基于Elman神经网络的交通流量预测方法

交通流诱导系统是智能交通系统领域中一项重要的研究内容,而交通流量的预测问题则是交通流诱导系统的核心问题。因此,能够实时准确地预测交通流量成为诱导系统是否能够有效实现的关键问题。根据交通流的特性,分析交通数据采集过程中错误数据产生的原因,提出相应的处理方法,并在此基础上采用Elman神经网络对智能交通系统的流量预测进行建模。该系统采用C#并结合Matlab进行开发,通过Elman神经网络算法实现流量的预测,并采用图表的方式直观地显示预测结果。应用结果表明：该方法可以有效地对交通流量进行预测,且预测精度可以满足实际交通诱导的需要。     

用ARIMA模型预测流感的变化趋势

目的探讨ARIMA在建立流感预测模型方面的应用。方法利用深圳市2006—2008年每周的流感样病例（ILI）监测数据建立ARIMA模型,拟合ILI％的变化趋势,用残差序列分析进行模型诊断,用2009年的数据来检验ARIMA模型的预测效果。结果2006—2008年深圳市的ILI％呈季节性周期变化,经模型诊断发现ARIMA（1,0,0）×（1,1,0）模型为最优模型,预测值与实际值的平均相对误差为14．2％。通过对2009年数据的外推,2009年上半年的平均相对误差为15．5％,下半年的平均相对误差为25．5％。结论ARIMA模型可对ILI率进行很好的拟合,建模后的中短期预测效果较好。     

基于ARIMA模型的山西省手足口病月发病率的预测研究

目的：通过时间序列分析山西省手足口病的发病趋势并构建时间序列预测模型,为制定防控策略提供科学依据。方法：从公共卫生科学数据中心收集山西省2007-2018年手足口病月发病率数据,使用Excel 2019软件建立样本数据库和整合预测数值表,利用R4.0.0软件进行数据处理及绘图,根据残差白噪声检验和AIC最小原则选出最优模型,利用2007-2017年山西省手足口病月发病率数据建立相关模型并进行拟合外推,以2018年1-12月实际数据检验预测效果,采用平均绝对误差评价模型精度指标。结果：建立的预测模型为ARIMA（2,0,0）（2,1,0）[12],该模型预测的平均绝对误差为0.9725（大于0.05）,拟合模型显著有效,可以看出山西省手足口病月发病率整体呈平稳趋势,具有明显的周期性和季节性。结论：ARIMA（2,0,0）（2,1,0）[12]模型可以较好地拟合估算及预测手足口病月发病率,具有相对较高的预测准度精度;结果表明山西省手足口病呈规律性平稳但相对高发趋势,应采取防控措施,降低手足口疫情流行程度。     

ARIMA模型在合肥市疟疾发病预测中的应用

目的探讨自回归求和移动平均(ARIMA)模型预测合肥市疟疾发病率的可行性,并预测疟疾月发病趋势。方法应用SPSS 13.0软件对合肥市疟疾逐月发病率建立ARI-MA模型,利用2011年疟疾月发病率对模型参数进行校正从而预测2012年疟疾月发病率。结果模型ARIMA(1,1,1)(1,1,0)12是合肥市疟疾拟合的最佳模型,预测值与实际值基本吻合,且实际值均在预测值95%可信区间范围内,其外推预测的平均相对误差为2.57%。结论用时间序列模型对疟疾发病情况的拟合结果满意,预测效果良好,可用于预测未来疟疾的变动趋势,为疟疾预防控制措施的制定提供重要依据。     

空间插值法结合ARIMA模型和灰色模型在我国HIV发病率预测中的应用与比较

探索空间插值法结合自回归移动平均模型(ARIMA)和灰色模型(GM模型)在人类免疫缺陷病毒(HIV)发病率的时间序列数据时空分布和预测分析中的应用与比较。方法 从中国疾病预防控制中心传染病数据库中提取2007—2018年我国HIV发病数据,使用克里格空间插值法分析HIV平均发病率分布和时空变化趋势,构建ARIMA和GM(1,1)预测模型,通过平均绝对百分误差(MAPE)评价不同模型的预测效果。结果2007—2018年全国HIV发病率呈上升趋势,每年第2季度上升达到最高点,第3、4季度开始下降,第1季度下降达最低点。全国西南部和西北部HIV发病率从2007年开始持续升高(新疆、云南最高),2012年以后升高速度变化显著;东部、东北部以及中部部分地区HIV发病率相对较低(河北、山东最低),但也呈逐年上升趋势。ARIMA和GM(1,1)预测模型的MAPE值分别为2.5%和3.8%。结论 2007—2018年全国HIV发病率呈上升趋势,具有一定的季节特征,西南省份平均发病率较高,北方省份发病率较低,12年期间平均发病率自西南向东北方向、西北向东南方向降低;ARIMA模型预测HIV发病率的效果稍优于GM(1,1)模型。     

应用时间序列模型预测疟区疟疾发病率

目的: 探讨应用时间序列ARMA模型进行疟区疟疾发病率预测的可行性. 方法: 应用SPSS11.0软件对海南省万宁市8个联防疟区1991-01/2001-12的逐月发病率进行ARMA模型建模拟合,并用所得到的模型对2002年疟区逐月发病率进行预测,将预测值与实际值进行比较. 结果: ARIMA(0,1,1)×(0,1,1)12模型很好地拟合了既往时间段上的发病率序列,其对2002年各月发病率的预测值符合实际发病率变动趋势. 结论: 时间序列模型可以很好地模拟疟区疟疾发病率在时间序列上的变动趋势,并可用来对未来的疟疾发病率进行预测,为疟疾防治工作服务.     

ARIMA时间序列和BP神经网络在传染病预测中的比较

目的比较自回归滑动平均时间序列模型和神经网络对传染病的预测效率。方法根据1985—2004年伤寒、副伤寒按季度发病率数据资料,利用dps7．55软件中的ARIMA时间序列、神经网络建立预测模型,用2005--2007年的伤寒、副伤寒季度发病率对二种预测模型进行检验,从而比较二种模型的优劣。结果用ARIMA时间序列分析得到拟合度为50．15％,验证模型的残差平方和为5154．381用神经网络分析得到拟合度为73．12％,验证模型的残差平方和为3559．24。结论神经网络模型更为适用于预测宁波市镇海区伤寒、副伤寒发病趋势。     

时间序列模型在肾综合征出血热发病率预测中的应用

目的探讨时间序列模型预测肾综合征出血热（HFRS）发病率的适用性。方法应用临沂市1982～1999年HFRS月发病率资料拟合HFRS月发病率预测模型。结果利用时间序列模型中的ARIMA模型预测山东省临沂市2000～2002年3年逐月发病率，2000年预测值的误差最小。结论ARIMA模型可用于预测HFRS月发病率，其短期预测精度较高。     

ARIMA模型与GRNN模型对肺结核发病率预测的对比研究

目的 比较自回归移动平均(ARIMA)模型与广义回归神经网络(GRNN)模型对于肺结核发病率的预测性能.方法 根据我国2004年1月至2012年12月的肺结核逐月发病率数据资料,应用Eviews 7.0.0.1建立ARIMA模型,应用Matlab 7.1的神经网络工具箱建立GRNN模型;选取2013年肺结核逐月发病率数据对两种预测模型进行检验,比较预测结果.结果 ARIMA模型和GRNN模型的Theil不等系数(TIC)分别是0.034和0.059,说明ARIMA模型对我国2013年肺结核逐月发病率的拟合程度优于GRNN模型,ARIMA模型相对误差绝对值仅为GRNN模型的57.19％.结论 ARIMA预测模型更适合用于我国肺结核发病率的预测;建议尝试组合模型预测肺结核发病率.     

基于ARIMA模型的江苏省梅毒疫情预测

目的：了解江苏省梅毒的流行病学特点,构建预测江苏省梅毒月发病率的自回归移动平均模型(autoregressive integrated moving average model,ARIMA),为梅毒预防控制工作提供参考依据。方法：利用江苏省1995—2009年梅毒月发病率资料建立ARIMA预测模型,并进行模型评价。结果：拟合ARIMA(1,1,0),(2,1,0)模型为预测江苏省梅毒月发病率的最佳模型,模型周期性、季节性一阶、二阶系数分别为-0.579、-0.245、-0.357,t检验统计量分别为8.777,2.881,4.766,相应的P值分别为＜0.001、0.005、＜0.001,表明该模型具有较高的预测精度,预测值与实际值较为接近,且实际值均在预测值的95%置信区间范围内,预测效果较好。结论：ARIMA模型能较好地预测梅毒发病率的变化趋势,为梅毒预防控制措施的制定提供重要依据。     

基于SARIMA⁃ERNN组合模型预测我国细菌性痢疾发病率

目的：探讨季节自回归滑动平均混合（SARIM）?Elman神经网络（ERNN）组合模型在我国细菌性痢疾发病率预测中的利用价值。方法：使用2005年1月—2016年12月我国细菌性痢疾的月发病率资料作为训练集分别建立SARIMA模型、ERNN模型以及SARIMA?ERNN组合模型,2017年我国细菌性痢疾的月发病率资料作为测试集用于模型间的效果评价。结果：SARIMA模型拟合及预测的平均相对误差（average relative error,MRE）、平均误差率（average error rate,MER）、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5.661 37、0.061 81、0.001 45、0.000 94和5.596 40、0.051 77、0.004 54、0.000 34;ERNN模型拟合及预测的MRE、MER、RMSE和MAE分别为5.348 57、0.056 05、0.017 08、0.000 79和5.544 30,0.044 55、0.000 36、0.00030;SARIMA?ERNN组合模型拟合及预测的MRE、MER、RMSE和MAE分别为4.942 52、0.047 33、0.001 15、0.000 72和4.251 30、0.044 19、0.000 38、0.000 29。结论：与ERNN模型和SARIMA模型相比,SARIMA?ERNN组合模型具有较高的有效性和合理性,可以用于我国细菌性痢疾的短期预测和早期预警。     

两种模型预测北京市痢疾发病率的效果比较

目的 比较Winters乘法预测模型和自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)两种模型对北京市痢疾发病率的预测效果,从而选择合适的预测方法.方法 收集2007～2012年北京市痢疾分月发病率资料,分别运用Winters乘法预测模型和ARIMA模型进行建模,评估两种模型的预测效果,并用较好的模型预测2013年第一季度北京市痢疾发病率.结果 以2012年数据验证两种模型的拟合情况,预测误差百分比比较,Winters乘法(1.13％)优于ARIMA模型(6.80％).Winters乘法预测2013年1、2、3月痢疾发病率分别为1.82/10万、1.54/10万、1.85/10万.结论 Winters乘法预测模型可以较好地反映北京市痢疾发病趋势,用于预测预警.     

青海省海西州肺心病月发病率的ARIMA模型及预测

目的探讨季节时间序列自回归集成滑动平均（ARIMA）模型在时间序列资料中的应用,建立青海省海西州地区肺心病月发病率的预测模型。方法用SPSS 13.0软件对肺心病发病监测资料进行统计分析,对海西州2001年1月—2007年12月肺心病月发病率资料绘制时序分布图,观察疾病发展趋势,作发病人数的自相关和偏相关图,根据模型定阶原则且残差没有相关性,建立ARIMA模型,并进行预测值比较。结果海西州地区肺心病月发病率成逐年上升趋势,有明显的季节性特征,发病高峰在每年的1月及附近;作偏相关和自相关图,进行时间序列模型拟合;最终得到时间序列模型ARIMA及其相关数学表达式,列表进行实际值与预测值的比较,得到预测的相对误差和绝对误差。作实际值与预测值的序列图,预测值虽然与实际值有差异,但基本趋势一致。结论通过时间序列模型得到的数学表达式,可以算出未来1年的海西州地区肺心病的月发病人数,通过预测出的数据考虑各季节的发病特征,更有重点的进行季节性健康防治工作。     

重庆市法定报告传染病预测与监测的ARIMA模型

目的:通过对2003年1月～2008年12月重庆市法定报告传染病逐月发病率数据的分析,研究其变化规律,建立预测与监测的ARIMA时间序列模型.方法:用Box-Ljung统计量评价ARIMA模型的拟合度,用平均预测相对误差作为预测效果的评价指标.结果:重庆市法定报告传染病发病以年为周期,1年中4～6月为高发月,尤其是5月和6月最为严重.ARIMA(0.1.0)(O,1,1)12模型是重庆市法定报告传染病拟合的最佳模型,其拟合残差的方差为12.23,外推预测的平均相对误差为8.3%.结论:对传染病发病率历史数据进行时间序列分析是用于传染病监测的一个重要的内容.本研究所建立的ARIMA模型适用于重庆市传染病发病率预测与监测.     

基于神经网络的流感大数据分析

从互联网大数据中挖掘传染性疾病的早期征候、传播趋势、演变规律,对于疫情监测及相关政策制定具有重要的现实意义。人工神经网络在区域传染性疾病监测和趋势分析中的应用主要侧重于传染病早期征候大数据对于疫情局势影响的回归分析,但对于传染病早期征候及疫情演变历史的关系的研究依然缺失。通过构建流感征候指标体系,利用循环神经网络对流感历史数据进行时序建模,并结合注意力机制挖掘不同特征对流感的关联影响,实现区域流感的准确监测和趋势分析。     

基于ARIMA模型的非伤寒沙门菌发病率趋势预测

目的探讨ARIMA模型在非伤寒沙门菌发病率预测中的应用。 方法以湖北省某医院2015年1月—2019年12月非伤寒沙门菌发病率数据为基础,采用时间序列方法建立模型,估计、检验模型中间的相关参数,确定最优模型,并预测2019年7月—12月非伤寒沙门菌发病率,同时对预测效果进行评价。 结果通过比较,确立了最优预测模型,该模型预测值和实际值之间的稳合度较好,实际值全部在预测值95%置信区间范围中。预测2019年7月—12月非伤寒沙门菌发病率分别为3.93%、3.28%、3.56%、2.65%、1.04%、0.82%。 结论ARIMA模型能较好预测非伤寒沙门菌发病率的变化趋势,模型有助于医院及疾控部门及早采取预防措施进行干预,降低传染风险。     

ARIMA模型在流行性感冒预测中的应用

目的 探讨ARIMA模型在流感预测方面的应用,建立流感发病预测模型,并证明模型的适用性. 方法利用重庆市2002年1月-2006年6月流感发病数资料,通过SPSS拟合ARIMA模型,用Q统计量法对模型适应性进行检验. 结果建立ARIMA(1,1,1)模型,模型Q统计量<χ2α(m),P>0.05,证实了该模型的适用性.结论 ARIMA模型可用于流感发病的动态分析和短期预测.     

基于ARIMA模型的江苏省不同地区肺结核发病趋势的预测

目的：应用差分自回归移动平均（autoregressive integrated moving average,ARIMA）模型对江苏省常州市和盐城市的肺结核发病情况进行预测,探索其用于预测江苏地区肺结核疫情的可行性,为今后结核病防控工作提供参考依据。方法：收集并整理江苏省常州市和盐城市2005年1月—2016年12月肺结核月登记发病数资料,使用R3.5.2软件建立ARIMA模型,分别对两市2017年1—12月肺结核月登记发病数进行预测,以平均绝对百分比误差（mean absolute percent error,MAPE）、均方根误差（root mean square error,RMSE）和平均绝对误差（mean absolute error,MAE）评估ARIMA模型预测的准确性。结果：常州市的最优预测模型为ARIMA（0,1,1）（0,1,1）12,盐城市的最优预测模型为ARIMA（1,1,1）（0,1,1）12。用于预测2017年肺结核月登记发病数时,两市的MAPE分别为8.718 6和16.727 8,RMSE分别为14.061 7和39.487 2,MAE分别为11.381 3和33.349 8。结论：ARIMA模型预测常州市肺结核月登记发病数的拟合效果相对较好,故推测该模型更适用于苏南地区肺结核疫情的短期预测和动态分析。     

几种预测模型对中国梅毒发病率预测效果的比较

目的:比较3种预测模型在中国梅毒疫情预测中的效果,筛选最优预测模型。方法:收集2004年至2012年中国梅毒发病率数据,构建灰色模型[GM(1,1)]、趋势外推模型和求和自回归滑动平均(ARIMA)模型,比较预测值和实际值的吻合程度;用2013年发病率数据回代验证,选择相对误差最小的模型预测2014年至2016年的梅毒发病率。结果:中国梅毒发病率呈整体上升趋势,年平均发展速度为1.173,但环比增长速度逐年降低。趋势外推模型中Cubic函数的拟合效果优于GM(1,1),二者对历史数据拟合的平均相对误差分别为1.431%和7.560%。梅毒年发病率序列为白噪声序列(χ2=7.990,P=0.239),不适合用ARIMA模型来预测。采用Cubic函数预测2014年至2016年中国梅毒的发病率,分别为29.553/10万、26.293/10万和20.831/10万。结论:Cubic函数对中国梅毒发病率的预测效果最好。     

ARIMA模型在乙肝发病预测中的应用

目的 拟合ARIMA模型对迁安市乙肝发病趋势进行时间序列分析和预测,为乙肝预警系统提供决策依据.方法 收集迁安市2004年1月～2010年12月乙肝月发病率资料,利用SPSS统计分析软件拟合ARIMA模型并预测2011年乙肝逐月发病率.结果 拟合最佳模型为ARIMA(0,1,1)(1,1,0)12,残差为白噪声序列,预测值与实际值的平均相对误差为0.133,预测结果较为可靠.结论 利用ARIMA模型进行乙肝发病率的短期预测,预测结果符合当前的发病现状及采取的防治措施,能够对乙肝的早期预警模型的建立提供借鉴,从而有针对性地采取相应的控制措施.