SARIMA模型在北京市房山区手足口病发病趋势预测中的应用

目的构建北京市房山区手足口病发病的SARIMA模型并进行预测。方法应用83.0.1软件程序包中的TSA对2007—2013年房山区手足口病月发病率构建模型,并对2014年各月手足口病月发病率进行预测和评价。结果 SARIMA(0,0,1)(0,1,1)_(12)模型较好地拟合既往时间段发病率,对2014年各月的预测值符合手足口病实际发病率变动趋势,对2015年手足口病发病率进行了预测。结论 SARIMA(0,0,1)(0,1,1)_(12)模型能够很好拟合手足口病月发病率数据,可用于房山区手足口病发病趋势的短期预测,为下一步采取针对性防控措施提供科学依据。     

季节时间序列模型在菌痢发病预测中的应用

目的研究SARIMA模型拟合季节时间序列的方法,并将其应用于菌痢发病的预测,探讨该模型进行传染病预警的可行性。方法利用Eviews软件对江苏省菌痢的月发病数据进行建模,首先采用取对数、差分等方法对序列进行平稳化,然后进行模型参数的估计、检验,最优模型的筛选,最后进行预测分析。结果 SARIMA(1,1,2)(1,1,1)12较好地拟合了江苏省菌痢的月发病数据,预测效果良好。结论 SARIMA模型可用于具有季节性、周期性波动的传染病发病的动态分析和短期预测。     

基于Eviews的季节时间序列(SARIMA)预测模型

目的采用季节时间序列(Seasonal Auto Regressive Integrated Moving Average,SARIMA)模型建立传染病预测模型。方法根据2009-2013年珠海市斗门区手足口病月报告数的时间序列,采用Eviews拟合SARIMA模型。结果模型SARIMA(1,1,2)(1,1,1)12能很好地拟合珠海市斗门区手足口病月发病数,预测效果较好。结论采用Eviews拟合的SARIMA模型可以用于传染病的的短期预测和动态分析。     

应用SARIMA模型预测肺结核发病趋势

目的用SARIMA模型预测云南省肺结核发病趋势。方法收集云南省16个州市2005年1月至2017年12月肺结核月发病数据资料,应用SPSS20.0软件构建模型,预测云南省2018年1月至12月的发病数和各州市发病趋势。结果 SARIMA(1,1,1)×(0,1,0)_(12)模型较好地拟合了云南省肺结核的月发病数据,各州市模型预测2018年10个州市肺结核发病数呈现上升趋势。结论 SARIMA模型能很好地模拟肺结核发病数在时间序列轴上的变化趋势,将其应用于未来发病数的短期预测,可为肺结核的防控提供参考。     

厦门市翔安区手足口病流行特征分析及发病趋势预测方法研究

目的:研究厦门市翔安区手足口病的流行特征并探讨SARIMA模型拟合手足口病发病趋势预测的可行性.方法:利用SPSS软件对翔安区手足口病的发病情况进行流行病学分析,通过取自然对数,差分等方法对手足口病月发病数序列进行平稳化,然后进行模型参数的估计,检验,最优模型的筛选,最后进行预测分析.结果: 2011-2014年,翔安区手足口病的年平均发病率为231.40/10万,4-7份和9月份有两个发病高峰,病例主要分布于5岁以下儿童,占所有病例数的93.89%%;病原构成以其他肠道病毒为主,占43.8%,其次为CoxA16占31.4%,EV71仅占27.8%;SARIMA(0,1,0)(1,1,0)₁₂较好地拟合了厦门市翔安区手足口病的月发病数据,预测效果良好.结论:厦门市翔安区手足口病的发病率较高,可以用SARIMA模型进行短期预测,进而指导各项防控措施.     

应用ARIMA模型预测厦门市2017年乙肝月发病率

目的 分析厦门市乙型肝炎发病的流行病学特征,建立ARIMA模型并预测2017年厦门市乙肝月发病率,为厦门市乙肝防治提供理论依据。方法 对2005 - 2016年厦门市乙肝报告发病数据进行统计描述,通过ARIMA模型预测2017年的乙肝月发病情况。结果 厦门市2005 - 2016年乙肝报告年均发病率为45.70/10万,乙肝年发病率呈逐渐下降趋势;男性乙肝发病高于女性;各年龄组乙肝发病水平存在差异;15岁以下儿童乙肝发病率显著低于其他高年龄组的发病水平。建立模型ARIMA（1,1,1）×（0,1,0）12 ,模型的拟合效果较好,2017年厦门市乙肝月发病率预测值区间为[0.92/10万,4.76/10万]。结论 厦门市2005 - 2016年乙肝发病总体呈现下降趋势,经预测2017年厦门市乙肝发病率与前几年相比波动不大,有轻微下降趋势,可用ARIMA模型对乙肝的短期发病情况进行预测。     

ARIMA乘积季节模型在食源性疾病月发病率预测中的应用

目的 探讨ARIMA乘积季节模型在食源性疾病月发病率研究中的应用,并预测食源性疾病月发病率趋势。方法 采用SPSS 23.0软件对安徽省某市2013年1月至2018年12月的食源性疾病月发病率资料进行ARIMA模型拟合,利用2019年食源性疾病月发病率资料验证模型,并预测2020年食源性疾病月发病率。结果 安徽省某市源性疾病月发病率呈逐年上升趋势,且有明显的周期性。ARIMA（2,0,0）×（0,1,0）12为最优模型（P<0.05）,决定系数（R²）为0.94,贝叶斯信息准则（BIC）为1.862;模型Box-Ljung检验差异无统计学意义（Q=14.682,P＝0.548）,提示残差属于白噪声序列。2019年数据以检验模型外推效果,MAPE= 24.069%,表明模型外推效果较好,且实际值均落在预测值的95%的置信区间,模型预测效果比较理想。结论 ARIMA（2,0,0）×（0,1,0）12模型能够较好的拟合食源性疾病的时间变化,因此可用于食源性疾病月发病率的拟合和预测。     

SARIMA模型在手足口病发病率监测中的应用

目的 通过建立SARIMA模型,探讨该模型在手足口病发病率预测中的应用,为疾病预防控制部门制定防控策略提供理论依据.方法 应用SPSS 20.0软件包对乌鲁木齐市2009年1月1日至2014年12月31日手足口病月发病率进行初步平稳化处理并建立季节性ARIMA模型.结果 通过对参数和模型的拟合优度检验及残差白噪声序列检验,最终确定模型为SARIMA(1,0,0)(1,1,0)12,该模型能较好的对以往发病率进行拟合,真实值均在预测值的95％置信区间内.结论 SARIMA(1,0,0)(1,1,0)12模型能够较准确地预测手足口病发病趋势,但若要获得更为准确的预测信息,则需要使用多模型联合的方法来预测.     

基于Python语言的ARIMA模型在天津市结核病发病率预测中的应用

 目的 探讨差分自回归移动平均（ARIMA）模型在结核病发病率预测中的可行性。方法 基于Python语言的statsmodels模块,以天津市2004年1月—2015年12月结核病月发病率数据作为训练集建立最优季节性差分自回归移动平均（SARIMA）模型,以2016年1—12月数据对SARIMA模型进行效果评价,并对2017年1月—2019年12月天津市结核病月发病率进行预测。结果 流行病学结果显示,2004年1月—2015年12月天津市结核病月发病率总体呈下降趋势。2005—2008年出现一个发病高峰,2009年后大幅度下降,随后趋于平稳。2017年1月—2019年12月天津市结核病月发病率与往年相比平稳下降。建立的最佳模型为SARIMA（1,1,1）×（3,1,1）₁₂,该模型残差BOX-Ljung统计量P值为0.493,提示残差为白噪声序列,模型拟合良好。预测结果实际值均在预测值的95%置信区间。结论 SARIMA（1,1,1）×（3,1,1）₁₂模型可对天津市结核病月发病率进行较准确的预测。     

厦门市手足口病流行特征分析及发病趋势预测方法研究

目的研究厦门市手足口病的流行特征并探讨季节性时间序列(seasonal autoregressive integrated moving average,SARIMA)模型拟合厦门市手足口病发病趋势预测的可行性。方法选取2011—2013年6家医院报告的手足口病10 540例,利用SPSS19.0对厦门市手足口病的发病情况进行流行病学分析,通过取自然对数、差分等方法对手足口病月发病数序列进行平稳化,然后进行模型参数的估计、检验,最优模型的筛选,最后进行预测分析。计量资料采用χ2检验,P0.05为差异有统计学意义。结果 2011—2013年厦门市手足口病的年平均发病率为97.37/10万,4—7月和9月有两个发病高峰,病例主要分布于5岁以下儿童,占所有病例数的93.85%;病原构成以其他肠道病毒为主,占42.9%,其次为肠道病毒71型(enteriovirus 71,EV71)占39.7%,柯萨奇病毒A6(coxsackie virus A6,Cox A6)仅占17.3%;SARIMA(0,1,0)(1,1,0)12较好地拟合了厦门市手足口病的月发病数据,预测效果良好。结论厦门市手足口病的发病率较高,可以用SARIMA模型进行短期预测,进而指导各项防控措施。     

SARIMA模型和Holt-winters模型在我国丙肝月报告发病人数预测中的应用比较

目的 分析2013-2019年我国丙型病毒性肝炎（丙肝）发病趋势，探讨比较SARIMA模型和Holt-winters模型在我国丙肝发病序列预测中的应用。 方法 基于2013-2018年我国丙肝月发病数据拟合建立SARIMA模型和Holt-winters模型，采用2019年1月-12月发病数据验证两种模型预测效果。 结果 SARIMA模型最优模型为ARIMA(2,1,4)(2,1,2)12，预测平均误差百分比（MAPE）为4.447%，Holt-winters模型最优模型为相加模型，预测平均误差百分比（MAPE）为2.958%。 结论 Holt-winters相加模型预测精度相对较高，可用于我国丙肝发病人数的预测。     

基于SARIMA - SVR模型的喀什地区流行性腮腺炎的流行趋势预测

目的 利用季节性自回归滑动平均模型（seasonal autoregressive integrated moving average，SARIMA）、支持向量回归模型（support vector regression， SVR）对喀什地区流行性腮腺炎( mumps)的月发病数进行预测，在上述两模型的基础上建立SARIMA - SVR组合模型，提高预测的精准度，为控制新疆喀什地区2021年流腮传播趋势提供科学预测。方法 以喀什地区2005年1月—2017年12月的流腮月发病数据为训练集，进行数据的拟合以及预测模型的训练，分别建立SARIMA、SVR、SARIMA - SVR组合模型。对2018年1月—2020年12月的流腮月发病数进行预测，并与实际值相比较，采用均方根误差(root mean square error，RMSE)衡量模型预测性能。结果 ARIMA(2，1，1)(0，0，1)12为最优的SARIMA模型，建立的SARIMA、SVR、SARIMA - SVR组合模型预测2018年1月—2020年12月的喀什地区流腮月发病数的RMSE分别为:9.611、9.545、3.427。结论 SARIMA - SVR组合模型对喀什地区流腮的预测精度高于单一预测模型，故选取该模型建立方式，利用2005年1月—2020年12月的喀什地区流腮月发病数据预测该地区2021年的月发病数。     

季节时间序列分析在新疆地区涂阳结核疫情预测预警中的应用

目的 探讨季节时间序列模型(seasonal autoregressive integrated moving average,SARIMA)在新疆涂阳肺结核疫情预测预警中的应用。 方法 收集新疆2005年1月－2015年6月涂阳肺结核月发病数建立时间序列分析模型,对2015年7－12月的月发病数进行预测并与实际发病数进行比较评价。 结果 新疆涂阳肺结核月发病数具有明显季节性,在3月和11月存在发病高峰,SARIMA(0,1,1)(0,1,1)₁₂模型参数的回归系数假设检验结果P<0.001,与实际月发病数拟合效果良好,平均绝对百分比误差MAPE=7.985%。 结论 SARIMA模型能较好的拟合新疆涂阳肺结核疫情在时间上的变异趋势,用其进行预测效果良好,能够为肺结核疫情的预警防治提供参考。     

利用ARIMA和BP神经网络模型分析新疆生产建设兵团乙肝流行特征

目的 通过分析2009－2019年新疆生产建设兵团乙肝发病数据，了解乙肝发病特征及规律。同时构建ARIMA模型和BP神经网络对2020年新疆生产建设兵团乙肝发病率进行预测，选取合适模型为乙肝及时防控调整做参考依据。方法 收集新疆生产建设兵团疾病预防控制中心网站公布的法定传染病月疫情统计数据和中国统计年鉴数据，利用SPSS 20.0进行流行病学统计分析。利用R（forecast包、tseries包）建立ARIMA模型，利用MATLAB构建BP神经网络对新疆生产建设兵团2009年1月－2019年12月的乙肝月发病率进行拟合预测。结果 2009－2019年新疆生产建设兵团乙肝病毒性肝炎年平均发病率为95.76/10万（29 476/3 078.05万，95%CI:94.67～96.86），乙肝发病率处于逐年下降中；各年报告男性发病率均高于女性，男女发病数比为1.676∶1；BP神经网络预测精度指标（MAE，MAPE，RMSE）均优于ARIMA模型。结论 2009－2019年新疆生产建设兵团乙肝发病率趋势逐年下降。BP神经网络是短期预测新疆生产建设兵团乙肝月发病趋势的较为理想的模型。     

ARIMA模型在乙型肝炎发病率预测中的应用

目的探讨ARIMA模型预测常州市乙型肝炎发病率的可行性。方法应用SPSS 18.0软件对常州市2002—2010年乙型肝炎月发病率进行ARIMA模型拟合,对2011年乙型肝炎发病率进行预测验证,并对2012年月发病率进行预测。结果最佳拟合模型为ARIMA(2,1,0)(1,1,0)12;2011年乙型肝炎发病率预测结果和实际值平均相对误差为3.55%。结论 ARIMA模型可用于常州市乙型肝炎发病率预测,其短期预测精度较高。     

应用EXCEL实现上海市乙肝发病灰色模型的预测研究

目的:探讨应用EXCEL表格实现上海市乙肝发病灰色模型预测的可行性。方法:基于上海市2003年-2009年乙肝发病数,应用EXCEL电子表格建立上海市乙肝发病数的灰色模型GM(11,),采用后验差比值C和小误差概率p判定模型预测精度,比较预测值与实际值的相对误差,并进行2010年-2012年乙肝发病数的外推预测。结果:GM(1,1)模型的后验差比值C=0.243 7,小误差概率p=1,模型预测精度为优秀。2003年-2009年各年份乙肝发病实际数与预测数的相对误差均小于8%,模型预测上海市2010年-2012年乙肝发病数分别1 921例1、745例和1 585例。结论:EXCEL表格可以实现灰色模型GM(1,1)的建模与预测,有一定的推广应用价值。     

GM(1,1)灰色模型、马尔可夫链模型及其组合模型和SARIMA模型在甲肝发病数预测中的应用效果比较

目的 比较GM（1,1）灰色模型、马尔可夫链模型及其组合模型和SARIMA模型在甲肝发病数预测中的应用效果。方法 利用2010—2014年江西省甲肝逐月发病数数据,分别拟合GM（1,1）灰色模型、马尔可夫链模型、灰色马尔可夫链组合模型和SARIMA模型。利用4个模型预测2015年1—12月甲肝发病数并与实际值比较,采用平均绝对百分比误差（MAPE）、平均误差率（MER）、均方误差（MSE）和平均绝对误差（MAE）4个指标评模型预测效果。结果 2010—2015年江西省累计报告甲肝2 939例,甲肝发病数整体呈逐年下降趋势（r_s=-0.838,P<0.01）。SARIMA（0,1,1）（1,0,0）₁₂为最优SARIMA模型;GM（1,1）灰色模型拟合精度为合格。模型预测的MAPE从低到高依次为灰色马尔可夫链组合模型（23.894%）、SARIMA模型（25.529%）、GM（1,1）灰色模型（28.429%）、马尔可夫链模型（39.426%）;MER从低到高依次为SARIMA模型（21.303%）、灰色马尔可夫链组合模型（25.574%）、灰色模型（30.717%）、马尔可夫链模型（35.203%）;MSE 和MAE 从低到高依次均为SARIMA模型（45.293、4.918）、灰色马尔可夫链组合模型（47.122、5.903）、灰色模型（67.738、7.091）、马尔可夫链模型（85.252、8.126）。结论 灰色马尔可夫链组合模型和SARIMA模型预测效果较好,可以用于甲肝发病数的预测。     

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。     

动态贝叶斯网络模型在其他感染性腹泻发病预测中的应用

目的 采用其他感染性腹泻月发病数构建动态贝叶斯网络（Dynamic Bayesian Networks, DBN）模型,并与传统预测模型——季节乘积差分自回归移动平均(Seasonal Auto-regressive Integrated Moving Average,SARIMA)模型进行预测表现的比较。 方法 将全国2004年1月至2016年12月其他感染性腹泻月发病数作为训练集并拟合DBN模型与SARIMA模型,采用不同策略,使用两个模型分别预测2017年1月至2017年12月发病数,以MAE、MAPE作为预测表现的衡量指标。 结果 静态预测12期时DBN比SARIMA模型的MAE、MAPE分别下降了12.57%、15.84%;并且在绝大多数情况下,DBN的预测值要更接近实际发病数。动态预测12期显示,DBN比SARIMA模型的MAE、MAPE分别下降6.12%、9.30%。 结论 DBN模型在其他感染性腹泻中的预测表现要优于SARIMA模型,在传染病预测中具有极大的应用潜力。     

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。