应用时间序列模型预测安康市细菌性痢疾的发病率

目的探讨应用ARIMA模型预测细菌性痢疾发病率的可行性,为细菌性痢疾的防治提供科学依据。方法应用SPSS13.0对安康市2005～2009年细菌性痢疾的月发病率进行ARIMA模型拟合,并用所得到的模型对2010年细菌性痢疾的月发病率进行预测,将预测值与实际值进行比较。结果 ARIMA（0,1,1）×（0,1,1）12模型很好地拟合了既往时间段上的发病率序列,对2010年月发病率的预测值符合实际发病率变动趋势。结论时间序列模型可以模拟细菌性痢疾发病率在时间序列上的变动趋势。     

应用GM（1,1）模型预测河南省细菌性痢疾发病趋势

目的描述分析河南省近十七年细菌性痢疾的发病率变化趋势,探讨OM（1,1）模型在细菌性痢疾分析中的作用,为卫生部门制定相应的防治策略提供理论依据。方法根据河南省1996—2012年细菌性痢疾的报告发病率数据,应用GM（1,1）灰色预测模型进行模型拟合和趋势预测,外推预测2013年、2014年和2015年的发病率。结果1996-2012年河南省菌痢报告发病率总体呈下降趋势,由58．68／10万降至19．56／10万。求得预测模型为：Y（t＋1）=-750.89e^-0．0717t＋809.51,模型拟合精度合格,外推2013～2015年菌痢发病率分别为1649／10万,15．36／10万,1429／10万。结论QM（1,1）模型较好的拟合了河南省细菌性痢疾的发病趋势,预测河南省菌痢发病率将继续呈下降趋势。     

ARIMA模型在东莞市细菌性痢疾预测中的应用

目的探讨ARIMA模型预测东莞市细菌性痢疾发病的可行性和适用性,为东莞市细菌性痢疾的防控提供参考依据。方法使用SPSS17.0对2004年1月~2012年4月东莞市细菌性痢疾发病率资料拟合ARIMA模型,利用所得到的模型对东莞市2012年5月~7月细菌性痢疾发病率进行预测评价。结果 ARIMA（1,0,0）模型的预测值与实际值的平均相对误差为11.97%,实际值都在95%可信区间内,实际值与预测值变动趋势一致。结论 ARIMA（1,0,0）模型较好的反映了东莞市细菌性痢疾发病趋势,可作为东莞市细菌性痢疾发病水平短期预测模型。     

ARIMA乘积季节模型在食源性疾病月发病率预测中的应用

目的 探讨ARIMA乘积季节模型在食源性疾病发病率预测中的可行性,并预测食源性疾病的月发病率趋势.方法 对云南省2004年1月至2010年12月食源性疾病月发病率资料建立ARIMA乘积季节模型,利用2011年月发病率资料进行回代,预测2012年食源性疾病月发病率趋势.结果 ARIMA(0,1,1)×(0,1,1)12的BIC值最小,可以认为该模型的拟合优度相对最优;对该模型的残差进行白噪声检验,QLB(18)为20.225(P＝0.210),提示残差属于白噪声.结论 ARIMA乘积季节模型可以用于食源性疾病月发病率趋势的拟合和预测.     

ARIMA模型在乙肝发病预测中的应用

目的 拟合ARIMA模型对迁安市乙肝发病趋势进行时间序列分析和预测,为乙肝预警系统提供决策依据.方法 收集迁安市2004年1月～2010年12月乙肝月发病率资料,利用SPSS统计分析软件拟合ARIMA模型并预测2011年乙肝逐月发病率.结果 拟合最佳模型为ARIMA(0,1,1)(1,1,0)12,残差为白噪声序列,预测值与实际值的平均相对误差为0.133,预测结果较为可靠.结论 利用ARIMA模型进行乙肝发病率的短期预测,预测结果符合当前的发病现状及采取的防治措施,能够对乙肝的早期预警模型的建立提供借鉴,从而有针对性地采取相应的控制措施.     

自回归求和移动平均模型在流感发病预测中的应用

目的探讨应用自回归求和移动平均季节模型(ARIMA)进行流感发病率的拟合和预测,为流感疫情预警提供依据。方法运用统计分析软件对陕西省2008—2014年每月的流感网络报告发病率数据进行模型拟合,建立ARIMA模型,用2015年的数据来检验ARIMA模型的预测效果。结果陕西省2008年1月—2014年12月流感的平均年发病率为0.74/10万,将时间序列分解为总体趋势、季节趋势及随机误差,流感发病整体呈缓慢上升,发病率存在明显的季节性,冬春季出现高峰,随机误差保持在一定水平;ARIMA(0,0,1)×(0,1,1)12模型能较好拟合既往时间段内流感的发病率,且对2015年1—12月流感月发病率的预测值与实际值基本吻合,模型预测值与实际值的绝对误差、相对误差平均值分别为0.18和0.26。结论 ARIMA(0,0,1)×(0,1,1)_(12)模型可以作为陕西省流感月发病率的短期预测模型。     

基于ARIMA模型的江苏省不同地区肺结核发病趋势的预测

目的：应用差分自回归移动平均（autoregressive integrated moving average,ARIMA）模型对江苏省常州市和盐城市的肺结核发病情况进行预测,探索其用于预测江苏地区肺结核疫情的可行性,为今后结核病防控工作提供参考依据。方法：收集并整理江苏省常州市和盐城市2005年1月—2016年12月肺结核月登记发病数资料,使用R3.5.2软件建立ARIMA模型,分别对两市2017年1—12月肺结核月登记发病数进行预测,以平均绝对百分比误差（mean absolute percent error,MAPE）、均方根误差（root mean square error,RMSE）和平均绝对误差（mean absolute error,MAE）评估ARIMA模型预测的准确性。结果：常州市的最优预测模型为ARIMA（0,1,1）（0,1,1）12,盐城市的最优预测模型为ARIMA（1,1,1）（0,1,1）12。用于预测2017年肺结核月登记发病数时,两市的MAPE分别为8.718 6和16.727 8,RMSE分别为14.061 7和39.487 2,MAE分别为11.381 3和33.349 8。结论：ARIMA模型预测常州市肺结核月登记发病数的拟合效果相对较好,故推测该模型更适用于苏南地区肺结核疫情的短期预测和动态分析。     

ARIMA乘积季节模型预测我国戊肝的发病趋势

目的：根据戊型肝炎（戊肝）季节性、趋势性流行现象,建立求和自回归移动平均（autoregressive integrated moving average,ARIMA）乘积季节模型对我国戊肝发病进行预测。方法：应用SPSS23.0软件对2004年1月—2018年6月我国戊肝传染病疫情月度数据建模,对2018年下半年戊肝发病数进行预测,以该时段疫情数据评估模型的预测效果。结果：将ARIMA（2,1,0）（0,1,1）12和ARIMA（0,1,2）（0,1,1）12两个模型预测的平均值作为预测值,预测结果的平均相对误差为4.69%,标准差为3.27%。结论：ARIMA乘积季节模型拟合及预测效果良好,能够较好地描述该时段我国戊肝的发病趋势,为戊肝预防控制措施的制定以及卫生资源的合理配置提供一定的科学依据。     

ARIMA模型在河南省AIDS疫情预测中的应用

目的:探讨ARIMA模型在河南省AIDS疫情预测中的可行性。方法:收集河南省2005年至2013年AIDS发病率和病死率数据,分别建立ARIMA模型,通过模型拟合优度统计量筛选最优模型,采用平均误差率评估模型预测效果,并用所构建的模型预测2014年至2016年河南省AIDS疫情。结果:河南省AIDS发病率和病死率的最优ARIMA模型分别为ARIMA(0,1,1)和ARIMA(0,2,1);模型的拟合值均符合其实际流行趋势,平均误差率分别为0.16和0.25;预测2014年至2016年河南省AIDS发病率分别为3.40/10万、3.91/10万和4.50/10万,病死率分别为15.34%、8.82%和7.64%。结论:ARIMA模型很好地模拟了河南省AIDS疫情的演变趋势,可用于河南省AIDS发病率和病死率的预测。     

利用ARIMA模型预测辽宁省水痘发病率

目的了解辽宁省水痘的发病趋势,为水痘发病预测预警提供理论基础和参考依据。方法利用2007-2016年辽宁省水痘月发病率建立差分自回归移动平均模型(Autoregressive Integrated Moving Average,ARIMA),并用2017年数据检验模型预测效果,将2017年数据加入原始时间序列,重新调整预测模型,再对2018年水痘发病率进行预测。结果 2007-2017年辽宁省累计报告水痘病例151 414例,年平均发病率为31. 62/10万,呈现先下降后上升趋势,存在明显的季节性;利用月发病率数据拟合ARIMA(1,0,0)(0,1,1)12模型,拟合和预测的平均相对误差分别为13. 239%和20. 211%,模型预测精度良好,可对水痘发病率进行预测。结论 ARIMA模型对辽宁省水痘月发病率预测效果良好,具有较好的实际应用和推广价值,可为水痘发病的预测预警提供参考依据。     

ARIMA模型在蚌埠市梅毒预测中的应用

目的探讨时间序列分析中的乘积季节自回归移动平均（ARIMA）模型在蚌埠市梅毒发病率预测中应用的可行性,为制定梅毒防控措施提供参考依据方法应用SPSS21.0软件对蚌埠市2008-2016年的梅毒发病率进行ARIMA模型拟合,依据BIC准则确定最优模型。用所得模型预测2017年1-6月的梅毒发病率,并与实际发病率进行比较,检验预测效果。结果ARIMA（0,1,1）（1,0,0）12,可以较好地拟合梅毒月发病率规律,模型统计量Ljung-Box Q=16.726,P>0.05,残差序列为白噪声,用所得模型预测蚌埠市2017年1-6月梅毒月发病率,预测值与实际值吻合情况良好,实际值均在预测值的95%可信区间内。结论ARIMA模型能较好拟合蚌埠市梅毒发病情况,对梅毒防治工作提供一定的参考价值。     

应用随机时间序列分析法预测痢疾发病率

目的:应用随机时间序列分析法预测痢疾发病率。方法:应用SPSS11.5软件对某市2001～2007年痢疾逐月发病率进行ARIMA模型建模拟合,用所得到的模型对2008年各月痢疾发病率进行预测。结果:ARIMA(1,0,0)×(1,1,0)12模型很好地拟合了既往时间段上的痢疾发病率序列,对2008年各月发病率的预测值符合实际发病率变动趋势,且实际发病率均在95%可信限内。实际值与预测值的全年误差为13.02%,1～6月份误差为4.91%。结论:应用随机时间序列分析法对痢疾的发病率进行短期预测能够收到很好的效果,为痢疾的防控提供科学有效的依据。     

山西省痢疾发病趋势的时间序列分析

目的探讨季节性自回归移动平均混合(SARIMA)模型分析预测山西省痢疾发病率的可行性和适用性,为痢疾的预防与控制提供决策依据。方法利用R 3.3.1对山西省2004年1月—2013年12月痢疾月发病率资料进行建模,并以2014年痢疾月发病率资料验证模型的预测效果。结果模型较好地拟合了山西省痢疾月发病率,模型残差为白噪声序列,预测值与实际值的相对误差范围为0.909%~35.575%,平均相对误差为13.399%。结论 SARIMA模型可较好地反映山西省痢疾的发病趋势并进行短期预测。     

ARIMA模型和GM(1,1)模型预测全国3种肠道传染病发病率

 【摘要】目的 分别采用求和自回归滑动平均模型（ARIMA模型）和灰色模型GM(1,1)对全国法定报告的3种肠道传染病年发病率进行预测，并比较两者预测的准确性。方法 采用1995年1月至2005年12月的月发病率建立ARIMA模型。采用1995年至2005年的年发病率建立GM(1,1)模型。采用2006年的实际年发病率验证两种模型的预测效果，评价指标为相对误差。选取相对误差最小的模型预测2007年至2008年的年发病率。结果 对于甲型肝炎、痢疾、伤寒副伤寒的年发病率，预测准确率较高的模型分别是GM(1,1)、ARIMA、GM(1,1)模型，相对误差分别为0.05%、5.47%、38.89%。对2007年甲型肝炎、痢疾、伤寒副伤寒预测的年发病率分别为4.59/105、30.84/105、2.53/105；对2008年预测的年发病率分别为4.03/105、29.03/105、2.34/105。结论 对于某种肠道传染病发病率的预测，应同时拟合几种模型，并选择其中拟合效果最好的一种模型。     

ARIMA模型在涂阳肺结核月发病预测中的应用

目的 探讨重庆市涂阳肺结核月发病数随时间的变化规律,为控制和预防肺结核提供科学依据。方法 采用SPSS13.0软件对2005～2009年重庆市涂阳肺结核月发病数资料建立ARIMA模型,利用该模型预测2010年1月～12月的涂阳肺结核月发病数,对模型的短期预测及其效果进行初步评价。结果 建立的ARIMA(1,1,0)×(0,1,1)₁₂模型是拟合重庆市涂阳肺结核月发病数的合适模型,2005～2009年观测值落在拟合值95%的可信区间内,2010年预测值的平均相对误差为6.31%。结论 ARIMA(1,1,0)×(0,1,1)₁₂模型能很好地预测重庆市涂阳肺结核月发病情况,为控制和预防肺结核提供了可靠依据。     

应用ARIMA模型预测昭通市麻疹发病趋势

目的预测昭通市麻疹的发病趋势,为制定防治措施提供参考依据。方法应用SPSS17．0软件对2005年1月至2013年3月麻疹发病率进行ARIMA模型建模拟合,用所得到的模型对2013年各月发病率进行预测,并与实际发病率进行比较。结果采用ARIMA（1,2,1）（0,1,0）12预测昭通市麻疹的发病趋势,2013年发病率为12．26／10万。结论ARIMA模型能很好地模拟麻疹发病率在时间序列上的变动趋势,并对未来的发病率进行预测。     

两种模型预测北京市痢疾发病率的效果比较

目的 比较Winters乘法预测模型和自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)两种模型对北京市痢疾发病率的预测效果,从而选择合适的预测方法.方法 收集2007～2012年北京市痢疾分月发病率资料,分别运用Winters乘法预测模型和ARIMA模型进行建模,评估两种模型的预测效果,并用较好的模型预测2013年第一季度北京市痢疾发病率.结果 以2012年数据验证两种模型的拟合情况,预测误差百分比比较,Winters乘法(1.13％)优于ARIMA模型(6.80％).Winters乘法预测2013年1、2、3月痢疾发病率分别为1.82/10万、1.54/10万、1.85/10万.结论 Winters乘法预测模型可以较好地反映北京市痢疾发病趋势,用于预测预警.     

ARIMA乘积季节模型在我国甲肝发病预测中的应用

目的:应用求和自回归移动平均模型(ARIMA)乘积季节模型对我国病毒性甲型肝炎进行预测分析,为甲型肝炎的防治提供决策依据?方法:对1994~2012年我国甲型肝炎月发病数的历史疫情数据建立ARIMA乘积季节模型,应用Eviews 6.0软件进行模型拟合,对2013年上半年甲型肝炎的月发病数进行预测,并用实际数据评估模型预测效果?结果:ARIMA(1,1,0)(2,1,2)12模型较好地拟合了既往甲肝的实际发病序列,也获得了较好的预测效果?结论:ARIMA模型能够较好地模拟我国甲型肝炎的发病趋势,预测效果良好,可为甲肝疫情的防控提供一定的科学数据?