ARIMA乘积季节模型在山东省肺结核发病预测中的应用

目的 根据山东省肺结核的季节性、趋势性建立求和自回归移动平均(ARIMA)乘积季节模型,预测山东省肺结核发病趋势,调整防控措施。 方法 应用R软件对2010年1月至2019年12月山东省肺结核传染病疫情月度数据建立最优模型,预测2020年1月至10月肺结核发病数,并与实际值进行比较,以此评估模型的预测效果,预测2020年11月至2021年12月的发病趋势。 结果 山东省肺结核发病数表现为年度周期性,最优模型为ARIMA(3,1,0)(0,1,1)₁₂,2010年1月至2019年12月拟合结果准确性显示平均绝对百分比误差仅为5.50%, 2020年1月至10月模型预测效果的平均相对百分比误差为21.69%,2020年11月至2021年12月的发病数较同期有轻微变化。 结论 ARIMA乘积季节模型能够较好地对山东省肺结核发病趋势进行拟合及预测。     

山西省痢疾发病趋势的时间序列分析

目的探讨季节性自回归移动平均混合(SARIMA)模型分析预测山西省痢疾发病率的可行性和适用性,为痢疾的预防与控制提供决策依据。方法利用R 3.3.1对山西省2004年1月—2013年12月痢疾月发病率资料进行建模,并以2014年痢疾月发病率资料验证模型的预测效果。结果模型较好地拟合了山西省痢疾月发病率,模型残差为白噪声序列,预测值与实际值的相对误差范围为0.909%~35.575%,平均相对误差为13.399%。结论 SARIMA模型可较好地反映山西省痢疾的发病趋势并进行短期预测。     

SARIMA模型在流行性腮腺炎发病预测中的应用

目的 利用SARIMA模型预测未来山东省济宁市流行性腮腺炎发病情况,为流行性腮腺炎防控提供决策依据。 方法 收集山东省济宁市2009年1月至2013年7月流行性腮腺炎月发病数据资料,利用时间序列分析方法,构建SARIMA模型,并对2013年8月至12月的发病数资料进行预测。 结果 济宁市2009至2013年共报告流行性腮腺炎病例数8 520例,且发病具有明显的周期性和季节性特征。最终建立的最优模型为SARIMA(0,1,1)(0,1,1)₁₂,赤池信息准则(AIC)为74.45,且通过了统计学检验,模型残差为白噪声。实际月发病数与拟合月发病数进行相关性分析结果显示为显著性相关(r=0.75,P<0.000 1)。对2013年8月至12月发病数进行预测,均在95%置信区间内,且与实际发病数变动的趋势一致,验证了模型合理性。 结论 SARIMA模型能较好地拟合济宁市流行性腮腺炎月发病数动态变化,可用于流行性腮腺炎的短期预测。     

ARIMA模型与GRNN模型对肺结核发病率预测的对比研究

目的 比较自回归移动平均(ARIMA)模型与广义回归神经网络(GRNN)模型对于肺结核发病率的预测性能.方法 根据我国2004年1月至2012年12月的肺结核逐月发病率数据资料,应用Eviews 7.0.0.1建立ARIMA模型,应用Matlab 7.1的神经网络工具箱建立GRNN模型;选取2013年肺结核逐月发病率数据对两种预测模型进行检验,比较预测结果.结果 ARIMA模型和GRNN模型的Theil不等系数(TIC)分别是0.034和0.059,说明ARIMA模型对我国2013年肺结核逐月发病率的拟合程度优于GRNN模型,ARIMA模型相对误差绝对值仅为GRNN模型的57.19％.结论 ARIMA预测模型更适合用于我国肺结核发病率的预测;建议尝试组合模型预测肺结核发病率.     

乘积季节模型在我国肺结核疫情预测中的应用

目的 探讨乘积季节模型预测肺结核发病例数的可行性,为肺结核的针对性防控提供理论依据。 方法 根据中国疾病预防控制中心2011年1月至2016年12月的全国肺结核上报资料建立乘积季节模型,并预测2017年1月至9月数据,评价其预测效果。 结果 2011年1月至2016年12月我国肺结核发病例数呈现以年为周期的季节效应,并且出现长期递减的趋势;乘积季节ARIMA(0,1,1)(0,1,1)₁₂(不含常数项)模型所有参数都通过统计学检验(P<0.05), 残差序列为白噪声序列(P>0.05), 拟合优度相对最好(AIC=1 223.004, SBC=1 227.159);模型对2017年1月至9月的预测值与实际值基本吻合,预测效果较好。 结论 乘积季节ARIMA(0,1,1)(0,1,1)₁₂(不含常数项)模型可用于预测我国肺结核疫情,具有较好的推广应用价值。     

ARIMA乘积季节模型在食源性疾病月发病率预测中的应用

目的 探讨ARIMA乘积季节模型在食源性疾病发病率预测中的可行性,并预测食源性疾病的月发病率趋势.方法 对云南省2004年1月至2010年12月食源性疾病月发病率资料建立ARIMA乘积季节模型,利用2011年月发病率资料进行回代,预测2012年食源性疾病月发病率趋势.结果 ARIMA(0,1,1)×(0,1,1)12的BIC值最小,可以认为该模型的拟合优度相对最优;对该模型的残差进行白噪声检验,QLB(18)为20.225(P＝0.210),提示残差属于白噪声.结论 ARIMA乘积季节模型可以用于食源性疾病月发病率趋势的拟合和预测.     

SARIMA模型在苏州市肺结核发病预测中的应用

目的 建立苏州市肺结核发病的SARIMA模型并预测发病,为苏州市肺结核防控提供参考。方法 收集结核病信息管理系统（新）中苏州市2010年1月—2018年12月肺结核月发病数,通过时间序列分析建立SARIMA模型并预测苏州市2019年肺结核的发病情况。结果 苏州市肺结核发病数具有明显的季节周期性,每年的发病最高峰为5月,发病最低谷为2月。苏州市肺结核发病数的最佳拟合模型为SARIMA (0,1,1)×(0,1,1)₁₂,AIC=9.590,SBC=9.644,模型参数均具有统计学意义,模型残差为白噪声序列,模型的预测值与实际值平均绝对百分比误差MAPE=7.943%,模型预测精度较高。预测苏州市2019年肺结核发病数为3 467例,月发病数平均值为289例,发病水平较2018年略有下降。结论 SARIMA(0,1,1)×(0,1,1)₁₂模型能较好拟合出苏州市肺结核发病数的时间变化趋势,可应用于苏州市肺结核月发病数的短期预测。     

乘积季节ARIMA模型预测上海市松江区手足口病发病趋势

目的:探讨运用乘积季节ARIMA模型预测上海市松江区手足口病发病情况。方法:通过上海市松江区2009-2016年手足口病月发病率建立ARIMA模型,预测2017年手足口病的发病率。结果:乘积季节ARIMA(1,0,0)(1,1,0)12能较好地拟合既往手足口病发病率,预测2017年手足口病发病率为276.37/10万。结论:乘积季节ARIMA模型能较好的预测未来手足口病的发病率。     

应用ARIMA模型预测肺结核报告发病率的研究

目的探讨ARIMA模型在宜昌市肺结核预测方面的应用,为进一步采取预防控制措施提供科学依据。方法基于宜昌市1997~2013年肺结核发病率的数据建立一个原始时间序列,对1998~2013年的发病进行预测,并与实际发病进行比较。结果最终得出ARIMA(1,0,1)(2,1,0)12为最优模型,实际发病与预测值及其95%置信区间基本一致,模型的拟合效果较好,可以对2014年发病率进行预测。结论肺结核具有很高的发病率,ARIMA模型能较好的模拟肺结核发病在时间序列的变化趋势,为制定防控措施提供科学的依据。     

ARIMA乘积季节模型在出院人数预测中的应用

目的了解医院住院量的变动趋势,对医院出院人数进行预测分析,为科学决策提供依据。方法应用乘积季节ARIMA模型对某院2003年1月-2013年12月出院人数进行模型拟合,预测2014年各月出院人数,用2014年1月-6月份实际资料评估模型的预测效果。结果该院出院人数呈明显的季节效应,且出院人数逐年小幅递增;乘积季节ARIMA(1,1,1)×(0,1,1)12(不含常数项)模型为最优模型,标准化的BIC(标准化贝叶斯信息量)和平均绝对误差百分比(MAPE)值最小,BIC值为11.98,MAPE值为5.43。Ljung-Box检验无统计学意义(Q18=10.575,P=0.782)。结论乘积季节ARIMA模型可以较好地拟合出院人数的变化趋势,是一种短期预测精度较高的预测模型。     

中国流行性腮腺炎发病率模型拟合及预测效果比较

背景　流行性腮腺炎（流腮）是中国极为严重的疾病。充分认识中国流腮的规律性并构建模型预测,对其预防和控制有重要意义。目的　评价季节性自回归移动平均模型（SARIMA）、指数平滑模型、SARIMA-广义回归神经网络（GRNN）组合模型和指数平滑-GRNN组合模型在流腮发病率拟合及预测中的应用效果。方法　利用全国2004年1月-2016年6月的流腮逐月发病率数据拟合、训练模型,建立SARIMA、指数平滑模型、SARIMA-GRNN组合模型和指数平滑-GRNN组合模型。预测2016年7-12月流腮的逐月发病率并与实际值比较,采用平均绝对误差百分比（MAPE）、平均误差率（MER）、均方误差（MSE）和平均绝对误差（MAE）评价模型拟合及预测效果。结果　SARIMA（0,0,2）（0,1,1）12为最优SARIMA模型;Holt-Winters相乘模型为最优指数平滑模型,SARIMA-GRNN组合模型和指数平滑-GRNN组合模型的SPREAD最优参数分别为0.026、0.031。SARIMA模型、指数平滑模型、SARIMA-GRNN组合模型和指数平滑-GRNN组合模型拟合的MAPE、MER、MSE和MAE依次分别为15.350%、14.976%、0.336、0.286,14.346%、14.249%、0.326、0.272,7.390%、6.320%、0.034、0.123,6.952%、5.776%、0.028、0.113。SARIMA模型、指数平滑模型、SARIMA-GRNN组合模型和指数平滑-GRNN组合模型预测的MAPE、MER、MSE和MAE依次分别为11.998%、12.260%、0.022、0.138,39.582%、38.462%、0.199、0.432,8.892%、9.677%、0.020、0.109,8.872%、9.672%、0.021、0.109。结论　指数平滑-GRNN组合模型为最优模型,拟合及预测效果最好,用于全国流腮发病率预测精度高;SARIMA-GRNN组合模型次之;SARIMA模型拟合及预测效果一般;指数平滑模型拟合效果较好,但预测效果较差。     

乘积季节自回归积分滑动平均模型在长沙市手足口病发病率预测中的应用

目的：建立长沙市手足口病发病率的乘积季节自回归积分滑动平均模型(autoregressive integrated moving average model,ARIMA),探讨乘积季节ARIMA模型在手足口病疫情预测的可行性。方法：运用EVIEWS 6.0软件对长沙 市2008年5月至2013年8月的手足口病发病率资料建立乘积季节ARIMA模型,以2013年9月至2014年2月的发病资料作为 模型预测效果的检验样本,最后再用所得到的模型对2014年3月至2014年8月的月发病率进行预测。结果：经过序列 平稳化、模型识别以及模型诊断后,建立乘积季节ARIMA模型(1,0,1)×(0,1,1)12,模型拟合度R2=0.81,预测均方 根误差为8.29,平均绝对误差为5.83。结论：乘积季节ARIMA模型是一种较好的预测模型,所建模型拟合度较好,能 为手足口病的防治工作提供参考。     

细菌性痢疾自回归滑动平均和非线性自回归组合模型预测研究

目的 探讨单纯自回归滑动平均(autoregressive integrated moving average,ARIMA)模型与ARIMA和非线性自回归(nonlinear autoregressive,NAR)组合模型在细菌性痢疾预测中的应用.方法 利用江苏省2004年1月至2015年2月的细菌性痢疾数据作为拟合样本,以2015年3月至2016年5月的数据作为预测样本;建立的模型分别为单纯ARIMA模型和ARIMA-NAR组合模型,然后根据2个模型的平均绝对误差(mean absolute error,MAE)、均方误差(mean square error,MSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)比较模型的效果,其值越小模型效果越好.结果 在模型的拟合阶段,单纯ARIMA模型的MAE、MSE和MAPE分别为0.177 5、0.081 4和0.184 7,ARIMA-NAR组合模型分别为0.094 1、0.029 5和0.104 6.在模型的预测阶段,单纯ARIMA模型的MAE、MSE和MAPE也分别大于ARIMA-NAR组合模型.结论 ARIMA-NAR组合模型对于江苏省细菌性痢疾发病率时间序列的预测效果优于单纯ARIMA模型.建议尝试使用ARIMA-NAR组合模型预测细菌性痢疾的发病率.     

百度关键词在清远市流行性感冒发病预测中的应用及效果评价

目的 探讨百度关键词在清远市流感发病预测中的适用性。方法 收集《中国疾病预防控制信息系统》清远市范围内2012年12月31日至2017年12月24日每周流感发病数,同时从百度指数官网收集同期流感相关关键词在清远市范围内的百度指数,利用流感实际发病数拟合自回归移动平均模型（ARMA）,利用实际发病数和相关的流感百度指数拟合自回归分布滞后模型（ARDL）,比较两个模型的优劣。结果 共收集260周数据,流感发病11 895例,共收集15个流感相关百度指数,其中与实际发病数相关系数大于等于0.3的百度指数6个,与流感发病数呈单向格兰杰因果关系的百度指数有1个,为“流感”。利用前256周数据建立的ARMA模型预测未来4周流感发病数时,模型调整决定系数为0.80,其均方根误差（RMSE）=95.25,平均绝对百分误差（MAPE）=45.49,希尔不等式系数（TIC）=0.25。利用前256周数据建立的ARDL模型预测未来4周流感发病数时,模型调整决定系数为0.81,其均方根误差（RMSE）=79.07,平均绝对百分误差（MAPE）=39.67,希尔不等式系数（TIC）=0.19。ARDL模型的预测精度优于ARMA模型。结论 利用百度指数建立的流感发病预测模型能够增加预测准确性,适用于流感发病预测。     

季节性指数平滑法在预测某院儿科门诊人次中的应用

目的应用季节性指数平滑法预测某院儿科门诊人次,为儿科合理调配医疗资源提供科学依据。方法基于2013年1月1日-2018年12月31日某院儿科门诊人次数据,使用SPSS22.0软件建立季节性指数平滑模型,采用2016年1月1日-2018年12月31日各季度儿科门诊人次数据进行验证,并对2019年1月1日-2020年12月31日儿科门诊人次进行预测。结果季节性指数平滑法的最优预测模型为Winters相加模型,该模型在Gamma(趋势)、Delta(季节)均有统计学意义,平稳的R^2分别为0.76,R^2值为0.79,标准化的BIC为20.69,模型残差为白噪声序列,平均相对误差为8.85%;2019年1月1日-2020年12月31日某院儿科门诊人次的预测仍呈现出持续上升的季节性和周期性趋势。结论季节性指数平滑法的Winters相加模型能够较好的拟合该院儿科门诊人次的实际值,可用于儿科门诊量及变化趋势的预测,值得推广应用。