ARIMA模型在乙肝发病预测中的应用

目的 拟合ARIMA模型对迁安市乙肝发病趋势进行时间序列分析和预测,为乙肝预警系统提供决策依据.方法 收集迁安市2004年1月～2010年12月乙肝月发病率资料,利用SPSS统计分析软件拟合ARIMA模型并预测2011年乙肝逐月发病率.结果 拟合最佳模型为ARIMA(0,1,1)(1,1,0)12,残差为白噪声序列,预测值与实际值的平均相对误差为0.133,预测结果较为可靠.结论 利用ARIMA模型进行乙肝发病率的短期预测,预测结果符合当前的发病现状及采取的防治措施,能够对乙肝的早期预警模型的建立提供借鉴,从而有针对性地采取相应的控制措施.     

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。     

指数平滑法模型与ARIMA模型在北京市通州区肺结核流行趋势预测中的效果评价

目的 比较指数平滑法模型和自回归移动平均(autoregrissive integrated moving average, ARIMA)模型对北京市通州区肺结核流行趋势预测效果,为肺结核预测和防控提供依据。方法 收集“中国疾病预防控制信息系统”2005年1月—2019年12月北京市通州区肺结核月发病率,应用2005年1月—2018年12月肺结核发病率构建指数平滑法模型和ARIMA模型,预测2019年1—12月肺结核发病率,并与实际值进行比较,评价2种模型的拟合和预测效果。结果 指数平滑法确定简单季节模型为最优预测模型,Ljung-Box Q=15.265,P=0.505,残差序列为白噪声序列,标准贝叶斯信息准则(bayesian information criterion, BIC)值为0.115,2019年1—12月肺结核发病率预测的相对误差为0.45%～33.62%,平均为10.57%。ARIMA模型确定ARIMA(0,1,1)(0,1,1)₁₂为最优模型,Ljung-Box Q=17.156,P=0.376,残差序列为白噪声序列,BIC值为0.539,20...     

乘积季节ARIMA模型在乙肝发病率预测中的运用

目的探讨乘积季节自回归求和滑动平均模型(integrated autore-gressive moving average model,ARIMA)在荆州市乙肝发病预测中的应用,为乙肝预防控制提供参考。方法利用2004-2015年乙肝网络监测数据对荆州市乙肝发病率数据构建乘积季节ARIMA模型,同时利用2016年实际发病率与模型拟合数据进行比较,评价模型的预测性能,并预测荆州市2017年的乙肝发病率。结果荆州市乙肝发病率预测最优模型为ARIMA(0,1,1)(0,1,1)12模型,利用2016年拟合值与实际乙肝发病率比较,相对误差介于1.33%~27.80%之间,平均相对误差10.23%,提示ARIMA(0,1,1)(0,1,1)12模型具有较佳的预测能力。预测2017年荆州市乙肝疫情与2016年基本一致,发病整体平稳。结论 ARIMA(0,1,1)(0,1,1)12模型可用于荆州市乙肝发病率的预测,对乙肝预防控制产生积极的指导作用。     

自回归移动平均乘积季节模型在甲型肝炎发病数中的应用

目的 建立自回归移动平均(ARIMA)乘积季节模型,利用该模型预测并分析全国甲型肝炎发病情况,为全国甲型肝炎疫情防控提供决策依据。 方法 利用中国疾病预防控制中心2011年1月~2016年12月全国甲型肝炎月报告数据,建立甲型肝炎ARIMA乘积季节预测模型,并用2017年1~12月发病数评估模型的预测效果。 结果 非季节和季节移动平均的参数分别是0.282 、0.530,赤池信息量准则(AIC)=815.710,许瓦玆贝叶斯准则(SBC)=819.865,最优模型显著性检验结果显示P均<0.05,模型残差白噪声检验的6、12、18、24阶的χ2值分别为6.83、12.38、15.12和18.28,差异无统计学意义(P均>0.05),据此建立ARIMA(0,1,1)(0,1,1)₁₂模型,模型表达式为∇∇₁₂x_t=(1-0.282B)(1-0.530B12)ε_t,以此开展甲型肝炎发病数预测。 结论 ARIMA(0,1,1)(0,1,1)₁₂乘积季节模型能够较好地拟合甲型肝炎发病趋势,可用于全国甲型肝炎发病预测,为全国甲型肝炎疫情防控提供一定的科学依据。     

ARIMA模型在蚌埠市梅毒预测中的应用

目的探讨时间序列分析中的乘积季节自回归移动平均（ARIMA）模型在蚌埠市梅毒发病率预测中应用的可行性,为制定梅毒防控措施提供参考依据方法应用SPSS21.0软件对蚌埠市2008-2016年的梅毒发病率进行ARIMA模型拟合,依据BIC准则确定最优模型。用所得模型预测2017年1-6月的梅毒发病率,并与实际发病率进行比较,检验预测效果。结果ARIMA（0,1,1）（1,0,0）12,可以较好地拟合梅毒月发病率规律,模型统计量Ljung-Box Q=16.726,P>0.05,残差序列为白噪声,用所得模型预测蚌埠市2017年1-6月梅毒月发病率,预测值与实际值吻合情况良好,实际值均在预测值的95%可信区间内。结论ARIMA模型能较好拟合蚌埠市梅毒发病情况,对梅毒防治工作提供一定的参考价值。     

ARIMA乘积季节模型在上海市甲肝发病预测中的应用

 目的 应用自回归求和移动平均(autoregressive integrated moving average,ARIMA)乘积季节模型分析季节性时间序列,建立上海市病毒性甲型肝炎发病率的预测模型。方法 利用上海市1990年至2011年甲肝按月发病数的历史疫情数据,采用非条件最小二乘法估计模型参数,模型阶数确定后,建立甲肝按月发病数ARIMA乘积季节预测模型。结果 非季节和季节移动平均的参数分别是0.6341和0.9999,季节自回归的参数是0.4059,t检验的P值均<0.0001,方差估计值是0.1593,AIC=282.1478,SBC=292.7242,对建立的模型进行残差的白噪声检验,χ2检验统计量的P值均>0.05,据此建立ARIMA(0,1,1)(1,1,1)12NOINT乘积季节模型,模型表达式(1-0.405 9B12) (1-B) (1-B12)Yt=(1-0.634 1B) (1-0.999 9B12)εt,并开展上海市甲肝发病数的预测。结论 ARIMA(0,1,1)(1,1,1)12NOINT乘积季节模型可用于预测上海市病毒性甲型肝炎发病的季节模型。     

预测医院门诊量的ARIMA模型构建及应用

目的 研究综合性医院月门诊量变化规律,预测其变化趋势,为医院管理决策提供依据.方法 结合序列平稳性、长期趋势和季节效应,采用对数和差分变换,应用残差分析和最小二乘法估计,建立预测模型ARIMA(1,0,1)(0,1,1)12.结果 拟合残差平方和为2.790,AIC=178.126,SBC=-170.080,预测2008年门诊量相对误差为6.11%,小于指数平滑法(8.78%).用该模型预测2009年门诊量为150.12万人次.结论 医院门诊量存在季节变动和长期增长趋势,适合用ARIMA乘积模型进行拟合,但不同医院门诊量变化规律未必一致,要认真分析原序列的ACF图和PACF图,然后确定p,d、q参数.     

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。     

自回归求和移动平均模型在流感发病预测中的应用

目的探讨应用自回归求和移动平均季节模型(ARIMA)进行流感发病率的拟合和预测,为流感疫情预警提供依据。方法运用统计分析软件对陕西省2008—2014年每月的流感网络报告发病率数据进行模型拟合,建立ARIMA模型,用2015年的数据来检验ARIMA模型的预测效果。结果陕西省2008年1月—2014年12月流感的平均年发病率为0.74/10万,将时间序列分解为总体趋势、季节趋势及随机误差,流感发病整体呈缓慢上升,发病率存在明显的季节性,冬春季出现高峰,随机误差保持在一定水平;ARIMA(0,0,1)×(0,1,1)12模型能较好拟合既往时间段内流感的发病率,且对2015年1—12月流感月发病率的预测值与实际值基本吻合,模型预测值与实际值的绝对误差、相对误差平均值分别为0.18和0.26。结论 ARIMA(0,0,1)×(0,1,1)_(12)模型可以作为陕西省流感月发病率的短期预测模型。     

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。     

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。     

基于乘积SARIMA模型的肺结核发病率预测

目的 应用乘积季节自回归移动平均(seasonal autoregressive integrated moving average,SARIMA)模型对肺结核发病率进行预测研究,探讨其可行性并为肺结核病的防治工作提供科学依据.方法 应用EViews 7.0.0.1软件对我国2004年1月至2012年12月的肺结核逐月发病率建立乘积SARIMA模型并进行拟合,选取2013年1月至12月肺结核发病率数据评价模型的预测性能.结果 建立的SARIMA(2,0,2)×(0,1,1)12模型能较好地拟合既往时间段内肺结核的发病率,对2013年1月至12月肺结核发病率的预测与实际发病率趋势基本吻合,平均误差绝对值为0.416 992,平均误差绝对率为5.350 8％.结论 乘积SARIMA模型能较好地模拟和预测肺结核发病率在时间序列上的变动趋势,将其应用于肺结核发病预测是可行的,具有推广应用前景.     

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。     

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。     

基于时间序列分析的单采血小板临床需求预测模型研究

目的 探讨自回归移动平均（autoregressive integrated moving average,ARIMA）模型预测临床血小板需求量的可行性,为科学制定采血招募计划提供依据。方法 对重庆市中心血站2006年1月至2016年6月每月单采血小板临床用量建立ARIMA模型,运用最优模型预测2016年7至12月每月单采血小板临床用量,以验证预测效果。结果 单采血小板临床用量的最优模型为ARIMA（0,1,1）（1,0,1）₁₂,模型残差序列自相关函数和偏自相关函数基本落在95%的置信区间内,并且Ljung-Box Q统计结果表明残差不存在相关关系（P>0.05）,说明残差序列呈白噪声,模型通过检验。模型的实际值和预测值均在95%的置信区间内,且预测值与同期单采血小板临床用量的实际值比较,曲线变化趋势基本一致,平均相对误差为7.5%,预测精度较高。结论 最优模型ARIMA（0,1,1）（1,0,1）₁₂能较好地拟合单采血小板临床用量在时间序列上的变化趋势。     

ARIMA模型在涂阳肺结核月发病预测中的应用

目的 探讨重庆市涂阳肺结核月发病数随时间的变化规律,为控制和预防肺结核提供科学依据。方法 采用SPSS13.0软件对2005～2009年重庆市涂阳肺结核月发病数资料建立ARIMA模型,利用该模型预测2010年1月～12月的涂阳肺结核月发病数,对模型的短期预测及其效果进行初步评价。结果 建立的ARIMA(1,1,0)×(0,1,1)₁₂模型是拟合重庆市涂阳肺结核月发病数的合适模型,2005～2009年观测值落在拟合值95%的可信区间内,2010年预测值的平均相对误差为6.31%。结论 ARIMA(1,1,0)×(0,1,1)₁₂模型能很好地预测重庆市涂阳肺结核月发病情况,为控制和预防肺结核提供了可靠依据。     

香港地区流行性腮腺炎月发病例数SARIMA模型预测分析

目的研究季节性差分自回归滑动平均模型（SARIMA）拟合季节时间序列的方法,并将其应用于预测香港流行性腮腺炎疫情趋势。方法利用R软件对2000年1月至2012年8月香港流行性腮腺炎月发病例数资料进行建模,用所构建模型进行预测分析。结果流行性腮腺炎发病呈上升趋势,SARIMA（2,1,1）×（1,1,1）。：模型较好地拟合了香港流行性腮腺炎的月发病例数,模型残差为白噪声序列,回代考核平均相对误差为17．5％;后8个月的数据作为前瞻性预测考核,平均相对误差为16．4％。结论SARIMA模型较好地模拟腮腺炎的流行特征,并进行中、短期预测。