基础数据模板
影响因素数据模板
未来气象数据模板
描述性时间特征分析
基于历史发病数据，刻画整体时间趋势、季节性规律及高峰期分布，可按地区分组比较。
时间趋势与季节性分解
上传包含列 date(或year) 与 disease_cases(或incidence)
的 CSV/XLSX（可选 location 作为分组）；输出整体趋势、季节性曲线与残差序列。
高峰期识别与季节曲线
上传包含日期与发病数的 CSV/XLSX；输出各年高峰月份、高峰值摘要表以及标准化季节曲线（可按地区分层）。
多地区时间曲线对比
上传包含 location、时间列与发病数列的数据；输出按地区分面的时间曲线和可选的分组均值/箱线图。
时间序列诊断与结构变化
诊断发病序列的波动性、自相关结构与潜在结构突变，辅助后续建模与预警。
波动性与滚动统计
上传时间序列数据；输出滚动均值/方差、变异系数等指标曲线，用于观察波动性变化。
自相关 / 偏自相关 (ACF/PACF)
上传单地区发病序列；输出 ACF/PACF 图及主要滞后项的显著性，辅助选择时间序列模型阶数。
变位点检测
上传时间序列数据；识别发病水平或趋势发生显著改变的时间点。
异常值检测
上传时间序列数据；自动识别异常高发/低发时段（点异常或短期异常），并输出标注后的时间曲线与列表。
时间因果与关联分析
结合气象与环境因子，探索发病与外部驱动因素之间的滞后效应与因果关系。
互相关分析（Cross-correlation）
上传同时包含发病数与气象/环境因子（如温度、降水等）的时间序列；输出不同滞后阶数下的相关系数曲线。
Granger 因果检验
上传包含发病数与一个或多个候选影响因子的时间序列；检验各因子是否对未来发病具有 Granger 因果作用，并输出检验表。
线性分布滞后效应分析
结合温度等连续因子，拟合分布滞后模型，量化不同暴露水平与滞后期的风险贡献。
方向与扩散分析
基于病例或发病率的空间分布，分析整体扩散方向、质心迁移轨迹与大尺度趋势面。
标准差椭圆（Standard Deviation Ellipse）
上传包含列 date, longitude, latitude（可选
incidence 作为权重）的 CSV；输出叠加图、参数表与描述。
质心分析（Centroid & Trajectory）
上传包含经度、纬度与数值列（如病例数/发病率）的 CSV/XLSX；若含日期/年份列，则输出年度质心轨迹。
趋势面分析（Trend Surface, 二次多项式）
上传包含省份、经度、纬度与发病率/病例数列的 CSV/XLSX；输出省级填色、残差/梯度等结果。
聚集与热点分析
上传包含数据与 Shapefile、贡献率 CSV 的 ZIP 压缩包。
莫兰指数分析（Moran's I）
度量空间变量（如传染病发病率或发病数）在整个研究区域上的整体空间自相关程度。
局部莫兰指数（LISA）
精细化定位空间集聚单元，研究期内发病率在空间上的局部集聚与离群特征。
冷热点分析（Getis-Ord G*）
根据传染病发病率或发病数研究期内省域发病率呈现的空间集聚特征。
插值分析
上传包含数据与 Shapefile、贡献率 CSV 的 ZIP 压缩包。
XGB+LGB贡献率分析（Meteorological & Geographic Feature Contribution）
基于已有主数据，对气象与地理要素（经度、纬度、气温、降水量、发病率等）进行特征贡献率分析； 系统将生成特征贡献率热力图与相关系数矩阵。
CatBoost 特征贡献率分析（CatBoost Feature Contribution）
使用 CatBoost 模型对气象、地理与社会经济等多源特征进行拟合，并基于损失贡献与 SHAP 值计算特征重要性； 适用于类别变量较多、样本量中等的发病风险数据。
Elastic Net 线性稀疏贡献率分析（Elastic Net Sparse Linear Contribution）
基于 Elastic Net（L1+L2 正则化）构建稀疏线性模型，在控制多重共线性的同时筛选关键影响因子； 通过标准化回归系数与统计检验评估各特征对发病风险的线性贡献。
GLM（Poisson / NB）时空发病贡献率分析（GLM Poisson / NB Feature Contribution）
使用广义线性模型（Poisson 或负二项回归）拟合发病计数数据，估计各特征对发病率的相对危险度（风险比）； 适合过离散计数数据的流行病学解释与统计推断。
MLP + SHAP 深度学习贡献率分析（MLP + SHAP DeepExplainer）
构建多层感知机（MLP）非线性预测模型，通过 SHAP DeepExplainer 分解深度网络输出， 量化各特征在复杂非线性关系下对发病风险的边际贡献，并给出全局与局部解释图。
时空特征贡献率分析（Spatiotemporal Feature Contribution Analysis）
上传包含时间、空间及病例数信息的 CSV/XLSX 文件； 系统将计算时空特征的贡献率，并输出热力图、趋势图及统计结果。
高贡献率特征 3D 关系分析
点击下方按钮打开3D关系分析窗口。
空间回归分析
空间回归分析不仅能够探究空间溢出效应还能发现相同的环境或社会经济因素在不同地区的作用强度。
地统计分析
通过有限调查点位收集的数据，研究在特定地理区域内变化的、具有科学价值的空间连续现象，从空间结构识别、风险重构、机制解释与不确定性评估等多个层面对传染病的时空分布特征进行综合分析。
时空回归分析
基于空间面板模型（SPLM / SPEM / SDPM），刻画传染病在“时间 × 空间”上的动态变化与影响因素。
贝叶斯时空层级模型（Disease Mapping）
在区域尺度上对发病率进行平滑与相对风险估计，适用于传染病时空风险制图。
时空扫描统计（Space–Time Scan Statistics）
识别在特定时间段与养殖区域内显著聚集的动物疫情暴发簇 （以非洲猪瘟等动物传染病为例），可用于早期预警与暴发溯源。
时空热点演化与动态核密度
通过核密度估计与时间滑动窗口分析，刻画疫情热点的出现、持续与迁移过程。
动力学模拟系统
统计与时间序列预测
基于 SARIMAX / Prophet 等时间序列模型，以及 GLM / GAM 计数回归， 在不同 SSP 气候情景与政策干预方案下，预测发病趋势。
贝叶斯时空预测
在 BYM2 与时空 CAR 等层级贝叶斯模型框架下，对未来发病率进行时空平滑与不确定性量化， 适用于不同 SSP 情景和干预策略下的区域风险预测。
空间 / 时空回归预测
复用 SAR / SEM / SDM 及时空自回归（STAR / ST-SAR）模型， 在引入 SSP 气候变量与政策干预协变量的前提下，预测未来的空间与时空发病格局。
机器学习 / 深度学习预测
基于 XGBoost、LightGBM、LSTM/TCN 及时空图神经网络等模型， 综合气候、地理贸易与干预措施等多源特征，进行非线性发病风险预测。
动力学情景预测（SEIR 系列）
在 SEIR / SEIRS 及带媒介、多地区网络 SEIR 等动力学模型中， 将 SSP 气候情景与不同防控策略映射为模型参数变化，模拟未来疫情在不同情景下的演化过程。
展示当前用户在本系统中运行过的所有分析记录。点击“查看结果”可重新打开当时的结果弹窗。