儿童医院医院感染率时间序列的自回归滑动平均混合模型验证

目的比较各儿童医院医院感染发生率的差异,并对前期自回归滑动平均混合(autoregressive integrated moving average model,ARIMA)时间序列模型进行进一步的验证。方法收集全国范围内5家三级甲等儿童医院(贵阳市妇幼保健院、河北省儿童医院、青海省妇女儿童医院、郑州市儿童医院、安徽省儿童医院)2013年1月-2016年12月4年间医院感染发生率数据,应用前期安徽省儿童医院数据拟合得到的ARIMA(0,1,1)标准模型,对各个医院感染数据进行标准模型的拟合,比较各个模型的信息准则参数,判断前期标准模型对其他医院是否适用;同时以各医院汇总后的医院感染发生率数据作为验证样本,进一步评估标准模型的可行性。结果 ARIMA(0,1,1)时间序列模型适用于文中5家儿童医院医院感染率的模型拟合,模型信息量准则参数如最小信息量准则(AIC)、贝叶斯信息准则(BIC)值均比前期标准模型小。数据合并后使用ARIMA(0,1,1)模型进行拟合,模型残差序列的Ljung-Box统计量Q=14.28,差异无统计学意义(P=0.578),提示残差为白噪声序列,模型拟合良好;医院感染率实际值与预测值的平均绝对百分误差值(MAPE)为11.6,实际值均在预测值95%可信区间内,未见超出点。结论ARIMA(0,1,1)时间序列模型能较好的拟合儿童医院感染率,具有预测住院患儿医院感染发生情况的实际价值。     

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。     

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。     

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。     

时间序列模型在医院感染发生率拟合预测中的比较研究

目的 探讨不同的时间序列模型在医院感染发生率预测中的应用价值.方法 以2005年1月至2010年12月宁夏某三甲医院的医院感染发生率建立ARIMA模型、指数平滑模型、灰色模型,以2011年1～10月的医院感染发生率资料检测模型预测值和实际值的拟合程度,评价各模型的预测准确性,确定对特定医院感染发生率的的最优预测模型.结果 ARIMA模型、指数平滑模型、灰色模型的预测MAPE值分别为12.50、10.41、19.03,模型预测评估等级为良好,其中指数平滑模型最优.结论 用时间序列模型对医院感染发生率的拟合预测效果良好,可为医院感染的整体监控提供参考依据.     

基于ARIMA模型的深圳市空气质量指数时间序列预测研究

目的构建适合深圳市空气质量指数(AQI)预测的自回归移动平均模型(ARIMA),为有效地治理和控制空气污染提供科学依据。方法应用时间序列分析方法对深圳市2014年1月1日—2016年6月30日AQI逐日数据进行分析并建立预测模型,对建立的预测模型进行参数估计、模型诊断、模型评价,选择最优预测模型,利用所得到的模型对2016年7月1日—2016年7月6日AQI进行预测,并评价其预测效果。结果本研究2014年1月—2016年6月共收集了深圳市912个逐日AQI数据,空气质量级别为优、良和轻度污染的比例分别是48.6%、48.4%和3.0%。经平稳性检验,该原始序列适合进行模型拟合,经过模型拟合诊断发现ARIMA(3,0,1)模型为最优模型,赤池信息准则(AIC值)和贝叶斯信息准则(BIC值)最小,分别为7 364.51和7 393.41,Box-Ljung检验结果 Q值为17.48,P0.05,模型残差为白噪声序列。2016年7月1日—2016年7月6日AQI预测值与实际值的平均相对误差为16.6%,实际值都在95%可信区间内,建立的ARIMA(3,0,1)模型的拟合精度和预测效果较为理想。结论 ARIMA(3,0,1)模型能较好地模拟深圳市AQI变化趋势,有良好的预测效果。     

ARIMA模型在耐碳青霉烯类肺炎克雷伯菌医院感染预测中的应用

目的 探讨ARIMA时间序列模型在耐碳青霉烯类肺炎克雷伯菌(CRKP)医院感染预测中的应用。方法 选取2018年1月—2022年6月某院住院患者每月CRKP医院感染发病率,应用SPSS 19.0建立ARIMA时间序列模型,分析模型的拟合,利用该模型对2021年7月—2022年6月CRKP医院感染数据进行验证,评价预测价值。结果 采用2018年1月—2022年6月住院患者每月CRKP医院感染发病率建模、拟合,建立最优模型ARIMA(0,1,9),模型拟合值与实际值较吻合,此模型对CRKP医院感染发病率实际值与预测值吻合程度较高,平均相对误差值为7.76%。结论 采用ARIMA模型可有效拟合、预测CRKP医院感染发病率,为CRKP医院感染预防与控制提供科学指导。     

基于ARIMA乘积季节模型预测产超广谱β-内酰胺酶大肠埃希菌流行趋势研究

目的利用产超广谱β-内酰胺酶(ESBLs)大肠埃希菌监测数据建立求和自回归移动平均(ARIMA)乘积季节模型,分析并预测ESBLs大肠埃希菌流行趋势。方法使用2010—2016年浙江医院产ESBLs大肠埃希菌感染的逐月检出例数拟合ARIMA乘积季节模型,以平均绝对百分误差(MAPE)及贝叶斯信息准则(BIC)评价模型的可行性。以2017—2018年2月产ESBLs大肠埃希菌感染的逐月检出例数作为评估模型的样本,验证模型的预测效果。结果筛选出的最优模型为ARIMA(0,1,1)(0,1,1)12,MAPE为14.76,BIC为2.01,模型残差序列的Ljung-Box统计量Q=16.79(P=0.40),模型拟合良好。所选模型预测的2017—2018年2月产ESBLs大肠埃希菌感染检出例数与实际值的平均相对误差为14.08%,实际值均在预测值95%CI内。结论 ARIMA乘积季节模型对产ESBLs大肠埃希菌感染检出例数的拟合情况较好,可用于产ESBLs大肠埃希菌感染的短期预测和动态分析。     

自回归滑动平均混合模型在医院感染发病率预测中的应用研究

目的 探讨自回归滑动平均混合(ARIMA)模型的应用价值,为医院感染的监控和预警模式建立提供辅助信息.方法 以2005年1月-2010年12月宁夏某医院的医院感染发病率建立ARIMA模型,进行样本内回代评价预测模型的可行性,以2011年1-10月的发病率资料作为模型预测评价样本,检测模型预测值和实际值的拟合程度,以相对误差绝对值平均(MAPE)值评价ARIMA模型的预测准确性.结果 ARIMA季节乘积模型(0、1、1)×(0、1、1)12的AIC、SBC值分别为1.9047、1.9752,为最优模型,模型表达式为12 Lnyt=(1+0.6841L)、(1 +0.8003 L12),其样本内拟合MAPE值为23.48％,R2=0.5423,模型具有外推价值,样本外预测MAPE值为12.55％,R2 =0.6213,模型预测精度良好.结论 用ARIMA模型对医院感染发病率的拟合结果满意,预测效果良好,可为医院感染的防治提供参考依据.     

基于求和自回归滑动平均模型的道路交通伤害死亡趋势预测分析

目的分析2014-2018年河北省道路交通伤害死亡情况,探讨求和自回归滑动平均模型(autoregressive integrated moving average model,ARIMA)在道路交通伤害死亡趋势预测中的可行性。方法采用描述流行病学分析2014-2018年河北省道路交通伤害死亡概况,运用R 3.5.3软件对河北省2014年1月―2018年6月道路交通伤害月度死亡资料建立ARIMA预测模型,进行整体回代观察拟合效果,比较2018年7月―12月预测值与真实值,评价预测效果。结果2014-2018年河北省累计报告道路交通伤害死亡人数13147例,男性10071例,女性3076例,年均死亡率为17.79/10万,总体呈现下降趋势。构建的最佳预测模型为ARIMA(0,1,1)(0,1,1)12,赤池信息量准则(Akaike information criterion,AIC)为390.64,Schwaz贝叶斯准则(Schwarz Bayesian criterion,SBC)为395.78;残差序列为白噪声序列(均有P>0.05),模型参数非零(均有P<0.05);预测结果实际值均落在预测值95%置信区间内,预测值与实际值之间的相对误差在1.15%~11.85%之间,RMSE=13.65,MAE=10.88,MAPE=4.80%,模型预测性能良好。结论河北省道路交通伤害死亡水平总体呈逐年下降趋势,ARIMA模型可用于道路交通伤害死亡趋势的短期预测。     

基于ARIMA模型的流感样病例预警预测分析

目的探索建立适合于流感样病例预测的自回归求和移动平均模型（ARIMA模型）。方法采集深圳市南山区2006--2011年流感样病例监测数据,绘制序列图,差分使序列平稳化,通过自相关分析和偏相关分析进行模型识别,根据AIC（赤池信息准则）和BIC（贝叶斯信息准则）确定模型参数,建立ARIMA预测模型,用Q统计量法对模型适用性进行检验,用2012年全年实际监测数据与模型预测值进行比较,评价模型预测效果。结果2006--2011年流感样病例累计报告199360例,月发病最大值9765例,月发病最小值594例,平均月发病2769例。通过对2006--2011年各月的监测数据进行分析发现,各年度流感样病例发病呈现明显的高峰和低谷,高峰在每年5—8月份,低谷在当年的11月份至次年2月份,不同年度略有波动。对序列进行一阶差分后可得到较为平稳的序列,适合进行模型拟合,经过模型拟合诊断发现ARIMA（0,1,1）×（0,0,1）12模型为最优模型,AIC值和BIC值最小,分别为1239．19和1245．98,Box-Ljung检验结果Q值为19．07,P〉0．05,通过2012年拟合值与实际值比较,结果差异无统计学意义（P〉0．05）。结论ARIMA模型可以较好地对流感样病例进行拟合分析预测。     

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。     

ARIMA模型在三门峡市手足口病发病预测中的应用

目的 建立以三门峡市手足口病发病数据为基础的整合滑动平均自回归模型(autoregressive integrated moving average model, ARIMA),并利用该模型对三门峡市手足口病的发病数进行预测。 方法 以三门峡市2008年1月—2017年12月的手足口病月发病数据为基础差分平稳化后经过文献查阅和验证建立最优ARIMA,并对2018年1月—12月的手足口病发病数进行预测,通过与实际值的比较评价预测效果。 结果 三门峡市手足口病发病预测模型为ARIMA(1,1,1)×(0,1,1)₁₂ ,模型各项参数均有统计学意义(P<0.001),拟合优度检验BIC=0.287,残差序列为白噪声序列(P=0.10),拟合效果较好。预测了三门峡市2018年1—12月的手足口发病数,并与实际值进行比较,1—2月预测值与实际值符合度较高。 结论 拟合的三门峡市手足口病发病序列模型ARIMA(1,1,1)×(0,1,1)₁₂效果较好,可用于对三门峡市手足口病发病趋势进行短期预测。     

ARIMA模型与Holt-Winters指数平滑模型在武汉市流感样病例预测中的应用

目的 探讨比较ARIMA模型和Holt-Winters模型在武汉市流感样病例预测中的应用,为流感防控提供科学依据。方法 利用武汉市2012年1月-2017年6月每周流感样病例比例数据拟合建立ARIMA模型和Holt-Winters指数平滑模型,预测2017年7-8月周流感样病例比例,并与实际流感样病例比例进行比较。结果 ARIMA最优模型为 ARIMA(1,0,1)×(0,1,1)52,预测的平均相对误差为6.88%,Holt-Winters的最优模型为乘法模型,预测平均相对误差为13.79%。结论 ARIMA(1,0,1)×(0,1,1)52模型拟合效果较好,预测精度更高,可用于武汉市流感样病例的预测。     

基于ARIMA模型的2020年衡阳市肺结核发病趋势预测

目的 用差分整合移动平均自回归(autoregressive integrated moving average,ARIMA)模型对肺结核发病率进行预测,为人群肺结核的防治以及制定干预措施提供参考依据.方法 收集衡阳市2010年1月—2019年12月肺结核月发病数据,运用SPSS 22.0软件进行数据分析,构建ARIM...     

应用ARIMA-GRNN模型预测深圳市宝安区流感样病例发病率

目的建立预测流感样病例发病率的ARIMA-GRNN模型,并验证其可行性。方法应用SPSS 19.0软件,对2010年1月-2015年9月宝安区流感样病例月发病率进行模型拟合,并应用MATLAB 7.0联合GRNN模型进行误差修正。以2014年10月-2015年9月月流感样病例发病率作为考核样本评价模型预测效果,并预测2015年10-12月月流感样病例发病率。结果 ARIMA(2,1,0)(0,1,1)12拟合2010年1月-2015年9月宝安区每月新增感染率的变动趋势较为理想,联合GRNN模型后,预测结果与实际值相对误差最大值为3.12%,最小为2.00%;结论 ARIMA(2,1,0)(0,1,1)12-GRNN模型在宝安区流感样病例发病率短期趋势的预测与实际发病率吻合,拟合效果较好。     

自回归移动平均模型在细菌性痢疾流行趋势预测中的应用

目的探讨时间序列分析中自回归移动平均模型在六安市细菌性痢疾发病预测的可行性和适用性,为早期做好防控工作提供科学依据。方法使用SPSS 17.0软件对六安市2003年1月～2012年12月的细菌性痢疾月发病率建立ARIMA模型,以2013年的1～7月实际发病率作为预测模型的考核样本,验证模型的预测效果。结果六安市细菌性痢疾月发病率模型为ARIMA（0,0,1）×（0,1,1）12,模型移动平均参数MA1=-0.473（t=-5.153,P〈0.05）,季节移动平均参数SMA1=0.937（t=2.494,P=0.014）;残差分析Ljung-BoxQ统计量经检验,差异无统计学意义（Ljung-BoxQ=10.208,P=0.856）,提示残差为白噪声。模型预测的平均相对误差为27.82%,但预测的动态趋势与实际值基本吻合,且实际值均在预测值的95%可信区间内。结论 ARIMA（0,0,1）×（0,1,1）12模型可为六安市细菌性痢疾的防控提供参考。     

基于R语言的ARIMA模型对流感样病例发病趋势的预测

目的 分析自回归滑动平均混合模型（the autoregressive integrated moving average,ARIMA）在流感样病例（influenza like illness,ILI）发病趋势预测的可行性,为流感防控提供技术支持。方法 收集本院2013年第1周~2017年第26周由该院每日报告的ILI监测资料,运用R语言进行时间序列分析并建立预测模型。结果 流感样病例就诊百分比（consultation rate of influenza like illness,ILI%）监测数据总体上呈现下降趋势,并且具有明显的季节性。最佳预测模型为ARIMA（0,1,1）（0,1,1）₅₂,该模型残差Box-Pierce检验结果为χ2=7.07（P=0.315）、χ2=17.22（P=0.142）,提示残差为白噪声序列,预测结果实际值均在预测值的95%的置信区间（95% confidence interval,95%CI）内。结论 ARIMA模型可用于该院ILI短期发病趋势的预测。     

三种时间序列模型预测医院感染发病率的比较

目的比较和评价不同时间序列模型预测医院感染发病率的效果,探索可用于预测医院感染发病率的最佳模型。方法以上海某三级甲等医院2011—2016年累计72个月的月度医院感染发病率数据作为拟合集构建季节性自回归移动平均模型(ARIMA)、NAR神经网络模型和ARIMA-BPNN组合模型,以2017年1—12月的月度感染发病率数据作为预测集检验模型的预测效果,评价比较不同模型的预测效果。结果对于拟合集,ARI-MA模型、NAR神经网络模型和ARIMA-BPNN组合模型的MAPE分别为13.00%、14.61%和11.95%;对预测集,三者的MAPE分别为15.42%、26.31%和14.87%。结论三种时间序列模型对医院感染发病率均具有较好的预测效果,其中ARIMA-BPNN组合模型对拟合和预测该院医院感染发病情况最佳,可为医院决策提供一定的数据支持。