我院出院人数预测模型分析

目的 比较趋势外推法、指数平滑法、ARIMA三种方法预测医院出院人次发展规律的优劣.方法 根据医院2000年1月～2010年8月住院统计资料,利用SPSS13.0软件建立三次曲线方程模型、Winters指数平滑模型、ARIMA模型,并对其结果进行比较分析.结果 三次曲线方程模型、Winters指数平滑模型预测精度不高,季节ARIMA乘积模型预测效果最好,是适合预测出院人数比较理想的方法.结论 季节ARIMA乘积模型可用于医院出院人数预测.     

时间序列模型在医院感染发生率拟合预测中的比较研究

目的 探讨不同的时间序列模型在医院感染发生率预测中的应用价值.方法 以2005年1月至2010年12月宁夏某三甲医院的医院感染发生率建立ARIMA模型、指数平滑模型、灰色模型,以2011年1～10月的医院感染发生率资料检测模型预测值和实际值的拟合程度,评价各模型的预测准确性,确定对特定医院感染发生率的的最优预测模型.结果 ARIMA模型、指数平滑模型、灰色模型的预测MAPE值分别为12.50、10.41、19.03,模型预测评估等级为良好,其中指数平滑模型最优.结论 用时间序列模型对医院感染发生率的拟合预测效果良好,可为医院感染的整体监控提供参考依据.     

ARIMA模型预测医院感染发病状况研究

目的 探讨ARIMA季节乘积模型在时间序列资料中的应用,建立金坛市中医院医院感染发病率的预测模型. 方法 收集本院2005-2012年住院病人病案资料,应用SFSS18.0软件中的ARIMA模型预测模块对数据进行分析建立ARIMA预测模型,并预测2013年医院感染情况. 结果 ARIMA（1,0,1）（0,1,1）4能够较好的拟合本院医院感染发病率情况,利用此模型预测2013年本院4个季度的医院感染率分别为2.67％、2.03％、2.68％和1.93％. 结论 ARIMA模型能够较好的拟合和预测医院感染的发病情况,可以为医院决策提供科学依据.     

预测模型在门诊量分析与预测中的应用

目的分析门诊人次数据,探讨SPSS12.0软件中时间序列模型在门诊量数据分析中的应用方法。方法根据某医院1998—2005年门诊人次历史资料,研究数据的季节性特征,指数平滑模型、自回归模型以及ARIMA模型的应用情况,并对三模型进行比较。结果ARIMA模型的平均预测相对误差较小,预测效果最好。结论预测方法有很多种,并没有一种方法适用于各种情况,因此针对不同的情况选择合适的预测方法非常重要,ARIMA模型适用于医院门诊人次数据预测。     

应用ARIMA模型对季度入院人次的预测

[目的]用ARIMA季节乘积模(p,d,q) (P,D,Q)s对季节性时间序列资料建模并预测.[方法]用Box-Ljung统计量评价ARIMA模型的拟和度,用平均预测相对误差作为预测效果的评价指标.[结果]对所分析的季节性时间序列建立了乘积ARIMA(0,1,1) (0,1,2)S模型,平均预测相对误差为6.50%.[结论]用所建立模型对入院人次进行预测,结果表明ARIMA是一种预测精度较高的预测模型.     

ARIMA模型与指数平滑法预测门诊量效果比较

目的比较差分自回归移动平均(ARIMA)模型与指数平滑法对医院门诊量的预测效果。方法利用扬州市某综合性三甲医院2010—2016年门诊量数据分别拟合ARIMA模型和指数平滑模型,以2017年该院门诊量数据评价两种模型的预测效果。结果拟合最佳的ARIMA模型为ARIMA (2, 1, 0)(2, 1, 0)12,拟合的均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)分别为5 062.47、 2.83%和3 473.96;对2017年门诊量预测的RMSE、 MAPE和MAE分别为8 243.26、 4.42%和6 084.00。拟合最佳的指数平滑模型为Holt-Winters加法指数平滑模型,拟合的RMSE、 MAPE和MAE分别为4 605.15、 2.79%和3 296.90;对2017年门诊量预测的RMSE、 MAPE和MAE分别为9 585.25、 5.50%和7 733.58。ARIMA (2, 1, 0)(2, 1, 0)12预测的3个误差指标值均小于Holt-Winters加法指数平滑模型。结论 ARIMA模型预测精度更高,可应用于医院每月门诊量的短期预测。     

利用温特斯加法指数平滑法预测某院出院人次

目的利用温特斯加法指数平滑法建立某院出院人次预测模型,探讨其应用价值,为医院管理提供科学依据。方法采用SPSS21.0统计软件中的时间序列模块,用专家建模器对某院2005年1月至12月出院人次建立预测模型并预测2016年各月份出院人次,最后用2016年实际数据评价该模型的预测精度。结果残差为白噪声序列(P0.05),模型提取了原时间序列中的所有数据信息,模型诊断通过,具有实际意义。预测结果显示,预测值均落在95%可信区间内,且与实际值相比平均相对误差均在9%以内,预测模型精度较高,预测效果良好。结论现阶段该院可以利用温特斯加法指数平滑法预测出院人次,合理安排工作,提高医院管理水平。     

两种预测模型在ESBLs肺炎克雷伯菌流行趋势预测中的应用

目的通过运用2010年-2016年的既往监测数据分析和比较指数平滑法与求和自回归移动平均(ARI-MA)乘积季节模型对产超广谱β-内酰胺酶(ESBLs)肺炎克雷伯菌检出人数的预测效能,分析与预测产ESBLs肺炎克雷伯菌的流行趋势。方法使用浙江某医院2010年1月-2015年12月的产ESBLs肺炎克雷伯菌的月度监测数据,分别建立ARIMA模型与指数平滑法,以平均绝对百分误差(MAPE)及贝叶斯信息准则(BIC)作为评价指标评价模型的可行性。以2016年1-12月产ESBLs肺炎克雷伯菌的检出人数作为预测模型的样本数据以验证模型的预测效果。结果 ARIMA乘积季节模型筛选出的最优模型为ARIMA(0,1,1)(2,1,0)12,模型的MAPE为44.92,BIC为3.63,平均预测误差为14.34%。指数平滑法所筛选出的最优模型为简单季节模型,模型的MAPE为37.03,BIC为3.00,平均预测误差为17.65%。结论同简单季节模型相比,ARIMA乘积季节模型对该院既往监测数据拟合效果更为理想,预测精度更高,可用于预测产ESBLs肺炎克雷伯菌感染情况的预测和预警。     

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。     

ARIMA模型在湖北省肺结核发病数预测中的应用

目的将ARIMA模型运用于湖北省的肺结核病发病预测,为湖北省结核病防治与预警系统提供决策依据。方法运用SPSS 22. 0统计软件对湖北省2001年到2016年肺结核的数据进行了基本趋势分析后建起了ARIMA时间序列模型,并对模型进行了检验,预测出了2017、2018年的肺结核发病数。结果模型ARIMA(1,1,2)(1,1,0)12所有参数均通过统计学检验;Box-Ljung检验统计量Q=20. 156,P 0. 05,残差序列为白噪声;拟合优度指标平稳R2为0. 287,贝叶斯信息准则(BIC)为12. 114,模型拟合精度较好。结论在对湖北省肺结核病发病情况的近期预测中,引入时间序列模型的ARIMA模型分析方法,能够为结核病防制工作提供科学依据。     

ARIMA模型与Holt-Winters指数平滑模型在武汉市流感样病例预测中的应用

目的 探讨比较ARIMA模型和Holt-Winters模型在武汉市流感样病例预测中的应用,为流感防控提供科学依据。方法 利用武汉市2012年1月-2017年6月每周流感样病例比例数据拟合建立ARIMA模型和Holt-Winters指数平滑模型,预测2017年7-8月周流感样病例比例,并与实际流感样病例比例进行比较。结果 ARIMA最优模型为 ARIMA(1,0,1)×(0,1,1)52,预测的平均相对误差为6.88%,Holt-Winters的最优模型为乘法模型,预测平均相对误差为13.79%。结论 ARIMA(1,0,1)×(0,1,1)52模型拟合效果较好,预测精度更高,可用于武汉市流感样病例的预测。     

ARIMA模型和指数平滑法在我国北方流感样病例预测中的应用和比较

目的 比较ARIMA模型和指数平滑法对我国北方流感样病例的预测效果,为流感防控提供科学依据。方法 利用我国北方2012年第1周—2018年第17周的每周流感样病例比例数据拟合建立ARIMA模型和指数平滑模型,预测 2018年第18周—2019年第17周的流感样病例比例,对预测值与实际值进行比较。结果 ARIMA最优模型为ARIMA(0,1,1)(2,1,0)₅₂,预测的均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和平均绝对误差(mean absolute error,MAE)分别为0.57%、8.98%、0.34%;指数平滑法的最优模型为简单季节性模型,预测的均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)分别为0.83%、15.24%、0.55%。结论 ARIMA(0,1,1)(2,1,0)₅₂模型预测精度更高,可用于我国北方流感样病例的短期预测。     

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。     

自回归求和移动平均季节乘积模型在结核病发病率预测中的应用

目的探讨自回归求和移动平均（autoregressive integrated moving average,ARIMA）季节乘积模型在季节性时间序列资料分析中的应用,建立结核病发病率的预测模型。方法利用重庆市结核病防治所登记的某区1993至2004年结核病新发病例数及该区各年的平均人口数,采用条件最小二乘法估计模型参数,按照残差不相关原则、简洁原则确定模型的结构,依据Akaike信息准则（Akaike’s information criterion,AIC）与Schwartz的贝叶斯信息准则（Bayesian information criterion,BIC）确定模型的阶数,建立结核病发病率ARIMA季节乘积预测模型。结果非季节和季节移动平均参数分别为0．84076和0．46602,t检验的P值均小于0．05,有统计学意义,方差估计值为0．088589,AIC=19．75979,SBC=23．28219,显示模型提取序列中几乎所有的样本相关信息。对模型进行残差白噪声分析,X^2检验统计量的P值均大于0．05,表明ARIMA（0,1,1）（0,1,1）。NOINT模型是有效的。结论ARIMA（0,1,1）（0,1,1）。NOINT模型是一种短期内预测精度较高的结核病发病率预测模型。     

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。     

指数平滑法和ARIMA模型在学生肺结核预测的应用

目的 探讨指数平滑法和自回归积分滑动平均模型(auto regressive integrated moving average model,ARIMA)在衡阳市学生肺结核疫情预测中的可行性,比较两种模型的预测效果并确定最佳模型,为学校结核病疫情的早期发现和科学控制提供参考。 方法 收集衡阳市2010—2020年学生肺结核资料,比较两种模型的拟合情况和预测效果优劣。 结果 拟合最佳的指数平滑法模型为Holt-Winter加法模型,拟合的R²、平稳R²、均方根误差(root mean square error, RMSE)、平均绝对误差百分比(mean absolute percentage error, MAPE)、平均绝对误差(mean absolute error, MAE)、正态化BIC分别是0.666、0.469、5.716、31.276、3.873、3.606,Ljung-Box Q=20.741,P=0.145,验证2020年1—12月预测的平均相对误差为39.98%;拟合最佳的ARIMA模型为ARIMA(0,1,1)×(0,1,1)₁₂模型,拟合的平稳R²、R²、RMSE、MAPE、MAE、正态化BIC分别是0.500、0.603、6.532、34.623、4.443、3.885,验证2020年1—12月预测的平均相对误差为120.76%。 结论 与ARIMA模型比较而言,指数平滑模型拟合衡阳市学生肺结核发病数效果更好,预测精度更高。     

组合模型对恶性肿瘤死亡率拟合度评价及预测方法的研究

目的 用6种单项预测方法对金昌队列13年恶性肿瘤死亡率进行拟合并预测。方法 采用动态数列、线性回归、指数平滑、自回归移动平均（ARIMA）模型、灰色模型、Joinpoint回归6种方法,利用金昌队列2001-2013年数据进行恶性肿瘤死亡率拟合及方法比较。采用组合模型进行模型优化,基于算术平均法、方差倒数法、均方误差倒数法、简单加权平均法计算组合模型权重系数。结果 对恶性肿瘤死亡率以Joinpoint线性回归拟合精度最高（87.64%）,线性回归法、动态数列、GM（1,1）模型、指数平滑法、ARIMA（1,0,0）拟合精度分别为87.32%、86.99%、86.25%、85.72%、81.98%。基于灰色模型与线性回归的组合模型预测精度（>99%）高于基于ARIMA（1,0,0）与灰色模型的组合模型,其中算术平均法和均方误差倒数法权重系数组合模型（灰色模型与线性回归）拟合效果最好。结论 组合模型预测恶性肿瘤死亡率优于单项预测法,预测精度>95%。     

成都市人口死亡率时间序列分析与预测

目的采用时间序列分析和预测成都市人口死亡率的动态发展趋势,建立时间序列模型,考察模型的应用效果并做出预测。方法利用时间序列自相关系数和偏相关系数识别模型,采用最小二乘法估计模型参数,用Box-Ljung统计量评价ARIMA模型的拟和度,用平均预测相对误差作为预测效果的评价指标。结果建立乘积ARIAM(0,1,1)(0,1,1)12模型,模型平均绝对百分误差MAPE=8.50%。成都市人口死亡率自2000年逐渐下降,预计序列后2年将继续呈现下降趋势。结论所运用的时间序列分析和预测模型拟合效果较好,可应用于疾病发病和死亡动态变化规律的分析和其未来发展趋势的预测、预报。