上海市痢疾发病率预测自回归求和移动平均模型的构建与应用

目的 探讨构建并应用自回归求和移动平均(autoregressive integrated moving average,ARIMA)模型预测上海市痢疾发病率的可行性.方法 基于1990-2007年上海的逐月痢疾发病率,采用非条件最小二乘法估计模型参数,按照残差不相关原则与简洁原则确定模型结构,依据赤池信息准则(Akaike information criterion,AIC)及许瓦兹贝叶斯准则(Schwarz Bayesian criterion,SBC)确定模型的拟合优度,建立预测上海痢疾发病率的最优ARIMA模型.用所得模型预测上海2008年的痢疾发病率,比较预测值与实际值的差异;再以1990年1月至2009年6月的数据构建模型预测上海2010年的痢疾发病率.结果 模型ARIMA(1,1,1)(0,1,2)_(12)较好拟合了既往时间段痢疾发病率的时间序列,模型自回归参数(AR1=0.443)、移动平均参数(MA1=0.806)与季节移动平均参数(SMA1=0.543、SMA2=0.321)均有统计学意义(P<0.01),AIC值=2.878,SBC值=16.131,模型残差为白噪声,模型数学函数式为(1-0.443B)(1-B)(1-B~(12))Z_t=(1-0.806B)(1-0.543B~(12))(1-0.321B~(2×12)μ_t.2008年逐月痢疾发病率的预测值符合实际值的变动趋势,全年发病率预测值与实际值的相对误差率为6.78%.预测2010年上海市痢疾发病率为9.390/10万.结论 ARIMA模型可以较好地拟合上海市痢疾发病率的时间变化趋势,并可用于预测未来的痢疾发病率,是一种短期预测精度较高的预测模型.     

上海市宝山区细菌性痢疾发病率的ARIMA模型研究

目的构建上海市宝山区细菌性痢疾发病率的差分自回归移动平均模型(autoregressive integratedmoving average model,ARIMA),预测上海市宝山区细菌性痢疾的发病趋势。方法引用1997-2010年上海市宝山区细菌性痢疾年发病率资料,通过SPSS 16.0软件拟合ARIMA模型,采用最大似然法估计模型参数,按照残差不相关原则、简洁原则确定模型结构,依据赤池信息量(Akaike information criterion,AIC)与贝叶斯信息量(Bayesianinformation criterion,BIC)准则确定模型的阶数,用Q统计量对模型适应性进行检验,建立ARIMA预测模型。结果自回归参数差异有统计学意义,AIC=20.331,BIC=22.591,统计量Q=7.060<χ20.05,13(29.819),检验表明ARI-MA(1,1,1)模型是适合的。预测宝山区2011-2013年细菌性痢疾的发病率水平会呈缓慢下降趋势。结论 ARI-MA(1,1,1)模型可用于上海市宝山区细菌性痢疾发病情况的动态分析和短期预测。     

ARIMA模型在发病率预测中的应用

目的：探讨季节性时间序列ARIMA预测模型在时间序列资料分析中的应用，建立HFRS发病率的预测模型。方法：采用最大似然法估计模型参数，按照残差不相关原则、简洁原则确定模型的结构，依据AIC与BIC准则确定模型的阶数，建立ARIMA预测模型。结果：季节自回归参数有统计学意义，方差估计值为4.230，AIC=309.523，BIC=311.78。对模型进行白噪声残差分析，X^2检验表明ARIMA（0，1，0）（1，0，0）12模型是适合的。结论：用所建模型对HFRS各月发病率进行了预测，结果表明ARIMA是一种短期内预测精度较高的预测模型。     

ARIMA乘积季节模型在全国布鲁菌病发病预测中的应用

目的应用求和(差分)自回归移动平均(Autoregressive Integrated Moving Average Model,ARIMA)乘积季节模型分析季节性时间序列,建立全国布鲁菌病发病数的预测模型。方法利用中国疾病预防控制中心2011年1月—2016年12月按月报告的布鲁菌病发病数历史疫情数据,采用最大似然法估计模型参数,模型定阶后,建立布鲁菌病按月发病数ARIMA乘积季节预测模型。结果非季节和季节移动平均参数分别为0.357 35、0.666 64,均P0.05,AIC=911.337 2,SBC=917.569 8,均P0.05,据此建立ARIMA(0,1,1)(0,1,1)12乘积季节模型,模型表达式荦荦12xt=(1-0.357 35B)(1-0.666 6412)εt,并开展全国布鲁菌病发病数的预测。结论 ARIMA(0,1,1)(0,1,1)12乘积季节模型可用于预测布鲁菌病的发病情况。     

ARIMA模型应用于月门诊量预测

目的探讨季节性时间序列ARIMA预测模型在时间序列资料分析中的应用，建立门诊量的预测模型。方法采用最小二乘法估计模型参数，通过对数转换及差分方法使原始序列平稳，按照残差不相关原则、简洁原则确定模型结构．依据AIC和SBC准则确定模型阶数，建立ARIMA预测模型。结果季节自回归参数有统计学意义。方差估计值为0．001956．AIC=-443．26．SBC=-437．51。对模型进行白噪声残差分析，拟合优度统计量表中表明ARIMA的估计具体模型为：（1-B）（1-B^12）Zt=（1—0．24269B）（1—0．30096B^12）a1是适合的。结论用所建立模型对月门诊量进行预测。结果表明ARIMA是一种短期预测精度较高的预测模型。     

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。     

基于求和自回归滑动平均模型的道路交通伤害死亡趋势预测分析

目的分析2014-2018年河北省道路交通伤害死亡情况,探讨求和自回归滑动平均模型(autoregressive integrated moving average model,ARIMA)在道路交通伤害死亡趋势预测中的可行性。方法采用描述流行病学分析2014-2018年河北省道路交通伤害死亡概况,运用R 3.5.3软件对河北省2014年1月―2018年6月道路交通伤害月度死亡资料建立ARIMA预测模型,进行整体回代观察拟合效果,比较2018年7月―12月预测值与真实值,评价预测效果。结果2014-2018年河北省累计报告道路交通伤害死亡人数13147例,男性10071例,女性3076例,年均死亡率为17.79/10万,总体呈现下降趋势。构建的最佳预测模型为ARIMA(0,1,1)(0,1,1)12,赤池信息量准则(Akaike information criterion,AIC)为390.64,Schwaz贝叶斯准则(Schwarz Bayesian criterion,SBC)为395.78;残差序列为白噪声序列(均有P>0.05),模型参数非零(均有P<0.05);预测结果实际值均落在预测值95%置信区间内,预测值与实际值之间的相对误差在1.15%~11.85%之间,RMSE=13.65,MAE=10.88,MAPE=4.80%,模型预测性能良好。结论河北省道路交通伤害死亡水平总体呈逐年下降趋势,ARIMA模型可用于道路交通伤害死亡趋势的短期预测。     

ARIMA模型在上海市猩红热发病率预测中的应用

目的 探讨差分自回归移动平均(autoregressive integrated moving average,ARIMA)模型在上海市猩红热月发病率预测的应用。方法 利用ARIMA时间序列模型拟合2004年1月—2017年6月上海市猩红热的月发病率资料,并利用最优模型对2017年7—12月猩红热的月发病率进行预测。结果 最终拟合ARIMA(1,1,0)(0,1,1)₁₂模型,其标准化贝叶斯信息准则值(Bayesian information criterion,BIC)(-2.247)最小,残差经Ljung-Box Q(18)检验为白噪声序列,预测值与实际值基本吻合,相对误差在0.35%~16.74%的范围内。结论 ARIMA模型用于上海市猩红热月发病率的短期预测,可应用于定量风险评估等猩红热疫情的预警预测。     

自回归移动平均模型在细菌性痢疾流行趋势预测中的应用

目的探讨时间序列分析中自回归移动平均模型在六安市细菌性痢疾发病预测的可行性和适用性,为早期做好防控工作提供科学依据。方法使用SPSS 17.0软件对六安市2003年1月～2012年12月的细菌性痢疾月发病率建立ARIMA模型,以2013年的1～7月实际发病率作为预测模型的考核样本,验证模型的预测效果。结果六安市细菌性痢疾月发病率模型为ARIMA（0,0,1）×（0,1,1）12,模型移动平均参数MA1=-0.473（t=-5.153,P〈0.05）,季节移动平均参数SMA1=0.937（t=2.494,P=0.014）;残差分析Ljung-BoxQ统计量经检验,差异无统计学意义（Ljung-BoxQ=10.208,P=0.856）,提示残差为白噪声。模型预测的平均相对误差为27.82%,但预测的动态趋势与实际值基本吻合,且实际值均在预测值的95%可信区间内。结论 ARIMA（0,0,1）×（0,1,1）12模型可为六安市细菌性痢疾的防控提供参考。     

ARIMA乘积季节模型在流行性腮腺炎发病率预测中的应用

目的构建时间序列分析ARIMA乘积季节性模型,预测武汉市2013年流行性腮腺炎发病趋势,探讨该模型在流行性腮腺炎发病率预测中的应用。方法利用中国疾病监测信息报告系统2005年1月至2012年12月武汉市流行性腮腺炎月发病资料,运用PASWStatistics18．0专家建模器,考虑季节性因素建立ARIMA预测模型,并将所建模型对2013年流行性腮腺炎月发病率进行预测。结果模型残差序列为白噪声,ARIMA（0,1,0）（0,1,1）。：模型构建理想,能较好地拟合时间序列,2013年流行性腮腺炎月发病高峰在5～7月,至11、12月出现次要高峰。结论专家建模器构建乘积季节性模型拟合效果较好,但在实际工作中要充分考虑流行性腮腺炎各项防控措施推行等影响因素,综合分析,为防控工作提出理论与实证建议。     

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。     

基于ARIMA模型的流感样病例预警预测分析

目的探索建立适合于流感样病例预测的自回归求和移动平均模型（ARIMA模型）。方法采集深圳市南山区2006--2011年流感样病例监测数据,绘制序列图,差分使序列平稳化,通过自相关分析和偏相关分析进行模型识别,根据AIC（赤池信息准则）和BIC（贝叶斯信息准则）确定模型参数,建立ARIMA预测模型,用Q统计量法对模型适用性进行检验,用2012年全年实际监测数据与模型预测值进行比较,评价模型预测效果。结果2006--2011年流感样病例累计报告199360例,月发病最大值9765例,月发病最小值594例,平均月发病2769例。通过对2006--2011年各月的监测数据进行分析发现,各年度流感样病例发病呈现明显的高峰和低谷,高峰在每年5—8月份,低谷在当年的11月份至次年2月份,不同年度略有波动。对序列进行一阶差分后可得到较为平稳的序列,适合进行模型拟合,经过模型拟合诊断发现ARIMA（0,1,1）×（0,0,1）12模型为最优模型,AIC值和BIC值最小,分别为1239．19和1245．98,Box-Ljung检验结果Q值为19．07,P〉0．05,通过2012年拟合值与实际值比较,结果差异无统计学意义（P〉0．05）。结论ARIMA模型可以较好地对流感样病例进行拟合分析预测。     

自回归滑动平均混合模型在甘肃省麻疹发病预测中的应用

目的 探讨应用自回归滑动平均混合模型(Autoregressive Integrated Moving Average Model,ARIMA)预测甘肃省麻疹发病率的可行性.方法 应用SPSS 13.0软件对甘肃省1995～2006年麻疹逐月发病率进行ARIMA建模拟合;按照残差不相关原则、简洁原则、赤迟准则与贝叶斯准则建立ARIMA麻疹预测模型,用2007年分月发病数检验模型.结果 模型ARIMA(1,0,0)(0,1,1)1>(不含常数项)所有参数都通过统计学检验,残差序列是白噪声,拟合优度相对最好,参数间也无明显相关性(r=0.069).结论 ARIMA模型很好地模拟和预测了麻疹既往发病周期性以及各月发病数,将其应用于甘肃省麻疹发病预测是可行的.     

基于季节性ARIMA模型的新疆肺结核发病预测分析

目的 探讨季节性时间序列模型(autoregressive integrated moving average,ARIMA)在新疆肺结核发病预测中的应用,并验证模型的可行性和适用性。 方法 采用季节性ARIMA(p, d, q )(P, D, Q)_s拟合2005年1月—2019年8月新疆地区肺结核月发病人数,建立多个季节时间序列模型并进行比较,选出最优模型对2019年9—12月肺结核发病人数进行预测。 结果 2005年1月—2019年8月新疆地区肺结核累积发病人数为627 869例,年平均发病人数为3 567例。 新疆地区肺结核月发病数具有季节性,1—5月平均发病数高于平均水平,6—12月平均发病数低于平均水平,发病高峰为1月和3月,发病低谷为9月。通过赤池信息量(Akaike Information Criterion,AIC)和贝叶斯信息量(Bayesian Information Criterion,BIC)最小原则得出,ARIMA(1, 1, 1 )(0, 1, 2)₁₂是最优模型,其残差序列为白噪声,参数的回归系数均具有统计学意义,拟合的平均绝对百分比误差MAPE为8.723%。预测的MAPE为18.674%,真实值均处于预测值的95%置信区间内。 结论 ARIMA(1, 1, 1 )(0, 1, 2)₁₂模型能够较好地拟合新疆肺结核发病数据,并进行短期预测,对新疆卫生防控措施的制定具有一定指导意义。     

ARIMA模型预测上海市闸北区手足口病发病趋势

目的应用季节性时间序列ARIMA模型建立手足口病发病趋势预测,为预警、早期防控手足口病流行提供依据。方法应用SPSS13.0对2002年4月-2011年3月8年的手足口病逐月发病率建立ARIMA模型。结果通过对参数和模型的拟合优度检验以及残差白噪声序列的检验,最终确定模型为ARIMA(1,0,0)(2,1,0)12,其中AIC=235.855,BIC=245.942,LB统计量检验残差序列为白噪声序列。结论模型能够有效地预测手足口病发病趋势,对预警预测产生积极的指导作用。     

基于ARIMA的新冠肺炎疫情前后结核病流行趋势预测与分析

目的 构建ARIMA季节性模型,探讨新型冠状病毒肺炎疫情(简称新冠肺炎疫情)对结核病流行特征的影响,预测上海市宝山区结核病流行趋势。方法 收集上海市宝山区2009—2021年结核病月发病率资料,构建ARIMA季节性模型,验证预测模型效果,分析预测误差的原因。结果 上海市宝山区结核病月发病率模型为ARIMA(2,0,0)(0,1,1)₁₂,BIC值最小,Ljung-Box统计量Q=23.127,P=0.081,残差序列为白噪声。2019年实际月发病率与预测值变化趋势基本一致,且均在预测值95%可信区间内。受新型冠状病毒肺炎疫情影响,近两年观察值与预测值差异较大,2021年2月观察值在拟合值的95%置信区间外。结论 ARIMA(2,0,0)(0,1,1)₁₂模型能较为准确地预测宝山区新冠肺炎疫情前结核病发病趋势,受新冠肺炎疫情影响时,预测结果偏差较大,需要后疫情时代结核病发病数据来重新建模。     

ARIMA乘积季节模型在青州市布鲁氏菌病发病预测中的应用

目的应用自回归求和移动平均(ARIMA)乘积季节模型预测青州市布鲁氏菌病月发病数,构建青州市布鲁氏菌病月发病数的预测模型,为青州市布鲁氏菌病防控措施提供科学依据。方法收集青州市2011—2017年布鲁氏菌病监测数据,采用SPSS 25.0统计软件建立ARIMA时间序列模型,并对模型进行检验,预测出2018年的布鲁氏菌病月发病数,用2018年布鲁氏菌病实际月发病数评价模型的预测效果。结果模型ARIMA(0,1,1)(1,1,0)12标准化的BIC值最小,Box-Ljung检验统计量Q=23.746,P>0.05,残差序列为白噪声,确定为最优模型。结论ARIMA乘积季节模型短期预测青州市布鲁氏菌病月发病数效果较好。     

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...