ARIMA乘积季节模型在郑州市肺结核月发病趋势预测中的应用

目的建立郑州市近年肺结核月发病的ARIMA乘积季节模型(SARIMA)并进行预测,探讨该模型在郑州市肺结核早期预测预警中的可行性。方法以郑州市2011-2018年肺结核月发病数为基础,建立适合郑州市肺结核ARIMA乘积季节模型,利用R语言的auto.arima()代码自动得到最优模型后对2019年肺结核发病数进行预测。结果构建的郑州市肺结核月发病预测模型为ARIMA(2,0,0)(0,1,1)_(12),模型参数均有统计学意义(P0.05),模型拟合优度AIC=78.45,BIC=94.04,残差序列为白噪声(Ljung-Box testQ=17.285,P=0.3674),2019年1-12月实际值与拟合值的动态趋势高度吻合。结论本研究建立的ARIMA(2,0,0)(0,1,1)_(12)可用于郑州市肺结核月发病的早期预测。     

季节时间序列分析在新疆地区涂阳结核疫情预测预警中的应用

目的 探讨季节时间序列模型(seasonal autoregressive integrated moving average,SARIMA)在新疆涂阳肺结核疫情预测预警中的应用。 方法 收集新疆2005年1月－2015年6月涂阳肺结核月发病数建立时间序列分析模型,对2015年7－12月的月发病数进行预测并与实际发病数进行比较评价。 结果 新疆涂阳肺结核月发病数具有明显季节性,在3月和11月存在发病高峰,SARIMA(0,1,1)(0,1,1)₁₂模型参数的回归系数假设检验结果P<0.001,与实际月发病数拟合效果良好,平均绝对百分比误差MAPE=7.985%。 结论 SARIMA模型能较好的拟合新疆涂阳肺结核疫情在时间上的变异趋势,用其进行预测效果良好,能够为肺结核疫情的预警防治提供参考。     

应用SARIMA-GRNN组合模型分析肺结核流行的季节性特征

目的应用季节性差分自回归滑动平均模型(SARIMA)和广义回归神经网络(GRNN)组合模型分析肺结核流行的季节性特征,为预防和控制肺结核提供依据。方法通过国家卫生健康委员会官网收集2005—2017年全国肺结核疫情资料,应用SARIMA-GRNN组合模型分析我国肺结核流行的趋势和季节性特征。结果 2005—2016年我国肺结核报告发病率平均每年下降3.17%,并且发病存在明显的季节性规律(3—6月为高峰)。SARIMA (0,1,1)(0,1,1)_(12)模型较好的地拟合了我国肺结核发病长期趋势和季节性,其平均误差率为6.07%,决定系数为0.73。SARIMA(0,1,1)(0,1,1)_(12)-GRNN组合模型的平均误差率为2.56%,决定系数为0.94。SARIMA (0,1,1)(0,1,1)_(12)-GRNN组合模型预测的准确性优于SARIMA (0,1,1)(0,1,1)_(12)模型,2017年的验证数据结果与此一致。结论2005—2016年中国肺结核报告发病率平均每年下降3.17%,肺结核的发病高峰集中在每年3—6月,具有明显的季节性。     

SARIMA模型在苏州市细菌性痢疾发病预测中的应用

目的 探讨季节性差分自回归求和滑动平均(seasonal auto-regressive integrated moving average, SARIMA)模型在苏州市细菌性痢疾月发病数预测中的应用。 方法 利用R i386 3.2.3软件对2005年1月－2018年4月苏州市细菌性痢疾月发病数据构建SARIMA模型,对2018年5－7月份细菌性痢疾的月发病人数进行预测,验证预测效果。 结果 建立了SARIMA(0,l,2)×(0,1,1)₁₂模型,Ljung-Box检验结果为Q=19.494,P=0.244,模型拟合效果良好,与2018年5－7月实际发病人数比较,实际值均在预测值95%可信区间内,相对误差的平均值为-0.147。 结论 SARIMA(0,l,2)×(0,1,1)₁₂模型可以对苏州市细菌性痢疾月发病人数进行较好的预测。     

应用SARIMA模型预测肺结核发病趋势

目的用SARIMA模型预测云南省肺结核发病趋势。方法收集云南省16个州市2005年1月至2017年12月肺结核月发病数据资料,应用SPSS20.0软件构建模型,预测云南省2018年1月至12月的发病数和各州市发病趋势。结果 SARIMA(1,1,1)×(0,1,0)_(12)模型较好地拟合了云南省肺结核的月发病数据,各州市模型预测2018年10个州市肺结核发病数呈现上升趋势。结论 SARIMA模型能很好地模拟肺结核发病数在时间序列轴上的变化趋势,将其应用于未来发病数的短期预测,可为肺结核的防控提供参考。     

基于ARIMA模型的洛阳市手足口病发病率预测

目的建立洛阳市手足口病发病率的自回归积分移动平均(ARIMA)模型,并对洛阳市手足口病的发病率进行预测。方法以2009-2017年洛阳市手足口病发病率数据为基础建立ARIMA模型,并用2018年1月至5月的实际发病率进行验证,评价模型的拟合效果,利用最优模型预测2018年6月至12月洛阳市手足口病发病率。结果在本次研究中建立的ARIMA最优模型为ARIMA(2,0,0)(0,1,1)12,参数均有统计学意义(P 0. 05),拟合优度检验BIC最小为3. 563,残差序列为白噪声(Ljung-Box Q=13. 962,P=0. 528),拟合效果较好。预测出洛阳市2018年6-12月手足口病平均月发病率为13. 16/10万,与2017年同期相比略高。结论 ARIMA(2,0,0)(0,1,1)12模型拟合洛阳市手足口病发病率序列效果较好,可用于在短期上对洛阳市手足口病发病趋势进行预测。     

SARIMA模型在武汉市武昌区细菌性痢疾发病趋势预测中的应用

目的探讨SARIMA模型在武汉市武昌区细菌性痢疾发病趋势预测中的应用价值,并通过SARIMA模型验证2018年武汉市武昌区细菌性痢疾发病趋势,为相关防控工作提供依据。方法利用2005—2016年武汉市武昌区细菌性痢疾月发病率资料建立SARIMA模型,通过2017年月发病率数据验证并修正模型,预测2018年细菌性痢疾的发病情况。使用SPSS 20.0建立SARIMA模型,Eviews 7.0做ADF单位根检验。结果 2005—2016年武汉市武昌区细菌性痢疾年发病率总体呈现下降趋势,发病具有明显的季节性。根据建立最佳SARIMA模型预测的2017年月发病率,并与实际值相比较,两者相关系数为0.766(P0.01),平均相对误差(MAPE)为18.50%,实际值均在模型预测95%可信区间内。根据修正后最佳模型SARIMA(0,1,1)(2,1,0)_(12)预测2018年武汉市武昌区细菌性痢疾月发病率,为1.36/10万～2.67/10万。结论 SARIMA模型对武汉市武昌区细菌性痢疾发病率预测效果较好。     

ARIMA模型在天津市结核病发病预测中的应用

目的构建天津市结核病月发病数的ARIMA模型,为结核病防控工作提供参考。方法采用SPSS 16. 0统计软件包对天津市2005年1月-2016年7月结核病月发病数资料建立最佳ARIMA预测模型,利用2016年8月-2017年7月结核病月发病数对模型进行效果评价,并对2017年8月-2018年7月结核病月发病数进行预测。结果建立的ARIMA(0,1,1)(0,1,1)模型是拟合天津市结核病月发病人数的最优模型,利用2016年8月-2017年7月结核病月发病数对模型进行效果评价,发病人数在3-6月有一个发病高峰,符合历年结核病发病趋势,且实际发病数均落在预测值95%可信区间内,实际发病人数与预测发病人数的相对误差绝对值中位数为2. 49%,模型具有较高的预测精度。结论 ARIMA(0,1,1)(0,1,1)模型能够较精确的预测天津市结核病月发病情况,可为结核病的预防和控制提供重要理论依据。     

奉化区缺血性脑卒中发病季节的SARIMA模型预测

目的利用季节性自回归滑动平均模型法(SARIMA)对奉化区缺血性脑卒中发病情况进行预测,为做好脑卒中防控工作提供依据。方法采用R 3.3.2软件对奉化区2009—2014年缺血性脑卒中的发病数据建立SARIMA模型,对原始序列做一阶差分与一阶季节差分的预处理,预处理后的序列进行KPSS平稳性检验。利用auto.arima()函数结合模型参数估计来选择最优模型,再利用sarima()函数进行参数估计与残差诊断,最后应用建立的模型对2015年奉化区缺血性脑卒中发病进行预测验证。结果最优模型为SARIMA(0,1,1)(0,1,1)12,模型的参数估计值ma1=-0.824,sma1=-0.999,2个参数经检验差异均有统计学意义(P0.05)。sarima()函数自带的残差诊断图显示模型残差为白噪声序列。2015年各月预测结果误差率最高为-25.00%,最低为0.00%,平均误差率为10.75%,2015年每月实际发病数均在预测值的95%可信区间内。结论 SARIMA(0,1,1)(0,1,1)12模型拟合效果较好,可用于奉化区缺血性脑卒中发病情况的短期预测。     

SARIMA模型在猩红热疫情趋势预测中的应用

目的探讨SARIMA模型在猩红热疫情趋势预测中的应用,为江苏省猩红热疫情的及时防控提供科学依据。方法以2005—2015年江苏省猩红热月发病数为基础,建立SARIMA模型,对江苏省2016—2018年猩红热疫情趋势进行预测。结果最终建立SARIMA(1,1,0)(0,1,1)12,回代误差为15.47%,前瞻性预测误差为12.98%,预测结果表明,江苏省2016—2018年猩红热疫情依然呈现上升趋势。结论 SARIMA(1,1,1)(0,1,1)12模型具有较好的拟合优度和前瞻性预测精度,可用于猩红热疫情趋势的研究;江苏省猩红热疫情依然严峻,各地应加强疫情防控工作。     

山西省学生肺结核发病趋势预测

探讨自回归移动平均模型(ARIMA模型)在山西省学生活动性肺结核发病情况及流行趋势预测中的应用,为学生结核病疫情的防治工作提供科学依据.方法 运用SAS 9.3软件对2010年1月至2019年9月山西省学生活动性肺结核的月度报告数据建立最优ARIMA模型,并预测未来2年发病趋势.结果 2010-2019年山西省学生活动性肺结核平均报告率为23.52/10万,呈总体下降趋势(x2=999 980.46,P<0.01).拟合最优模型为SARIMA(0,1,1)(0,1,1)12,SBC=982.16,拟合方程为(1-0.63B)(1-B12)Yt=(1-0.61B12)εt,平均相对误差为19.35%,预测发病趋势与历年一致,3-5月为发病高峰.结论 山西省学校结核病防治工作取得良好进展,ARIMA乘积季节模型能够较好预测学生活动性肺结核发病流行趋势,为学校结核病疫情的早期防控提供科学依据.     

SARIMA和SARIMA-GRNN模型在流行性腮腺炎发病率预测中的应用对比

目的比较季节性差分自回归移动平均模型(seasonal autoregressive integrated moving average,SARIMA)和SARIMA-广义回归神经网络(general regression neural network,GRNN)组合模型对中国流行性腮腺炎发病的预测效果,指导流行性腮腺炎的预防控制。方法收集2010年1月-2017年12月全国流行性腮腺炎月发病率数据,构建SARIMA模型和SARIMA-GRNN组合模型,以2018年的实际月发病率进行验证,比较两种模型的拟合效果。结果流行性腮腺炎的流行特征呈季节性双峰分布。经筛选:SARIMA(2,1,2)×(0,1,1)_(12)模型为相对最优模型(AIC=49.02,AICc=50.12,BIC=63.53);SARIMA-GRNN组合模型的最优光滑因子为0.013。SARIMA模型的MAPE、MAE、RMSE和R~2分别为17.221%、0.236、0.252和0.714,SARIMA-GRNN为14.115%、0.181、0.221和0.781。结论 SARIMA-GRNN组合模型拟合和预测效果均优于单纯SARIMA模型,更适合于我国流行性腮腺炎发病率的预测,可为该病的防控提供科学依据。     

基于SARIMA - SVR模型的喀什地区流行性腮腺炎的流行趋势预测

目的 利用季节性自回归滑动平均模型（seasonal autoregressive integrated moving average，SARIMA）、支持向量回归模型（support vector regression， SVR）对喀什地区流行性腮腺炎( mumps)的月发病数进行预测，在上述两模型的基础上建立SARIMA - SVR组合模型，提高预测的精准度，为控制新疆喀什地区2021年流腮传播趋势提供科学预测。方法 以喀什地区2005年1月—2017年12月的流腮月发病数据为训练集，进行数据的拟合以及预测模型的训练，分别建立SARIMA、SVR、SARIMA - SVR组合模型。对2018年1月—2020年12月的流腮月发病数进行预测，并与实际值相比较，采用均方根误差(root mean square error，RMSE)衡量模型预测性能。结果 ARIMA(2，1，1)(0，0，1)12为最优的SARIMA模型，建立的SARIMA、SVR、SARIMA - SVR组合模型预测2018年1月—2020年12月的喀什地区流腮月发病数的RMSE分别为:9.611、9.545、3.427。结论 SARIMA - SVR组合模型对喀什地区流腮的预测精度高于单一预测模型，故选取该模型建立方式，利用2005年1月—2020年12月的喀什地区流腮月发病数据预测该地区2021年的月发病数。     

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。     

辽宁省手足口病疫情季节性ARIMA模型预测效果评价

目的利用时间序列法研究手足口病的发病趋势和流行特征,建立ARIMA乘积季节模型,对2017年7月—2018年12月辽宁省手足口病的月发病疫情情况及流行强度进行预测,为手足口病的预防监测工作提供依据。方法收集辽宁省手足口病2012年1月—2016年12月的月发病报告数,采用Excel 2010建立辽宁省手足口病月报告发病数数据库,应用SPSS 23.0软件进行SARIMA模型的构建,拟合发病情况,对辽宁省手足口病2017年7月—2018年12月发病数进行预测,评价预测效果。结果辽宁省手足口病发病特征以年为流行周期,季节性周期为12个月(s=12)。每年6—9月为该病的发病高峰期。最佳模型为SARIMA(0,1,0)×(1,1,0)_(12)季节性模型,模型残差Ljung-Box Q=18.564,P=0.354,序列为白噪声。预测平均相对误差为0.229,预测效果较好。结论季节性ARIMA模型能较好的拟合辽宁省手足口病的发病流行趋势,能够比较直观准确的反映辽宁省手足口病的疫情发展情况,该模型适用于辽宁省手足口病的短期流行趋势的预测。     

Prophet模型和SARIMA模型在某市心脑血管疾病死亡人数预测中的应用比较

目的 分析某地级市因心脑血管病死亡人数的趋势，探讨和比较时间序列分析中的Prophet模型和SARIMA模型在死亡人数预测中的应用。方法 从该市卫生健康大数据中心获取2014年到2018年因心脑血管疾病死亡的人数，分别构建Prophet模型和SARIMA模型，使用2019年1月到12月的数据验证两种模型的预测效果，用均方根误差和平均百分比误差作为评价指标。结果 Prophet模型的平均百分比误差为5.24%,SARIMA模型的最优模型为SARIMA(0,1,1)(0,1,1)₁₂,平均百分比误差为7.88%。结论 时间序列分析方法能够用于心脑血管疾病死亡人数趋势的预测，Prophet模型预测精度更高。     

定西市安定区手足口病SARIMA预测模型研究

目的构建自回归求和移动平均模型(SARIMA),用于定西市安定区手足口病发病率的预测,分析该模型在手足口病预测中的应用。方法根据2008年1月—2019年6月手足口病月发病率构建SARIMA模型,2019年7—12月手足口病发病率为验证数据,验证模型预测效果。结果 SARIMA(1,0,1)×(0,1,1)_(12)为最优模型,其平稳R2为0.754,均方根误差为6.540,正态化的BIC值为3.911。预测结果显示:2019年7-12月手足口病月发病率预测最小相对误差为0.51%,最大相对误差为26.18%,平均相对误差为16.01%,实际值均在预测值的95%CI以内。结论 SARIMA(1,0,1)×(0,1,1)_(12)模型能较好地拟合安定区手足口病月发病情况,在实际应用中,SARI MA模型适用于短期预测,同时本模型预测值的95%CI宽度偏大,所以在后期的工作中,应对模型进一步优化。     

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。     

基于SARIMA模型的细菌性痢疾短期定量预测研究

目的采用季节时间序列模型(SARIMA)对福建省细菌性痢疾发病数进行短期预测,为风险评估提供可靠的定量数据基础。方法运用EViews 8.0软件,基于SARIMA模型,对福建省2004年1月至2015年12月细菌性痢疾月发病数进行分析和建模,再对2016年1~9月进行预测和评估,然后修正模型对2016年10~12月进行短期预测。结果 2004年1月至2015年12月,福建省细菌性痢疾月发病序列呈下降态势和周期性波动。SARIMA(0,1,1)(1,1,1)12拟合优度较好,预测准确度和精度较高,均方根误差(RMSE)为26.59,平均绝对百分比误差(MAPE)为13.61%。2016年1~9月前瞻性长期预测值MAPE为19.44%,其中7~9月MAPE为20.49%,而2016年7~9月前瞻性短期预测值MAPE为6.48%,而且标准误(SE)小于长期预测。采用2004年1月至2016年9月细菌性痢疾例数进行建模拟合后,SARIMA(1,1,2)(0,1,1)12为最佳模型,2016年10~12月短期预测结果分别为41例、36例和24例。结论 SARIMA模型能够对福建省细菌性痢疾发病数进行较准确的短期预测,可为风险评估提供可靠的定量数据基础。     

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。