传染病每年在全球范围内不仅夺走数以百万计的生命，还会给经济发展和社会稳定带来难以估量的损失。对传染病进行及时的预测与研判，有利于公共卫生部门在传染病暴发时衡量传播风险，合理分配防疫资源，尽早遏制传染病的人际传播。

常用的传染病预测算法多为改进的自回归模型或传播动力学模型。这些模型具有建模能力不足、依赖先验知识等缺点。近年来，深度学习模型开始被应用于传染病预测领域，并取得了优于传统预测算法的表现。但深度学习模型应用于传染病预测领域尚处于早期探索阶段，面临着模型结构设计与传染病的领域知识融合不紧密、传染病时序数据稀疏且非平稳、模型的误差衡量指标与公共卫生管理目标不一致等问题。这些问题阻碍了深度学习模型在传染病预测领域的推广，也限制了模型预测精度的提高。所以，传染病多元时间序列预测的深度学习方法研究应该结合流行病学知识，重视传染病时序中蕴含的异质性问题，将深度学习模型与公共卫生管理决策相融合。

基于以上的研究背景，本文将多年龄组人群的免疫异质性、人群交互模式、公共卫生管理决策需求等领域知识和深度学习模型的设计相结合，使深度学习模型更适用于传染病的多元时间序列预测问题。本文的主要工作和创新点归纳如下：

（1）探究多年龄组人群的免疫异质性对预测的影响，验证了深度学习模型在长期预测中的鲁棒性，并提出了符合公共卫生决策需求的误差衡量指标。手足口病（Hand, foot and mouth disease, HFMD）是对0到6岁的低龄儿童危害性最大的丙类传染病，不同年龄的儿童对病毒的免疫力存在差异，所以HFMD的多年龄组发病时序呈现出不同的峰值时间和峰值规模。本文利用深度学习模型，融合HFMD三个年龄组的时序特征和免疫特性，将峰值时间和峰值规模的预测误差作为新的衡量指标，与多元自回归模型进行对比。实验发现，在短期预测任务中，深度学习模型的各项指标普遍优于自回归模型；在长期预测任务中，自回归模型的预测误差随预测步长的增加而快速增大，而深度学习模型的预测性能则呈现出鲁棒性。

（2）探究多年龄组人群的交互特征对预测精度的影响，并提出了一种自适应的图卷积深度学习预测模型（Adaptively temporal graph convolution model, ATGCN）。新型冠状病毒肺炎疫情（Corona Virus Disease 2019，COVID-19）是百年以来全球最严重的公共卫生危机，科学界亟需对疫情趋势做出准确研判。通过对COVID-19流行病学参数的荟萃分析和对多年龄组易感人群的交互特征的调研，本文发现人群交互是疫情预测建模的主要因素，因此提出了基于多年龄组交互特征的ATGCN模型。以美国马里兰州的九个年龄组的新增确诊病例为研究对象，ATGCN将多年龄组的发病时序刻画为全连接的有向图，自适应地学习多年龄组之间的交互矩阵，并将其应用于图卷积预测模块。实验结果显示，在长期预测任务中，ATGCN模型的预测精度比自回归模型、深度序列学习模型分别提高了12.4%和40.9%；和基于专家经验的交互矩阵相比，自适应学习交互矩阵的ATGCN模型的预测精度提高了8.1%，这表明多年龄组的交互特征有效地融合了多元发病时序的信息，提高了模型的预测精度。

综上，本文探究了深度学习模型在传染病多元时序预测领域的应用价值。以HFMD和COVID-19为案例研究对象，创新地将易感人群的免疫异质性和交互特征等领域知识与深度学习模型结合起来，有效地提高了深度学习模型的预测精度，推动了深度学习模型更好地服务于公共卫生管理与决策。