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

Эффективное управление рисками инфекционных заболеваний все в большей степени зависит от точного про-гнозирования 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 (авторе-грессионное 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.