Совершенствование системы раннего прогнозирования суточных температур как внешнесредовых факторов риска возможных вспышек инфекционных заболеваний: Сравнение результативности применения моделей ARIMAи Prophet

Файл статьи: 
Иконка PDF health-risk-analysis-2026-3-12.pdf
УДК: 
614.44:616-036.22-037:519.246
DOI: 
10.21668/health.risk/2026.3.12
Авторы: 

Х. Али1,2, И. Маруфи3, Л.Ф. Нурайдах4, И.М.Д.М. Адияна5, С. Паудель6

Организация: 

1Университет генерала Судирмана, Индонезия, 53122, г. Пурвокерто, ул. Профессора Х.Р. Беньямин, 708
2Отделение клинических исследований Оксфордского университета в Индонезии, Индонезия, 12950, Южная Джакарта, ул. Мега Кунинган Барат III, 10, стр. 1–6
3Университет Джембера, Индонезия, 68121, г. Джембер, ул. Калимантан, 37
4Университет Айрлангга, Индонезия, 60115, г. Сурабая, ул. Айрлангга, 4–6
5Индонезийский индуистский университет, Индонезия, 80238, Бали, г. Денпасар, ул. Сангалангит, Тембау, Пенатих
6Лондонская школа гигиены и тропической медицины, Великобритания, WC1E 7HT, г. Лондон, ул. Кеппел

Аннотация: 

Эффективное управление рисками инфекционных заболеваний все в большей степени зависит от точного прогнозирования внешнесредовых условий. В Индонезии, как и в других регионах, температура воздуха играет важную роль в биологии переносчиков инфекционных заболеваний и выступает основным фактором риска передачи патогенов. Однако в Индонезии прогнозирование суточных температур связано с серьезными проблемами ограниченного доступа к данным и их низкого качества. Целью настоящего исследования являлся выбор оптимальной системы предсказания суточных температур (на примере региона Сурабайе, Индонезия) для потенциального применения в рамках мониторинга климат-чувствительных инфекционных заболеваний.

Проведено сравнение методов прогнозирования с применением моделей Facebook Prophet и ARIMA (авторегрессионное интегрированное скользящее среднее). В моделировании с применением обоих методов использовались данные о суточных температурах за период с 2019 по 2024 г. при постоянных условиях. Обучающие выборки были разделены на краткосрочный (2022–2023) и долгосрочный (2019–2023) периоды, а данные 2024 г. применялись для оценки достоверности за пределами выборки.

В ходе исследования обнаружено, что модель Facebook Prophet была способна эффективно отображать сезонные тренды в температурах, но отличалась постоянной меньшей результативностью по сравнению с моделью ARIMA. Количественно модели ARIMA достигали уровня среднеквадратической ошибки (RMSE) на 16,7–17,0 % ниже и средней абсолютной ошибки (МАЕ) – на 18,8–20,9 % ниже во всех сценариях. Краткосрочные модели ARIMA (0, 1, 2) и долгосрочные модели ARIMA (4, 0, 3) показали удовлетворительный результат прогно-зирования с величиной ошибки, не превышающей 0,53 °C, то есть в рамках порога чувствительности относительно передачи вируса лихорадки Денге. Результативность сохранялась на высоком уровне вне зависимости от величины обучающей выборки.

Статистические тесты подтвердили наличие значительных отличий в результативности моделей, которая была выше у моделей ARIMA. Устойчивость модели, даже при применении данных за более короткий период, дает обоснование для ее применения в системах раннего оповещения о возможных вспышках инфекционных заболеваний, в особенности в условиях ограниченности ресурсов. В будущем исследования должны концентрироваться на интеграции данных моделей в инфраструктуру мониторинга заболеваний и изучать влияние изменения климатических условий на точность прогнозирования, обеспечивая целевой своевременный контроль над переносчиками инфекций, картирование рисков вспышек инфекционных заболеваний и интеграцию систем раннего оповещения в управление рисками инфекционных заболеваний.

Ключевые слова: 
прогнозирование, инфекционные заболевания, анализ временных рядов, температура, внешнесредовые факторы риска, мониторинг в здравоохранении, ARIMA, Facebook Prophet
Совершенствование системы раннего прогнозирования суточных температур как внешнесредовых факторов риска возможных вспышек инфекционных заболеваний: сравнение результативности применения моделей ARIMA и Prophet / Х. Али, И. Маруфи, Л.Ф. Нурайдах, И.М.Д.М. Адияна, С. Паудель // Анализ риска здоровью. – 2026. – № 3. – С. 127–138. DOI: 10.21668/health.risk/2026.3.12
Список литературы: 
  1. Fine-scale variation in microclimate across an urban landscape shapes variation in mosquito population dynamics and the potential of Aedes albopictus to transmit arboviral disease / C.C. Murdock, M.V. Evans, T.D. McClanahan, K.L. Miazgowicz, B. Tesla // PLoS Negl. Trop. Dis. – 2017. – Vol. 11, № 5. – P. e0005640. DOI: 10.1371/journal.pntd.0005640
  2. Rafii F., Kechadi T. Collection of Historitical Weather Data: Issues with Missing Value // SCA '19: Proceedings of the 4th International Conference on Smart City Applications. – 2019. – P. 8. DOI: 10.1145/3368756.3368974
  3. Global Expansion and Redistribution of Aedes-Borne Virus Transmission Risk with Climate Change / S.J. Ryan, C.J. Carlson, E.A. Mordecai, L.R. Johnson // PLoS Negl. Trop. Dis. – 2019. – Vol. 13, № 3. – P. e0007213. DOI: 10.1371/journal.pntd.0007213
  4. Development of Typical Meteorological Years based on Quality Control of Datasets in Indonesia / I.D.G.A. Putra, H. Nimiya, A. Sopahelluwakan, T. Kubota, H.S. Lee, R. Putra Pradana, M.N.F. Alfata, R.B. Perdana [et al.] // Renewable Energy. – 2024. – Vol. 221. – P. 119699. DOI: 10.1016/j.renene.2023.119699
  5. Spatio-Temporal Characteristics of Urban Heat Island of Jakarta Metropolitan / S. Siswanto, D.E. Nuryanto, M.R. Ferdiansyah, A.D. Prastiwi, O.C. Dewi, A. Gamal, M. Dimyati // Remote Sensing Applications: Society and Environment. – 2023. – Vol. 32. – P. 101062. DOI: 10.1016/j.rsase.2023.101062
  6. Spatio and Temporal Analysis of Indonesia Land Surface Temperature Variation During 2001–2020 / M. Munawar, T.A.E. Prasetya, R. McNeil, R. Jani, S. Buya // J. Indian Soc. Remote Sens. – 2023. – Vol. 51, № 7. – P. 1393–1407. DOI: 10.1007/s12524-023-01713-0
  7. Wilson G.T. Time Series Analysis: Forecasting and Control, 5th Edition, by George E.P. Box, Gwilym M. Jenkins, Gregory C. Reinsel and Greta M. Ljung, 2015. Published by John Wiley and Sons Inc., Hoboken, New Jersey, pp. 712. ISBN: 978-1-118-67502-1: Book Review // Journal of Time Series Analysis. – 2016. – Vol. 37, № 5. – P. 709–711. DOI: 10.1111/jtsa.12194
  8. Artificial intelligence and numerical weather prediction models: A technical survey / M. Waqas, U.W. Humprhies, B. Chueasa, A. Wangwongchai // Natural Hazards Research. – 2025. – Vol. 5, № 2. – P. 306–320. DOI: 10.1016/j.nhres.2024.11.004
  9. Taylor S.J., Letham B. Forecasting at Scale // The American Statistician. – 2018. – Vol. 72, № 1. – P. 37–45. DOI: 10.1080/00031305.2017.1380080
  10. A Review of ARIMA vs. Machine Learning Approaches for Time Series Forecasting in Data Driven Networks / V.I. Kontopoulou, A.D. Panagopoulos, I. Kakkos, G.K. Matsopoulos // Future Internet. – 2023. – Vol. 15, № 8. – P. 255. DOI: 10.3390/fi15080255
  11. Ürkmez E. A Comparative Analysis of Artificial Neural Networks and Time Series Models in Exchange Rate Fore-casting // In book: Machine Learning in Finance. – 2025. – P. 71–85. DOI: 10.1007/978-3-031-83266-6_5
  12. Oktavia F., Witanti A. Implementasi Prohet Forcasting Model dalam Prediksi Kualitas Udara Daerah Istimewa Yog-yakarta // Jurnal Teknik Informatika dan Sistem Informasi. – 2024. – Vol. 11, № 1. – P. 64–74. DOI: 10.35957/jatisi.v11i1.6804
  13. A New Approach for Short-term Time Series Forecasting / H. Fan, S. Wu, N. Chen, B. Gao, Y. Xu // IOP Conf. Ser.: Mater. Sci. Eng. – 2019. – Vol. 646. – P. 012015. DOI: 10.1088/1757-899X/646/1/012015
  14. Monthly Rainfall Prediction Using the Facebook Prophet Model for Flood Mitigation in Central Jakarta / A. Sulasikin, Y. Nugraha, J.I. Kanggrawan, A.L. Suherman // 2021 International Conference on ICT for Smart Society (ICISS). – 2021. – P. 1–5. DOI: 10.1109/ICISS53185.2021.9532507
  15. Thermal biology of mosquito‐borne disease / E.A. Mordecai, J.M. Caldwell, M.K. Grossman, C.A. Lippi, L.R. John-son, M. Neira, J.R. Rohr, S.J. Ryan [et al.] // Ecol. Lett. – 2019. – Vol. 22, № 10. – P. 1690–1708. DOI: 10.1111/ele.13335
  16. Impact of Extreme Weather on Dengue Fever Infection in Four Asian Countries: A Modelling Analysis / Y. Wang, Y. Wei, K. Li, X. Jiang, C. Li, Q. Yue, B.C.-Y. Zee, K.C. Chong // Environ. Int. – 2022. – Vol. 169. – P. 107518. DOI: 10.1016/j.envint.2022.107518
  17. World Meteorological Organization (WMO). Report of the Thirteenth GCOS Reference Upper Air Network Imple-mentation Coordination Meeting (GRUAN ICM-13): Virtual Session 15–19 November 2021 [Электронный ресурс] // GRUAN. – 2022. – URL: https://www.gruan.org/gruan/editor/documents/gcos/GCOS-242_GRUAN_ICM-13.pdf (дата обращения: 20.11.2025).
  18. El Niño–Southern Oscillation Complexity / A. Timmermann, S.-I. An, J.-S. Kug, F.-F. Jin, W. Cai, A. Capotondi, K.M. Cobb, M. Lengaigne [et al.] // Nature. – 2018. – Vol. 559, № 7715. – P. 535–545. DOI: 10.1038/s41586-018-0252-6
  19. Climate impacts of the El Niño–Southern Oscillation on South America / W. Cai, M.J. McPhaden, A.M. Grimm, R.R. Rodrigues, A.S. Taschetto, R.D. Garreaud, B. Dewitte, G. Poveda [et al.] // Nat. Rev. Earth Environ. – 2020. – Vol. 1. – P. 215–231. DOI: 10.1038/s43017-020-0040-3
  20. The Effect of Temperature on Anopheles Mosquito Population Dynamics and the Potential for Malaria Transmission / L.M. Beck-Johnson, W.A. Nelson, K.P. Paaijmans, A.F. Read, M.B. Thomas, O.N. Bjørnstad // PLoS One. – 2013. – Vol. 8, № 11. – P. e79276. DOI: 10.1371/journal.pone.0079276
  21. Bellone R., Failloux A.-B. The Role of Temperature in Shaping Mosquito-Borne Viruses Transmission // Front. Microbiol. – 2020. – Vol. 11. – P. 584846. DOI: 10.3389/fmicb.2020.584846
  22. Transmission of West Nile and five other temperate mosquito-borne viruses peaks at temperatures between 23°C and 26°C / M.S. Shocket, A.B. Verwillow, M.G. Numazu, H. Slamani, J.M. Cohen, F.E. Moustaid, J. Rohr, L.R. Johnson, E.A. Mordecai // eLife. – 2020. – Vol. 9. – P. e58511. DOI: 10.7554/eLife.58511
  23. The Graded Heat-Health Risk Forecast and Early Warning with Full-Season Coverage Across China: A Predicting Model Development and Evaluation Study / Q. Wang, C. Chen, H. Xu, Y. Liu, Y. Zhong, J. Liu, M. Wang, M. Zhang [et al.] // Lancet Reg. Health West. Pac. – 2025. – Vol. 54. – P. 101266. DOI: 10.1016/j.lanwpc.2024.101266
  24. Forecast Skill Assessment of an Operational Continental Heat-Cold-Health Forecasting System: New Avenues for Health Early Warning Systems / M. Quijal-Zamorano, D. Petrova, E. Martinez-Solanas, F.R. Herrmann, X. Rodó, J.-M. Robine, M. Marí-Dell'Olmo, H. Achebak, J. Ballester // Sci. Adv. – 2024. – Vol. 10, № 46. – P. eado5286. DOI: 10.1126/sciadv.ado5286
  25. Innovative Strategies and Challenges Mosquito-Borne Disease Control Amidst Climate Change / Y. Zhang, M. Wang, M. Huang, J. Zhao // Front. Microbiol. – 2024. – Vol. 15. – P. 1488106. DOI: 10.3389/fmicb.2024.1488106
  26. Projecting the Risk of Mosquito-Borne Diseases in A Warmer and More Populated World: A Multi-Model, Multi-Scenario Intercomparison Modelling Study / F.J. Colon-Gonzales, M.O. Sewe, A.M. Tompkins, H. Sjödin, A. Casallas, J. Rocklöv, C. Caminade, R. Lowe // Lancet Planet. Health. – 2021. – Vol. 5, № 7. – P. e404–e414. DOI: 10.1016/S2542-5196(21)00132-7
Получена: 
24.11.2025
Одобрена: 
15.06.2026
Принята к публикации: 
27.09.2026

Вы здесь

Главная