ARIMA乘积季节模型在盐城市手足口病疫情预测中的应用

目的 探讨自回归移动平均（autoregressive integrated moving average model,ARIMA）乘积季节模型在盐城市手足口病发病趋势预测的可行性。方法 利用盐城市2009年1月至2015年12月的手足口病月发病率建立ARIMA乘积季节模型,并对2016年手足口病发病趋势进行预测。结果 盐城市手足口病预测模型为ARIMA（1,0,1）（1,1,0）12,该模型的参数估计具有统计学意义,拟合优度检验统计量最小Normalized BIC=2.997,残差序列检验统计量Ljung-Box=20.692（P0.05）,残差为白噪声,模型能够拟合出手足口病的发病趋势,且实际值都在95%可信区间内,但模型拟合的平均误差率为41.296%,检验模型预测效果的平均误差率为23.998%,模型预测精度高于拟合精度。结论 运用ARIMA乘积季节模型能够对盐城市手足口病发病趋势进行预测和动态分析,对手足口病预防控制产生积极的指导作用。     

自回归移动平均模型乘积季节模型在南昌市手足口病疫情预测中的应用

目的探讨自回归移动平均模型(ARIMA)乘积季节模型在手足口病预测中的应用,对手足口病的月发病数进行趋势预测。方法收集南昌市2009年1月至2012年12月手足口病的月发病数资料建立ARIMA乘积季节模型,并对预测结果进行评价。结果在手足口病预测中建立ARIMA乘积季节模型的最优模型为ARIMA(0,1,1)×(1,1,0)12模型,正态化的BIC为(贝叶斯信息准测)12.31。结论建立的ARIMA模型能较好地拟合和预测南昌市手足口病的月发病数,为手足口病的防治提供参考依据。     

α-Sutte模型在疫情预测中的应用:基于R软件

  目的  介绍α-Sutte模型的原理、方法,并利用R软件建立α-Sutte模型。 比较α-Sutte模型与乘积季节自回归移动平均模型（SARIMA）拟合及预测效果,为α-Sutte模型在疫情预测中的应用提供参考。  方法  收集2020年1月1日至2021年7月16日印度、美国、意大利、巴西、俄罗斯、南非各国新型冠状病毒肺炎（COVID-19）逐日累计报告病例数。 以首例报告病例时间作为起点,起始日期至2021年6月16日数据作为训练数据,2021年6月17日至2021年7月16日作为测试数据。 利用R语言根据α-Sutte模型计算公式自行编写拟合及预测函数α-Sutte。 训练数据被用于训练α-Sutte模型和SARIMA模型。 建立2个模型预测2021年6月17日至2021年7月16日COVID-19逐日报告病例数。 拟合值与训练数据比较、预测值与测试数据比较评价模型拟合及预测效果。 采用评价指标为平均绝对误差百分比（MAPE）。  结果  印度、美国、意大利、巴西、俄罗斯和南非建立的最优SARIMA模型为SARIMA（5,2,2）、SARIMA（0,2,2）、SARIMA（2,2,2）、SARIMA（3,2,2）、SARIMA（0,2,1）和SARIMA（4,2,3）。 α-Sutte和SARIMA模型在印度、美国、意大利、巴西、俄罗斯、南非6个国家拟合的MAPE分别为1.32%、1.34%、0.89%、1.65%、0.99%、0.99%,以及1.51%、1.59%、0.89%、1.67%、1.03%、1.13%。 α-Sutte和SARIMA模型在6个国家预测的MAPE 分别为0.81%、0.09%、0.13%、1.58%、1.73%、3.77%,以及0.09%、0.09%、0.18%、1.13%、1.83%、3.43%。  结论  α-Sutte模型的原理、建模简单,利用R语言建立的模型拟合及预测精度高,值得在疾病监测领域推广使用。     

自回归移动平均模型在全国手足口病疫情预测中的应用

目的探讨应用时间序列基于季节性差分的自回归移动平均模型(autoregressive integrated moving average,ARIMA)预测全国手足口病的发病情况。方法利用"中国疾病预防控制信息系统"中的"疾病监测信息报告管理系统"(又称"传染病疫情信息网络直报系统")的资料,应用SPSS 19.0统计软件、采用ARIMA,对全国2009年1月至2012年12月手足口病逐月发病情况进行建模和拟合,利用所得到的模型对2013年1-6月的发病情况进行预测,并评价其预测效果。结果分析结果显示,手足口病发病以年为周期,1年中5-6月为高发月。非季节移动平均参数滞后两次后为0.532,t检验的P值为0.003,差异有统计学意义。BIC=21.955,Ljung-Box统计量检验残差序列为白噪声序列。最佳ARIMA(0,1,2),(0,1,0)12预测的平均相对误差为0.52,预测效果一般。按照不同发病模式分为两层后分别建立ARIMA,平均相对误差为0.12,预测效果好。结论对监测数据进行时间序列分析是用于传染病预测的一个重要的工具。分析发现中国不能用一个ARIMA拟合手足口病资料,因地区间发病的变异和模式不同;按手足口病的发病模式将各省分为单峰和双峰两层,分别拟合ARIMA,模型拟合效果更好。     

ARIMA季节乘积模型预测济南市猩红热发病趋势

目的 探讨ARIMA季节乘积模型在济南市猩红热月发病率预测中的应用,并预测猩红热月发病趋势,为制订防控策略提供依据。方法 对济南市2006-2014年猩红热月发病率资料建立ARIMA季节乘积模型,利用2015年1-6月发病资料检验模型的精度,并预测2015年各月发病率。结果 构建ARIMA(1,0,0)(0,1,1)12模型可以用于济南市猩红热月发病率的拟合和预测,模型决定系数R2=0.64。结论 2015年济南市猩红热处于高流行期,应警惕出现流行和暴发的可能,在高发时间、高发地点做好猩红热的监测和应对工作,防止暴发流行。     

SARIMA模型和Holt-Winters指数平滑法在江苏省肺结核发病数预测中的应用

目的 建立季节性差分自回归移动平均（SARIMA）模型和Holt-Winters指数平滑法,对江苏省结核病发病数进行预测,并评价两种方法的准确性,旨在为江苏省肺结核防控提供科学参考。方法 利用2016年1月至2020年12月江苏省肺结核发病数据分别建立SARIMA模型和Holt-Winters指数平滑法模型,以2021年1—12月肺结核发病数验证模型并用均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）评价两种模型的预测效果。结果 拟合最佳的SARIMA模型为（0,1,2）(0,1,0)12, RMSE为229.52, MAE为146.81, MAPE为6.33%,总的相对误差为5.21%。Holt-Winters相加模型的RMSE为206.75,MAE为156.45,MAPE为6.63%,总的相对误差为7.74%。结论 两种模型均能较好的拟合肺结核发病数,SARIMA模型预测效果更佳。     

乘积季节性ARIMA模型在重症监护病房医院感染发病率预测中的应用

摘要 目的 研究乘积季节性ARIMA（p,d,q）×（P,D,Q）s模型在重症监护病房医院感染发病率预测中的应用价值。方法通过收集某医院重症监护病房（ICU）医院感染发病率,建立乘积季节性ARIMA（p,d,q）×（P,D,Q）s模型,对重症监护病房医院感染发病率进行预测。结果ARIMA（1,1,1）×（1,1,1）s 能够较好的拟合该院重症监护病房医院感染发病率情况。此模型医院感染发病率实际值与预测值的吻合程度较高,平均相对误差为0.82%。结论ARIMA（1,1,1）×（1,1,1）s 能够较好地拟合该院重症监护病房医院感染发病率情况,可为医院感染的整体监控提供参考依据。     

自回归移动平均模型在预测门诊输液人次中的应用

目的 评价自回归移动平均模型（autoregressive integrated moving average model,ARIMA）在预测门诊输液人次中的作用,为医疗资源配置提供依据。方法 对某医院门诊部治疗室2003年1月至2007年12月的门诊输液患者进行统计分析,并使用SAS的ARIMA过程预测模型对2008年度门诊输液人次进行预测。结果 5年间门诊输液人次逐年增加,在各年度内存在波峰和波谷;不同年度每月门诊量有明显变化,但2月份均为门诊输液人次的低谷期。预测2008年门诊输液人次将明显增加,并呈现出季节性。结论 ARIMA模型可以合理预测各月门诊输液人次的变化,为医疗资源配置提供重要依据。     

采用自回归移动平均模型预测我国狂犬病病例的研究

目的采用自回归移动平均模型（ARIMA）对我国大陆地区狂犬病月发病数进行预测,为我国狂犬病的防治工作提供参考依据。方法使用SPSS 19.0软件,利用2007年1月至2016年12月我国狂犬病的月发病数建立时间序列模型,并以2017年的月发病数为验证数据,评估和筛选最优模型,使用最优模型对2018年狂犬病流行趋势及发病数进行预测。结果最优模型为ARIMA（0,1,1）（2,1,0）₁₂,其平稳R2＝0.539,均方根误差＝17.653,Ljung-Box Q＝8.932,P＝0.881。 对2017年1—12月的数据进行预测,相对误差为1.55%,2017年我国狂犬病实际发病数为516例,预计2018年发病数将继续下降至398例。结论ARIMA（0,1,1）（2,1,0）₁₂模型能很好地拟合狂犬病发病的长期趋势和季节趋势,回代拟合和短期预测效果较理想。     

求和自回归移动平均模型在陕西省细菌性痢疾发病预测中的应用

目的探讨时间序列模型预测传染性疾病发病率的可行性,应用自回归移动平均(autoregressive integrated moving average,ARIMA)模型对陕西省细菌性痢疾进行预测,为制定细菌性痢疾防治策略提供依据。方法根据2004-2012年陕西省细菌性痢疾月报告发病率的时间序列,以2013年1-12月的月发病率作为验证数据,建立ARIMA模型,并对预测效果进行评价。结果陕西省2004-2012年细菌性痢疾月发病率即含有长期递减趋势又含有以年为周期的季节效应,拟合的相对最佳模型为ARIMA(0,1,1)×(1,1,0)12。残差分析统计量经检验差异无统计学意义(Ljung-Box Q=21.994,P=0.143),提示残差为白噪声。2013年1-12月实际值与预测值的相对误差平均值为20.75%,最大40.37%,最小4.94%。结论 ARIMA模型可以较好地预测陕西省细菌性痢疾的发病趋势,模型预测效果的优化有待原始数据的进一步积累。     

求和自回归移动平均模型在江西省结核病发病预测中的应用

目的 探讨时间序列模型预测传染性疾病发病率的可行性,应用时间序列求和自回归移动平均(ARIMA)模型对江西省结核病发病率进行预测,为制定结核病防治策略提供依据。 方法 利用ARIMA乘积季节模型(p,d,q)(P,D,Q)s对2006-2011年江西省结核病分月发病数据进行ARIMA模型的建立与分析,并对预测效果进行评价。 结果 江西省2006-2011年结核病分月发病数即含有长期递减趋势又含有以年为周期的季节效应,拟合的相对最佳模型为ARIMA(0,1,1)(0,1,1)12。 结论 ARIMA乘积季节模型能有效的预测江西省结核病发病率的短期变化趋势。     

山西省布鲁氏菌病时间序列自回归移动平均模型分析

目的 了解山西省2006 - 2010年布鲁氏菌病(布病)疫情状况,建立布病分析模型,为布病预测与防治提供决策依据。 方法 根据山西省2006 - 2010年布病监测资料,构建时间序列自回归移动平均(ARIMA)模型,并进行了短期预测预报。 结果 所建山西省布病ARIMA模型拟合效果较好,中期布病发病数预测与实际趋势基本一致,结果解释符合专业实际。 结论 ARIMA模型预测山西省布病发病状况可行,结果可信。     

应用求和自回归移动平均模型预测 福建省甲型病毒性肝炎疫情

目的 建立福建省甲型病毒性肝炎(甲肝)分月发病数预测预警的求和自回归移动平均(ARIMA)时间序列模型。 方法 利用 SAS 9.0 软件的 PROC ARIMA 综合软件包对《疾病监测信息报告管理系统》收集的福建省2004 - 2010年甲肝分月发病数序列进行ARIMA模型的建模与分析。 结果 福建省2004 - 2010年甲肝分月发病数序列既含有长期的递减趋势又含有以年为周期的季节效应,经1阶12步差分后为平稳非白噪声序列,拟合的相对最优模型为ARIMA 。 结论 拟合甲肝的相对最优ARIMA模型,具有预测和预警的实际应用价值。     

北京市昌平区肺结核发病数ARIMA模型预测

目的 探讨自回归滑动平均混合模型(autoregressive integrated moving average model, ARIMA)模型在北京市昌平区肺结核发病数预测中的应用,阐述建模过程并预测2015年昌平区肺结核发病数,为制定防治策略合理配置资源等提供参考。方法 采用全国结核病网络专报系统中2009-2014年现住址为北京市昌平区的肺结核报告发病数数据,通过模型识别、参数估计、检验诊断及模型评价,建立昌平区结核病发病数的ARIMA模型,并预测其2015年肺结核发病数。结果 现住址为昌平区的肺结核发病数预测模型为ARIMA(0,1,1)(0,1,1)12,预测2015年的新发报告肺结核患者总数为851例,模型2015年第一、二季度(1-6月)预测误差率为1.65%,不到10%,模型预测精度较好。结论 ARIMA模型适用于昌平区肺结核发病数的早期预测。     

自回归滑动平均混合模型在辽宁省人间布鲁氏菌病发病预测中的应用

目的 了解辽宁省2006-2015年人间和家畜布鲁氏菌病（布病）疫情情况,建立时间序列模型,探索畜牧业因素对人间疫情影响,为布病预测防控提供依据。方法 收集辽宁省2006-2016年布病月发病数,以发病数建立时间序列构建自回归滑动平均混合（ARIMA）模型,对2016年1-6月进行短期预测,结合实际观测值评价预测效果;收集辽宁省同期羊存栏量和疫情,分析与人间发病存在的关联。结果 构建模型ARIMA（1,1,1）（1,1,1）12,月发病数拟合值与实际观测值时间序列基本一致,预测效果良好,但精确度较低。羊年存栏量与人间布病发病数存在正关联性。结论 ARIMA模型预测辽宁省布病发病情况基本可行,加强人畜布病的监测工作,以揭示人与家畜流行病学关系。