应用随机时间序列分析法对军队乙型肝炎疫情的预测研究

[目的]探讨应用ARMA模型拟合时间序列的方法,并将其应用于军队乙型肝炎的预测,为传染病预警系统提供决策依据. [方法]利用SPSS软件对全军1996～2005年乙型肝炎的月发病数据进行建立模型.并用所建模型对2006乙肝逐月发病人数进行预测,将预测值与实际值进行比较. [结果]ARIMA(0,1,1)×(0,1,1)12模型较好地拟合了既往时间段上的发病序列,其对2006年各月发病人数的预测值符合实际发病人数的变动趋势. [结论]在乙型肝炎的近期预测中引入时间序列的ARMA模型方法,为传染病预测具有指导意义.     

ARIMA模型在安溪县传染病发病率预测中的应用

目的 探讨用时间序列ARIMA模型对法定传染病发病率进行预测的可行性.方法 用SPSS 18.0对安溪县2005-2010年传染病月发病率进行ARIMA模型拟合,用所得模型对2011年各月发病率进行预测并与实际值比较.结果 ARIMA(0,1,1)×(1,1,0)12模型拟合良好,2011年各月预测值与实际值趋势吻合.结论 ARIMA模型能很好地模拟传染病发病率时间序列变动趋势,对疫情监测有重要意义.     

时间序列分析法在香港结核病预测中的应用

目的 阐述ARIMA模型拟合时间序列的方法和步骤,并将其应用于结核病的预测,为传染病预警系统提供决策依据.方法 利用SPSS统计软件对香港1997年到2008年结核病数据进行基本趋势分析并检验数据的平稳性,对平稳处理后的时间序列构建ARIMA模型,并对所建立的模型进行相关性检验,预测出未来一年的数据.结果 通过对结核病的预测,相对误差在3％左右,预测效果较为可靠.结论 在结核病的近期预测中引入时间序列的ARIMA模型分析方法,能够对结核病的预测产生积极的指导意义.     

时间序列分析法在传染病发病率预测中的应用

目的探讨时间序列分析法在乙类传染病发病率预测中的应用,为制定辖区传染病防控策略提供依据。方法用深圳市宝安区沙井街道2006年1月至2019年12月的乙类传染病月发病率数据,建立自回归移动平均模型(ARIMA)并验证模型的预测效果。结果建立的ARIMA(2,1,1)模型预测效果较好,实际值均在预测值的95%可信区间内,对2020年1～6月乙类传染病发病率的预测值基本符合实际变动趋势。结论 ARIMA模型能较好地模拟短期内乙类传染病发病率的变动趋势。     

将ARIMA模型应用于深圳市1980-2007年重点法定传染病预测分析

[目的]探讨自回归移动平均混合模型（ARIMA模型）在预测法定传染病发病方面的可行性,为传染病预防控制提供科学依据。[方法]选取深圳市发病数高、疾病负担较重、有代表性的部分重点传染病,利用时间序列的ARIMA模型对1980～2007年的发病数进行拟合。[结果]ARIMA模型对病毒性肝炎、狂犬病、细菌性痢疾、肺结核、伤寒与副伤寒、淋病、梅毒、猩红热、艾滋病病毒携带与艾滋病、风疹的拟合效果较好,对霍乱、疟疾、流感、流脑、腮腺炎、麻疹、登革热的拟合效果较差。[结论]ARIMA模型对深圳市几种重点传染病发病的时间序列变动趋势能进行较好的模拟．因此可以为法定传染病的预测提供依据。     

ARIMA模型在深圳市法定传染病发病趋势预测的应用

目的通过探讨单纯求和自回归滑动平均模型(ARIMA模型)应用于法定传染病发病率预测的可行性,为传染病防控工作提供科学依据。方法采用SAS9.2软件对深圳市2004-2014年的病毒性肝炎、细菌性痢疾的月发病率进行ARIMA模型的建模拟合,预测2015年病毒性肝炎、细菌性痢疾的月发病率。结果 ARIMA模型对病毒性肝炎、细菌性痢疾的拟合效果较好。结论 ARIMA模型对深圳市几种传染病发病的时间序列变动趋势能进行较好的模拟,因此可以为法定传染病的预测提供依据。2015年预测结果提示病毒性肝炎的发病有上升趋势,需进一步调整相应防控策略。     

ARIMA模型在深圳市法定传染病发病趋势预测的应用*

目的通过探讨单纯求和自回归滑动平均模型( ARIMA模型) 应用于法定传染病发病率预测的可行性, 为传染病防控工作提供科学依据.方法 采用 SAS 9.2软件对深圳市2004-2014年的病毒性肝炎,细菌性痢疾的月发病率进行ARIMA模型的建模拟合,预测2015年病毒性肝炎,细菌性痢疾的月发病率.结果 ARIMA 模型对病毒性肝炎,细菌性痢疾的拟合效果较好.结论ARIMA 模型对深圳市几种传染病发病的时间序列变动趋势能进行较好的模拟, 因此可以为法定传染病的预测提供依据.2015年预测结果提示病毒性肝炎的发病有上升趋势,需进一步调整相应防控策略.     

ARIMA模型应用于部队病毒性肝炎预测预警分析

目的 探讨ARIMA模型应用于部队病毒性肝炎预测的可行性,为部队传染病预防控制提供依据.方法 利用 SPSS 13.0软件对1999-2008年某部队病毒性肝炎逐月发病率进行ARIMA模型建模拟合,并对2009年病毒性肝炎逐月发病率进行预测.结果 ARIMA(0,1,1)×(0,1,1)12模型预测效果较好,2009年病毒性肝炎逐月发病率均在预测值的95%可信区间内.结论 ARIMA时间序列模型可以用于部队病毒性肝炎发病率的动态分析和短期预测.     

传染病预警模式的应用探讨

目的联合应用时间序列ARIMA模型以及控制图原理对传染病监测数据进行分析,探讨切实可行的传染病预警模式,实现对传染病的流行趋势进行预测,以期指导传染病的预防控制工作。方法收集筛选传染病的历史数据,利用时间序列ARIMA模型以及控制图原理,绘制控制图曲线,计算预警界值,预测疾病的流行趋势。结果利用建立的ARIMA模型初步确定疾病的年发病趋势后,可进一步根据绘制的控制图来确定实际疫情的流行趋势,综合传染病的严重性、危害性及可控制性及时作出反应。结论ARIMA模型与控制图法的联合应用,预警精度较高,是较好的传染病疫情预警模式。     

风疹疫情时间序列模型预测效果评价

<正>时间序列分析是专门用于分析时间序列资料的统计模型。它主要分析变量间的因果关系,重点观察变量随时间变化的发展规律。时间序列分析方法(ARIMA)模型在国内外被广泛应用于很多领域中,利用ARIMA模型,美国进行了2010年人群平均寿命预测〔1〕,在中国ARIMA被用于月门诊量的预测〔2〕和乙型肝炎发病率的分析〔3〕。本研究利用     

ARIMA模型在医院卫生消耗材料需求量预测中的应用

目的 阐述ARIMA模型拟合时间序列的方法和步骤,并将其应用于医院卫生消耗材料需求量的预测,为医院设备管理人员提供决策依据。方法 利用SAS软件系统,求解适宜的ARIMA模型,据所得误差评价预测效果。结果 通过对3种卫生消耗材料需求量的预测,相对误差在10％左右,预测效果较为可靠。结论 医院卫生消耗材料需求量的近期预测中引入时间序列的ARIMA模型分析方法,能够对实际工作产生积极的指导意义。     

我国2009－2018年病毒性肝炎的发病趋势分析和预测研究

目的 探讨我国5种病毒性肝炎（肝炎）的时间序列特征,并通过有效的模型预测其发病率。方法 按照甲型肝炎、乙型肝炎、丙型肝炎、戊型肝炎和未分型肝炎5种不同类型肝炎分类方式收集2009－2018年的月度发病数据,进行描述性和时间序列研究,采用趋势分解法以季节指数形式表示时间序列中的季节性,以线性回归模型表示其长期趋势,为每种肝炎建立差分自回归移动平均（ARIMA）模型。结果 2009－2018年报告肝炎14 856 990例,5种肝炎季节指数的极差均<1,戊型肝炎的季节性特征较为显著,其发病呈单峰型,其余4种肝炎的季节性特征一般。甲型肝炎、戊型肝炎和未分型肝炎的发病基本趋于平稳,在一个较低的水平上呈缓慢下降趋势,乙型肝炎发病数在5种肝炎中占比最高（79.59%,11 824 262/14 856 990）,但其下降趋势也为各型肝炎中最快（-0.01/10万）。丙型肝炎发病呈不断上升的趋势,上升速率一直保持稳定（0.005/10万）。ARIMA模型拟合的2009年1月至2018年12月的预测值与实际值较一致,平均绝对误差百分比范围为3.756 8~8.068 3。结论 对于法定报告传染病监测数据的时间序列分析有助于更好地了解我国肝炎的发病特征,ARIMA模型可用于我国肝炎的短期预测,具有较好的应用价值。     

浦东新区1993-2008年急性病毒性肝炎流行特征及发病趋势研究

目的对浦东新区1993-2008年急性病毒性肝炎发病的流行特征及变化趋势进行分析,并运用ARIMA时间序列模型对发病率进行拟合及预测,为制定今后一段时期的防治策略提供科学依据。方法采用描述性流行病学方法和随机时间序列模型分析上海市浦东新区1993-2008年急性病毒性肝炎的发病情况及2009、2010年的发病水平预测。结果 1993-2008年浦东新区共发生急性病毒性肝炎病例19699人,年均发病率74.21/10万。发病率逐年下降,至2008年全区急性病毒性肝炎发病率降至22.10/10万。15岁以下儿童急性病毒性肝炎发病率明显降低,女性儿童已连续2年无病毒性肝炎新发病例报告。乙型肝炎发病占全部急性病毒性肝炎的20.00%～44.16%。甲、乙型肝炎发病率明显下降,丙肝和戊肝呈上升趋势。结论 1993年以来浦东新区病毒性肝炎发病率逐年下降,但丙、戊型肝炎的发病率未见下降现象。在做好甲、乙型肝炎预防工作的同时应重视丙、戊型肝炎的预防。     

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。     

江苏省乙型肝炎流行趋势的时间序列分析及预测

目的：利用拟合ARIMA模型对江苏省乙肝发病趋势进行时间序列分析和预测,为制定乙肝防治策略提供科学依据。方法：收集江苏省2000年～2009年乙肝月发病率资料,通过SPSS13.0软件拟合ARIMA模型。结果：最终拟合为ARIMA（0,1,2）（0,1,1）12模型,残差为白噪声序列,预测值与实际值的平均相对误差为8.26%。结论：江苏省乙肝发病具有逐渐下降的长期趋势,说明乙肝防治卓有成效。2000年以来乙肝月发病率时间序列还有明显的周期性波动特征,其原因有待于进一步研究。2010年预测结果提示需调整本省乙肝防治策略。     

基于ARIMA和LSTM神经网络的乌鲁木齐市乙型肝炎发病预测研究

目的 了解乌鲁木齐市2012—2021年乙肝发病趋势,建立合适的发病预测模型,探讨ARIMA模型和LSTM神经网络在乙肝发病预测中的应用。方法 根据2012—2021年乙肝月报告病例数据,建立ARIMA模型和LSTM神经网络模型,对乌鲁木齐市乙肝发病数进行拟合及预测,通过比较RMSE的大小评价模型效果。结果 LSTM神经网络模型拟合和预测的RMSE分别为50.13、42.70,ARIMA(0,1,1)(0,0,2)12模型拟合和预测的RMSE分别为67.62、66.85。前者的拟合及预测效果显著优于后者。结论 乌鲁木齐市10年来乙肝发病呈逐年下降趋势,且存在一定季节性变化。LSTM神经网络模型可较好地拟合和预测乌鲁木齐市乙肝的发病数及趋势,且模型效果优于ARIMA(0,1,1)(0,0,2)12,能在一定程度上提高预测精确度。     

ARIMA模型应用于月门诊量预测

目的探讨季节性时间序列ARIMA预测模型在时间序列资料分析中的应用，建立门诊量的预测模型。方法采用最小二乘法估计模型参数，通过对数转换及差分方法使原始序列平稳，按照残差不相关原则、简洁原则确定模型结构．依据AIC和SBC准则确定模型阶数，建立ARIMA预测模型。结果季节自回归参数有统计学意义。方差估计值为0．001956．AIC=-443．26．SBC=-437．51。对模型进行白噪声残差分析，拟合优度统计量表中表明ARIMA的估计具体模型为：（1-B）（1-B^12）Zt=（1—0．24269B）（1—0．30096B^12）a1是适合的。结论用所建立模型对月门诊量进行预测。结果表明ARIMA是一种短期预测精度较高的预测模型。     

南通市流感样病例时间序列分析及发病趋势的 预测研究

摘要:目的　探讨时间序列分析中的自回归求积移动平均模型（ARIMA）在南通市流感样病例（ILI）发病趋势预测中的应用。方法　收集“中国疾病预防控制系统”中2009年7月-2013年11月共238周流感样病例的发病监测数据,建立时间序列数据库,对每周流感样病例的发病人数进行ARIMA模型拟合,利用模型对2009年7月-2013年11月的周数据进行外部预测,并对2014年2月-2014年3月各周的流感样病例的发病情况进行前瞻性预测。结果　构建流感样病例周发病数的ARIMA（1,1,1）模型为（1-0.806B2）（1-B）lnXt＝（1-0.958B2）∝t,其中B代表后移算子,Xt代表ILI周发病数,εt为随机误差。外部预测的预测值和实际值基本相符,相对误差较小。前瞻性预测结果符合流感样病例的流行特征。结论　该模型能较好的模拟并预测南通市流感样病例的发病趋势。     

ARIMA模型在预测我国乙肝月报告发病数中的应用

目的 建立适合预测我国乙肝月报告发病人数的自回归移动平均（autoregressive integrated moving average,ARIMA）模型。方法 收集2010年3月~2017年8月我国乙肝月报告发病人数据资料,用Excel 2010建立数据库,用R 3.3.3软件进行模型构建。其中2010年3月~2017年3月数据用于模型建立,2017年4~8月数据用于模型检验。结果 我国乙肝月报告发病数整体呈现下降趋势并于每年2月达到最低值,于3月份迅速上升到高峰值,具有明显季节性和周期性。建立ARIMA（2,1,1）（1,1,1）₁₂模型对我国乙肝月报告发病数进行预测,该模型预测的绝对误差平均值为2 628.55,相对误差最大值为6.16%,最小值为1.29%,平均值为2.61%。结论 基于本研究数据,ARIMA（2,1,1）（1,1,1）₁₂模型能较好地拟合我国乙肝的月报告发病人数,可用于预测。