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-BPNN模型对医院感染患病率的预测研究

目的采用ARIMA模型和ARIMA-BPNN联合模型对某大型三甲医院医院感染患病率预测进行建模,预测医院感染患病率变化趋势,评价不同预测模型的预测效果。方法利用河南省某大型三甲医院2013年1月-2014年12月的医院感染患病率数据作为训练集,建立ARIMA模型和ARIMA-BPNN联合预测模型,选取2015年1-6月的患病率数据作为检验集,评价模型的预测效能。结果 ARIMA模型和ARIMA-BPNN联合模型的预测值的平均偏差及平均相对偏差分别为0.086,6.132%和0.015,1.080%;组合模型的预测效能优于ARIMA模型。结论 ARIMA-BPNN联合模型能有效模拟预测医院感染患病率,对预防和控制医院感染的发生具有重要的应用价值。     

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。     

ARIMA-SVM组合模型在肺结核发病趋势预测中的应用

目的 研究ARIMA-SVM组合模型在肺结核发病趋势预测中的应用。方法 使用海南省2005—2021年肺结核发病数据,以2005—2020年发病数作为训练集,2021年发病数为验证集,建立ARIMA模型、SVM模型与ARIMA-SVM组合模型,并对三种模型拟合和预测效果进行分析与评价。结果 ARIMA-SVM组合模型数据拟合RMSE、MAPE分别为41.38、1.98%,模型预测RMSE、MAPE分别为45.18、4.84%,拟合和预测效果均优于ARIMA模型与SVM模型。结论ARIMA-SVM组合模型预测效果优于单一模型,更适合我国肺结核发病趋势预测,为我国传染病预测预警提供了新思路。     

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。     

ICU患者感染发病率的RBF神经网络模型预测效果评价

目的采用径向基函数(Radial basis function, RBF)神经网络模型对重症监护病房(ICU)患者的医院感染发病率进行拟合及预测,并比较该预测模型与反向传播(Back Propagation,BP)神经网络及差分整合移动平均自回归(Autoregressive Integrated Moving Average model,ARIMA)模型的预测效果。方法将2014年1月-2016年12月医院ICU患者感染发病率数据作为训练集,建立BP模型、RBF神经网络模型和季节性ARIMA模型。分别对2017年1月-2018年7月ICU患者的感染发病率进行预测,其中2017年1-10月数据作为验证集。分别用三类误差分析指标刻画BP模型及RBF神经网络拟合效果,并和季节性ARIMA模型预测效果进行比较。结果 RBF神经网络训练出的预测模型预测误差评价值MAPE为0.340%,MRE为4.509,RSE为0.049,其值均小于BP神经网络模型与季节性ARIMA模型的误差指标,有较好的预测效果。结论 RBF神经网络和BP神经网络模型均能较好地拟合ICU感染发病率,但从验证集的预测结果看,RBF神经网络模型较BP神经网络模型和季节性ARIMA模型各项误差指标较低,可作为预防和控制ICU医院感染发病率的理论依据。     

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。     

SARIMA-GRNN组合模型和SARIMA模型在流行性腮腺炎发病率预测中的应用

目的 探讨SARIMA-GRNN组合模型和SARIMA模型在流行性腮腺炎发病率预测中的应用,并对他们的预测效果进行比较。 方法 选取2004—2016年上海市流行性腮腺炎逐月发病率资料,基于2004年1月—2016年6月的数据建立SARIMA模型。利用2004—2015年流行性腮腺炎的SARIMA模型拟合值与实际值、时间因子训练SARIMA-GRNN组合模型,并运用2016年1—6月数据进行验证,筛选模型最优平滑因子(spread)。采用2016年7—12月数据进行回代验证模型的外推预测效果。评价指标包括平均绝对误差百分比(MAPE)、平均误差率(MER)、均方误差(MSE)和平均绝对误差(MAE)。 结果 SARIMA(0,0,2)(0,1,1)₁₂为最优SARIMA模型。SARIMA-GRNN组合模型spread 值为0.0037。SARIMA模型、SARIMA-GRNN组合模型拟合的MAPE、MER、MSE和MAE依次分别为16.19%、15.18%、0.14、0.25;2.93%、2.28%、0.01、0.04。SARIMA模型、SARIMA-GRNN组合模型预测的MAPE、MER、MSE和MAE依次分别为17.40%、17.26%、0.03、0.16;15.24%、15.50%、0.02、0.14。 结论 SARIMA-GRNN组合模型拟合及预测效果均优于SARIMA模型,但预测精度有待进一步提高。     

BP神经网络在传染病时间序列预测中的应用及其MATLAB实现

目的利用MATLAB软件,建立基于BP神经网络的传染病时间序列预测模型。方法以荆州市2005-01/2017-12和2018-01/05乙类传染病发病数作为拟合样本和预测样本,建立12-10-5三层BP神经网络模型并预测2018-01/05的逐月发病数。以最小均方差(MSE)、R2、平均相对误差百分比(MAPE)、平均绝对误差(MAE)4个指标评价BP神经网络的拟合和预测效果。结果 BP神经网络拟合和预测的MSE、R2、MAPE、MAE依次分别为11 662.74,0.85,5.19%,85.87和32 729.59,0.22,12.20%,140.31。结论 BP神经网络对传染病时间序列拟合及预测效果较好;MATLAB软件能用于BP神经网络模型的建立。     

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%、...     

单纯ARIMA模型和基于季节性分解的ARIMA模型在丙肝发病率中的预测效果比较

目的 探讨单纯求和自回归移动平均(ARIMA)模型和基于季节性分解的ARIMA模型在丙肝发病率拟合及预测中的应用。方法 收集2007－2015年荆州市丙肝月发病率资料,分别建立单纯ARIMA模型和基于季节性分解的ARIMA模型,采用2016年月发病率资料进行外回代验证模型的外推预测效果,评价指标包括相对误差(relative error,RE)、平均相对误差(mean relative error, MRE)、平均误差率(mean error rate,MER)、均方误差(mean square error,MSE)和平均绝对误差(mean absolute error, MAE)。结果 单纯ARIMA模型拟合和预测的MRE、MER、MSE、MAE分别为17.868、16.367、0.225、0.177 和14.090、15.057、0.343、0.284;基于季节性分解的ARIMA模型拟合和预测的MAD、MER、MSE、MAE分别为14.732、13.556、0.201、0.151和11.778、12.353、0.277、0.229。结论 在丙肝发病率的拟合及预测中,基于季节性分解的ARIMA模型优于单纯ARIMA模型。     

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模型在耐碳青霉烯类肺炎克雷伯菌医院感染预测中的应用

目的 探讨ARIMA时间序列模型在耐碳青霉烯类肺炎克雷伯菌(CRKP)医院感染预测中的应用。方法 选取2018年1月—2022年6月某院住院患者每月CRKP医院感染发病率,应用SPSS 19.0建立ARIMA时间序列模型,分析模型的拟合,利用该模型对2021年7月—2022年6月CRKP医院感染数据进行验证,评价预测价值。结果 采用2018年1月—2022年6月住院患者每月CRKP医院感染发病率建模、拟合,建立最优模型ARIMA(0,1,9),模型拟合值与实际值较吻合,此模型对CRKP医院感染发病率实际值与预测值吻合程度较高,平均相对误差值为7.76%。结论 采用ARIMA模型可有效拟合、预测CRKP医院感染发病率,为CRKP医院感染预防与控制提供科学指导。     

住院患儿医院感染发生率ARIMA时间序列模型

目的初步探索和评价儿童患者医院感染发生率的自回归滑动平均混合模型(ARIMA)预测模型。方法以某院2011年1月—2014年12月4年医院感染发生率数据建立ARIMA模型,依据信息量准则,确定最优模型;以2015年医院感染发生率数据作为验证样本,评价模型的可行性。结果 ARIMA(0,1,1)为医院感染率最优预测模型,其最小信息量准则(AIC)、贝叶斯信息准则(BIC)值分别为66.61、70.76,模型残差序列的LjungBox统计量Q=14.14,差异无统计学意义(P=0.658),提示残差为白噪声序列,模型拟合良好。医院感染率实际值与预测值的平均绝对百分误差值(MAPE)为22.4,实际值均在预测值95%可信区间内,未见超出点。结论 ARIMA时间序列模型拟合医院感染率效果良好,具有预测住院患儿医院感染发生情况的实际价值。     

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。     

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...