ARIMA模型在流感样病例预测预警中的应用

目的探讨ARIMA模型在流感样病例预测预警方面的应用,建立流感样病例发病预测模型,并证明模型的适用性。方法对北京市顺义区医院、顺义区妇幼老年保健院2家省级流感样病例监测哨点医院报告的2005年9月～2009年3月流感样病例月报告数资料建立ARIMA模型,2009年4～5月数据验证模型,用Q统计量法对模型适应性进行检验。结果对流感样病例月报告数建立季节模型ARIMA(1,0,0)x(0,1,0)12,统计量Q大于Χ2α(m)证实了该模型的适用性。结论ARIMA模型能够较好应用于流感样病例预测预警,为疫情防控提供科学依据。     

2008-2015年宁波市流感样病例预测模型分析

目的：建立宁波市流感样病例（ILI）的预测模型,并对所建模型预测效果进行验证和评价。方法收集2008年1月至2015年6月宁波市流感监测哨点医院 ILI 监测资料,对数据进行统计分析,建立ARIMA模型及ARIMA-GARCH模型对流感发病情况进行预测和评价。结果2008—2014年宁波市ILI累计报告101056例,发病率大致呈逐年下降趋势。针对ILI发病率的ARIMA模型构建中ARIMA（2,1,1）（1,1,1）12为最佳模型（BIC=6.250）,白噪声残差分析得到Ljung-Box统计量Q值为6.027（P>0.05）。ARIMA-GARCH组合模型的预测效果较单一ARIMA模型理想,平均绝对误差分别为11.049和12.757。结论 ARIMA-GARCH模型可以模拟宁波地区流感的流行趋势,为流感防控策略的制定提供理论依据。     

长沙市流感样病例发病趋势的时间序列分析和预测模型研究

目的 利用自回归滑动平均混合(ARIMA)模型预测长沙市流感样病例(ILI)的发病趋势. 方法 收集长沙市2006年第1周-2013年第10周由流感监测哨点医院每日报告的流感样病例监测资料,进行时间序列分析并建立预测模型,使用前364周资料建立模型,后10周资料评估模型预测效果. 结果 流感样病例监测资料构建ARIMA(1,0,0)模型,回归系数差异有统计学意义(P＜0.05).白噪声残差分析显示序列自相关函数的Box-Ljung统计量最小值为20.155(P＞0.05),残差为随机性误差.1-364周资料所建立模型ARIMA(1,0,0)预测效果良好,实际值均在预测值的95％可信区间(95％ CI)内,符合率达100％.2013第11-16周长沙市ILI％预测值分别为2.28％(95％CI:0.00％～6.21％)、2.31％(95％ CI:0.00％ ～6.26％)、2.33％ (95％CI:0.00％ ～6.30％)、2.35％ (95％ CI:0.00％ ～6.33％)、2.36％ (95％ CI:0.00％ ～6.35％)、2.38％ (95％CI:0.00％～6.37％). 结论 ARIMA模型能较好模拟长沙市流感样病例的发病趋势.     

应用ARIMA-GRNN模型预测深圳市宝安区流感样病例发病率

目的建立预测流感样病例发病率的ARIMA-GRNN模型,并验证其可行性。方法应用SPSS 19.0软件,对2010年1月-2015年9月宝安区流感样病例月发病率进行模型拟合,并应用MATLAB 7.0联合GRNN模型进行误差修正。以2014年10月-2015年9月月流感样病例发病率作为考核样本评价模型预测效果,并预测2015年10-12月月流感样病例发病率。结果 ARIMA(2,1,0)(0,1,1)12拟合2010年1月-2015年9月宝安区每月新增感染率的变动趋势较为理想,联合GRNN模型后,预测结果与实际值相对误差最大值为3.12%,最小为2.00%;结论 ARIMA(2,1,0)(0,1,1)12-GRNN模型在宝安区流感样病例发病率短期趋势的预测与实际发病率吻合,拟合效果较好。     

甘肃省2006-2011年哨点监测流感样病例动态预警分析

目的 掌握甘肃省流感样病例发生动态并探索其预警模式和效果.方法 通过甘肃省2006-2011年哨点流感样病例监测数据,应用时序图分析其变动趋势,并采用流行控制图-移动百分位数法探索流感样病例预警模式,结合统计模型的预测值,评价预警效果.结果 甘肃省2006和2009年为流感高流行期,2007和2008年为流感低流行期.流感样病例流行控制预警线显示冬季预警值较高,夏季较低的特征.应用简单季节性指数平滑模型和自回归移动平均模型(ARIMA)(1,1,1)(0,1,0)乘积季节性模型动态预测2011年每周流感样病例占门急诊病例百分比(ILI％),二者动态预测预警与实报预警一致率均为100％.但从预测的均方根误差分析,指数平滑模型动态预测效果优于ARIMA模型.结论 流感动态预警模式可反映甘肃省流感样病例的流行规律,但预警技术存在局限性.     

时间序列分析在流感疫情预测预警中的应用

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.     

ARIMA模型与Holt-Winters指数平滑模型在武汉市流感样病例预测中的应用

目的 探讨比较ARIMA模型和Holt-Winters模型在武汉市流感样病例预测中的应用,为流感防控提供科学依据。方法 利用武汉市2012年1月-2017年6月每周流感样病例比例数据拟合建立ARIMA模型和Holt-Winters指数平滑模型,预测2017年7-8月周流感样病例比例,并与实际流感样病例比例进行比较。结果 ARIMA最优模型为 ARIMA(1,0,1)×(0,1,1)52,预测的平均相对误差为6.88%,Holt-Winters的最优模型为乘法模型,预测平均相对误差为13.79%。结论 ARIMA(1,0,1)×(0,1,1)52模型拟合效果较好,预测精度更高,可用于武汉市流感样病例的预测。     

上海市流感样病例发病趋势的时间序列分析和预测模型研究

目的 预测上海市流感样病例的发病趋势。方法 应用自回归求和移动平均模型（autoregressive integrated moving average model,ARIMA）,对上海市2004年1月至2006年4月期间由流感监测点医院每日报告的流感样病例监测资料进行时间序列分析并建立预测模型,使用前114周资料建立模型,后9周资料评估模型预测效果。结果 流感样病例监测资料构建ARIMA（1,0,0）（1,1,0）26模型,非季节性和季节性自回归系数差异皆有统计学意义（P〈0．001）。白噪声残差分析显示序列自相关函数的Box-Ljung统计量最小值为0．803（P〉0．1）,残差为随机性误差。1～114周资料所建立模型lgY,=0．879lgY1-1＋0．418lgY1-26 0．367lgY1-27＋0．582lgY1-52-0．512lgY1-53预测效果良好,实际值均在预测值的95％可信区间内,符合率达100％。结论 ARIMA模型能较好模拟上海市流感样病例的发病趋势。     

ARIMA模型在北京市丰台区流行性感冒预测中的应用

目的探讨ARIMA模型在北京市丰台区流行性感冒预警预测中的应用,建立流感样病例(ILI)发病预测模型。方法利用《北京市医院传染病监测预警信息系统》资料,采用SPSS 22.0软件,对丰台区2007年9月—2016年8月ILI监测数据建立ARIMA模型,并对2016年9月—2017年4月ILI%进行预测,评价模型的预测效果。结果 2007年9月—2016年8月丰台区ILI%呈季节性周期变化,病例以25岁儿童及青少年为主,主要就诊科室为儿科门、急诊和发热门诊。2007年9月—2016年8月ILI%数据拟合模型ARIMA(1,0,0,)(1,1,0)12,预测2016年9月—2017年4月ILI%与监测值差异无统计学意义(t=1.674,P0.05)。结论 ARIMA模型可用于丰台区流行性感冒发病情况预测,可为流行性感冒防控提供科学依据。     

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。     

基于R语言的ARIMA模型对流感样病例发病趋势的预测

目的 分析自回归滑动平均混合模型（the autoregressive integrated moving average,ARIMA）在流感样病例（influenza like illness,ILI）发病趋势预测的可行性,为流感防控提供技术支持。方法 收集本院2013年第1周~2017年第26周由该院每日报告的ILI监测资料,运用R语言进行时间序列分析并建立预测模型。结果 流感样病例就诊百分比（consultation rate of influenza like illness,ILI%）监测数据总体上呈现下降趋势,并且具有明显的季节性。最佳预测模型为ARIMA（0,1,1）（0,1,1）₅₂,该模型残差Box-Pierce检验结果为χ2=7.07（P=0.315）、χ2=17.22（P=0.142）,提示残差为白噪声序列,预测结果实际值均在预测值的95%的置信区间（95% confidence interval,95%CI）内。结论 ARIMA模型可用于该院ILI短期发病趋势的预测。     

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。     

基于ARIMA 模型的贵州省2017年流行性乙型脑炎发病预测

目的 探讨ARIMA模型用于预测流行性乙型脑炎发病的可行性,并利用模型预测贵州省2017年乙脑发病趋势。方法 采用SPSS20.0对贵州省2007 - 2016年乙脑报告病例数进行分析并构建ARIMA模型,使用筛选的最优模型预测贵州省2017年乙脑发病。结果 ARIMA（0,0,1）（1,1,0）12模型为最优模型,模型BIC = 6.769,稳定的R2 = 0.496;除常数项外,该模型各参数均有统计学意义,残差序列为白噪声序列。用该模型拟合贵州省2008 - 2016年乙脑月发病数,拟合数与报告数的变化趋势基本相同,差异均无统计学意义（Ｐ＞0.05）;贵州省2017年乙脑预测病例数为41例,高峰仍在7、8月。结论 ARIMA模型可以较好地拟合贵州省乙脑的发病趋势,可用于短期预测;与2016年相比,预测2017年乙脑发病相对平稳。     

基于ARIMAX模型的乌鲁木齐市流感样病例预测分析

目的 探讨ARIMAX模型（autoregressive integrated moving average model-X,ARIMAX）在流感发病趋势预测方面的效果,为提高此模型在传染病发病预测方面的使用提供依据。方法 收集乌鲁木齐市（乌市）2013年1月~2016年12月的流感样病例（ILI）病例数和大气颗粒物PM_2.5及PM₁₀浓度数据,用R软件建立ARIMA及ARIMAX模型,并对2017年前10周ILI病例数做预测。结果 乌市2013年1月~2016年12月ILI病例总数161 773例,周平均发病数为777例;时序图显示呈冬春季高发的特点。流感周发病数建立ARIMA（1,0,0）模型,赤池信息准则（akaike information criterion,AIC）=2 549.03;以大气颗粒物PM_2.5及PM₁₀为影响变量,带入转换函数建立ARIMAX模型,AIC=2 535.51,且模型各参数有统计学意义。使用迭代法对前10期（10周）数据进行预测,预测结果显示仅预测3期（3周）误差最小;两模型预测误差百分比绝对值均值（mean absolute percentage error,MAPE）分别为12.019 74%,12.014 17%,显示两模型均有较好的预测精度。结论 ARIMA模型和ARIMAX模型均能较好预测短时间内ILI病例数的发病趋势,为流感监测和预防控制提供依据。     

ARIMA模型与GM(1,1)模型在痢疾发病数预测中的比较研究

目的 分别应用求和自回归滑动平均模型(autoregressive integrated moving average model, ARIMA)和灰色模型(gray forecast model)GM(1,1)对湖北省痢疾发病数进行预测,比较两种方法的预测效果,为选择更适宜的方法提供依据。方法 分别应用2001－2015年月发病数及年发病数建立ARIMA模型和GM(1,1)模型,用平均误差率(mean error rate,MER)和决定系数(coefficient of determination,R²)评价拟合效果,并采用2016年实际发病数验证预测效果,选择准确性更高的模型对2017－2018年发病数进行预测。结果 建立的ARIMA模型为SARIMA(1,0,0)(0,1,1)₁₂,GM(1,1)模型为(t+1)=-274 126.038e^{-0.067 467t}+293 275.08,两模型的平均误差率(mean error rate,MER)分别为3.55%和14.78%;决定系数(R²)分别为0.993和0.960,2016年实际发病数与两模型预测发病数的残差分别为635和3 240;相对误差分别为16.54%和84.38%,综合考虑各项评价指标采用ARIMA模型对2017－2018年发病数进行预测分别为4 286和4 011。结论 通过拟合及预测评价指标的比较ARIMA模型均优于GM(1,1)模型,可得ARIMA模型对湖北省痢疾发病数的预测比GM(1,1)模型有较明显的优势,能更准确的处理时间序列类型的资料,此预测结果准确具有实用价值,可为卫生防治工作提供依据。     

时间序列模型在广州市登革热发病趋势预测的应用

目的利用ARIMA模型对广州市登革热发病趋势进行时间序列分析和预测。方法收集广州市2015-2018年登革热每周发病数,采用2015-2017年登革热每周发病数构建ARIMA模型,通过2018年登革热发病预测值与实际值的拟合情况,评价模型预测效果。结果拟合模型ARIMA(4,1,9),残差序列为白噪声,预测值与实际值平均绝对误差为4.03,均方根误差为8.13。2018年登革热预测发病趋势与实际发病趋势较吻合。结论 ARIMA模型能较好地模拟广州市登革热的短期发病趋势,可作为预测工具。     

基于R语言的ARIMA模型对医院早产趋势的预测分析

目的 构建医院早产时间序列的自回归移动平均模型(ARIMA),预测医院早产变化趋势,为合理配置医疗资源、政策制订提供科学依据。 方法 收集深圳市妇幼保健院2016年逐日早产例数,运用R语言进行时间序列分析,构建ARIMA预测模型,并对预测效果进行评价。 结果 2016年深圳市妇幼保健院早产1 738例,其最佳预测模型为ARIMA(3,1,1),该模型最小赤池信息量准则为1 680.67,模型残差序列Ljung-Box检验=0.16,差异无统计学意义(P=0.689),提示残差为白噪声序列,模型拟合良好。模型预测平均相对误差为9.2%,实际值均在预测值95%可信区间内。 结论 ARIMA(3,1,1)模型能较好地模拟深圳市妇幼保健院早产变化趋势,具有良好的预测效果。     

ARIMA模型和指数平滑法在我国北方流感样病例预测中的应用和比较

目的 比较ARIMA模型和指数平滑法对我国北方流感样病例的预测效果,为流感防控提供科学依据。方法 利用我国北方2012年第1周—2018年第17周的每周流感样病例比例数据拟合建立ARIMA模型和指数平滑模型,预测 2018年第18周—2019年第17周的流感样病例比例,对预测值与实际值进行比较。结果 ARIMA最优模型为ARIMA(0,1,1)(2,1,0)₅₂,预测的均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和平均绝对误差(mean absolute error,MAE)分别为0.57%、8.98%、0.34%;指数平滑法的最优模型为简单季节性模型,预测的均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)分别为0.83%、15.24%、0.55%。结论 ARIMA(0,1,1)(2,1,0)₅₂模型预测精度更高,可用于我国北方流感样病例的短期预测。