乘积季节ARIMA模型在结核病发病率预测中应用

目的 探讨乘积季节自回归移动平均(ARIMA)模型在结核病疫情预测的可行性.方法 利用某省2004年1月-2011年6月结核病疫情监测资料建立乘积季节ARIMA预测模型,选取2011年7-12月的疫情资料评价模型的预测效能.结果 该省2004年1月-2011年12月结核病的发病率呈现明显的季节效应,且发病率逐年小幅递减;乘积季节ARIMA(1,1,0)×(1,1,0)12模型能较好拟合既往时间段内结核病的发病率,且对2011年7-12月结核病月发病率的预测值与实际值基本吻合,平均误差绝对值及平均误差绝对率分别为0.317和4.77％.结论 乘积季节ARIMA模型能较好模拟、预测结核病的发病疫情,具有较好的推广应用价值.     

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。     

ARIMA乘积季节模型在江西省手足口病发病预测中的应用

目的 建立江西省手足口病发病的ARIMA乘积季节模型并进行预测,探讨该模型在江西省手足口病早期预测预警中的可行性。方法 以江西省2008-2015年手足口病逐月发病数为基础,建立ARIMA乘积季节模型,利用2016年各月发病数对模型进行验证,得到最优模型后对2017年手足口病发病数进行预测。结果 本研究构建的江西省手足口病发病预测模型为ARIMA(2,1,1)(0,1,1)12,各项参数都有统计学意义(P<0.05),模型拟合优度检验获得BIC值最小为14.738,残序列为白噪声(Ljung-Box Q=14.738,P=0.362),实际值与拟合值的动态趋势基本吻合;2016年1-8月预测值与实际值相差较小,吻合度高;2017年手足口发病数预测值为49 353。结论 ARIMA(2,1,1)(0,1,1)12较好地模拟了江西省手足口病发病趋势,可用于江西省手足口病发病的短期预测。     

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。     

三种预测模型在出生缺陷发生趋势预测中的可行性研究

目的探讨ARIMA乘积季节模型、Holt-Winters季节模型、多层感知器模型在出生缺陷发生趋势预测中的可行性。方法本文采用2009年10月至2016年9月西安市妇幼保健院出生缺陷监测及围产儿数据进行研究。选择2009年10月至2015年8月出生缺陷月发生率时间序列进行模型拟合,应用2015年9月至2016年9月出生缺陷月发生率对模型进行评价。结果三种模型均通过了检验。ARIMA(0,0,1)(0,1,1)_(12)模型预测平均绝对误差和相对误差分别为11.64和0.11。Holt-Winters加法模型预测平均绝对误差和相对误差分别为14.21和0.14。Holt-Winters乘法模型预测平均绝对误差和相对误差分别为16.64和0.16。多层感知器模型预测平均绝对误差和相对误差分别为20.58和0.20,通过比较模型预测能力,最优模型为ARIMA(0,0,1)(0,1,1)_(12)。结论 ARIMA乘积季节模型更加灵活,结果可能较优。同时,随着预测时间的延长,模型预测的准确性降低。     

ARIMA乘积季节模型在如东县戊型肝炎发病预测中的应用

目的通过分析如东县2005-2013年如东县戊型肝炎(戊肝)月发病数据,了解戊肝的发病趋势和季节性特征。探讨ARIMA模型在戊肝发病预测方面的应用,为戊肝的早期预警提供决策依据。方法应用SPSS 20.0软件对2005-2013年如东县戊肝月发病数据进行模型拟合,建立ARIMA模型,用模型对2014年戊肝逐月发病数进行预测分析,并评估模型预测效果。结果 ARIMA乘积季节模型较好地拟合了既往戊肝的实际发病序列,构建ARIMA(1,0,0)×(1,1,0)12模型,残差序列通过了白噪声检验(P0.05),模型决定系数(R2)为0.92。对2014年各月发病数获得了较好的预测效果。结论 ARIMA模型能较好地模拟如东县戊型肝炎的发病趋势,构建的ARIMA(1,0,0)×(1,1,0)12模型对戊肝发病情况的拟合结果满意,预测效果良好,可用于戊型肝炎疫情的短期预测和动态分析。     

自回归移动平均模型在北京市朝阳区手足口病发病预测中的应用

目的通过构建时间序列自回归移动平均模型(autoregressive integrated moving average model,ARIMA),对手足口发病趋势进行预测,探讨该模型在发病预测中的应用。方法从疾病监测信息报告管理系统提取北京市朝阳区2010年1月-2016年12月手足口病月发病数据。建立ARIMA季节乘积模型,对2010年1月-2015年12月的月发病数进行拟合,再以2016年1-12月的月发病数作为验证数据,评价其预测效果。结果通过对模型进行拟合优度及残差序列进行白噪声检验,最后选择了ARIMA(1,0,0)(1,1,0)_(12)为最佳模型。对2016年1-12月发病数进行预测,实际发病数均落入95%CI内,平均相对误差为49.37%。模型中加入2016年1-6月的月实际发病数,预测2016年7-12月的月发病数,平均相对误差为18.12%。结论 ARIMA季节模型可应用于手足口病等具有季节性变动特征的传染病预测。ARIMA模型短期预测手足口病的发病情况精度更高,可通过不断纳入新的实际观测值开展动态分析。ARIMA模型仅为一种数学工具,在实际防控及监测工作中,需要结合专业理论知识及具体情况进行分析。     

ARIMA乘积季节模型在全国布鲁菌病发病预测中的应用

目的应用求和(差分)自回归移动平均(Autoregressive Integrated Moving Average Model,ARIMA)乘积季节模型分析季节性时间序列,建立全国布鲁菌病发病数的预测模型。方法利用中国疾病预防控制中心2011年1月—2016年12月按月报告的布鲁菌病发病数历史疫情数据,采用最大似然法估计模型参数,模型定阶后,建立布鲁菌病按月发病数ARIMA乘积季节预测模型。结果非季节和季节移动平均参数分别为0.357 35、0.666 64,均P0.05,AIC=911.337 2,SBC=917.569 8,均P0.05,据此建立ARIMA(0,1,1)(0,1,1)12乘积季节模型,模型表达式荦荦12xt=(1-0.357 35B)(1-0.666 6412)εt,并开展全国布鲁菌病发病数的预测。结论 ARIMA(0,1,1)(0,1,1)12乘积季节模型可用于预测布鲁菌病的发病情况。     

辽宁省手足口病疫情季节性ARIMA模型预测效果评价

目的利用时间序列法研究手足口病的发病趋势和流行特征,建立ARIMA乘积季节模型,对2017年7月—2018年12月辽宁省手足口病的月发病疫情情况及流行强度进行预测,为手足口病的预防监测工作提供依据。方法收集辽宁省手足口病2012年1月—2016年12月的月发病报告数,采用Excel 2010建立辽宁省手足口病月报告发病数数据库,应用SPSS 23.0软件进行SARIMA模型的构建,拟合发病情况,对辽宁省手足口病2017年7月—2018年12月发病数进行预测,评价预测效果。结果辽宁省手足口病发病特征以年为流行周期,季节性周期为12个月(s=12)。每年6—9月为该病的发病高峰期。最佳模型为SARIMA(0,1,0)×(1,1,0)_(12)季节性模型,模型残差Ljung-Box Q=18.564,P=0.354,序列为白噪声。预测平均相对误差为0.229,预测效果较好。结论季节性ARIMA模型能较好的拟合辽宁省手足口病的发病流行趋势,能够比较直观准确的反映辽宁省手足口病的疫情发展情况,该模型适用于辽宁省手足口病的短期流行趋势的预测。     

ARIMA乘积季节模型在日喀则市结核病疫情预测中的应用

目的通过构建的自回归滑动平均混合(ARIMA)乘积季节模型预测日喀则市结核病月发病情况,通过比较模型预测值与实际值来评估该模型的预测效果。方法根据日喀则市2010年1月—2016年12月的结核病月发病例数构建ARIMA乘积季节模型,利用该模型预测2017年1—12月的结核病月发病情况,通过比较预测值与实际值来评价拟合模型的预测效果。结果最优模型为ARIMA(1,1,1)(1,1,0)_(12),其参数均通过统计学检验(均P0.05),残差序列为白噪声序列(P0.05),其赤池信息准则(AIC)=679.48,许瓦兹贝叶斯准则(SBC)=686.27,拟合优度相对最好。2017年1—12月的预测值与实际值基本吻合,实际值均落在95%CI内,预测效果较好。结论 ARIMA(1,1,1)(1,1,0)12可用于短期预测日喀则市结核病疫情,预测效果较好,建议要及时根据数据更新及其他的因素更新模型,以确保模型的预测价值。     

ARIMA与GM(1,1)模型对我国肺结核年发病人数预测情况的比较

目的通过ARIMA乘积季节模型和GM(1,1)模型拟合我国肺结核的发病人数,比较两种模型的拟合效果。方法运用我国2011-2016年的肺结核发病人数,分别构建ARIMA乘积季节模型和GM(1,1)模型,然后利用所得到的模型进行预测。采用平均绝对百分误差(MAPE)来评价模型的拟合效果。结果 GM(1,1)模型和ARIMA乘积季节预测模型所得到的MAPE分别为1.45%、1.70%。用GM(1,1)模型预测2017-2018年我国肺结核的发病人数分别为1042909、988915人。结论 GM(1,1)拟合效果优于ARIMA乘积季节模型,预测表明2017-2018年我国肺结核年发病人数将呈现出减少的趋势,但是肺结核发病人数仍然较多。     

ARIMA模型在天津市结核病发病预测中的应用

目的构建天津市结核病月发病数的ARIMA模型,为结核病防控工作提供参考。方法采用SPSS 16. 0统计软件包对天津市2005年1月-2016年7月结核病月发病数资料建立最佳ARIMA预测模型,利用2016年8月-2017年7月结核病月发病数对模型进行效果评价,并对2017年8月-2018年7月结核病月发病数进行预测。结果建立的ARIMA(0,1,1)(0,1,1)模型是拟合天津市结核病月发病人数的最优模型,利用2016年8月-2017年7月结核病月发病数对模型进行效果评价,发病人数在3-6月有一个发病高峰,符合历年结核病发病趋势,且实际发病数均落在预测值95%可信区间内,实际发病人数与预测发病人数的相对误差绝对值中位数为2. 49%,模型具有较高的预测精度。结论 ARIMA(0,1,1)(0,1,1)模型能够较精确的预测天津市结核病月发病情况,可为结核病的预防和控制提供重要理论依据。     

婺源县肠道症状病例发病趋势预测预警分析

目的 探讨自回归移动平均模型(ARIMA)在肠道传染病早期预测预警中的可行性，为早期防控提供参考。方法以婺源县2017—2022年肠道症状监测病例月发病数为基础构建ARIMA乘积季节模型并用2022年月发病数验证评估，预测2023年发病趋势。结果 婺源县2017—2022年共报告肠道症状病例2 409例，发病数时间序列图显示每年存在春季(3～4月)和秋季(9～10月)2个发病高峰，有较明显的季节性和周期性趋势；构建的最优模型为ARIMA(0,1,1)(1,1,0)₁₂,2022年1～12月预测值和实际值比较结果显示，2022年各月实际发病数均在模型预测的95%CI内，拟合值和实际值相差较小，相对误差9.4%,模型整体拟合效果较好；预测2023年全年发病数349例，时间分布与往年基本一致，将在4月和9月出现发病高峰。结论 建立的ARIMA乘积季节模型对监测点肠道症状病例发病数拟合效果较好，可用于短期预测和动态分析。     

恶性肿瘤住院量与住院费用的ARIMA乘积季节模型预测研究

目的探讨自回归求和移动平均(ARIMA)乘积季节模型在恶性肿瘤住院量与住院费用中的应用,为医院恶性肿瘤业务管理提供科学依据。方法收集某院2007-2016年逐月恶性肿瘤住院患者资料,采用ARIMA乘积季节模型对2007-2015年逐月恶性肿瘤的住院人次和住院费用进行模型拟合,用2016年逐月数据评价其预测效果,并预测2017年恶性肿瘤逐月住院人次与住院费用。结果 ARIMA(0,1,1)(1,1,0)_(12)是恶性肿瘤住院人次与住院费用的最佳拟合预测模型,拟合相对误差分别为1.1%和1.47%。根据ARIMA(0,1,1)(1,1,0)_(12)预测结果,2017年恶性肿瘤住院量将达7631人次,住院费用将达3.36亿元。结论 ARIMA季节乘积模型能很好地应用于医院业务管理预测中。     

ARIMA模型预测职业性噪声聋发病趋势

目的探讨自回归积分滑动平均模型(ARIMA模型)在职业性噪声聋(ONID)发病趋势预测中的应用价值。方法以广东省2006—2015年新发ONID病例数建立ARIMA模型,对之进行验证,并采用该模型预测2016—2020年新发ONID的发病趋势。结果广东省2006—2015年新发ONID病例数呈指数式增长趋势。采用2006—2015年新发ONID病例数拟合的最优模型为ARIMA(2,2,2)模型,可较好拟合2008—2015年的新发ONID病例数。根据ARIMA(2,2,2)模型预测,2016—2020年广东省年新发ONID仍呈快速增长趋势。结论基于时间序列的ARIMA模型可较好地拟合ONID发病的时间变化趋势,可用于ONID的发病趋势预测。     

ARIMA乘积季节模型和LSTM深度神经网络对石家庄市手足口病疫情预测效果的比较

  目的   运用自回归移动平均(autoregressive integrated moving average model, ARIMA)乘积季节模型和长期短期记忆网络(long short term memory, LSTM)对石家庄市手足口病(hand, foot and mouth disease, HFMD)的发病趋势进行预测, 为疫情防控工作提供理论依据。   方法   利用Eviews 8.0和python 3.7.1软件对2013年1月-2018年5月石家庄市HFMD逐月发病数据分别建立ARIMA乘积季节模型和LSTM神经网络, 以2018年6月-2019年5月的发病资料检验模型预测精度, 最后应用模型预测2019年6月-2019年8月的月发病数。   结果   最优模型ARIMA(1, 0, 0)×(1, 1, 2)₁₂和LSTM神经网络外推预测2018年6月-12月的MAPE分别为22.14和10.03, 而外推预测2018年6月至2019年5月的MAPE分别为43.84和25.26, 提示LSTM神经网络的拟合效果和预测精度优于ARIMA模型, 预测结果与实际情况基本一致。   结论   LSTM神经网络对石家庄市HFMD发病趋势的拟合度和预测效果较好, 能够为手足口病疫情的预测预警工作提供指导。     

ARIMA乘积季节模型在郑州市肺结核月发病趋势预测中的应用

目的建立郑州市近年肺结核月发病的ARIMA乘积季节模型(SARIMA)并进行预测,探讨该模型在郑州市肺结核早期预测预警中的可行性。方法以郑州市2011-2018年肺结核月发病数为基础,建立适合郑州市肺结核ARIMA乘积季节模型,利用R语言的auto.arima()代码自动得到最优模型后对2019年肺结核发病数进行预测。结果构建的郑州市肺结核月发病预测模型为ARIMA(2,0,0)(0,1,1)_(12),模型参数均有统计学意义(P0.05),模型拟合优度AIC=78.45,BIC=94.04,残差序列为白噪声(Ljung-Box testQ=17.285,P=0.3674),2019年1-12月实际值与拟合值的动态趋势高度吻合。结论本研究建立的ARIMA(2,0,0)(0,1,1)_(12)可用于郑州市肺结核月发病的早期预测。     

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。     

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。     

ARIMA季节性模型在河南省猩红热发病预测中的应用

目的 建立河南省猩红热发病的ARIMA季节模型,探讨该模型在预测猩红热发病中的应用。方法 以2005-2019年河南省猩红热病例数为基础建立ARIMA模型,并用2019年1-12月的实际发病数进行验证,利用最优模型预测2020年1-12月河南省猩红热发病数。结果 最优模型为ARIMA (2,1,2)(0,1,1)₁₂,参数均有统计学意义(P<0.05),BIC=7.406,残差序列为白噪声(Ljung-Box=17.234,P=0.141),拟合效果较好。2019年1-12月猩红热月发病数预测值和实际值的平均相对误差为9.9%,实际值均在预测值95%置信区间(95%CI)。预测河南省2020年猩红热平均月发病数为192例,少于2019年的203例,明显多于2020年实际月均病例数47例。结论 ARIMA(2,1,2)(0,1,1)₁₂模型拟合河南省猩红热发病数效果较好,可用于河南省猩红热发病趋势的短期预测。