ARIMA乘积季节模型在食源性疾病月发病率预测中的应用

目的 探讨ARIMA乘积季节模型在食源性疾病月发病率研究中的应用,并预测食源性疾病月发病率趋势。方法 采用SPSS 23.0软件对安徽省某市2013年1月至2018年12月的食源性疾病月发病率资料进行ARIMA模型拟合,利用2019年食源性疾病月发病率资料验证模型,并预测2020年食源性疾病月发病率。结果 安徽省某市源性疾病月发病率呈逐年上升趋势,且有明显的周期性。ARIMA（2,0,0）×（0,1,0）12为最优模型（P<0.05）,决定系数（R²）为0.94,贝叶斯信息准则（BIC）为1.862;模型Box-Ljung检验差异无统计学意义（Q=14.682,P＝0.548）,提示残差属于白噪声序列。2019年数据以检验模型外推效果,MAPE= 24.069%,表明模型外推效果较好,且实际值均落在预测值的95%的置信区间,模型预测效果比较理想。结论 ARIMA（2,0,0）×（0,1,0）12模型能够较好的拟合食源性疾病的时间变化,因此可用于食源性疾病月发病率的拟合和预测。     

ARIMA乘积季节模型在食源性疾病月发病率预测中的应用

目的 探讨ARIMA乘积季节模型在食源性疾病发病率预测中的可行性,并预测食源性疾病的月发病率趋势.方法 对云南省2004年1月至2010年12月食源性疾病月发病率资料建立ARIMA乘积季节模型,利用2011年月发病率资料进行回代,预测2012年食源性疾病月发病率趋势.结果 ARIMA(0,1,1)×(0,1,1)12的BIC值最小,可以认为该模型的拟合优度相对最优;对该模型的残差进行白噪声检验,QLB(18)为20.225(P＝0.210),提示残差属于白噪声.结论 ARIMA乘积季节模型可以用于食源性疾病月发病率趋势的拟合和预测.     

2004-2013年杭州市萧山区梅毒疫情流行病学特征分析

目的：了解杭州市萧山区梅毒流行病学特征和发病趋势,为制定防制策略提供依据。方法：采用描述流行病学方法对萧山区2004-2013年梅毒发病资料进行三间分布分析;应用回顾性时空重排扫描统计量探测高发聚集区;构建SARIMA模型进行趋势预测。结果：萧山区梅毒发病率从2004年的18.52/10万上升至2013年的58.85/10万,呈明显上升趋势。男女发病比为0.72∶1,主要集中在20~39岁年龄段,职业以农民居多。回顾性时空聚集分析确定了5个可能的梅毒发病聚集区域。模型为SARIMA（0,1,1）（0,1,1）12。结论：萧山区（特别是中部地区）梅毒的流行情况较为严重,应采取综合性防制措施,有效控制梅毒流行。     

BPNN神经网络模型和SARIMA模型在荆州市乙类传染病发病数中的预测效果比较

目的 评价BPNN神经网络模型和季节性差分自回归滑动平均模型(seasonal autoregressive integrated moving average,SARIMA)在乙类传染病发病数中的预测效果.方法 利用荆州市2005年1月—2017年12月的乙类传染病逐月发病数作为拟合数据,建立BPNN神经网络模型和S...     

SARIMA-GRNN组合模型在伤寒与副伤寒逐月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(seasonal autoregressive integrated moving average, SARIMA)-广义回归神经网络(generalized regression neural network, GRNN)组合模型,为伤寒与副伤寒发病数的预测提供方法学上的新思路。方法  利用2011年1月-2019年12月中国伤寒与副伤寒逐月发病数资料,分别构建SARIMA模型和SARIMA-GRNN组合模型,比较两种模型的拟合和预测效果。结果  最优的SARIMA模型为SARIMA (2, 1, 1) (0, 1, 1)₁₂,SARIMA-GRNN组合模型的最优光滑因子(spread)为0.21。评价SARIMA-GRNN组合模型拟合效果的参数均方根误差(root mean squared error, RMSE)、平均绝对误差(mean absolute error, MAE)和平均绝对百分比误差(mean absolute percentage error, MAPE)为90.08、71.44和7.07%,分别小于SARIMA模型的99.44、79.15和7.86%;评价预测效果的RMSE、MAE和MAPE为100.86、75.94和9.57%,均小于SARIMA模型的125.44、97.33和10.89%。结论  SARIMA-GRNN组合模型比传统SARIMA模型更能拟合中国伤寒与副伤寒逐月的发病数,而且预测精度更高,可应用于伤寒与副伤寒逐月发病数的预测。     

SARIMA模型在苏州市肺结核发病预测中的应用

目的 建立苏州市肺结核发病的SARIMA模型并预测发病,为苏州市肺结核防控提供参考。方法 收集结核病信息管理系统（新）中苏州市2010年1月—2018年12月肺结核月发病数,通过时间序列分析建立SARIMA模型并预测苏州市2019年肺结核的发病情况。结果 苏州市肺结核发病数具有明显的季节周期性,每年的发病最高峰为5月,发病最低谷为2月。苏州市肺结核发病数的最佳拟合模型为SARIMA (0,1,1)×(0,1,1)₁₂,AIC=9.590,SBC=9.644,模型参数均具有统计学意义,模型残差为白噪声序列,模型的预测值与实际值平均绝对百分比误差MAPE=7.943%,模型预测精度较高。预测苏州市2019年肺结核发病数为3 467例,月发病数平均值为289例,发病水平较2018年略有下降。结论 SARIMA(0,1,1)×(0,1,1)₁₂模型能较好拟合出苏州市肺结核发病数的时间变化趋势,可应用于苏州市肺结核月发病数的短期预测。     

香港地区流行性腮腺炎月发病例数SARIMA模型预测分析

目的研究季节性差分自回归滑动平均模型（SARIMA）拟合季节时间序列的方法,并将其应用于预测香港流行性腮腺炎疫情趋势。方法利用R软件对2000年1月至2012年8月香港流行性腮腺炎月发病例数资料进行建模,用所构建模型进行预测分析。结果流行性腮腺炎发病呈上升趋势,SARIMA（2,1,1）×（1,1,1）。：模型较好地拟合了香港流行性腮腺炎的月发病例数,模型残差为白噪声序列,回代考核平均相对误差为17．5％;后8个月的数据作为前瞻性预测考核,平均相对误差为16．4％。结论SARIMA模型较好地模拟腮腺炎的流行特征,并进行中、短期预测。     

模糊时间序列分析在肾综合征出血热发病率预测的应用初探

目的 探讨模糊时间序列分析在传染病发病率预测的应用价值.方法 采用模糊时间序列分析方法,对2004年1月～2010年7月我国内地法定报告的肾综合征出血热(HFRS)逐月发病率资料建立预测模型,并对2010年8月～2010年11月的相应数据进行预测,并将预测结果与传统SARIMA模型预测结果进行比较.结果 本次研究结果显示,模糊时间序列分析相对于SARIMA模型,有较好的预测能力.结论 模糊时间序列分析对于HFRS等传染病发病率的预测具有较好的应用价值.     

SARIMA-RBF组合模型在流行性腮腺炎流行趋势预测中的应用

目的 探讨SARIMA-RBF组合模型拟合及预测我国流行性腮腺炎（流腮）流行趋势的应用。方法 利用全国2004—2015年流腮逐月发病率建立SARIMA模型。将基于SARIMA模型的拟合值作为输入向量,实际值作为输出向量,根据时间因素作为输入向量与否建立2个SARIMA-RBF组合模型（加入时间因素记为组合模型A,不加入时间因素记为组合模型B）。运用SARIMA模型和2个SARIMA-RBF组合模型预测2016年7—12月流腮发病率并与实际值比较,采用平均绝对百分比误差（MAPE）、平均误差率（MER）、均方误差（MSE）和平均绝对误差（MAE）评价模型拟合及预测效果。结果 SARIMA（0,1,1）（0,1,1） ₁₂为最优SARIMA模型。SARIMA模型、组合模型A和组合模型B拟合的MAPE 分别为15.724%、12.217%、13.941%,MER分别为15.168%、10.179%、14.042%,MSE分别为0.336、0.167、0.713,MAE分别为0.296、0.199、0.274。预测的MAPE 分别为12.069%、7.904%、9.598%,MER分别为12.331%、7.872%、10.636%,MSE分别为0.022、0.013、0.025,MAE分别为0.138、0.088、0.119。结论 考虑时间因素的SARIMA-RBF组合模型为最优拟合及预测模型,具有良好推广应用价值。     

某市暴雨洪涝对细菌性痢疾发病影响的 时间序列分析

目的 定量评价广西省柳州市暴雨洪涝对细菌性痢疾发病的健康效应。方法 运用时间序列分 析,控制长期趋势、季节趋势、滞后效应和气象因素等混杂因素的基础上,采用季节性自回归移动平均模型 （SARIMA）定量分析洪水历时与居民细菌痢疾发病的关系。结果 研究发现发生洪水月份的细菌性痢疾发病 率高于对照月份。SARIMA 回归分析显示月洪水历时与细菌性痢疾月罹患率呈负相关,月洪水历时天数每增加 1 d,其细菌性痢疾罹患率下降7.7% ～ 8.0%。结论 暴雨洪涝对细菌性痢疾的发病产生明显影响,特别是历时 短的严重洪水相比历时长的一般洪水造成细菌性痢疾发病风险更高。