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.     

自回归求和移动平均乘积季节模型在我国布鲁菌病短期月发病人数预测中的应用

目的 研究我国布鲁菌病（布病）月发病人数的趋势性和季节性,探讨自回归求和移动平均（ARIMA）乘积季节模型预测我国布病短期月发病人数的效果。方法 收集2004年1月—2015年5月我国布病月发病人数（共137组）,进行时间序列分析。数据来自国家卫生和计划生育委员会公布的疫情监测数据。观察我国布病月发病人数的趋势性和季节性,以我国2004-2013年的布病月发病人数作为训练样本,拟合ARIMA乘积季节模型;用2014年1月—2015年5月的发病数据作为校验样本,验证模型;确定最优模型后,预测2015年6-12月我国布病月发病人数。结果 2004-2008年我国布病月发病人数相对平稳,从2009年以后有了明显的上升趋势。从季节性来看,每年的6、7、8月属高发病期,每年的1月和12月处于全年的最低发病期。选取的最优模型为ARIMA（0,1,0）（1,1,0）12,其平均绝对百分误差（MAPE）=13.60,决定系数（R2）=0.881;对模型进行参数显著性检验,一阶季节自回归项（SAR）参数估计值=-0.292,P=0.048。运用ARIMA（0,1,0）（1,1,0）12对2015年6-12月我国布病月发病人数进行预测,其预测值分别为7 709、7 524、6 113、4 458、3 450、3 576、3 760例。结论 从2009年以后,我国布病月发病人数有明显的上升趋势;季节性表现在6～8月为高发病期,12月至来年1月为低发病期。ARIMA乘积季节模型拟合我国布病月发病人数的时间序列模型精度较高,可以用来预测我国布病短期月发病人数。     

指数平滑法模型与ARIMA模型在北京市通州区肺结核流行趋势预测中的效果评价

目的 比较指数平滑法模型和自回归移动平均(autoregrissive integrated moving average, ARIMA)模型对北京市通州区肺结核流行趋势预测效果,为肺结核预测和防控提供依据。方法 收集“中国疾病预防控制信息系统”2005年1月—2019年12月北京市通州区肺结核月发病率,应用2005年1月—2018年12月肺结核发病率构建指数平滑法模型和ARIMA模型,预测2019年1—12月肺结核发病率,并与实际值进行比较,评价2种模型的拟合和预测效果。结果 指数平滑法确定简单季节模型为最优预测模型,Ljung-Box Q=15.265,P=0.505,残差序列为白噪声序列,标准贝叶斯信息准则(bayesian information criterion, BIC)值为0.115,2019年1—12月肺结核发病率预测的相对误差为0.45%～33.62%,平均为10.57%。ARIMA模型确定ARIMA(0,1,1)(0,1,1)₁₂为最优模型,Ljung-Box Q=17.156,P=0.376,残差序列为白噪声序列,BIC值为0.539,20...     

乘积季节自回归积分滑动平均模型在长沙市手足口病发病率预测中的应用

目的：建立长沙市手足口病发病率的乘积季节自回归积分滑动平均模型(autoregressive integrated moving average model,ARIMA),探讨乘积季节ARIMA模型在手足口病疫情预测的可行性。方法：运用EVIEWS 6.0软件对长沙 市2008年5月至2013年8月的手足口病发病率资料建立乘积季节ARIMA模型,以2013年9月至2014年2月的发病资料作为 模型预测效果的检验样本,最后再用所得到的模型对2014年3月至2014年8月的月发病率进行预测。结果：经过序列 平稳化、模型识别以及模型诊断后,建立乘积季节ARIMA模型(1,0,1)×(0,1,1)12,模型拟合度R2=0.81,预测均方 根误差为8.29,平均绝对误差为5.83。结论：乘积季节ARIMA模型是一种较好的预测模型,所建模型拟合度较好,能 为手足口病的防治工作提供参考。     

ARIMA模型在蚌埠市梅毒预测中的应用

目的探讨时间序列分析中的乘积季节自回归移动平均（ARIMA）模型在蚌埠市梅毒发病率预测中应用的可行性,为制定梅毒防控措施提供参考依据方法应用SPSS21.0软件对蚌埠市2008-2016年的梅毒发病率进行ARIMA模型拟合,依据BIC准则确定最优模型。用所得模型预测2017年1-6月的梅毒发病率,并与实际发病率进行比较,检验预测效果。结果ARIMA（0,1,1）（1,0,0）12,可以较好地拟合梅毒月发病率规律,模型统计量Ljung-Box Q=16.726,P>0.05,残差序列为白噪声,用所得模型预测蚌埠市2017年1-6月梅毒月发病率,预测值与实际值吻合情况良好,实际值均在预测值的95%可信区间内。结论ARIMA模型能较好拟合蚌埠市梅毒发病情况,对梅毒防治工作提供一定的参考价值。     

乘积季节ARIMA模型预测上海市松江区手足口病发病趋势

目的:探讨运用乘积季节ARIMA模型预测上海市松江区手足口病发病情况。方法:通过上海市松江区2009-2016年手足口病月发病率建立ARIMA模型,预测2017年手足口病的发病率。结果:乘积季节ARIMA(1,0,0)(1,1,0)12能较好地拟合既往手足口病发病率,预测2017年手足口病发病率为276.37/10万。结论:乘积季节ARIMA模型能较好的预测未来手足口病的发病率。     

高原地区青海省流感病毒活动规律的时间序列分析及预测模型研究

目的构建时间序列自回归移动平均模型(autoregressive integrated moving average, ARIMA)乘积季节性模型,预测高原地区青海省流感病毒的活动趋势,探讨该模型在预测流感病毒活动规律中的应用。方法对2009—2019年流感病毒核酸阳性检出率的时间序列资料构建模型,以流感病毒核酸阳性检出率为验证数据,验证预测模型效果。结果高原地区青海省2009—2019年流感病毒的活动呈现明显季节性效应,ARIMA(1,1,0)(0,1,0)_(12)为最优模型,回归系数差异有统计学意义(P0.05),其中R~2=0.765,BIC=4.77,白噪声残差分析显示序列自相关函数Ljung-Box=19.080(P=0.324),残差为随机误差,实际值在预测值的95%可信区间范围内。结论乘积季节模型ARIMA(1,1,0)(0,1,0)_(12)较好地拟合和预测了短期内流感病毒的活跃程度,显示2020年青海省流感病毒发生暴发或流行趋势较低,可为全省流感流行和暴发起到预警作用。     

基于ARIMA乘积季节模型的科室级常规耗材需求量预测研究

目的探讨季节性因素的时间序列分析方法在科室常规耗材库管理中的应用,分析和预测未来一段时间内医用常规耗材的使用需求。方法采用整合移动平均自回归(Autoregressive Integrated Moving Average,ARIMA)乘积季节模型对北京市某医院某科室某品牌注射器2014年1月至2018年12月的逐月使用量进行预测。结果ARIMA(0,1,2)(0,1,1)12模型的平均绝对百分比误差为5.308,在实际业务可接受范围之内,因此模型拟合效果较好,预测结果接近实际产生值。结论ARIMA(0,1,2)(0,1,1)12模型能够准确的进行该类医用常规耗材的短期预测,可应用于医院物资管理信息系统中,实现对医院耗材的合理管控,并为科室制定医用耗材的资金支出预算提供可靠依据。     

乘积季节模型在我国肺结核疫情预测中的应用

目的 探讨乘积季节模型预测肺结核发病例数的可行性,为肺结核的针对性防控提供理论依据。 方法 根据中国疾病预防控制中心2011年1月至2016年12月的全国肺结核上报资料建立乘积季节模型,并预测2017年1月至9月数据,评价其预测效果。 结果 2011年1月至2016年12月我国肺结核发病例数呈现以年为周期的季节效应,并且出现长期递减的趋势;乘积季节ARIMA(0,1,1)(0,1,1)₁₂(不含常数项)模型所有参数都通过统计学检验(P<0.05), 残差序列为白噪声序列(P>0.05), 拟合优度相对最好(AIC=1 223.004, SBC=1 227.159);模型对2017年1月至9月的预测值与实际值基本吻合,预测效果较好。 结论 乘积季节ARIMA(0,1,1)(0,1,1)₁₂(不含常数项)模型可用于预测我国肺结核疫情,具有较好的推广应用价值。     

基于R语言ARIMA模型在急性支气管相关疾病发病预测中的应用

目的建立急性支气管炎出院人次的回归滑动平均混合模型(ARIMA),科学预测急性支气管炎入院人次,为该病的诊治提供理论依据。方法使用R语言做模型的识别、模型的参数估计与检验,建立ARIMA模型,对某院2002年-2014年急性支气管炎出院人次进行模型拟合,用2015年的预测值与实际值作比较,检验模型的预测能力,并且预测2016年急性支气管炎入院人次。结果经过多次检验,确定ARIMA(3,2,2)模型预测能力最佳,其残差序列是白噪声。用2015年数据来检验模型,其MAPE的绝对值均小于10%,说明模型的拟合优度相对较好,预测能力可靠,根据该模型预测2016年该院急性支气管炎入院人次为980。结论 ARIMA模型能够很好的拟合急性支气管炎的入院人次并进行短期预测,模型显示2016年该院的急性支气管炎的入院人次将有所上升。     

应用自回归移动平均模型预测医院出院人数

目的 探讨自回归移动平均模型（ARIMA）在某院出院人数预测中的应用,从而为医院的科学管理决策服务.方法 对某院2000年-2013年的月出院人数数据进行收集,将2000年-2012年的数据用于建立ARIMA模型,2013年数据用于验证所建立的模型,所建模型预测2014年出院人数,统计软件采用SPSS17.0.结果 建立的ARIMA（0,1,1）（0,1,1）12模型具有较高的拟合度,预测的2013年出院人数各月相对误差为0.27％～15.68％,全年出院人数平均相对误差为4.86％,预计2014年出院人数为68,880人次.结论 ARIMA模型适用于出院人数的预测,对于出院人数变化规律的分析有较好的适应性,但在预测远期数据时则应综合多方面因素.     

乘积季节ARIMA模型在乙肝发病率预测中的运用

目的探讨乘积季节自回归求和滑动平均模型(integrated autore-gressive moving average model,ARIMA)在荆州市乙肝发病预测中的应用,为乙肝预防控制提供参考。方法利用2004-2015年乙肝网络监测数据对荆州市乙肝发病率数据构建乘积季节ARIMA模型,同时利用2016年实际发病率与模型拟合数据进行比较,评价模型的预测性能,并预测荆州市2017年的乙肝发病率。结果荆州市乙肝发病率预测最优模型为ARIMA(0,1,1)(0,1,1)12模型,利用2016年拟合值与实际乙肝发病率比较,相对误差介于1.33%~27.80%之间,平均相对误差10.23%,提示ARIMA(0,1,1)(0,1,1)12模型具有较佳的预测能力。预测2017年荆州市乙肝疫情与2016年基本一致,发病整体平稳。结论 ARIMA(0,1,1)(0,1,1)12模型可用于荆州市乙肝发病率的预测,对乙肝预防控制产生积极的指导作用。     

ARIMA乘积季节模型在河北省唐山市布鲁氏菌病发病预测中的应用

目的了解唐山市2007-2017年布鲁氏菌病(简称布病)月发病数的趋势性和季节性,建立布病分析模型,为布病短期预测与防治提供决策依据。方法收集唐山市2007-2017年布病月发病人数,构建ARIMA乘积季节模型,并进行短期预测预报。结果唐山市2007-2017年布病疫情呈逐步上升趋势,尤其2013年后大幅攀升。从季节性来看,每年的5～7月为发病高峰。选取的最优模型为ARIMA(0,1,0)(1,1,0) 12。运用此模型对2018年1～6月唐山市布病月发病数进行预测,各月预测值分别为11、12、16、16、24、20例。结论 ARIMA乘积季节模型拟合唐山市布病月发病数的时间序列模型精度较高,适合唐山市布病发病数的短期预测。     

ARIMA模型和SVM模型联合在感染性腹泻发病预测中的应用

目的利用某三甲医院2012年1月～2018年2月的腹泻发病例数建立求和自回归移动平均(ARIMA)乘积季节模型与支持向量机(SVM)联合模型,分析并预测感染性腹泻在季节上的流行趋势。方法使用某三甲医院2012年1月～2018年2月的感染性腹泻发病例数拟合ARIMA和SVM联合模型,以2018年3～6月腹泻发病例数作为测试集,验证联合模型的预测效果。结果单一ARIMA筛选出的最优模型为ARIMA(0,0,1)(0,1,1)_(12),验证2018年3～6月感染性腹泻发病与实际值的平均相对误差为13.6%,ARIMA-SVM联合模型平均相对误差为11%,实际值均在预测值95%可信区间内。结论 ARIMA与SVM联合模型对感染性腹泻发病的拟合情况优于单一ARIMA模型,可用于感染性腹泻发病的短期预测和动态分析。     

预测医院门诊量的ARIMA模型构建及应用

目的 研究综合性医院月门诊量变化规律,预测其变化趋势,为医院管理决策提供依据.方法 结合序列平稳性、长期趋势和季节效应,采用对数和差分变换,应用残差分析和最小二乘法估计,建立预测模型ARIMA(1,0,1)(0,1,1)12.结果 拟合残差平方和为2.790,AIC=178.126,SBC=-170.080,预测2008年门诊量相对误差为6.11%,小于指数平滑法(8.78%).用该模型预测2009年门诊量为150.12万人次.结论 医院门诊量存在季节变动和长期增长趋势,适合用ARIMA乘积模型进行拟合,但不同医院门诊量变化规律未必一致,要认真分析原序列的ACF图和PACF图,然后确定p,d、q参数.     

ARIMA乘积季节模型在山东省肺结核发病预测中的应用

目的 根据山东省肺结核的季节性、趋势性建立求和自回归移动平均(ARIMA)乘积季节模型,预测山东省肺结核发病趋势,调整防控措施。 方法 应用R软件对2010年1月至2019年12月山东省肺结核传染病疫情月度数据建立最优模型,预测2020年1月至10月肺结核发病数,并与实际值进行比较,以此评估模型的预测效果,预测2020年11月至2021年12月的发病趋势。 结果 山东省肺结核发病数表现为年度周期性,最优模型为ARIMA(3,1,0)(0,1,1)₁₂,2010年1月至2019年12月拟合结果准确性显示平均绝对百分比误差仅为5.50%, 2020年1月至10月模型预测效果的平均相对百分比误差为21.69%,2020年11月至2021年12月的发病数较同期有轻微变化。 结论 ARIMA乘积季节模型能够较好地对山东省肺结核发病趋势进行拟合及预测。     

应用乘积季节模型与指数平滑模型预测上海市肺结核疫情

目的：探讨利用两种时间序列模型预测上海肺结核发病趋势的可行性,为制定上海地区肺结核预防控制策略提供科学依据。方法：收集上海市2007年1月—2018年6月传染病历史疫情资料,对2007年1月—2017年12月肺结核月发病人数分别采用自回归移动平均模型（ARIMA）乘积季节模型与指数平滑模型进行拟合,预测2018年1—6月的肺结核月发病人数,并与真实值进行比较。结果：ARIMA（0,1,1）×（1,1,2）12为乘积季节模型的最优模型,均方根误差（RMSE）为76.27,2018年1—6月预测值的相对误差和为0.402;运用指数平滑法构建的最优模型是Holt?Winters加法指数平滑,均方根误差（RMSE）为69.61,2018年1—6月预测值的相对误差和为0.292。结论：指数平滑模型拟合效果较好,预测精度更高,对上海市肺结核疫情的防控具有一定的指导意义。     

南通市流行性腮腺炎疫情的预测预警分析

目的 :探讨时间序列分析中的求和自回归移动平均模型(autoreg ressive integrated moving average,ARIMA)乘积季节模型在南通市流行性腮腺炎疫情预测预警中的应用。方法:收集“中国疾病预防控制系统”中2004年1月~2013年11月流行性腮腺炎的月发病监测数据,建立时间序列数据库,对每月腮腺炎的发病人数进行ARIMA模型拟合,利用模型对2004年1月~2013年11月的数据进行回代预测,并对2013年12月~2014年6月各月的流行性腮腺炎的发病情况进行前瞻性预测。结果 :构建流行性腮腺炎的ARIMA(0,1,2)(1,1,0)12模型为(1-B)(1+0.51B12)caset=(1-0.24B-0.29B2)(1-B12)εt,其中B代表后移算子,caset代表年腮腺炎发病数,εt为随机误差。回代预测的实际值和预测值基本相符,均在95%可信区间内。前瞻性预测结果符合流行性腮腺炎的流行特征。结论:该模型能较好模拟并预测腮腺炎的发病情况,流行性腮腺炎发病数有增加趋势,应进一步分析本地腮腺炎的流行特征及其免疫策略。     

唐山地区结核病发病人数时间序列分析

目的 通过时间序列分析模型对不同时间唐山地区结核病发病人数进行预测预警,为该地区科学开展结核病疫情防控工作提供参考依据。方法 收集2005年1月至2021年12月唐山地区结核病发病人数,利用季节性自回归综合移动平均模型(seasonal autoregressive integrated moving average model, SARIMA)预测2022年结核病发病人数,同时利用该模型和秩检验,探索2020年新冠肺炎疫情期间该地区结核病发病预测人数与观察人数的差异性。结果 2005年1月至2021年12月,ARIMA(1,1,0)(1,1,2)_s模型与实际结核病登记发病人数拟合效果较好(AR=-0.530,AR_s=-0.967,MA_s=0.861,P<0.05;Stationary R²=0.558,R²=0.634,BIC=7.887;Ljung-Box Q=25.605,P<0.05),每年3、4和12月是结核病发病高峰,2022年发病人数预测值为1 800...     

ARIMA乘积季节模型在上海市甲肝发病预测中的应用

 目的 应用自回归求和移动平均(autoregressive integrated moving average,ARIMA)乘积季节模型分析季节性时间序列,建立上海市病毒性甲型肝炎发病率的预测模型。方法 利用上海市1990年至2011年甲肝按月发病数的历史疫情数据,采用非条件最小二乘法估计模型参数,模型阶数确定后,建立甲肝按月发病数ARIMA乘积季节预测模型。结果 非季节和季节移动平均的参数分别是0.6341和0.9999,季节自回归的参数是0.4059,t检验的P值均<0.0001,方差估计值是0.1593,AIC=282.1478,SBC=292.7242,对建立的模型进行残差的白噪声检验,χ2检验统计量的P值均>0.05,据此建立ARIMA(0,1,1)(1,1,1)12NOINT乘积季节模型,模型表达式(1-0.405 9B12) (1-B) (1-B12)Yt=(1-0.634 1B) (1-0.999 9B12)εt,并开展上海市甲肝发病数的预测。结论 ARIMA(0,1,1)(1,1,1)12NOINT乘积季节模型可用于预测上海市病毒性甲型肝炎发病的季节模型。