即使在医疗系统高度发达的当今社会,能够快速蔓延的传染病,例如流行性感冒、新冠肺炎等,依旧危害着数千万人的性命。在系统生物学看来,这些传染病的传播过程往往存在着一个随时间演化的临界点,预示着传染病的突变与爆发。显然,探测传染病的临界点和进一步预测传染病,是传染病早期诊断防治防控的关键一步。针对传染病在演变和传播过程中时空复杂性所带来的困难,本文以陈洛南教授提出的动态网络标志物算法（DNM）为基础,对传染病临界点的探测和进一步的传染病预测做出以下优化和改进:1)提出了基于最短路径的动态网络标志物算法（SP-DNM）,将传染病影响区域建模成动态网络,把传染病的演变传播过程视为网络的动态变化过程。通过计算相关系数等统计指标,提出一种衡量网络中边权重的方法;同时引入了图论中的最短路径思想,用关键节点间最短路径的变化量化动态网络的状态。算法在建模后的动态网络中挖掘出代表传染病状态的时空特征,探测整体网络的临界突变,并对传染病爆发发出预警。2)提出了基于SP-DNM算法的机器学习传染病时间序列预测模型。先从特征改进的方面,通过SP-DNM算法,从基础的时间序列信息和区域地理位置信息中提取代表传染病状态变化的动态时空特征,使模型更容易捕捉传染病的发展规律;同时,分别采用XGBoost和Light GBM作为基础模型训练,利用集成学习算法高效便捷的特性提升预测的精度,并将两种基础模型进行融合,对传染病的发展进行更加精确的预测。本文采用了2010-2019年东京都、2009-2018年北海道的流感数据和2020年日本关东地区的新冠疫情数据作为数据集,从不同地区与不同疾病的角度验证算法的有效性。实验表明,与传统的DNM算法相比,SP-DNM能够准确探测出传染病的临界点,具有更高的稳定性,有助于研究传染病传播。同时,基于SP-DNM算法的传染病预测模型与传统机器学习模型相比,缩小了预测的误差,在预测精度上取得了较大提升。最后,基于本文提出的算法,设计并实现了一个传染病预测预警系统,实现了东京都等地流感等传染病的实时预警,对今后的传染病防治有着很大帮助。