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。     

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。     

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。     

TBATS模型在流行性腮腺炎发病率预测中的应用

目的 探讨TBATS模型在流行性腮腺炎发病率预测中的可行性.方法 以2004—2017年江西省流腮数据作为演示数据.2004年1月至2017年6月数据作为训练集,2017年7～12月数据作为测试集.训练集分别训练TBATS模型、SARIMA模型,并预测2017年7～12月发病率并与测试集比较,采用MAPE,RMSE,M...     

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。     

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。     

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模型和BPNN模型在江苏省肺结核发病预测中的应用

目的探讨季节性差分自回归滑动平均（seasonalautoregressiveintegratedmovingaverage,SARIMA）模型与反向传播神经网络（back propagation neural network,BPNN）模型在江苏省结核病发病数中的应用,评价两种模型的精确性,为江苏省制定肺结核防控策略提供参考。方法 本研究以江苏省2011—2020年肺结核发病数据分别建立SARIMA模型和BPNN模型,以2021年1月—2022年6月的实际肺结核发病数进行检验,比较两种模型的预测精度和建模效果。结果 SARIMA模型的均方根误差（root mean squared error,RMSE）、平均绝对误差（mean absolute error,MAE）、平均绝对百分比误差（mean absolute percentage error,MAPE）、总体相对误差值以及最小误差率分别为192、128、5.18%、0.05%、1.14%, BPNN模型的RMSE、 MAE、 MAPE、总体相对误差值以及最小误差率分别为301、 246、11.03%、2.79%、1.44%,均高...     

GM(1,1)模型、ARIMA模型及其组合模型在病毒性甲型肝炎发病数中的预测效果比较

目的 探讨GM(1,1)模型、单纯自回归滑动平均(autoregressive integrated moving average,ARIMA)模型及其组成的2种组合模型在甲肝发病数预测中的应用。方法 利用某省2009年1月-2013年12月的甲肝逐月发病数作为拟合数据,以2014年1-12月的逐月发病数作为预测数据;分别建立GM(1,1)模型、ARIMA模型、GM(1,1)-ARIMA组合模型、变权组合模型,然后根据4个模型的平均绝对百分比误差(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)评价模型的效果。结果 GM(1,1)模型、ARIMA模型、GM(1,1)-ARIMA组合模型和变权组合模型的拟合、预测的MAPE、MER、MSE和MAE依次分别为20.01%,18.35%,115.98,10.96和28.79%,31.84%,32.96,8.01;21.35%,19.52%,120.75,11.66和32.41%,35.65%,36.18,8.97;17.20%,15.69%,88.07,9.07和31.17%,34.17%,34.57,8.60;18.82%,16.99%,107.82,10.15和19.19%,18.67%,20.74,4.70。结论 组合模型拟合及预测效果优于单一模型;变权组合模型为最优预测模型。     

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。     

SARIMA模型与残差自回归模型在甲肝发病率预测中的应用及比较

目的比较季节性求和自回归移动平均(SARIMA)模型及残差自回归模型在甲肝发病率预测中的应用效果。方法根据四川省2004年1月~2009年6月的甲肝月发病率资料,分别拟合SARIMA模型和残差自回归模型,比较两种模型的拟合及预测效果。结果 SARIMA模型的AIC值和BIC值分别为64.98和59.07,残差自回归模型的AIC值和BIC值分别为110.01和103.44;SARIMA模型的拟合值与实际值的MAPE、MAE及MSE分别为0.0349、0.0835及0.0016,残差自回归模型的SARIMA的拟合值与实际值的MAPE、MAE及MSE分别为0.0557、0.1392及0.0050。结论 SARIMA模型的拟合与预测效果优于残差自回归模型。     

神经网络自回归模型在丙肝发病趋势和预测研究中的应用

目的探讨神经网络自回归模型在丙肝发病趋势和预测研究中的应用。方法通过神经网络自回归模型对2004年1月至2015年12月我国全国丙肝发病率进行拟合建模,估计丙肝的发病趋势,并对2016年我国丙肝发病率进行预测,与实际值对比,根据相对误差、平均绝对误差(MAE)、平均绝对百分误差(MAPE)和均方根误差(RMSE)对模型的预测效果进行评价。结果神经网络自回归模型能够识别出我国丙肝在过去13年的发病趋势,逐年增长并具有季节性,且相对误差、MAE、MAPE和RMSE均较小,尤其RMSE10%。结论神经网络自回归模型可以运用于丙肝的时间序列数据的分析中,其预测精度较高。     

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。     

利用ARIMA-GRNN组合模型预测新疆维吾尔自治区手足口病发病率

目的分析2009—2015年新疆维吾尔自治区手足口病新发数量的时间分布规律,使用自回归积分滑动平均模型-广义回归神经网络(ARIMA-GRNN)组合模型预测新疆维吾尔自治区手足口病发病情况,并评价该模型预测新疆维吾尔自治区手足口病发病率的效果。方法利用Excel 2007软件对2009—2015年新疆维吾尔自治区手足口病数据进行整理,基于2009—2014年手足口病数据为训练集,使用R 3. 5. 0拟合ARIMA模型,在ARIMA模型的基础上用Matlab 2014拟合ARIMA-GRNN组合模型。利用2015年的数据来检验所拟合的模型的预测效果。结果拟合的ARIMA模型为ARIMA(0,0,1)(2,1,0)12,平均绝对百分比误差(Mean Absolute Percentage Error MAPE)为19. 21%,能够较好的拟合新疆维吾尔自治区手足口病发病趋势,而在此基础上拟合的ARIMA-GRNN模型的MAPE=15. 63%,能更好的拟合数据,模型的效果优于单纯ARIMA模型,用该模型预测2015年发病情况,预测结果符合手足口病发病实际的波动趋势。结论 ARIMA-GRNN组合模型对新疆维吾尔自治区手足口病发病率能够很好的拟合和预测,对手足口病预防和监测有积极作用。     

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...     

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。     

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。     

组合预测模型在丙型病毒性肝炎发病率预测中的应用

目的评价自回归滑动平均模型(ARIMA)、指数平滑模型和季节趋势模型的组合模型对丙型病毒性肝炎(丙肝)发病率预测的效果。方法利用荆州市2007年1月至2015年12月的丙肝逐月发病率作为拟合数据,以2016年1-12月的逐月发病率作为预测数据,分别建立ARIMA、指数平滑模型、季节趋势模型和组合模型,比较4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)。结果 ARIMA模型、指数平滑模型、季节趋势模型和组合模型的拟合的MAPE、MER、MSE、MAE依次分别为18.355%、16.696%、2.417、0.182;15.670%、14.090%、2.047、0.152;15.657%、13.917%、1.974、0.151;15.336%、13.917%、2.016、0.151。4个模型预测的MAPE、MER、MSE、MAE依次分别为14.034%、15.001%、1.185、0.283;13.316%、14.184%、1.112、0.267;10.491%、10.865%、0.834、0.205;12.031%、12.776%、0.992、0.241。结论组合模型的拟合效果优于单一模型,预测效果优于或相当于单一模型。     

SARIMA、GAM和LSTM在肾综合征出血热预测中的应用效果比较

目的分析季节性差分自回归移动平均模型(SARIMA)、广义相加模型(GAM)和长短期记忆神经网络模型(LSTM)在肾综合征出血热(HFRS)发病率拟合及预测中的效果, 为优化HFRS预测模型提供参考。方法在公共卫生科学数据中心(https://www.phsciencedata.cn/)收集全国和HFRS发病率居前9位的省份(黑龙江、陕西、吉林、辽宁、山东、河北、江西、浙江和湖南省)2004-2017年HFRS逐月发病率资料, 其中, 2004-2016年资料作为训练数据, 2017年1-12月资料作为测试数据。利用训练数据拟合全国和9个省份HFRS发病率的SARIMA、GAM、LSTM;利用拟合模型预测2017年1-12月HFRS发病率, 并与测试数据比较。采用平均绝对百分比误差(MAPE)评价模型拟合及预测精度, MAPE < 20%时模型拟合或预测效果为好, 20%～50%为可接受, > 50%为差。结果从总体拟合及预测效果来看, 全国和黑龙江、陕西、吉林、辽宁、江西省的最优模型为SARIMA(MAPE分别为19.68%、20.48%、44.25%、19.59%、23...     

Elman神经网络在手足口病发病率预测中的应用初探

目的探索Elman神经网络在传染病预测中的应用价值。方法利用2005年1月～2010年6月我国内地法定报告的手足口病月发病率资料分别构建Elman神经网络、BP神经网络以及季节性自回归移动平均模型(SARIMA),并对3种模型进行预测效果评价。结果 Elman神经网络的预测结果的平均绝对误差(MAE)及均方误差平方根(RMSE)均小于BP神经网络、SARIMA模型。结论 Elman神经网络的预测效果较好,对于手足口病发病率预测具有较好的应用价值。