ARIMA模型在耐碳青霉烯类肺炎克雷伯菌医院感染预测中的应用

目的 探讨ARIMA时间序列模型在耐碳青霉烯类肺炎克雷伯菌(CRKP)医院感染预测中的应用。方法 选取2018年1月—2022年6月某院住院患者每月CRKP医院感染发病率,应用SPSS 19.0建立ARIMA时间序列模型,分析模型的拟合,利用该模型对2021年7月—2022年6月CRKP医院感染数据进行验证,评价预测价值。结果 采用2018年1月—2022年6月住院患者每月CRKP医院感染发病率建模、拟合,建立最优模型ARIMA(0,1,9),模型拟合值与实际值较吻合,此模型对CRKP医院感染发病率实际值与预测值吻合程度较高,平均相对误差值为7.76%。结论 采用ARIMA模型可有效拟合、预测CRKP医院感染发病率,为CRKP医院感染预防与控制提供科学指导。     

武冈市农村地区心脑血管住院病例的时间序列预测分析

  目的  建立武冈市农村地区心脑血管疾病（cardio-cerebrovascular disease,CVD）住院病例的预测模型,并对CVD住院病例的变化趋势进行预测分析,为医院合理配置CVD科室医疗资源提供参考依据。  方法  利用Stata 14.0软件对武冈市2013年1月~2016年12月农村地区CVD住院人次月度数据构建季节性自回归移动平均混合模型（seasonal autoregressive integrated moving average model,SARIMA）,并对2017年武冈市农村地区CVD住院病例进行预测分析。  结果  通过模型构建最终拟合的CVD住院病例预测模型为SARIMA（2,1,1）x（0,1,0）₁₂。Ljung-Box Q检验结果显示残差序列为白噪音序列（Q=11.12,P=0.680）,说明所建模型拟合度较好,且2017年的预测结果与观测结果基本一致,总体相对误差在-1.2%左右。预测结果显示,夏季为每年CVD住院高峰期。  结论  SARIMA模型可以对武冈市CVD住院病例进行较准确的短期预测,医院可以根据不同月份CVD就医需求合理配置院内CVD科室医疗资源。     

SARIMA模型在山西省手足口病发病预测中的应用

目的探讨季节性自回归移动平均模型（seasonalautoregressiveintegratedmovingaverage,SARIMA）在山西省手足口病发病预测中的应用，并利用该模型预测山西省手足口病发病趋势。方法 选取山西省2008年1月—2020年12月的手足口病月发病率构建SARIMA预测模型，选取2021年1—12月手足口病月发病率进行内部验证，评价模型预测效果，进一步预测山西省2022年的手足口病月发病率。结果 每年5—7月为山西省手足口病发病主高峰期，10—11月为次高峰期。SARIMA (1,0,1)(2,1,1)12模型能较好地对山西省手足口病的发病率进行拟合和预测，该模型拟合的均方根误差值为2.92/10万，平均绝对比例误差值为0.51/10万，以及标准化的赤池信息准则（akaike information criterion,AIC）值为755.36。利用该模型对山西省2021年1—12月手足口病月发病率进行预测，将预测值与实测值比较，其拟合的均方根误差值为1.59/10万、平均绝对误差值为1.09/10万。2022年山西省手足口病预测月发病率依次为0.63/1...     

江苏省2006-2014年城乡未成年人跌倒病例的时间序列预测分析

目的 建立江苏省城乡地区未成年人跌倒发生情况的预测模型,并对城乡地区跌倒的发生情况进行预测分析,为未成年人跌倒的预防和控制提供参考依据。方法 收集2006-2014年江苏省城乡未成年人每月跌倒的病例数并进行整理,以2006-2013年的数据作为拟合样本,以2014年的数据作为预测样本;采用统计软件SPSS 18.0建立季节性自回归移动平均混合模型（seasonal autoregressive integrated moving average model,SARIMA model）并进行预测分析。结果 通过模型构建最终拟合的模型城乡分别为SARIMA （0,1,1）（0,1,1）₁₂和SARIMA （0,1,1）（1,1,0）₁₂。模型诊断显示模型残差序列均为白噪音序列,且Box-Ljung检验所有Q统计量均无统计学意义,说明所建模型拟合度较好。2014年城市预测值与观测值之间平均相对误差为11.89%,农村相应的平均相对误差为2.10%;两地预测结果与观测结果基本一致。结论 SARIMA模型可对江苏省未成年人跌倒发生情况进行较准确的预测,可为及时、科学地预防和控制未成年人跌倒的发生提供可靠的数据支持。     

BSTS和SARIMA模型在河南省丙肝发病趋势预测中的性能比较研究

目的 探讨河南省丙肝疫情的时间序列特征,比较贝叶斯结构时间序列(BSTS)和季节性差分自回归滑动平均(SARIMA)模型在丙肝发病趋势预测中的性能。方法 收集2013年1月—2022年9月河南省丙肝发病数据,采用普雷斯科特(HP)和相乘季节分解法解析数据的周期和季节模式。使用2013年1月—2021年6月数据分别构建SARIMA和BSTS模型,2021年7月—2022年9月数据测试预测准确性。结果 2013—2022年河南省共报告丙肝267 968例,2月的季节因子最小(0.85),3月和4月的季节因子较大(分别为1.22和1.11)。BSTS模型预测的平均绝对误差(307.65)、平均绝对百分比误差(18.86%)、均方根误差(409.57)、平均误差率(0.17)、均方根百分比误差(0.27)均小于SARIMA模型(分别为469.29、27.80%、532.59、0.26、0.34),敏感性分析结果相似。使用BSTS模型预测2022年10月—2023年12月河南省丙肝发病总数为27 981(95%CI:14 729～41 612)例,月均发病数为1 865(95%CI:982～2 ...     

长短期记忆网络模型在预测乙型肝炎发病趋势中的应用

目的 探讨长短期记忆网络(LSTM)模型在乙型肝炎(乙肝)发病趋势预测中的应用价值。方法 收集中国疾病预防控制信息系统中的2005-2021年山东省潍坊市乙肝病例数据,分析乙肝发病趋势。采用乙肝报告总数时间序列作为研究对象,使用R语言建立LSTM神经网络模型、SARIMA模型和Holt-Winters模型,分别对2021年1-12月份的乙肝发病趋势进行预测,通过均方根误差(RMSE)、相对标准误差(RSE)、平均绝对百分误差(MAPE)比较模型的预测效果。结果 2005-2021年山东省潍坊市报告乙肝病例44 599例,其中急性乙肝病例7 255例。乙肝总体病例数呈现上升趋势,急性乙肝病例数呈现下降趋势。乙肝时间序列每月的增长趋势是一致的,具有明显的季节性。将训练完成的LSTM时间序列模型用于2005年1月-2020年12月的乙肝报告数进行回代预测,结果显示,LSTM模型的拟合值与实际值基本一致,捕捉到了乙肝时间序列的长期趋势和季节波动。三个模型的预测误差Holt-Winters(RMSE=47.67,RSE=1.86,MAPE=13.80%)>SARIMA(RMSE=45.49...     

基于Eviews的季节时间序列(SARIMA)预测模型

目的采用季节时间序列(Seasonal Auto Regressive Integrated Moving Average,SARIMA)模型建立传染病预测模型。方法根据2009-2013年珠海市斗门区手足口病月报告数的时间序列,采用Eviews拟合SARIMA模型。结果模型SARIMA(1,1,2)(1,1,1)12能很好地拟合珠海市斗门区手足口病月发病数,预测效果较好。结论采用Eviews拟合的SARIMA模型可以用于传染病的的短期预测和动态分析。     

应用SARIMA模型预测肺结核发病趋势

目的用SARIMA模型预测云南省肺结核发病趋势。方法收集云南省16个州市2005年1月至2017年12月肺结核月发病数据资料,应用SPSS20.0软件构建模型,预测云南省2018年1月至12月的发病数和各州市发病趋势。结果 SARIMA(1,1,1)×(0,1,0)_(12)模型较好地拟合了云南省肺结核的月发病数据,各州市模型预测2018年10个州市肺结核发病数呈现上升趋势。结论 SARIMA模型能很好地模拟肺结核发病数在时间序列轴上的变化趋势,将其应用于未来发病数的短期预测,可为肺结核的防控提供参考。     

SARFIMA模型在肾综合征出血热发病预测中的应用

目的研究季节性自回归分数差分移动平均(SARFIMA)模型预测肾综合征出血热(HFRS)发病率的效果,并与SARIMA模型进行比较。方法收集山东省2009年1月至2018年12月HFRS月发病数据,考虑时间序列的短记忆性和长记忆性,构建SARFIMA模型,以SARIMA模型作为对比,比较两个模型的预测准确性。结果山东省2009-2018年HFRS月发病率具有明显周期性和季节性特征。模型评估表明,SARFIMA模型具有更好的拟合度和预测能力。SARFIMA(1,0.33,3)(1,0,0)₁₂:AIC=-629.76;RMSE=0.028;SARIMA(1,0,3)(1,1,0)₁₂:AIC=-356.43;RMSE=0.033。结论 SARFIMA模型能较好地拟合山东省HFRS月发病率的动态变化,且预测效果优于SARIMA模型。因此,SARFIMA模型可用于HFRS发病率的预测。     

SARIMA模型用于新疆乙肝发病率预测的探讨

摘要:目的　探讨SARIMA模型用于新疆乙肝月发病率预测的可行性,为制定防控策略提供科学参考。方法　采用带有季节性的自回归移动平均模型（SARIMA）,分析将其用于新疆乙肝发病率预测的可行性,对模型进行参数估计及残差检验,根据AIC及BIC准则确定最适合的SARIMA模型,讨论该模型的拟合及预测效果。结果　SARIMA（1,1,2）（0,1,0）12模型很好地拟合了新疆乙肝月发病率变化规律,模型预测值与实际值间的相对误差及均方误差较小。结论　SARIMA（1,1,2）（0,1,0）12模型能够较好地用于新疆乙肝月发病率预测,可为新疆的乙肝防控提供科学参考。     

基于SARIMA - SVR模型的喀什地区流行性腮腺炎的流行趋势预测

目的 利用季节性自回归滑动平均模型（seasonal autoregressive integrated moving average，SARIMA）、支持向量回归模型（support vector regression， SVR）对喀什地区流行性腮腺炎( mumps)的月发病数进行预测，在上述两模型的基础上建立SARIMA - SVR组合模型，提高预测的精准度，为控制新疆喀什地区2021年流腮传播趋势提供科学预测。方法 以喀什地区2005年1月—2017年12月的流腮月发病数据为训练集，进行数据的拟合以及预测模型的训练，分别建立SARIMA、SVR、SARIMA - SVR组合模型。对2018年1月—2020年12月的流腮月发病数进行预测，并与实际值相比较，采用均方根误差(root mean square error，RMSE)衡量模型预测性能。结果 ARIMA(2，1，1)(0，0，1)12为最优的SARIMA模型，建立的SARIMA、SVR、SARIMA - SVR组合模型预测2018年1月—2020年12月的喀什地区流腮月发病数的RMSE分别为:9.611、9.545、3.427。结论 SARIMA - SVR组合模型对喀什地区流腮的预测精度高于单一预测模型，故选取该模型建立方式，利用2005年1月—2020年12月的喀什地区流腮月发病数据预测该地区2021年的月发病数。     

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。     

季节时间序列分析在新疆地区涂阳结核疫情预测预警中的应用

目的 探讨季节时间序列模型(seasonal autoregressive integrated moving average,SARIMA)在新疆涂阳肺结核疫情预测预警中的应用。 方法 收集新疆2005年1月－2015年6月涂阳肺结核月发病数建立时间序列分析模型,对2015年7－12月的月发病数进行预测并与实际发病数进行比较评价。 结果 新疆涂阳肺结核月发病数具有明显季节性,在3月和11月存在发病高峰,SARIMA(0,1,1)(0,1,1)₁₂模型参数的回归系数假设检验结果P<0.001,与实际月发病数拟合效果良好,平均绝对百分比误差MAPE=7.985%。 结论 SARIMA模型能较好的拟合新疆涂阳肺结核疫情在时间上的变异趋势,用其进行预测效果良好,能够为肺结核疫情的预警防治提供参考。     

基于SARIMA模型的细菌性痢疾短期定量预测研究

目的采用季节时间序列模型(SARIMA)对福建省细菌性痢疾发病数进行短期预测,为风险评估提供可靠的定量数据基础。方法运用EViews 8.0软件,基于SARIMA模型,对福建省2004年1月至2015年12月细菌性痢疾月发病数进行分析和建模,再对2016年1~9月进行预测和评估,然后修正模型对2016年10~12月进行短期预测。结果 2004年1月至2015年12月,福建省细菌性痢疾月发病序列呈下降态势和周期性波动。SARIMA(0,1,1)(1,1,1)12拟合优度较好,预测准确度和精度较高,均方根误差(RMSE)为26.59,平均绝对百分比误差(MAPE)为13.61%。2016年1~9月前瞻性长期预测值MAPE为19.44%,其中7~9月MAPE为20.49%,而2016年7~9月前瞻性短期预测值MAPE为6.48%,而且标准误(SE)小于长期预测。采用2004年1月至2016年9月细菌性痢疾例数进行建模拟合后,SARIMA(1,1,2)(0,1,1)12为最佳模型,2016年10~12月短期预测结果分别为41例、36例和24例。结论 SARIMA模型能够对福建省细菌性痢疾发病数进行较准确的短期预测,可为风险评估提供可靠的定量数据基础。     

基于ARIMA模型的医院流感样病例特性分析与预测研究

目的 基于自回归移动平均模型分析预测医院流感样病例就诊特点,探讨疫情防控应急管理策略。方法 采用回顾性研究收集某三甲医院2017-2022年流感样病例,分析不同季度、科室流感样病例流行病学特征,采用时间序列拟合模型分析流感样病例流行趋势及变化。结果 2017—2022年医院就诊的5048123例门急诊病例中监测到118781例流感样病例,其中2017—2019年12月至次年3月呈现出流感样病例发病高峰,2020—2022年由于新冠疫情防控措施使得流感样病例就诊未呈现典型的季节性波动。采用时间序列拟合模型分析后,预测2023—2024年流感样病例及门急诊病例数,预测季节性高峰将于2023年12月、2024年3月以及2024年12月出现。结论 利用ARIMA模型对流感样病例进行分析预测有助于医院统筹医疗资源,加强应急管理,降低流感传播风险。     

SARIMA-RBF组合模型在流行性腮腺炎流行趋势预测中的应用

目的 探讨SARIMA-RBF组合模型拟合及预测我国流行性腮腺炎（流腮）流行趋势的应用。方法 利用全国2004—2015年流腮逐月发病率建立SARIMA模型。将基于SARIMA模型的拟合值作为输入向量,实际值作为输出向量,根据时间因素作为输入向量与否建立2个SARIMA-RBF组合模型（加入时间因素记为组合模型A,不加入时间因素记为组合模型B）。运用SARIMA模型和2个SARIMA-RBF组合模型预测2016年7—12月流腮发病率并与实际值比较,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）评价模型拟合及预测效果。结果 SARIMA（0,1,1）（0,1,1） ₁₂为最优SARIMA模型。SARIMA模型、组合模型A和组合模型B拟合的MAPE 分别为15.724%、12.217%、13.941%,MER分别为15.168%、10.179%、14.042%,MSE分别为0.336、0.167、0.713,MAE分别为0.296、0.199、0.274。预测的MAPE 分别为12.069%、7.904%、9.598%,MER分别为12.331%、7.872%、10.636%,MSE分别为0.022、0.013、0.025,MAE分别为0.138、0.088、0.119。结论 考虑时间因素的SARIMA-RBF组合模型为最优拟合及预测模型,具有良好推广应用价值。     

SARIMA模型和Holt-winters模型在我国丙肝月报告发病人数预测中的应用比较

目的 分析2013-2019年我国丙型病毒性肝炎（丙肝）发病趋势，探讨比较SARIMA模型和Holt-winters模型在我国丙肝发病序列预测中的应用。 方法 基于2013-2018年我国丙肝月发病数据拟合建立SARIMA模型和Holt-winters模型，采用2019年1月-12月发病数据验证两种模型预测效果。 结果 SARIMA模型最优模型为ARIMA(2,1,4)(2,1,2)12，预测平均误差百分比（MAPE）为4.447%，Holt-winters模型最优模型为相加模型，预测平均误差百分比（MAPE）为2.958%。 结论 Holt-winters相加模型预测精度相对较高，可用于我国丙肝发病人数的预测。     

SARIMA模型在医院住院人次预测中的应用

住院量是评价一个医院医疗工作的重要指标,直接或间接地反映出一个医院的规模、医疗质量及医疗水平[1].因此,了解住院量的变化情况,对于合理安排资源,提高医疗工作效率意义重大.要了解住院量的情况,就要对其进行预测.目前预测的模型及方法主要有线性回归模型、神经网络模型、灰色预测模型、马尔科夫链模型以及时间序列模型等[2].针对住院量数据的特殊性,本文选用季节自回归滑动平均模型(seasonal auto regressive integrated moving average model,SARIMA模型),分析2000-2011年住院量的历史数据,探讨其发生发展的规律并预测未来半年医院住院量的情况,为医院规划自身发展提供科学的依据.     

ARIMA模型在医院出院患者预测中的应用

目的：分析医院出院患者变化规律,预测其变化趋势。方法：应用SPSS 13．0软件对1999-2007年逐月出院患者进行ARIMA模型建模拟合,用所得到的模型预测2008年出院患者数据。结果：ARIMA（0,1,1）×（1,1,0）12模型很好的拟合了既往出院患者序列,参数有统计学意义。结论：ARIMA模型能很好的拟合出院患者的变动趋势,为医院管理提供决策依据。     

小波神经网络在肾综合症出血热发病率预测中的应用

目的探索小波神经网络在传染病预测中的应用。方法构造小波神经网络对2004年1月至2010年1月我国内地法定报告的肾综合症出血热发病率数据进行训练,对2010年2月至2010年10月相应数据进行预测,并将预测结果与传统的BP神经网络及SARIMA时间序列模型进行比较。结果小波神经网络拟合结果及预测结果的MAPE、MAE及RMSE均小于BP神经网络、SARIMA模型。结论小波神经网络预测效果最优,对于肾综合症出血热等传染病发病率预测具有较好的应用价值。