基于小波分析的肾综合征出血热发病率预测方法

目的建立季节性趋势时间序列小波预测模型的方法，提高肾综合征出血热发病率的预测精度。方法对原始序列进行多层小波分解，提取趋势项、周期项和随机项，对它们分别进行预测，将各项的预测值合并作为原序列的预测值。结果小波分解后建模的预测精度为84．8％，而ARIMA建模的预测精度为66．1％。结论用小波预测模型对HFRS作短、中期预测是有效、可行的。     

基于小波分析的手足口病时间序列预测

目的构建基于小波分析的自回归移动平均(ARIMA)模型预测手足口病流行,提高预测精度。方法使用2010-2015年郑州市疾控中心手足口病监测数据,构建基于小波分析的ARIMA模型进行预测,用2016年数据进行验证,并与单纯的ARIMA模型进行比较。结果构建的基于小波分解一层的ARIMA模型为ARIMA(0,1,3)(2,1,0)_(52),矫正后的AIC=2747.82,残差序列的ACF、PACF图示残差序列无自相关,Box-Ljung test统计量为0.9177,P=0.34,认为该残差为白噪声序列,模型拟合良好。预测2016年发病趋势与实际较为相符,均方根误差RMSE(root mean square error)、平均绝对误差MAE(mean absolute error)、平均绝对百分比误差MAPE(mean absolute percentage error),分别为49.42、26.45、15.75(训练集拟合)和275.84、219.90、72.95(验证集预测),除了验证集MAPE外,均小于单一的ARIMA模型。结论基于小波分析的ARIMA模型可用于手足口病时间序列预测,拟合和预测性能较单一的ARIMA模型好。     

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。     

ARIMA模型在河南省梅毒月发病率预测中的应用

目的 应用自回归移动平均模型(auto-regressive integrated moving average,ARIMA)建立河南省梅毒月发病率预测模型,为制定梅毒防控措施提供参考依据.方法 应用SPSS15.0统计软件包对河南省2006年1月至2011年12月梅毒月发病率进行ARIMA模型拟合,依据BIC准则确定模型的阶数.利用最终模型预测2012年1月至5月梅毒月发病率,比较预测值和实际值,检验预测效果.结果 ARIMA(3,1,0)(0,0,1)12模型能够较好地拟合及预测梅毒月发病率,具有较高的预测精度,模型所得结果与实际值非常接近,实际值均在预测值的95％可信区间范围内.结论 ARIMA模型能较好地模拟梅毒发病率在时间序列上的变化趋势,可用于预测梅毒的发病率趋势,为制定其防控措施提供科学依据.     

江苏省启东市1972-2001年肺癌发病趋势分析及预测模型比较研究

目的引入时间序列分析江苏省启东市1972—2001年肺癌发病资料并预测其到2010年的变化趋势。方法利用启东市肿瘤登记处积累的肺癌1972—2001年的登记资料，采用时间序列分析方法中的趋势外推法、指数平滑法、自回归综合移动平均模型（ARIMA模型）等分析该地肺癌发病率的变化趋势。比较各方法预测精度，赋予不同权重，建立组合预测模型。结果各种分析方法预测趋势结果：肺癌的发病率将呈现上升趋势；预测今后十年仍继续呈现上升趋势，估计至2010年启东市男性肺癌发病率将突破70／10万，女性将达到20／10万，在2001年基础上将增长33％和10％以上，接近周边大城市肺癌发病率水平。结论通过预测模型的分析和比较，认为运用时间序列分析预测肺癌发病率趋势是恰当的，建立组合模型可以提高预测精度。组合模型与ARIMA法预测启东市肺癌发病率结果相近，可以用ARIMA法作为肺癌发病率预测的主要方法。     

基于ARIMA模型的深圳市大气PM_(2.5)浓度时间序列预测分析

目的建立深圳市大气细颗粒物(PM_(2.5))时间序列分析的自回归移动平均模型(ARIMA),预测深圳市大气PM_(2.5)浓度变化趋势,为公众健康出行提供科学依据。方法收集深圳市2016年大气PM_(2.5)逐日监测数据构建ARIMA预测模型,对建立的模型进行参数估计、模型诊断,选择最优预测模型。利用构建的最佳模型对深圳市2017年1月1日-2017年1月5日大气PM_(2.5)逐日浓度进行预测,并对预测效果进行评价。结果 ARIMA(2,1,2)模型为深圳市大气PM_(2.5)浓度最优预测模型,其最小赤池信息量准则(AIC)、贝叶斯信息准则(BIC)值分别为2 683.51、2 703.01,模型残差序列的Ljung-Box统计量χ~2=0.018,差异无统计学意义(P=0.894),提示残差为白噪声序列,模型拟合良好。深圳市2017年1月1日-2017年1月5日大气PM_(2.5)浓度监测值与预测值的平均相对误差为15.6%,实际值均在预测值95%可信区间内。结论ARIMA(2,1,2)模型能较好地模拟深圳市大气PM_(2.5)变化趋势,具有良好的预测效果。     

南宁市2000—2009年道路交通伤害时间序列分析

目的建立广西自治区南宁市道路交通伤害的预测模型,掌握南宁市道路交通伤害的发生和变化趋势,为预防和控制南宁市道路交通伤害提供参考依据。方法收集南宁市2000—2009年道路交通伤害资料,进行时间序列分析,建立自回归求和移动平均模型(ARIMA模型),对南宁市2010—2011年道路交通伤害发生情况进行预测。结果建立了南宁市道路交通伤害事故发生次数、死亡人数、受伤人数和直接经济损失各自的ARIMA模型,模型拟合与预测效果良好,预测模型均为ARIMA(1,0,0),2010年各指标的预测值依次为472次、145人、562人、157.043 6万元;2011年各指标的预测值依次为464次、141人、527人、161.120 9万元。结论 ARIMA模型在道路交通伤害预测中具有较好的应用价值。     

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。     

移动假日效应调整对春节影响月份的出院病例数预测效果研究

目的对比用原始出院人数序列预测的直接预测值与调整移动春节效应后序列的调整预测值对春节影响月份的预测效果。方法采用时间序列ARIMA模型进行预测研究。用移动假日效应调整方法进行出院人数移动春节效应的调整,并根据均值预测值和预测年份的调整差值计算得出调整预测值。结果两次预测的预测模型相同,均为ARIMA(1,(1,12),1)模型。2013年2月调整预测的相对预测误差为0.4%,其绝对值显著小于实际预测的相对预测误差(-13.58%)的绝对值。结论移动春节效应严重影响了春节效应月份的预测效果。调整移动春节效应后的调整预测值与实际值更为接近。     

应用ARIMA模型对季度入院人次的预测

[目的]用ARIMA季节乘积模(p,d,q) (P,D,Q)s对季节性时间序列资料建模并预测.[方法]用Box-Ljung统计量评价ARIMA模型的拟和度,用平均预测相对误差作为预测效果的评价指标.[结果]对所分析的季节性时间序列建立了乘积ARIMA(0,1,1) (0,1,2)S模型,平均预测相对误差为6.50%.[结论]用所建立模型对入院人次进行预测,结果表明ARIMA是一种预测精度较高的预测模型.     

基于周期分解的ARIMA模型在甲肝发病率预测中的应用

摘要:目的　探讨基于周期分解的ARIMA模型在我国甲肝月发病率预测中的应用,并比较其与SARIMA模型的预测效果。方法　收集2004年1月-2014年12月我国甲肝月发病率资料,用SPSS13.0分别拟合两种模型,并用2014年的数据评价模型的预测效果。结果　基于周期分解的ARIMA模型的拟合及预测的MRD,MER,MSE和MAE分别为4.4691,0.0446,0.0002,0.0092;4.1310,0.0415,0.0001,0.0066。SARIMA模型的拟合及预测的MRD,MER,MSE和MAE分别为7.2979,0.0781,0.0003,0.0185;6.4407,0.0708,0.0002,0.0110。结论　基于周期分解的ARIMA模型拟合和预测效果优于SARIMA模型。它可以提高预测的精度,具有较好的应用价值。     

ARIMA模型和ARIMA-GRNN模型在AIDS发病预测中的应用

目的 探究适用于预测我国艾滋病月发病人数的模型,为艾滋病的预防提供参考。方法 收集2011年1月至2017年12月我国艾滋病月发病报告人数资料,建立自回归移动平均（autoregressive integrated moving average,ARIMA）模型及广义回归神经网络（generalized regression neural network,GRNN）模型与ARIMA模型的联合。用2018年1月至5月艾滋病月发病数评估该模型预测效果。结果 艾滋病月发病数呈明显季节性,拟建立ARIMA（1,1,1）（0,1,1）₁₂模型对我国艾滋病月发病报告数进行预测。建立ARIMA-GRNN模型的光滑因子为0.021。ARIMA-GRNN模型拟合及预测误差均低于ARIMA模型。结论 ARIMA（1,1,1）（0,1,1）₁₂和ARIMA-GRNN模型均能较好地拟合并预测我国艾滋病月发病人数,但联合模型的效果更优。     

自回归求和移动平均季节乘积模型在结核病发病率预测中的应用

目的探讨自回归求和移动平均（autoregressive integrated moving average,ARIMA）季节乘积模型在季节性时间序列资料分析中的应用,建立结核病发病率的预测模型。方法利用重庆市结核病防治所登记的某区1993至2004年结核病新发病例数及该区各年的平均人口数,采用条件最小二乘法估计模型参数,按照残差不相关原则、简洁原则确定模型的结构,依据Akaike信息准则（Akaike’s information criterion,AIC）与Schwartz的贝叶斯信息准则（Bayesian information criterion,BIC）确定模型的阶数,建立结核病发病率ARIMA季节乘积预测模型。结果非季节和季节移动平均参数分别为0．84076和0．46602,t检验的P值均小于0．05,有统计学意义,方差估计值为0．088589,AIC=19．75979,SBC=23．28219,显示模型提取序列中几乎所有的样本相关信息。对模型进行残差白噪声分析,X^2检验统计量的P值均大于0．05,表明ARIMA（0,1,1）（0,1,1）。NOINT模型是有效的。结论ARIMA（0,1,1）（0,1,1）。NOINT模型是一种短期内预测精度较高的结核病发病率预测模型。     

江西省乙型肝炎发病趋势的时间序列和预测模型分析

目的利用乘积季节模型预测江西省乙型肝炎(乙肝)的发病趋势,为江西省乙肝预警预测奠定基础,同时为制定防控措施提供科学依据。方法利用最小二乘原理,应用自回归求和移动平均模型与随机季节模型相结合的乘积季节模型,对江西省1990-2009年乙肝月发病数进行时间序列分析并建立预测模型,用2010年相应数据验证预测效果,并对2010年以后江西乙肝发病趋势进行预测。结果利用1990-2009年资料构建ARIMA(1,1,1)(0,1,1)12模型,所建立的预测效果良好,实际值均在预测值95%可信区间内,预测2011-2014年江西省乙肝发病人数呈上升趋势。结论采用ARIMA乘积季节模型预测江西省乙肝发病情况,拟合及近期预测效果均较好。预测效果符合江西省乙肝发病现状及目前采取的乙肝防治措施。     

ARIMA模型预测上海市闸北区手足口病发病趋势

目的应用季节性时间序列ARIMA模型建立手足口病发病趋势预测,为预警、早期防控手足口病流行提供依据。方法应用SPSS13.0对2002年4月-2011年3月8年的手足口病逐月发病率建立ARIMA模型。结果通过对参数和模型的拟合优度检验以及残差白噪声序列的检验,最终确定模型为ARIMA(1,0,0)(2,1,0)12,其中AIC=235.855,BIC=245.942,LB统计量检验残差序列为白噪声序列。结论模型能够有效地预测手足口病发病趋势,对预警预测产生积极的指导作用。     

GRNN组合预测模型对辽宁省及部分地区肾综合征出血热发病率的预测研究

目的探讨广义回归神经网络（GRNN）组合预测模型在肾综合征出血热（HFRS）发病率预测上的优势及应用前景。方法利用1990—2001年辽宁省、丹东市、沈阳市和朝阳市HFRS发病率分别建立GM（1，1）灰色预测模型和求和自回归滑动平均（ARIMA）模型，把2个模型的预测值作为GRNN的输入，实测值作为网络的输出，对样本进行训练和预测，并对3个模型的预测效果进行比较。结果针对辽宁省HFRS发病率建立的GM（1，1）模型、ARIMA模型和GRNN组合预测模型的平均误差率（MER）分别为13．5143％、25．0814％和5．5755％；R^2分别为0．8961、0．6997和0．9837。针对丹东市HFRS发病率建立模型的MER分别为19．7329％、20．6275％和14．0789％；R^2分别为0．8112、0．7628和0．8750。针对沈阳市HFRS发病率建立模型的MER分别为15．1421％、18．0584％和14．3592％；R。分别为0．8757、0．7889和0．8585。针对朝阳市HFRS发病率建立模型的MER分别为51．5090％、28．6593％和28．5927％；R^2分别为0．7863、0．8291和0．7753。GRNN组合预测模型对于辽宁省和丹东市的HFRS发病率预测效果好于2个单一模型；针对沈阳市所建立的HFRS发病率预测模型，GRNN组合预测模型和GM（1，1）模型相当，ARIMA模型最差。朝阳市的HFRS发病率预测模型不适合用上述方法建立。结论GRNN组合预测模型充分体现了它在小样本预测中的优势，预测效果优于GM（1，1）模型和ARIMA模型，对解决时间序列类型的HFRS发病率等资料有很好的实用价值。     

ARIMA模型在细菌性痢疾预测中的应用

[目的]探讨应用ARIMA模型进行细菌性痢疾预测、预报的可行性。[方法]应用SPSS13.0软件分析1990～2008年广西细菌性痢疾月发病数资料,构建ARIMA乘积模型,并预测2009～2010年细菌性痢疾月发病数。[结果]最优乘积模型为ARIMA(1,1,1)(0,1,1)12,模型具有较高的预测精度,预测值与实际值基本吻合,且实际值均在预测值可信区间范围内。[结论]ARIMA模型是一种行之有效的预测方法,能够应用于广西细菌性痢疾流行趋势的预测及疫情的预警、预报,为实施干预提供依据。     

ARIMA乘积季节模型在流行性腮腺炎发病率预测中的应用

目的构建时间序列分析ARIMA乘积季节性模型,预测武汉市2013年流行性腮腺炎发病趋势,探讨该模型在流行性腮腺炎发病率预测中的应用。方法利用中国疾病监测信息报告系统2005年1月至2012年12月武汉市流行性腮腺炎月发病资料,运用PASWStatistics18．0专家建模器,考虑季节性因素建立ARIMA预测模型,并将所建模型对2013年流行性腮腺炎月发病率进行预测。结果模型残差序列为白噪声,ARIMA（0,1,0）（0,1,1）。：模型构建理想,能较好地拟合时间序列,2013年流行性腮腺炎月发病高峰在5～7月,至11、12月出现次要高峰。结论专家建模器构建乘积季节性模型拟合效果较好,但在实际工作中要充分考虑流行性腮腺炎各项防控措施推行等影响因素,综合分析,为防控工作提出理论与实证建议。     

中国内地法定报告传染病预测和监测的ARIMA模型

目的通过对1995年1月～2004年4月中国大陆法定报告传染病逐月发病率数据的分析,研究其变化规律,建立预测与监测的ARIMA时间序列模型。方法利用时间序列模型中的自回归滑动平均混合模型ARIMA,考虑非季节效应和季节效应,分析中国法定报告传染病发病率的变化趋势和周期性,模型参数估计采用非线性最小二乘法,应用残差和赤池信息量准则（AIC）评价模型的优劣。1995～2004年我国内地法定报告传染病逐月发病率的数据用于建立模型,2005年1月～2006年4相应数据用于模型检验。结果分析结果显示,法定报告传染病发病以年为周期,一年中6～9月为高发月,尤其是8月和7月最为严重。ARIMA（0,1,0）（0,1,0）12模型是法定报告传染病拟合的最佳模型,其拟合残差的方差为2.28,外推预测的平均绝对误差为0.34。利用预测值的95%置信区间建立了我国内地法定报告传染病发病率变化的监测控制线,用于其发病情况的预测与预报。结论对传染病发病率历史数据进行时间序列分析是用于传染病监测的一个重要的工具。所建立的ARIMA模型适用于对中国大陆法定报告传染病发病率预测与监测。该模型具有一定的实用价值,并可以应用于其他传染病的监测和异常变化的检测。