应用移动平均季节指数法预测门诊量和出院人数

目的通过对门诊量和出院人数的预测，为医院现代化管理提供依据。方法应用移动平均季节指数法预测门诊量和出院人数。结果预测结果与实际情况相符。结论移动平均季节指数法，是利用移动平均法分解时间序列4类变动因子，既消除长期趋势变动又消除循环变动和不规则变动的影响，比较精确地反映季节变动情况的季节指数，在此基础上再进行预测。     

应用季节移动平均比率法预测细菌性痢疾发病人数

目的探讨葫芦岛市细菌性痢疾发病人数的变动规律并进行外推预测。方法收集辽宁省葫芦岛市1990-2009年的逐月和逐年细菌性痢疾疫情资料。首先应用von Neumann秩趋势游程检验判定年发病人数是否存在随年代变动的长期趋势,然后利用移动平均比率法进行季节趋势拟合分析及外推预测。结果趋势游程检验提示发病人数存在下降趋势。移动平均比率法中,指数模型决定系数R2为0.895,具有统计学意义。结论移动平均比率法综合考虑长期、季节、周期及随机趋势,预测效果较好。     

两种统计模型在门急诊人次数预测中的应用

移动平均数法是用实际发生的资料求其平均值 ,在时间上往后推移 ,作为下个或下下个季度的预测 ,故移动平均数法可以把季节因素考虑进去 [1、2 ] 。而趋势季节模型预测法兼顾长期趋势性和季节变动的影响 ,是预测季度指标时常用的方法 [3、4] 。本文利用我院 1994～ 1999年各季度的门急诊人次数 ,应用移动的平均数法和趋势季节模型预测法分别预测 2 0 0 0年分季门急诊人次数 ,并与 2 0 0 0年 1～ 2季度的实际门急诊人次数进行比较 ,检验预测效果 ,确定适合我院门急诊人次数的预测模型 ,为科学决策、合理利用卫生资源提供依据。1　资料与方法收…     

移动平均法的趋势季节模型在开展株洲市手足口病预测中的应用

目的应用移动平均法的趋势季节模型预测株洲市手足口病发病趋势,为预警、早期防控手足口病流行提供依据。方法利用Excel 2003对株洲市2011—2015年手足口病以周为时间序列拟合方程建立预测模型,并对2016年发病趋势进行预测。结果移动平均法趋势季节模型可预测手足口病整体发病趋势和季节特征;2016年株洲市手足口病疫情仍将呈上升趋势,手足口病高发时间在第15~29周(4—7月)和第38~41周(9至10月),发病高峰分别在第23周(6月初)和第39周(9月底)。结论结合移动平均法趋势季节模型的预测结果,可早期发现手足口病暴发的苗头,及时采取措施有效控制疫情规模。     

两种季节性时间序列模型在细菌性痢疾发病率预测中的应用研究

目的评价两种季节时间序列模型对武汉市江汉区细菌性痢疾月发病率的预测效果,为选择适宜的预测方法提供科学参考依据。方法收集2005年1月至2013年12月武汉市江汉区菌痢月发病资料,分别运用季节指数趋势预测模型和SARIMA模型进行建模,选择较优模型对2014年1~6月菌痢月发病率资料进行预测和效果评价。结果两种模型预测值与实际值拟合趋势基本一致,但季节指数趋势模型拟合效果较好,预测2014年上半年疫情发展特点为1~3月呈缓慢上升趋势,4~6月呈快速上升趋势。结论季节指数趋势模型对江汉区菌痢月发病水平进行短期预测具有较高的预测精度。     

基于季节趋势模型对宜昌市手足口病的预测研究

目的探讨移动平均法的季节趋势模型在手足口病预测的应用。方法基于宜昌市2010-2014年逐月手足口病发病率建立移动平均法的季节趋势模型,并将拟合值与实际值进行拟合评价。结果 2010-2014年手足口病的实际值与拟合值相对误差为5.310%,模型拟合较好。应用季节趋势模型可对2015年手足口病的发病率进行预测。结论基于移动平均法的季节趋势模型,能较好的模拟手足口病发病在时间序列的变化趋势,但因其计算简单,仅适用短期预测。     

中国乙类呼吸道传染病发病波动与长短期预测

  目的  分析中国乙类呼吸道传染病发病的波动规律并进行长期趋势预测和短期预测，为制定防控策略提供科学依据。  方法  利用CensusX-12季节调整法和Hodrick-Prescott（HP）滤波法对中国乙类呼吸道传染病发病的月度时间序列数据进行分解，将时间序列中不规则变动、季节因素、趋势因素和循环因素分离，研究其波动规律，同时结合回归模型和Holt-Winter季节指数平滑模型实现长期趋势预测和短期预测。  结果  乙类呼吸道传染病的发病情况受季节因素影响较大，呈现循环周期性波动，发病的长期趋势为逐年下降，同时利用Holt-Winter季节指数平滑模型取得了很好的短期预测效果。  结论  CensusX-12季节调整法和HP滤波法可较好的分析中国乙类呼吸道传染病发病的季节特征和循环周期特征，实现长期趋势预测和短期预测，对疾病防控策略的制定有指导意义。     

应用SARIMA模型预测南通市流行性腮腺炎发病趋势

正季节性自回归移动平均(seasonal autoregressive integrated moving average,SARIMA)模型是重要的时间序列模型之一,适用于有季节变动规律的单因素时间序列~([1]),应用较为广泛~([2-3]),亦被用于疾病发病趋势预测~([4-5])。流行性腮腺炎是一种由腮腺炎病毒引起的急性呼吸道传染病,患者主要是学龄儿童,冬春季高     

医院住院病人的趋势预测

目的 预测下一年度住院人数. 方法采用时间序列数据季节指数分析法对某院5年住院病人数进行分析,计算季节比率. 结果 医院住院病人呈逐年上升趋势,且有季节变化,季节变动以1年为周期,随季节变化引起周而复始的周期性变动,下半年度住院病人数明显多于上半年度住院病人数.结论 医院管理者应根据住院病人数季节变动的特点合理安排人力和其他资源,提高医疗服务水平.     

基于时序序列模型预测医院门诊人次

目的 分析并预测某医院未来每年的门诊人次,为有效配比医疗资源,制定医疗工作计划和科学决策提供数据理论依据.方法 采用prophet时间序列预测模型并导入统计数据,预测未来每月门诊人次,并以2019年实际数据进行比对,校验模型的准确性以及实用性.结果 门诊人次季节变动以1年为1个周期,变动趋势大致相同,随季节变化而变动的...     

简易季节时间序列资料分析方法在疾病预测中的应用

本文用许汝福等[1]导出的季节时间序列资料分析方法──简易时间序列季节周期回归模型,对我市1991～1994年的乙型肝炎疫情报告资料进行分析,现将结果报告如下。方法一、季节周期回归模型设季节时间序列资料为Yij,i＝1,2,…,n为年度,j=1,2,3,4为季度,则式中b1i反映趋势变动,b2j反映季节变动,b3sin（）＋b4cos（）反映季节周期变动。二、季节资料的简易计算公式计算过程一、建立数学模型表1为肥城市1991～1994年各季度乙型肝炎的发病率（1／10万）。表11991～1994年各季度乙型肝炎发病率（1／10万）于是,回归方程为：二、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。     

两种统计模型在间日疟疫情预测中的应用

统计预测是根据已掌握的资料,运用各种统计方法,对未来进行科学的估计和推算,是实行科学管理的重要工具之一。移动平均数法是用实际发生的资料求其平均值,在时间上往后推移,作为下月或下下月的预测,故移动平均数法应把季节因素考虑进去［１,２］。而趋势季节模型预测法兼顾长期趋势性和季节变动的影响,是预测季度指标时常用的统计学方法［３］。本文利用江苏省１９９３～１９９７年单一中华按蚊传疟媒介地区的间日疟疫情资料,应用移动平均数法和趋势季节模型预测法分别预测１９９８年分季间日疟发病人数,并与实际发病人数进行比较…     

时间序列分解法在北京市朝阳区细菌性痢疾周报告发病率预测中的应用

目的 使用时间序列分解法建立数学模型对北京市朝阳区细菌性痢疾报告发病率按"周"进行预测,并评价模型的预测效果.方法 首先使用时间序列分解法剔除时间序列的季节变动因素(S_t),然后对剔除季节因素后的时间序列通过模型识别、参数估计及检验、白噪声检验等过程,建立求和自回归移动平均模型(ARIMA),最后将S_t和ARI-MA相乘得到预测模型.结果 对朝阳区2008年细菌性痢疾报告发病率建立预测模型为S_t×ARIMA(2,1,3),预测的平均误差为-0.06,平均相对误差为2.32%.结论 时间序列分解法可以利用按"周"统计的数据进行预测,缩短了预测周期,并具有较高的短期预测精度.     

应用趋势季节模型预测医院门诊诊次初探

趋势季节模型是时间序列的随机性预测艇型，它是研究由季节变动所引起的变化规律并据此预测未来的一种统计预测方法。在我们医院管理中某些指标均带有季节性变动。如医院门诊量、出入院病人、病床周转次数、平均病床工作日、病床使用率和业务收入等均与季节变动有关。为了掌握我院门诊诊次的季节变化规律，制定门诊计划任务。本文     

基于移动平均法的季节趋势模型对细菌性痢疾的预测应用

目的探讨移动平均法的季节趋势模型在菌痢发病预测的应用,为采取防控措施提供科学依据。方法基于宜昌市2010-2013年逐月菌痢发病率建立移动平均法的季节趋势模型,并将拟合值与实际值进行拟合评价。结果2010-2013年菌痢的实际值与拟合值平均相对误差为1.72%,模型拟合较好。应用季节趋势模型可对2014年菌痢的发病率进行预测。结论基于移动平均法的季节趋势模型,能较好的模拟菌痢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。     

趋势季节模型在腹泻症候群监测信息分析中的应用

目的 应用趋势季节模型对徐州市2006-2009年哨点医院腹泻症候群监测的数据进行拟合,探索适合社区全科医生对疾病或事件预警的方法.方法 利用时间序列的趋势季节模型对徐州市2006-2009年哨点医院腹泻症候群监测的数据进行建模.计算趋势方程,各季平均季节指数、季节指数的校正系数、各季调整季节指数,拟合2006-2009年各季节哨点医院腹泻症候群监测的数,并将拟合值与实际值比较,检验模型的拟合能力.计算季节预测误差指标,预测2010年全年和各季度检测数.结果 对所分析的徐州市2006-2009年哨点医院腹泻症候群监测的数据资料建立了直线回归模型t＝12 887.79﹢181.79t.各季度平均季节指数分别为98.77%、100.58%、100.43%、100.18%.季节指数的校正系数为1.000 1.各季度调整季节指数分别为98.78%、100.59%、100.44%、100.19%.对2006-2009年腹泻病症候群监测数拟合结果显示,精确度最高的2008年第3季度达99.54%,最差是2006年第1季度,为90.27%,拟合精度在90%以上.用趋势季节模型预测哨点医院2010年腹泻病症候群检测数,预测全年检测65 007例,1～4季度分别检测15 783、16 255、16 414、16 555例.结论 时间序列的趋势季节模型能较好的分析疾病或事件产生同时间的关系,并有较强的预测能力,从而为社区全科医生对疾病或事件产生的预警提供了有效的工具.     

两种季节趋势模型在荆州市手足口病预测中的应用

目的探讨基于季节指数法的季节趋势模型和基于移动平均法的季节趋势模型在手足口病预测的应用比较。方法基于2009—2015年荆州市逐月手足口病发病率分别建立季节指数法的季节趋势模型和移动平均法的季节趋势模型,用所得模型预测荆州市2016年的手足口病发病率,比较实际值与预测值评价模型优劣;再以2009年1月—2016年12月的数据,用获得的最优模型预测荆州市2017年的手足口病发病率。结果基于季节指数的季节趋势模型与基于移动平均法的季节趋势模型实际值与拟合值平均相对误差依次分别为7.54%和22.25%,基于季节指数的季节趋势模型为最优预测模型。基于季节指数的季节趋势模型预测2017年发病率为151.37/10万,月发病率依次为5.26/10万、2.84/10万、12.93/10万、27.45/10万、28.52/10万、20.17/10万、9.79/10万、4.16/10万、6.40/10万、8.46/10万、12.92/10万、12.47/10万。结论基于季节指数的季节趋势模型为最优预测模型,预测2017年荆州市手足口病疫情平稳。     

趋势季节模型在门诊人次预测中的应用

目的:探讨趋势季节模型预测法在预测门诊人次的实用意义和可行性.方法:以2000-2004年本院门诊人次数据为基础,运用趋势季节模型预测法预测2005年门诊人次,最后验证预测结果.结果:将实际值与预测值对比验证,1-3季度均在预测范围内,四季度因受特殊因素影响,稍有偏差,总体上预测值与实际值基本符合.结论:趋势季节模型预测法通过对时间序列各种变化因素的分解整理,能消除多因素影响,更准确地反映季节变动情况,使预测结果更有实用意义和参考价值.     

指数平滑法与ARIMA模型对流感样病例流行趋势的预测效果比较

目的比较指数平滑法和自回归移动平均混合模型(ARIMA)预测绍兴市流感样病例(ILI)流行趋势的效果,为绍兴市流感的预测及防控提供参考。方法收集2014年1月—2019年6月中国流感监测信息系统中绍兴市3家哨点医院上报的ILI资料,分别拟合指数平滑法和ARIMA模型,利用2019年1—6月数据进行验证,比较两种模型对ILI流行趋势的预测效果。结果拟合最佳的指数平滑法模型为简单季节模型,均方根误差(RMSE)为0.67,Ljung-Box Q=25.11,P=0.07,残差符合白噪声序列,验证2019年1—6月预测的相对误差为9.96%～36.02%。拟合最佳的ARIMA模型为ARIMA (0,0,3)×(0,1,2)12模型,RMSE为0.81,Ljung-Box Q=8.98,P=0.77,残差符合白噪声序列,验证2019年1—6月预测的相对误差为11.39%～52.32%。除4月外,简单季节模型预测误差和拟合误差均小于ARIMA (0,0,3)×(0,1,2)12模型。结论指数平滑法模型对绍兴市ILI流行趋势的预测效果优于ARIMA模型预测方法。