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。     

ARIMA乘积季节模型和LSTM深度神经网络对石家庄市手足口病疫情预测效果的比较

  目的   运用自回归移动平均(autoregressive integrated moving average model, ARIMA)乘积季节模型和长期短期记忆网络(long short term memory, LSTM)对石家庄市手足口病(hand, foot and mouth disease, HFMD)的发病趋势进行预测, 为疫情防控工作提供理论依据。   方法   利用Eviews 8.0和python 3.7.1软件对2013年1月-2018年5月石家庄市HFMD逐月发病数据分别建立ARIMA乘积季节模型和LSTM神经网络, 以2018年6月-2019年5月的发病资料检验模型预测精度, 最后应用模型预测2019年6月-2019年8月的月发病数。   结果   最优模型ARIMA(1, 0, 0)×(1, 1, 2)₁₂和LSTM神经网络外推预测2018年6月-12月的MAPE分别为22.14和10.03, 而外推预测2018年6月至2019年5月的MAPE分别为43.84和25.26, 提示LSTM神经网络的拟合效果和预测精度优于ARIMA模型, 预测结果与实际情况基本一致。   结论   LSTM神经网络对石家庄市HFMD发病趋势的拟合度和预测效果较好, 能够为手足口病疫情的预测预警工作提供指导。     

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。     

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。     

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。     

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模型与GM(1,1)模型对兴化市结核病发病数预测效果比较

目的 比较求和自回归滑动平均模型(ARIMA)和灰色模型GM(1,1)对结核病发病数的预测效果。方法 利用兴化市2012—2019年结核病月发病和年发病数,分别构建ARIMA模型和GM(1,1)模型,进行发病数的拟合,采用平均绝对百分误差(MAPE)、平均绝对误差(MAE)和判定系数(R²)评价拟合效果。采用优势模型预测2020—2024年发病数。结果 2012—2019年兴化市共报告结核病5 673例,年均发病率55.88/10万。发病率总体呈逐年下降趋势■,男性年平均发病率(79.09/10万)高于女性(31.75/10万),差异有统计学意义(χ²=1017.707,P<0.001)。构建的ARIMA模型为SARIMA(0,1,1)(0,1,1,)₁₂,GM(1,1)模型为■。平均误差率(MER)、平均绝对误差(MAE)和判定系数(R²),ARIMA模型为5.42%、36.43、0.929,GM模型为4.24%、28.50、0.973。GM(1,1)模型的预测效果较好。利用GM(1,1)预...     

ARIMA-NARNN混合模型在丙型肝炎发病率预测效果研究

目的 选择最优模型用于山西省丙肝的流行趋势预测。方法 利用2004-2015年山西省丙肝发病率建立差分自回归移动平均模型（autoregressive intergrated moving average,ARIMA）模型和混合模型并进行预测,采用均方误差（mean square error,MSE）、平均绝对误差（mean absolute error,MAE）和平均绝对误差百分比（mean absolute percentage error,MAPE）评价模型的建模性能和预测性能。结果 混合模型的建模性能MSE、MAE和MAPE分别为0.0110、0.0701和0.0670,预测性能MSE、MAE和MAPE分别为0.0052、0.0395和0.0191,其预测精度明显高于ARIMA模型。结论 混合模型预测精度高,为山西省丙肝的防控工作提供了合理模型预测。     

遗传优化的广义回归神经网络在肺结核发病预测中的应用

目的 利用西安市2008年1月至2019年10月结核病月发病率数据分别建立广义回归神经网络和BP神经网络预测模型，提出利用遗传算法的全局搜索能力优化广义回归神经的光滑因子。 方法 以2008年1月至2018年12月发病率作为训练样本，以2019年1月至10月发病率作为测试样本，对两种模型的仿真预测结果进行对比分析。 结果 遗传优化的广义回归神经网络其预测的平均绝对误差（MAE），均方根误差（RMSE），平均相对误差（MAPE）均小于BP神经网络，预测效果更优。 结论 遗传优化的广义回归神经网络较BP神经网络在肺结核发病率预测中有更好的拟合效果和预测精度，其预测效果更理想。其具有良好的实用价值，为肺结核发病率的预测提供了一种有效的方法。     

四川省2008-2018年流行性乙型脑炎流行特征及ARIMA模型应用

  目的  描述四川省2008-2018年流行乙型脑炎（Japanese encephalitis,JE）流行病特征,分析其变化规律,并构建自回归移动平均（autoregressive integrated moving average,ARIMA）模型探讨该模型在预测JE发病趋势中的应用。  方法  采用描述流行病学分析2008-2018年四川省JE流行概况,利用2008年1月-2017年12月四川省JE分月监测资料拟合ARIMA模型,并应用2018年1-12月报告发病数进行模型检验。  结果  四川省2008-2018年JE疫情呈下降趋势,全省疫情主要集中于川东和川南,发病高峰为每年7-9月,儿童为高危人群,但近年来青少年及成人发病有上升趋势。ARIMA（1,0,0）（2,1,0）₁₂能较好拟合JE发病时间序列趋势。  结论  构建ARIMA模型可用于四川省JE疫情报告发病数的短期预测。     

ARIMA-LSTM-XGBoost加权组合模型在肺结核发病趋势预测的研究

目的 探讨ARIMA-LSTM-XGBoost加权组合模型在预测肺结核发病趋势中的应用。方法 收集广东省2009—2019年肺结核月发病数数据,将2009—2018年月发病数作为训练集,2019年月发病数作为测试集,建立ARIMA、ARIMA-LSTM、XGBoost以及ARIMA-LSTM-XGBoost加权组合模型,然后对模型预测效果进行比较。结果 ARIMA-LSTM-XGBoost加权组合模型预测数据的MAPE、RMSE、MAE分别为4.107%、376.483、301.333,优于其它几种模型。结论 ARIMA-LSTM-XGBoost加权组合模型能够提升模型预测效果,对肺结核发病预测具有应用价值,也可为其它传染病预测提供新的方法和思路。     

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。     

2010-2019年福建省肺结核流行特征及发病预测模型应用

  目的  了解2010-2019年福建省肺结核流行特征,建立自回归滑动平均混合模型(autoregressive integrated moving average, ARIMA),并探讨其在福建省肺结核月发病数预测中的应用。  方法  通过中国疾病预防控制中心《结核病信息管理系统》获取2010年1月-2020年6月福建省报告的活动性肺结核发病数据;利用Excel 2016软件及Arcgis 10.2软件对2010-2019年福建省报告的活动性肺结核发病数据进行描述性统计分析;应用SPSS 24.0软件建立复合季节ARIMA模型并利用模型进行月发病数预测。  结果  2010-2019年福建省共报告活动性肺结核患者202 842例,平均发病率53.5/10万,整体呈下降趋势(χ_趋势2=1 952.427, P < 0.001),1、2、10月报告发病数相对较少,占比分别为7.1%、6.2%以及7.6%,3月有个小高峰,占比9.2%;沿海城市的肺结核报告发病率高于内陆(χ2=1 169.414, P < 0.001);男性活动性肺结核患者数是女性的2.77倍;报告发病率随年龄增长呈上升趋势,在65~75岁年龄段到最高,患者主要集中在中青年阶段,占比81.5%。职业为农民工的患者占比最高,占比59.9%,其次是家务及待业,占比16.4%。ARIMA (3, 1, 2) (0, 1, 1)₁₂模型具有较好的预测效果,总体相对误差为2.4%,12个月预测值95% CI均涵盖真实值。  结论  近年来福建省肺结核报告发病率总体呈下降趋势,男性、青壮年以及农民工是肺结核防治重点人群;建立的复合季节ARIMA (3, 1, 2) (0, 1, 1)₁₂模型可用于福建省肺结核短期发病预测。     

湖南省2009-2018年百日咳流行特征分析与发病趋势预测

  目的  分析湖南省2009-2018年百日咳发病的流行病学特征,建立自回归移动平均(autoregressive integrated moving average, ARIMA)模型,为百日咳疫情防控提供科学依据。  方法  收集传染病监测系统中2009-2019年的百日咳监测数据资料,分析2009-2018年百日咳流行病学特征,基于2009年1月-2018年12月的百日咳月发病率资料建立预测模型,并对2020年百日咳发病趋势进行预测。  结果  2009-2018年湖南省共报告百日咳病例2 530例,年均报告发病率为0.371/10万;5-9月为百日咳报告的高发月份,10月-次年4月为低发月份;高发地区为娄底市、益阳市、长沙市、郴州市;男性发病率高于女性,报告病例主要为散居儿童、幼托儿童和学生。ARIMA(0, 1, 1) × (0, 1, 0)₁₂为最优预测模型,2019年的发病与模型预测结果基本一致,预测2020年发病率为7.642/10万,高于2019年。  结论  湖南省2018年开始出现百日咳暴发流行,且发病率有持续走高趋势,可能存在“百日咳重现”现象。ARIMA模型在百日咳短期发病趋势预测中效果较好,预测2020年发病水平将继续升高,应结合湖南省百日咳流行病学特征及实际情况进行疫情防控策略调整。     

基于Prophet等时间序列季节模型的肺结核发病预测及对比分析

目的 探索河南省2014—2019年肺结核发病趋势及季节性特征,比较Prophet模型、ARIMA季节模型和Holt-Winters模型的拟合及预测效果,为肺结核防控提供科学依据。方法 基于河南省2014年1月至2018年12月肺结核月发病数据,建立Prophet模型、ARIMA季节模型和Holt-Winters模型,采用2019年1月至12月肺结核月报告发病数据验证预测效果。评价指标选取均方根误差（RMSE）、平均绝对百分比误差（MAPE）、平均绝对误差（MAE）、平均置信区间宽度、真实值超出置信区间个数。结果 模型拟合结果显示,河南省肺结核发病呈逐年下降趋势,每年3—5月达到发病高峰,2月和10月出现低谷;Prophet模型拟合及预测表现最优,评价指标RMSE、MAPE、MAE、平均置信区间宽度均低于另外两个模型,Holt-Winters模型次之,ARIMA(0,1,1)×(0,1,1)12模型拟合及预测效果相对较差。结论 Prophet模型具有较高的拟合预测准确度和精确度,可以很好地捕捉河南省肺结核发病趋势,模型拟合结果对肺结核防控工作具有一定指导意义。     

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。     

基于奇异谱分析的ARIMA模型在山西省流感预测中的应用

目的 分析基于奇异谱分析（singular spectrum analysis, SSA）的自回归移动平均模型（Autoregressive integrated moving average, ARIMA）模型预测流感样病例 (influenza like illness, ILI) 发病趋势的可行性，为流感防控工作提供合理的预测方法。 方法 利用山西省2010年第14周-2017年第13周的流感监测资料以不同长度配比的训练集、测试集构建SSA-ARIMA模型，并与ARIMA、BP神经网络（Back propagation neural network, BPNN）、广义回归神经网络（General Regression Neural Network, GRNN）模型进行比较。采用平均绝对误差（Mean Absolute Error，MAE）、均方误差（Mean Squared Error，MSE）、均方根误差（Root Mean Squared Error，RMSE）比较各模型预测效果。 结果 模型拟合方面，SSA-ARIMA模型在预测未来一个月发病趋势时的MAE、MSE、RMSE分别为0.163、0.061、0.248；预测六个月时分别为0.161、0.061、0.248；预测一年时分别为0.168、0.066、0.256；均低于ARIMA、BPNN、GRNN。模型预测方面，在预测未来一个月发病趋势时的MAE、MSE、RMSE分别为0.056、0.005、0.068；预测六个月时分别为0.189、0.081、0.285；预测一年时分别为0.210、0.075、0.273；也均低于ARIMA、BPNN、GRNN。 结论 SSA-ARIMA模型对山西省ILI的预测效果优于ARIMA、BPNN、GRNN，可为流感预测提供科学依据。