时间序列分析与机器学习方法在预测肺结核发病趋势中的应用

目的研究时间序列分析与机器学习方法在预测肺结核发病趋势中的应用。方法使用江苏省2009-2018年肺结核月度发病率数据,构建时间序列分析(ARIMA模型)、机器学习方法(支持向量回归(SVR)、BP神经网络)和两者的组合方法(ARIMA-SVR、ARIMA-BPANN)共5种预测模型,分析评价各模型预测性能。结果 ARIMA、SVR、BP神经网络、ARIMA-SVR、ARIMA-BPANN均方误差分别为0.0356、0.0364、0.0384、0.0329、0.0336;平均相对误差分别为5.76%、6.19%、6.20%、5.63%、5.70%。结论时间序列分析优于机器学习方法,而二者组合模型预测效果优于单独方法,ARIMA-SVR模型在江苏省肺结核发病趋势预测分析中具有较好的应用价值。     

起伏型时间序列分析方法在流行性出血热预测中的应用

起伏型时间序列分析方法在流行性出血热预测中的应用南京市卫生防疫站李来英张小平本文采用一种新型的时间序列分析方法，即起伏型时间序列分析法探讨ＥＨＦ发病规律，为ＥＨＦ的防治提供科学依据。资料来源１９６８～１９９３年ＥＨＦ逐年发病数资料（附表）取自我站搜集...     

季节时间序列模型在菌痢发病预测中的应用

目的研究SARIMA模型拟合季节时间序列的方法,并将其应用于菌痢发病的预测,探讨该模型进行传染病预警的可行性。方法利用Eviews软件对江苏省菌痢的月发病数据进行建模,首先采用取对数、差分等方法对序列进行平稳化,然后进行模型参数的估计、检验,最优模型的筛选,最后进行预测分析。结果 SARIMA(1,1,2)(1,1,1)12较好地拟合了江苏省菌痢的月发病数据,预测效果良好。结论 SARIMA模型可用于具有季节性、周期性波动的传染病发病的动态分析和短期预测。     

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。     

时间序列法预测细菌性痢疾发病文献回顾

目的描述时间序列分析在细菌性痢疾发病预测领域的研究现状。方法设定纳入标准后在中国知网数据库中收集该主题相关文献。结果自2009年以来,共有19项研究利用时间序列分析方法进行菌痢发病率的预测分析,研究分布在11个省、自治区和直辖市。其中15项研究在地区层面基于地级市的数据进行预测分析。结论时间序列分析已在传染病发病率预测预警领域引起广泛关注和应用。     

不同时间序列分析法在洞庭湖区血吸虫病发病预测中的比较

目的 通过比较时间序列分析中指数平滑法、移动平均法、自回归分析及自回归综合移动平均法(ARIMA)在洞庭湖区退田还湖濠口试点1990～2002年血吸虫病患病率预测中的优劣。方法 用时间序列分析各方法建模预测,比较各方法1994～2002年预测值的误差平方和,确定最佳预测方法。结果 指数平滑法、移动平均法、自相关分析及ARIMA法中1994～2002年预测值的误差平方和依次为39.40、39.86、26.63、22.54。结论 濠口试点1990～2002年患病率预测中,时间序列分析诸方法中ARIMA模型预测效果较好。     

时间序列分析方法在医院管理中的应用

近年来,以ARIMA模型为代表的时间序列分析方法在医药卫生领域得到了广泛的应用,特别是在医院精细化管理中发挥了重要作用。本文梳理了近年来时间序列分析方法应用在医院管理中的相关文献,根据细分的研究领域进行文献综述,探究时间序列分析方法在医院管理中的作用。     

简易季节时间序列资料分析方法在疾病预测中的应用

本文用许汝福等[1]导出的季节时间序列资料分析方法──简易时间序列季节周期回归模型,对我市1991～1994年的乙型肝炎疫情报告资料进行分析,现将结果报告如下。方法一、季节周期回归模型设季节时间序列资料为Yij,i＝1,2,…,n为年度,j=1,2,3,4为季度,则式中b1i反映趋势变动,b2j反映季节变动,b3sin（）＋b4cos（）反映季节周期变动。二、季节资料的简易计算公式计算过程一、建立数学模型表1为肥城市1991～1994年各季度乙型肝炎的发病率（1／10万）。表11991～1994年各季度乙型肝炎发病率（1／10万）于是,回归方程为：二、预测…     

广州市1997～2009年肺结核报告发病数时间序列分析

目的 建立广州市1997～2009年肺结核报告发病数时间序列传递函数模型,短期预测肺结核报告发病数,检测与分析介入因素的影响及其强度:估计户籍人口与非户籍人口报告数的比例.方法 对肺结核月报告数时间序列拟合传递函数模型,短期预测肺结核报告数,检测异常值,根据其产生的机制与作用效果,利用适当的函数进行拟合.利用超额定基比思想,估计户籍人口与非户籍人口报告数.结果 建立的传递函数模型预测2010年肺结核月平均报告数为1 350例:2004年传染病网络直报与2005年肺结核报告专用系统使用导致月报告数分别上升1 292例与下降331例,2009年12月统计方式改变导致当月增加282例:2004～2009年报告数中55.30％为非户籍人口.结论 传递函数模型能较好地描述广州市1997～2009年肺结核报告发病数的分布规律,能较好地检测出介入因素,正确估计其影响模式与强度,预测效果较好.     

时间序列分析法在肺结核发病率预测中的应用

目的探讨ARIMA模型在肺结核发病率预测中的应用,为制定肺结核防控策略提供科学数据。方法利用深圳沙井街道2006年1月-2011年6月的肺结核月发病率数据建立ARIMA模型,采用2011年7-12月的月发病率数据验证模型的预测效果。结果建立的ARIMA(1,0,0)(1,1,0)12模型预测效果较好,实际值均在预测值的95%可信区间内,对2011年7-12月发病率的预测值基本符合实际发病率的变动趋势。结论 ARIMA模型能较好地模拟在短期内肺结核发病率的变动趋势。     

时间序列分析在阜阳市细菌性痢疾发病预测中的应用

目的探讨时间序列分析在细菌性痢疾发病预测中的应用,验证分析模型的可行性与适用性。方法利用阜阳市2009年1月～2013年6月细菌性痢疾发病资料,拟合自回归移动平均（ARIMA）模型,对阜阳市2013年7～11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,验证了该模型的可行性。结论 ARIMA模型可用于模拟细菌性痢疾发病在时间序列上的变化趋势分析,并进行短期预测。     

三种时间序列模型探讨1989～2012广西肺结核发病趋势

目的 探讨不同时间序列预测模型分析肺结核发病趋势的可行性,评价模型的拟合度,为制定肺结核预防控制策略提供科学依据.方法 收集广西壮族自治区1989 ～ 2009年肺结核疫情报告数据,分别采用曲线回归法、指数平滑法和ARIMA模型模拟肺结核疫情的动态轨迹,比较三种方法的拟合精度,评价拟合及外推效果.结果 1989～ 2007年广西肺结核发病率逐年增高,2007年后逐渐降低.其变动轨迹,以ARIMA模型拟合效果较好(拟合度R2=0.84),三种模型均具有一定的外展预测能力.结论 ARIMA模型适用于拟合类似肺结核发病率的动态趋势,在传染病疫情预测领域具有重要的现实意义.     

青海省肺结核发病与气象因素的时间序列分析

目的  探索气象因素与青海省肺结核发病之间的关系,并构建ARIMAX(autoregressive integrated moving average model-X, ARIMAX)模型对肺结核病例数进行短期预测。方法  利用地理加权回归(geographically weighted regression, GWR)分析气象因素对肺结核发病的影响。以2014―2018年肺结核月发病数作为响应序列,气象因素作为输入序列,通过互相关函数(cross-correlatioan function, CCF)图确定与肺结核发病有关的气象因素并构建ARIMAX模型,分别回代拟合和预测2014―2018年肺结核月发病数和2019年肺结核月发病数,并与实际发病数相比较。结果  降水量和相对湿度对肺结核发病存在正向影响,气压、气温和日照时数为负向影响,风速既存在正向影响,也存在负向影响;通过CCF图确定平均气温和平均风速与肺结核发病存在相关,并最终建立纳入2个协变量(平均气温3阶滞后和平均风速2阶滞后)的ARIMAX(0, 1, 2)×(0, 1, 0)₁₂最优模型,通过回代拟合和预测得出该模型拟合优度(R²)为0.71,平均绝对百分比误差(mean absolute percentage error, MAPE)为24.91%。结论  气象因素在不同程度上影响着青海省肺结核的发病,本研究建立的最优ARIMAX模型可用于预测肺结核发病。     

时间序列模型在传染病发病率预测中的应用

本文运用时间序列分析中被广泛应用的ARIMA模型对东风汽车公司1986～2002年的法定传染病月发病率进行拟合,并探讨使用此模型进行发病率预测的可行性,为传染病监测和防治提供帮助.     

基于季节性ARIMA模型的新疆肺结核发病预测分析

目的 探讨季节性时间序列模型(autoregressive integrated moving average,ARIMA)在新疆肺结核发病预测中的应用,并验证模型的可行性和适用性。 方法 采用季节性ARIMA(p, d, q )(P, D, Q)_s拟合2005年1月—2019年8月新疆地区肺结核月发病人数,建立多个季节时间序列模型并进行比较,选出最优模型对2019年9—12月肺结核发病人数进行预测。 结果 2005年1月—2019年8月新疆地区肺结核累积发病人数为627 869例,年平均发病人数为3 567例。 新疆地区肺结核月发病数具有季节性,1—5月平均发病数高于平均水平,6—12月平均发病数低于平均水平,发病高峰为1月和3月,发病低谷为9月。通过赤池信息量(Akaike Information Criterion,AIC)和贝叶斯信息量(Bayesian Information Criterion,BIC)最小原则得出,ARIMA(1, 1, 1 )(0, 1, 2)₁₂是最优模型,其残差序列为白噪声,参数的回归系数均具有统计学意义,拟合的平均绝对百分比误差MAPE为8.723%。预测的MAPE为18.674%,真实值均处于预测值的95%置信区间内。 结论 ARIMA(1, 1, 1 )(0, 1, 2)₁₂模型能够较好地拟合新疆肺结核发病数据,并进行短期预测,对新疆卫生防控措施的制定具有一定指导意义。     

应用时间序列模型预测麻疹疫情

目的 应用时间序列模型中的自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA),分析麻疹发病,为麻疹的预警预测提供科学依据.方法 利用吉林省麻疹监测系统3年来麻疹月发病数,采用SPSS统计软件中ARIMA数学模型,通过残差分析方法建立麻疹疫情ARIMA预测模型.结果 吉林省麻疹时间序列(经Ljung-Box检验,P=0.96)符合ARIMA(1,0,1)模型,且模型检查自相关系数在±0.5之间,预测值与观测值具有较高的吻合度.结论 麻疹ARIMA模型对麻疹疫情预测有较好效果.     

小波神经网络在季节性时间序列预测中的应用

目的 对季节性时间序列进行建模与预测.方法 用小波神经网络,对冒纳罗亚山天文台测量的1959～2010年大气月平均二氧化碳浓度数据进行建模预测,并在Matlab7.0编程实现.结果 采用小波神经网络对大气二氧化碳浓度进行预测,其平均预测精度为99.852％.结论 小波神经网络的预测精度高,可以较好地应用于季节性时间序列的预测.     

基于Prophet等时间序列季节模型的肺结核发病预测及对比分析

目的 探索河南省2014—2019年肺结核发病趋势及季节性特征,比较Prophet模型、ARIMA季节模型和Holt-Winters模型的拟合及预测效果,为肺结核防控提供科学依据。方法 基于河南省2014年1月至2018年12月肺结核月发病数据,建立Prophet模型、ARIMA季节模型和Holt-Winters模型,采用2019年1月至12月肺结核月报告发病数据验证预测效果。评价指标选取均方根误差（RMSE）、平均绝对百分比误差（MAPE）、平均绝对误差（MAE）、平均置信区间宽度、真实值超出置信区间个数。结果 模型拟合结果显示,河南省肺结核发病呈逐年下降趋势,每年3—5月达到发病高峰,2月和10月出现低谷;Prophet模型拟合及预测表现最优,评价指标RMSE、MAPE、MAE、平均置信区间宽度均低于另外两个模型,Holt-Winters模型次之,ARIMA(0,1,1)×(0,1,1)12模型拟合及预测效果相对较差。结论 Prophet模型具有较高的拟合预测准确度和精确度,可以很好地捕捉河南省肺结核发病趋势,模型拟合结果对肺结核防控工作具有一定指导意义。     

ARIMA模型和Holt-Winters指数平滑法在贵州省肺结核发病预测中的应用

目的探讨比较自回归差分移动平均（autoregressive integrated moving average, ARIMA）模型及Holt-Winters指数平滑法在肺结核发病预测中的应用,为贵州省结核病防控工作提供科学依据。方法以2015—2021年贵州省登记报告的肺结核发病数据建立ARIMA模型和Holt-Winters指数平滑模型,分别用两种模型预测2022年1—10月肺结核发病数,并与实际登记报告肺结核发病数作比较,对两种模型预测效果进行评价。结果 2015—2021年贵州省累计报告肺结核患者28.08万例,总体上肺结核发病呈下降趋势。构建ARIMA最佳模型为ARIMA (1, 1, 0)(0, 1, 0)12,模型预测结果均方根误差（root mean square error,RMSE）为462.46,平均绝对误差（mean absolute error,MAE）为424.50,平均绝对百分比误差（mean absolute percentage error,MAPE）为21.21%;Holt-Winters指数平滑法最佳模型为乘法模型,模型预测结果 RMSE为387....     

时间序列分析方法在医院检验科工作量预测中的应用

目的探讨时间序列分析在检验科工作量预测中的应用.方法根据我院检验科1994年3月至2004年6月的工作量资料,采用ARIMA时间序列分析方法建立一个简单实用的时间序列模型.结果1994年3月至2004年6月检验科的工作量沿逐年上升的趋势波动,该模型对2004年3月到6月检验科工作量预测的相对误差为1.36%～5.17%,预测结果比较满意.结论在工作量的近期预测中应用ARIMA时间序列模型分析方法对医院检验科工作具有一定的积极指导意义.