ARIMA模型和Holt-Winters指数平滑法在自杀死亡中的预测效果比较

目的 探讨比较自回归求和滑动平均(autoregressive integrated moving average,ARIMA)模型和Holt-Winters指数平滑法在自杀死亡预测中的应用。 方法 利用河北省2014年1月—2018年6月自杀月度死亡资料分别建立ARIMA模型和Holt-Winters指数平滑模型,对2018年7—12月自杀月度死亡例数进行预测,并与实际死亡人数进行验证比较,然后根据2个模型的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)以及平均绝对百分比误差(mean absolute percentage error,MAPE)评价模型的预测效果。 结果 2014—2018年河北省累计报告自杀死亡人数2 882例,自杀死亡水平整体呈现下降趋势,构建的ARIMA最佳模型是ARIMA(0,1,1)(1,1,0)₁₂,预测结果的RMSE、MAE和MAPE分别为5.99、4.67和9.80%;Holt-Winters指数平滑法最佳拟合模型是乘法模型,预测结果的RMSE、MAE和MAPE分别为6.03、5.17和11.44%。 结论 ARIMA模型预测效果优于Holt-Winters指数平滑法,更适用于自杀死亡趋势的短期预测。     

SARIMA模型和BPNN模型在江苏省肺结核发病预测中的应用

目的探讨季节性差分自回归滑动平均（seasonalautoregressiveintegratedmovingaverage,SARIMA）模型与反向传播神经网络（back propagation neural network,BPNN）模型在江苏省结核病发病数中的应用,评价两种模型的精确性,为江苏省制定肺结核防控策略提供参考。方法 本研究以江苏省2011—2020年肺结核发病数据分别建立SARIMA模型和BPNN模型,以2021年1月—2022年6月的实际肺结核发病数进行检验,比较两种模型的预测精度和建模效果。结果 SARIMA模型的均方根误差（root mean squared error,RMSE）、平均绝对误差（mean absolute error,MAE）、平均绝对百分比误差（mean absolute percentage error,MAPE）、总体相对误差值以及最小误差率分别为192、128、5.18%、0.05%、1.14%, BPNN模型的RMSE、 MAE、 MAPE、总体相对误差值以及最小误差率分别为301、 246、11.03%、2.79%、1.44%,均高...     

指数平滑法和ARIMA模型在学生肺结核预测的应用

目的 探讨指数平滑法和自回归积分滑动平均模型(auto regressive integrated moving average model,ARIMA)在衡阳市学生肺结核疫情预测中的可行性,比较两种模型的预测效果并确定最佳模型,为学校结核病疫情的早期发现和科学控制提供参考。 方法 收集衡阳市2010—2020年学生肺结核资料,比较两种模型的拟合情况和预测效果优劣。 结果 拟合最佳的指数平滑法模型为Holt-Winter加法模型,拟合的R²、平稳R²、均方根误差(root mean square error, RMSE)、平均绝对误差百分比(mean absolute percentage error, MAPE)、平均绝对误差(mean absolute error, MAE)、正态化BIC分别是0.666、0.469、5.716、31.276、3.873、3.606,Ljung-Box Q=20.741,P=0.145,验证2020年1—12月预测的平均相对误差为39.98%;拟合最佳的ARIMA模型为ARIMA(0,1,1)×(0,1,1)₁₂模型,拟合的平稳R²、R²、RMSE、MAPE、MAE、正态化BIC分别是0.500、0.603、6.532、34.623、4.443、3.885,验证2020年1—12月预测的平均相对误差为120.76%。 结论 与ARIMA模型比较而言,指数平滑模型拟合衡阳市学生肺结核发病数效果更好,预测精度更高。     

基于Prophet等时间序列季节模型的肺结核发病预测及对比分析

目的 探索河南省2014—2019年肺结核发病趋势及季节性特征,比较Prophet模型、ARIMA季节模型和Holt-Winters模型的拟合及预测效果,为肺结核防控提供科学依据。方法 基于河南省2014年1月至2018年12月肺结核月发病数据,建立Prophet模型、ARIMA季节模型和Holt-Winters模型,采用2019年1月至12月肺结核月报告发病数据验证预测效果。评价指标选取均方根误差（RMSE）、平均绝对百分比误差（MAPE）、平均绝对误差（MAE）、平均置信区间宽度、真实值超出置信区间个数。结果 模型拟合结果显示,河南省肺结核发病呈逐年下降趋势,每年3—5月达到发病高峰,2月和10月出现低谷;Prophet模型拟合及预测表现最优,评价指标RMSE、MAPE、MAE、平均置信区间宽度均低于另外两个模型,Holt-Winters模型次之,ARIMA(0,1,1)×(0,1,1)12模型拟合及预测效果相对较差。结论 Prophet模型具有较高的拟合预测准确度和精确度,可以很好地捕捉河南省肺结核发病趋势,模型拟合结果对肺结核防控工作具有一定指导意义。     

ARIMA模型和指数平滑法在我国北方流感样病例预测中的应用和比较

目的 比较ARIMA模型和指数平滑法对我国北方流感样病例的预测效果,为流感防控提供科学依据。方法 利用我国北方2012年第1周—2018年第17周的每周流感样病例比例数据拟合建立ARIMA模型和指数平滑模型,预测 2018年第18周—2019年第17周的流感样病例比例,对预测值与实际值进行比较。结果 ARIMA最优模型为ARIMA(0,1,1)(2,1,0)₅₂,预测的均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和平均绝对误差(mean absolute error,MAE)分别为0.57%、8.98%、0.34%;指数平滑法的最优模型为简单季节性模型,预测的均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)分别为0.83%、15.24%、0.55%。结论 ARIMA(0,1,1)(2,1,0)₅₂模型预测精度更高,可用于我国北方流感样病例的短期预测。     

ARIMA模型与指数平滑法预测门诊量效果比较

目的比较差分自回归移动平均(ARIMA)模型与指数平滑法对医院门诊量的预测效果。方法利用扬州市某综合性三甲医院2010—2016年门诊量数据分别拟合ARIMA模型和指数平滑模型,以2017年该院门诊量数据评价两种模型的预测效果。结果拟合最佳的ARIMA模型为ARIMA (2, 1, 0)(2, 1, 0)12,拟合的均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)分别为5 062.47、 2.83%和3 473.96;对2017年门诊量预测的RMSE、 MAPE和MAE分别为8 243.26、 4.42%和6 084.00。拟合最佳的指数平滑模型为Holt-Winters加法指数平滑模型,拟合的RMSE、 MAPE和MAE分别为4 605.15、 2.79%和3 296.90;对2017年门诊量预测的RMSE、 MAPE和MAE分别为9 585.25、 5.50%和7 733.58。ARIMA (2, 1, 0)(2, 1, 0)12预测的3个误差指标值均小于Holt-Winters加法指数平滑模型。结论 ARIMA模型预测精度更高,可应用于医院每月门诊量的短期预测。     

ARIMA模型与残差自回归模型在手足口病发病预测中的应用

目的 探讨求和自回归滑动平均混合模型（autoregressive integrated moving average model,ARIMA）和残差自回归模型在我国手足口病月发病率预测中的应用,并对它们的预测效果进行比较。方法 收集2008年1月～2014年12月我国手足口病月发病率资料,用SPSS 13.0和EViews 8.0分别拟合ARIMA模型和残差自回归模型,并用2014年7月～12月的数据评价模型的预测效果。结果 ARIMA模型拟合及预测的平均相对误差（average relative error,MRE）,均方误差（mean square predict error,MSE）,均方根误差（root mean squared predict error,RMSE）和平均绝对误差（mean absolute error,MAE）分别为14.006,4.689,2.165,0.147; 13.565,4.416,2.101,0.133。残差自回归模型拟合及预测的MRE,MSE,RMSE和MAE分别为16.793,7.247,2.692,0.171,16.206,6.639,2.577,0.164。结论 ARIMA模型拟合及预测效果优于残差自回归模型。     

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。     

ARIMA-NARNN混合模型在丙型肝炎发病率预测效果研究

目的 选择最优模型用于山西省丙肝的流行趋势预测。方法 利用2004-2015年山西省丙肝发病率建立差分自回归移动平均模型（autoregressive intergrated moving average,ARIMA）模型和混合模型并进行预测,采用均方误差（mean square error,MSE）、平均绝对误差（mean absolute error,MAE）和平均绝对误差百分比（mean absolute percentage error,MAPE）评价模型的建模性能和预测性能。结果 混合模型的建模性能MSE、MAE和MAPE分别为0.0110、0.0701和0.0670,预测性能MSE、MAE和MAPE分别为0.0052、0.0395和0.0191,其预测精度明显高于ARIMA模型。结论 混合模型预测精度高,为山西省丙肝的防控工作提供了合理模型预测。     

三种模型应用于中国2011—2020年梅毒发病趋势分析的比较

  目的  比较差分自回归移动平均(autoregressive integrated moving average model, ARIMA)模型、非线性自回归神经网络(nonlinear autoregressive neural network, NAR)模型和长短期记忆神经网络(long-short term memory neural network, LSTM)模型应用于梅毒报告发病预测的效果, 优化疫情预测模型。  方法  以中国31个省、自治区、直辖市(未包含中国台湾、香港和澳门)2011-2019年梅毒月报告发病率为拟合集, 建立ARIMA模型、NAR模型和LSTM模型, 比较3种模型的拟合效果。以2020年梅毒月报告发病率为预测集, 比较3种模型的预测效果。  结果  ARIMA模型、NAR模型和LSTM模型拟合所得的平均绝对误差(mean absolute deviation, MAD)分别为0.013、0.011和0.002, 均方根误差(root mean squared error, RMSE)分别为0.015、0.018和0.003, 平均绝对百分比误差(mean absolute percentage error, MAPE)分别为4.266%、3.810%和0.692%;预测所得的MAD分别为0.064、0.049和0.044, RMSE分别为0.069、0.068和0.060, MAPE分别为23.310%、17.629%和18.575%。  结论  LSTM模型拟合预测梅毒报告发病率的效果更好, 为梅毒疫情的防控提供数据支撑。     

Elman神经网络与ARIMA模型对甲肝月发病率的预测研究

目的 两模型对甲肝月发病率数据进行拟合预测,比较最优模型。 方法 通过软件实现ARIMA模型和Elman神经网络对甲肝发病率进行拟合,并对2017年月发病率进行仿真。 结果 两模型拟合预测效果较好,ARIMA模型平均绝对误差(mean absolute error,MAE)、均方根误差(root-mean-square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)分别为0.013、0.002 9、9.29;Elman神经网络MAE、RMSE、MAPE分别为0.012、0.000 22、8.695。Elman神经网络预测结果优于ARIMA模型。 结论 两模型均能够拟合预测甲肝月发病率,Elman神经网络拟合预测效果更好。     

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。     

上城区其他感染性腹泻ARIMA乘积季节模型的建立与预测

目的 建立上城区其他感染性腹泻病求和自回归移动平均(auto-regressive integrated moving average, ARIMA)乘积季节模型，为早期防控提供参考。方法 利用SPSS 25.0软件对上城区2010—2020年其他感染性腹泻病发病数据构建ARIMA乘积季节模型，通过对2021年月发病数进行回代预测评价模型拟合效果，并用构建的模型对2022年月发病数进行预测。结果 上城区2010—2020年共报告其他感染性腹泻病40 534例，年均报告发病数为3 685例，无死亡病例报告。构建的较优模型为ARIMA(2,1,1)(1,1,1)₁₂,平稳R²=0.870,贝叶斯信息准则(Bayesian information criterion, BIC)=9.524,平均绝对百分误差(mean absolute percentage error, MAPE)=27.351,模型Box-Ljung检验差异无统计学意义(Q=10.420,P=0.659)。模型实测发病趋势与预测发病趋势基本一致，预测值和实测值平均相对误差为23....     

基于小波分析的手足口病时间序列预测

目的构建基于小波分析的自回归移动平均(ARIMA)模型预测手足口病流行,提高预测精度。方法使用2010-2015年郑州市疾控中心手足口病监测数据,构建基于小波分析的ARIMA模型进行预测,用2016年数据进行验证,并与单纯的ARIMA模型进行比较。结果构建的基于小波分解一层的ARIMA模型为ARIMA(0,1,3)(2,1,0)_(52),矫正后的AIC=2747.82,残差序列的ACF、PACF图示残差序列无自相关,Box-Ljung test统计量为0.9177,P=0.34,认为该残差为白噪声序列,模型拟合良好。预测2016年发病趋势与实际较为相符,均方根误差RMSE(root mean square error)、平均绝对误差MAE(mean absolute error)、平均绝对百分比误差MAPE(mean absolute percentage error),分别为49.42、26.45、15.75(训练集拟合)和275.84、219.90、72.95(验证集预测),除了验证集MAPE外,均小于单一的ARIMA模型。结论基于小波分析的ARIMA模型可用于手足口病时间序列预测,拟合和预测性能较单一的ARIMA模型好。     

ARIMA乘积季节模型与LSTM神经网络模型对我国麻疹发病数预测效果的比较

目的 探讨长短期记忆神经网络(long short term memory, LSTM)模型和差分整合移动平均自回归(autoregressive integrated moving average model, ARIMA)乘积季节模型在全国麻疹发病趋势预测中的应用,为麻疹的早期防控提供科学依据。方法 选取2005年1月至2016年2月全国麻疹月发病数分别构建LSTM模型和ARIMA乘积季节模型,同时运用得到的模型对2016年3月至2018年12月发病数进行预测,运用两种评价指标平均绝对百分比误差(mean absolute percentage error, MAPE)和均方根误差(root mean square error, RMSE)检验模型的外推预测精度。最后应用模型预测2019年1月至2019年5月的全国麻疹月发病数。结果 LSTM模型和最优模型ARIMA(0,1,1)(0,1,1)₁₂外推预测的均方根误差(RMSE)分别为0.25和1.54,平均绝对百分比误差(MAPE)分别为3.6%和18.7%,提示LSTM神经网络的外推预测精度优于ARIMA模...     

RNN、JPR及ARIMA 3种模型预测中国农村孕产妇死亡率的比较

目的 利用循环神经网络(recurrent neural network, RNN)模型、Joinpoint回归(Joinpoint regression, JPR)模型、差分自回归移动平均(autoregressive integrated moving average, ARIMA)模型预测中国农村孕产妇死亡率(maternal mortality rate, MMR)的应用价值,并对《“健康中国2030”规划纲要》等文件提出的MMR下降目标能否实现进行统计预测。方法 基于2000―2019年中国农村MMR数据建立RNN、JPR及ARIMA模型,通过平均绝对误差(mean absolute error, MAE)、均方误差(mean squared error, MSE)、均方根误差(root mean square error, RMSE)比较3种模型的回代拟合效果,通过残差及相对误差比较3种模型对2020年中国农村MMR数据进行点预测的效果,利用优选模型对2021―2030年中国农村的MMR进行预测。结果 2000―2020年中国农村的MMR整体呈持续下降趋势。3种模型回代拟合...     

三种时间序列模型在尘肺发病预测中的适用性研究

目的对基于时间序列的三种预测模型即自回归滑动平均混合模型(ARIMA)、灰色模型(GM)、广义回归神经网络模型(GRNN)进行尘肺发病预测的适用性比较。方法选用河北省1954—2015年62年的尘肺发病数据,前54年数据用来拟合预测,后8年数据来比较三种模型的预测效果;采用预测误差(prediction error,PE)、平均绝对误差(mean absolute error,MAE)和平均相对误差(mean relative error,MRE)评价拟合效果。结果 GM(1,1)的预测结果较差,ARIMA的MAE和MRE是三种模型中最小的,其短期预测的PE也最低;三种方法长期预测的PE都比较大,比较而言GRNN的长期预测结果最好。结论 ARIMA适用于尘肺发病的短期预测,GRNN适用于长期预测。     

SARIMA-SVR组合模型在痢疾发病数预测的应用研究

目的 探讨季节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)及SARIMA-SVR组合模型在全国痢疾发病数预测中的应用效果，为痢疾的防控工作提供科学依据。方法 采用2010—2021年我国痢疾月发病数作为训练集，应用Python软件构建SARIMA模型、SVR模型和SARIMA-SVR组合模型，预测2022年1至8月痢疾月发病数趋势，并将其与实际资料进行对比，采用均方根误差(root mean squares error,RMSE)和平均绝对误差(mean absolute error,MAE)衡量模型间的预测效果。结果 2010—2021年各年份痢疾发病率的差异有统计学意义(χ²=30.747,P<0.001)，总体呈下降趋势(χ²趋势=30.639,P趋势<0.001)。全国痢疾发病趋势具有季节性，其中发病数前3顺位的分别为7月(246 755例，14.58%)...     

基于EMD-Elman组合模型的细菌性痢疾发病率预测研究

目的为了解重庆市2009—2015年细菌性痢疾的流行特征,提高细菌性痢疾发病预测的准确率,比较经验模态分解(empirical mode decomposition, EMD)-Elman组合预测模型、Elman神经网络和季节自回归滑动平均模型(seasonal autoregressiove integrated moving average, SARIMA)模型在细菌性痢疾发病率预测的应用效果。方法整理分析2009—2014年重庆市细菌性痢疾报告病例流行特征。采用EMD方法对2009年1月—2015年5月重庆市报告的细菌性痢疾发病数据进行分解,对得到的一系列分量分别构建Elman神经网络并进行预测,并与Elman神经网络、SARIMA模型相比较。模型预测效果评价指标采用平均绝对误差(mean absolute error, MAE)、平均绝对百分比误差(mean absolute percentage error, MAPE)和均方根误差(root mean square error, RMSE)。结果 2009-2014年重庆市细菌性痢疾平均年报告发病率为29.78/10万。发病高峰集中在每年6—10月,发病地区主要集中在主城区。EMD-Elman组合预测模型各评价指标均为最优,其RMSE、MAPE、MAE值分别为0.046、0.024、0.040;其次为Elman神经网络,其RMSE、MAPE、MAE值分别为0.093、0.051、0.081;SARIMA模型效果最差,其RMSE、MAPE、MAE值分别为0.151、0.070、0.117。结论 EMD-Elman组合预测模型提高了细菌性痢疾发病率预测精度,是一种可靠的传染病时序预测方法,可为传染病的风险控制和疾病预防政策的提出提供一定的科学指导。     

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。