用三维自回归趋势面模型预测HFRS的时空动态趋势

目的探讨三维自回归趋势面模型技术在HFRS时-空动态分析预测中的应用价值。方法在二维自回归趋势面模型基础,通过加入时间变量t,构造三维自回归趋势面模型,结果获得三维自回归趋势面模型及其建模方法。结论该模型不仅可分析HFRS的空间趋势,而且可预测其空间趋势的时间变化特征。     

应用灰色摆动模型预测沈阳市肾综合征出血热的流行趋势

目的应用灰色摆动模型预测沈阳市肾综合征出血热(HFRS)发病趋势,以期为相关部门科学合理的制定HFRS防制策略提供理论依据。方法根据1984-2004年沈阳市HFRS发病率数据建立灰色摆动模型GM(1,1,sinω),并作拟合精度检验;采用平均误差率(MER)来评价样本的拟合与预测效果,进而预测沈阳市HFRS发病趋势及下一个发病高峰年。结果GM(1,1,sinω)预测模型为:■ω(1)(k 1)=-158.4104e-0.0444k 162.6622 11.7276sin2kπ/21 5.6982cos2kπ/21,经拟合精度检验,模型拟合精度较好(C=0.3912,P=0.9048),其拟合MER为20.34%,预测值的MER为14.3%,模型的拟合与预测效果均令人满意。利用本模型预测2008～2010年HFRS发病率分别为:3.89/10万、2.65/10万、1.39/10万,发病呈逐年下降趋势,而下一个发病高峰年在2025年,发病率为5.05/10万。结论本模型较好的拟合了沈阳市HFRS发病趋势,预测结果具有一定的参考价值。在未来沈阳市HFRS发病率总体上呈下降趋势,估计在2019年其发病率呈现上升趋势至2025年达到高峰,提示相关部门根据发病趋势相应调整制定有针对性的防制措施。     

细菌性痢疾自回归滑动平均和非线性自回归组合模型预测研究

目的 探讨单纯自回归滑动平均(autoregressive integrated moving average,ARIMA)模型与ARIMA和非线性自回归(nonlinear autoregressive,NAR)组合模型在细菌性痢疾预测中的应用.方法 利用江苏省2004年1月至2015年2月的细菌性痢疾数据作为拟合样本,以2015年3月至2016年5月的数据作为预测样本;建立的模型分别为单纯ARIMA模型和ARIMA-NAR组合模型,然后根据2个模型的平均绝对误差(mean absolute error,MAE)、均方误差(mean square error,MSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)比较模型的效果,其值越小模型效果越好.结果 在模型的拟合阶段,单纯ARIMA模型的MAE、MSE和MAPE分别为0.177 5、0.081 4和0.184 7,ARIMA-NAR组合模型分别为0.094 1、0.029 5和0.104 6.在模型的预测阶段,单纯ARIMA模型的MAE、MSE和MAPE也分别大于ARIMA-NAR组合模型.结论 ARIMA-NAR组合模型对于江苏省细菌性痢疾发病率时间序列的预测效果优于单纯ARIMA模型.建议尝试使用ARIMA-NAR组合模型预测细菌性痢疾的发病率.     

自回归模型在黄瓜霜霉病预测中的应用

目的:探索黄瓜霜霉病发病趋势自回归模型.方法:借鉴传染病常微分SIR模型理论,构造含二次项的黄瓜霜霉病发病趋势自回归曲线模型;用一组黄瓜霜霉病时间序列模拟自回归模型参数,再用另一组黄瓜霜霉病序列进行验证.结果:黄瓜霜霉病一阶自回归模型为I(t 1) =0.006 1I(t)(100-I(t)) 0.996 5I(t) 0.908 4,模型的拟合优度检验为:残差平方和为133.168 7,决定系数为0.989 7,根均方误差为4.080 0.一阶自回归模型拟合优度高于二阶自回归模型.结论:模型拟合效果较理想,可以利用该模型对只有发病状况的黄瓜霜霉病时间序列进行预测.     

GM(1,1)灰色模型和ARIMA模型在HFRS发病率预测中的比较研究

目的对GM(1,1)模型和ARIMA模型在肾综合征出血热(HFRS)发病率预测中的效果进行比较。方法利用1990-2001年辽宁省、丹东市和沈阳市HFRS的发病率分别建立GM(1,1)灰色预测模型和ARIMA模型,对建立的模型进行拟合。同时,对2002年3个地区的HFRS发病率进行预测,比较2个模型的拟合和预测效果。结果针对辽宁省HFRS发病率建立的GM(1,1)模型和ARIMA模型的平均误差率(MER)分别为13.5143%、25.0814%;决定系数(R2)分别为0.8961、0.6997。针对丹东市HFRS发病率建立模型的MER分别为19.7329%、20.6275%;R2分别为0.8112、0.7628。针对沈阳市HFRS发病率建立模型的MER分别为15.1421%、18.0584%;R2分别为0.8757、0.7889。结论GM(1,1)模型对于小样本以及隐含指数函数变化趋势的资料具有明显的预测优势,预测效果优于ARIMA模型,对解决时间序列类型的HFRS发病率等资料有很好的实用价值。     

紫外线照射充氧自血回输治疗HFRS并ARDS

目的：探讨紫外线照射充氧自血回输治疗肾综合征出血热（HFRS）并呼吸窘迫综合征（APDS）的疗效。方法：123例HFRS少尿期并ARDS患者随机分为未透析组45例，未透析且行紫外线照射充氧自血回输（UBIO）治疗组25例，透析未行UBIO21例，透析且行UBIO32例。以上各组均在相应治疗的基础上，采取吸氧，地塞米松、莨菪碱类药物及预防感染等措施。结果：未透析且行UBIO组和透析且行UBIO组的治愈率 明显高于未透析组和透析未行UBIO组（P＜0．05）。结论：UBIO治疗HFRS少尿期并ARDS患者的效果好。     

指数曲线模型在传染病预测中的作用

采用指数曲线模型预测本市１９８５－１９９６年ＨＦＲＳ年发病率，结果ＨＦＲＳ发病率理论下降趋势同实际下降趋势基本吻合，表明指数曲线模型适用部分传染病年发病率的预测。     

3种模型在肾综合征出血热发病率拟合预测中的比较研究

目的探讨3种不同的模型在肾综合征出血热(HFRS)发病率拟合预测中的应用,并选用合适的模型预测HFRS在该地区未来的发病趋势,为合理调配HFRS防治的卫生资源提供科学依据。方法采用灰色GM(1,1)模型、自回归模型、ARIMA模型对1990～2007年沈阳市HFRS的发病率资料进行数据拟合,并比较3个模型的拟合效果,选择最优模型预测沈阳地区未来几年的HFRS发病趋势。结果针对沈阳市HFRS发病率建立的GM(1,1)模型、自回归模型和ARIMA模型的平均误差率(MER)分别为52.76%、20.53%和6.75%,R2分别为0.466、0.945和0.991;预测在2012年前后沈阳市HFRS发病将会出现一个高峰,达到4.4035/10万。结论对于隐含波动周期并且不稳定的循环型时间序列,无论拟合还是预测,ARIMA模型的效果都优于灰色GM(1,1)模型和自回归模型。目前沈阳市HFRS正处于发病率的低谷期,预测未来几年呈上升趋势,应引起注意。     

应用ARIMA模型预测宜昌市手足口病的发病趋势

目的探讨ARIMA模型在宜昌市手足口病发病预测中的应用,为进一步采取干预措施提供科学依据。方法基于宜昌市2008~2013年手足口病发病率的数据建立一个原始时间序列,采用求和自回归移动平均模型(ARIMA模型),对2014年手足口病的发病率进行预测。结果 ARIMA(0,0,1)(1,1,0)12为最优模型,宜昌市手足口病的实际值与预测值及其95%置信区间基本一致,ARIMA模型的拟合效果较好。结论手足口病在临床上具有很高的发病率,常易引起托幼机构、学校等聚集场所的暴发流行,严重时可引起患儿死亡,对婴幼儿的影响较大,ARIMA模型能较好地模拟宜昌市手足口病发病在时间序列的变化趋势,为制定防控措施和策略提供科学的依据。     

指数平滑灰色预测模型在HFRS发病率预测中的应用

目的探讨肾综合征出血热（HFRS）发病率的预测方法,为合理调配肾综合征出血热防治的卫生资源提供依据。方法以1990～2001年辽宁省、丹东市和沈阳市HFRS的发病率为内样本建立指数平滑灰色预测模型I-GM（1,1）,对2002年3个地区的HFRS发病进行预测,评价该模型的拟合和预测效果;并对3个地区未来几年的发病趋势进行预测。结果针对辽宁省HFRS发病率所建I-GM（1,1）模型的平均误差率（MER）和决定系数R2分别为14．73％,0．8573;针对丹东市HFRS发病率所建I-GM（1,1）模型的MER和R。分别为20．00％和0．8010;针对沈阳市HFRS发病率所建I-GM（1,1）模型的MER和R。分别为22．62％和0．8936。结论与GM（1,1）模型相比,指数平滑灰色预测模型I—GM（1,1）在预测疾病流行趋势方面是更加合理的选择;辽宁省HFRS发病率呈上升趋势,应采取有效的措施预防HFRS的发病。     

自回归移动平均模型在恙虫病预测中的应用研究

目的探索基于季节性差分的自回归移动平均模型(ARIMA模型)在恙虫病预测应用的可行性。方法搜集中国疾病预防控制信息系统中的恙虫病发病资料,应用SPSS 17.0软件中的ARIMA模型,对北京市平谷区2010-2015年的恙虫病病例发病时间建立模型并拟合,根据模型对2016年的发病数做出预测。结果北京市平谷区恙虫病发病呈现逐年上升趋势,具有明显的季节性和周期性,每年的10月为发病高峰,经选取最优模型为ARIMA(1,2,2)(2,1,0)12,其平稳的R2=0.889,BIC=5.460,Ljung-Box Q检验,P=0.428,残差序列为白噪声序列。结论利用监测数据建立时间序列是预测传染病发展趋势的一个重要手段,此次建立的ARIMA模型对北京市平谷区恙虫病发病值及预测值拟合较好,可以作为恙虫病短期发病预测手段。     

指数曲线模型在传染病预测中的作用

采用指数曲线模型预测本市1985－1996年HFRS年发病率（值）．结果HFRS发病率理论下降趋势同实际下降趋势基本吻合，表明指数曲线模型适用于部分传染病年发病率的预测。     

自回归求和移动平均模型在湖南省食物中毒预测中的应用

目的：探索自回归求和移动平均模型(autoregressive integrated moving average, ARIMA) 在湖南省食物中毒预测中的应用,为食物中毒的预防和控制提供依据。方法：收集2003 年1 月至2009 年12 月湖南省食物中毒人数进行ARIMA 模型拟合,用2010 年的中毒资料验证模型的预测效果,并预测2011 年湖南省食物中毒人数。 结果：ARIMA(0,1,1)(0,1,1)₁₂ 较好地拟合了既往时间段中毒人数的时间序列,拟合预测误差为9.59%,2011 年湖南省食物中毒预测人数为834 人。 结论：ARIMA 预测模型能较好地拟合短期内食物中毒人数在时间序列上的变化趋势,若用于长期预测,应根据长期监测数据不断调整模型参数。     

2014-2019年深圳市肾综合征出血热疫情流行特征及趋势预测分析

目的 分析2014-2019年深圳市肾综合征出血热(hemorrhagic fever with renal syndrome,HFRS)流行特征及规律,并探讨季节性求和自回归移动平均模型(Seasonal Autoregressive Integrated Moving Average,SARIMA)模型在预测深圳市...     

差分自回归移动平均模型在南通市手足口病疫情预测中的应用

目的:应用差分自回归移动平均模型(ARIMA)预测南通市手足口病疫情趋势.方法:以2010年1月-2019年6月南通市手足口病分月报告病例数据为基础,构建符合季节性时间序列的ARIMA(p,d,q)×(P,D,Q)s模型,用2019年7-12月全市手足口病月发病率为验证数据进行验证,检验模型的预测效果.结果:2010-...     

趋势面分析法在艾滋病地理分布研究中的应用

目的：了解某市艾滋病疫情的地理分布特征。方法以多元回归分析理论为基础,构建趋势面回归数学模型,将不同区县的经纬度坐标及艾滋病感染数据代入模型,并根据模型方程计算结果,通过 A rcG IS软件,绘制趋势面分析图。结果某市艾滋病感染率趋势面回归数学模型有统计学意义（ P＜0．05）,其拟合优度为53．18％。存在异常残差值的地区,应作为重点研究对象,探讨这些地区可能存在的某种保护因素或危险因素。结论该方法可用于分析某市艾滋病疫情的地理分布系统变异和局部变异情况,可为当地艾滋病的疫情防控提供一些线索。     

自回归求和移动平均模型在流感发病预测中的应用

目的探讨应用自回归求和移动平均季节模型(ARIMA)进行流感发病率的拟合和预测,为流感疫情预警提供依据。方法运用统计分析软件对陕西省2008—2014年每月的流感网络报告发病率数据进行模型拟合,建立ARIMA模型,用2015年的数据来检验ARIMA模型的预测效果。结果陕西省2008年1月—2014年12月流感的平均年发病率为0.74/10万,将时间序列分解为总体趋势、季节趋势及随机误差,流感发病整体呈缓慢上升,发病率存在明显的季节性,冬春季出现高峰,随机误差保持在一定水平;ARIMA(0,0,1)×(0,1,1)12模型能较好拟合既往时间段内流感的发病率,且对2015年1—12月流感月发病率的预测值与实际值基本吻合,模型预测值与实际值的绝对误差、相对误差平均值分别为0.18和0.26。结论 ARIMA(0,0,1)×(0,1,1)_(12)模型可以作为陕西省流感月发病率的短期预测模型。     

HFRS疫苗接种血清IL—2和IL—6表达的动态观察

检测疫苗接种后血清ＩＬ－２和ＩＬ－６表达情况。方法ＥＬＩＳＡ双抗体夹心法。结果初次免疫７ｄ与免疫前机体对ＩＬ－２、ＩＬ－６的表达均无差异;再次与加强免疫后与免疫前对ＩＬ２、ＩＬ－６的表达相比较有显著性差异;５６ｄ后检测其ＩＬ－２、ＩＬ－６表达与正常水平。     

应用GM（1，1，sinω）模型预测肾综合征出血热发病率研究

目的探讨GM（1．1,sinω）模型在肾综合征出血热（HFRS）发病率预测的应用。方法利用1984～2004年沈阳市HFRS发病率资料建立GM（1,1）预测模型和GM（1,1,sinω）预测模型,对样本进行拟合和预测并对两者的拟舍和预测效果进行比较。结果GM（1,1）预测模型为X^（1）（k＋1）=-541．5277e^-0.0092k＋551．4778;GM（1,1,sinω）模型为Xω^（1）（k＋1）=-158．4104e^-0.0444k＋162．6622＋11．7276sin2kπ／21＋5．6982cos2kπ／21,GM（1,1,sinω）模型拟合精度较好（C=0．3912,P=0．9048）。GM（1,1）和GM（1,1,sinω）预测模型拟合的平均误差率（MER）分别为50．22％、20．34％;两者的预测MER分别为25．64％、13．10％,无论从拟合效果还是从预测效果来看GM（1,1,sinω）模型xing1,sinω）forecast的MER均低于GM（1,1）模型。结论GM（1,1,sinω）模型克服了传统灰色模型GM（1,1）的局限性,对于波动性较大且具有周期性的资料具有很好的实用价值。