ARIMA乘积季节模型分析昆山市2006—2016年脑血管病死亡率

目的基于X-12自回归求和移动平均混合模型(ARIMA),对昆山市脑血管病粗死亡率建立时间序列模型,预测未来年份脑血管病粗死亡率。方法对昆山市2006—2016年月度脑血管病粗死亡率,建立X-12-ARIMA季节调整乘积模型,以贝叶斯信息准则(BIC)值最小为最优模型选择标准;采用平均绝对误差和平均相对误差评价模型预测精度。结果乘积季节模型ARIMA(2,0,0)×(0,1,1)12可用于拟合昆山市2006—2016年月度脑血管病粗死亡率(BIC=446.36),平均绝对误差为0.99/10万,平均相对误差为13.15%。建模结果显示昆山市2006—2016年月度脑血管病粗死亡率呈现季节波动(F=11.00,P<0.01),未来年份脑血管病粗死亡率趋势无明显波动。结论 ARIMA(2,0,0)×(0,1,1)12能短期预测昆山市脑血管病粗死亡率;长期的脑血管病粗死亡率预测模型尚需未来年份实际数据修正。     

应用ARIMA模型预测结核病发病率研究

目的应用自回归求和移动平均(ARIMA)模型预测结核病发病率。方法收集浙江省余姚市2006—2016年结核病月发病资料,采用专家建模器和传统建模方法建立ARIMA模型,根据最小贝叶斯信息准则(BIC)值选出最优模型,对2006—2016年结核病月发病率进行回代拟合,并对2017年结核病月发病率进行预测。结果传统建模方法所得模型为ARIMA(0,1,1)(0,1,1)12,专家建模器所得模型为ARIMA(0,0,1)(0,1,1)12;两个模型的残差序列均未突破可信区间,为白噪声过程,均为恰当模型,但ARIMA(0,0,1)(0,1,1)12标准化的BIC值更小,确定为最优模型。对余姚市2006—2016年结核病月发病率进行回代拟合,实际发病率均落入拟合值的95%CI内,模型预测值能较好拟合原始数据;预测余姚市2017年1—12月结核病月发病率,预测值与实际值的平均相对误差为9.05%。结论应用专家建模器构建的ARIMA模型可较好地预测结核病发病率。     

ARIMA模型在乙型肝炎发病数预测中的应用

目的探讨自回归移动平均(ARIMA)模型在乙型肝炎(以下简称"乙肝")发病数预测中的可行性,为预测乙肝发病趋势提供借鉴。方法利用"传染病报告信息管理系统"中湖北省2005―2016年乙肝分月发病数建立数据库,采用SPSS 12.0拟合ARIMA模型并进行预测。结果乙肝发病数原始数据存在一定的季节性及长期趋势,为非平稳时间序列;经差分处理为平稳序列后拟合得到ARIMA(0,1,1)(0,1,1)12为最优模型,残差检验为白噪声序列;模型回代性预测的平均绝对误差百分比为5.377%,10%;前瞻性预测显示2016年各月份的实际值均在预测值95%置信区间内,且与实际值的平均相对误差仅为3.94%;模型预测2017和2018年乙肝年发病数分别为67 424、68 819例。结论 ARIMA模型能较好地模拟乙肝发病数在时间序列上的变动趋势,将其应用于乙肝发病趋势的预测是可行的。     

应用ARIMA模型预测石家庄市手足口病发病趋势

目的探讨应用ARIMA模型预测石家庄市手足口病发病趋势的可行性,为手足口病防制提供科学依据。方法收集石家庄市2011-2018年手足口月发病率,利用软件SPSS 19.0构建石家庄市手足口病月发病率ARIMA模型。结果石家庄市手足口病月发病率模型为ARIMA(1,0,1)(0,1,1)12,最小BIC指标值为3.058,Ljung-Box统计量为15.986(P=0.383),模型残差为白噪声序列。2018年7-12月实际月发病率与预测值基本吻合,预测值与实际值的平均相对误差为4.72%,实际值均在预测值95%可信区间。利用该模型进行预测,2019年石家庄市手足口病发病呈上升趋势。结论ARIMA(1,0,1)(0,1,1)12模型可以较为准确地预测短期内石家庄市手足口病发病趋势,可为手足口病的防治工作提供参考。     

ARIMA模型在阜阳市手足口病发病数预测中的应用

目的探讨应用求和自回归移动平均(Autoregressive Integrated Moving Average,ARIMA)模型进行手足口病发病数的拟合和预测,为手足口病疫情预警提供依据。方法运用统计分析软件Eviews 5.0对阜阳市2009年1月至2013年10月的手足口病发病的月发病数进行模型拟合,根据所建立的最优模型对2013年11月和12月的手足口病月发病数进行预测,并与实际值进行比较。结果阜阳市手足口病发病以年为周期,一年中4~7月份出现发病高峰。手足口病预测模型ARIMA(1,0,1)(0,1,1)12,检验结果总体最好,2013年11月至12月的手足口病月发病数的预测值与实际值较为接近,预测相对误差分别为3.35%和3.16%,预测效果较好。结论 ARIMA(1,0,1)(0,1,1)12模型可作为阜阳市手足口病月发病数中短期预测的模型。     

三种预测模型在出生缺陷发生趋势预测中的可行性研究

目的探讨ARIMA乘积季节模型、Holt-Winters季节模型、多层感知器模型在出生缺陷发生趋势预测中的可行性。方法本文采用2009年10月至2016年9月西安市妇幼保健院出生缺陷监测及围产儿数据进行研究。选择2009年10月至2015年8月出生缺陷月发生率时间序列进行模型拟合,应用2015年9月至2016年9月出生缺陷月发生率对模型进行评价。结果三种模型均通过了检验。ARIMA(0,0,1)(0,1,1)_(12)模型预测平均绝对误差和相对误差分别为11.64和0.11。Holt-Winters加法模型预测平均绝对误差和相对误差分别为14.21和0.14。Holt-Winters乘法模型预测平均绝对误差和相对误差分别为16.64和0.16。多层感知器模型预测平均绝对误差和相对误差分别为20.58和0.20,通过比较模型预测能力,最优模型为ARIMA(0,0,1)(0,1,1)_(12)。结论 ARIMA乘积季节模型更加灵活,结果可能较优。同时,随着预测时间的延长,模型预测的准确性降低。     

ARIMA乘积季节模型在苏州市其他感染性腹泻发病预测中的应用

目的探讨自回归求和移动平均(autoregressive integrated moving average,ARIMA)乘积季节模型在苏州市其他感染性腹泻发病预测方面的应用。方法利用R软件对苏州市2004年1月—2015年12月的其他感染性腹泻发病率数据构建ARIMA乘积季节模型,预测苏州市2016年1—12月其他感染性腹泻发病率。结果建立了ARIMA(1,1,1)×(0,1,1)12乘积季节模型,模型Ljung-Box检验差异无统计学意义(Q=5.305,P=0.947),模型短期预测效果较好,2016年1—6月苏州市其他感染性腹泻发病率预测值与实际发病率进行比较,相对误差的平均值为0.041,实际发病率均在预测结果 95%可信区间内。结论 ARIMA(1,1,1)×(0,1,1)12季节乘积模型可用于苏州市其他感染性腹泻发病的短期预测。     

ARIMA模型与Holt-Winters指数平滑模型在武汉市流感样病例预测中的应用

目的 探讨比较ARIMA模型和Holt-Winters模型在武汉市流感样病例预测中的应用,为流感防控提供科学依据。方法 利用武汉市2012年1月-2017年6月每周流感样病例比例数据拟合建立ARIMA模型和Holt-Winters指数平滑模型,预测2017年7-8月周流感样病例比例,并与实际流感样病例比例进行比较。结果 ARIMA最优模型为 ARIMA(1,0,1)×(0,1,1)52,预测的平均相对误差为6.88%,Holt-Winters的最优模型为乘法模型,预测平均相对误差为13.79%。结论 ARIMA(1,0,1)×(0,1,1)52模型拟合效果较好,预测精度更高,可用于武汉市流感样病例的预测。     

ARIMA乘积季节模型在青州市布鲁氏菌病发病预测中的应用

目的应用自回归求和移动平均(ARIMA)乘积季节模型预测青州市布鲁氏菌病月发病数,构建青州市布鲁氏菌病月发病数的预测模型,为青州市布鲁氏菌病防控措施提供科学依据。方法收集青州市2011—2017年布鲁氏菌病监测数据,采用SPSS 25.0统计软件建立ARIMA时间序列模型,并对模型进行检验,预测出2018年的布鲁氏菌病月发病数,用2018年布鲁氏菌病实际月发病数评价模型的预测效果。结果模型ARIMA(0,1,1)(1,1,0)12标准化的BIC值最小,Box-Ljung检验统计量Q=23.746,P>0.05,残差序列为白噪声,确定为最优模型。结论ARIMA乘积季节模型短期预测青州市布鲁氏菌病月发病数效果较好。     

定西市安定区手足口病SARIMA预测模型研究

目的构建自回归求和移动平均模型(SARIMA),用于定西市安定区手足口病发病率的预测,分析该模型在手足口病预测中的应用。方法根据2008年1月—2019年6月手足口病月发病率构建SARIMA模型,2019年7—12月手足口病发病率为验证数据,验证模型预测效果。结果 SARIMA(1,0,1)×(0,1,1)_(12)为最优模型,其平稳R2为0.754,均方根误差为6.540,正态化的BIC值为3.911。预测结果显示:2019年7-12月手足口病月发病率预测最小相对误差为0.51%,最大相对误差为26.18%,平均相对误差为16.01%,实际值均在预测值的95%CI以内。结论 SARIMA(1,0,1)×(0,1,1)_(12)模型能较好地拟合安定区手足口病月发病情况,在实际应用中,SARI MA模型适用于短期预测,同时本模型预测值的95%CI宽度偏大,所以在后期的工作中,应对模型进一步优化。     

ARIMA乘积季节模型在全国布鲁菌病发病预测中的应用

目的应用求和(差分)自回归移动平均(Autoregressive Integrated Moving Average Model,ARIMA)乘积季节模型分析季节性时间序列,建立全国布鲁菌病发病数的预测模型。方法利用中国疾病预防控制中心2011年1月—2016年12月按月报告的布鲁菌病发病数历史疫情数据,采用最大似然法估计模型参数,模型定阶后,建立布鲁菌病按月发病数ARIMA乘积季节预测模型。结果非季节和季节移动平均参数分别为0.357 35、0.666 64,均P0.05,AIC=911.337 2,SBC=917.569 8,均P0.05,据此建立ARIMA(0,1,1)(0,1,1)12乘积季节模型,模型表达式荦荦12xt=(1-0.357 35B)(1-0.666 6412)εt,并开展全国布鲁菌病发病数的预测。结论 ARIMA(0,1,1)(0,1,1)12乘积季节模型可用于预测布鲁菌病的发病情况。     

ARIMA模型在武汉市结核病疫情预测中的应用

目的探讨应用自回归移动平均模型(ARIMA)预测武汉市结核病发病情况。方法收集中国结核病信息管理系统中2011—2015年武汉市结核病月报告发病数数据,利用SPSS 18.0统计软件通过建模和拟合,对2016年肺结核发病数进行预测,比较预测值与实际报告数之间差异评价其预测效果。结果武汉市肺结核发病以年为周期,每年4~6月和9~10月为高发期;ARIMA(0,1,1)×(0,1,1)12能很好的拟合武汉市结核病发病情况,其标准化BCI=0.732,Ljung-Box统计量为25.659,P=0.059,预测平均相对误差率为3.31%,预测结果基本符合2016年实际发病变动趋势。结论 ARIMA模型能较好地模拟和预测结核病发病在时间序列上的变化趋势,可为今后合理配置防控资源提供参考依据。     

基于ARIMA乘积季节模型的苏州市介水传染病发病预测研究

目的探讨运用自回归求和移动平均(autoregressive integrated moving average,ARIMA)乘积季节模型对苏州市介水传染病发病率进行预测。方法利用R软件对苏州市2008年1月—2015年12月的介水传染病发病率数据进行拟合,构建ARIMA乘积季节模型,对苏州市2016年1—6月介水传染病的发病率进行预测。结果构建了ARIMA(2,1,2)×(0,1,1)_(12)乘积季节模型,模型Ljung—Box检验差异无统计学意义(Q=18.478,P=0.779),模型适用于短期预测,2016年1—6月苏州市常见介水传染病实际发病率均在预测结果95%可信区间内,预测结果相对误差的平均值为-0.024。结论ARIMA(2,1,2)×(0,1,1)_(12)季节乘积模型可用于苏州市介水传染病发病率的短期预测。     

ARIMA模型在上海市崇明区病毒性肝炎预测中的应用效果研究

目的探讨ARIMA模型在病毒性肝炎预测方面的应用,为崇明区病毒性肝炎的防控措施提供参考依据。方法利用崇明区2002年1月—2014年12月病毒性肝炎发病数资料,通过Eviews8.0和SPSS21.0软件建立自回归求和移动平均模型(autoregressive integrated moving average,ARIMA);并对2015年1-12月病毒性肝炎发病数进行比较及验证。结果建立了ARIMA(0,1,1)×(1,0,1)12模型,模型Q统计量为17.294(P0.05),模型实际值基本在预测值95%的可信区间范围内,证实了该模型的适用性。结论本ARIMA模型可用于崇明区病毒性肝炎发病的动态分析和短期预测。     

ARIMA模型在河南省甲型病毒性肝炎发病数预测中的应用

目的建立乘积季节自回归移动平均(ARIMA)模型,利用该模型预测河南省甲肝发病情况并探讨其可行性。方法对2008年1月-2015年8月河南省的甲肝疫情监测数据差分平稳化,通过专家建模器筛选最优模型,利用2015年9月-2016年8月的甲肝疫情资料来拟合预期值并评价该模型的可行性。结果 2008-2015年河南省甲肝发病数逐年减少且呈现明显的季节效应;本次研究中乘积季节ARIMA(0,1,1)×(1,0,1)_(12)模型能较好的拟合既往的甲肝报告病例数,模型统计量Ljung-Box Q为21.742,P为0.115〉0.05,残差序列为白噪音;且对2015年9月-2016年8月按月报告的甲肝病例数的预测值与实际值吻合情况良好,平均误差绝对值4.67,平均相对误差绝对值为0.2。结论ARIMA模型能较好模拟、预测河南省甲肝的发病情况,该模型的预测效能将优化甲肝预防工作,有较好的推广价值。     

基于ARIMA模型的洛阳市手足口病发病率预测

目的建立洛阳市手足口病发病率的自回归积分移动平均(ARIMA)模型,并对洛阳市手足口病的发病率进行预测。方法以2009-2017年洛阳市手足口病发病率数据为基础建立ARIMA模型,并用2018年1月至5月的实际发病率进行验证,评价模型的拟合效果,利用最优模型预测2018年6月至12月洛阳市手足口病发病率。结果在本次研究中建立的ARIMA最优模型为ARIMA(2,0,0)(0,1,1)12,参数均有统计学意义(P 0. 05),拟合优度检验BIC最小为3. 563,残差序列为白噪声(Ljung-Box Q=13. 962,P=0. 528),拟合效果较好。预测出洛阳市2018年6-12月手足口病平均月发病率为13. 16/10万,与2017年同期相比略高。结论 ARIMA(2,0,0)(0,1,1)12模型拟合洛阳市手足口病发病率序列效果较好,可用于在短期上对洛阳市手足口病发病趋势进行预测。     

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模型在湖南省常德市手足口病发病预测中的应用

目的:构建ARIMA模型预测湖南省常德市手足口病发病趋势,为早期防控提供科学依据。方法:分析处理2010-2015年常德市手足口病发病率时间序列,构建ARIMA模型,对2016-2017年常德市手足口病发病趋势进行预测。结果:通过拟合优度检验和残差序列白噪声检验,得出本研究最优模型为ARIMA(1,0,1)(0,1,1)_(12),正态化BIC=4.235,Ljung-Box=12.019(P=0.678),2016年观测值均位于预测值95%可信区间内,与预测值的相对误差为0.72%-35.09%,预测2017年常德市手足口病月发病率在6月出现最大值,为24.03/10万。结论:该ARIMA模型能够较好拟合常德市手足口病发病趋势,预测效果良好。     

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。     

两种预测模型在ESBLs肺炎克雷伯菌流行趋势预测中的应用

目的通过运用2010年-2016年的既往监测数据分析和比较指数平滑法与求和自回归移动平均(ARI-MA)乘积季节模型对产超广谱β-内酰胺酶(ESBLs)肺炎克雷伯菌检出人数的预测效能,分析与预测产ESBLs肺炎克雷伯菌的流行趋势。方法使用浙江某医院2010年1月-2015年12月的产ESBLs肺炎克雷伯菌的月度监测数据,分别建立ARIMA模型与指数平滑法,以平均绝对百分误差(MAPE)及贝叶斯信息准则(BIC)作为评价指标评价模型的可行性。以2016年1-12月产ESBLs肺炎克雷伯菌的检出人数作为预测模型的样本数据以验证模型的预测效果。结果 ARIMA乘积季节模型筛选出的最优模型为ARIMA(0,1,1)(2,1,0)12,模型的MAPE为44.92,BIC为3.63,平均预测误差为14.34%。指数平滑法所筛选出的最优模型为简单季节模型,模型的MAPE为37.03,BIC为3.00,平均预测误差为17.65%。结论同简单季节模型相比,ARIMA乘积季节模型对该院既往监测数据拟合效果更为理想,预测精度更高,可用于预测产ESBLs肺炎克雷伯菌感染情况的预测和预警。