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。     

Elman神经网络与ARIMA模型对甲肝月发病率的预测研究

目的 两模型对甲肝月发病率数据进行拟合预测,比较最优模型。 方法 通过软件实现ARIMA模型和Elman神经网络对甲肝发病率进行拟合,并对2017年月发病率进行仿真。 结果 两模型拟合预测效果较好,ARIMA模型平均绝对误差(mean absolute error,MAE)、均方根误差(root-mean-square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)分别为0.013、0.002 9、9.29;Elman神经网络MAE、RMSE、MAPE分别为0.012、0.000 22、8.695。Elman神经网络预测结果优于ARIMA模型。 结论 两模型均能够拟合预测甲肝月发病率,Elman神经网络拟合预测效果更好。     

ARIMA模型和Holt-Winters指数平滑法在自杀死亡中的预测效果比较

目的 探讨比较自回归求和滑动平均(autoregressive integrated moving average,ARIMA)模型和Holt-Winters指数平滑法在自杀死亡预测中的应用。 方法 利用河北省2014年1月—2018年6月自杀月度死亡资料分别建立ARIMA模型和Holt-Winters指数平滑模型,对2018年7—12月自杀月度死亡例数进行预测,并与实际死亡人数进行验证比较,然后根据2个模型的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)以及平均绝对百分比误差(mean absolute percentage error,MAPE)评价模型的预测效果。 结果 2014—2018年河北省累计报告自杀死亡人数2 882例,自杀死亡水平整体呈现下降趋势,构建的ARIMA最佳模型是ARIMA(0,1,1)(1,1,0)₁₂,预测结果的RMSE、MAE和MAPE分别为5.99、4.67和9.80%;Holt-Winters指数平滑法最佳拟合模型是乘法模型,预测结果的RMSE、MAE和MAPE分别为6.03、5.17和11.44%。 结论 ARIMA模型预测效果优于Holt-Winters指数平滑法,更适用于自杀死亡趋势的短期预测。     

ARIMA模型和Holt-Winters指数平滑法在贵州省肺结核发病预测中的应用

目的探讨比较自回归差分移动平均（autoregressive integrated moving average, ARIMA）模型及Holt-Winters指数平滑法在肺结核发病预测中的应用，为贵州省结核病防控工作提供科学依据。方法以2015—2021年贵州省登记报告的肺结核发病数据建立ARIMA模型和Holt-Winters指数平滑模型，分别用两种模型预测2022年1—10月肺结核发病数，并与实际登记报告肺结核发病数作比较，对两种模型预测效果进行评价。结果 2015—2021年贵州省累计报告肺结核患者28.08万例，总体上肺结核发病呈下降趋势。构建ARIMA最佳模型为ARIMA (1, 1, 0)(0, 1, 0)12，模型预测结果均方根误差（root mean square error,RMSE）为462.46，平均绝对误差（mean absolute error,MAE）为424.50，平均绝对百分比误差（mean absolute percentage error,MAPE）为21.21%;Holt-Winters指数平滑法最佳模型为乘法模型，模型预测结果 RMSE为387....     

三种模型应用于中国2011—2020年梅毒发病趋势分析的比较

  目的  比较差分自回归移动平均(autoregressive integrated moving average model, ARIMA)模型、非线性自回归神经网络(nonlinear autoregressive neural network, NAR)模型和长短期记忆神经网络(long-short term memory neural network, LSTM)模型应用于梅毒报告发病预测的效果, 优化疫情预测模型。  方法  以中国31个省、自治区、直辖市(未包含中国台湾、香港和澳门)2011-2019年梅毒月报告发病率为拟合集, 建立ARIMA模型、NAR模型和LSTM模型, 比较3种模型的拟合效果。以2020年梅毒月报告发病率为预测集, 比较3种模型的预测效果。  结果  ARIMA模型、NAR模型和LSTM模型拟合所得的平均绝对误差(mean absolute deviation, MAD)分别为0.013、0.011和0.002, 均方根误差(root mean squared error, RMSE)分别为0.015、0.018和0.003, 平均绝对百分比误差(mean absolute percentage error, MAPE)分别为4.266%、3.810%和0.692%;预测所得的MAD分别为0.064、0.049和0.044, RMSE分别为0.069、0.068和0.060, MAPE分别为23.310%、17.629%和18.575%。  结论  LSTM模型拟合预测梅毒报告发病率的效果更好, 为梅毒疫情的防控提供数据支撑。     

基于STL-ADABOOST-ESN组合模型在全国HIV月发病数预测中的应用

  目的   根据全国人类免疫缺陷病毒(human immunodeficiency virus, HIV)月发病数的情况, 采用基于Loess季节趋势分解方法(seasonal-trend decomposition procedures based on loess, STL)和自适应提升(adaptive boosting, AdaBoost)框架下的回声状态网络(echo state network, ESN), 构建HIV月发病数模型, 并预测2017年全国HIV月发病数。   方法   从中国疾病预防控制中心官网收集2013年1月-2016年12月全国HIV月发病数, 通过STL将月发病数序列分解为季节和非季节序列, 对两部分分别采用简单的季节估计方法和ADABOOST-ESN进行建模, 最后将它们的输出值进行加和, 得到HIV月发病数的预测值。   结果   本文以均方根误差(root mean squared error, RMSE)和平均绝对百分比误差(mean absolute percentage error, MAPE)作为模型性能的评价指标, 得到STL-ADABOOST-ESN的建模性能RMSE和MAPE分别为164.083和1.842%, 预测性能RMSE和MAPE分别为359.404和3.776%, 其预测精度高于乘积季节模型(seasonal autoregressive integrated moving average, SARIMA)、ESN、ADABOOST-ESN和STL-ESN等模型。采用本文提出的方法得出2017年1-12月全国HIV发病数预测值为5 654~8 497人。   结论   本研究提出的STL-ADABOOST-ESN模型预测准确度较高, 预测2017年全国HIV年发病数将达到92 040人, 相比于2016年增长了4.87%, 因此有必要在全国实施更为严格的HIV预防控制工作。     

指数平滑法和ARIMA模型在学生肺结核预测的应用

目的 探讨指数平滑法和自回归积分滑动平均模型(auto regressive integrated moving average model,ARIMA)在衡阳市学生肺结核疫情预测中的可行性,比较两种模型的预测效果并确定最佳模型,为学校结核病疫情的早期发现和科学控制提供参考。 方法 收集衡阳市2010—2020年学生肺结核资料,比较两种模型的拟合情况和预测效果优劣。 结果 拟合最佳的指数平滑法模型为Holt-Winter加法模型,拟合的R²、平稳R²、均方根误差(root mean square error, RMSE)、平均绝对误差百分比(mean absolute percentage error, MAPE)、平均绝对误差(mean absolute error, MAE)、正态化BIC分别是0.666、0.469、5.716、31.276、3.873、3.606,Ljung-Box Q=20.741,P=0.145,验证2020年1—12月预测的平均相对误差为39.98%;拟合最佳的ARIMA模型为ARIMA(0,1,1)×(0,1,1)₁₂模型,拟合的平稳R²、R²、RMSE、MAPE、MAE、正态化BIC分别是0.500、0.603、6.532、34.623、4.443、3.885,验证2020年1—12月预测的平均相对误差为120.76%。 结论 与ARIMA模型比较而言,指数平滑模型拟合衡阳市学生肺结核发病数效果更好,预测精度更高。     

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。     

SARIMA模型和BPNN模型在江苏省肺结核发病预测中的应用

目的探讨季节性差分自回归滑动平均（seasonalautoregressiveintegratedmovingaverage,SARIMA）模型与反向传播神经网络（back propagation neural network,BPNN）模型在江苏省结核病发病数中的应用,评价两种模型的精确性,为江苏省制定肺结核防控策略提供参考。方法 本研究以江苏省2011—2020年肺结核发病数据分别建立SARIMA模型和BPNN模型,以2021年1月—2022年6月的实际肺结核发病数进行检验,比较两种模型的预测精度和建模效果。结果 SARIMA模型的均方根误差（root mean squared error,RMSE）、平均绝对误差（mean absolute error,MAE）、平均绝对百分比误差（mean absolute percentage error,MAPE）、总体相对误差值以及最小误差率分别为192、128、5.18%、0.05%、1.14%, BPNN模型的RMSE、 MAE、 MAPE、总体相对误差值以及最小误差率分别为301、 246、11.03%、2.79%、1.44%,均高...     

基于小波分析的手足口病时间序列预测

目的构建基于小波分析的自回归移动平均(ARIMA)模型预测手足口病流行,提高预测精度。方法使用2010-2015年郑州市疾控中心手足口病监测数据,构建基于小波分析的ARIMA模型进行预测,用2016年数据进行验证,并与单纯的ARIMA模型进行比较。结果构建的基于小波分解一层的ARIMA模型为ARIMA(0,1,3)(2,1,0)_(52),矫正后的AIC=2747.82,残差序列的ACF、PACF图示残差序列无自相关,Box-Ljung test统计量为0.9177,P=0.34,认为该残差为白噪声序列,模型拟合良好。预测2016年发病趋势与实际较为相符,均方根误差RMSE(root mean square error)、平均绝对误差MAE(mean absolute error)、平均绝对百分比误差MAPE(mean absolute percentage error),分别为49.42、26.45、15.75(训练集拟合)和275.84、219.90、72.95(验证集预测),除了验证集MAPE外,均小于单一的ARIMA模型。结论基于小波分析的ARIMA模型可用于手足口病时间序列预测,拟合和预测性能较单一的ARIMA模型好。     

ARIMA乘积季节模型和LSTM深度神经网络对石家庄市手足口病疫情预测效果的比较

  目的   运用自回归移动平均(autoregressive integrated moving average model, ARIMA)乘积季节模型和长期短期记忆网络(long short term memory, LSTM)对石家庄市手足口病(hand, foot and mouth disease, HFMD)的发病趋势进行预测, 为疫情防控工作提供理论依据。   方法   利用Eviews 8.0和python 3.7.1软件对2013年1月-2018年5月石家庄市HFMD逐月发病数据分别建立ARIMA乘积季节模型和LSTM神经网络, 以2018年6月-2019年5月的发病资料检验模型预测精度, 最后应用模型预测2019年6月-2019年8月的月发病数。   结果   最优模型ARIMA(1, 0, 0)×(1, 1, 2)₁₂和LSTM神经网络外推预测2018年6月-12月的MAPE分别为22.14和10.03, 而外推预测2018年6月至2019年5月的MAPE分别为43.84和25.26, 提示LSTM神经网络的拟合效果和预测精度优于ARIMA模型, 预测结果与实际情况基本一致。   结论   LSTM神经网络对石家庄市HFMD发病趋势的拟合度和预测效果较好, 能够为手足口病疫情的预测预警工作提供指导。     

基于ARIMA和LSTM神经网络的乌鲁木齐市乙型肝炎发病预测研究

目的 了解乌鲁木齐市2012—2021年乙肝发病趋势,建立合适的发病预测模型,探讨ARIMA模型和LSTM神经网络在乙肝发病预测中的应用。方法 根据2012—2021年乙肝月报告病例数据,建立ARIMA模型和LSTM神经网络模型,对乌鲁木齐市乙肝发病数进行拟合及预测,通过比较RMSE的大小评价模型效果。结果 LSTM神经网络模型拟合和预测的RMSE分别为50.13、42.70,ARIMA(0,1,1)(0,0,2)12模型拟合和预测的RMSE分别为67.62、66.85。前者的拟合及预测效果显著优于后者。结论 乌鲁木齐市10年来乙肝发病呈逐年下降趋势,且存在一定季节性变化。LSTM神经网络模型可较好地拟合和预测乌鲁木齐市乙肝的发病数及趋势,且模型效果优于ARIMA(0,1,1)(0,0,2)12,能在一定程度上提高预测精确度。     

基于ARIMA-GRNN组合模型预测医保补偿住院费用

目的 探讨ARIMA-GRNN组合模型在城乡居民基本医疗保险的医保补偿住院费用预测中的应用,比较它与ARIMA模型预测的效果。方法 收集2016年1月至2020年12月河南某市城乡居民基本医疗保险的住院补偿费用,使用Matlab R2016a建立ARIMA-GRNN组合模型,使用R 4.0.3建立ARIMA模型,用2020年5月至12月的数据对两模型的预测效果做评价。结果 ARIMA(0,1,1)(1,0,0)12模型相对最优,其拟合部分的MAE、MAPE、RMSE分别为3998.4、10.9%、5642.9,预测部分的MAE、MAPE、RMSE分别为6521.9、16.5%、6675.8。ARIMA-GRNN模型最优光滑因子为0.166,其拟合部分的MAE、MAPE、RMSE分别为4044.5、11.1%、5622.0,预测部分的MAE、MAPE、RMSE分别为5831.8、14.8%、6013.7。结论 ARIMA-GRNN组合模型预测效果比单纯ARIMA模型好,可短期预测医保补偿住院费用。     

非线性自回归神经网络在肾综合征出血热流行趋势预测中的应用

目的 探讨非线性自回归(NAR)神经网络拟合及预测我国HFRS流行趋势的应用。方法 使用2004－2013年全国HFRS月报告发病数序列建立ARIMA模型和NAR神经网络模型,预测2014年HFRS月发病数,并比较两模型的拟合和预测效果。结果 对于拟合集,ARIMA模型的平均绝对误差(MAE)、均方误差平方根(RMSE)和平均绝对误差百分比(MAPE)分别为148.058、272.077和12.678%, NAR神经网络分别为119.436、186.671和11.778%; 对于预测集,ARIMA模型的MAE、RMSE和MAPE分别为189.088、221.133和21.296%, NAR神经网络分别为119.733、151.329和11.431%。结论 NAR神经网络对于全国HFRS流行趋势拟合及预测效果优于传统的ARIMA模型,具有良好推广应用价值。     

基于ARIMA模型的2020年衡阳市肺结核发病趋势预测

目的 用差分整合移动平均自回归(autoregressive integrated moving average,ARIMA)模型对肺结核发病率进行预测,为人群肺结核的防治以及制定干预措施提供参考依据.方法 收集衡阳市2010年1月—2019年12月肺结核月发病数据,运用SPSS 22.0软件进行数据分析,构建ARIM...     

ARIMA与LSTM模型在医院出院人次预测中的比较研究

目的 通过ARIMA乘积季节模型和LSTM神经网络模型拟合某三甲专科医院的月出院人次并进行预测,比较两种模型的预测效果.方法 运用某三甲专科医院2013—2018年度的月出院人次,分别构建ARIMA乘积季节模型和LSTM神经网络模型,然后利用所得的模型对2019年度的月出院人次进行预测并与实际数据进行比较.采用平均绝对...