目的 探索基于时间序列和时空聚集性探测的症状监测预测方法，为有效分析和利用症状监测数据提供参考依据。方法 采用差分自回归移动平均(autoregressive integrated moving average, ARIMA)模型和Holt-Winters模型进行时间序列分析，通过回顾性时空聚集性探测进行聚集区域和时间综合探测分析。结果 以在X市监测为例，2023年1月1日―2023年4月30日共监测到34 207人次出现与传染病相关症状并前往医疗机构就诊。4月1日―4月19日的模型预测值与实际监测值比较发现，Holt-Winters模型对数据的预测情况优于ARIMA模型，误差更小，几乎所有实际值均在预测值95%CI内。时空扫描分析结果显示，某市就诊人群中具有所监测症状者居住社区涵盖该市9个街道，发热、咳嗽、腹痛和头痛的1类聚集地为D街道、E街道、F街道、G街道和A街道；咽痛和恶心的1类聚集地为D街道、A街道和G街道；腹泻和呕吐的1类集聚地为G街道和D街道。所监测症状的发生时间主要集中在2022年12月―2023年4月。结论 Holt-Winters模型对症状数据具有较好的时间趋势预测效果，通过对症状监测数据进行时空扫描分析可及时发现传染病的聚集情况，为防控工作提供重要的空间、时间和时空联合指示。症状监测数据可被用于监测传染病的潜在流行情况，为实现早期预警提供参考。
(8.0+极速模式)