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。     

SARIMA模型在山西省手足口病发病预测中的应用

目的探讨季节性自回归移动平均模型（seasonalautoregressiveintegratedmovingaverage,SARIMA）在山西省手足口病发病预测中的应用，并利用该模型预测山西省手足口病发病趋势。方法 选取山西省2008年1月—2020年12月的手足口病月发病率构建SARIMA预测模型，选取2021年1—12月手足口病月发病率进行内部验证，评价模型预测效果，进一步预测山西省2022年的手足口病月发病率。结果 每年5—7月为山西省手足口病发病主高峰期，10—11月为次高峰期。SARIMA (1,0,1)(2,1,1)12模型能较好地对山西省手足口病的发病率进行拟合和预测，该模型拟合的均方根误差值为2.92/10万，平均绝对比例误差值为0.51/10万，以及标准化的赤池信息准则（akaike information criterion,AIC）值为755.36。利用该模型对山西省2021年1—12月手足口病月发病率进行预测，将预测值与实测值比较，其拟合的均方根误差值为1.59/10万、平均绝对误差值为1.09/10万。2022年山西省手足口病预测月发病率依次为0.63/1...     

SARIMA-SVR组合模型在痢疾发病数预测的应用研究

目的 探讨季节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)及SARIMA-SVR组合模型在全国痢疾发病数预测中的应用效果，为痢疾的防控工作提供科学依据。方法 采用2010—2021年我国痢疾月发病数作为训练集，应用Python软件构建SARIMA模型、SVR模型和SARIMA-SVR组合模型，预测2022年1至8月痢疾月发病数趋势，并将其与实际资料进行对比，采用均方根误差(root mean squares error,RMSE)和平均绝对误差(mean absolute error,MAE)衡量模型间的预测效果。结果 2010—2021年各年份痢疾发病率的差异有统计学意义(χ²=30.747,P<0.001)，总体呈下降趋势(χ²趋势=30.639,P趋势<0.001)。全国痢疾发病趋势具有季节性，其中发病数前3顺位的分别为7月(246 755例，14.58%)...     

SARIMA模型和Holt-winters模型在我国丙肝月报告发病人数预测中的应用比较

目的 分析2013-2019年我国丙型病毒性肝炎（丙肝）发病趋势，探讨比较SARIMA模型和Holt-winters模型在我国丙肝发病序列预测中的应用。 方法 基于2013-2018年我国丙肝月发病数据拟合建立SARIMA模型和Holt-winters模型，采用2019年1月-12月发病数据验证两种模型预测效果。 结果 SARIMA模型最优模型为ARIMA(2,1,4)(2,1,2)12，预测平均误差百分比（MAPE）为4.447%，Holt-winters模型最优模型为相加模型，预测平均误差百分比（MAPE）为2.958%。 结论 Holt-winters相加模型预测精度相对较高，可用于我国丙肝发病人数的预测。     

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。     

BPNN神经网络模型和SARIMA模型在荆州市乙类传染病发病数中的预测效果比较

目的 评价BPNN神经网络模型和季节性差分自回归滑动平均模型(seasonal autoregressive integrated moving average,SARIMA)在乙类传染病发病数中的预测效果.方法 利用荆州市2005年1月—2017年12月的乙类传染病逐月发病数作为拟合数据,建立BPNN神经网络模型和S...     

2012-2018年湖北省流行性腮腺炎流行病学特征和短期发病预测北大核心

目的分析2012-2018年湖北省流行性腮腺炎(流腮)流行病学特征,预测流腮短期发病趋势。方法通过中国疾病预防控制信息系统收集湖北省2012-2018年流腮病例,描述性分析流行特征;通过构建季节性自回归移动平均模型(SARIMA)预测2019年流腮发病率。结果2012-2018年湖北省共报告流腮105420例,年均发病率为25.84/10万(2012年vs 2018年:44.98/10万vs 26.31/10万);发病呈4-7月、12月-次年1月两个高峰;<15岁儿童病例占86.39%;各地市年均报告发病率在11.86/10万-249.03/10万之间。拟合的最优SARIMA模型为ARIMA(2,1,1)(1,1,0)[12],据此预测2019年湖北省流腮发病率为28.62/10万,平均相对误差为5.21%。结论2012-2018年湖北省流腮发病呈下降趋势;拟合的SARIMA模型对流腮短期发病趋势的预测效果较好。     

ARIMA-MLP与ARIMA-RBF模型在流行性腮腺炎发病预测中的应用

目的 探索流行性腮腺炎月发病数的最佳预测模型,为流腮发病的预测和预警提供理论依据.方法 使用SPSS18.0软件,分别采用单纯自回归移动平均模型(ARIMA模型)、自回归移动平均-多层感知器神经网络模型(ARIMA-MLP组合模型)及自回归移动平均-径向基函数神经网络模型(ARIMA-RBF组合模型)对陕西省2009-2014年流腮月发病数进行拟合,找出最佳预测模型.结果 单纯ARIMA模型拟合优度R2值为0.831,平均绝对误差(MAE)值为267.49;ARIMA-MLP组合模型的R2值为0.881,MAE值为208.01;ARIMA-RBF组合模型的R2值为0.898,MAE值为205.82.结论 ARIMA-RBF组合模型对陕西省流腮月发病数预测效果最佳,可以为流腮发病的预测、预警提供理论依据.     

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...     

α-Sutte、SARIMA及其组合模型在甲肝发病率预测中的应用效果比较

目的 比较α-sutte、SARIMA及其组合模型(SutteSARIMA)在甲肝发病率预测中的应用效果,为优化甲肝预测模型提供参考。方法 收集2004—2017年全国甲肝逐月发病率数据。以2004年1月—2017年6月数据作为训练集,2017年7—12月数据作为测试集。利用训练数据分别训练α-sutte、SARIMA及SutteSARIMA模型。利用训练模型预测2017年7—12月发病率,并与测试集比较。采用平均绝对误差百分比(Mean Absolute Percentage Error, MAPE),平均绝对误差(Mean Absolute Error, MAE),均方根误差(Root Mean Squared Error, RMSE)和平均误差率(Mean ErrorRate, MER)评价模型拟合及预测效果。结果 α-sutte、SutteSARIMA模型残差均在0附近波动。α-sutte、SARIMA及SutteSARIMA模型拟合的MAPE、MAE、RMSE、MER依次为7.68%、0.02、0.03、6.34%,12.10%、0.03、0.05、12.18%,7.72%、...     

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。     

2020年南宁市流行性腮腺炎ARIMA模型预测研究

目的 建立自回归移动平均模型(auto-regressive integrated moving average,ARIMA)预测南宁市流行性腮腺炎的发病率,为防控流行性腮腺炎提供理论依据. 方法 采用SPSS 23.0软件,使用南宁市2013年1月-2019年6月流行性腮腺炎月发病率建立ARIMA模型,运用2019年...     

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。     

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。     

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。     

基于Python语言的ARIMA模型在天津市结核病发病率预测中的应用

 目的 探讨差分自回归移动平均（ARIMA）模型在结核病发病率预测中的可行性。方法 基于Python语言的statsmodels模块,以天津市2004年1月—2015年12月结核病月发病率数据作为训练集建立最优季节性差分自回归移动平均（SARIMA）模型,以2016年1—12月数据对SARIMA模型进行效果评价,并对2017年1月—2019年12月天津市结核病月发病率进行预测。结果 流行病学结果显示,2004年1月—2015年12月天津市结核病月发病率总体呈下降趋势。2005—2008年出现一个发病高峰,2009年后大幅度下降,随后趋于平稳。2017年1月—2019年12月天津市结核病月发病率与往年相比平稳下降。建立的最佳模型为SARIMA（1,1,1）×（3,1,1）₁₂,该模型残差BOX-Ljung统计量P值为0.493,提示残差为白噪声序列,模型拟合良好。预测结果实际值均在预测值的95%置信区间。结论 SARIMA（1,1,1）×（3,1,1）₁₂模型可对天津市结核病月发病率进行较准确的预测。