感染性腹泻周发病例数的PCA-SVM回归预测研究

2016-03-17王永明顾君忠

计算机应用与软件 2016年2期

关键词：感染性气象例数

霍　静　王永明　顾君忠

1(天水师范学院电子信息与电器工程学院　甘肃天水 741001)

2(华东师范大学计算机应用研究所　上海 200062)

感染性腹泻周发病例数的PCA-SVM回归预测研究

霍静1王永明2顾君忠2

1(天水师范学院电子信息与电器工程学院甘肃天水 741001)

2(华东师范大学计算机应用研究所上海 200062)

摘要提出一个使用PCA-SVM进行感染性腹泻周发病例数回归预测方法, 有效避免了BP神经网络模型存在局部极值、多重共线性的问题。以上海市2005年至2008年感染性腹泻周发病例数为样本，建立PCA-SVM回归模型。首先用PCA从统计气象因子中提取气象主成分因子, 去除预报因子多重共线性，得到最终模型的解释变量, 其次采用SVM方法构建上海市感染性腹泻周发病例数预测模型。为了说明该模型有更佳的预测效果，与BP神经网络模型比较拟合及预测结果。数据结果显示PCA-SVM回归模型预测的平均相对误差MAPE、均方误差平方根RMSE(数值分别为0.2694,33.113)均小于BP神经网络(数值分别为0.3745,49.909)，而决定系数R2(数值为0.9089)较BP神经网络(数值为0.8590)更趋近于1。证明PCA-SVM回归模型在感染性腹泻周发病例数预测中具有较高的预测精度和较强的泛化能力，模型对于感染性腹泻周发病例数的预测可靠，对于向公众发布腹泻预报有更好的实用价值。

关键词PCASVM回归感染性腹泻气象资料

RESEARCH ON PCA-SVM REGRESSIVE PREDICTION OF WEEKLY CASES OF INFECTIOUS DIARRHEA

Huo Jing1Wang Yongming2Gu Junzhong2

1(School of Electronic Information and Electronical Engineering,Tianshui Normal University,Tianshui 741001,Gansu,China)2(Institute of Computer Applications,East China Normal University,Shanghai 200062,China)

AbstractWe proposed a regressive prediction method for the weekly cases number of infectious diarrhea using PCA-SVM, which effectively avoids some defects of the BP neural network model like local extremum, multicollinearity. With the weekly cases of infectious diarrhea in Shanghai from the year 2005 to 2008 being the samples, we built the PCA-SVM regressive model. First, we employed PCA to extract meteorological main principal factors from the statistical meteorological factors and removed the multicollinearity from the predictive factors, derived the explanatory variable of the final model. Secondly, we used SVM regression to build the predictive model for weekly cases number of infectious diarrhea in Shanghai. To illustrate the better prediction effect of the model, we compared it with BP neural network model in terms of fitting and prediction results. Numerical results showed that the MAPE and RMSE (0.2694 and 33.113 respectively) predicted by PCA-SVM regression model were all less than those of BP neural network model (0.3745 and 49.909 respectively). Meanwhile, its determination parameter R2(0.9089) was further approaching 1 than that of BP neural network (0.8590). As a result, it is demonstrated in this paper that the PCA-SVM regressive model has higher prediction accuracy and stronger generalisation capability in predicting weekly cases number of infectious diarrhea, the prediction of the model is reliable on the weekly cases number of the disease, and has better practical value in publicising the diarrhea prediction.

KeywordsPCASVM regressionInfectious diarrheaMeteorological data

0引言

全球每年约有30亿～50亿人发生感染性腹泻,死亡人数约为300万[1,2]。研究表明，感染性腹泻的发生、流行与气象因素密切相关[3-5]。感染性腹泻一旦病发，由于其具传染性，会出现流行面广、发病率快的特点。因此探讨有效、准确的预测方法对感染性腹泻的预防控具有重要意义。

目前关于传染病预测主要有三种方法：传染病传播动力学模型[6]，考虑影响传染病发病的因素很多，需要详尽的物理和气象数据，这些数据不容易获得；传统的统计模型[7,8]，其中线性回归建模是最常用的方法，但对疾病建模非线性问题的预测能力并不好；智能计算技术建模，如BPNN神经网络、支持向量机SVM等。

智能计算技术建模方法中，SVM方法已在手写体识别、图像处理、信号处理等应用研究方面取得了显著成果,但在非线性特征十分显著的疾病气象预测领域的应用至今却很少[9]。截止2014年12月，以主题“SVM”在中国知网搜索相关文献，共有文献1 079篇，追加主题“疾病预测”后。检索结果文献仅为19篇。

使用上海市2005至2008年感染性腹泻周发病数和同期气象资料建立智能计算PCA-SVM模型，探讨PCA-SVM在感染性腹泻疾病预测中的可行性。同时与传统BP网络模型做对比，进一步验证PCA-SVM回归模型在腹泻发病例数预测方面的准确性，对于向公众发布腹泻预报有更好的实用价值。

1方法

1.1支持向量机SVM

支持向量机SVM是Vapnik提出的一种在模式识别与机器学习领域中的工具。主要研究在有限数据集的情况下基于数据的机器学习问题，可用于模式分类和非线性回归[10]。支持向量机主要思想是通过预先设定的非线性映射将输入空间的特征向量映射到高维特征空间，建立一个分类超平面作为决策曲面，使得正反例之间的隔离边缘被最大化，避免了在原输入空间中进行非线性曲面分割计算[11]。

(1) SVM体系结构

SVM体系结构如图1所示，其中xi(i=1,2,…,n)是输入变量,K(x,xi)为核函数。常用核函数有线性核函数、多项式核函数、径向基(RBF)核函数、两层感知器核函数等。

图1　SVM体系结构

核函数的选择是 SVM 理论的核心问题。迄今尚没有针对具体问题可以直接构造出最为适合的核函数的完备理论。其中RBF 核属于非线性映射的核函数，可处理非线性可分情况，因而RBF 核通常被优先考虑[12]。

(2) 算法描述及实现[13]

设给定数据集H={(xi,yi)},i=1,2,…,n,其中xi是输入变量，yi是期望输出值，回归估计问题就是寻找该数据集的回归(逼近)函数：

f(x)=wφ(x)+b

(1)

式中，φ(x)是从输入空间到高维特征空间的非线性映射，b是偏移系数。

引入一个松弛变量ξi,度量对约束条件的违反情况并采用结构风险最小化原则,将问题转化为找最小值问题：

式中，w是权向量，C是惩罚参数。由于实际应用中大多数问题线性不可分，故引入满足Mercer条件的函数φ(xi)，将输入空间映射到一个可分的或者近似可分的高维的特征空间。然后在特征空间中，通过二次型寻优得到基于SVM的回归模型：

(2)

式中，φ(xi)·φ(xj)是向量内积运算。用核函数代替内积运算后，拟合函数为：

(3)

1.2主成分分析法(PCA)

数据处理过程中统计数据经常是高维且彼此间存在一定的相关性，这些高维数据所包含的信息在一定程度上有所重叠(冗余)。主成分分析法可以很好地去除这种多重共线性，减少数据维数。

PCA将多个变量经过线性的组合从而得出比较少的几个重要的变量的方法称为主成分分析法[14]。基本思想是提取出多维数据的主要特征(主分量), 保留数据集的对方差贡献最大的特征,去掉数据相关性,在一个低维空间来快速处理数据。

1.3模型拟合检验评价指标

评价模型拟合和外推预测效果的常用评价指标有平均相对误差(MAPE)、均方误差平方根(RMSE)，决定系数R2，计算公式如下[15]：

2基于PCA-SVM腹泻周发病例预测

2.1实验资料和仿真平台

从国家疾病监测信息报告管理系统中获取2005年1月1日至2008 年12月31日临床诊断或实验室确诊上海市感染性腹泻日发病数据并计算出周感染性腹泻发病例数。同期上海地区气象资料则由上海市气象局城市环境气象中心提供，有最高温度(℃)、最低温度(℃)、周平均温度(℃)、最低相对湿度(%)、平均相对湿度 (%)、平均气压(hPa)、降雨量(mm)、平均日照时数 (hr)、平均风速(m/s) 共9个指标。这里2005至2007年共157对数据作为训练样本集，2008年共52对数据作为测试数据集。试验平台采用 Matlab R2013a，结合libsvm工具包。

2.2主成分提取PCA

收集数据集属性值数量级差别很大，绝对值最小0(降雨量)，最大值1039(日平均气压)，模型采用的核函数要做向量内积运算，很容易导致计算复杂，训练时间较长，甚至会导致模型有很大的预测误差，因此，首先将训练样本和测试样本属性值用mapminmax函数进行归一化至0~1。然后求出r矩阵。

气象属性x1、x2、x3有很强正相关性，与气象属性x7有很强负相关性，见表1所示。提示用PCA去除多重共线性，减少冗余。

表1　r矩阵

计算矩阵r的特征值、主成分的方差贡献率、累积贡献率见表2所示，进而提取主成分。从表2中可以看到前3个主成分包含原来4个指标全部信息的96.51%，故选作网络输入(预测因子)。

表2　各主成分的特征值和方差贡献率

2.3训练函数选择和网络参数设置

选用径向基函数做为SVM回归预测模型的核函数,形式为：

K(x,xi)=exp(-γ‖x-xi‖2)γ>0

(4)

式中,xi是输入向量，x是待预报因子向量，γ是核参数，大于0。根据式(3)，选择径向基函数做为SVM回归预测模型的核函数后，进而最终回归函数形式为：

(5)

随参数值选取的不同,函数形态会发生相应的变化,进而引起SVM模型的变化。SVM参数的选择，国际上还没有形成一个统一的模式。最优SVM参数的选择，目前常用的做法有交叉验证与网格搜索法进行参数优化选择[16]。这里基于matlab平台使用libsvm工具包，采用5则交叉验证，在反复试验的基础上确定惩罚系数C=2，g=0.5，可以取得很好的预测结果。

2.4实验结果分析

(1) 模型拟合检验

以2005年至2007年周气象数据和同期感染性腹泻周发病例数对预测模型进行拟合效果检验。取2008年的独立样本数据作为测试样本数据对模型进行外推能力检验。其中训练样本和测试样本的R2分别为0.9169和0.9089，说明拟合程度较好,见表3所示。

表3　PCA-SVM预测训练、测试样本性能指标

(2) BP神经网络

为了检验提出模型预测效果的优劣，这里和传统BPNN预测模型做拟合及预测效果比较。BPBP神经网络是一种前馈型神经网络。学习过程由信号的正向传播和反向传播两个过程组成。正向传播时，输入样本从输入层传人，经各隐含层逐层处理后传向输出层。若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段，误差反传阶段是将输出误差以某种形式通过隐含层向输入层逐层反传，从而获得各层单元的误差信号。此过程一直进行到网络输出的误差减少到可接受的程度,或进行到预先设定的学习时间,或进行到预先设定的学习次数为止[17]。

用libsvm工具包中newff函数建立BP神经网络，采用交叉验证防止训练过程中出现过拟合。通过试错法得BPNN最优网络结构为4-4-1，学习速率设为0.55，目标精度0.00001，训练次数2000次。

(3) 模型预测效果检验

PCA-SVM、BPNN两种模型的预测结果和比较如表4、表5所示，图2为清晰显示预测数值对比结果，表4数据以月统计形式出现，数据取整。从表中数据比较可以看出采用PCA-SVM得到的训练样本及测试样本的MAPE、RMSE均小于BPNN而决定系数R2更接近于1。因此认为提出的PCA-SVM模型较 BPNN有更好的拟合效果及预测效果。

表4　PCA-SVM与BPNN预测

表5　PCA-SVM与BPNN拟合及预测效果比较

图2　PCA-SVM、BPNN对感染性腹泻周发病例数的预测

3结语

气象因素与感染性腹泻发病例数之间为非线性关系，基于SVM的回归预测模型可以很好地处理非线性关系。由于BP神经网络模型存在局部极值、多重共线的问题，提出PCA-SVM预测模型用于感染性腹泻周发病例数的预测模型并与BP神经网络模型进行比较。从表5实验对比结果看出，无论对训练集还是测试集, PCA-SVM预测模型的预测结果均优于BP神经网络模型，比BP神经网络模型更适用于感染性腹泻周发病例数的预测。PCA-SVM能够适应于多因子、多维数及样本数量有限的预测，模型泛化能力好。预测模型应用于感染性腹泻周发病例数的预测具有更高的准确度、更好的预测效果，为感染性腹泻的预测预报提供了新方法。

参考文献

[1] Diarrhoeal disease.World Health Organization[EB/OL].2013.http://www.who.int/mediacentre/factsheets/fs330/en/.

[2] Lin M,Dong B Q.Status in epidemiological research of infectious diarrhea[J].Chin Tropical Med,2008,8(4):675-677.

[3] Loyd S J,Kovats R S,Armstrong B G.Global diarrhoea morbidity,weather and climate[J].Climate Res,2007,34(2):119.

[4] Alexander K A,Carzolio M,Goodin D,et al.Climate change is likely to worsen the public health threat of diarrheal disease in Botswana[J].Internet Environment Res Public Health,2013,10(4):1202-1230.

[5] Kolstad E W,Johansson K A.Uncertainties associated with quantifying climate change impacts on human health:a case study for diarrhea[J].Environmental Health Perspect,2011,119(3):299.

[6] 谢朝晖,黄建始.传染病预测方法的探讨[J].中国全科医学,2008(1):85-87.

[7] Chou W C,Wu J L,Wang Y C,et al.Modeling the impact of climate variability on diarrhea-associated diseases in Taiwan[J].Sci Total Environment,2010,409(1):43-51.

[8] Zhao N,Ma X H,Gan L,et al.Research on the application of Medical-meteorological foreast model of infectious diarrhea disease in Beijing[C]//IEEE Fifth International Conference,2010:149-156.

[9] 冯汉中,陈永义.处理非线性分类和回归问题的一种新方法(Ⅱ)-支持向量机方法在天气预报中的应用[J].应用气象学报,2004,15(3):355-365.

[10] Vapnik V N.An overview of satistical learning theory[C]//IEEE Transactions on Neural Networks,1999,10(5):988-999.

[11] 杨海.SVM核参数优化研究与应用[D].浙江:浙江大学电器工程学院,2014.

[12] 李阳.多核学习SVM算法研究及肺结节识别[D].吉林:吉林大学通信工程学院,2014.

[13] 韩立群.人工神经网络教程[M].北京:北京邮电大学出版社,2006.

[14] 吕建成.神经网络中的若干问题研究[D].成都:电子科技大学,2006.

[15] 徐国祥.统计预测与决策[M].上海:上海财经大学出版社,2008.

[16] 奉国和.SVM分类核函数及参数选择比较[J].计算机工程与应用,2011(3):123-128.

[17] 高菡璐,兰莉,乔东菊.BP神经网络模型用于气象因素对脑出血死亡影响的初步研究[J].中华流行病学杂志,2012(1):937-940.

中图分类号TP391

文献标识码A

DOI:10.3969/j.issn.1000-386x.2016.02.012