ARIMA-LSTM-XGBoost加权组合模型在肺结核发病趋势预测的研究

目的 探讨ARIMA-LSTM-XGBoost加权组合模型在预测肺结核发病趋势中的应用。方法 收集广东省2009—2019年肺结核月发病数数据,将2009—2018年月发病数作为训练集,2019年月发病数作为测试集,建立ARIMA、ARIMA-LSTM、XGBoost以及ARIMA-LSTM-XGBoost加权组合模型,然后对模型预测效果进行比较。结果 ARIMA-LSTM-XGBoost加权组合模型预测数据的MAPE、RMSE、MAE分别为4.107%、376.483、301.333,优于其它几种模型。结论 ARIMA-LSTM-XGBoost加权组合模型能够提升模型预测效果,对肺结核发病预测具有应用价值,也可为其它传染病预测提供新的方法和思路。     

ARIMA和ARIMA-SVM组合模型在江苏省艾滋病发病预测中的应用

目的 建立差分自回归滑动平均求和（autoregressive integrated moving average,ARIMA）模型，在此基础之上引入支持向量机（support vector machine SVM）方法，构建ARIMA-SVM组合模型对江苏省2022年上半年艾滋病病例报告数进行预测，比较ARIMA以及ARIMA-SVM模型的的预测效果，为江苏省艾滋病防控提供科学参考。方法 以江苏省2016年1月—2021年12月艾滋病病例报告数据为基线，利用R软件，构建ARIMA模型对2022年1—6月艾滋病病例报告数进行预测，并用SVM对ARIMA模型中的非线性特征进行预测，建立ARIMA-SVM模型，与实际病例报告数进行比较，评价两种模型的预测效果。结果 江苏省2016年1月—2021年12月共登记艾滋病病例报告数9 109例，月均发病127例。构建最佳的ARIMA模型的为ARIMA (0,0,1)(0,1,1)12,MAPE为53.27%. ARIMA-SVM模型的MAPE为14.67%，在相对误差上，除6月外，ARIMA-SVM组合模型各月的相对误差均低于ARIMA模型。结论...     

ARIMA与SVM组合模型在新型冠状病毒肺炎预测中的应用

目的 基于差分自回归移动平均模型(ARIMA)通过引入支持向量机(SVM)方法,构建一个组合模型对新型冠状病毒肺炎(COVID-19)的发病趋势进行预测。方法 应用ARIMA模型对江苏省2020年1月22日-2月18日每日新增确诊病例数据中线性部分进行预测,捕捉时间序列数据的线性变化趋势,采用SVM对数据的非线性变化趋势进行预测,通过平均绝对误差(MAE)、均方误差(MSE)和平均绝对百分比误差(MAPE)评估两种组合模型的预测结果,比较模型的优劣。结果 在模型的拟合阶段,与单一ARIMA模型和SVM模型相比,ARIMA-SVM组合模型对COVID-19发病预测的MSE、MAE和MAPE均最小,分别为0.004、0.055和0.004;在模型的预测阶段,MSE、MAE和MAPE分别为7.811、2.730和0.764,在3个模型中也均是最小的。结论 与单ARIMA或SVM相比,ARIMA-SVM组合模型对COVID-19发病趋势具有更高预测精度。     

基于ARIMA和LSTM神经网络的乌鲁木齐市乙型肝炎发病预测研究

目的 了解乌鲁木齐市2012—2021年乙肝发病趋势,建立合适的发病预测模型,探讨ARIMA模型和LSTM神经网络在乙肝发病预测中的应用。方法 根据2012—2021年乙肝月报告病例数据,建立ARIMA模型和LSTM神经网络模型,对乌鲁木齐市乙肝发病数进行拟合及预测,通过比较RMSE的大小评价模型效果。结果 LSTM神经网络模型拟合和预测的RMSE分别为50.13、42.70,ARIMA(0,1,1)(0,0,2)12模型拟合和预测的RMSE分别为67.62、66.85。前者的拟合及预测效果显著优于后者。结论 乌鲁木齐市10年来乙肝发病呈逐年下降趋势,且存在一定季节性变化。LSTM神经网络模型可较好地拟合和预测乌鲁木齐市乙肝的发病数及趋势,且模型效果优于ARIMA(0,1,1)(0,0,2)12,能在一定程度上提高预测精确度。     

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。     

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。     

基于ARIMA - SVM组合模型的道路交通伤害死亡率预测

目的 探讨ARIMA - SVM组合模型在道路交通伤害死亡率预测中的应用，并与单纯ARIMA模型的预测效果比较。方法 利用2014年1月－2018年6月河北省道路交通伤害死亡率数据拟合建立ARIMA模型和ARIMA - SVM组合模型，对2018年7－12月死亡率进行预测，并与实际死亡率进行验证比较，评价模型的预测效果。结果 ARIMA模型预测值与实际值的相对误差在0.00%～13.38%之间，ARIMA - SVM组合模型预测值与实际值的相对误差在0.00%～3.75%之间；且两者预测效果评价指标RMSE、MAE和MAPE分别为0.102、0.042，0.079、0.036，5.264%、2.469%。结论 ARIMA - SVM组合模型的预测效果优于单纯ARIMA模型，预测精度更高，可用于道路交通伤害死亡率的预测。     

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Holt-Winters指数平滑法在贵州省肺结核发病预测中的应用

目的探讨比较自回归差分移动平均（autoregressive integrated moving average, ARIMA）模型及Holt-Winters指数平滑法在肺结核发病预测中的应用，为贵州省结核病防控工作提供科学依据。方法以2015—2021年贵州省登记报告的肺结核发病数据建立ARIMA模型和Holt-Winters指数平滑模型，分别用两种模型预测2022年1—10月肺结核发病数，并与实际登记报告肺结核发病数作比较，对两种模型预测效果进行评价。结果 2015—2021年贵州省累计报告肺结核患者28.08万例，总体上肺结核发病呈下降趋势。构建ARIMA最佳模型为ARIMA (1, 1, 0)(0, 1, 0)12，模型预测结果均方根误差（root mean square error,RMSE）为462.46，平均绝对误差（mean absolute error,MAE）为424.50，平均绝对百分比误差（mean absolute percentage error,MAPE）为21.21%;Holt-Winters指数平滑法最佳模型为乘法模型，模型预测结果 RMSE为387....     

ARIMA与GM(1,1)模型对我国肺结核年发病人数预测情况的比较

目的通过ARIMA乘积季节模型和GM(1,1)模型拟合我国肺结核的发病人数,比较两种模型的拟合效果。方法运用我国2011-2016年的肺结核发病人数,分别构建ARIMA乘积季节模型和GM(1,1)模型,然后利用所得到的模型进行预测。采用平均绝对百分误差(MAPE)来评价模型的拟合效果。结果 GM(1,1)模型和ARIMA乘积季节预测模型所得到的MAPE分别为1.45%、1.70%。用GM(1,1)模型预测2017-2018年我国肺结核的发病人数分别为1042909、988915人。结论 GM(1,1)拟合效果优于ARIMA乘积季节模型,预测表明2017-2018年我国肺结核年发病人数将呈现出减少的趋势,但是肺结核发病人数仍然较多。     

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。     

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。     

基于ARIMA模型的2020年衡阳市肺结核发病趋势预测

目的 用差分整合移动平均自回归(autoregressive integrated moving average, ARIMA)模型对肺结核发病率进行预测,为人群肺结核的防治以及制定干预措施提供参考依据。 方法 收集衡阳市2010年1月—2019年12月肺结核月发病数据,运用SPSS 22.0软件进行数据分析,构建ARIMA模型对衡阳市肺结核发病趋势进行预测。结果 2010—2019年衡阳市共报告肺结核病例66 257例,2010—2018年衡阳市肺结核的总体发病率呈小幅度下降趋势,2019年发病率有所回升,发病主要集中在2—6月。ARIMA(0,1,1)×(0,1,1)₁₂模型是拟合衡阳市肺结核月发病率的最优模型。运用该模型对2020年上半年肺结核月发病率进行预测后发现,各个月份的预测发病率和实际发病率均在95%置信区间范围内,相对误差中位数是16.54%,模型预测效果较好。结论 ARIMA(0,1,1)×(0,1,1)₁₂模型能够较好拟合衡阳市肺结核发病率的变化趋势,可用于衡阳市肺结核发病率短期预测,对肺结核预测具有较好的应用价值。     

2005—2021年新疆肺结核季节流行特征及阶段趋势对比

目的 分析2005—2021年新疆肺结核流行现状和传播规律,为进一步做好肺结核防控提供参考依据。 方法 基于2005—2020年全国和新疆肺结核年报告发病率,建立连接点回归(joinpoint regression,JPR)模型对比肺结核的阶段性变化趋势;以2005年1月—2021年8月新疆肺结核报告月发病数建立Prophet模型和季节性自回归移动平均(auto regressive integrated moving average,ARIMA)模型,分析肺结核发病季节变化特征,并比较模型的拟合精度。 结果 JPR模型拟合结果显示,相较于全国缓慢下降且无明显转折点,新疆肺结核发病率变化曲线被2个明显的转折点划分为3个阶段:缓慢下降阶段[2005—2015年,年度变化百分比(annual percent change,APC)=-1.988,P＜0.05],不明显上升阶段(2015—2018年,APC=19.071,P＞0.05)和明显下降阶段(2018—2020年,APC=-36.048,P＜0.05);总体上变化趋势较为平稳。Prophet模型和ARIMA(1, 1, 2)×(1, 1, 1)₁₂模型结果提示,新疆肺结核易在1月和3月高发,9月为发病低谷;Prophet模型拟合效果优于传统的ARIMA模型。 结论 2005-2021年新疆肺结核报告发病率远高于全国,且存在明显季节效应,应进一步加强春季肺结核的防控。     

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...     

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。     

基于ARIMA-GRNN组合模型预测医保补偿住院费用

目的 探讨ARIMA-GRNN组合模型在城乡居民基本医疗保险的医保补偿住院费用预测中的应用,比较它与ARIMA模型预测的效果。方法 收集2016年1月至2020年12月河南某市城乡居民基本医疗保险的住院补偿费用,使用Matlab R2016a建立ARIMA-GRNN组合模型,使用R 4.0.3建立ARIMA模型,用2020年5月至12月的数据对两模型的预测效果做评价。结果 ARIMA(0,1,1)(1,0,0)12模型相对最优,其拟合部分的MAE、MAPE、RMSE分别为3998.4、10.9%、5642.9,预测部分的MAE、MAPE、RMSE分别为6521.9、16.5%、6675.8。ARIMA-GRNN模型最优光滑因子为0.166,其拟合部分的MAE、MAPE、RMSE分别为4044.5、11.1%、5622.0,预测部分的MAE、MAPE、RMSE分别为5831.8、14.8%、6013.7。结论 ARIMA-GRNN组合模型预测效果比单纯ARIMA模型好,可短期预测医保补偿住院费用。