应用时间序列分析法在医院双胎妊娠情况统计中的预测研究

目的探索时间序列分析法ARIMA预测模型在医院双胎妊娠情况统计中的应用。方法运用时间序列分析法ARIMA模型预测医院双胎妊娠情况的发展趋势。结果建立ARIMA(3,1,1)(1,1,1)模型,预测医院未来2年在双胎妊娠情况中有向上的趋势性和季节性,预测数据在5月、8月和12月双胎妊娠情况中呈现高峰。结论 ARIMA(3,1,1)(1,1,1)模型可以较好的拟合2009-2012年湖南省妇幼保健院双胎妊娠情况统计的时间变化趋势。应用时间序列分析法ARIMA模型在医院双胎妊娠情况统计的预测研究精度较高,是一种理想的研究方法,能够为医院管理提供科学依据。     

应用ARIMA模型对季度入院人次的预测

[目的]用ARIMA季节乘积模(p,d,q) (P,D,Q)s对季节性时间序列资料建模并预测.[方法]用Box-Ljung统计量评价ARIMA模型的拟和度,用平均预测相对误差作为预测效果的评价指标.[结果]对所分析的季节性时间序列建立了乘积ARIMA(0,1,1) (0,1,2)S模型,平均预测相对误差为6.50%.[结论]用所建立模型对入院人次进行预测,结果表明ARIMA是一种预测精度较高的预测模型.     

应用时间序列模型预测麻疹疫情

目的 应用时间序列模型中的自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA),分析麻疹发病,为麻疹的预警预测提供科学依据.方法 利用吉林省麻疹监测系统3年来麻疹月发病数,采用SPSS统计软件中ARIMA数学模型,通过残差分析方法建立麻疹疫情ARIMA预测模型.结果 吉林省麻疹时间序列(经Ljung-Box检验,P=0.96)符合ARIMA(1,0,1)模型,且模型检查自相关系数在±0.5之间,预测值与观测值具有较高的吻合度.结论 麻疹ARIMA模型对麻疹疫情预测有较好效果.     

时间序列分析(自回归求和移动平均模型)在流行性乙型脑炎预测中的应用

目的探讨时间序列分析[自回归求和移动平均(Autoregressive Integrated Moving Average,ARIMA)模型]在流行性乙型脑炎(乙脑)预测中的应用,建立乙脑报告发病数的预测模型,预测2010年乙脑发病趋势。方法使用2003年1月～2009年12月中国疾病监测信息报告系统中的乙脑报告月发病资料,使用SPSS软件专家建模器,考虑季节因素建立ARIMA预测模型,并用所得模型对2010年全国乙脑报告发病数进行预测。结果 ARIMA(0,0,1)(0,1,1)12模型能较好地拟合时间序列,2010年乙脑预测病例数为4579例,高峰仍在7、8月份。结论该ARIMA模型可较好地拟合乙脑发病的时间序列趋势;与2009年比较,预测2010年乙脑报告发病数相对平稳。     

基于时间序列模型对甲型病毒性肝炎的预测研究

目的探讨时间序列模型在甲肝发病预测的应用,为下一步采取防控措施提供科学依据。方法基于宜昌市2005-2015年逐月甲肝发病率建立两种模型,对2016年甲肝的发病率进行预测,并将预测值与实际值进行拟合评价。结果 ARIMA模型首先要求数据平稳,宜昌市的甲肝发病存在季节性波动,为不平稳序列,但2010年之后数据较为平稳,经对2010-2015年甲肝月发病率进行季节性差分、差分处理,新数列为平稳序列(游程检验法Z=1.447,P=0.148),然后进行参数估计(BIC=-4.293)和白噪声检验(Q=22.150,P=0.138),据此建立ARIMA模型,ARIMA(0,0,1)(0,1,1)12模型为最优模型,能较好的模拟甲型病毒性肝炎的发病。结论 ARIMA(0,0,1)(0,1,1)12模型能较好的模拟甲肝发病在时间序列的变化趋势,为制定科学的防控措施和策略提供依据。     

三门湾宁波区域核电站运行前放射性本底的监测分析

目的了解三门湾宁波区域核电站运行前环境辐射水平和环境介质放射性水平,建立环境本底分布基线资料。方法通过现场监测和实验室检测获取核电站宁波区域30 km范围内环境γ外照射剂量率和生物介质(水源水、农产品、水产品和晨尿)的放射性水平基线数据。结果原野环境γ外照射剂量率的平均值为86.47 n Gy/h±5.25 n Gy/h,距核电站10 km监测区域环境γ外照射剂量率低于10 km以上的区域。不同季节原野γ外照射剂量率比较差异无统计学意义(P0.05)。居民晨尿中放射性核素3H和137Cs监测值分别为1.716 Bq/L±0.654 Bq/L和1.037 Bq/L±0.038 Bq/L,农产品检出值均远小于国家标准中对食品中放射性物质的限值要求,水源水样品总放射性指标符合国家饮用水标准。结论建立监测区域核电站运行前放射性本底背景值,为核电站运行后三门湾宁波区域的长期监测和数据比对提供参考。     

用时间序列分析对黄浦区流感样病例就诊百分比建模并评价预测效果

目的利用时间序列分析对黄浦区流感样病例(ILI)就诊百分比建模并评价预测效果。方法通过国家流感监测信息系统收集黄浦区2011年第1周—2014年第52周的ILI就诊百分比,利用SAS 9.3软件对数据建立最优ARIMA模型,利用2015年第1周—第6周的ILI就诊百分比对已建立的ARIMA模型进行预测效果评价。结果对ILI就诊百分比预处理发现序列为平稳非白噪声序列,最终建模为ARIMA(1,0,0),模型残差为白噪声序列,真实值均在预测值95%可信区间内。结论 ARIMA(1,0,0)模型可用于黄浦区ILI就诊百分比的预测。     

ARIMA模型预测上海市闸北区手足口病发病趋势

目的应用季节性时间序列ARIMA模型建立手足口病发病趋势预测,为预警、早期防控手足口病流行提供依据。方法应用SPSS13.0对2002年4月-2011年3月8年的手足口病逐月发病率建立ARIMA模型。结果通过对参数和模型的拟合优度检验以及残差白噪声序列的检验,最终确定模型为ARIMA(1,0,0)(2,1,0)12,其中AIC=235.855,BIC=245.942,LB统计量检验残差序列为白噪声序列。结论模型能够有效地预测手足口病发病趋势,对预警预测产生积极的指导作用。     

应用ARIMA模型对甲型病毒性肝炎疫情预测的研究

目的探讨时间序列ARIMA模型在浙江省甲型病毒性肝炎疫情预警应用中的可行性。方法利用EViews5.0、SPSS13.0等统计软件对历年疫情资料汇编,《国家疾病报告管理信息系统》报告的浙江省甲肝按月发病数建立ARIMA模型。结果对甲肝发病数序列建立季节模型为ARIMA(1,0,0)(0,1,1)12,对2009年甲肝按月发病疫情拟合较好,能够及时、准确对疫情进行跟踪。结论 ARIMA模型能够较好应用于短期甲肝预测、预警,为疫情防控提供科学依据。     

基于时间序列分析法的医院月门诊量预测模型

目的 分析影响医院月门诊量的主要因素,提高医院月门诊量预测工作准确性,提高科学预见性. 方法 采用X-11季节调整方法、引入虚拟变量拟合趋势直线方程,剔除趋势后建立ARIMA模型,预测医院的各月门诊量,并与月门诊量时间序列直接建立的ARIMA模型进行比较. 结果 趋势模型3个参数的拟合系数均很显著,以残差序列所建立的ARIMA模型的参数也均是显著的. 结论 剔除季节因素和趋势因素建立的ARIMA模型,对时间序列进行拟合的结果远远优于直接对月门诊量建立的ARIMA模型的拟合结果.ARIMA模型更适合于做短期预测,对剔除季节因素和趋势因素的平稳时间序列以ARMA模型拟合后,再合成季节因素和趋势因素的模型所做的中长期预测精度高.     

探讨ARIMA模型在细菌性痢疾发病预测中的应用

目的 探讨时间序列分析方法中ARIMA模型在细菌性痢疾发病预测方面的应用,验证分析模型的可行性与适用性.方法 利用海南省2000年1月～2009年12月细菌性痢疾发病资料,拟合ARIMA模型,对海南省细菌性痢疾2010年1～9月各月发病率进行预测评价.结果 建立ARIMA(1,0,0)模型,预测结果基本符合实际发病率变动趋势,验证了该模型的可用性.结论ARIMA模型可用于模拟细菌性痢疾发病在时间序列上的变化趋势,进行短期预测.     

自回归移动平均混合模型在中国道路交通伤害预测中的应用

探讨时间序列分析的自回归移动平均混合模型(ARIMA)在中国道路交通伤害(RTI)预测中的应用。收集1951-2011年中国道路交通伤害资料, 进行时间序列分析, 建立ARIMA模型。构建得到RTI事故起数ARIMA(1, 1, 0)预测模型为Yt=eY+0.456Y+e, 其中, et为随机误差, 模型残差序列为白噪声, Ljung.Box检验P>O.05, 统计量无统计学意义, 拟合效果良好。应用该模型预测2011年中国RTI事故起数, 预测值与实际观测结果相符, 实际观测值在预测值95%CI内。用该模型预测2012年中国RTI事故起数, 预测值(95%c, )为207838(107579～401536)。应用ARIMA模型能较好地预测中国道路交通伤害情况。     

肾综合征出血热发病率的小波预测模型

目的 建立季节性水平变化趋势时间序列小波预测模型，提高肾综合征出血热(HWRS)发病率的预测步长及精度。方法 对原始序列进行多层小波分解，分解后的各层分别用自回归滑动平均(ARIMA)模型进行预测，将各层的预测值合并作为原序列的最终预测值。结果 小波预测模型4步预测精度为82.45％，而ARIMA建模的4步预测精度为67.97％。结论 用小波预测模型对水平变化趋势的HWRS作短、中期预测是有效、可行的。     

2008—2015年田湾核电站周围环境气溶胶中总α与总β监测

目的掌握核电站周围环境介质放射性水平,逐步建立健全核电站周围放射性监测预警网络。方法依据国家相关放射性检测标准与规范,确定监测项目和频度开展监测。结果 2008-2015年,连云港与南京两地气溶胶样品的总α、总β浓度范围及8年总平均值均相当接近,两地气溶胶样品的总α、总β浓度随季度无明显变化,且两地的年度变化趋势也基本保持一致。结论田湾核电运行以来,其外围环境中气溶胶总α、总β放射性水平未见升高。     

ARIMA模型及其在肺结核预测中的应用

[目的]探讨应用时间序列ARIMA模型进行肺结核发病率预测的可行性,为结核病防治提供科学依据.[方法]对重庆市1997～2005年肺结核发病率建立ARIMA模型,并对预测效果进行评价.[结果]ARIMA (1,0,0)×(0,1,1)12模型很好地拟合了既往时间段上的发病率序列,对2005年各月发病率的预测值符合实际发病率变动趋势.[结论]ARIMA模型能很好地模拟肺结核发病率的变动趋势,预测效果可信,能为肺结核的防治工作提供科学依据.     

1997-2016年宿迁市麻风流行趋势及时间序列分析

目的建立宿迁市麻风流行预测模型。方法收集1997-2016年历年麻风病季报表、全国麻风病防治管理信息系统(lepmis)中数据,建立宿迁市麻风季度患病数时间序列,应用ARIMA乘积季节模型建模,用2016年数据检验模型,并开展2017年疫情预测。结果宿迁市1997—2015年麻风季度患病数ARIMA最优模型为ARIMA(1,0,0)(2,1,0)4,2016年麻风各季度期间患病数真实值落在根据该模型预测值95%可信区间范围内。结论建立的ARIMA模型,可有效预测麻风流行形势,为麻风病防控决策提供科学依据。     

ARIMA模型在新疆流感样病例占门急诊病例百分比预测中的应用

目的探讨应用时间序列自回归滑动平均求和模型(ARIMA)在建立流感样病例占门急诊病例百分比(ILI%)预测模型方面的应用。方法利用新疆2012—2014年每周17家哨点医院的ILI占门急诊病例百分比(ILI%)数据建立ARIMA模型,拟合ILI%的变化趋势,用残差序列分析进行模型诊断,并对2015年1~26周(上半年)ILI%进行预测,来评价ARIMA模型的预测效果。结果 2012—2014年新疆的ILI%是周期性变化,经模型诊断发现ARIMA(1,0,1)(0,1,0)52模型为最优模型,通过对2015年1~26周数据的外推,预测值与实际值的平均相对误差为8.75%,且实际值均在预测值的95%可信区间内,实际值与预测值变动趋势一致。结论 ARIMA模型可对ILI%进行很好的拟合,可作为新疆维吾尔自治区ILI%短期预测模型。     

差分自回归移动平均模型在伤害预测中的应用

目的探讨差分自回归移动平均（ARIMA）时间序列模型在伤害预测中的应用,建立伤害发生率预测模型。方法利用伤害监测系统,收集城阳区2006~2012年伤害月病例数,建立ARIMA模型。结果ARIMA（1,0,0）（0,1,1）12模型可以较好拟合伤害月发病率时间序列。利用ARIMA模型预测2013年伤害发生率为253．93／万。结果ARIMA模型具有适用性,可以用于伤害短期预测。     

三门核电站宁海毗邻区域辐射水平本底调查

目的了解三门核电站运行前宁海毗邻区域环境γ辐射剂量和环境介质的放射性水平,建立环境辐射本底基线数据。方法采用碘化钠闪烁体探测法和热释光累积剂量法测定监测区域环境γ外照射剂量率和环境辐射累积剂量,采用低本底α/β探测装置测定监测区域水源水总α和总β辐射剂量,食品样品放射性核素采用γ能谱仪测定。结果监测区域居民人均年有效剂量为0.928 mSv;原野γ外照射剂量率为(98.32±21.08)nGy/h;环境辐射年累积剂量为(1.040±0.044)mSv。原野γ外照射剂量率和环境辐射累积剂量均有季节性差异。20 km范围内监测区域环境γ外照射剂量率和环境辐射累积剂量与10 km和30 km范围的测量结果差异无统计学意义。食品样品放射性核素检出值均远小于国家标准,水源水样品总放射性指标符合国家饮用水标准。结论三门核电站宁海毗邻区域放射性本底在正常水平范围内,环境放射性本底有季节性差异。本次调查为三门核电站运行前宁海毗邻区域放射性本底建立了基线数据,~(90)Sr、~(137)Cs、~(131)I等人工放射性核素是今后食品样品监测的重点。     

基于小波分析的手足口病时间序列预测

目的构建基于小波分析的自回归移动平均(ARIMA)模型预测手足口病流行,提高预测精度。方法使用2010-2015年郑州市疾控中心手足口病监测数据,构建基于小波分析的ARIMA模型进行预测,用2016年数据进行验证,并与单纯的ARIMA模型进行比较。结果构建的基于小波分解一层的ARIMA模型为ARIMA(0,1,3)(2,1,0)_(52),矫正后的AIC=2747.82,残差序列的ACF、PACF图示残差序列无自相关,Box-Ljung test统计量为0.9177,P=0.34,认为该残差为白噪声序列,模型拟合良好。预测2016年发病趋势与实际较为相符,均方根误差RMSE(root mean square error)、平均绝对误差MAE(mean absolute error)、平均绝对百分比误差MAPE(mean absolute percentage error),分别为49.42、26.45、15.75(训练集拟合)和275.84、219.90、72.95(验证集预测),除了验证集MAPE外,均小于单一的ARIMA模型。结论基于小波分析的ARIMA模型可用于手足口病时间序列预测,拟合和预测性能较单一的ARIMA模型好。