小波-ARIMA模型在肺结核发病趋势预测中的应用研究

目的应用小波-ARIMA模型对肺结核的发病趋势进行预测,为肺结核防控提供更为有效、准确的理论支持。方法利用2010-2016年中国肺结核发病率数据,选择不同的小波函数及不同分解层数,建立小波-ARIMA模型,并进行ADF检验、Box-Ljung检验,检验水准为0.05;利用2017年数据验证小波-ARIMA、ARIMA模型的预测性能。结果在预测未来3个月发病趋势时,小波-ARIMA模型的MSE、MAE、MAPE分别为0.040、0.160、0.027;在预测未来6个月发病趋势时,小波-ARIMA模型的MSE、MAE、MAPE分别为0.027、0.136、0.024;在预测未来12个月发病趋势时,小波-ARIMA模型的MSE、MAE、MAPE分别为0.021、0.118、0.023;小波-ARIMA模型在未来6个月、12个月的预测性能均优于ARIMA模型。结论小波-ARIMA模型的中长期预测效果优于ARIMA模型,可为肺结核预测提供科学依据。     

2008-2015年宁波市流感样病例预测模型分析

目的：建立宁波市流感样病例（ILI）的预测模型,并对所建模型预测效果进行验证和评价。方法收集2008年1月至2015年6月宁波市流感监测哨点医院 ILI 监测资料,对数据进行统计分析,建立ARIMA模型及ARIMA-GARCH模型对流感发病情况进行预测和评价。结果2008—2014年宁波市ILI累计报告101056例,发病率大致呈逐年下降趋势。针对ILI发病率的ARIMA模型构建中ARIMA（2,1,1）（1,1,1）12为最佳模型（BIC=6.250）,白噪声残差分析得到Ljung-Box统计量Q值为6.027（P>0.05）。ARIMA-GARCH组合模型的预测效果较单一ARIMA模型理想,平均绝对误差分别为11.049和12.757。结论 ARIMA-GARCH模型可以模拟宁波地区流感的流行趋势,为流感防控策略的制定提供理论依据。     

应用ARIMA-BPNN组合模型预测手足口病发病率

比较ARIMA模型、BPNN模型和ARIMA-BPNN组合模型在我国手足口病月发病率预测中的应用效果,探讨预测手足口病发病率的优化模型。方法 收集2008年5月至2014年12月我国手足口病月发病率资料,用Excel2007、Spss17.0、Eviews8.0和Matlab8.5拟合相应的模型,并用2014年7月 - 12月的数据评价模型的预测效果。结果 ARIMA模型、BPNN模型和ARIMA-BPNN组合模型拟合及预测的MRD,MSE,RMSE和MAE分别为19.072、2.655、 2.852、 0.182和16.483、 7.246、 2.692、 0.166; 9.031、 2.559、 1.600、 0.009和10.210、 2.655、 1.629、 0.103; 7.397、1.207,1.099、0.068和7.847、1.234、1.111、0.074。结论 ARIMA-BPNN组合模型拟合及预测效果优于ARIMA模型和BPNN模型。     

基于百度指数与机器学习方法的流感样病例预测

目的 探讨网络搜索查询数据在流感样病例（influenza-like illness,ILI）预测方面的作用，分析流感跨区域传播的影响，建立符合中国南方地区的流感预测模型。方法 通过挖掘与流行性感冒（流感）相关的重要关键词，对关键词进行初筛，并通过分析各关键词与ILI数的时滞相关性，对关键词进一步过滤。基于确定的不同类型关键词和历史流感样病例百分比（influenza-like illness percentage,ILI%）数据，通过考虑相邻地区间流感传播的影响，构建流感预测模型。为验证各模型的可行性，选用多元线性回归、支持向量回归（support vector regression,SVR）和XGBoost方法对模型预测。结果 XGBoost方法中模型4的预测精度更高、效果更好，其MSE、RMSE、MAE值分别为0.055、0.235、0.184。结论 先行和同步关键词的百度指数以及相邻区域间的ILI%可以有效提高模型预测精度，其结果可为中国南方地区实现更加精准的流感防控提供科学依据。     

α-Sutte、SARIMA及其组合模型在甲肝发病率预测中的应用效果比较

目的 比较α-sutte、SARIMA及其组合模型(SutteSARIMA)在甲肝发病率预测中的应用效果,为优化甲肝预测模型提供参考。方法 收集2004—2017年全国甲肝逐月发病率数据。以2004年1月—2017年6月数据作为训练集,2017年7—12月数据作为测试集。利用训练数据分别训练α-sutte、SARIMA及SutteSARIMA模型。利用训练模型预测2017年7—12月发病率,并与测试集比较。采用平均绝对误差百分比(Mean Absolute Percentage Error, MAPE),平均绝对误差(Mean Absolute Error, MAE),均方根误差(Root Mean Squared Error, RMSE)和平均误差率(Mean ErrorRate, MER)评价模型拟合及预测效果。结果 α-sutte、SutteSARIMA模型残差均在0附近波动。α-sutte、SARIMA及SutteSARIMA模型拟合的MAPE、MAE、RMSE、MER依次为7.68%、0.02、0.03、6.34%,12.10%、0.03、0.05、12.18%,7.72%、...     

ARIMA-NARNN混合模型在丙型肝炎发病率预测效果研究

目的 选择最优模型用于山西省丙肝的流行趋势预测。方法 利用2004-2015年山西省丙肝发病率建立差分自回归移动平均模型（autoregressive intergrated moving average,ARIMA）模型和混合模型并进行预测,采用均方误差（mean square error,MSE）、平均绝对误差（mean absolute error,MAE）和平均绝对误差百分比（mean absolute percentage error,MAPE）评价模型的建模性能和预测性能。结果 混合模型的建模性能MSE、MAE和MAPE分别为0.0110、0.0701和0.0670,预测性能MSE、MAE和MAPE分别为0.0052、0.0395和0.0191,其预测精度明显高于ARIMA模型。结论 混合模型预测精度高,为山西省丙肝的防控工作提供了合理模型预测。     

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。     

ARIMA与SVM组合模型在新型冠状病毒肺炎预测中的应用

目的 基于差分自回归移动平均模型(ARIMA)通过引入支持向量机(SVM)方法,构建一个组合模型对新型冠状病毒肺炎(COVID-19)的发病趋势进行预测。方法 应用ARIMA模型对江苏省2020年1月22日-2月18日每日新增确诊病例数据中线性部分进行预测,捕捉时间序列数据的线性变化趋势,采用SVM对数据的非线性变化趋势进行预测,通过平均绝对误差(MAE)、均方误差(MSE)和平均绝对百分比误差(MAPE)评估两种组合模型的预测结果,比较模型的优劣。结果 在模型的拟合阶段,与单一ARIMA模型和SVM模型相比,ARIMA-SVM组合模型对COVID-19发病预测的MSE、MAE和MAPE均最小,分别为0.004、0.055和0.004;在模型的预测阶段,MSE、MAE和MAPE分别为7.811、2.730和0.764,在3个模型中也均是最小的。结论 与单ARIMA或SVM相比,ARIMA-SVM组合模型对COVID-19发病趋势具有更高预测精度。     

基于Prophet与ARIMA模型的四川省COVID-19累计确诊病例预测研究

目的 探讨Prophet与ARIMA模型2种预测方法在四川省COVID-19累计确诊病例的预测价值。方法 通过四川省卫生健康委员会官网收集2022年1月1日至4月8日四川省COVID-19累计确诊病例，分别采用ARIMA模型与Prophet模型进行建模预测，采用MAE、MAPE、RMSE等3个指标评价预测效果。结果 ARIMA(0,2,1)为最优模型，且模型参数差异有统计学意义（P<0.001），模型的残差为白噪声序列（P=0.095）；建立了包括趋势、节假日、周、日成分的Prophet模型；Prophet模型在训练集和测试集的MAE、MAPE和RMSE值均小于ARIMA(0,2,1)模型。结论 Prophet模型能够较好的预测四川省COVID-19累计确诊病例，在传染病领域具有较好的推广应用价值。     

基于Prophet等时间序列季节模型的肺结核发病预测及对比分析

目的 探索河南省2014—2019年肺结核发病趋势及季节性特征,比较Prophet模型、ARIMA季节模型和Holt-Winters模型的拟合及预测效果,为肺结核防控提供科学依据。方法 基于河南省2014年1月至2018年12月肺结核月发病数据,建立Prophet模型、ARIMA季节模型和Holt-Winters模型,采用2019年1月至12月肺结核月报告发病数据验证预测效果。评价指标选取均方根误差（RMSE）、平均绝对百分比误差（MAPE）、平均绝对误差（MAE）、平均置信区间宽度、真实值超出置信区间个数。结果 模型拟合结果显示,河南省肺结核发病呈逐年下降趋势,每年3—5月达到发病高峰,2月和10月出现低谷;Prophet模型拟合及预测表现最优,评价指标RMSE、MAPE、MAE、平均置信区间宽度均低于另外两个模型,Holt-Winters模型次之,ARIMA(0,1,1)×(0,1,1)12模型拟合及预测效果相对较差。结论 Prophet模型具有较高的拟合预测准确度和精确度,可以很好地捕捉河南省肺结核发病趋势,模型拟合结果对肺结核防控工作具有一定指导意义。     

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。     

ARIMA模型和BP神经网络模型在甘肃省结核病发病率预测中的应用

目的  探讨自回归滑动平均混合模型（autoregressive integrated moving average,ARIMA）与误差逆传播（（back propagation,BP）神经网络模型在甘肃省结核病发病率预测中的预测效果,选取合适的模型预测发病趋势。 方法  以甘肃省1997-2017年结核病数据为基础,建立ARIMA时间序列模型和BP神经网络模型分别预测2018-2019年的发病率,并比较两种模型的预测精度和建模效果。 结果  对于甘肃省2018年和2019年结核病发病率,ARIMA时间序列模型预测结果为55.1075,54.5373,MSE=92.24,MAE=7.5313,MAPE=9.26%;BP神经网络模型预测结果为62.0132,73.4460,MSE=9.6575,MAE=1.1449,MAPE=1.68%。 结论  BP神经网络模型对甘肃省结核病发病率的预测效果更佳,预测得2018-2019年甘肃省结核病发病率将呈小幅上升趋势。     

ARIMA模型和指数平滑法在我国北方流感样病例预测中的应用和比较

目的 比较ARIMA模型和指数平滑法对我国北方流感样病例的预测效果,为流感防控提供科学依据。方法 利用我国北方2012年第1周—2018年第17周的每周流感样病例比例数据拟合建立ARIMA模型和指数平滑模型,预测 2018年第18周—2019年第17周的流感样病例比例,对预测值与实际值进行比较。结果 ARIMA最优模型为ARIMA(0,1,1)(2,1,0)₅₂,预测的均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和平均绝对误差(mean absolute error,MAE)分别为0.57%、8.98%、0.34%;指数平滑法的最优模型为简单季节性模型,预测的均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)分别为0.83%、15.24%、0.55%。结论 ARIMA(0,1,1)(2,1,0)₅₂模型预测精度更高,可用于我国北方流感样病例的短期预测。     

ARIMA模型与残差自回归模型在手足口病发病预测中的应用

目的 探讨求和自回归滑动平均混合模型（autoregressive integrated moving average model,ARIMA）和残差自回归模型在我国手足口病月发病率预测中的应用,并对它们的预测效果进行比较。方法 收集2008年1月～2014年12月我国手足口病月发病率资料,用SPSS 13.0和EViews 8.0分别拟合ARIMA模型和残差自回归模型,并用2014年7月～12月的数据评价模型的预测效果。结果 ARIMA模型拟合及预测的平均相对误差（average relative error,MRE）,均方误差（mean square predict error,MSE）,均方根误差（root mean squared predict error,RMSE）和平均绝对误差（mean absolute error,MAE）分别为14.006,4.689,2.165,0.147; 13.565,4.416,2.101,0.133。残差自回归模型拟合及预测的MRE,MSE,RMSE和MAE分别为16.793,7.247,2.692,0.171,16.206,6.639,2.577,0.164。结论 ARIMA模型拟合及预测效果优于残差自回归模型。     

BPNN神经网络模型和SARIMA模型在荆州市乙类传染病发病数中的预测效果比较

目的 评价BPNN神经网络模型和季节性差分自回归滑动平均模型(seasonal autoregressive integrated moving average,SARIMA)在乙类传染病发病数中的预测效果.方法 利用荆州市2005年1月—2017年12月的乙类传染病逐月发病数作为拟合数据,建立BPNN神经网络模型和S...     

基于周期分解的ARIMA模型在甲肝发病率预测中的应用

摘要:目的　探讨基于周期分解的ARIMA模型在我国甲肝月发病率预测中的应用,并比较其与SARIMA模型的预测效果。方法　收集2004年1月-2014年12月我国甲肝月发病率资料,用SPSS13.0分别拟合两种模型,并用2014年的数据评价模型的预测效果。结果　基于周期分解的ARIMA模型的拟合及预测的MRD,MER,MSE和MAE分别为4.4691,0.0446,0.0002,0.0092;4.1310,0.0415,0.0001,0.0066。SARIMA模型的拟合及预测的MRD,MER,MSE和MAE分别为7.2979,0.0781,0.0003,0.0185;6.4407,0.0708,0.0002,0.0110。结论　基于周期分解的ARIMA模型拟合和预测效果优于SARIMA模型。它可以提高预测的精度,具有较好的应用价值。     

基于R语言的ARIMA模型对流感样病例发病趋势的预测

目的 分析自回归滑动平均混合模型（the autoregressive integrated moving average,ARIMA）在流感样病例（influenza like illness,ILI）发病趋势预测的可行性,为流感防控提供技术支持。方法 收集本院2013年第1周~2017年第26周由该院每日报告的ILI监测资料,运用R语言进行时间序列分析并建立预测模型。结果 流感样病例就诊百分比（consultation rate of influenza like illness,ILI%）监测数据总体上呈现下降趋势,并且具有明显的季节性。最佳预测模型为ARIMA（0,1,1）（0,1,1）₅₂,该模型残差Box-Pierce检验结果为χ2=7.07（P=0.315）、χ2=17.22（P=0.142）,提示残差为白噪声序列,预测结果实际值均在预测值的95%的置信区间（95% confidence interval,95%CI）内。结论 ARIMA模型可用于该院ILI短期发病趋势的预测。     

ARIMA模型与GRNN模型对性病发病率的预测研究

目的比较ARIMA模型与GRNN模型在性病发病率预测上的有效性。方法以新站区2005～2009年传染病疫情资料为基础,利用月发病率建立ARIMA(0,0,1)模型;将各月的发病率作为GRNN模型的输入,对应下个月发病率作为网络的输出,对样本进行训练,比较两模型的应用效果。结果合肥市新站区2005～2009年性病平均发病率达135.32/10万,并以年平均发展速度1.03缓慢上升。ARIMA(0,0,1)模型与GRNN模型的平均误差率分别是33.8%和27.0%;R2值分别是0.714和0.749。结论新站区性病呈平缓的波浪式上升,GRNN模型较适合该类疾病的发病率预测,建议公共卫生人员依据疫情预测及时做好防控工作。