-反应关系和滞后效结合考虑,可为政府部门和流行病学的防控措施提供可有效的科学依据。