小波神经网络在肾综合症出血热发病率预测中的应用

目的探索小波神经网络在传染病预测中的应用。方法构造小波神经网络对2004年1月至2010年1月我国内地法定报告的肾综合症出血热发病率数据进行训练,对2010年2月至2010年10月相应数据进行预测,并将预测结果与传统的BP神经网络及SARIMA时间序列模型进行比较。结果小波神经网络拟合结果及预测结果的MAPE、MAE及RMSE均小于BP神经网络、SARIMA模型。结论小波神经网络预测效果最优,对于肾综合症出血热等传染病发病率预测具有较好的应用价值。     

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。     

定西市安定区手足口病SARIMA预测模型研究

目的构建自回归求和移动平均模型(SARIMA),用于定西市安定区手足口病发病率的预测,分析该模型在手足口病预测中的应用。方法根据2008年1月—2019年6月手足口病月发病率构建SARIMA模型,2019年7—12月手足口病发病率为验证数据,验证模型预测效果。结果 SARIMA(1,0,1)×(0,1,1)_(12)为最优模型,其平稳R2为0.754,均方根误差为6.540,正态化的BIC值为3.911。预测结果显示:2019年7-12月手足口病月发病率预测最小相对误差为0.51%,最大相对误差为26.18%,平均相对误差为16.01%,实际值均在预测值的95%CI以内。结论 SARIMA(1,0,1)×(0,1,1)_(12)模型能较好地拟合安定区手足口病月发病情况,在实际应用中,SARI MA模型适用于短期预测,同时本模型预测值的95%CI宽度偏大,所以在后期的工作中,应对模型进一步优化。     

SARIMA模型和季节趋势模型在手足口病发病率预测中的应用

目的比较自回归滑动平均求和季节乘积模型(SARIMA)和季节趋势模型对手足口病(HFMD)发病率的预测效能。方法利用荆州市2010—2015年的手足口病逐月发病率作为拟合数据,以2016年的逐月发病率作为预测数据,分别建立SARIMA模型和季节趋势模型后,根据2个模型的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)评价模型的效果。结果 SARIMA(1,0,0)(1,1,0)12(不含常数项)拟合和预测的MAPE、MER、MSE、MAE为18.86%,25.47%,24.23,2.17和15.61%、16.71%、9.41、2.02;季节趋势模型拟合和预测的MAPE、MER、MSE和MAE为33.91%、39.48%、44.38、3.31和21.06%、20.32%、12.63、2.54。结论 SARIMA模型拟合效果较好,预测精度更高,可应用于手足口病疫情的预测和预警。     

SARIMA模型在山西省手足口病发病预测中的应用

目的探讨季节性自回归移动平均模型（seasonalautoregressiveintegratedmovingaverage,SARIMA）在山西省手足口病发病预测中的应用，并利用该模型预测山西省手足口病发病趋势。方法 选取山西省2008年1月—2020年12月的手足口病月发病率构建SARIMA预测模型，选取2021年1—12月手足口病月发病率进行内部验证，评价模型预测效果，进一步预测山西省2022年的手足口病月发病率。结果 每年5—7月为山西省手足口病发病主高峰期，10—11月为次高峰期。SARIMA (1,0,1)(2,1,1)12模型能较好地对山西省手足口病的发病率进行拟合和预测，该模型拟合的均方根误差值为2.92/10万，平均绝对比例误差值为0.51/10万，以及标准化的赤池信息准则（akaike information criterion,AIC）值为755.36。利用该模型对山西省2021年1—12月手足口病月发病率进行预测，将预测值与实测值比较，其拟合的均方根误差值为1.59/10万、平均绝对误差值为1.09/10万。2022年山西省手足口病预测月发病率依次为0.63/1...     

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。     

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。     

BP神经网络在高危儿发病率联合预测中的应用研究

目的探究BP神经网络模型在高危儿发病率预测方面的应用效果,为开展高危儿后续研究工作提供科学依据。方法建立基于BP神经网络的高危儿发病率联合预测模型,并验证模型的应用效果。结果所提出的模型可实现高危儿多种症状发病率的联合预测,并且将平均拟合误差与平均预测误差降至传统灰色GM(1,1)模型的三分之一。结论基于BP神经网络的发病率联合预测模型可准确地用于高危儿多种症状发病率的联合预测,并且具有较好的拟合性能、预测性能以及深度泛化能力。     

ARIMA模型和BP神经网络模型在我国乙型肝炎发病预测中的应用

目的探讨适合全国乙肝发病率的预测模型,为乙肝预测预警系统提供参考。方法应用2004-2012年全国乙肝月发病率数据,分别建立ARIMA模型和BP神经网络模型,利用建立的模型预测2013年1-12月乙肝发病率,采用实际发病率验证与比较两种模型的预测效果,评价指标为平均绝对误差(MAE)、平均绝对误差率(MER)和非线性相关系数(RNL)。结果全国2004-2013年乙肝月发病率在2.79/10万~9.44/10万间波动,序列具有明显的长期趋势。建立的乘积ARIMA(0,1,1)(0,1,1)12模型预测的MAE、MER、RNL分别为0.445、0.065、0.909,BP神经网络模型分别为0.635、0.093、0.872。ARIMA模型预测的平均绝对误差和平均绝对误差率要低于BP神经网络模型(△MAE=-0.190,△MER=-0.028),非线性相关系数要高于BP神经网络模型(△RNL=0.037)。结论 ARIMA模型和BP神经网络模型均适用于我国乙肝发病率的预测,且前者的预测效能和非线性拟合能力略优于后者。     

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.     

BPNN神经网络模型和SARIMA模型在荆州市乙类传染病发病数中的预测效果比较

目的 评价BPNN神经网络模型和季节性差分自回归滑动平均模型(seasonal autoregressive integrated moving average,SARIMA)在乙类传染病发病数中的预测效果.方法 利用荆州市2005年1月—2017年12月的乙类传染病逐月发病数作为拟合数据,建立BPNN神经网络模型和S...     

动态贝叶斯网络模型和SARIMA模型对手足口病预测效果的比较

目的 采用动态贝叶斯网络模型(dynamic Bayesian networks，DBN)和乘积季节差分自回归移动平均模型(seasonal autoregressive integrated moving average model，SARIMA)对全国手足口病(hand，foot and mouth disease，HFMD)的发病趋势进行预测，为疾病的防控工作提供参考。 方法 使用2009年1月至2018年12月的手足口病月发病数资料作为训练集，分别建立DBN和SARIMA模型，以2019年1月至2019年12月的作为测试集验证两种模型的预测准确度。 结果 在训练集中，DBN的 RMSE 为34 840.283， MAPE 为17.694%，SARIMA的 RMSE 为38 929.570， MAPE 为19.931%，DBN比SARIMA模型的 RMSE 和 MAPE 分别下降了10.50%和11.22%；在测试集中，DBN的 RMSE 为40 285.106， MAPE 为23.345%，SARIMA的 RMSE 为45 461.692， MAPE 为27.686%，DBN比SARIMA模型分别下降了11.39%和15.68%。DBN的拟合及预测效果均优于SARIMA模型。 结论 DBN模型对手足口病的预测效果更优，可以为探索手足口病流行趋势以及制定预防和控制政策提供理论依据。     

模糊时间序列分析在肾综合征出血热发病率预测的应用初探

目的 探讨模糊时间序列分析在传染病发病率预测的应用价值.方法 采用模糊时间序列分析方法,对2004年1月～2010年7月我国内地法定报告的肾综合征出血热(HFRS)逐月发病率资料建立预测模型,并对2010年8月～2010年11月的相应数据进行预测,并将预测结果与传统SARIMA模型预测结果进行比较.结果 本次研究结果显示,模糊时间序列分析相对于SARIMA模型,有较好的预测能力.结论 模糊时间序列分析对于HFRS等传染病发病率的预测具有较好的应用价值.     

基于干预分析模型的COVID-19疫情对手足口病的影响

目的 利用苏州市某区近年来儿童手足口病(hand, foot and mouth disease, HFMD)发病数据建立预测模型,判断HFMD发病变化趋势,以及推测COVID-19疫情防控对HFMD的影响。方法 根据2009年1月―2019年12月的儿童HFMD监测数据库,利用季节性自回归移动平均(seasonal autoregressive integrated moving average, SARIMA)模型建立HFMD数据预测模型,预测2020年1―10月的发病数,将实际值与预测值进行比较,确定HFMD发病的变化。在最佳SARIMA模型中加入干预变量,确定COVID-19疫情对儿童HFMD发病的影响。结果 与2019年同期儿童HFMD发病情况相比,2020年1―10月发病数均有下降。2020年1―10月儿童HFMD的发病实际趋势与预测趋势差别较大,发病实际值均低于预测值,2020年2―9月的偏离度均超过100%。在SARIMA模型中加入干预变量后分析显示,干预变量的系数为-135.4(P=0.010),说明儿童HFMD的发病例数平均每月减少135例。结论 苏州市某区在202...     

应用R软件对比两种手足口病发病预测模型的效果

目的 使用R软件对手足口病发病时间序列模型进行分析与对比,探索较佳的手足口病发病预测模型.方法 利用广州市2009-2013年手足口病月报告病例数作为建模数据,采用R软件中的Holt-Winter指数匀滑模型和季节性差分自回归移动平均模型(SARIMA)分别预测2014年12个月份的发病情况,将预测结果与2014年实际发病数进行比较.结果 对广州市2014年1-12月手足口病发病数进行预测,并将预测值与实际值进行比较,结果显示:采用Holt-Winter指数匀滑法和SARIMA预测结果的平均相对误差分别为-0.40和0.12.结论 SARIMA为较佳的预测分析模型,预测结果能较好地拟合广州市手足口病发病序列并进行短期的有效预测.     

SARIMA-GRNN组合模型在伤寒与副伤寒逐月发病数预测中的应用

  目的  建立季节性差分自回归移动平均(seasonal autoregressive integrated moving average, SARIMA)-广义回归神经网络(generalized regression neural network, GRNN)组合模型,为伤寒与副伤寒发病数的预测提供方法学上的新思路。  方法  利用2011年1月-2019年12月中国伤寒与副伤寒逐月发病数资料,分别构建SARIMA模型和SARIMA-GRNN组合模型,比较两种模型的拟合和预测效果。  结果  最优的SARIMA模型为SARIMA (2, 1, 1) (0, 1, 1)₁₂,SARIMA-GRNN组合模型的最优光滑因子(spread)为0.21。评价SARIMA-GRNN组合模型拟合效果的参数均方根误差(root mean squared error, RMSE)、平均绝对误差(mean absolute error, MAE)和平均绝对百分比误差(mean absolute percentage error, MAPE)为90.08、71.44和7.07%,分别小于SARIMA模型的99.44、79.15和7.86%;评价预测效果的RMSE、MAE和MAPE为100.86、75.94和9.57%,均小于SARIMA模型的125.44、97.33和10.89%。  结论  SARIMA-GRNN组合模型比传统SARIMA模型更能拟合中国伤寒与副伤寒逐月的发病数,而且预测精度更高,可应用于伤寒与副伤寒逐月发病数的预测。     

Spatiotemporal analysis and forecasting model of hemorrhagic fever with renal syndrome in mainland China

Hemorrhagic fever with renal syndrome (HFRS) caused by hantaviruses is a serious public health problem in China, accounting for 90% of HFRS cases reported globally. In this study, we applied geographical information system (GIS), spatial autocorrelation analyses and a seasonal autoregressive-integrated moving average (SARIMA) model to describe and predict HFRS epidemic with the objective of monitoring and forecasting HFRS in mainland China. Chinese HFRS data from 2004 to 2016 were obtained from National Infectious Diseases Reporting System (NIDRS) database and Chinese Centre for Disease Control and Prevention (CDC). GIS maps were produced to detect the spatial distribution of HFRS cases. The Moran''s I was adopted in spatial global autocorrelation analysis to identify the integral spatiotemporal pattern of HFRS outbreaks, while the local Moran''s I_i was performed to identify ‘hotspot’ regions of HFRS at province level. A fittest SARIMA model was developed to forecast HFRS incidence in the year 2016, which was selected by Akaike information criterion and Ljung–Box test. During 2004–2015, a total of 165 710 HFRS cases were reported with the average annual incidence at province level ranged from 0 to 13.05 per 100 000 persons. Global Moran''s I analysis showed that the HFRS outbreaks presented spatially clustered distribution, with the degree of cluster gradually decreasing from 2004 to 2009, then turned out to be randomly distributed and reached lowest point in 2012. Local Moran''s I_i identified that four provinces in northeast China contributed to a ‘high–high’ cluster as a traditional epidemic centre, and Shaanxi became another HFRS ‘hotspot’ region since 2011. The monthly incidence of HFRS decreased sharply from 2004 to 2009 in mainland China, then increased markedly from 2010 to 2012, and decreased again since 2013, with obvious seasonal fluctuations. The SARIMA ((0,1,3) × (1,0,1)₁₂) model was the most fittest forecasting model for the dataset of HFRS in mainland China. The spatiotemporal distribution of HFRS in mainland China varied in recent years; together with the SARIMA forecasting model, this study provided several potential decision supportive tools for the control and risk-management plan of HFRS in China.Key words: Epidemiology, geographical information system, hemorrhagic fever with renal syndrome, seasonal autoregressive-integrated moving average, spatial autocorrelation     

SARIMA模型参数设置探讨

目的 比较不同参数设置的SARIMA模型拟合及预测效果,为提高SARIMA模型精度提供参考。 方法 利用全国2009年1月—2015年6月手足口病逐月发病率数据,按照传统图示法确定参数p,q值,建立SARIMA模型,记为模型1。再将参数p,q值±1,构建多个备选模型,筛选最优模型,记为模型2。利用模型1和模型2预测2015年7—10月手足口病发病率并与实际值比较,采用平均绝对误差百分比(mean absolute percentage error,MAPE)、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)评价模型拟合及预测效果。 结果 模型1为SARIMA(1,0,0)(1,1,0)₁₂;模型2有2个,包括SARIMA(1,0,1)(1,1,0)₁₂和SARIMA(1,0,1)(0,1,1)₁₂。SARIMA(1,0,0)(1,1,0)₁₂、SARIMA(1,0,1)(1,1,0)₁₂和SARIMA(1,0,1)(0,1,1)₁₂拟合的MAPE依次分别为22.891%、20.015%、19.985%。SARIMA(1,0,0)(1,1,0)₁₂、SARIMA(1,0,1)(1,1,0)₁₂和SARIMA(1,0,1)(0,1,1)₁₂预测的MAPE、MER、MSE和MAE依次分别为9.119%、8.988%、1.874%和1.107%;11.000%、10.909%、2.552%和1.344%;8.711%、8.477%、1.857%和1.044%。 结论 SARIMA(1,0,1)(0,1,1)₁₂为最优模型,拟合及预测效果优于图示法建立的SARIMA(1,0,0)(1,1,0)₁₂模型。在SARIMA建模过程中应在图示法基础上采用凑试法,筛选最优参数,提高模型精度。     

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。     

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。