使用多阶段 ABC-GWO 算法优化的 SEIRQ-ARIMA 混合模型对手足口病传播进行实时动态预测

这对日常健康为何重要

手足口病（HFMD）是常见的儿童疾病，可能在不经意间给家庭、学校和医院带来压力。仅在中国广西地区，2014年至2020年就报告了超过12万例病例，主要集中在五岁以下儿童。本研究提出了一个非常实用的问题：如果将实时传感器、智能算法和疾病模型结合起来，能否更准确地预测手足口病暴发并更明智地使用隔离措施——以节省开支并避免不必要的干扰？

从简单曲线到智能预测

传统的流行病模型将人口划分为“易感”、“感染”和“康复”等群体，然后使用固定参数来描绘疫情的升降。这些模型有助于理解总体趋势，但它们假设环境不变：人们全年行为一致、气候不发生变化、以及像隔离这样的控制措施保持不变。实际上，广西的手足口病在潮湿的夏季高发，在较凉的月份下降，并在春节等假期期间因家庭出行而激增。固定参数模型难以跟随这些波动，经常在幼儿园等地点漏判集群性暴发，误差超过30%。

传感器能观察到什么

研究人员基于广西已在扩展使用的“物联网”网络开展工作。数百家医院、幼儿园和交通枢纽配备了监测温度、湿度、人群密度和人员流动的设备。其他传感器则追踪隔离措施的实施情况——有多少儿童留在家中、被隔离者离开房间的频率、以及教室或候诊室的拥挤程度。这些数据流在数分钟内到达，和纸质记录交叉核对，精确到足以发现诸如在异常潮湿的夏季缩短的手足口病潜伏期等效应。简言之，传感器捕捉到了影响病毒传播速度的动态条件。

一种新的疾病追踪方式

利用这些数据，团队将经典模型升级为 SEIRQ 框架，增加了单独的被隔离感染者群体。关键参数——病毒传播的易感性、暴露儿童发病的速度、患者康复速度以及被成功隔离的感染儿童比例——不再被视为固定不变，而是允许随时间变化，并直接由传感器读数和官方健康记录引导。为调优该动态模型，作者结合了两种“仿生”优化方法：一种模仿蜜蜂如何侦察并分享食源信息，另一种模拟狼群如何协同搜索猎物。分阶段工作时，蜜蜂式算法探索众多参数组合，狼群式算法随后精炼最有前景的组合。这有助于避免在噪声很大的真实数据中陷入误导性的局部模式。

将物理机制与数据模式融合

即便是精心调优的疾病模型也可能留下数据中无法解释的小幅波动——由校历或突发出行高峰引起的短期跳升与回落。为捕捉这些细粒度的时间模式，作者将他们的 SEIRQ 模型与一种广为人知的统计预测工具 ARIMA 配对，后者善于学习时间序列中的周期性规律。他们并未采用会掩盖机制的黑箱神经网络，而是透明地融合了两种模型：最终预测是机械性 SEIRQ 曲线和 ARIMA 预测的加权混合。在对 2014–2020 年广西手足口病数据的测试中，这种混合方法几乎消除了预测误差，将一种关键误差度量相比单独使用任一模型减少了约95%。

这对隔离政策的意义

由于模型明确跟踪了隔离状况，它可以把“我们该多严格？”转化为具体数字。分析表明，在广西，将感染儿童的有效隔离率提高到约40%可以使一次手足口病波的峰值下降超过一半，同时带来约1单位支出换取近9单位避免损失的有利成本效益比。远远超过这一水平会带来边际回报递减和成本快速上升，而低于这一水平则会留下许多本可预防的感染。对决策者而言，教训既简单又有力：通过将传感器数据接入透明且经过精细校准的混合模型，可以有针对性地选择隔离时机和对象，从而在不采取全面封锁的情况下显著减少儿童疾病和医疗负担。

引用: Zeng, Z., Sathasivam, S., Xin, J. et al. Real-time dynamic prediction of HFMD transmission using SEIRQ-ARIMA hybrid model optimized by multi-stage ABC-GWO algorithm. Sci Rep 16, 9043 (2026). https://doi.org/10.1038/s41598-026-35833-7

关键词: 手足口病, 物联网 疫情监测, SEIR 建模, 时间序列 预测, 隔离 优化