时间序列分析在流感疫情预测预警中的应用

目的 探讨时间序列分析的自回归求积移动平均模型(ARIMA)在江苏省流行性感冒(流感)疫情预测预警中的应用.方法 收集江苏省2005年10月至2010年2月各监测点流感样病例(ILI)监测数据,建立基础数据库,对每周ILI发病人数进行ARIMA建模拟合,对2010年3-4月各周流感样病例发病情况进行预测.结果 构建得到ILI发病ARIMA(2,1,2)预测模型为(1+0.785B2)(1 -B)In Xt=(1+0.622B2)εt,其中,B代表后移算子,Xt代表流感样病例发病人数,εt为随机误差.模型残差序列为白噪声,模型的Ljung-Box检验统计量为5.087,P=0.995,拟合效果良好.应用该模型预测2010年3-4月江苏省各周ILI发病情况,预测值符合实际发病变动趋势,实际观测值均在预测值95％CI值内.结论 ARIMA模型能较好地模拟江苏省ILI发病情况.     

南通市流感样病例时间序列分析及发病趋势的 预测研究

摘要:目的　探讨时间序列分析中的自回归求积移动平均模型（ARIMA）在南通市流感样病例（ILI）发病趋势预测中的应用。方法　收集“中国疾病预防控制系统”中2009年7月-2013年11月共238周流感样病例的发病监测数据,建立时间序列数据库,对每周流感样病例的发病人数进行ARIMA模型拟合,利用模型对2009年7月-2013年11月的周数据进行外部预测,并对2014年2月-2014年3月各周的流感样病例的发病情况进行前瞻性预测。结果　构建流感样病例周发病数的ARIMA（1,1,1）模型为（1-0.806B2）（1-B）lnXt＝（1-0.958B2）∝t,其中B代表后移算子,Xt代表ILI周发病数,εt为随机误差。外部预测的预测值和实际值基本相符,相对误差较小。前瞻性预测结果符合流感样病例的流行特征。结论　该模型能较好的模拟并预测南通市流感样病例的发病趋势。     

上海市流感样病例发病趋势的时间序列分析和预测模型研究

目的 预测上海市流感样病例的发病趋势。方法 应用自回归求和移动平均模型（autoregressive integrated moving average model,ARIMA）,对上海市2004年1月至2006年4月期间由流感监测点医院每日报告的流感样病例监测资料进行时间序列分析并建立预测模型,使用前114周资料建立模型,后9周资料评估模型预测效果。结果 流感样病例监测资料构建ARIMA（1,0,0）（1,1,0）26模型,非季节性和季节性自回归系数差异皆有统计学意义（P〈0．001）。白噪声残差分析显示序列自相关函数的Box-Ljung统计量最小值为0．803（P〉0．1）,残差为随机性误差。1～114周资料所建立模型lgY,=0．879lgY1-1＋0．418lgY1-26 0．367lgY1-27＋0．582lgY1-52-0．512lgY1-53预测效果良好,实际值均在预测值的95％可信区间内,符合率达100％。结论 ARIMA模型能较好模拟上海市流感样病例的发病趋势。     

GRNN组合预测模型对辽宁省及部分地区肾综合征出血热发病率的预测研究

目的探讨广义回归神经网络（GRNN）组合预测模型在肾综合征出血热（HFRS）发病率预测上的优势及应用前景。方法利用1990—2001年辽宁省、丹东市、沈阳市和朝阳市HFRS发病率分别建立GM（1，1）灰色预测模型和求和自回归滑动平均（ARIMA）模型，把2个模型的预测值作为GRNN的输入，实测值作为网络的输出，对样本进行训练和预测，并对3个模型的预测效果进行比较。结果针对辽宁省HFRS发病率建立的GM（1，1）模型、ARIMA模型和GRNN组合预测模型的平均误差率（MER）分别为13．5143％、25．0814％和5．5755％；R^2分别为0．8961、0．6997和0．9837。针对丹东市HFRS发病率建立模型的MER分别为19．7329％、20．6275％和14．0789％；R^2分别为0．8112、0．7628和0．8750。针对沈阳市HFRS发病率建立模型的MER分别为15．1421％、18．0584％和14．3592％；R。分别为0．8757、0．7889和0．8585。针对朝阳市HFRS发病率建立模型的MER分别为51．5090％、28．6593％和28．5927％；R^2分别为0．7863、0．8291和0．7753。GRNN组合预测模型对于辽宁省和丹东市的HFRS发病率预测效果好于2个单一模型；针对沈阳市所建立的HFRS发病率预测模型，GRNN组合预测模型和GM（1，1）模型相当，ARIMA模型最差。朝阳市的HFRS发病率预测模型不适合用上述方法建立。结论GRNN组合预测模型充分体现了它在小样本预测中的优势，预测效果优于GM（1，1）模型和ARIMA模型，对解决时间序列类型的HFRS发病率等资料有很好的实用价值。     

ARIMA模型应用于月门诊量预测

目的探讨季节性时间序列ARIMA预测模型在时间序列资料分析中的应用，建立门诊量的预测模型。方法采用最小二乘法估计模型参数，通过对数转换及差分方法使原始序列平稳，按照残差不相关原则、简洁原则确定模型结构．依据AIC和SBC准则确定模型阶数，建立ARIMA预测模型。结果季节自回归参数有统计学意义。方差估计值为0．001956．AIC=-443．26．SBC=-437．51。对模型进行白噪声残差分析，拟合优度统计量表中表明ARIMA的估计具体模型为：（1-B）（1-B^12）Zt=（1—0．24269B）（1—0．30096B^12）a1是适合的。结论用所建立模型对月门诊量进行预测。结果表明ARIMA是一种短期预测精度较高的预测模型。     

差分自回归移动平均模型在肾综合征出血热发病预测中的应用研究

目的探讨差分自回归移动平均模型（ARIMA）在肾综合征出血热（HFRS）预测分析中的应用。方法用SPSS16．0软件建立1986-2011年河北省HFRS逐月疫情资料数据库,用ARIMA相关模块进行建模拟合并进行预测分析。结果河北省1986-2011年HFRS发病数呈现明显的季节周期性。筛选ARIMA（0,1,1）×（0,1,2）_12模型为最优模型,对河北省2012年各月发病数进行预测,2012年1-12月实际值均落人了预测值的95％可信区间内。结论ARIMA模型可以很好地拟合HFRS发病数的变动趋势,并可用于预测未来疫情,为HFRS防控工作提供依据。     

应用灰色模型预测围产儿出生缺陷发病趋势

目的探讨灰色模型预测围产儿出生缺陷发病率的价值，了解我省围产儿出生缺陷的发病情况和动态变化趋势，为制定防治措施提供依据。方法建立灰色模型对1995-2003年山东省围产儿出生缺陷发病率进行模型拟合和趋势预测，用决定系数R^2检验拟合效果，回代误差和后验差检验预测精度。结果山东省围产儿出生缺陷发病率灰色残差GM（1，1）模型：γ0（t）=-3957.5＋4008.8e^0.018623（t-1）十δ（t-1-i）[6.61e^0.0000893（t-1）-6.61]。决定系数R^2=0.93，模型拟和较好，预测值与实测值平均相对误差率为7．2％，后验差检验得到模型后验差比值为0.57，小误差概率0.78，精度检验尚可接受。结论山东省围产儿出生缺陷发病率灰色残差GM（1，1）模型拟合较为理想。预测今后几年我省围产儿出生缺陷发病率呈上升趋势。     

自回归移动平均模型在细菌性痢疾流行趋势预测中的应用

目的探讨时间序列分析中自回归移动平均模型在六安市细菌性痢疾发病预测的可行性和适用性,为早期做好防控工作提供科学依据。方法使用SPSS 17.0软件对六安市2003年1月～2012年12月的细菌性痢疾月发病率建立ARIMA模型,以2013年的1～7月实际发病率作为预测模型的考核样本,验证模型的预测效果。结果六安市细菌性痢疾月发病率模型为ARIMA（0,0,1）×（0,1,1）12,模型移动平均参数MA1=-0.473（t=-5.153,P〈0.05）,季节移动平均参数SMA1=0.937（t=2.494,P=0.014）;残差分析Ljung-BoxQ统计量经检验,差异无统计学意义（Ljung-BoxQ=10.208,P=0.856）,提示残差为白噪声。模型预测的平均相对误差为27.82%,但预测的动态趋势与实际值基本吻合,且实际值均在预测值的95%可信区间内。结论 ARIMA（0,0,1）×（0,1,1）12模型可为六安市细菌性痢疾的防控提供参考。     

基于ARIMAX模型的乌鲁木齐市流感样病例预测分析

目的 探讨ARIMAX模型（autoregressive integrated moving average model-X,ARIMAX）在流感发病趋势预测方面的效果,为提高此模型在传染病发病预测方面的使用提供依据。方法 收集乌鲁木齐市（乌市）2013年1月~2016年12月的流感样病例（ILI）病例数和大气颗粒物PM_2.5及PM₁₀浓度数据,用R软件建立ARIMA及ARIMAX模型,并对2017年前10周ILI病例数做预测。结果 乌市2013年1月~2016年12月ILI病例总数161 773例,周平均发病数为777例;时序图显示呈冬春季高发的特点。流感周发病数建立ARIMA（1,0,0）模型,赤池信息准则（akaike information criterion,AIC）=2 549.03;以大气颗粒物PM_2.5及PM₁₀为影响变量,带入转换函数建立ARIMAX模型,AIC=2 535.51,且模型各参数有统计学意义。使用迭代法对前10期（10周）数据进行预测,预测结果显示仅预测3期（3周）误差最小;两模型预测误差百分比绝对值均值（mean absolute percentage error,MAPE）分别为12.019 74%,12.014 17%,显示两模型均有较好的预测精度。结论 ARIMA模型和ARIMAX模型均能较好预测短时间内ILI病例数的发病趋势,为流感监测和预防控制提供依据。     

自回归移动平均混合模型在中国道路交通伤害预测中的应用

探讨时间序列分析的自回归移动平均混合模型(ARIMA)在中国道路交通伤害(RTI)预测中的应用。收集1951-2011年中国道路交通伤害资料, 进行时间序列分析, 建立ARIMA模型。构建得到RTI事故起数ARIMA(1, 1, 0)预测模型为Yt=eY+0.456Y+e, 其中, et为随机误差, 模型残差序列为白噪声, Ljung.Box检验P>O.05, 统计量无统计学意义, 拟合效果良好。应用该模型预测2011年中国RTI事故起数, 预测值与实际观测结果相符, 实际观测值在预测值95%CI内。用该模型预测2012年中国RTI事故起数, 预测值(95%c, )为207838(107579～401536)。应用ARIMA模型能较好地预测中国道路交通伤害情况。     

ＡＲＩＭＡ 模型在婴儿死亡率预测中的应用

摘要：目的　探讨应用自回归滑动平均混合模型（ａｕｔｏｒｅｇｒｅｓｓｉｖｅｉｎｔｅｇｒａｔｅｄ ｍｏｖｉｎｇａｖｅｒａｇｅ,ＡＲＩＭＡ） 预
测婴儿死亡率的可行性。方法　运用ＳＰＳＳ１６．０ 对１９９１－２０１２ 年山西省妇幼卫生年报婴儿死亡率建立
ＡＲＩＭＡ 模型,用所建模型比较预测值与实际值差异,并预测２０１３－２０１５年山西省婴儿死亡率。结果　模
型ＡＲＩＭＡ （１,２,０）较好地拟合了既往时间段的婴儿死亡率的时间序列, 模型自回归参数ＡＲ１＝
－０．７５４,犘＜０．０１,有统计学意义, 赤池信息准则（ＡＩＣ） ＝６８．２１３, 许瓦兹贝叶斯准则（ＳＢＣ） ＝
７０．２０４,模型残差为白噪声（犘＞０．０５）, 模型数学函数式为＾ 犢狋＝０．０６７＋１．２４６犢狋－１ ＋０．５０８犢狋－２ －
０．７５４犢狋－３,利用模型预测２０１３－２０１５ 年婴儿死亡率分别为４．７７‰、４．３２‰、３．９６‰。结论　ＡＲＩＭＡ 模
型能够较好地拟合婴儿死亡率的时间变化趋势,并用于短期预测未来婴儿死亡率。
关键词：婴儿死亡率;时间序列;ＡＲＩＭＡ 模型
中图分类号：Ｒ１９５．１　　文献标识码：Ａ　　文章编号：１００９ ６６３９ （２０１４）０３ ０２５６ ０４     

利用ARIMA模型对2007—2011年四川口岸出境人员中HBsAg阳性疫情分析和预测

目的应用差分自回归移动平均模型(Autoregressive Integrated Moving Average model,ARIMA),分析和预测四川口岸出境人员中乙肝表面抗原(HBsAg)阳性疫情,为制定防治对策和措施提供科学依据。方法利用2007年—2011年四川国际旅行卫生保健中心出境人员HBsAg逐月监测数据,使用SAS9.1统计软件,建立ARIMA模型。结果ARIMA(0,1,1()0,1,1)12模型较好地拟合了既往时间段上的阳性检出率序列,各参数估计均有统计学意义,用该模型进行回代预测,预测检出率与实际检出率吻合程度较高。结论ARIMA模型可用于四川口岸出境人员HBsAg阳性检出率的动态分析和短期预测。     

差分自回归移动平均模型在伤害预测中的应用

目的探讨差分自回归移动平均（ARIMA）时间序列模型在伤害预测中的应用,建立伤害发生率预测模型。方法利用伤害监测系统,收集城阳区2006~2012年伤害月病例数,建立ARIMA模型。结果ARIMA（1,0,0）（0,1,1）12模型可以较好拟合伤害月发病率时间序列。利用ARIMA模型预测2013年伤害发生率为253．93／万。结果ARIMA模型具有适用性,可以用于伤害短期预测。     

基于GRNN的组合预测模型在传染病发病率预测中的应用

目的研究基于GRNN的组合预测模型拟合传染病发病率的优越性和不足。方法以浙中某市1998—2008年的肺结核发病率为研究资料,分别构建了灰色模型和ARIMA模型,以这两种模型为基础构建了基于GRNN的组合预测模型。结果残差修正GM(1,1)模型、ARIMA(1,0,1)*(1,1,0)12模型、基于GRNN的组合预测模型的MSE,MAE,MAPE和MER分别为37.451,5.692,53.69%,48.51%;18.509,3.761,35.13%,32.05%;9.961,2.571,25.6%,21.9%。结论基于GRNN的组合预测模型的预测精度优于两种单项模型。     

乌鲁木齐市流感样病例与气象因素的ARIMAX模型预测分析

目的分析气象因素对乌鲁木齐市流感样病例(influenza-like illness,ILI)例数的影响,建立ARIMAX(autoregressive integrated moving average model-X)模型对ILI例数进行短期预测,为乌鲁木齐市流感的预防与控制提供理论依据。方法利用乌鲁木齐市2015年1月至2017年9月的ILI例数和同期气象数据,建立ARIMAX模型,预测乌鲁木齐市2017年10月至2018年3月的ILI病例数,并与实际ILI例数进行比较。结果2015年1月—2017年9月发病数建立了ARIMA(0,1,1)(1,1,0)12模型,AIC=200.09;通过残差序列互相关函数(CCF)得出月平均相对湿度与ILI例数之间存在正相关关系,月日照时数与ILI例数之间存在负相关关系。将月平均相对湿度和月日照时数作为影响变量,建立ARIMAX模型,其中,纳入滞后0阶月日照时数的ARIMAX模型的AIC最小(AIC=197.63),且模型各参数差异均具有统计学意义。与一元时间序列ARIMA模型相比,拟合的平均绝对百分误差(MAPE)降低1.3687%,预测的MAPE降低5.25%,预测精度提高。结论本研究建立的带有气象因素的ARIMAX模型能较好预测短时间内ILI病例数发病趋势,为流感监测和预防控制提供依据。     

基于ARIMA 模型的贵州省2017年流行性乙型脑炎发病预测

目的 探讨ARIMA模型用于预测流行性乙型脑炎发病的可行性,并利用模型预测贵州省2017年乙脑发病趋势。方法 采用SPSS20.0对贵州省2007 - 2016年乙脑报告病例数进行分析并构建ARIMA模型,使用筛选的最优模型预测贵州省2017年乙脑发病。结果 ARIMA（0,0,1）（1,1,0）12模型为最优模型,模型BIC = 6.769,稳定的R2 = 0.496;除常数项外,该模型各参数均有统计学意义,残差序列为白噪声序列。用该模型拟合贵州省2008 - 2016年乙脑月发病数,拟合数与报告数的变化趋势基本相同,差异均无统计学意义（Ｐ＞0.05）;贵州省2017年乙脑预测病例数为41例,高峰仍在7、8月。结论 ARIMA模型可以较好地拟合贵州省乙脑的发病趋势,可用于短期预测;与2016年相比,预测2017年乙脑发病相对平稳。