三种模型在肺结核发病预测中的应用

目的 比较求和自回归滑动平均(ARIMA)模型、ARIMA与广义回归神经网络(GRNN-ARIMA)组合模型、径向基函数(RBF)网络模型在肺结核发病预测中的应用,探讨优化模型,为完善结核病预测预警系统提供建议和资料.方法 利用1998年1月-2011年6月全国肺结核逐月发病资料构建ARIMA模型,而2011年7-12月数据作为模型测试值;将上述ARIMA模型拟合值作为GRNN模型输入值,各月实际发病率作为输出值,构建GRNN-ARIMA组合模型并预测;将1998年1月-2011年6月数据分段,构建三维输入,一维输出的RBF网络模型并预测.比较三种模型的拟合及预测效果优劣.结果 三种模模型拟合肺结核发病情况的均方误差MSE值依次为GRNN-ARIMA (0.0848)＜RBF(0.1987)＜ARIMA (0.2800);三种模型预测2011年7-12月各月的发病率与实际值比较的均方误差MSE值依次为:GRNN-ARIMA(0.0571)＜RBF(0.1024)＜ ARIMA(0.1053),其他模型评价指标也显示GRNN-ARIMA组合模型误差最小.结论 GRNN-ARIMA组合模型拟合及预测效果均优于RBF网络模型和单纯ARIMA模型,它能显著提高预测精度,具有很好的实用价值.     

应用自回归移动平均模型预测分析江西省流行性腮腺炎的发病趋势

目的 应用自回归移动平均模型（ARIMA）预测分析江西省流行性腮腺炎的发病趋势。方法 利用ARIMA对江西省2015-2019年每月流行性腮腺炎报告发病数进行建模,预测12个月的发病数,并与2020、2021、2022年报告发病数进行比较分析。结果 最优模型为ARIMA（0,2,1）（1,2,0）₁₂。预测发病数显著高于2020、2021、2022年报告发病数。2020、2021、2022年流行性腮腺炎报告发病数较预测发病数分别减少54.02%、63.40%、66.09%。结论 2020-2022年江西省流行性腮腺炎报告发病数明显低于预测发病数,考虑与非药物干预措施、免疫策略的改变等有关,建议进一步加强流行性腮腺炎监测,以更好应对流行性腮腺炎疫情。     

ARIMA模型和ARIMA-GRNN模型在AIDS发病预测中的应用

目的 探究适用于预测我国艾滋病月发病人数的模型,为艾滋病的预防提供参考。方法 收集2011年1月至2017年12月我国艾滋病月发病报告人数资料,建立自回归移动平均（autoregressive integrated moving average,ARIMA）模型及广义回归神经网络（generalized regression neural network,GRNN）模型与ARIMA模型的联合。用2018年1月至5月艾滋病月发病数评估该模型预测效果。结果 艾滋病月发病数呈明显季节性,拟建立ARIMA（1,1,1）（0,1,1）₁₂模型对我国艾滋病月发病报告数进行预测。建立ARIMA-GRNN模型的光滑因子为0.021。ARIMA-GRNN模型拟合及预测误差均低于ARIMA模型。结论 ARIMA（1,1,1）（0,1,1）₁₂和ARIMA-GRNN模型均能较好地拟合并预测我国艾滋病月发病人数,但联合模型的效果更优。     

ARIMA乘积季节模型与GRNN模型在猩红热发病预测中的比较

目的探寻适合猩红热发病的预测模型,为猩红热的预防和控制提供科学依据。方法利用全国2011年1月至2018年12月的猩红热月发病率,通过R 3.6.1软件建立求和自回归移动平均(autoregressive integrated moving average,ARIMA)乘积季节模型和软件Matlab 9.1创建广义回归神经网络(generalized regression neural netword,GRNN),通过R²比较模型的拟合效果,平均相对误差比较模型预测能力,并对2019年1月-6月发病率进行预测。结果创建的ARIMA(2,1,2)(0,1,1)₁₂乘积季节模型平稳R²为0.336,预测2019年1-6月的发病率(1/10万)分别为0.637、0.274、0.377、0.579、0.910和0.937,GRNN模型的R²为0.823,预测2019年1-6月发病率(1/10万)分别为0.626、0.178、0.321、0.445、0.789和0.774。模型的平均相对误差分别为31.1%和...     

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。     

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。     

ARIMA季节性模型在预测兰州市丙肝发病人数中的应用

目的 应用自回归移动平均(autoregressive integrated moving average,ARIMA)乘积季节模型建立适合预测兰州市丙肝月报告发病人数的最优模型,为丙肝防控工作提供参考依据.方法 收集2010年1月至2019年12月兰州市丙肝月报告发病人数,基于2010年1月至2018年12月丙肝月报...     

中国手足口病发病率ARIMA、RBF及ARIMA-RBF组合模型拟合及预测效果比较

目的 比较求和自回归滑动平均混合模型（ARIMA）、径向基函数神经网络模型（RBF）和ARIMA-RBF组合模型对中国手足口病月发病率的拟合及预测效果,探讨预测手足口病发病率的优化模型。方法 收集2008年1月-2014年12月中国手足口病月发病率资料,基于2008年1月-2014年6月的78个数据分别建立ARIMA模型、RBF模型和ARIMA-RBF组合模型,采用2014年7-12月的6个数据进行外回代验证模型的外推预测效果,评价指标包括相对误差（RE）、平均相对误差（MRE）、均方误差（MSE）,均方根误差（RMSE）和平均绝对误差（MAE）。结果 ARIMA模型拟合和预测的MRE、MSE、RMSE、MAE分别为14.006、4.689、2.165、0.916和13.565、4.416、2.101、0.577,RBF模型分别为9.031、1.559、1.249、0.508和8.964、1.504、1.226、0.503,ARIMA-RBF组合模型分别为6.397、1.357、1.165、0.416和6.655、1.485、1.218、0.433,ARIMA-RBF组合模型的拟合及预测曲线与原始值最接近。结论 ARIMA-RBF组合模型拟合及预测效果均优于ARIMA模型和RBF模型。     

SARFIMA模型在肾综合征出血热发病预测中的应用

目的研究季节性自回归分数差分移动平均(SARFIMA)模型预测肾综合征出血热(HFRS)发病率的效果,并与SARIMA模型进行比较。方法收集山东省2009年1月至2018年12月HFRS月发病数据,考虑时间序列的短记忆性和长记忆性,构建SARFIMA模型,以SARIMA模型作为对比,比较两个模型的预测准确性。结果山东省2009-2018年HFRS月发病率具有明显周期性和季节性特征。模型评估表明,SARFIMA模型具有更好的拟合度和预测能力。SARFIMA(1,0.33,3)(1,0,0)₁₂:AIC=-629.76;RMSE=0.028;SARIMA(1,0,3)(1,1,0)₁₂:AIC=-356.43;RMSE=0.033。结论 SARFIMA模型能较好地拟合山东省HFRS月发病率的动态变化,且预测效果优于SARIMA模型。因此,SARFIMA模型可用于HFRS发病率的预测。     

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...     

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...     

差分自回归移动平均模型在肾综合征出血热发病预测中的应用研究

目的探讨差分自回归移动平均模型（ARIMA）在肾综合征出血热（HFRS）预测分析中的应用。方法用SPSS16．0软件建立1986-2011年河北省HFRS逐月疫情资料数据库,用ARIMA相关模块进行建模拟合并进行预测分析。结果河北省1986-2011年HFRS发病数呈现明显的季节周期性。筛选ARIMA（0,1,1）×（0,1,2）_12模型为最优模型,对河北省2012年各月发病数进行预测,2012年1-12月实际值均落人了预测值的95％可信区间内。结论ARIMA模型可以很好地拟合HFRS发病数的变动趋势,并可用于预测未来疫情,为HFRS防控工作提供依据。     

SARIMA-RBF组合模型在流行性腮腺炎流行趋势预测中的应用

目的 探讨SARIMA-RBF组合模型拟合及预测我国流行性腮腺炎（流腮）流行趋势的应用。方法 利用全国2004—2015年流腮逐月发病率建立SARIMA模型。将基于SARIMA模型的拟合值作为输入向量,实际值作为输出向量,根据时间因素作为输入向量与否建立2个SARIMA-RBF组合模型（加入时间因素记为组合模型A,不加入时间因素记为组合模型B）。运用SARIMA模型和2个SARIMA-RBF组合模型预测2016年7—12月流腮发病率并与实际值比较,采用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）评价模型拟合及预测效果。结果 SARIMA（0,1,1）（0,1,1） ₁₂为最优SARIMA模型。SARIMA模型、组合模型A和组合模型B拟合的MAPE 分别为15.724%、12.217%、13.941%,MER分别为15.168%、10.179%、14.042%,MSE分别为0.336、0.167、0.713,MAE分别为0.296、0.199、0.274。预测的MAPE 分别为12.069%、7.904%、9.598%,MER分别为12.331%、7.872%、10.636%,MSE分别为0.022、0.013、0.025,MAE分别为0.138、0.088、0.119。结论 考虑时间因素的SARIMA-RBF组合模型为最优拟合及预测模型,具有良好推广应用价值。     

ARIMA模型预测2018－2019年我国肺结核发病趋势的应用

目的 应用自回归移动平均（autoregressive integrated moving average,ARIMA）模型对我国2018－2019年肺结核发病情况进行预测,为肺结核防控工作提供参考依据。方法 收集2005年1月至2017年12月中国肺结核月发病数据,使用R 3.4.4软件基于2005年1月至2017年6月肺结核月发病数据建立ARIMA模型,比较2017年7－12月预测数据和实际数据以进行模型预测性能的检验,并预测2018－2019年肺结核发病数情况。结果 2005－2017年共报告肺结核患者13 022 675例,发病数呈逐年下降趋势,2017年肺结核患者数较2005年下降了33.68%,且季节性明显,每年冬春交界之时发病数较高。根据2005年1月至2017年6月肺结核月发病数据拟合出了ARIMA（0,1,2）（0,1,0）₁₂模型,该模型拟合的2017年7－12月的预测值与实际值的相对误差范围是1.67%～6.80%,预测2018年和2019年发病数分别为789 509例和760 165例。结论 ARIMA（0,1,2）（0,1,0）₁₂模型对我国肺结核发病数的拟合效果较好,可用于我国肺结核的短期预测和动态分析,具有较好的应用价值。     

基于SARIMA - SVR模型的喀什地区流行性腮腺炎的流行趋势预测

目的 利用季节性自回归滑动平均模型（seasonal autoregressive integrated moving average，SARIMA）、支持向量回归模型（support vector regression， SVR）对喀什地区流行性腮腺炎( mumps)的月发病数进行预测，在上述两模型的基础上建立SARIMA - SVR组合模型，提高预测的精准度，为控制新疆喀什地区2021年流腮传播趋势提供科学预测。方法 以喀什地区2005年1月—2017年12月的流腮月发病数据为训练集，进行数据的拟合以及预测模型的训练，分别建立SARIMA、SVR、SARIMA - SVR组合模型。对2018年1月—2020年12月的流腮月发病数进行预测，并与实际值相比较，采用均方根误差(root mean square error，RMSE)衡量模型预测性能。结果 ARIMA(2，1，1)(0，0，1)12为最优的SARIMA模型，建立的SARIMA、SVR、SARIMA - SVR组合模型预测2018年1月—2020年12月的喀什地区流腮月发病数的RMSE分别为:9.611、9.545、3.427。结论 SARIMA - SVR组合模型对喀什地区流腮的预测精度高于单一预测模型，故选取该模型建立方式，利用2005年1月—2020年12月的喀什地区流腮月发病数据预测该地区2021年的月发病数。     

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。     

基于径向基函数神经网络的口岸鼠密度动态预测

目的建立口岸鼠密度变化的动态模拟径向基函数神经网络模型,分析预测效果。方法监测鼠密度,分析鼠密度与气象因子相关性,运用多元回归方程分析气象因子对鼠密度的影响,建立鼠密度变化的动态模拟径向基函数神经网络模型,分析模型的准确性。结果建立的模型的训练准确率为91.34%,检验准确率为91.17%,测试准确率为89.03%,平均准确率为90.51%。模型认为自变量的重要性排序依次为月均最低气温、月均相对湿度、日照、降水量。结论径向基函数神经网络技术能够较好地应用到鼠密度动态预测工作中,为口岸鼠类防控提供了科学依据。     

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...