时间序列分析法在贵州省乙型病毒性肝炎流行趋势预测中的应用

目的建立贵州省乙型病毒性肝炎(乙肝)发病的预测模型,预测2017—2019年乙肝发病趋势。方法对2004—2016年贵州省的乙肝月报告发病率建立自回归移动平均(ARIMA)预测模型,对贵州省2017—2019年乙肝发病趋势进行预测。结果 2004—2016年贵州省乙肝发病呈周期性波动,并具有长期趋势,拟合得到ARIMA(0,1,1)(0,1,1)12模型,用模型拟合2004—2016年乙肝月报告发病率,预测值和实际值平均相对误差为7.46%,预测2017—2019年贵州省乙肝月报告发病率在3.27/10万~4.38/10万的范围内波动。结论 ARIMA模型可较好的拟合贵州省乙肝发病在时间序列上的变化趋势,该模型可用于贵州省乙肝发病的短期趋势预测。     

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。     

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。     

深圳市肾综合征出血热时间序列预测分析

目的利用拟合ARIMA模型对深圳市肾综合征出血热(HFRS)的发病趋势进行时间序列分析和预测,为制定HFRS防治策略提供科学依据。方法收集深圳市2005—2014年HFRS季度发病资料,通过SPSS 19.0软件拟合ARIMA模型,预测2015年各季度的发病数。结果最终拟合为ARIMA(0,0,0)(0,1,1)4模型,残差为白噪声序列,预测值与实际值的平均相对误差为28.6%。2015年各季度HFRS发病的预测值符合实际值的变动趋势。结论 ARIMA模型能较好模拟深圳市HFRS的发病趋势。     

婺源县肠道症状病例发病趋势预测预警分析

目的 探讨自回归移动平均模型(ARIMA)在肠道传染病早期预测预警中的可行性，为早期防控提供参考。方法以婺源县2017—2022年肠道症状监测病例月发病数为基础构建ARIMA乘积季节模型并用2022年月发病数验证评估，预测2023年发病趋势。结果 婺源县2017—2022年共报告肠道症状病例2 409例，发病数时间序列图显示每年存在春季(3～4月)和秋季(9～10月)2个发病高峰，有较明显的季节性和周期性趋势；构建的最优模型为ARIMA(0,1,1)(1,1,0)₁₂,2022年1～12月预测值和实际值比较结果显示，2022年各月实际发病数均在模型预测的95%CI内，拟合值和实际值相差较小，相对误差9.4%,模型整体拟合效果较好；预测2023年全年发病数349例，时间分布与往年基本一致，将在4月和9月出现发病高峰。结论 建立的ARIMA乘积季节模型对监测点肠道症状病例发病数拟合效果较好，可用于短期预测和动态分析。     

时间序列模型在广州市登革热发病趋势预测的应用

目的利用ARIMA模型对广州市登革热发病趋势进行时间序列分析和预测。方法收集广州市2015-2018年登革热每周发病数,采用2015-2017年登革热每周发病数构建ARIMA模型,通过2018年登革热发病预测值与实际值的拟合情况,评价模型预测效果。结果拟合模型ARIMA(4,1,9),残差序列为白噪声,预测值与实际值平均绝对误差为4.03,均方根误差为8.13。2018年登革热预测发病趋势与实际发病趋势较吻合。结论 ARIMA模型能较好地模拟广州市登革热的短期发病趋势,可作为预测工具。     

山东省潍坊市专业卫生人员总量趋势预测研究*

目的通过对2006—2015年潍坊市专业卫生人员数量变化情况进行分析,建立卫生人员的趋势预测模型,对未来卫生人员的发展趋势做出预测和定量描述。方法利用回归模型和ARIMA模型预测"十三五"时期潍坊市卫生人员发展情况。结果 ARIMA模型的BOX-Jenkins建模预测结果显示,除2015—2016年的增长率为负外,2016—2020年卫生专业人员数及增长率一直呈上升状态。前三年最后的预测结果:76 208,83 957,100 385,增长率分别为-6.06%、10.17%、19.57%,趋势为先下降后上升。结论 ARIMA模型比回归预测模型拟合效果好,ARIMA模型较好地模拟了潍坊市专业卫生人员数在时间序列上的变化趋势,预测结果可为今后卫生决策提供理论和数据支持。     

四川省泸州市流行性腮腺炎时空流行病学特征

目的 描述2010—2020年泸州市流行性腮腺炎的时间和空间流行病学特征,构建时间序列ARIMA模型进行短期预测,为泸州市流行性腮腺炎的综合防控提供参考依据。 方法 采用Microsoft Excel 2020整理疫情数据并绘制统计图,ArcGIS 10.6构建空间分布地图并进行空间自相关分析,Eviews 10构建月度发病数ARIMA时间序列模型,对泸州市2010—2020年流行性腮腺炎进行时空流行病学特征分析和发病趋势短期预测。 结果 2010—2020年泸州市7 个区县均有流行性腮腺炎病例报告,每年的高发区县不相同,各年份均不存在空间自相关性;年均报告发病率22.17/10万,高发年份为2012年(37.51/10万)、2013年(35.72/10万)和2019年(31.80/10万),发病低谷在2015年(10.90/10万);整体上有4—7月和11月至次年1月两个季节高峰,以4—7月为主;构建的ARIMA(1,1,1)(1,1,2)₁₂模型是最佳模型,预测2021年4—12月报告发病数稍低于2020年同期。 结论 2010—2020年泸州市流行性腮腺炎发病率总体呈下降趋势,不存在空间聚集性,ARIMA(1,1,1)(1,1,2)₁₂模型能够较好地进行时间序列拟合和短期预测,呈现的时空分布特征及其发病趋势能够为疾病预防控制工作提供参考。     

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模型在武汉市结核病疫情预测中的应用

目的探讨应用自回归移动平均模型(ARIMA)预测武汉市结核病发病情况。方法收集中国结核病信息管理系统中2011—2015年武汉市结核病月报告发病数数据,利用SPSS 18.0统计软件通过建模和拟合,对2016年肺结核发病数进行预测,比较预测值与实际报告数之间差异评价其预测效果。结果武汉市肺结核发病以年为周期,每年4~6月和9~10月为高发期;ARIMA(0,1,1)×(0,1,1)12能很好的拟合武汉市结核病发病情况,其标准化BCI=0.732,Ljung-Box统计量为25.659,P=0.059,预测平均相对误差率为3.31%,预测结果基本符合2016年实际发病变动趋势。结论 ARIMA模型能较好地模拟和预测结核病发病在时间序列上的变化趋势,可为今后合理配置防控资源提供参考依据。     

时间序列分析(自回归求和移动平均模型)在流行性乙型脑炎预测中的应用

目的探讨时间序列分析[自回归求和移动平均(Autoregressive Integrated Moving Average,ARIMA)模型]在流行性乙型脑炎(乙脑)预测中的应用,建立乙脑报告发病数的预测模型,预测2010年乙脑发病趋势。方法使用2003年1月～2009年12月中国疾病监测信息报告系统中的乙脑报告月发病资料,使用SPSS软件专家建模器,考虑季节因素建立ARIMA预测模型,并用所得模型对2010年全国乙脑报告发病数进行预测。结果 ARIMA(0,0,1)(0,1,1)12模型能较好地拟合时间序列,2010年乙脑预测病例数为4579例,高峰仍在7、8月份。结论该ARIMA模型可较好地拟合乙脑发病的时间序列趋势;与2009年比较,预测2010年乙脑报告发病数相对平稳。     

ARIMA季节性模型在河南省猩红热发病预测中的应用

目的 建立河南省猩红热发病的ARIMA季节模型,探讨该模型在预测猩红热发病中的应用。方法 以2005-2019年河南省猩红热病例数为基础建立ARIMA模型,并用2019年1-12月的实际发病数进行验证,利用最优模型预测2020年1-12月河南省猩红热发病数。结果 最优模型为ARIMA (2,1,2)(0,1,1)₁₂,参数均有统计学意义(P<0.05),BIC=7.406,残差序列为白噪声(Ljung-Box=17.234,P=0.141),拟合效果较好。2019年1-12月猩红热月发病数预测值和实际值的平均相对误差为9.9%,实际值均在预测值95%置信区间(95%CI)。预测河南省2020年猩红热平均月发病数为192例,少于2019年的203例,明显多于2020年实际月均病例数47例。结论 ARIMA(2,1,2)(0,1,1)₁₂模型拟合河南省猩红热发病数效果较好,可用于河南省猩红热发病趋势的短期预测。     

ARIMA模型在预测手足口病发病中的应用

目的探讨ARIMA模型在手足口病发病率预测中的应用,为手足口病的早期防控提供依据。方法采用SPSS 19.0软件对2008—2014年无锡市锡山区各月手足口病发病率建立模型进行预测,采用2015年各月手足口病发病率验证模型的预测效果,并预测2016年锡山区手足口病的发病情况。结果模型ARIMA(0,0,2)(0,1,1)12所有参数均通过统计学检验;Box-Ljung检验统计量Q=16.007,P0.05,残差序列为白噪声;拟合优度指标R2为0.713,贝叶斯信息准则(BIC)为4.619,模型拟合精度较好。根据2008—2015年锡山区手足口病发病数据应用此模型预测2016年的发病率为335.13/10万。结论 ARIMA模型能较好地模拟和预测手足口病的发病趋势,可用于手足口病的短期预测和动态分析。     

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。     

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模型在河南省甲型病毒性肝炎发病数预测中的应用

目的建立乘积季节自回归移动平均(ARIMA)模型,利用该模型预测河南省甲肝发病情况并探讨其可行性。方法对2008年1月-2015年8月河南省的甲肝疫情监测数据差分平稳化,通过专家建模器筛选最优模型,利用2015年9月-2016年8月的甲肝疫情资料来拟合预期值并评价该模型的可行性。结果 2008-2015年河南省甲肝发病数逐年减少且呈现明显的季节效应;本次研究中乘积季节ARIMA(0,1,1)×(1,0,1)_(12)模型能较好的拟合既往的甲肝报告病例数,模型统计量Ljung-Box Q为21.742,P为0.115〉0.05,残差序列为白噪音;且对2015年9月-2016年8月按月报告的甲肝病例数的预测值与实际值吻合情况良好,平均误差绝对值4.67,平均相对误差绝对值为0.2。结论ARIMA模型能较好模拟、预测河南省甲肝的发病情况,该模型的预测效能将优化甲肝预防工作,有较好的推广价值。     

自回归移动平均模型在北京市朝阳区手足口病发病预测中的应用

目的通过构建时间序列自回归移动平均模型(autoregressive integrated moving average model,ARIMA),对手足口发病趋势进行预测,探讨该模型在发病预测中的应用。方法从疾病监测信息报告管理系统提取北京市朝阳区2010年1月-2016年12月手足口病月发病数据。建立ARIMA季节乘积模型,对2010年1月-2015年12月的月发病数进行拟合,再以2016年1-12月的月发病数作为验证数据,评价其预测效果。结果通过对模型进行拟合优度及残差序列进行白噪声检验,最后选择了ARIMA(1,0,0)(1,1,0)_(12)为最佳模型。对2016年1-12月发病数进行预测,实际发病数均落入95%CI内,平均相对误差为49.37%。模型中加入2016年1-6月的月实际发病数,预测2016年7-12月的月发病数,平均相对误差为18.12%。结论 ARIMA季节模型可应用于手足口病等具有季节性变动特征的传染病预测。ARIMA模型短期预测手足口病的发病情况精度更高,可通过不断纳入新的实际观测值开展动态分析。ARIMA模型仅为一种数学工具,在实际防控及监测工作中,需要结合专业理论知识及具体情况进行分析。     

应用ARIMA模型预测结核病发病率研究

目的应用自回归求和移动平均(ARIMA)模型预测结核病发病率。方法收集浙江省余姚市2006—2016年结核病月发病资料,采用专家建模器和传统建模方法建立ARIMA模型,根据最小贝叶斯信息准则(BIC)值选出最优模型,对2006—2016年结核病月发病率进行回代拟合,并对2017年结核病月发病率进行预测。结果传统建模方法所得模型为ARIMA(0,1,1)(0,1,1)12,专家建模器所得模型为ARIMA(0,0,1)(0,1,1)12;两个模型的残差序列均未突破可信区间,为白噪声过程,均为恰当模型,但ARIMA(0,0,1)(0,1,1)12标准化的BIC值更小,确定为最优模型。对余姚市2006—2016年结核病月发病率进行回代拟合,实际发病率均落入拟合值的95%CI内,模型预测值能较好拟合原始数据;预测余姚市2017年1—12月结核病月发病率,预测值与实际值的平均相对误差为9.05%。结论应用专家建模器构建的ARIMA模型可较好地预测结核病发病率。     

应用时间序列模型预测宜昌市甲型病毒性肝炎发病率

目的探讨应用ARIMA、季节趋势等时间系列模型预测甲型病毒性肝炎发病率。方法基于2005—2015年宜昌市逐月甲型病毒性肝炎发病率建立两种模型,对2016年甲型病毒性肝炎的发病率进行预测;采用平均绝对百分误差(MAPE)对预测模型进行拟合效果评价。结果两种时间序列与季节趋势模型能较好的模拟甲肝发病,但时间序列模型优于季节性趋势。应用最优模型对2016年甲型病毒性肝炎的发病率进行预测。结论两种时间序列与季节趋势模型能较好的模拟宜昌市甲型病毒性肝炎发病在时间序列的变化趋势,但ARIMA(0,0,1)(0,1,1)12模型能较好的模拟甲型病毒性肝炎发病在时间序列的变化趋势,为制定科学的防控措施和策略提供依据。     

时间序列分析法在北京市食物中毒预测中的应用

目的探索时间序列分析方法在北京市食物中毒预测中的应用,为食物中毒的预防和控制提供依据。方法收集2004-2015年北京市食物中毒发生人数,采用ARIMA模型进行拟合,用2016年的事件数据验证模型拟合效果,并预测2017年北京市食物中毒发病人数。结果 ARIMA(1,0,0)×(1,1,0)4较好的拟合了既往时间段食物中毒发病人数的时间序列,拟合平均相对误差为6.00%,实际值均在预测值的95%CI内,预测2017年北京市食物中毒发生人数为264人。结论 ARIMA模型能够较好的拟合食物中毒发生趋势,在食物中毒发病人数预测中具有一定的应用价值。