用ARIMA模型预测流感的变化趋势

目的探讨ARIMA在建立流感预测模型方面的应用。方法利用深圳市2006—2008年每周的流感样病例（ILI）监测数据建立ARIMA模型,拟合ILI％的变化趋势,用残差序列分析进行模型诊断,用2009年的数据来检验ARIMA模型的预测效果。结果2006—2008年深圳市的ILI％呈季节性周期变化,经模型诊断发现ARIMA（1,0,0）×（1,1,0）模型为最优模型,预测值与实际值的平均相对误差为14．2％。通过对2009年数据的外推,2009年上半年的平均相对误差为15．5％,下半年的平均相对误差为25．5％。结论ARIMA模型可对ILI率进行很好的拟合,建模后的中短期预测效果较好。     

乘积季节ARIMA模型在乙肝发病率预测中的运用

目的探讨乘积季节自回归求和滑动平均模型(integrated autore-gressive moving average model,ARIMA)在荆州市乙肝发病预测中的应用,为乙肝预防控制提供参考。方法利用2004-2015年乙肝网络监测数据对荆州市乙肝发病率数据构建乘积季节ARIMA模型,同时利用2016年实际发病率与模型拟合数据进行比较,评价模型的预测性能,并预测荆州市2017年的乙肝发病率。结果荆州市乙肝发病率预测最优模型为ARIMA(0,1,1)(0,1,1)12模型,利用2016年拟合值与实际乙肝发病率比较,相对误差介于1.33%~27.80%之间,平均相对误差10.23%,提示ARIMA(0,1,1)(0,1,1)12模型具有较佳的预测能力。预测2017年荆州市乙肝疫情与2016年基本一致,发病整体平稳。结论 ARIMA(0,1,1)(0,1,1)12模型可用于荆州市乙肝发病率的预测,对乙肝预防控制产生积极的指导作用。     

时间序列分析中自回归求和滑动平均模型在食源性疾病预测中的应用

目的 ：通过对2017年～2020年包头市食源性疾病发病人数建立自回归滑动平均混合模型（ARIMA）,对包头市食源性疾病的发生预测预警,为进一步做好预防控制提供参考。方法：运用SPSS 22.0统计学软件对原始数据进行模型拟合,预测包头市2021年发病人数,根据实际值与预测值差异评价模型的预测效果。结果：包头市食源性疾病发病人数整体呈现上升趋势,发病人数的时间序列为非平稳性时间序列,经转换拆分,通过图形观察和多次验证,确定ARIMA (0,1,1)(0,1,1)12为最优模型,BIC=9.218,残差序列Ljung-Box Q检验的统计结果λ2=18.348,P=0.304,(P>0.05)差异无统计学意义,证明该模型为残差白噪声。结论：ARIMA季节乘积模型能拟合和预测食源性疾病的发病趋势,具有广泛的适用性。     

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。     

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。     

采用ARIMA模型对河北省保定市手足口病发病的预测分析

目的采用自回归滑动平均模型(autoregressive integrated moving average model,ARIMA)对保定市手足口病发病预测进行模型构建,探索该市传染病预测的方法。方法利用软件SPSS 13.0,对保定市2009-2015年手足口病逐月发病数进行ARIMA建模和拟合,筛出最优模型,对2016年1~10月的发病数进行预测并评价效果。结果 ARIMA(0,1,1)×(1,1,0)12为最适模型,对保定市2009-2015年手足口病发病数进行了很好的拟合,残差是白噪声序列,对2016年1~10月发病数的预测值均落入相应的95%可信区间,再现了手足口病的季节模式。结论 ARIMA模型很好的拟合了保定市手足口病在时间序列上的变化趋势,可用于疫情的动态分析和短期预测。     

差分整合移动平均自回归模型在医院流感样病例监测中的应用

目的 应用差分整合移动平均自回归模型（autoregressive integrated moving average model,ARIMA）分析医院流感样病例报告数据,初步探索ARIMA模型在流感样病例监测和预警上的效果,以期更好地指导医院相关医务人员应对秋冬季流感就诊高峰,全面开展流感防治工作,及时有效地应对疫情。方法 利用2014年1月12日至2017年10月14日间首都医科大学附属北京朝阳医院每日报告的流感样病例数据建立ARIMA模型,选取2017年10月15日至12月24日的流感样病例数据作为检验集来评价模型。结果 ARIMA（2,0,0）模型应用于首都医科大学附属北京朝阳医院流感样病例时,决定系数（R²）为0.87。用该模型进行回代预测,预测值与实际值吻合程度较高。结论 ARIMA（2,0,0）模型分析结果显示该模型在首都医科大学附属北京朝阳医院流感预测中具有较好的效果。可为其他医疗机构在流感样病例监测工作中提供借鉴依据。     

江西省儿童流感样病例就诊率ARIMA模型的建立及应用

目的 分析江西省儿童流感样病例就诊的流行情况,探讨ARIMA模型对儿童流感样病例就诊率的预测能力,为儿童流感的防控工作提供科学依据。方法 利用中国流感监测系统中2017—2021年江西省儿童医院的月流感样病例就诊率数据拟合ARIMA模型,并进行预测。采用均方根绝对误差(mean squared error, MAE)、均方根误差(root mean squared error, RMSE)和平均百分比误差(mean absolute percentage error, MAPE)评价预测效果。结果 2017—2021年江西省儿童流感样病例年平均就诊率为2.11%;最佳拟合模型为ARIMA(0,1,0)(0,1,1)₁₂,残差序列为白噪声序列(P>0.05),MAE、RMSE和MAPE分别为0.68、1.05和51.96%,提示该模型拟合较好;通过该模型预测2021年江西省儿童流感样病例年均就诊率为2.57%,2021年1—12月实际流感样病例就诊率均位于预测值95%置信区间中。结论 本研究构建的ARIMA模型预测效果较好,可用于儿童流感防控的预测。     

黑龙江省2009—2017年流行性感冒发病趋势的时间序列分析

目的 运用季节性自回归移动平均混合(SARIMA)模型分析预测黑龙江省流行性感冒(流感)发病趋势,为流感的防控工作提供决策依据。方法 利用2009年1月—2016年12月期间黑龙江省流感月发病率数据,建立预测模型,同时评估不同滞后气象要素与流感发病的关系,进而纳入相关气象要素提高模型预测精度;利用2017年的数据评估SARIMA模型的预测效果。结果 滞后5阶的风速[β=0.345,P<0.05,95%置信区间(0.239,0.450)]与发病率呈正相关。SARIMA(1,1,1)(0,1,1)₁₂纳入在滞后5阶的风速是最佳模型,模型拟合效果较好,具有良好的预测准确性。结论 气象要素变化与黑龙江省流感发病率具有一定的相关性,采用纳入气象要素的SARIMA模型预测黑龙江省流感的发病具有可行性,但预测精度有待于进一步提高。     

ARIMA乘积季节模型在出院人数预测中的应用

目的了解医院住院量的变动趋势,对医院出院人数进行预测分析,为科学决策提供依据。方法应用乘积季节ARIMA模型对某院2003年1月-2013年12月出院人数进行模型拟合,预测2014年各月出院人数,用2014年1月-6月份实际资料评估模型的预测效果。结果该院出院人数呈明显的季节效应,且出院人数逐年小幅递增;乘积季节ARIMA(1,1,1)×(0,1,1)12(不含常数项)模型为最优模型,标准化的BIC(标准化贝叶斯信息量)和平均绝对误差百分比(MAPE)值最小,BIC值为11.98,MAPE值为5.43。Ljung-Box检验无统计学意义(Q18=10.575,P=0.782)。结论乘积季节ARIMA模型可以较好地拟合出院人数的变化趋势,是一种短期预测精度较高的预测模型。     

2011—2016年南通市流感监测结果分析

目的：了解南通市2011—2016年流感样病例报告情况和病原学分型特征,为流感防治提供科学依据。方法：采用描述性流行病学方法对3家国家级流感哨点医院2011—2016年流感样病例报告信息进行统计分析,对3 d内未服用抗病毒药的流感样病例的病原检测结果进行分类统计。 结果：6年共监测流感样病例69 783例,占门急诊总数的2.64%,年度流感样病例（influenza like illness,ILI）门急诊总数比例（ILI%）有显著上升趋势（χ2=3 025.21,P＜0.05）。流感样病例0~＜5岁组发病率最高（2.53%）,5~＜15岁组次之,且两个年龄组报告发病率有逐年升高趋势（χ2=4 344.22,P＜0.05）。6年来ILI%最高峰出现在2012年第30周,周ILI%达到7.64%,最低是2015年第52周,周ILI%为1.04%。本市流感发病高峰存在冬春季和夏季两个高峰,以甲型流感为主,优势亚型主要为H3亚型和B型。结论：南通市应重点针对H3亚型和B型流感病毒,同时多关注新甲型H1N1的流行动态,推荐每年9~10月加强＜15岁年龄组人群的流感疫苗接种。     

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。     

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。     

ARIMA模型在肺结核疫情预测中的应用

目的 运用自回归滑动平均混合模型( ARIMA)对长沙市天心区的肺结核发病数进行曲线拟合与模拟,为肺结核防治工作提供科学依据.方法 通过分析2003-2010年天心区肺结核发病数据,分模型识别、参数估计、模型诊断3个步骤建立ARIMA季节性模型,利用2011年1-4月天心区肺结核发病数据进行模型验证,并预测未来1年的月发病数.结果 ARIMA(1,0,1)×ARIMA(0,1,1)12模型较好地拟合了2003-2010年天心区肺结核发病情况,其计算201 1年1-4月天心区肺结核发病数的模拟值(38、32、41、47例)变化趋势基本符合实际值(34、44、46、48例)变化趋势.未来1年(2011年5月至2012年4月)肺结核发病数将略有增加,月发病数均值为44例.结论 ARIMA(1,0,1)×ARIMA(0,1,1)12模型能较好地拟合天心区肺结核发病情况,可以用于天心区肺结核发病数的预测.     

2021―2022年海口市某哨点医院儿童流行性感冒的流行病学特征分析

目的 分析海口市某哨点医院儿童流行性感冒（简称流感）的流行病学特征,了解流感优势病毒株,为流感防治提供科学依据。方法 收集2021年10月—2022年9月海南省海口市流感监测哨点海南省妇女儿童医学中心的儿童流感样病例（influenza like illness,ILI）资料并采集患者发病早期的鼻咽拭子标本,用实时荧光定量反转录聚合酶链反应（quantitative real-time polymerase chain reaction,real-time qRT-PCR）检测样本中流感病毒核酸,以流感监测年度为周期对监测ILI病例数、年龄、发病季节以及流感病毒核酸阳性结果进行描述性分析。结果 共采集ILI咽拭子标本3 670份,流感病毒核酸阳性498份,阳性率为13.57%,其中甲型H3N2流感占56.22%(280/498),其次为乙型流感占37.35%(186/498),甲型H1N1流感占比最低,为6.43%(32/498)。各年龄组儿童均可发病,其中流感病毒阳性检出率以3～<6岁年龄组为最高（144/853,16.88%）;其次为1～<3岁年龄组（152/929,1...     

自回归移动平均模型在恙虫病预测中的应用研究

目的探索基于季节性差分的自回归移动平均模型(ARIMA模型)在恙虫病预测应用的可行性。方法搜集中国疾病预防控制信息系统中的恙虫病发病资料,应用SPSS 17.0软件中的ARIMA模型,对北京市平谷区2010-2015年的恙虫病病例发病时间建立模型并拟合,根据模型对2016年的发病数做出预测。结果北京市平谷区恙虫病发病呈现逐年上升趋势,具有明显的季节性和周期性,每年的10月为发病高峰,经选取最优模型为ARIMA(1,2,2)(2,1,0)12,其平稳的R2=0.889,BIC=5.460,Ljung-Box Q检验,P=0.428,残差序列为白噪声序列。结论利用监测数据建立时间序列是预测传染病发展趋势的一个重要手段,此次建立的ARIMA模型对北京市平谷区恙虫病发病值及预测值拟合较好,可以作为恙虫病短期发病预测手段。     

基于时间序列分析的单采血小板临床需求预测模型研究

目的 探讨自回归移动平均（autoregressive integrated moving average,ARIMA）模型预测临床血小板需求量的可行性,为科学制定采血招募计划提供依据。方法 对重庆市中心血站2006年1月至2016年6月每月单采血小板临床用量建立ARIMA模型,运用最优模型预测2016年7至12月每月单采血小板临床用量,以验证预测效果。结果 单采血小板临床用量的最优模型为ARIMA（0,1,1）（1,0,1）₁₂,模型残差序列自相关函数和偏自相关函数基本落在95%的置信区间内,并且Ljung-Box Q统计结果表明残差不存在相关关系（P>0.05）,说明残差序列呈白噪声,模型通过检验。模型的实际值和预测值均在95%的置信区间内,且预测值与同期单采血小板临床用量的实际值比较,曲线变化趋势基本一致,平均相对误差为7.5%,预测精度较高。结论 最优模型ARIMA（0,1,1）（1,0,1）₁₂能较好地拟合单采血小板临床用量在时间序列上的变化趋势。     

广州市流感监测数据的时间序列分析

目的 通过时间序列分析方法揭示广州市流感的流行特征.方法 采用差分自回归移动平均模型(ARIMA)、季节结构、互相关、谱分析等常用的时间序列分析方法对广州市流感监测数据进行分析.结果 2004-2008年,广州市流感样病例就诊百分比(ILI％)夏季最高,季节指数为1.637; ILI％ARIMA模型为xi=0.785x1-1+0.201x1-2;对暴发疫情序列分别与ILI％、病毒分离率两条序列进行互相关分析,当lag=-1、-2、-3时,病毒分离率与暴发疫情、ILI％与暴发疫情相关系数均有统计学意义.ILI％、病毒分离率、暴发疫情的原始序列的周期图,每12个月有1个很强的周期活动.结论 时间序列分析方法应用于广州流感监测的数据,能较全面揭示广州市流感的时间流行特征.     

基于三种时间序列模型对广州市肾综合征出血热发病率的预测比较研究

目的利用GM(1,1)、ARIMA和BP神经网络模型探索肾综合征出血热(hemorrhagic fever with renal syndrome, HFRS)预测预警的最优模型,为广州市的HFRS防控预测预警提供科学建议。方法系统收集广州市2006-2019年HFRS发病数据,采用GM(1,1)、ARIMA和BP神经网络模型以及混合模型对2006-2016年发病率进行拟合建立HFRS预测已经模型,并对2017-2019年发病率进行预测,通过平均相对误差选取最佳预测预警模型。结果 2006-2019年广州市共报告HFRS病例2 453例,年均发病率1.373/10万,2013年发病率最高,为1.794/10万,2019年发病率最低,为0.954/10万。1-4月共报告1 106例病例,占病例总数的45.08%。ARMIA(0,1,1)(0,1,1)_(12)模型预测的平均相对误差最小为27.75%,GM(1,1)、BP神经网络、BP-GM和BP-ARIMA模型预测的平均相对误差分别为33.280%、27.750%、29.670%、46.210%和46.600%。结论基于月度数据进行建模的ARIMA模型识别异常值的能力更好,且预测的平均相对误差率最小。     

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。