摘要：[目的] 探索应用机器学习预测流感这类公共卫生风险的可行性和有效性。[方法] 首先，收集2009—2016年兰州市的流感和气象数据，拆分成2009—2015年和2016年两组，分别作为训练和验证数据；然后，分别基于SARIMA、Kalman Filter和VAR建立三种机器学习预测方法，并设计两种多方法联合预测策略；最后，评估、比较上述方法（策略）的预测性能。[结果]在设定的全期（WP）、暴发期（OP）和稳定期（SP）三种场景下，SARIMA、VAR和Kalman Filter方法的预测效果依次最好(RMSE分别为11.68、19.23、1.60；R2分别为0.932、0.923、0.956)；多方法联合策略可进一步提升三种场景下的预测效果，其中联合策略Comb-2的表现更好(RMSE分别为10.82、14.68、1.38；R2分别为0.942、0.934、0.963)。[局限] 相关数据限制，主要考虑了气象一类外部相关因素。[结论] 应用机器学习预测流感等公共卫生风险具有可行性和有效性，且潜力巨大。但目前面临的主要困境是多源数据缺乏，需要从技术、组织和制度层面打破数据壁垒，推动数据共享与开放。

关键词：机器学习；流感预测；公共卫生风险；风险预测；

基金资助：国家自然科学基金项目“空间受限大型复杂项目的安全与进度集成管理研究”（项目编号：71472079）；国家中央高校基本科研业务费重点项目“创新驱动的我国建筑业转型发展研究”（项目编号：18LZUJBWZD07；教育部哲学社会科学重大课题攻关项目“大数据驱动的城市公共安全风险研究”（项目编号：16JZD023）。

原文下载地址：http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2021/V5/I1/90