郑州市二七区手足口病周发病例数SARIMA模型预测分析

摘要:目的　构建手足口病周发病例数的季节性自回归移动平均模型,并将其应用于预测该地区手足口病疫情趋势,为该地区制定防治策略提供依据。方法　采用时间序列分析方法,以郑州市二七区2008-2013年每周手足口病的发病资料进行分析、建立模型,以此模型预测2014年该地区手足口病的发病情况,并与实际观察值相比较。结果　郑州市二七区手足口病周发病例SARIMA（1,1,0）（0,1,0）52模型的拟合度（R2）为0.807;精度（Root Mean Square Error,RMSE）为11.573。结论　应用时间序列分析方法建立的SARIMA模型能较好的拟合手足口病的流行,并进行预测。     

应用SARIMA模型评估新型冠状病毒感染疫情对郑州市手足口病流行趋势的影响

目的 建立郑州市近年手足口病周发病的季节性自回归滑动平均模型(seasonal auto regressive integrated moving average,SARIMA)并进行评估和预测，通过对比2020年预测值和实际值，评价郑州市2020年新型冠状病毒感染（新冠感染，COVID-19）疫情对手足口病的影响。方法 以2015-2019年郑州市手足口病周发病数为基础，建立适合郑州市手足口病SARIMA模型，利用R4.2.2软件中的auto.arima()代码自动得到最优模型后，对2020年手足口病发病数进行预测并与实际值比较。结果 构建的郑州市手足口病周发病预测模型为SARIMA(3,0,1)(1,1,0)52，模型参数均有统计学意义(P<0.05)，模型拟合优度AIC=38.46,BIC=58.49，残序列为白噪声检验(Ljung-Box test),Q=44.140,P=0.592,2020年第1～4周（指疫情影响前）实际值在拟合值的95%置信区间（95%CI）范围内，第5周后受到明显的影响，第5～52周实际值比预测值减少了33.76%,2020年第5～31周与预测值相...     

手足口病流行时间序列模型及其与气象因素联合预测研究

目的探讨手足口病流行的时间序列特征与预测方法,为风险评估和政策措施制定提供科学依据。方法收集2010至2017年广州市手足口病每月发病数和气象资料(平均气温、总和降雨量、相对湿度),划分训练数据和验证数据,基于自回归求和移动平均模型(seasonal autoregressive integrated moving average,SARIMA)建立多元时间序列回归预测模型(SARIMA with external regressors,SARIMAX)。结果广州市年平均发病人数为61795例,月平均发病人数为5150例。发病数时间序列具有明显的季节性特征,最终建立模型为SARIMA(0,1,0)(1,1,1)_(12)纳入相对湿度滞后1期变量模型,该模型较基础SARIMA(0,1,0)(1,1,1)_(12)模型AIC值降低16.52%,拟合过程均方根误差(root mean square error,RMSE)降低11.13%,预测过程RMSE降低40.68%。结论 SARIMAX模型可提高手足口病流行预测的精确度,相对湿度是广州地区手足口病流行的重要预测因素。     

季节性ARIMA模型在广州市手足口病疫情预测中的应用

目的探讨应用季节性ARIMA模型预测广州市手足口病发病情况的可行性。方法利用"传染病报告信息管理系统"数据,应用SPSS 13.0统计软件对广州市2009年1月至2014年6月手足口病发病数建立季节性ARIMA模型,使用所建模型对2014年7~12月发病情况进行预测。结果广州市手足口病发病特征以年为流行周期,每年有2个发病高峰;应用季节性ARIMA方法进行模型识别与估计后,建立ARIMA(1,0,1)(2,1,0)12模型,预测平均相对误差为0.22,预测效果较好。结论季节性ARIMA模型能较好的拟合广州市手足口病发病序列并进行短期的有效预测。     

利用时间序列模型分析预测辽宁手足口病疫情趋势

目的探讨辽宁地区手足口病发病趋势特征,应用时间序列模型进行预测。方法收集辽宁省2008年1月-2013年12月的手足口病月发病数据建立时间序列,采用自回归移动平均季节乘积模型拟合发病情况,对2014年1月~12月的手足口病发病数进行预测,评价预测效果。结果建立SARIMA(0,1)×(1,1)模型,预测平均相对误差为21.58%,希尔不等系数为0.115236。结论辽宁地区手足口病疫情趋势平稳,呈现周期为12月的季节性波动,所建立的模型时防控工作具有指导意义。     

厦门市翔安区手足口病流行特征分析及发病趋势预测方法研究

目的:研究厦门市翔安区手足口病的流行特征并探讨SARIMA模型拟合手足口病发病趋势预测的可行性.方法:利用SPSS软件对翔安区手足口病的发病情况进行流行病学分析,通过取自然对数,差分等方法对手足口病月发病数序列进行平稳化,然后进行模型参数的估计,检验,最优模型的筛选,最后进行预测分析.结果: 2011-2014年,翔安区手足口病的年平均发病率为231.40/10万,4-7份和9月份有两个发病高峰,病例主要分布于5岁以下儿童,占所有病例数的93.89%%;病原构成以其他肠道病毒为主,占43.8%,其次为CoxA16占31.4%,EV71仅占27.8%;SARIMA(0,1,0)(1,1,0)₁₂较好地拟合了厦门市翔安区手足口病的月发病数据,预测效果良好.结论:厦门市翔安区手足口病的发病率较高,可以用SARIMA模型进行短期预测,进而指导各项防控措施.     

SARIMA模型在晋江市手足口病发病趋势预测的应用

目的拟合晋江市手足口病发病趋势的SARIMA模型,为防控提供参考。方法用Eviews 5.0软件对疾病监测信息报告管理系统中晋江市2009—2016年手足口病的月发病资料进行分析、建模,预测2017年晋江市手足口病的发病情况,并与实际值比较。结果晋江市2009—2016年手足口病季节性明显,通过拟合模型参数检验、白噪声检验确定SARIMA(4,1,3)(1,1,1)1 2模型较优,调整的R2为0.620,AIC值为0.735,SC值为1.064。2017年预测值除2月和7月外,其余月份预测发病均高于实际发病,1~7月预测值与实际值平均绝对误差106.6%,平均相对误差93.0%,最大误差204.5%(5月),最小误差0.0%(2月)。结论建立的SARIMA模型能较好地预测晋江市手足口病的变动趋势,为防控工作提供参考。     

手足口病发病预测4种时间序列预测模型比较

目的 比较季节性差分自回归移动平均模型(SARIMA)、温特线性与季节指数平滑模型、Census X12季节分解模型和线性组合预测模型4种时间序列预测模型对手足口病发病的预测性能,为手足口病的预测提供方法支撑.方法 收集中国疾病预防控制中心2008年1月-2019年12月发布的中国手足口病月度发病人数和《中国统计年鉴—...     

SARIMA模型在龙岩市手足口病预测中的应用

目的用SARIMA模型对龙岩市手足口病(HFMD)发病进行预测,为防控提供参考。方法用Eviews 5.0软件对《疾病监测信息报告管理系统》中龙岩市2008年5月至2014年12月HFMD的月发病例数进行SARIMA模型拟合与分析。结果 2008年5月至2014年12月,HFMD发病数呈周期性波动,通过自然对数和1次1阶非季节差分,拟合的相对最优模型为SARIMA(2,1,3)(1,1,1)12,表达式为(1-1.16L+0.77L2)(1+0.33L12)(1-L)(1-L12)log(yt)=(1-0.86L+0.32L3)(1-0.90L12)εt。预测结果吻合较好,平均相对误差为10.2%。结论 SARIMA模型可对龙岩市手足口病进行较准确预测,对预警有实用价值。     

辽宁省手足口病疫情季节性ARIMA模型预测效果评价

目的利用时间序列法研究手足口病的发病趋势和流行特征,建立ARIMA乘积季节模型,对2017年7月—2018年12月辽宁省手足口病的月发病疫情情况及流行强度进行预测,为手足口病的预防监测工作提供依据。方法收集辽宁省手足口病2012年1月—2016年12月的月发病报告数,采用Excel 2010建立辽宁省手足口病月报告发病数数据库,应用SPSS 23.0软件进行SARIMA模型的构建,拟合发病情况,对辽宁省手足口病2017年7月—2018年12月发病数进行预测,评价预测效果。结果辽宁省手足口病发病特征以年为流行周期,季节性周期为12个月(s=12)。每年6—9月为该病的发病高峰期。最佳模型为SARIMA(0,1,0)×(1,1,0)_(12)季节性模型,模型残差Ljung-Box Q=18.564,P=0.354,序列为白噪声。预测平均相对误差为0.229,预测效果较好。结论季节性ARIMA模型能较好的拟合辽宁省手足口病的发病流行趋势,能够比较直观准确的反映辽宁省手足口病的疫情发展情况,该模型适用于辽宁省手足口病的短期流行趋势的预测。     

基于ARIMA-GRNN组合模型预测手足口病发病率

目的探讨ARIMA-GRNN组合模型在某市手足口病发病率预测中的应用,并比较其与ARIMA模型的预测效果。方法通过收集2010年1月至2015年12月广西某地级市手足口病发病率资料,用SPSS 20.0建立ARIMA模型,用MATLAB R2014a建立ARIMA-GRNN组合模型,并用2015年7月至12月数据对模型的预测效果进行评价。结果 ARIMA(1,0,0)(1,1,0)12模型拟合及预测的平均绝对误差分别为1.727、2.077,均方根误差分别为2.727、2.803;ARIMA-GRNN模型拟合及预测的平均绝对误差分别为1.012、0.467,均方根误差分别为1.453、0.587。结论 ARIMA-GRNN模型的拟合和预测效果均优于ARIMA模型,可用于手足口病月发病率短期预测。     

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。     

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。     

中国2008-2016年手足口病月发病率时间序列分析及预测模型

  目的  通过时间序列分析我国手足口病（hand-foot-mouth disease,HFMD）的发病趋势并构建时间序列预测模型,为制定防控策略提供科学依据。  方法  从公共卫生科学数据中心收集2008-2016年我国HFMD月发病数据,使用Excel 2007建立发病率数据库并进行图表绘制,通过SAS 9.1拟合自回归综合移动模型（autoregressive integrated moving average model,ARIMA model）。以2008年1月-2015年12月HFMD月发病率作为测试集构建时间序列模型,2016年发病率数据作为验证集检验预测效果,做出模型评价,利用该模型对2017年HFMD发病率做出预测。以P<0.05为差异有统计学意义。  结果  最终构建ARIMA（（12）,2,0）疏系数模型,残差为白噪声序列,实际值均落在预测值95% CI内,模型回归系数有统计学意义,预测值与实际值总体吻合程度良好,均方误差平方根为3.6490,平均绝对误差=2.62,平均绝对百分比误差=28.24%。  结论  疏系数模型可较好的拟合我国HFMD发病率的时间序列趋势,对HFMD防控策略的制定有指导意义。     

SARIMA模型参数设置探讨

目的 比较不同参数设置的SARIMA模型拟合及预测效果,为提高SARIMA模型精度提供参考。 方法 利用全国2009年1月—2015年6月手足口病逐月发病率数据,按照传统图示法确定参数p,q值,建立SARIMA模型,记为模型1。再将参数p,q值±1,构建多个备选模型,筛选最优模型,记为模型2。利用模型1和模型2预测2015年7—10月手足口病发病率并与实际值比较,采用平均绝对误差百分比(mean absolute percentage error,MAPE)、平均误差率(mean error rate,MER)、均方误差(mean square error,MSE)和平均绝对误差(mean absolute error,MAE)评价模型拟合及预测效果。 结果 模型1为SARIMA(1,0,0)(1,1,0)₁₂;模型2有2个,包括SARIMA(1,0,1)(1,1,0)₁₂和SARIMA(1,0,1)(0,1,1)₁₂。SARIMA(1,0,0)(1,1,0)₁₂、SARIMA(1,0,1)(1,1,0)₁₂和SARIMA(1,0,1)(0,1,1)₁₂拟合的MAPE依次分别为22.891%、20.015%、19.985%。SARIMA(1,0,0)(1,1,0)₁₂、SARIMA(1,0,1)(1,1,0)₁₂和SARIMA(1,0,1)(0,1,1)₁₂预测的MAPE、MER、MSE和MAE依次分别为9.119%、8.988%、1.874%和1.107%;11.000%、10.909%、2.552%和1.344%;8.711%、8.477%、1.857%和1.044%。 结论 SARIMA(1,0,1)(0,1,1)₁₂为最优模型,拟合及预测效果优于图示法建立的SARIMA(1,0,0)(1,1,0)₁₂模型。在SARIMA建模过程中应在图示法基础上采用凑试法,筛选最优参数,提高模型精度。     

应用3种回归模型预测手足口病周发病数

目的 探索分析手足口病周数据的统计学方法,提升手足口病预测能力。方法 中国疾病预防控制信息系统导出2008年第1周至2014年第14周北京市通州区手足口病周发病数。采用SPSS 17.0 软件进行自回归、季节性自回归与混合Serfling 回归模型拟合。结果 自回归、季节性自回归、混合Serfling回归3种模型对2008年第1周至2014年第14周实际发病数进行拟合,回归方程R2分别是0.907、0.917、0.919,所得残差经Ljung-Box检验均是白噪声;以所得回归方程对2014年第15周至第38周实际发病数进行预测,3种模型的平均绝对百分比误差（MAPE）分别为:18.67%、18.43%、17.12%。 结论 混合Serfling回归模型预测效果最优。     

SARIMA模型在苏州市细菌性痢疾发病预测中的应用

目的 探讨季节性差分自回归求和滑动平均(seasonal auto-regressive integrated moving average, SARIMA)模型在苏州市细菌性痢疾月发病数预测中的应用。 方法 利用R i386 3.2.3软件对2005年1月－2018年4月苏州市细菌性痢疾月发病数据构建SARIMA模型,对2018年5－7月份细菌性痢疾的月发病人数进行预测,验证预测效果。 结果 建立了SARIMA(0,l,2)×(0,1,1)₁₂模型,Ljung-Box检验结果为Q=19.494,P=0.244,模型拟合效果良好,与2018年5－7月实际发病人数比较,实际值均在预测值95%可信区间内,相对误差的平均值为-0.147。 结论 SARIMA(0,l,2)×(0,1,1)₁₂模型可以对苏州市细菌性痢疾月发病人数进行较好的预测。     

Elman神经网络在手足口病发病率预测中的应用初探

目的探索Elman神经网络在传染病预测中的应用价值。方法利用2005年1月～2010年6月我国内地法定报告的手足口病月发病率资料分别构建Elman神经网络、BP神经网络以及季节性自回归移动平均模型(SARIMA),并对3种模型进行预测效果评价。结果 Elman神经网络的预测结果的平均绝对误差(MAE)及均方误差平方根(RMSE)均小于BP神经网络、SARIMA模型。结论 Elman神经网络的预测效果较好,对于手足口病发病率预测具有较好的应用价值。     

GM(1,1)灰色模型、马尔可夫链模型及其组合模型和SARIMA模型在甲肝发病数预测中的应用效果比较

目的 比较GM（1,1）灰色模型、马尔可夫链模型及其组合模型和SARIMA模型在甲肝发病数预测中的应用效果。方法 利用2010—2014年江西省甲肝逐月发病数数据,分别拟合GM（1,1）灰色模型、马尔可夫链模型、灰色马尔可夫链组合模型和SARIMA模型。利用4个模型预测2015年1—12月甲肝发病数并与实际值比较,采用平均绝对百分比误差（MAPE）、平均误差率（MER）、均方误差（MSE）和平均绝对误差（MAE）4个指标评模型预测效果。结果 2010—2015年江西省累计报告甲肝2 939例,甲肝发病数整体呈逐年下降趋势（r_s=-0.838,P<0.01）。SARIMA（0,1,1）（1,0,0）₁₂为最优SARIMA模型;GM（1,1）灰色模型拟合精度为合格。模型预测的MAPE从低到高依次为灰色马尔可夫链组合模型（23.894%）、SARIMA模型（25.529%）、GM（1,1）灰色模型（28.429%）、马尔可夫链模型（39.426%）;MER从低到高依次为SARIMA模型（21.303%）、灰色马尔可夫链组合模型（25.574%）、灰色模型（30.717%）、马尔可夫链模型（35.203%）;MSE 和MAE 从低到高依次均为SARIMA模型（45.293、4.918）、灰色马尔可夫链组合模型（47.122、5.903）、灰色模型（67.738、7.091）、马尔可夫链模型（85.252、8.126）。结论 灰色马尔可夫链组合模型和SARIMA模型预测效果较好,可以用于甲肝发病数的预测。     

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。