基于Python语言的ARIMA模型在天津市结核病发病率预测中的应用

 目的 探讨差分自回归移动平均（ARIMA）模型在结核病发病率预测中的可行性。方法 基于Python语言的statsmodels模块,以天津市2004年1月—2015年12月结核病月发病率数据作为训练集建立最优季节性差分自回归移动平均（SARIMA）模型,以2016年1—12月数据对SARIMA模型进行效果评价,并对2017年1月—2019年12月天津市结核病月发病率进行预测。结果 流行病学结果显示,2004年1月—2015年12月天津市结核病月发病率总体呈下降趋势。2005—2008年出现一个发病高峰,2009年后大幅度下降,随后趋于平稳。2017年1月—2019年12月天津市结核病月发病率与往年相比平稳下降。建立的最佳模型为SARIMA（1,1,1）×（3,1,1）₁₂,该模型残差BOX-Ljung统计量P值为0.493,提示残差为白噪声序列,模型拟合良好。预测结果实际值均在预测值的95%置信区间。结论 SARIMA（1,1,1）×（3,1,1）₁₂模型可对天津市结核病月发病率进行较准确的预测。     

ICU患者感染发病率的RBF神经网络模型预测效果评价

目的采用径向基函数(Radial basis function, RBF)神经网络模型对重症监护病房(ICU)患者的医院感染发病率进行拟合及预测,并比较该预测模型与反向传播(Back Propagation,BP)神经网络及差分整合移动平均自回归(Autoregressive Integrated Moving Average model,ARIMA)模型的预测效果。方法将2014年1月-2016年12月医院ICU患者感染发病率数据作为训练集,建立BP模型、RBF神经网络模型和季节性ARIMA模型。分别对2017年1月-2018年7月ICU患者的感染发病率进行预测,其中2017年1-10月数据作为验证集。分别用三类误差分析指标刻画BP模型及RBF神经网络拟合效果,并和季节性ARIMA模型预测效果进行比较。结果 RBF神经网络训练出的预测模型预测误差评价值MAPE为0.340%,MRE为4.509,RSE为0.049,其值均小于BP神经网络模型与季节性ARIMA模型的误差指标,有较好的预测效果。结论 RBF神经网络和BP神经网络模型均能较好地拟合ICU感染发病率,但从验证集的预测结果看,RBF神经网络模型较BP神经网络模型和季节性ARIMA模型各项误差指标较低,可作为预防和控制ICU医院感染发病率的理论依据。     

支持向量回归联合气象和空气污染指标在细菌性痢疾预测中的应用

  目的  探讨支持向量回归（support vector regression,SVR）模型联合气象和空气污染物指标在兰州市细菌性痢疾发病预测中的应用,为细菌性痢疾防控提供科学的参考依据。  方法  利用兰州市2013年12月-2016年8月细菌性痢疾发病时间序列数据,结合同期气象和空气污染物数据作为训练集建立SVR模型,以2016年9月-2017年12月的发病数据及同期气象和空气污染数据作为验证集验证模型,并比较不同来源数据模型的拟合及预测效果。  结果  2013年12月-2017年12月兰州市共报告细菌性痢疾7 192例。除气压外,其他气象和空气污染因子与细菌性痢疾发病数的相关系数均>0.4。基于整合数据对拟合模型的参数进行选择,得到最小测试误差值所对应的三个参数分别为:C=5、γ=0.02和ε=0.000 1。利用验证集对不同来源的拟合模型进行测试显示整合数据模型具有最好的预测精度性和稳健性,均方根误差（root mean squared error,RMSE）为0.164 7,平均绝对百分比误差（mean absolute percentage error,MAPE）为16.405%。  结论  应用SVR模型联合气象和空气污染指标预测细菌性痢疾效果良好。     

ARIMA模型在乙型病毒性肝炎发病率预测中的应用

目的 探讨应用ARIMA模型进行乙肝发病率的预测,为乙肝防治提供科学依据.方法 应用Eviews 7.0对2004年1月至2012年6月陕西省某市乙型肝炎发病率进行模型拟合,用所得到的最优模型对2012年7 ～12月乙肝发病率进行预测,并与实际值进行比较.结果 ARIMA(1,1,1)×(1,1,1)12模型拟合效果总体较好,其对2012年7 ～12月乙肝发病率预测值基本符合实际值的变化趋势.结论 ARIMA模型可以模拟乙肝发病率,应用乙肝发病于预测.     

季节性ARIMA模型在江门市手足口病疫情预测中的应用

目的构建时间序列ARIMA乘积季节性模型,预测江门市手足口病发病趋势,探讨该模型在预测手足口病发病率中的应用。方法根据2009年1月～2017年6月手足口病月报告发病率时间序列构建模型,以2017年7～12月手足口病发病率为验证数据,验证预测模型效果。结果模型ARIMA(1,0,1)(0,1,1)_(12)为最优模型,其BIC=9.87,Ljung-Box=21.76,P=0.11,2017年7～12月手足口病月发病率预测值和实际值的平均相对误差为18.14%,实际值都在预测值95%置信区间内。结论 ARIMA模型能较好预测手足口病发病变化趋势,模型预测效果有待进一步优化。     

ARIMA-SVM组合模型和TBATS模型在艾滋病报告病例数预测中的应用

目的 探讨ARIMA-SVM组合模型和TBATS模型在艾滋病报告病例数预测中应用的可行性。方法 收集2013年1月—2019年6月荆州市艾滋病月报告病例数，以2013—2018年艾滋病报告数为训练集，建立差分自回归移动平均模型(ARIMA)模型和指数平滑空间状态模型(TBATS)模型，并应用支持向量机(SVM)对ARIMA模型残差进行非线性建模，建立ARIMA-SVM组合模型。以2019年1—6月月报告数对模型进行验证，并对不同模型预测效能进行比较。结果 建立了ARIMA(0,1,2)(2,0,0)₁₂模型、ARIMA-SVM组合模型、TBATS模型；其预测的平均绝对误差百分比(MAPE)、平均绝对误差(MAE)、均方根误差(RMSE)依次为18.25%、5.34、5.92,17.53%、4.78、5.67,12.19%、3.81、5.24。结论 ARIMA-SVM组合模型和TBATS模型对HIV/AIDS报告数预测准确度较高，值得推广应用。     

三种时间序列模型预测医院感染发病率的比较

目的比较和评价不同时间序列模型预测医院感染发病率的效果,探索可用于预测医院感染发病率的最佳模型。方法以上海某三级甲等医院2011—2016年累计72个月的月度医院感染发病率数据作为拟合集构建季节性自回归移动平均模型(ARIMA)、NAR神经网络模型和ARIMA-BPNN组合模型,以2017年1—12月的月度感染发病率数据作为预测集检验模型的预测效果,评价比较不同模型的预测效果。结果对于拟合集,ARI-MA模型、NAR神经网络模型和ARIMA-BPNN组合模型的MAPE分别为13.00%、14.61%和11.95%;对预测集,三者的MAPE分别为15.42%、26.31%和14.87%。结论三种时间序列模型对医院感染发病率均具有较好的预测效果,其中ARIMA-BPNN组合模型对拟合和预测该院医院感染发病情况最佳,可为医院决策提供一定的数据支持。     

应用ARIMA乘积季节模型分析我国布鲁菌病时间分布特征及趋势预测

目的探讨ARIMA乘积季节模型在分析我国布鲁菌病(布病)月发病率时间分布特征中的应用,预测其发病趋势。方法通过国家公共卫生科学数据中心和国家卫生计生委疾病预防控制局网站,收集并计算布病月发病率数据。分析布病时间分布特征,对2004年1月—2016年12月发病率数据建立ARIMA乘积季节模型,用2016年1—12月发病率数据拟合模型,选出最优模型,并预测2017年月发病率数据。结果我国布病月发病率数据整体处于上升趋势且具有明显的季节特征,每年5、6月属于高发病期,10月至次年2月发病率较低。拟合ARIMA(2,1,1)(1,1,1)12模型为预测我国布病的最佳模型,拟合值与实际值进行比较,2016年12个月的平均相对误差为8.79%,按全年发病率计算,相对误差为4.05%,显示模型的预测精度较高,并预测2017年1—12月发病率。结论 ARIMA乘积季节模型能很好地拟合布病的长期趋势和季节趋势,回代拟合和短期预测效果较理想。     

基于EMD分解的极端学习机模型在衡水市乙肝发病率预测中的应用

目的探讨基于EMD分解的极端学习模型在衡水市乙肝发病率预测中的应用,并与原极端学习机模型进行比较。方法收集2005年1月-2017年7月衡水市乙肝统计数据,并计算月发病率,组成含有151个数据的时间序列,首先,随机选择75%的数据训练模型,25%的数据作为一步预测的验证数据,其次使用前148个数据用于训练模型,后3个数据作为三步预测的验证数据,并对2种模型的预测结果进行对比分析。结果基于EMD分解的极端学习机模型的训练MRE为0.08,一步预测的MRE为0.11,三步预测的RE分别为6.65%、8.85%、20.73%,原极端学习机模型的训练MRE为0.11,一步预测的MRE为0.16,三步预测的RE分别为22.35%、43.69%、26.08%。结论将乙肝发病率数据进行经验模态分解,使用极端学习机模型分别对各成分进行训练,与原极端学习机模型相比,可以降低极端学习的复杂度,提高预测的精度,具有较高的实用价值。     

动态贝叶斯网络模型在其他感染性腹泻发病预测中的应用

目的 采用其他感染性腹泻月发病数构建动态贝叶斯网络（Dynamic Bayesian Networks, DBN）模型,并与传统预测模型——季节乘积差分自回归移动平均(Seasonal Auto-regressive Integrated Moving Average,SARIMA)模型进行预测表现的比较。 方法 将全国2004年1月至2016年12月其他感染性腹泻月发病数作为训练集并拟合DBN模型与SARIMA模型,采用不同策略,使用两个模型分别预测2017年1月至2017年12月发病数,以MAE、MAPE作为预测表现的衡量指标。 结果 静态预测12期时DBN比SARIMA模型的MAE、MAPE分别下降了12.57%、15.84%;并且在绝大多数情况下,DBN的预测值要更接近实际发病数。动态预测12期显示,DBN比SARIMA模型的MAE、MAPE分别下降6.12%、9.30%。 结论 DBN模型在其他感染性腹泻中的预测表现要优于SARIMA模型,在传染病预测中具有极大的应用潜力。     

SARIMA-GRNN组合模型和SARIMA模型在流行性腮腺炎发病率预测中的应用

目的 探讨SARIMA-GRNN组合模型和SARIMA模型在流行性腮腺炎发病率预测中的应用,并对他们的预测效果进行比较。 方法 选取2004—2016年上海市流行性腮腺炎逐月发病率资料,基于2004年1月—2016年6月的数据建立SARIMA模型。利用2004—2015年流行性腮腺炎的SARIMA模型拟合值与实际值、时间因子训练SARIMA-GRNN组合模型,并运用2016年1—6月数据进行验证,筛选模型最优平滑因子(spread)。采用2016年7—12月数据进行回代验证模型的外推预测效果。评价指标包括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)。 结果 SARIMA(0,0,2)(0,1,1)₁₂为最优SARIMA模型。SARIMA-GRNN组合模型spread 值为0.0037。SARIMA模型、SARIMA-GRNN组合模型拟合的MAPE、MER、MSE和MAE依次分别为16.19%、15.18%、0.14、0.25;2.93%、2.28%、0.01、0.04。SARIMA模型、SARIMA-GRNN组合模型预测的MAPE、MER、MSE和MAE依次分别为17.40%、17.26%、0.03、0.16;15.24%、15.50%、0.02、0.14。 结论 SARIMA-GRNN组合模型拟合及预测效果均优于SARIMA模型,但预测精度有待进一步提高。     

BPNN神经网络模型和SARIMA模型在荆州市乙类传染病发病数中的预测效果比较

目的评价BPNN神经网络模型和季节性差分自回归滑动平均模型(seasonal autoregressive integrated moving average,SARIMA)在乙类传染病发病数中的预测效果。方法利用荆州市2005年1月—2017年12月的乙类传染病逐月发病数作为拟合数据,建立BPNN神经网络模型和SARIMA模型,预测2018年1—5月逐月发病数并与实际值比较,采用平均绝对百分比误差(MAPE)、R²、均方误差(RMSE)和平均绝对误差(MAE)评价模型的拟合及预测效果。结果SARIMA模型建立的最优模型为SARIMA[0,1,(12)](1,1,1)12,且残差为白噪声序列。BPNN神经网络模型和SARIMA模型拟合的MAPE、R2、RMSE和MAE依次分别为3.92%,0.92,82.29,61.93;7.16%,0.49,149.93,118.10。BPNN神经网络模型和SARIMA模型预测的MAPE、R2、RMSE和MAE依次分别为11.84%,0.23,180.33,94.76;21.96%,-0.91,633.94,251.19。结论BPNN神经网络模型对荆州市乙类传染病发病数拟合和预测效果均优于SARIMA模型。     

SARIMA模型与残差自回归模型在甲肝发病率预测中的应用及比较

目的比较季节性求和自回归移动平均(SARIMA)模型及残差自回归模型在甲肝发病率预测中的应用效果。方法根据四川省2004年1月~2009年6月的甲肝月发病率资料,分别拟合SARIMA模型和残差自回归模型,比较两种模型的拟合及预测效果。结果 SARIMA模型的AIC值和BIC值分别为64.98和59.07,残差自回归模型的AIC值和BIC值分别为110.01和103.44;SARIMA模型的拟合值与实际值的MAPE、MAE及MSE分别为0.0349、0.0835及0.0016,残差自回归模型的SARIMA的拟合值与实际值的MAPE、MAE及MSE分别为0.0557、0.1392及0.0050。结论 SARIMA模型的拟合与预测效果优于残差自回归模型。     

基于周期分解的ARIMA模型在甲肝发病率预测中的应用

摘要:目的　探讨基于周期分解的ARIMA模型在我国甲肝月发病率预测中的应用,并比较其与SARIMA模型的预测效果。方法　收集2004年1月-2014年12月我国甲肝月发病率资料,用SPSS13.0分别拟合两种模型,并用2014年的数据评价模型的预测效果。结果　基于周期分解的ARIMA模型的拟合及预测的MRD,MER,MSE和MAE分别为4.4691,0.0446,0.0002,0.0092;4.1310,0.0415,0.0001,0.0066。SARIMA模型的拟合及预测的MRD,MER,MSE和MAE分别为7.2979,0.0781,0.0003,0.0185;6.4407,0.0708,0.0002,0.0110。结论　基于周期分解的ARIMA模型拟合和预测效果优于SARIMA模型。它可以提高预测的精度,具有较好的应用价值。     

基于SARIMA - SVR模型的喀什地区流行性腮腺炎的流行趋势预测

目的 利用季节性自回归滑动平均模型（seasonal autoregressive integrated moving average，SARIMA）、支持向量回归模型（support vector regression， SVR）对喀什地区流行性腮腺炎( mumps)的月发病数进行预测，在上述两模型的基础上建立SARIMA - SVR组合模型，提高预测的精准度，为控制新疆喀什地区2021年流腮传播趋势提供科学预测。方法 以喀什地区2005年1月—2017年12月的流腮月发病数据为训练集，进行数据的拟合以及预测模型的训练，分别建立SARIMA、SVR、SARIMA - SVR组合模型。对2018年1月—2020年12月的流腮月发病数进行预测，并与实际值相比较，采用均方根误差(root mean square error，RMSE)衡量模型预测性能。结果 ARIMA(2，1，1)(0，0，1)12为最优的SARIMA模型，建立的SARIMA、SVR、SARIMA - SVR组合模型预测2018年1月—2020年12月的喀什地区流腮月发病数的RMSE分别为:9.611、9.545、3.427。结论 SARIMA - SVR组合模型对喀什地区流腮的预测精度高于单一预测模型，故选取该模型建立方式，利用2005年1月—2020年12月的喀什地区流腮月发病数据预测该地区2021年的月发病数。     

SARIMA-GRNN组合模型在伤寒与副伤寒逐月发病数预测中的应用

  目的  建立季节性差分自回归移动平均(seasonal autoregressive integrated moving average, SARIMA)-广义回归神经网络(generalized regression neural network, GRNN)组合模型,为伤寒与副伤寒发病数的预测提供方法学上的新思路。  方法  利用2011年1月-2019年12月中国伤寒与副伤寒逐月发病数资料,分别构建SARIMA模型和SARIMA-GRNN组合模型,比较两种模型的拟合和预测效果。  结果  最优的SARIMA模型为SARIMA (2, 1, 1) (0, 1, 1)₁₂,SARIMA-GRNN组合模型的最优光滑因子(spread)为0.21。评价SARIMA-GRNN组合模型拟合效果的参数均方根误差(root mean squared error, RMSE)、平均绝对误差(mean absolute error, MAE)和平均绝对百分比误差(mean absolute percentage error, MAPE)为90.08、71.44和7.07%,分别小于SARIMA模型的99.44、79.15和7.86%;评价预测效果的RMSE、MAE和MAPE为100.86、75.94和9.57%,均小于SARIMA模型的125.44、97.33和10.89%。  结论  SARIMA-GRNN组合模型比传统SARIMA模型更能拟合中国伤寒与副伤寒逐月的发病数,而且预测精度更高,可应用于伤寒与副伤寒逐月发病数的预测。     

非线性自回归神经网络在肾综合征出血热流行趋势预测中的应用

目的 探讨非线性自回归(NAR)神经网络拟合及预测我国HFRS流行趋势的应用。方法 使用2004－2013年全国HFRS月报告发病数序列建立ARIMA模型和NAR神经网络模型,预测2014年HFRS月发病数,并比较两模型的拟合和预测效果。结果 对于拟合集,ARIMA模型的平均绝对误差(MAE)、均方误差平方根(RMSE)和平均绝对误差百分比(MAPE)分别为148.058、272.077和12.678%, NAR神经网络分别为119.436、186.671和11.778%; 对于预测集,ARIMA模型的MAE、RMSE和MAPE分别为189.088、221.133和21.296%, NAR神经网络分别为119.733、151.329和11.431%。结论 NAR神经网络对于全国HFRS流行趋势拟合及预测效果优于传统的ARIMA模型,具有良好推广应用价值。     

动态贝叶斯网络模型和SARIMA模型对手足口病预测效果的比较

目的 采用动态贝叶斯网络模型(dynamic Bayesian networks，DBN)和乘积季节差分自回归移动平均模型(seasonal autoregressive integrated moving average model，SARIMA)对全国手足口病(hand，foot and mouth disease，HFMD)的发病趋势进行预测，为疾病的防控工作提供参考。 方法 使用2009年1月至2018年12月的手足口病月发病数资料作为训练集，分别建立DBN和SARIMA模型，以2019年1月至2019年12月的作为测试集验证两种模型的预测准确度。 结果 在训练集中，DBN的 RMSE 为34 840.283， MAPE 为17.694%，SARIMA的 RMSE 为38 929.570， MAPE 为19.931%，DBN比SARIMA模型的 RMSE 和 MAPE 分别下降了10.50%和11.22%；在测试集中，DBN的 RMSE 为40 285.106， MAPE 为23.345%，SARIMA的 RMSE 为45 461.692， MAPE 为27.686%，DBN比SARIMA模型分别下降了11.39%和15.68%。DBN的拟合及预测效果均优于SARIMA模型。 结论 DBN模型对手足口病的预测效果更优，可以为探索手足口病流行趋势以及制定预防和控制政策提供理论依据。     

三种模型在江西省流感样病例预测中的应用与比较

  目的  构建江西省流感流行趋势最优预测模型，为流感防控提供科学指导。  方法  从"中国流感监测信息系统"导出江西省2013-2017年每月流感哨点监测数据，并采用自回归（autoregressive，AR）、指数平滑（exponential smoothing，ES）和自回归积分滑动平均（autoregressive integrated moving average，ARIMA）等不同预测方法建模，并将2017年1~12月的预测值和实际比较。  结果  三种模型的R2分别为0.731、0.751和0.815；均方根误差（root mean square error，RMSE）分别为0.253、0.243和0.212；平均绝对误差（mean absolute error，MAE）分别为0.189、0.178和0.151；平均绝对百分误差（mean absolute percent error，MAPE）分别为10.092、9.523和8.124；平均相对误差（mean relative error，MRE）分别为11.45%、10.92%和8.96%。  结论  在进行江西省流感样病例就诊百分比趋势建模中，ARIMA是一个较好预测流感样病例就诊百分比的模型。