自回归求和移动平均模型在阜阳市手足口病疫情预测预警中的应用

目的探讨自回归求和移动平均模型（autoregressive integrated moving average,ARIMA）在手足口病疫情预测预警中的应用,验证分析模型的可行性与适用性。方法利用安徽阜阳市2009-2013年手足口病发病资料,拟合ARIMA模型,对阜阳市2014年1-3月各月发病情况进行预测评价。结果建立ARIMA（1,2,0）（0,1,0）12模型,预测结果基本符合实际发病变动趋势,验证了该模型的可用性。结论 ARIMA模型可用于模拟手足口病发病在时间序列上的变化趋势,进行短期预测。     

求和自回归移动平均模型在武汉市手足口病疫情预测预警中的应用

目的探讨自回归移动平均模型在手足口病预测预警中的应用。方法利用武汉市2009-2013年手足口病月发病率数据,拟合ARIMA模型,对武汉市2014年1~8月各月发病率进行预测。结果 ARIMA(1,0,0)×(1,1,0)12能很好的拟合武汉市手足口病发病情况,模型预测结果基本符合实际发病变动趋势。结论 ARIMA模型可用于模拟手足口病发病在时间序列上的变化趋势,进行预测预警。     

自回归求和移动平均模型在荆州市手足口病疫情预测预警中的应用

目的应用自回归求和移动平均模型(autoregressive integrated moving average,ARIMA)对荆州市手足口病疫情进行预测预警,验证分析模型的可行性与适用性。方法利用荆州市2009~2015年手足口病发病资料,拟合ARIMA模型,预测2016年各月发病率并与实际值比较。结果 ARIMA(1、0、0)×(1、1、0)12模型预测结果很好地拟合了实际发病率的变动趋势,年发病率误差6.64%,验证了该模型的可用性。结论 ARIMA模型可用于模拟手足口病在时间序列上的变化趋势,进行短期预测预警。SPSS 20.0时间序列分析专家建模器客观、高效、简便,适用于基层疫情分析人员掌握及应用。     

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。     

自回归移动平均模型在预测PM2.5中的应用

目的应用自回归移动平均(Auto-regressive Moving Average Model)模型,建立潍坊市PM2.5的日均浓度预测模型。方法利用潍坊市2013年12月2日至2016年9月9日的历史PM2.5日均浓度数据,采用条件最小二乘法确定模型参数,模型阶数确定后,建立PM2.5日均浓度预测模型。结果对模型的各个参数进行检验发现,各参数估计值的P值均0.05;对建立的模型进行残差的白噪声检验,χ~2检验统计量的P值均0.05,据此建立ARMA(1,3)模型,模型表达式为:χ_t=138.188 8+(1-0.394 23β-0.367 09β~2-0.146 84β~3)ε_t/(1-0.999 6β),并预测了PM2.5的未来日均浓度。结论 ARMA(1,3)模型可用于预测潍坊市PM2.5的日均浓度变化趋势。     

自回归移动平均模型在心血管疾病死亡预测中的应用

【目的】基于自回归移动平均(ARIMA)模型,构建江西省渝水区居民心血管疾病死亡时间序列模型,为该地区心血管疾病防治工作提供数学模型支撑。【方法】基于江西省渝水区居民2014—2018年心血管疾病死亡的时序资料,使用Econometrics View 9.0软件构建ARIMA季节调整模型预测该地区居民2019—2021年心血管疾病死亡情况。【结果】江西省渝水区居民2014—2018年心血管疾病月度死亡数呈现长期上升趋势,季节规律明显,每年春季和冬季为心血管病死亡高峰期。将原始序列N1经一阶差分及一阶季节性差分后,序列n1表现出良好平稳性(P0.05)。列出所有的理论模型并分别计算其模型参数,经统计学检验后,筛选出7个ARIMA季节调整备选模型,其中ARIMA(1,1,1)(1,1,1)_(12)为最优模型,R~2=0.749,调整R~2=0.724,赤池信息准则(AIC)=8.454,施瓦兹准则(SC)=8.633,汉南-奎因准则(HQ)=8.515。ARIMA(1,1,1)(1,1,1)_(12)模型的残差序列通过白噪声检验(P0.05),预测效果良好。【结论】ARIMA(1,1,1)(1,1,1)_(12)模型可以较准确地模拟江西省渝水区心血管疾病死亡的长期趋势及季节规律,并对其年度变化趋势及月度分布做出科学的预测。     

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。     

ARIMA模型与残差自回归模型在手足口病发病预测中的应用

目的 探讨求和自回归滑动平均混合模型（autoregressive integrated moving average model,ARIMA）和残差自回归模型在我国手足口病月发病率预测中的应用,并对它们的预测效果进行比较。方法 收集2008年1月～2014年12月我国手足口病月发病率资料,用SPSS 13.0和EViews 8.0分别拟合ARIMA模型和残差自回归模型,并用2014年7月～12月的数据评价模型的预测效果。结果 ARIMA模型拟合及预测的平均相对误差（average relative error,MRE）,均方误差（mean square predict error,MSE）,均方根误差（root mean squared predict error,RMSE）和平均绝对误差（mean absolute error,MAE）分别为14.006,4.689,2.165,0.147; 13.565,4.416,2.101,0.133。残差自回归模型拟合及预测的MRE,MSE,RMSE和MAE分别为16.793,7.247,2.692,0.171,16.206,6.639,2.577,0.164。结论 ARIMA模型拟合及预测效果优于残差自回归模型。     

中位数回归模型及自回归模型在北京市SARS发病预测中的应用

目的探讨北京SARS发病的动态变化规律.方法建立北京市SARS发病长期预测的中位数回归模型以及短期预测的自回归模型.结果以4月24日～5月11日的数据建模,对SARS进行长期预测的中位数回归模型为:Yi0.5=129.2-4.7ti,预测其新增临床诊断病例数将于5月22日降至零病例;同时考虑时间(ti)、前一天的新增临床疑似病例数(Zi-1),对SARS进行短期预测的二阶自回归模型(第一步)为:Yi=79.9526-0.2773Yi-1 0.3582Yi-2 0.2848Zi-1-2.8175ti.预测其新增临床诊断病例数将于5月21日降至零病例.结论SARS发病长期预测用中位数回归较一般线性回归稳健;SARS发病短期预测的自回归模型取二阶较适宜.长期预测与短期预测中新增临床诊断病例数降至零病例的时间基本一致.在传染病的发病预测中使用中位数回归模型及自回归模型的方法具有广阔的应用前景.     

自回归移动平均模型在细菌性痢疾流行趋势预测中的应用

目的探讨时间序列分析中自回归移动平均模型在六安市细菌性痢疾发病预测的可行性和适用性,为早期做好防控工作提供科学依据。方法使用SPSS 17.0软件对六安市2003年1月～2012年12月的细菌性痢疾月发病率建立ARIMA模型,以2013年的1～7月实际发病率作为预测模型的考核样本,验证模型的预测效果。结果六安市细菌性痢疾月发病率模型为ARIMA（0,0,1）×（0,1,1）12,模型移动平均参数MA1=-0.473（t=-5.153,P〈0.05）,季节移动平均参数SMA1=0.937（t=2.494,P=0.014）;残差分析Ljung-BoxQ统计量经检验,差异无统计学意义（Ljung-BoxQ=10.208,P=0.856）,提示残差为白噪声。模型预测的平均相对误差为27.82%,但预测的动态趋势与实际值基本吻合,且实际值均在预测值的95%可信区间内。结论 ARIMA（0,0,1）×（0,1,1）12模型可为六安市细菌性痢疾的防控提供参考。     

自回归求和移动平均季节乘积模型在肾综合征出血热发病预测中的应用

目的利用自回归求和移动平均(autoregressive integrated moving average,ARIMA)季节乘积模型建立肾综合征出血热(hemorrhagic fever with renal syndrome,HFRS)发病数的预测模型,为HFRS的预防控制提供科学依据。方法应用SPSS18.0软件对青岛市2007年1月—2013年7月HFRS发病数建立ARIMA模型。结果非季节和季节移动平均参数分别为0.816和0.685,t检验的P值均0.05,有统计学意义。BIC=12.338,Ljung-Box统计量检验残差序列为白噪声序列,表明ARIMA(0,1,1),(0,1,0)12模型是有效的。结论 2013年8—12月HRFS发病数有上升趋势,需进一步加强防范措施。     

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。     

自回归滑动平均混合模型在甘肃省麻疹发病预测中的应用

目的 探讨应用自回归滑动平均混合模型(Autoregressive Integrated Moving Average Model,ARIMA)预测甘肃省麻疹发病率的可行性.方法 应用SPSS 13.0软件对甘肃省1995～2006年麻疹逐月发病率进行ARIMA建模拟合;按照残差不相关原则、简洁原则、赤迟准则与贝叶斯准则建立ARIMA麻疹预测模型,用2007年分月发病数检验模型.结果 模型ARIMA(1,0,0)(0,1,1)1>(不含常数项)所有参数都通过统计学检验,残差序列是白噪声,拟合优度相对最好,参数间也无明显相关性(r=0.069).结论 ARIMA模型很好地模拟和预测了麻疹既往发病周期性以及各月发病数,将其应用于甘肃省麻疹发病预测是可行的.     

自回归求和移动平均模型季节乘积模型在青岛市肾综合征出血热发病预测中的应用

目的探索ARIMA季节乘积模型在青岛市肾综合征出血热(HFRS)发病预测中的应用,为HFRS防治提供科学依据。方法利用1977~2015年青岛市HFRS月发病率,建立ARIMA季节乘积模型,以2016年月发病率评估预测效果,并预测2017年月发病率。结果青岛市HFRS发病具有明显的季节性,发病高峰为每年的10~12月。模型季节自回归参数为-0.45,BIC=3.58,平稳R2=0.98,残差序列检验为白噪声序列(q=13.56,P0.05),建立ARIMA乘积季节模型ARIMA(0,3,2)(1,3,2)12,2016年实际值与拟合值绝对误差为0.01~0.28,且均在95%置信区间中,2017年月发病率0.15/10万~1.06/10万。结论 ARIMA乘积季节模型能够较好地模拟青岛市HFRS发病趋势,可用于短期预测该市HFRS发病情况。     

乘法季节回归求和移动平均模型在安徽省手足口病预测中的应用研究

目的探讨乘法季节回归求和移动平均模型(ARIMA)在安徽省手足口病发病预测中应用,为手足口病预防控制提供参考。方法根据2009-2014年安徽省手足口病的周发病数据,运用R 3.0.2软件拟合乘法季节性ARIMA模型,并对2015年1~52周发病数进行预测。结果安徽省手足口病预测中最优模型为ARIMA(1,1,1)(0,1,1)52模型,残差统计量检验差异无统计学意义(Box-Ljung=0.004,P=0.950),提示残差为白噪声,模型拟合值和实际值平均绝对误差率为11.32%,2015年1~52周预测值和实际值平均绝对误差率为25.10%。结论建立的乘法季节性ARIMA模型能较好地拟合安徽省手足口病变动趋势,模型预测效果较好,可用于安徽省手足口病短期预测。     

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。     

求和自回归移动平均乘积季节模型在北京市非职业性一氧化碳中毒事件预测中的应用

构建时间序列分析求和自回归移动平均(ARIMA)乘积季节模型,模拟并预测北京市非职业性一氧化碳(CO)中毒事件的发生趋势。采用 SPSS 21.0软件对2012年1月—2022年9月北京市发生的非职业性CO中毒事件进行ARIMA模型拟合,预测2022年10月—2023年9月各月份发生CO中毒事件的次数,并采用 2022 年 10 月—2023 年 8 月实际发生数进行验证。结果显示,构建的 ARIMA(3,1,3) (2,1,1)12 模型平稳 R2=0.39,决定系数R2 =0.54,均方根误差(RMSE)3.06,均值绝对百分比误差(MAPE)84. 78,平均绝对误差(MAE)2.23,贝叶斯信息准则(BIC)值2.73;杨-博克斯(Ljung-Box)统计量Q= 7.58, P=0.58,残差序列为白噪声序列。总体而言,模型拟合适度较好。2022年10月—2023年8月各月份CO中毒发生次数实际值均在预测值95%置信区间,表现出较好的预测效果。拟合ARIMA(3,1,3)(2,1,1)12模型能很好地预测北京市非职业性CO中毒事件的发生,可用于中毒事件的监测预警工作。     

求和自回归移动模型在肾综合征出血热发病预测中的应用

目的利用求和自回归移动模型模拟传染病发病时间序列,提高传染病监测预警能力。方法以HFRS为例,收集2009年8月2019年2月国家法定传染病月度发病数数据,利用SAS 8.0对其做1阶差分12步差分提取周期趋势,对差分后时间序列序列进行ARIMA模型构建,估算参数并预测未来趋势。结果我国HFRS的发病呈现以年为单位的周期趋势,年平均发病总数基本保持在960人。构建的最优模型为ARIMA(2,1,1) 12,预测显示在未来5个月内2019年5月份病例报告数量达到高峰。结论 ARIMA模型通过分析HFRS发病历史数据,对短期发病情况预测精度高,能很好的反应传染病的发病规律及变化趋势,但实际应用过程中动态补充数据来对模型修正。     

应用自回归移动平均模型乘积季节模型预测兰州市水相关疾病发病情况

目的探讨自回归移动平均模型(autoregressive integrated moving average model,ARIMA)乘积季节模型在水相关疾病发病率发病趋势预测中的应用,对兰州市水相关疾病发病情况进行预测。方法收集2006年1月—2014年12月水相关疾病发病率数据,利用R软件构建ARIMA乘积季节模型,利用2015—2017年实际发病率与模型拟合数据比较,评价模型的预测性能,并预测2015—2017年水相关疾病的发病率。结果在水相关疾病预测中建立ARIMA(2,0,1)×(2,0,0)_(12)乘积季节模型,Ljung-Box检验差异无统计学意义(Q=18.64,P=0.824),2015年—2017年兰州市常见水相关疾病实际发病率均在预测结果95%可信区间内,平均预测相对误差为5%。结论 ARIMA乘积季节模型可以较好的预测兰州市水相关疾病发病率的变化趋势,能够运用于水相关疾病发病趋势的预测及预警,为防控措施的制定提供参考。