ARIMA乘积季节模型在手足口病发病预测中的应用研究

目的构建时间序列ARIMA乘积季节性模型,预测武汉市2015年1~12月手足口病发病趋势和流行强度,探讨该模型在手足口病发病率预测中的应用。方法应用中国疾病监测信息报告系统2008年1月至2014年12月武汉市手足口病月发病资料,使用PASW Statistics 18.0专家建模器,考虑季节性因素建立ARIMA乘积季节性模型,并将所建模型对2015年手足口病月发病率进行外推预测。结果模型残差序列为白噪声,ARIMA(1,0,1)(0,1,1)12模型为最佳模型,预测结果显示:2015年手足口病年发病率预测值为197.52/10万,流行强度较2014年报告发病率168.07/10万上升17.52%;2015年手足口病月发病高峰将出现在4、5、6三个月(5月达到最高峰值43.83/10万,95%CI:2.96/10万~208.28/10万),至11、12月出现次要高峰。结论专家建模器构建乘积季节性模型拟合效果较好,在实际工作中要充分考虑社会、自然等影响因素,综合分析,针对性地开展病例的发现、诊治,做好传染源管理和聚集性疫情的疫点消毒卫生处理,为防控工作提出理论与实证依据。     

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。     

ＡＲＩＭＡ 乘积季节模型在手足口病发病预测中的应用研究

摘要：目的　构建时间序列ＡＲＩＭＡ 乘积季节性模型,预测武汉市２０１５年１～１２月手足口病发病趋势和流行强度,探讨该模型在手足口病发病率预测中的应用。方法　应用中国疾病监测信息报告系统２００８年１月至２０１４年１２月武汉市手足口病月发病资料,使用ＰＡＳＷＳｔａｔｉｓｔｉｃｓ１８．０专家建模器,考虑季节性因素建立ＡＲＩＭＡ 乘积季节性模型,并将所建模型对２０１５年手足口病月发病率进行外推预测。结果　模型残差序列为白噪声,ＡＲＩＭＡ （１,０,１）（０,１,１）１２模型为最佳模型,预测结果显示：２０１５年手足口病年发病率预测值为１９７．５２／１０万,流行强度较２０１４年报告发病率１６８．０７／１０万上升１７．５２％;２０１５年手足口病月发病高峰将出现在４、５、６三个月（５月达到最高峰值４３．８３／１０万,９５％CI：２．９６／１０万～２０８．２８／１０万）,至１１、１２月出现次要高峰。结论　专家建模器构建乘积季节性模型拟合效果较好,在实际工作中要充分考虑社会、自然等影响因素,综合分析,针对性地开展病例的发现、诊治,做好传染源管理和聚集性疫情的疫点消毒卫生处理,为防控工作提出理论与实证依据。     

应用ARIMA模型预测结核病发病率研究

目的应用自回归求和移动平均(ARIMA)模型预测结核病发病率。方法收集浙江省余姚市2006—2016年结核病月发病资料,采用专家建模器和传统建模方法建立ARIMA模型,根据最小贝叶斯信息准则(BIC)值选出最优模型,对2006—2016年结核病月发病率进行回代拟合,并对2017年结核病月发病率进行预测。结果传统建模方法所得模型为ARIMA(0,1,1)(0,1,1)12,专家建模器所得模型为ARIMA(0,0,1)(0,1,1)12;两个模型的残差序列均未突破可信区间,为白噪声过程,均为恰当模型,但ARIMA(0,0,1)(0,1,1)12标准化的BIC值更小,确定为最优模型。对余姚市2006—2016年结核病月发病率进行回代拟合,实际发病率均落入拟合值的95%CI内,模型预测值能较好拟合原始数据;预测余姚市2017年1—12月结核病月发病率,预测值与实际值的平均相对误差为9.05%。结论应用专家建模器构建的ARIMA模型可较好地预测结核病发病率。     

自回归求和移动平均模型季节乘积模型在青岛市肾综合征出血热发病预测中的应用

目的探索ARIMA季节乘积模型在青岛市肾综合征出血热(HFRS)发病预测中的应用,为HFRS防治提供科学依据。方法利用1977~2015年青岛市HFRS月发病率,建立ARIMA季节乘积模型,以2016年月发病率评估预测效果,并预测2017年月发病率。结果青岛市HFRS发病具有明显的季节性,发病高峰为每年的10~12月。模型季节自回归参数为-0.45,BIC=3.58,平稳R2=0.98,残差序列检验为白噪声序列(q=13.56,P0.05),建立ARIMA乘积季节模型ARIMA(0,3,2)(1,3,2)12,2016年实际值与拟合值绝对误差为0.01~0.28,且均在95%置信区间中,2017年月发病率0.15/10万~1.06/10万。结论 ARIMA乘积季节模型能够较好地模拟青岛市HFRS发病趋势,可用于短期预测该市HFRS发病情况。     

基于自回归积分滑动平均模型的西部某市白纹伊蚊幼虫密度预测

目的构建时间序列ARIMA乘积季节模型,预测2017年白纹伊蚊幼虫密度,探讨该模型在预测白纹伊蚊幼虫消长趋势中的应用。方法利用西部某地级市2012年1月至2016年12月的白纹伊蚊幼虫监测资料,运用SPSS 20.0的专家建模器,考虑季节因素对月布雷图指数数据进行ARIMA模型构建,并用所建模型对2017年白纹伊蚊幼虫的消长趋势进行预测。结果 ARIMA(1,0,0)×(0,1,0)12为最佳模型。预测2017年白纹伊蚊布雷图指数5—10月份均高于5,高峰主要集中在7—10月(分别为9.9、8.2、11.3和9.33),11月份后开始下降。结论 ARIMA乘积季节模型拟合预测效果较好。2017年,特别是5—10月份,应加强白纹伊蚊的监测、消杀及伊蚊媒介传染病的防控。     

时间序列分析(自回归求和移动平均模型)在流行性乙型脑炎预测中的应用

目的探讨时间序列分析[自回归求和移动平均(Autoregressive Integrated Moving Average,ARIMA)模型]在流行性乙型脑炎(乙脑)预测中的应用,建立乙脑报告发病数的预测模型,预测2010年乙脑发病趋势。方法使用2003年1月～2009年12月中国疾病监测信息报告系统中的乙脑报告月发病资料,使用SPSS软件专家建模器,考虑季节因素建立ARIMA预测模型,并用所得模型对2010年全国乙脑报告发病数进行预测。结果 ARIMA(0,0,1)(0,1,1)12模型能较好地拟合时间序列,2010年乙脑预测病例数为4579例,高峰仍在7、8月份。结论该ARIMA模型可较好地拟合乙脑发病的时间序列趋势;与2009年比较,预测2010年乙脑报告发病数相对平稳。     

ARIMA模型在流行性腮腺炎发病率预测中的应用

目的探讨求和自回归移动平均(ARIMA)模型在流行性腮腺炎发病预测中的应用,验证分析模型的可行性与适用性。方法对南京市2004年1月至2012年12月流行性腮腺炎发病率资料进行ARIMA模型拟合,用建立的模型对2013年1—12月发病率进行拟合检测,之后对2014年各月发病率进行预测评价。结果 2004—2013年流行性腮腺炎累计报告病例14 871例,年均发病率为21.78/10万,每年各月流行性腮腺炎发病率始终围绕在1.85/10万附近波动。建立ARIMA(1,0,0)(2,1,0)12模型为最优模型。模型残差序列为白噪声。除常数项外,模型各参数均有统计学意义。模型的平均绝对百分误差为29.63%,R2为0.76。用建立的模型拟合2013年1—12月发病率,均在95%可信区域内,符合实际发病率变动趋势,验证了该模型的可行性。用该模型对2014年流行性腮腺炎进行预测,年发病率为1.48/10万,发病高峰期在4、5、6月,月发病率分别为2.33/10万、2.72/10万、2.52/10万。结论 ARIMA模型可用于拟合流行性腮腺炎发病率在时间序列上的变化趋势,可进行动态分析和短期预测。     

ARIMA乘积季节模型在细菌性痢疾月发病率预测中的应用

目的 探讨ARIMA乘积季节性模型在细菌性痢疾月发病率研究中的应用,并预测细菌性痢疾的月发病趋势.方法 对某区2004～ 2008年细菌性痢疾月发病率资料建立ARIMA乘积季节性模型,利用2009年细菌性痢疾月发病率资料对模型参数进行修正,并预测2010年细菌性痢疾月发病率.结果 构建ARIMA(1,0,0)×(1,1,0)12模型,模型决定系数(R2)为0.96.结论 ARIMA(1,0,0)×(1,1,0)12模型可以用于某区细菌性痢疾月发病率的拟合与预测.     

季节性ARIMA模型在江门市手足口病疫情预测中的应用

目的构建时间序列ARIMA乘积季节性模型,预测江门市手足口病发病趋势,探讨该模型在预测手足口病发病率中的应用。方法根据2009年1月～2017年6月手足口病月报告发病率时间序列构建模型,以2017年7～12月手足口病发病率为验证数据,验证预测模型效果。结果模型ARIMA(1,0,1)(0,1,1)_(12)为最优模型,其BIC=9.87,Ljung-Box=21.76,P=0.11,2017年7～12月手足口病月发病率预测值和实际值的平均相对误差为18.14%,实际值都在预测值95%置信区间内。结论 ARIMA模型能较好预测手足口病发病变化趋势,模型预测效果有待进一步优化。     

自回归求和移动平均季节乘积模型在肾综合征出血热发病预测中的应用

目的利用自回归求和移动平均(autoregressive integrated moving average,ARIMA)季节乘积模型建立肾综合征出血热(hemorrhagic fever with renal syndrome,HFRS)发病数的预测模型,为HFRS的预防控制提供科学依据。方法应用SPSS18.0软件对青岛市2007年1月—2013年7月HFRS发病数建立ARIMA模型。结果非季节和季节移动平均参数分别为0.816和0.685,t检验的P值均0.05,有统计学意义。BIC=12.338,Ljung-Box统计量检验残差序列为白噪声序列,表明ARIMA(0,1,1),(0,1,0)12模型是有效的。结论 2013年8—12月HRFS发病数有上升趋势,需进一步加强防范措施。     

ARIMA乘积季节模型和LSTM深度神经网络对石家庄市手足口病疫情预测效果的比较

  目的   运用自回归移动平均(autoregressive integrated moving average model, ARIMA)乘积季节模型和长期短期记忆网络(long short term memory, LSTM)对石家庄市手足口病(hand, foot and mouth disease, HFMD)的发病趋势进行预测, 为疫情防控工作提供理论依据。   方法   利用Eviews 8.0和python 3.7.1软件对2013年1月-2018年5月石家庄市HFMD逐月发病数据分别建立ARIMA乘积季节模型和LSTM神经网络, 以2018年6月-2019年5月的发病资料检验模型预测精度, 最后应用模型预测2019年6月-2019年8月的月发病数。   结果   最优模型ARIMA(1, 0, 0)×(1, 1, 2)₁₂和LSTM神经网络外推预测2018年6月-12月的MAPE分别为22.14和10.03, 而外推预测2018年6月至2019年5月的MAPE分别为43.84和25.26, 提示LSTM神经网络的拟合效果和预测精度优于ARIMA模型, 预测结果与实际情况基本一致。   结论   LSTM神经网络对石家庄市HFMD发病趋势的拟合度和预测效果较好, 能够为手足口病疫情的预测预警工作提供指导。     

四川省泸州市流行性腮腺炎时空流行病学特征

目的 描述2010—2020年泸州市流行性腮腺炎的时间和空间流行病学特征,构建时间序列ARIMA模型进行短期预测,为泸州市流行性腮腺炎的综合防控提供参考依据。 方法 采用Microsoft Excel 2020整理疫情数据并绘制统计图,ArcGIS 10.6构建空间分布地图并进行空间自相关分析,Eviews 10构建月度发病数ARIMA时间序列模型,对泸州市2010—2020年流行性腮腺炎进行时空流行病学特征分析和发病趋势短期预测。 结果 2010—2020年泸州市7 个区县均有流行性腮腺炎病例报告,每年的高发区县不相同,各年份均不存在空间自相关性;年均报告发病率22.17/10万,高发年份为2012年(37.51/10万)、2013年(35.72/10万)和2019年(31.80/10万),发病低谷在2015年(10.90/10万);整体上有4—7月和11月至次年1月两个季节高峰,以4—7月为主;构建的ARIMA(1,1,1)(1,1,2)₁₂模型是最佳模型,预测2021年4—12月报告发病数稍低于2020年同期。 结论 2010—2020年泸州市流行性腮腺炎发病率总体呈下降趋势,不存在空间聚集性,ARIMA(1,1,1)(1,1,2)₁₂模型能够较好地进行时间序列拟合和短期预测,呈现的时空分布特征及其发病趋势能够为疾病预防控制工作提供参考。     

时间序列模型在流感样病例门诊就诊量监测信息中的应用

[目的]通过建立时间序列模型进一步了解流感样病例门诊就诊量监测所蕴涵的疫情信息。[方法]用SPSS时间序列图(sequence chart)与"Expert Modeler"过程相结合的方法,拟合上述信息的ARIMA模型和指数平滑模型。[结果]建立了流感样病例门诊月就诊量信息的最佳模型为单一的季节性模型(指数平滑模型);门诊病人周就诊量信息经过1阶差分变换后,模型为ARIMA(0,0,1)(1,1,0)7。[结论]ARIMA模型可用于流感监测信息的动态分析和短期预测。     

ARIMA乘积季节模型在青州市布鲁氏菌病发病预测中的应用

目的应用自回归求和移动平均(ARIMA)乘积季节模型预测青州市布鲁氏菌病月发病数,构建青州市布鲁氏菌病月发病数的预测模型,为青州市布鲁氏菌病防控措施提供科学依据。方法收集青州市2011—2017年布鲁氏菌病监测数据,采用SPSS 25.0统计软件建立ARIMA时间序列模型,并对模型进行检验,预测出2018年的布鲁氏菌病月发病数,用2018年布鲁氏菌病实际月发病数评价模型的预测效果。结果模型ARIMA(0,1,1)(1,1,0)12标准化的BIC值最小,Box-Ljung检验统计量Q=23.746,P>0.05,残差序列为白噪声,确定为最优模型。结论ARIMA乘积季节模型短期预测青州市布鲁氏菌病月发病数效果较好。     

2020年南宁市流行性腮腺炎ARIMA模型预测研究

目的 建立自回归移动平均模型(auto-regressive integrated moving average,ARIMA)预测南宁市流行性腮腺炎的发病率,为防控流行性腮腺炎提供理论依据。 方法 采用SPSS 23.0软件,使用南宁市2013年1月—2019年6月流行性腮腺炎月发病率建立ARIMA模型,运用2019年7—12月的实际值与预测值进行评估,并预测2020年1—6月的发病率。结果 拟合的ARIMA(1,0,0)(0,1,1)₁₂模型最佳,MAE=0.695,RMSE=1.230,MAPE=23.487,经检验残差序列为白噪声,拟合模型对短期有良好的预测效果。2020年1—6月的预测月发病率分别为9.88/10万、7.62/10万、8.32/10万、9.40/10万、11.91/10万、11.67/10万。 结论 ARIMA模型可用于南宁市流行性腮腺炎发病趋势的短期预测,适宜推广使用。     

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。     

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。     

差分自回归移动平均模型在伤害预测中的应用

目的探讨差分自回归移动平均（ARIMA）时间序列模型在伤害预测中的应用,建立伤害发生率预测模型。方法利用伤害监测系统,收集城阳区2006~2012年伤害月病例数,建立ARIMA模型。结果ARIMA（1,0,0）（0,1,1）12模型可以较好拟合伤害月发病率时间序列。利用ARIMA模型预测2013年伤害发生率为253．93／万。结果ARIMA模型具有适用性,可以用于伤害短期预测。     

差分自回归移动平均乘积季节模型预测广州市肺结核发病趋势

  目的  探讨应用差分自回归移动平均(autoregressive intergrated moving average, ARIMA)乘积季节模型预测广州市肺结核月发病数的可行性,为制定防控措施提供参考依据。  方法  利用2010年1月至2019年6月广州市肺结核月发病数据建立ARIMA模型,并以2019年7-12月数据对模型的预测效果进行验证。  结果  2010-2019年广州市共报告肺结核124 311例,总体呈下降趋势。2月发病数最少,3-4月发病数最多。拟合出的最佳模型ARIMA (0, 1, 1) (0, 1, 1)₁₂对广州市2019年7-12月肺结核月发病数预测结果显示实际值和预测值相对误差范围介于0.08%~11.33%,平均相对误差为1.46%。  结论  ARIMA (0, 1, 1) (0, 1, 1)₁₂模型可用于广州市肺结核月发病数的短期预测。