共查询到18条相似文献,搜索用时 78 毫秒
1.
目的 基于差分自回归移动平均模型(ARIMA)通过引入支持向量机(SVM)方法,构建一个组合模型对新型冠状病毒肺炎(COVID-19)的发病趋势进行预测。方法 应用ARIMA模型对江苏省2020年1月22日-2月18日每日新增确诊病例数据中线性部分进行预测,捕捉时间序列数据的线性变化趋势,采用SVM对数据的非线性变化趋势进行预测,通过平均绝对误差(MAE)、均方误差(MSE)和平均绝对百分比误差(MAPE)评估两种组合模型的预测结果,比较模型的优劣。结果 在模型的拟合阶段,与单一ARIMA模型和SVM模型相比,ARIMA-SVM组合模型对COVID-19发病预测的MSE、MAE和MAPE均最小,分别为0.004、0.055和0.004;在模型的预测阶段,MSE、MAE和MAPE分别为7.811、2.730和0.764,在3个模型中也均是最小的。结论 与单ARIMA或SVM相比,ARIMA-SVM组合模型对COVID-19发病趋势具有更高预测精度。 相似文献
2.
目的基于新型冠状病毒传播特点,使用实际数据拟合并预测武汉市疫情发展趋势。方法考虑新型冠状病毒肺炎传播规律及采取的隔离措施,构建SEIAQR动力学模型;研究使用2020年1月10日至1月31日武汉市累积发病人数及死亡人数数据对模型进行拟合,并使用2月1日至2月10日的实时数据对模型结果进行验证;最后,研究通过模型拟合结果评价现有抗疫防控措施的效果。结果武汉市发病人数在2月4日左右达到峰值,随后持续下降,2月14日至2月16日出现一个短暂的反弹期,直至5月疫情将基本结束流行。防控措施不变的情况下,疫情结束时预计50780人感染,2449人死亡,粗死亡率约为4.82%;及时有效的防控措施降低了75.08%的感染率和72.40%的因病死亡率;模型拟合偏差约为4.08%。结论 SEIAQR模型拟合效果良好,可以较为准确地预测疾病流行趋势。 相似文献
3.
4.
自新型冠状病毒肺炎疫情发生以来,一些学者利用疫情公开数据建立预测模型。所用预测方式包括曲线拟合、传染病动力学模型及人工智能算法三大类。传统的曲线拟合预测方式无法考虑传染病特征,预测结果并不可靠。传染病动力学模型是本次疫情预测应用最多的一类,能够考虑传染病的传播速度、传播模式及各种防控措施等因素,但由于考虑的参数不可能全面,且参数可能在疫情不同阶段发生动态变化,因此预测效果往往不佳,但对早期预警、防控决策支持及防控效果评价具有重要应用价值。人工智能方法可以综合考虑不同防控措施以及多种因素的影响,如果考虑得当,预测效果将会有所提高。在综合利用动力学模型优势的基础上,尽可能多地考虑不同影响因素,利用人工智能构建仿真模型,将是一个新的发展趋势。 相似文献
5.
目的 比较灰色模型和指数平滑模型2种时间序列分析模型对新型冠状病毒感染的预测效果,为构建适宜新型冠状病毒感染“乙类乙管”时期的短期预测模型提供参考依据。方法 收集云南省西双版纳傣族自治州2022年12月12—31日所辖景洪市、勐腊县和勐海县医疗机构发热门诊上报的54 836例就诊者相关数据,针对发热门诊就诊数、核酸检测阳性数、抗原检测阳性数3条时间序列分别构建灰色模型和指数平滑模型,并采用预测值与实际值的平均相对误差评价模型的预测效果。结果 发热门诊就诊数、核酸检测阳性数和抗原检测阳性数3条时间序列的灰色模型后验比C值分别为0.50、0.40和0.43,3条时间序列的指数平滑模型的R2值分别为0.36、0.56和0.53;构建的GM(1,1)灰色模型对3条时间序列预测结果的平均相对误差分别为103%、72%和84%,霍尔特线性趋势非季节性指数平滑模型对3条时间序列预测结果的平均相对误差分别为103%、66%和51%。结论 灰色模型和指数平滑模型对发热门诊就诊数的预测效果相当,指数平滑模型对核酸检测阳性数和抗原检测阳性数的预测效果相对优于灰色模型。 相似文献
6.
7.
8.
目的 建立Holt - Winters模型,分析探讨新型冠状病毒肺炎疫情形势下连云港市流感样病例(influenza - like illness, ILI)的流行变化趋势及影响因素,为流感防控策略的调整提供依据。方法 收集全市8家哨点医院2016年1月—2019年8月的ILI发病资料构建Holt - Winters模型,通过比较2019年9—12月的实际报告发病数与预测数据评价模型的适用性。模型检验通过后,对2020年1月—2021年10月全市的发病情况进行预测和评价。结果 2016—2019年全市ILI发病数时间序列呈现明显的季节性和长期趋势特征,基于2016年1月—2019年8月全市ILI月发病数构建Holt - Winters加法模型,经2019年9月—12月ILI发病资料检验,该模型预测效果较好,实际值均在预测值95%可信区间之内。以此模型预测2020年1月—2021年10月的发病情况,2020年1月模型预测值和实际值吻合度较好,相对误差为18.88%,而在2月我市出现新冠肺炎疫情之后实际报告数急剧下降,和预测值相差较大。结论 新型冠状病毒肺炎大流行导致ILI季节性流行提前结束,个人和社会层面的防控措施中断了病毒传播模式。人群处于低免疫水平近2年,为防止流感疫情大规模暴发,需加强流感疫苗接种,规避流感和新冠肺炎叠加的风险,降低疾病负担。 相似文献
9.
10.
介绍了GGM(generalized-growth model)、GRM(generalized Richards model)、SIR(susceptible-infected-recovered)、SEIR(susceptible-exposed-infected-removed)模型及元胞自动机模型、人工神经网络模型等常用的传染病动力学模型,结合新型冠状病毒肺炎疫情发展现状,总结了传染病动力学模型在疫情仿真预测中的应用情况,指出了传染病动力学模型应用的局限性,得出了加强传染病认知、推进疫情信息实时共享、开展多模型结合应用等未来发展启示。 相似文献
11.
目的比较和评价不同时间序列模型预测医院感染发病率的效果,探索可用于预测医院感染发病率的最佳模型。方法以上海某三级甲等医院2011—2016年累计72个月的月度医院感染发病率数据作为拟合集构建季节性自回归移动平均模型(ARIMA)、NAR神经网络模型和ARIMA-BPNN组合模型,以2017年1—12月的月度感染发病率数据作为预测集检验模型的预测效果,评价比较不同模型的预测效果。结果对于拟合集,ARI-MA模型、NAR神经网络模型和ARIMA-BPNN组合模型的MAPE分别为13.00%、14.61%和11.95%;对预测集,三者的MAPE分别为15.42%、26.31%和14.87%。结论三种时间序列模型对医院感染发病率均具有较好的预测效果,其中ARIMA-BPNN组合模型对拟合和预测该院医院感染发病情况最佳,可为医院决策提供一定的数据支持。 相似文献
12.
目的 探讨时间序列分析的自回归求积移动平均模型(ARIMA)在江苏省流行性感冒(流感)疫情预测预警中的应用.方法 收集江苏省2005年10月至2010年2月各监测点流感样病例(ILI)监测数据,建立基础数据库,对每周ILI发病人数进行ARIMA建模拟合,对2010年3-4月各周流感样病例发病情况进行预测.结果 构建得到ILI发病ARIMA(2,1,2)预测模型为(1+0.785B2)(1 -B)In Xt=(1+0.622B2)εt,其中,B代表后移算子,Xt代表流感样病例发病人数,εt为随机误差.模型残差序列为白噪声,模型的Ljung-Box检验统计量为5.087,P=0.995,拟合效果良好.应用该模型预测2010年3-4月江苏省各周ILI发病情况,预测值符合实际发病变动趋势,实际观测值均在预测值95%CI值内.结论 ARIMA模型能较好地模拟江苏省ILI发病情况. 相似文献
13.
目的 应用自回归移动平均(autoregressive integrated moving average,ARIMA)模型对我国2018-2019年肺结核发病情况进行预测,为肺结核防控工作提供参考依据。方法 收集2005年1月至2017年12月中国肺结核月发病数据,使用R 3.4.4软件基于2005年1月至2017年6月肺结核月发病数据建立ARIMA模型,比较2017年7-12月预测数据和实际数据以进行模型预测性能的检验,并预测2018-2019年肺结核发病数情况。结果 2005-2017年共报告肺结核患者13 022 675例,发病数呈逐年下降趋势,2017年肺结核患者数较2005年下降了33.68%,且季节性明显,每年冬春交界之时发病数较高。根据2005年1月至2017年6月肺结核月发病数据拟合出了ARIMA(0,1,2)(0,1,0)12模型,该模型拟合的2017年7-12月的预测值与实际值的相对误差范围是1.67%~6.80%,预测2018年和2019年发病数分别为789 509例和760 165例。结论 ARIMA(0,1,2)(0,1,0)12模型对我国肺结核发病数的拟合效果较好,可用于我国肺结核的短期预测和动态分析,具有较好的应用价值。 相似文献
14.
15.
目的 利用自回归移动平均乘积季节(ARIMA)模型建立适合我国法定传染病月报告发病数的预测模型,借此预测我国法定传染病的变化趋势。方法 利用R软件对2009年5月至2016年7月我国法定传染病月报告发病数据建立ARIMA模型,用2016年8月至2017年1月实际值与预测值进行比较,从而评价模型的预测性能。结果 我国法定传染病月报告发病数具有明显的季节性,且报告在每年2月出现最低峰,6月呈现最高峰;建立ARIMA (4,1,0)(1,1,1)12模型对我国法定传染病发病数进行预测,模型预测的最大相对误差为9.78%,最小为2.21%,平均值为5.39%。结论 ARIMA (4,1,0)(1,1,1)12乘积季节模型较好的拟合了我国法定传染病月报告发病数,可用于预测。 相似文献
16.
17.
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。 相似文献