应用ARIMA模型预测宜昌市手足口病的发病趋势

目的探讨ARIMA模型在宜昌市手足口病发病预测中的应用,为进一步采取干预措施提供科学依据。方法基于宜昌市2008~2013年手足口病发病率的数据建立一个原始时间序列,采用求和自回归移动平均模型(ARIMA模型),对2014年手足口病的发病率进行预测。结果 ARIMA(0,0,1)(1,1,0)12为最优模型,宜昌市手足口病的实际值与预测值及其95%置信区间基本一致,ARIMA模型的拟合效果较好。结论手足口病在临床上具有很高的发病率,常易引起托幼机构、学校等聚集场所的暴发流行,严重时可引起患儿死亡,对婴幼儿的影响较大,ARIMA模型能较好地模拟宜昌市手足口病发病在时间序列的变化趋势,为制定防控措施和策略提供科学的依据。     

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。     

基于乘积SARIMA模型的肺结核发病率预测

目的 应用乘积季节自回归移动平均(seasonal autoregressive integrated moving average,SARIMA)模型对肺结核发病率进行预测研究,探讨其可行性并为肺结核病的防治工作提供科学依据.方法 应用EViews 7.0.0.1软件对我国2004年1月至2012年12月的肺结核逐月发病率建立乘积SARIMA模型并进行拟合,选取2013年1月至12月肺结核发病率数据评价模型的预测性能.结果 建立的SARIMA(2,0,2)×(0,1,1)12模型能较好地拟合既往时间段内肺结核的发病率,对2013年1月至12月肺结核发病率的预测与实际发病率趋势基本吻合,平均误差绝对值为0.416 992,平均误差绝对率为5.350 8％.结论 乘积SARIMA模型能较好地模拟和预测肺结核发病率在时间序列上的变动趋势,将其应用于肺结核发病预测是可行的,具有推广应用前景.     

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?     

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。     

ARIMA模型在深圳市病毒性肝炎发病趋势预测的应用

目的 通过探讨单纯求和自回归滑动平均模型(ARIMA模型)应用于病毒性肝炎发病率预测的可行性,为当前的防控工作提供科学依据.方法 采用SAS9.2软件对深圳市2004～2013年的病毒性肝炎的月发病率进行ARIMA模型的建模拟合,预测2014年病毒性肝炎的月发病率,利用预测值和实际值的均方误差、平均绝对误差、平均绝对百分误差评价拟合效果,选择合适的模型预测深圳市2015年病毒性肝炎的月发病率.结果 最终拟合为ARIMA 《12),1,1)模型,残差为白噪声序列,预测值与实际值的均方误差为1.742,平均绝对误差为1.159,平均绝对百分误差为0.092,2015年深圳市病毒性肝炎发病率延续了自2011年以来的逐年上升的趋势.结论 ARIMA模型对病毒性肝炎的时间序列变动趋势的拟合效果较好,并对未来的发病率进行预测,可为病毒性肝炎防治提供科学依据.2015年预测结果提示病毒性肝炎的发病有上升的趋势,需要进一步调整相应防控策略.     

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.     

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。     

指数平滑法模型与ARIMA模型在北京市通州区肺结核流行趋势预测中的效果评价

目的 比较指数平滑法模型和自回归移动平均(autoregrissive integrated moving average, ARIMA)模型对北京市通州区肺结核流行趋势预测效果,为肺结核预测和防控提供依据。方法 收集“中国疾病预防控制信息系统”2005年1月—2019年12月北京市通州区肺结核月发病率,应用2005年1月—2018年12月肺结核发病率构建指数平滑法模型和ARIMA模型,预测2019年1—12月肺结核发病率,并与实际值进行比较,评价2种模型的拟合和预测效果。结果 指数平滑法确定简单季节模型为最优预测模型,Ljung-Box Q=15.265,P=0.505,残差序列为白噪声序列,标准贝叶斯信息准则(bayesian information criterion, BIC)值为0.115,2019年1—12月肺结核发病率预测的相对误差为0.45%～33.62%,平均为10.57%。ARIMA模型确定ARIMA(0,1,1)(0,1,1)₁₂为最优模型,Ljung-Box Q=17.156,P=0.376,残差序列为白噪声序列,BIC值为0.539,20...     

江苏省戊型肝炎发病趋势的时间序列模型应用

目的:探讨ARIMA模型在戊型肝炎发病预测方面的应用,为戊型肝炎的早期预警提供决策依据?方法:应用Eviews5.0软件对1997~2009年江苏省戊型肝炎月发病数据进行模型拟合,建立时间序列分析模型,用模型对2010年戊型肝炎逐月发病数进行预测分析,并用2010年的实际发病数据评估模型预测效果?结果:ARIMA模型较好地拟合了既往戊型肝炎的实际发病序列,残差序列通过了白噪声检验(P > 0.05),对2010年各月发病数进行预测也获得了较好的预测效果?结论:ARIMA模型能较好地模拟江苏省戊型肝炎的发病趋势,可用于戊型肝炎疫情的短期预测和动态分析?     

3种模型在肺结核发病率预测中的比较研究

目的对GM（1,1）模型、霍尔特双参数指数平滑预测模型和ARIMA模型在肺结核发病率预测中的效果进行比较。方法利用1980-2007年北京市肺结核的发病率分别建立GM（1,1）灰色预测模型、霍尔特双参数指数平滑预测模型和ARIMA模型,对建立的模型进行拟合。比较3个模型的拟合效果,同时利用ARIMA模型对2008年北京市的肺结核发病率进行预测。结果针对北京市肺结核发病率建立的GM（1,1）模型、霍尔特双参数指数平滑预测模型和ARIMA模型的平均误差率（MER）分别为15.11%、9.51%、9.52%,决定系数R2分别为0.935、0.964、0.969。结论 ARIMA模型对于隐含波动周期并且不稳定的循环型时间序列拟合效果优于GM（1,1）模型,对解决时间序列类型的肺结核发病率等资料有很好的实用价值。     

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。     

青海省海西州肺心病月发病率的ARIMA模型及预测

目的探讨季节时间序列自回归集成滑动平均（ARIMA）模型在时间序列资料中的应用,建立青海省海西州地区肺心病月发病率的预测模型。方法用SPSS 13.0软件对肺心病发病监测资料进行统计分析,对海西州2001年1月—2007年12月肺心病月发病率资料绘制时序分布图,观察疾病发展趋势,作发病人数的自相关和偏相关图,根据模型定阶原则且残差没有相关性,建立ARIMA模型,并进行预测值比较。结果海西州地区肺心病月发病率成逐年上升趋势,有明显的季节性特征,发病高峰在每年的1月及附近;作偏相关和自相关图,进行时间序列模型拟合;最终得到时间序列模型ARIMA及其相关数学表达式,列表进行实际值与预测值的比较,得到预测的相对误差和绝对误差。作实际值与预测值的序列图,预测值虽然与实际值有差异,但基本趋势一致。结论通过时间序列模型得到的数学表达式,可以算出未来1年的海西州地区肺心病的月发病人数,通过预测出的数据考虑各季节的发病特征,更有重点的进行季节性健康防治工作。     

基于ARIMA-GRNN组合模型的中国交通伤死亡预测模型的方法学研究及公共政策分析

目的基于自回归移动平均模型（autoregressive integrated moving average model,ARIMA）-广义回归神经网络模型（generalized regression neural network,GRNN）联合构建交通伤死亡预测模型,并据此对相关公共政策对交通伤死亡的影响进行初步分析。方法 1991~2009年度交通伤死亡人数来源于中国公安部公布的相应年统计数据。根据ARI-MA模型,建立拟合值y和实际值y的相关回归模型,并计算预测未来年份的死亡数。继而将该预测值带入GRNN模型中,获得修正预测值。ARIMA运算平台采用SPSS 17.0,GRNN建模采用Matlab平台。结果经GRNN修正的ARIMA（3,2,2）模型较好拟合了1991~2005年交通伤死亡人数的时间序列,2006~2009年交通伤死亡人数的预测值符合实际值的变动趋势,预测值与实际值的相对误差率仅为5%。以之为基础预测2010~2015年的全国交通伤死亡人数为6.6~6.4万。结论 ARIMA-GRNN联合模型能较为准确的对交通伤死亡人数变化趋势做出预测。中国交通伤死亡人数已步入持续下降通道。若维持现有的道路交通安全政策水平及执法力度,交通伤致死人数将从2015年起维持于6.5万的水平。若要进一步降低致死人数水平,可能需要提前从现有法规、政策及执行基础方面进行调整。     

2004-2012年中国丙型肝炎报告数据ARIMA模型及其趋势预测

目的利用季节自动回归移动平均混合模型（ARIMA模型）对我国丙型病毒性肝炎（丙肝）报告数据进行分析、拟合和预测。方法对2004年1月-2012年7月我国丙肝报告数据进行差分以达到平稳化,采用季节ARIMA模型对数据进行分析、拟合和预测。结果2004年1月-2012年7月我国丙肝发病数呈逐年上升趋势,且呈现明显的以年为单位的周期性变化;对丙肝报告数据进行平稳化检验、差分、模型识别、模型诊断,获得季节序列ARIMA（1,1,1）×（1,1,1）12为最优模型,该模型残差检验为白噪声序列,且拟合数据在95％置信区间;对2012年7月-2014年12月全国丙肝发病数进行预测,显示全国丙肝发病数呈继续上升且具有明显的周期性波动趋势。结论季节ARIMA模型能较好地拟合和预测我国丙肝发病数在时间上的变化趋势,可为疫情的防治提供借鉴。     

时间序列ARIMA模型在乙型肝炎疫情预测中的应用

目的应用时间序列模型中的自回归-求和-移动平均模型（Autoregressive Integrated Moving Average madel,ARIMA）,分析乙肝发病,为乙肝的预警预测提供科学依据。方法利用上海市闸北区传染病监测系统7a多乙肝发病情况数据,建立乙肝疫情ARIMA预测模型。结果上海市闸北区2002～2009年乙肝时间序列符合ARIMA（1,1,1）模型（Ljung-Box检验,P=0．799）,模型残差自相关系数均在±0．5之间,预测值与观测值具有较高的吻合度。结论乙肝ARIMA模型对乙肝疫情预测有较好的效果。     

时间序列ARIMA模型在艾滋病疫情预测中的应用

目的探讨应用时间序列求和自回归移动平均(ARIMA)模型预测艾滋病发病率的可行性。方法利用重庆市疾病控制部门提供的1993～2009年艾滋病发病情况数据建立ARIMA预测模型。结果 ARIMA(1,1,1)×(0,1,0)12很好地拟合了艾滋病发病率,2009年7～12月的预测值符合实际发病率变动趋势。结论 ARIMA模型很好地模拟艾滋病发病率在时间序列上的变动趋势,可以为疫情防控提供借鉴。