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。     

应用ARIMA模型对甲型病毒性肝炎疫情预测的研究

目的探讨时间序列ARIMA模型在浙江省甲型病毒性肝炎疫情预警应用中的可行性。方法利用EViews5.0、SPSS13.0等统计软件对历年疫情资料汇编,《国家疾病报告管理信息系统》报告的浙江省甲肝按月发病数建立ARIMA模型。结果对甲肝发病数序列建立季节模型为ARIMA(1,0,0)(0,1,1)12,对2009年甲肝按月发病疫情拟合较好,能够及时、准确对疫情进行跟踪。结论 ARIMA模型能够较好应用于短期甲肝预测、预警,为疫情防控提供科学依据。     

自回归求和移动平均模型在荆州市手足口病疫情预测预警中的应用

目的应用自回归求和移动平均模型(autoregressive integrated moving average,ARIMA)对荆州市手足口病疫情进行预测预警,验证分析模型的可行性与适用性。方法利用荆州市2009~2015年手足口病发病资料,拟合ARIMA模型,预测2016年各月发病率并与实际值比较。结果 ARIMA(1、0、0)×(1、1、0)12模型预测结果很好地拟合了实际发病率的变动趋势,年发病率误差6.64%,验证了该模型的可用性。结论 ARIMA模型可用于模拟手足口病在时间序列上的变化趋势,进行短期预测预警。SPSS 20.0时间序列分析专家建模器客观、高效、简便,适用于基层疫情分析人员掌握及应用。     

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.     

自回归求和移动平均模型在阜阳市手足口病疫情预测预警中的应用

目的探讨自回归求和移动平均模型（autoregressive integrated moving average,ARIMA）在手足口病疫情预测预警中的应用,验证分析模型的可行性与适用性。方法利用安徽阜阳市2009-2013年手足口病发病资料,拟合ARIMA模型,对阜阳市2014年1-3月各月发病情况进行预测评价。结果建立ARIMA（1,2,0）（0,1,0）12模型,预测结果基本符合实际发病变动趋势,验证了该模型的可用性。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,进行短期预测。     

求和自回归移动模型在肾综合征出血热发病预测中的应用

目的利用求和自回归移动模型模拟传染病发病时间序列,提高传染病监测预警能力。方法以HFRS为例,收集2009年8月2019年2月国家法定传染病月度发病数数据,利用SAS 8.0对其做1阶差分12步差分提取周期趋势,对差分后时间序列序列进行ARIMA模型构建,估算参数并预测未来趋势。结果我国HFRS的发病呈现以年为单位的周期趋势,年平均发病总数基本保持在960人。构建的最优模型为ARIMA(2,1,1) 12,预测显示在未来5个月内2019年5月份病例报告数量达到高峰。结论 ARIMA模型通过分析HFRS发病历史数据,对短期发病情况预测精度高,能很好的反应传染病的发病规律及变化趋势,但实际应用过程中动态补充数据来对模型修正。     

山东省乙类传染病法定数据报告与预测模型

目的通过分析山东省乙型肝炎不同时期发病率的变化,发现其时间流行趋势,探讨乙型肝炎的预测方法,为进一步预防控制乙型肝炎工作提供科学参考依据。方法利用山东省2004—2012年法定报告乙类传染病历史疫情资料,应用描述性流行病学方法来描述人群中乙型肝炎的分布情况,揭示山东省乙型肝炎的时间流行趋势。同时应用ARIMA方法对山东省乙型肝炎疫情的流行趋势进行预测。结果通过模型的拟合结果分析预测效果较好,所拟合的模型为最优模型,可用于预测。结论对山东省2004年1月—2012年12月乙型肝炎发病率进行描述性流行病学分析后,可见山东省乙型肝炎的时间流行趋势具有明显的周期性。利用乙型肝炎的月发病率进行模型预测可知:该模型较好地预测了山东省乙型肝炎月发病率的发展趋势,24个月份的预测发病率95%的置信区间中包含实际发病率,进一步说明该模型对未来发病率的预测较为准确。     

ARIMA模型在水痘发病趋势预测中的应用

目的 运用时间序列ARIMA乘积季节性模型预测水痘发病趋势,为嘉定区水痘发病防控预警提供参考依据。方法 查阅《上海市统计年鉴》,获得2012—2022年上海市嘉定区常住总人口数;查询《中国疾病预防控制信息系统》中的嘉定区2012—2022年水痘病例信息。对嘉定区2022年水痘发病率进行预测并与实际数据进行分析,运用SPPS21.0时间序列模型专家建模器对2023年水痘月发病率进行外推预测。结果 经参数和模型拟合优度检验,以及残差白噪声序列的检验最终确定专家建模器模型ARIMA(0,1,1)(0,1,1)₁₂模型拟合效果好,预测结果显示2023年嘉定区水痘发病率为56.68/10⁵。结论 专家建模器构建的ARIMA模型可以准确有效地预测嘉定区水痘发病趋势,能够对预警提供积极有效的依据,在实际中结合社会、自然等影响因素可针对性进行水痘防控工作,提高工作效率及防治效果。     

时间序列分析在麻疹疫情预测预警中的应用研究

目的研究时间序列分析在传染病疫情预测预警中的应用,并探讨提高模型预测准确性和实用性的思路。方法以1952年1月至2006年12月江苏省麻疹发病资料建立时间序列分析模型,以2007年的发病资料作为模型预测效果的考核样本,然后将2007年的实际数据加入到原始序列中建立模型用2008年的数据来考核,并对以年为单位的发病资料进行分析和讨论。先采用差分方法对序列资料进行平稳化,然后进行定阶并估计参数,建立ARIMA模型,最后对预测结果进行分析和评价,探讨对疫情进行预警的方法和思路。结果江苏省麻疹的发病趋势自2006年明显上升之后保持平稳,但有小幅波动,这与实际情况吻合。检验表明模型结果具有较好的参考价值。结论用时间序列分析对传染病发病情况的拟合结果满意,预测和预警效果良好,为传染病防治提供了依据。     

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。     

控制图法对某部三种主要传染病预测预警的效果评价

目的 采用控制图法建立三种主要传染病的预警模型,以提高传染病疫情监测的预警能力.方法 利用2006-2010年某部病毒性肝炎、肺结核、水痘报告发病数据建立预警数据库,应用控制图法建立预警模型,参照“流行标准”,通过计算比较灵敏度、特异度、阳性预测值、约登指数及绘制受试者工作特征曲线,优选出最佳预警界值.结果 综合平衡各预警界值的灵敏度、特异度、阳性预测值后,将P90作为病毒性肝炎、水痘的预警界值,灵敏度均为100.0％,特异度分别为80.0％、75.0％;将P80作为肺结核的预警界值,灵敏度为100.0％,特异度为90.0％.结论 控制图法可作为某部病毒性肝炎、水痘、肺结核的预警方法,有较好的预警功效,预警界值分别为P90、P90、P80.     

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。     

综合性医院收容量预测的ARIMA模型构建研究

目的：研究综合性医院月收容量变化规律,监测医院收容量的异常变化,预测其变化趋势,为医院运营策略制定和资源调配提供依据。方法：通过对某医院1995--2005年月收容量数据分析,建立其监测和预测模型。结果：1995--2005年该医院住院病人月均收容2336±676．93人次,3、4、6、7、9、11和12月收容量超过10年月均水平,其余各月均低于月均水平。医院收容量的预测模型为ARIMA（0,1,1）（0,1,1）12,拟合残差平方和为2．810。以2005年月平均收容量预测值（2970±417,17）为目标值,2005年实际值超过目标值的26．12％。结论：该医院收容量存在季节效应和增长趋势,ARIMA模型不但可用于医院病人收容量的动态预测,还可用于医院病人收容量异常变化的监测和医院经营策略的评价,具有一定的实用价值。     

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。     

2018年南宁市手足口病疫情预测模型研究

目的 预测南宁市2018年手足口病疫情趋势,为早期预警、预测手足口病流行提供参考依据。方法 通过国家“传染病报告信息管理系统”下载2008年5月 - 2017年12月南宁市手足口病疫情资料,建立自回归移动平均模型(ARIMA)预测2018年手足口病发病趋势。结果 2008年5月 - 2017年12月南宁市累计报告手足口病患者440 376例,其中重症病例4 531例,死亡97例,年均发病率为610.05/10万,发病有2个高峰,一个主高峰为4 - 6月,次高峰为9 - 10月。病原学检测结果肠道病毒71型（EV71）占总阳性数38.56%;柯萨奇A组16型（CoxA16）占的16.70%;其他肠道病毒占44.74%,2010、2012和2014年等偶数年份EV71检出率均较高。利用ARIMA(0,1,0)×(1,1,1)12模型,预测2018年手足口病1 - 12月发病数分别为 295、201、685、2 795、4 489、2 763、1 557、954、1 549、1 327、1 296和990例,合计18 899例,与2018年1 - 5月实际发病数相比较,两者差异无统计学意义。结论 ARIMA模型能较好地模拟南宁市2018年手足口病发病趋势,预测模型精确度高。     

沈阳市流行性感冒监测数据的早期预警效果

目的利用现有的流行性感冒(流感)监测数据,探讨流感早期预警指标及其在2009年甲型流感大流行中的预警效果。方法选用沈阳18所哨点医院门诊流感样病例既往监测数据,采用控制图法,建立预警线,对2009和2010年的流感样病例百分比(ILI%)数据进行拟合,并结合新甲型H1N1疫情和病原学监测结果综合分析其早期预警效果。结果控制图法显示,ILI%较病原学监测和大疫情数据提前1周超过警戒线,ILI%趋势于新甲型H1N1疫情、流感病毒检出率变化趋势基本一致。结论 ILI%作为流感活动的监测指标较为可靠,控制图法可作为流感大流行敏感有效的早期预警指标。     

甘肃省流感流行预警方法探研

目的 探索适合甘肃省流感流行的预警方法。方法 分别用简单控制图法、移动百分位数法、指数平滑法及累积和控制图法对2014－2015年度甘肃省流感样病例监测数据进行预警分析,结合灵敏度、特异度、阳性预测值、约登指数、Kappa值等指标,比较和评价4种方法的预警效果。结果 2014－2015年度甘肃省流感流行高峰起始时间为2014年第50周,流行高峰持续6周。4种预警方法中以累积和控制图法预警效果最优,能及时发出预警信号,灵敏度及特异度分别为66.67%和93.48%。结论 累积和控制图法适合甘肃省流感流行高峰预警。     

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.     

Detection of epidemics in their early stage through infectious disease surveillance

BACKGROUND: Surveillance of infectious diseases is done in many countries. The aims of such surveillance include the detection of epidemics. In the present study, the possibility of detecting an epidemic in its early stage using a simple method was evaluated for 16 infectious diseases. METHODS: We used as an index the number of cases per week per sentinel medical institution in the area covered by a health centre in infectious disease surveillance in Japan in 1993-1997. Periods of epidemics in health centre areas were determined according to the reported indices. The simple method used for detecting the early stage of an epidemic is that if the index exceeds a critical value, then an epidemic will begin in the following 4 weeks. The sensitivity, specificity and positive predictive value for this epidemic warning were evaluated for given critical values. RESULTS: When the specificity of the epidemic warning was more than 95%, the sensitivity was more than 60% in ten diseases, and more than 80% in four diseases (influenza-like illness, rubella, hand-foot-and-mouth disease, and herpangina). The positive predictive value was between 15.6% and 31.4% in these ten diseases. CONCLUSION: The early stage of epidemics of some infectious diseases might be detectable using this simple method.