高铖铖，陈锡程，张 瑞，宋秋月，易 东，伍亚舟

陆军军医大学 军事预防医学系 军队卫生统计学教研室，重庆400038

2019 年12 月，湖北武汉地区爆发新型冠状病毒性肺炎（Corona Virus Disease 2019，COVID-19）疫情，给我国经济社会造成巨大负面影响[1]。尽早知晓COVID-19的流行趋势有利于更好地控制疾病的传播与进展，进而降低其社会危害[2]。传统的流行病监测系统因数据来源和数据种类较为有限，对于新发性传染病存在一定程度的报告延迟，无法提前对传染病的发生进行有效预警[3]。近年来，利用网络数据监测公共卫生事件的研究逐渐增多，常用的传染病预警模型主要包括支持向量机、神经网络、多元线性回归和时间序列法[4]。其中最小二乘支持向量机（Least Squares Support Veotor Machine，LSSVM）是根据基础模型的改进优化，已广泛运用于各类预警系统[5-7]。实际应用时，LSSVM 核心参数的精确选取将直接影响其泛化性和稀疏性，也是目前LSSVM模型相关研究的重点之一[8-9]。

LSSVM 模型参数选取传统方法主要为经验法、试凑法、交叉验证法等，但上述方法存在计算耗时长、代价大、准确度低等不足，因此很难达到实际应用要求[10]。近年来随着人工智能领域的快速发展，多种新型智能优化算法相继发表，为预测模型的参数选取提供了新的思路。智能优化算法无中心控制，有效增加了模型的鲁棒性，且群体中的合作个体能力简单，具有一定扩充性，大大提高了模型参数寻优的速度和精确性，已成为人工智能研究领域的热点之一[11]。

因此，本研究利用百度指数及疫情数据分析网络健康信息检索数据与发病数据的相关性，构建COVID-19的预警模型以指导疫情常态化防控。……