ARIMA乘积季节模型在苏州市其他感染性腹泻发病预测中的应用

目的探讨自回归求和移动平均(autoregressive integrated moving average,ARIMA)乘积季节模型在苏州市其他感染性腹泻发病预测方面的应用。方法利用R软件对苏州市2004年1月—2015年12月的其他感染性腹泻发病率数据构建ARIMA乘积季节模型,预测苏州市2016年1—12月其他感染性腹泻发病率。结果建立了ARIMA(1,1,1)×(0,1,1)12乘积季节模型,模型Ljung-Box检验差异无统计学意义(Q=5.305,P=0.947),模型短期预测效果较好,2016年1—6月苏州市其他感染性腹泻发病率预测值与实际发病率进行比较,相对误差的平均值为0.041,实际发病率均在预测结果 95%可信区间内。结论 ARIMA(1,1,1)×(0,1,1)12季节乘积模型可用于苏州市其他感染性腹泻发病的短期预测。     

自回归求和移动平均模型季节乘积模型在青岛市肾综合征出血热发病预测中的应用

目的探索ARIMA季节乘积模型在青岛市肾综合征出血热(HFRS)发病预测中的应用,为HFRS防治提供科学依据。方法利用1977~2015年青岛市HFRS月发病率,建立ARIMA季节乘积模型,以2016年月发病率评估预测效果,并预测2017年月发病率。结果青岛市HFRS发病具有明显的季节性,发病高峰为每年的10~12月。模型季节自回归参数为-0.45,BIC=3.58,平稳R2=0.98,残差序列检验为白噪声序列(q=13.56,P0.05),建立ARIMA乘积季节模型ARIMA(0,3,2)(1,3,2)12,2016年实际值与拟合值绝对误差为0.01~0.28,且均在95%置信区间中,2017年月发病率0.15/10万~1.06/10万。结论 ARIMA乘积季节模型能够较好地模拟青岛市HFRS发病趋势,可用于短期预测该市HFRS发病情况。     

基于ARIMA乘积季节模型的苏州市介水传染病发病预测研究

目的探讨运用自回归求和移动平均(autoregressive integrated moving average,ARIMA)乘积季节模型对苏州市介水传染病发病率进行预测。方法利用R软件对苏州市2008年1月—2015年12月的介水传染病发病率数据进行拟合,构建ARIMA乘积季节模型,对苏州市2016年1—6月介水传染病的发病率进行预测。结果构建了ARIMA(2,1,2)×(0,1,1)_(12)乘积季节模型,模型Ljung—Box检验差异无统计学意义(Q=18.478,P=0.779),模型适用于短期预测,2016年1—6月苏州市常见介水传染病实际发病率均在预测结果95%可信区间内,预测结果相对误差的平均值为-0.024。结论ARIMA(2,1,2)×(0,1,1)_(12)季节乘积模型可用于苏州市介水传染病发病率的短期预测。     

应用ARIMA乘积季节模型分析我国布鲁菌病时间分布特征及趋势预测

目的探讨ARIMA乘积季节模型在分析我国布鲁菌病(布病)月发病率时间分布特征中的应用,预测其发病趋势。方法通过国家公共卫生科学数据中心和国家卫生计生委疾病预防控制局网站,收集并计算布病月发病率数据。分析布病时间分布特征,对2004年1月—2016年12月发病率数据建立ARIMA乘积季节模型,用2016年1—12月发病率数据拟合模型,选出最优模型,并预测2017年月发病率数据。结果我国布病月发病率数据整体处于上升趋势且具有明显的季节特征,每年5、6月属于高发病期,10月至次年2月发病率较低。拟合ARIMA(2,1,1)(1,1,1)12模型为预测我国布病的最佳模型,拟合值与实际值进行比较,2016年12个月的平均相对误差为8.79%,按全年发病率计算,相对误差为4.05%,显示模型的预测精度较高,并预测2017年1—12月发病率。结论 ARIMA乘积季节模型能很好地拟合布病的长期趋势和季节趋势,回代拟合和短期预测效果较理想。     

上海市流行性腮腺炎疫情时间序列模型建立的初探

【目的】探讨时间序列模型在流行性腮腺炎(流腮)预测中的应用,建立上海市流腮发病的预测模型,预测2017年上海市流腮发病趋势。【方法】收集中国疾病监测信息报告系统中的上海市2005年1月—2016年12月流腮月报告发病资料,使用SPSS软件进行建模,考虑季节因素建立ARIMA(Autoregressive Integrated Moving Average)乘积季节预测模型,并用所建模型预测上海市2017年流腮发病趋势。【结果】ARIMA(1,0,0)(1,1,0)12可较好地拟合流腮发病的时间序列趋势,对2005—2016年流腮发病数预测值与实际值吻合程度高,平均相对误差为8.79%,2017年流腮预测病例数为2 656例。【结论】ARIMA乘积季节模型可较好地拟合流腮发病的时间序列趋势;与2016年相比,预测2017年流腮报告发病数相对平稳。     

ARIMA乘积季节模型预测永嘉县其他感染性腹泻的流行

目的评估求和自回归移动平均(ARIMA)乘积季节模型预测其他感染性腹泻流行的可行性。方法利用2005—2014年永嘉县其他感染性腹泻的发病率数据,采用ARIMA模型结合随机季节模型的方法,建立预测其他感染性腹泻流行的ARIMA乘积季节模型,同时用2015年的数据做模型预测效果验证。结果根据模型拟合效果,模型ARIMA(1,1,1)(0,1,1)12的拟合效果为最优,其Ljung-Box检验值为7.796,BIC值为3.602,MAPE值为36.166%,表明模型拟合程度较好;该模型外推验证2015年发病率的预测效果较好,2015年各月发病率的实际值均落在该模型预测值95%可信区间内,且预测值与实际值间依时间变化的趋势也基本一致。结论ARIMA(1,1,1)(0,1,1)12模型能较好地预测永嘉县其他感染性腹泻的流行趋势,对该病的预警具有一定的价值。     

季节性ARIMA模型在江门市手足口病疫情预测中的应用

目的构建时间序列ARIMA乘积季节性模型,预测江门市手足口病发病趋势,探讨该模型在预测手足口病发病率中的应用。方法根据2009年1月～2017年6月手足口病月报告发病率时间序列构建模型,以2017年7～12月手足口病发病率为验证数据,验证预测模型效果。结果模型ARIMA(1,0,1)(0,1,1)_(12)为最优模型,其BIC=9.87,Ljung-Box=21.76,P=0.11,2017年7～12月手足口病月发病率预测值和实际值的平均相对误差为18.14%,实际值都在预测值95%置信区间内。结论 ARIMA模型能较好预测手足口病发病变化趋势,模型预测效果有待进一步优化。     

ARIMA模型在北京市西城区手足口病月发病率预测中的应用

目的采用ARIMA模型预测手足口病的发病趋势,探讨提高模型预测准确性和实用性的思路。方法利用ARIMA模型对北京市西城区2010年1月—2015年12月手足口病月发病率进行拟合,并进行发病趋势预测。结果通过参数估计和残差白噪声检验,得到模型ARIMA(1,0,0)(1,1,0)_(12),BIC=1.958,Ljung—Box=7.885(P=0.952),2015年手足口病月发病率预测值和实际值的平均相对误差为21.47%。结论利用ARIMA模型预测手足口病的发病趋势是可行的,可以为地区传染病防控和公共卫生决策提供科学依据。     

ARIMA乘积季节模型在江西省手足口病发病预测中的应用

目的 建立江西省手足口病发病的ARIMA乘积季节模型并进行预测,探讨该模型在江西省手足口病早期预测预警中的可行性。方法 以江西省2008-2015年手足口病逐月发病数为基础,建立ARIMA乘积季节模型,利用2016年各月发病数对模型进行验证,得到最优模型后对2017年手足口病发病数进行预测。结果 本研究构建的江西省手足口病发病预测模型为ARIMA(2,1,1)(0,1,1)12,各项参数都有统计学意义(P<0.05),模型拟合优度检验获得BIC值最小为14.738,残序列为白噪声(Ljung-Box Q=14.738,P=0.362),实际值与拟合值的动态趋势基本吻合;2016年1-8月预测值与实际值相差较小,吻合度高;2017年手足口发病数预测值为49 353。结论 ARIMA(2,1,1)(0,1,1)12较好地模拟了江西省手足口病发病趋势,可用于江西省手足口病发病的短期预测。     

ARIMA模型在北京市西城区手足口病月发病率预测中的应用

目的探讨自回归求和移动平均模型(Autoregegressive integrated maving average model,ARIMA)在北京市西城区手足口月发病率中预测应用的可能性。方法利用2008—2016年北京市西城区手足口病月发病率建立ARIMA模型并进行拟合,根据模型对2017年12个月的发病率进行预测。结果西城区手足口病月发病率的ARIMA模型为ARIMA(0,0,1)(1,1,0)12,其中BIC=2.361,Ljung-Box Q=20.380(P=0.204),模型中的参数检验差异有统计学意义。2016年7—12月实际月发病率与模型预测值基本吻合,预测值与实际值的平均绝对误差为20.42%。利用该模型进行预测,2017年发病高峰为5—7月。结论 ARIMA(0,0,1)(1,1,0)12模型可以较为准确地预测短期内西城区手足口病发病趋势,为防控工作的开展提供指导。     

利用ARIMA-GRNN组合模型预测新疆维吾尔自治区手足口病发病率

目的分析2009—2015年新疆维吾尔自治区手足口病新发数量的时间分布规律,使用自回归积分滑动平均模型-广义回归神经网络(ARIMA-GRNN)组合模型预测新疆维吾尔自治区手足口病发病情况,并评价该模型预测新疆维吾尔自治区手足口病发病率的效果。方法利用Excel 2007软件对2009—2015年新疆维吾尔自治区手足口病数据进行整理,基于2009—2014年手足口病数据为训练集,使用R 3. 5. 0拟合ARIMA模型,在ARIMA模型的基础上用Matlab 2014拟合ARIMA-GRNN组合模型。利用2015年的数据来检验所拟合的模型的预测效果。结果拟合的ARIMA模型为ARIMA(0,0,1)(2,1,0)12,平均绝对百分比误差(Mean Absolute Percentage Error MAPE)为19. 21%,能够较好的拟合新疆维吾尔自治区手足口病发病趋势,而在此基础上拟合的ARIMA-GRNN模型的MAPE=15. 63%,能更好的拟合数据,模型的效果优于单纯ARIMA模型,用该模型预测2015年发病情况,预测结果符合手足口病发病实际的波动趋势。结论 ARIMA-GRNN组合模型对新疆维吾尔自治区手足口病发病率能够很好的拟合和预测,对手足口病预防和监测有积极作用。     

ARIMA与GM(1,1)模型对我国肺结核年发病人数预测情况的比较

目的通过ARIMA乘积季节模型和GM(1,1)模型拟合我国肺结核的发病人数,比较两种模型的拟合效果。方法运用我国2011-2016年的肺结核发病人数,分别构建ARIMA乘积季节模型和GM(1,1)模型,然后利用所得到的模型进行预测。采用平均绝对百分误差(MAPE)来评价模型的拟合效果。结果 GM(1,1)模型和ARIMA乘积季节预测模型所得到的MAPE分别为1.45%、1.70%。用GM(1,1)模型预测2017-2018年我国肺结核的发病人数分别为1042909、988915人。结论 GM(1,1)拟合效果优于ARIMA乘积季节模型,预测表明2017-2018年我国肺结核年发病人数将呈现出减少的趋势,但是肺结核发病人数仍然较多。     

上城区其他感染性腹泻ARIMA乘积季节模型的建立与预测

目的 建立上城区其他感染性腹泻病求和自回归移动平均(auto-regressive integrated moving average, ARIMA)乘积季节模型，为早期防控提供参考。方法 利用SPSS 25.0软件对上城区2010—2020年其他感染性腹泻病发病数据构建ARIMA乘积季节模型，通过对2021年月发病数进行回代预测评价模型拟合效果，并用构建的模型对2022年月发病数进行预测。结果 上城区2010—2020年共报告其他感染性腹泻病40 534例，年均报告发病数为3 685例，无死亡病例报告。构建的较优模型为ARIMA(2,1,1)(1,1,1)₁₂,平稳R²=0.870,贝叶斯信息准则(Bayesian information criterion, BIC)=9.524,平均绝对百分误差(mean absolute percentage error, MAPE)=27.351,模型Box-Ljung检验差异无统计学意义(Q=10.420,P=0.659)。模型实测发病趋势与预测发病趋势基本一致，预测值和实测值平均相对误差为23....     

ARIMA乘积季节模型在日喀则市结核病疫情预测中的应用

目的通过构建的自回归滑动平均混合(ARIMA)乘积季节模型预测日喀则市结核病月发病情况,通过比较模型预测值与实际值来评估该模型的预测效果。方法根据日喀则市2010年1月—2016年12月的结核病月发病例数构建ARIMA乘积季节模型,利用该模型预测2017年1—12月的结核病月发病情况,通过比较预测值与实际值来评价拟合模型的预测效果。结果最优模型为ARIMA(1,1,1)(1,1,0)_(12),其参数均通过统计学检验(均P0.05),残差序列为白噪声序列(P0.05),其赤池信息准则(AIC)=679.48,许瓦兹贝叶斯准则(SBC)=686.27,拟合优度相对最好。2017年1—12月的预测值与实际值基本吻合,实际值均落在95%CI内,预测效果较好。结论 ARIMA(1,1,1)(1,1,0)12可用于短期预测日喀则市结核病疫情,预测效果较好,建议要及时根据数据更新及其他的因素更新模型,以确保模型的预测价值。     

基于ARIMA乘积季节模型预测产超广谱β-内酰胺酶大肠埃希菌流行趋势研究

目的利用产超广谱β-内酰胺酶(ESBLs)大肠埃希菌监测数据建立求和自回归移动平均(ARIMA)乘积季节模型,分析并预测ESBLs大肠埃希菌流行趋势。方法使用2010—2016年浙江医院产ESBLs大肠埃希菌感染的逐月检出例数拟合ARIMA乘积季节模型,以平均绝对百分误差(MAPE)及贝叶斯信息准则(BIC)评价模型的可行性。以2017—2018年2月产ESBLs大肠埃希菌感染的逐月检出例数作为评估模型的样本,验证模型的预测效果。结果筛选出的最优模型为ARIMA(0,1,1)(0,1,1)12,MAPE为14.76,BIC为2.01,模型残差序列的Ljung-Box统计量Q=16.79(P=0.40),模型拟合良好。所选模型预测的2017—2018年2月产ESBLs大肠埃希菌感染检出例数与实际值的平均相对误差为14.08%,实际值均在预测值95%CI内。结论 ARIMA乘积季节模型对产ESBLs大肠埃希菌感染检出例数的拟合情况较好,可用于产ESBLs大肠埃希菌感染的短期预测和动态分析。     

乘积季节ARIMA模型在结核病发病率预测中应用

目的 探讨乘积季节自回归移动平均(ARIMA)模型在结核病疫情预测的可行性.方法 利用某省2004年1月-2011年6月结核病疫情监测资料建立乘积季节ARIMA预测模型,选取2011年7-12月的疫情资料评价模型的预测效能.结果 该省2004年1月-2011年12月结核病的发病率呈现明显的季节效应,且发病率逐年小幅递减;乘积季节ARIMA(1,1,0)×(1,1,0)12模型能较好拟合既往时间段内结核病的发病率,且对2011年7-12月结核病月发病率的预测值与实际值基本吻合,平均误差绝对值及平均误差绝对率分别为0.317和4.77％.结论 乘积季节ARIMA模型能较好模拟、预测结核病的发病疫情,具有较好的推广应用价值.     

自回归移动平均乘积季节模型在耐碳青霉烯类肠杆菌目细菌流行趋势预测中的应用

目的 探讨自回归移动平均(ARIMA)乘积季节模型在耐碳青霉烯类肠杆菌目细菌(CRE)流行趋势预测中的应用，为医院CRE感染的早期预警和防控提供理论依据。方法 应用SPSS 26.0软件对2016年—2020年嘉兴市某三级甲等综合性医院CRE月检出株数构建ARIMA乘积季节模型，选取2021年实际检出的CRE株数作为验证数据集与预测值进行比较，从而评价该模型的预测效能。结果 2016年—2020年该院CRE检出总数呈逐年下降趋势，发病集中在每年7月—10月，9月为发病高峰，具有季节性和周期性。ARIMA(0,1,2)(0,1,0)₁₂为最优模型，贝叶斯信息准则(BIC)为2.10,平均绝对百分误差(MAPE)为10.11,模型残差序列的Ljung-Box检验差异无统计学意义(Q=10.65,P>0.05),残差序列为白噪声，模型拟合良好。模型建立后，对2021年1月—12月的CRE检出株数进行ARIMA预测分析。结果显示实际发病趋势与预测曲线较为吻合，预测误差为0.00%～22.22%,平均相对误差为10.81%,提示模型有良好的预测效果。结论 ARIMA乘...     

ARIMA乘积季节模型在全国布鲁菌病发病预测中的应用

目的应用求和(差分)自回归移动平均(Autoregressive Integrated Moving Average Model,ARIMA)乘积季节模型分析季节性时间序列,建立全国布鲁菌病发病数的预测模型。方法利用中国疾病预防控制中心2011年1月—2016年12月按月报告的布鲁菌病发病数历史疫情数据,采用最大似然法估计模型参数,模型定阶后,建立布鲁菌病按月发病数ARIMA乘积季节预测模型。结果非季节和季节移动平均参数分别为0.357 35、0.666 64,均P0.05,AIC=911.337 2,SBC=917.569 8,均P0.05,据此建立ARIMA(0,1,1)(0,1,1)12乘积季节模型,模型表达式荦荦12xt=(1-0.357 35B)(1-0.666 6412)εt,并开展全国布鲁菌病发病数的预测。结论 ARIMA(0,1,1)(0,1,1)12乘积季节模型可用于预测布鲁菌病的发病情况。     

中国肺结核发病趋势的ARIMA乘积季节模型构建

目的 根据我国肺结核发病趋势和流行病学特征,建立ARIMA乘积季节模型并进行预测.方法 采用SPSS 25.0软件,对2004-2018年肺结核发病月度数据建模,预测2019年各月发病数,并与实际数据对比,分析预测效果.结果 构建的ARIMA(2,1,0)(2,1,1)12模型的拟合系数R2=0.762,拟合度较高,残差序列的白噪声通过检验.预测结果的平均绝对误差百分比(MAPE)为7.17％,且在3月、10月关键节点处,预测误差仅为4.61％、2.5％.结论 构建的ARIMA乘积季节模型拟合及预测效果良好,能较好地描述我国肺结核的发病趋势,为防控物资储备和人员安排提供数据支持.     

手足口病月发病率ARIMA乘积季节模型预测探讨

目的探讨ARIMA乘积季节模型在HFMD月发病率预测中的应用价值,为手足口病防控工作提供依据。方法以2009年1月~2015年12月全国HFMD月发病率数据为基础,使用Eviews8.0建立ARIMA乘积季节模型,采用2016年1月~6月实际数据验证,以RMSE、MAE、Theil IC、BP、VP、CP、MRE评估模型预测结果。同法预测2016年7月~12月全国HFMD月发病率。结果 2009年1月~2016年6月HFMD月发病率最优模型是ARIMA(1,0,1)×(0,1,1)_(12),模型口径为:(1-B~(12))(1-0.574B)xt=(1-0.441B)(1+0.919B~(12))ε_t,RMSE=4.15,MAE=2.59,Theil IC为0.143,BP=0.045,VP=0.225,CP=0.730,2016年7月~12月发病率(1/10万)预测值分别为24.70、14.96、15.00、14.12、13.05、11.22。结论 ARIMA(1,0,1)×(0,1,1)_(12)模型可较好地拟合全国HFMD月发病率的演变趋势,可用于HFMD发病率的短期预测。