ARIMA-SVM组合模型在肺结核发病趋势预测中的应用

目的 研究ARIMA-SVM组合模型在肺结核发病趋势预测中的应用。方法 使用海南省2005—2021年肺结核发病数据,以2005—2020年发病数作为训练集,2021年发病数为验证集,建立ARIMA模型、SVM模型与ARIMA-SVM组合模型,并对三种模型拟合和预测效果进行分析与评价。结果 ARIMA-SVM组合模型数据拟合RMSE、MAPE分别为41.38、1.98%,模型预测RMSE、MAPE分别为45.18、4.84%,拟合和预测效果均优于ARIMA模型与SVM模型。结论ARIMA-SVM组合模型预测效果优于单一模型,更适合我国肺结核发病趋势预测,为我国传染病预测预警提供了新思路。     

非线性自回归神经网络在肾综合征出血热流行趋势预测中的应用

目的 探讨非线性自回归(NAR)神经网络拟合及预测我国HFRS流行趋势的应用。方法 使用2004－2013年全国HFRS月报告发病数序列建立ARIMA模型和NAR神经网络模型,预测2014年HFRS月发病数,并比较两模型的拟合和预测效果。结果 对于拟合集,ARIMA模型的平均绝对误差(MAE)、均方误差平方根(RMSE)和平均绝对误差百分比(MAPE)分别为148.058、272.077和12.678%, NAR神经网络分别为119.436、186.671和11.778%; 对于预测集,ARIMA模型的MAE、RMSE和MAPE分别为189.088、221.133和21.296%, NAR神经网络分别为119.733、151.329和11.431%。结论 NAR神经网络对于全国HFRS流行趋势拟合及预测效果优于传统的ARIMA模型,具有良好推广应用价值。     

四种模型在驻苏部队肺结核发病率预测中的比较研究

目的评估ARIMA模型、指数平滑模型、GM(1,1)模型及指数曲线模型在肺结核发病预测中的运用效果,为遴选适宜的预测措施提供参考。方法使用驻苏部队人群2005-2016年肺结核报告发病数据构建模型,评估拟合效果。结果 ARIMA模型、指数平滑模型能够预测肺结核月发病趋势,拟合的平均误差率(MER)分别为9.35%、10.28%,决定系数(R~2)分别为0.81、0.80;ARIMA模型能够预测肺结核季度发病趋势,拟合的MER、R~2分别为5.48%、0.73,而指数平滑模型无效;GM(1,1)模型、指数曲线模型有效,能够预测肺结核年度发病趋势,拟合的MER分别为1.47%、1.80%,R~2分别为0.98、0.97。结论 ARIMA模型拟合效果和预测准确性相对较好。GM(1,1)模型、指数曲线模型对年发病率呈线性下降趋势的肺结核,拟合效果和预测准确性均良好。2017年驻苏部队肺结核发病率呈稳中有降趋势。     

基于ARIMA和LSTM神经网络的乌鲁木齐市乙型肝炎发病预测研究

目的 了解乌鲁木齐市2012—2021年乙肝发病趋势,建立合适的发病预测模型,探讨ARIMA模型和LSTM神经网络在乙肝发病预测中的应用。方法 根据2012—2021年乙肝月报告病例数据,建立ARIMA模型和LSTM神经网络模型,对乌鲁木齐市乙肝发病数进行拟合及预测,通过比较RMSE的大小评价模型效果。结果 LSTM神经网络模型拟合和预测的RMSE分别为50.13、42.70,ARIMA(0,1,1)(0,0,2)12模型拟合和预测的RMSE分别为67.62、66.85。前者的拟合及预测效果显著优于后者。结论 乌鲁木齐市10年来乙肝发病呈逐年下降趋势,且存在一定季节性变化。LSTM神经网络模型可较好地拟合和预测乌鲁木齐市乙肝的发病数及趋势,且模型效果优于ARIMA(0,1,1)(0,0,2)12,能在一定程度上提高预测精确度。     

ARIMA与SVM组合模型在新型冠状病毒肺炎预测中的应用

目的 基于差分自回归移动平均模型(ARIMA)通过引入支持向量机(SVM)方法,构建一个组合模型对新型冠状病毒肺炎(COVID-19)的发病趋势进行预测。方法 应用ARIMA模型对江苏省2020年1月22日-2月18日每日新增确诊病例数据中线性部分进行预测,捕捉时间序列数据的线性变化趋势,采用SVM对数据的非线性变化趋势进行预测,通过平均绝对误差(MAE)、均方误差(MSE)和平均绝对百分比误差(MAPE)评估两种组合模型的预测结果,比较模型的优劣。结果 在模型的拟合阶段,与单一ARIMA模型和SVM模型相比,ARIMA-SVM组合模型对COVID-19发病预测的MSE、MAE和MAPE均最小,分别为0.004、0.055和0.004;在模型的预测阶段,MSE、MAE和MAPE分别为7.811、2.730和0.764,在3个模型中也均是最小的。结论 与单ARIMA或SVM相比,ARIMA-SVM组合模型对COVID-19发病趋势具有更高预测精度。     

ARIMA-LSTM-XGBoost加权组合模型在肺结核发病趋势预测的研究

目的 探讨ARIMA-LSTM-XGBoost加权组合模型在预测肺结核发病趋势中的应用。方法 收集广东省2009—2019年肺结核月发病数数据,将2009—2018年月发病数作为训练集,2019年月发病数作为测试集,建立ARIMA、ARIMA-LSTM、XGBoost以及ARIMA-LSTM-XGBoost加权组合模型,然后对模型预测效果进行比较。结果 ARIMA-LSTM-XGBoost加权组合模型预测数据的MAPE、RMSE、MAE分别为4.107%、376.483、301.333,优于其它几种模型。结论 ARIMA-LSTM-XGBoost加权组合模型能够提升模型预测效果,对肺结核发病预测具有应用价值,也可为其它传染病预测提供新的方法和思路。     

ARIMA与GM(1,1)模型对我国肺结核年发病人数预测情况的比较

目的通过ARIMA乘积季节模型和GM(1,1)模型拟合我国肺结核的发病人数,比较两种模型的拟合效果。方法运用我国2011-2016年的肺结核发病人数,分别构建ARIMA乘积季节模型和GM(1,1)模型,然后利用所得到的模型进行预测。采用平均绝对百分误差(MAPE)来评价模型的拟合效果。结果 GM(1,1)模型和ARIMA乘积季节预测模型所得到的MAPE分别为1.45%、1.70%。用GM(1,1)模型预测2017-2018年我国肺结核的发病人数分别为1042909、988915人。结论 GM(1,1)拟合效果优于ARIMA乘积季节模型,预测表明2017-2018年我国肺结核年发病人数将呈现出减少的趋势,但是肺结核发病人数仍然较多。     

ARIMA模型和BP神经网络模型在甘肃省结核病发病率预测中的应用

  目的  探讨自回归滑动平均混合模型（autoregressive integrated moving average，ARIMA）与误差逆传播（（back propagation，BP）神经网络模型在甘肃省结核病发病率预测中的预测效果，选取合适的模型预测发病趋势。  方法  以甘肃省1997-2017年结核病数据为基础，建立ARIMA时间序列模型和BP神经网络模型分别预测2018-2019年的发病率，并比较两种模型的预测精度和建模效果。  结果  对于甘肃省2018年和2019年结核病发病率，ARIMA时间序列模型预测结果为55.1075，54.5373，MSE=92.24，MAE=7.5313，MAPE=9.26%；BP神经网络模型预测结果为62.0132，73.4460，MSE=9.6575，MAE=1.1449，MAPE=1.68%。  结论  BP神经网络模型对甘肃省结核病发病率的预测效果更佳，预测得2018-2019年甘肃省结核病发病率将呈小幅上升趋势。     

ARIMA模型和BP神经网络模型在我国乙型肝炎发病预测中的应用

目的探讨适合全国乙肝发病率的预测模型,为乙肝预测预警系统提供参考。方法应用2004-2012年全国乙肝月发病率数据,分别建立ARIMA模型和BP神经网络模型,利用建立的模型预测2013年1-12月乙肝发病率,采用实际发病率验证与比较两种模型的预测效果,评价指标为平均绝对误差(MAE)、平均绝对误差率(MER)和非线性相关系数(RNL)。结果全国2004-2013年乙肝月发病率在2.79/10万~9.44/10万间波动,序列具有明显的长期趋势。建立的乘积ARIMA(0,1,1)(0,1,1)12模型预测的MAE、MER、RNL分别为0.445、0.065、0.909,BP神经网络模型分别为0.635、0.093、0.872。ARIMA模型预测的平均绝对误差和平均绝对误差率要低于BP神经网络模型(△MAE=-0.190,△MER=-0.028),非线性相关系数要高于BP神经网络模型(△RNL=0.037)。结论 ARIMA模型和BP神经网络模型均适用于我国乙肝发病率的预测,且前者的预测效能和非线性拟合能力略优于后者。     

三种模型在肺结核发病预测中的应用

目的 比较求和自回归滑动平均(ARIMA)模型、ARIMA与广义回归神经网络(GRNN-ARIMA)组合模型、径向基函数(RBF)网络模型在肺结核发病预测中的应用,探讨优化模型,为完善结核病预测预警系统提供建议和资料.方法 利用1998年1月-2011年6月全国肺结核逐月发病资料构建ARIMA模型,而2011年7-12月数据作为模型测试值;将上述ARIMA模型拟合值作为GRNN模型输入值,各月实际发病率作为输出值,构建GRNN-ARIMA组合模型并预测;将1998年1月-2011年6月数据分段,构建三维输入,一维输出的RBF网络模型并预测.比较三种模型的拟合及预测效果优劣.结果 三种模模型拟合肺结核发病情况的均方误差MSE值依次为GRNN-ARIMA (0.0848)＜RBF(0.1987)＜ARIMA (0.2800);三种模型预测2011年7-12月各月的发病率与实际值比较的均方误差MSE值依次为:GRNN-ARIMA(0.0571)＜RBF(0.1024)＜ ARIMA(0.1053),其他模型评价指标也显示GRNN-ARIMA组合模型误差最小.结论 GRNN-ARIMA组合模型拟合及预测效果均优于RBF网络模型和单纯ARIMA模型,它能显著提高预测精度,具有很好的实用价值.     

基于奇异谱分析的ARIMA模型在山西省流感预测中的应用

目的 分析基于奇异谱分析（singular spectrum analysis, SSA）的自回归移动平均模型（Autoregressive integrated moving average, ARIMA）模型预测流感样病例 (influenza like illness, ILI) 发病趋势的可行性，为流感防控工作提供合理的预测方法。 方法 利用山西省2010年第14周-2017年第13周的流感监测资料以不同长度配比的训练集、测试集构建SSA-ARIMA模型，并与ARIMA、BP神经网络（Back propagation neural network, BPNN）、广义回归神经网络（General Regression Neural Network, GRNN）模型进行比较。采用平均绝对误差（Mean Absolute Error，MAE）、均方误差（Mean Squared Error，MSE）、均方根误差（Root Mean Squared Error，RMSE）比较各模型预测效果。 结果 模型拟合方面，SSA-ARIMA模型在预测未来一个月发病趋势时的MAE、MSE、RMSE分别为0.163、0.061、0.248；预测六个月时分别为0.161、0.061、0.248；预测一年时分别为0.168、0.066、0.256；均低于ARIMA、BPNN、GRNN。模型预测方面，在预测未来一个月发病趋势时的MAE、MSE、RMSE分别为0.056、0.005、0.068；预测六个月时分别为0.189、0.081、0.285；预测一年时分别为0.210、0.075、0.273；也均低于ARIMA、BPNN、GRNN。 结论 SSA-ARIMA模型对山西省ILI的预测效果优于ARIMA、BPNN、GRNN，可为流感预测提供科学依据。     

弹性BP神经网络在结核病发病率预报中的应用

[目的]探讨弹性BP神经网络在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于1993～2003年登记的结核病发病率时间序列资料,以双曲正切S型函数为传输函数、隐层节点为6的三层BP神经网络,建立了2种结核病发病率的非线性时间序列预测模型。[结果]建立的ANN2预测模型简单易行,预测值平均相对误差为0.06999,预测精度高。[结论]BP人工神经网络可以用于结核病发病率或死亡率的预测。     

ARIMA乘积季节模型与LSTM神经网络模型对我国麻疹发病数预测效果的比较

目的 探讨长短期记忆神经网络(long short term memory, LSTM)模型和差分整合移动平均自回归(autoregressive integrated moving average model, ARIMA)乘积季节模型在全国麻疹发病趋势预测中的应用,为麻疹的早期防控提供科学依据。方法 选取2005年1月至2016年2月全国麻疹月发病数分别构建LSTM模型和ARIMA乘积季节模型,同时运用得到的模型对2016年3月至2018年12月发病数进行预测,运用两种评价指标平均绝对百分比误差(mean absolute percentage error, MAPE)和均方根误差(root mean square error, RMSE)检验模型的外推预测精度。最后应用模型预测2019年1月至2019年5月的全国麻疹月发病数。结果 LSTM模型和最优模型ARIMA(0,1,1)(0,1,1)₁₂外推预测的均方根误差(RMSE)分别为0.25和1.54,平均绝对百分比误差(MAPE)分别为3.6%和18.7%,提示LSTM神经网络的外推预测精度优于ARIMA模...     

基于ARIMA-GRNN组合模型预测我国甲肝发病率

目的 探讨ARIMA-GRNN组合模型在甲肝发病序列预测中的应用,并比较其与ARIMA模型和BPNN模型的预测效果。方法 通过收集2004年1月～2014年12月我国甲肝发病序列资料,用SPSS 13.0建立ARIMA模型,用Matlab 8.0建立BPNN模型和ARIMA-GRNN组合模型,并用2014年数据对模型的预测效果进行评价。结果 针对我国甲肝发病序列建立的三种预测模型拟合的平均相对误差的值依次为:ARIMA模型（7.29 785）相似文献   

极端学习机模型在衡水市乙肝月发病率预测中的应用

目的 探讨极端学习模型在衡水市乙肝月发病率预测中的应用,并与神经网络模型比较预测效果。方法 收集2005年1月 - 2017年7月衡水市乙肝月发病率资料,并组成具有151个数据的时间序列,随机选择75%的数据进行学习建模,剩余25%数据作为一步预测的检验数据,其次使用前147个数据作为学习数据,后4个数据作为四步预测的检验数据,并对2种模型的预测效果进行对比。结果 极端学习机学习的MRE为0.03,一步预测MRE为:0.04,四步预测RE分别为:2.8%、7.73%、20.15%、35.43%,神经网络学习的MRE为:0.06,一步预测MRE为0.07,四步预测RE分别为7.34%、22.14%、82.30%、38.86%。结论 极端学习机模型学习和预测效果优于神经网络,它可以提高预测的精度,具有较高的实用价值。     

利用ARIMA和BP神经网络模型分析新疆生产建设兵团乙肝流行特征

目的 通过分析2009－2019年新疆生产建设兵团乙肝发病数据，了解乙肝发病特征及规律。同时构建ARIMA模型和BP神经网络对2020年新疆生产建设兵团乙肝发病率进行预测，选取合适模型为乙肝及时防控调整做参考依据。方法 收集新疆生产建设兵团疾病预防控制中心网站公布的法定传染病月疫情统计数据和中国统计年鉴数据，利用SPSS 20.0进行流行病学统计分析。利用R（forecast包、tseries包）建立ARIMA模型，利用MATLAB构建BP神经网络对新疆生产建设兵团2009年1月－2019年12月的乙肝月发病率进行拟合预测。结果 2009－2019年新疆生产建设兵团乙肝病毒性肝炎年平均发病率为95.76/10万（29 476/3 078.05万，95%CI:94.67～96.86），乙肝发病率处于逐年下降中；各年报告男性发病率均高于女性，男女发病数比为1.676∶1；BP神经网络预测精度指标（MAE，MAPE，RMSE）均优于ARIMA模型。结论 2009－2019年新疆生产建设兵团乙肝发病率趋势逐年下降。BP神经网络是短期预测新疆生产建设兵团乙肝月发病趋势的较为理想的模型。