CEEMDAN分解结合KOA优化深度学习预测中国乙型肝炎报告病例（2004-2027）
核心概要
该研究汇总2004年1月至2025年12月中国大陆全国月度乙肝报告病例序列，用CEEMDAN分离多尺度时间成分，并以KOA优化GRU、CNN、SVM与Transformer编码器四种模型，在12个月滑动窗口上递归外推24个月，结果显示Transformer在留出测试集上拟合最佳（MAE=3105.508、MAPE=0.024、RMSE=4071.901、R²=0.928），SVM次之，CNN优于GRU但不及SVM，2026-2027年预测值仍处高位，提示改善有限甚至可能回升。
深度剖析
将CEEMDAN多尺度分解与KOA超参数优化结合，用于全国乙肝月度报告序列的短期至中期预测。 相对单一模型或未分解的时序建模，该框架先分离多尺度时间成分再训练四类模型，并统一用KOA调参。 基于2004-2025年全国月度序列，采用12个月滑动窗口与24个月递归外推，并在训练、验证、测试划分上评估。
在留出测试集上，Transformer编码器取得最佳样本外拟合，SVM居次，CNN优于GRU但弱于SVM。 给出了四类模型在同一分解特征与同一优化流程下的可比排序，而非仅报告单一模型结果。 Transformer的MAE=3105.508、MAPE=0.024、RMSE=4071.901、R²=0.928；SVM的MAE、MAPE、RMSE分别比Transformer高11.317%、11.615%、9.964%；CNN相对GRU的MAE、MAPE、RMSE分别降低21.985%、22.178%、14.944%，R²大6.158%。
2026-2027年预测显示报告病例数仍处高位，提示改善有限甚至可能回升。 把建模结果延伸到未来两年，为诊断、照护路径、抗病毒药物供应与针对性预防的资源规划提供前瞻参考。 基于递归外推的24个月预测区间，属于模型输出而非观测数据。
启示与展望
该结果适用于中国大陆全国月度乙肝报告病例的短期至中期预测场景，服务于诊断规划、照护路径、抗病毒药物供应与针对性预防等资源安排；其框架思路也可为其他法定传染病的监测预测提供参照。
2026-2027年预测为递归外推结果，其高位判断取决于报告实践、慢性 reservoir 与免疫背景等条件是否延续；读者可关注后续观测数据是否与预测区间一致，以及不同分解与优化设置下模型排序是否稳定。