疟疾疫情预测系统：一个端到端MLOps实践案例

瑞士卢塞恩应用科学与艺术大学的学生项目，构建了一个基于机器学习的疟疾疫情预测系统，完整展示了从数据准备到生产部署的MLOps全流程。

• 原作者/维护者: Lamiorkor
• 来源平台: GitHub
• 原始标题: Malaria_Outbreak_Prediction
• 原始链接: https://github.com/Lamiorkor/Malaria_Outbreak_Prediction
• 发布时间: 2026年6月6日
• 项目背景: 瑞士卢塞恩应用科学与艺术大学（HSLU）人工智能课程（ARTIFIN）的结课项目

---

这是一个面向生产环境的机器学习系统，能够利用气候、人口统计和历史疟疾发病率数据来预测疟疾疫情风险。与传统的机器学习项目不同，该项目不仅完成了模型训练，还完整实现了机器学习生命周期中的各个环节，包括实验追踪、部署、监控、自动化、测试、容器化和CI/CD流程。

气候变化正在重塑全球疾病传播模式。气温上升、降雨模式改变以及环境条件的变化正在影响蚊媒传染病（如疟疾）的传播。目前，公共卫生部门的应对措施往往是被动的，只能在疫情爆发后才做出反应。该项目通过开发一个AI驱动的早期预警系统来解决这一挑战，该系统能够利用气候、环境和社会经济指标来预测特定国家在未来一段时间内发生疟疾疫情的概率。

---

该系统的主要目标是支持主动决策，实现以下功能：

• 早期疫情检测：在疟疾疫情实际爆发前识别高风险时期
• 资源规划：帮助卫生部门提前分配医疗资源和防护物资
• 公共卫生准备：为疫苗接种和预防措施提供时间窗口
• 气候健康风险评估：评估气候变化对疾病传播的长期影响

潜在用户包括卫生部、世界卫生组织（WHO）、非政府组织、公共卫生机构、气候适应项目和疾病监测项目。该项目处于人工智能、公共卫生、流行病学、气候科学、数据工程和MLOps等多个学科的交叉点。

---

该项目采用了现代机器学习工程中的主流技术栈：

• 机器学习框架: Scikit-Learn（逻辑回归）、Pandas、NumPy
• 实验追踪: MLflow
• API服务: FastAPI + Uvicorn
• 容器化: Docker + Docker Compose
• 工作流编排: Prefect
• 数据存储: PostgreSQL
• 模型监控: Evidently AI
• 可视化监控: Grafana
• 测试框架: Pytest
• CI/CD: GitHub Actions + GitHub Container Registry

模型整合了多源数据，包括历史疟疾发病率数据、气候指标、人口密度数据和人均GDP数据。这些数据经过合并和转换，形成了机器学习就绪的特征存储。

最终模型使用了气候、时间序列和社会经济特征的组合，包括：

基础特征：

• 疟疾发病率（Malaria_Incidence）
• 年降水量（Precipitation_mm）
• 人口密度（Pop_Density）
• 人均GDP（GDP_per_Capita）
• 年平均温度（Temp_Annual_Mean_C）
• 生长季平均温度（Temp_GrowingSeason_Mean_C）

滞后特征（捕捉时间依赖性）：

• 疟疾发病率滞后1-3期（Malaria_Lag1/2/3）
• 温度滞后1期（Temp_Lag1）
• 降水滞后1期（Precip_Lag1）
• GDP滞后1期（GDP_Lag1）

滚动统计特征（平滑短期波动）：

• 疟疾发病率3期滚动平均（Malaria_Roll3）
• 温度3期滚动平均（Temp_Roll3）
• 降水3期滚动平均（Precip_Roll3）

衍生特征（捕捉复杂关系）：

• 疟疾发病率同比变化（Malaria_YoY_Change）
• 温度与降水交互项（Temp_Precip_Interaction）
• 温度平方项（Temp_Squared）
• 气候风险指数（Climate_Risk_Index）
• 脆弱性指数（Vulnerability_Index）
• GDP和疟疾发病率的对数变换（Log_GDP, Log_Malaria_Incidence）

---

项目采用逻辑回归（Logistic Regression）作为基线模型，配置如下：

LogisticRegression(
    C=1.0,
    class_weight="balanced",  # 处理类别不平衡
    solver="liblinear",
    max_iter=1000,
    random_state=42
)

选择逻辑回归的原因在于其可解释性强、训练速度快、适合二分类问题，且便于与MLOps工具链集成。

指标	验证集	测试集
AUC-ROC	0.993	0.998
F1分数	0.980	0.935
召回率	1.000	1.000
精确率	0.960	0.878

测试集上AUC-ROC达到0.998，表明模型具有极强的区分能力。召回率达到100%意味着模型能够识别出所有实际发生的疫情，这对于公共卫生预警系统至关重要。