目的:1.基于Cite Space软件,运用知识图谱分析总结流感预测方法,阐明各类预测方法在流感预测中的进展、热点及未来趋势。2.基于江西省流感样病例监测数据,分析江西省流感样病例的流行病学特征。3.基于流感样病例数据,利用R软件和Python软件,建立三种预测模型并进行对比分析,为江西省流感防控提供科学的理论依据。方法:1.检索Web of Science的核心合集数据库收录的有关人群流感预测方法的英文文献,检索时间为2003年1月至2023年2月。运用Microsoft Excel 2016和Cite Space 6.1.R6对文献发文量、国家、关键词进行分析。2.收集江Bucladesine细胞培养西省2004-2018年的流感样病例监测月数据,采用描述性统计学方法对数据进行分析。3.将2004年1月-2017年12月流感数据设为训练集,2018年1月-12月数据设为测试集。基于2004-2017年江西省流感样病例月监测数据,运用R4.2.2软件的集成开发环境RStudio建立SARIMA(Seasonal Autoregressive Integrated Moving Average)模型,使用Python 3.9软件的集成开发环境Py Charm建立RNN(Recurrent Neural rifamycin biosynthesisNetworks)和BIRNN(Bi-directional Recurrent Neural Networks)模型,对2018年江西省流感样病例数据进行预测并与实际值对比。使用平均绝对误差(MAE)、均方根误差(RMSE)以及平均绝对百分比误差(MAPE)评价三种模型的预测能力。结果:1.2003-2023年共检索到与流感预测相关领域的文献351篇。发文趋势:2003-2015年为迟缓期,发文量从每年0篇增至24篇;2016-2023年为快速增长期,发文量最多增至每年51篇。流感预测方法相关研究的突现关键词共25个,早期以“影响”、“死亡率”、“肺炎”为主,近期以“流感样病例”、“深度学习”、“机器学习”为主,且“影响”关键词排在突现关键词首位。2.2004-2018年江西省流感样病例症状监测共报告87306例,年均流感样病例发病率为1.72%,2009年、2018年流感呈现明显流行趋势。江西省流感呈现明显的季节周期性,周期为一年,同时每年12月至次年3月为高峰、7月份出现次高峰的规律,即江西省流感的主要高发季节为冬春季,夏季会出现一个小高峰。3.根据训练集数据建立3种预测模型:SARIMA(0,1,2)(0,0,1)_(12)模型、RNN模型和BIRNN模型。经过对3个模型的比较,SARIMA模型的预测趋势与实际流感样病例数存在一定的偏差,但仍可以作为江西省未来流感发病趋势的重要参考;RNN和BIRNN模型预测结果与实际流感样病例数的变化趋势相当接近,因此可以更准确地预测江西省的流感发病情况。从预测性能来看,BIRNN模型的预测性能最好,其MAE、RMSE和MAPE分别为97.2、117.29、7.54,较SARIMA模型分别降低了11.82%、33.05%、82.28%,表现出显著的改善。结合MAE、RMSE、MAPE和预测图看,RNN模型和BIRNN模型的预测性能均优于SARIMA模型,BIRNN模型的预测性能最佳。结论:1.通过知识图谱方法分析发现,针对流感人群监测数据点击此处的预测方法,从传统的回归模型、时间序列模型逐渐过渡为预测性能更高的机器学习方法,从单一模型向多因素模型发展。2.经过比较,RNN和BIRNN模型的预测表现明显优于SARIMA模型,尤其是BIRNN模型,它的精确度更高,可以更加准确地预测江西省的流感样病例发生情况,从而为当地的流感防控工作提供强大的理论依据。3.通过3种模型对比发现,神经网络模型的预测性能更好,希望未来能够将此类预测模型用于江西省流感预测网络的建立,为江西省流感防控做出更精准的理论指导。