时间序列分析法在贵州省乙型病毒性肝炎流行趋势预测中的应用

目的建立贵州省乙型病毒性肝炎(乙肝)发病的预测模型,预测2017—2019年乙肝发病趋势。方法对2004—2016年贵州省的乙肝月报告发病率建立自回归移动平均(ARIMA)预测模型,对贵州省2017—2019年乙肝发病趋势进行预测。结果 2004—2016年贵州省乙肝发病呈周期性波动,并具有长期趋势,拟合得到ARIMA(0,1,1)(0,1,1)12模型,用模型拟合2004—2016年乙肝月报告发病率,预测值和实际值平均相对误差为7.46%,预测2017—2019年贵州省乙肝月报告发病率在3.27/10万~4.38/10万的范围内波动。结论 ARIMA模型可较好的拟合贵州省乙肝发病在时间序列上的变化趋势,该模型可用于贵州省乙肝发病的短期趋势预测。     

应用ARIMA模型对河南省1991-2011年乙型肝炎发病趋势分析

目的 探讨应用ARIMA模型对河南省进行乙肝发病趋势进行预测,为制定防控策略提供科学依据.方法 采用SPSS15.0软件对河南省1991 ～2011年乙型肝炎发病率拟合ARIMA模型进行预测,将预测值与实际值进行比较.结果 确定模型为ARIMA(0,1,1),残差序列为随机序列,预测值和实际值平均相对误差为10.04％,预测2012年乙肝发病率为182.1/10万.结论 ARIMA(0,1,1)模型可以很好拟合乙肝发病趋势,可为乙肝防治提供科学依据.2012年预测结果提示乙肝发病有上升趋势,当地可制定相应防控策略.     

ARIMA模型在武汉市结核病疫情预测中的应用

目的探讨应用自回归移动平均模型(ARIMA)预测武汉市结核病发病情况。方法收集中国结核病信息管理系统中2011—2015年武汉市结核病月报告发病数数据,利用SPSS 18.0统计软件通过建模和拟合,对2016年肺结核发病数进行预测,比较预测值与实际报告数之间差异评价其预测效果。结果武汉市肺结核发病以年为周期,每年4~6月和9~10月为高发期;ARIMA(0,1,1)×(0,1,1)12能很好的拟合武汉市结核病发病情况,其标准化BCI=0.732,Ljung-Box统计量为25.659,P=0.059,预测平均相对误差率为3.31%,预测结果基本符合2016年实际发病变动趋势。结论 ARIMA模型能较好地模拟和预测结核病发病在时间序列上的变化趋势,可为今后合理配置防控资源提供参考依据。     

深圳市肾综合征出血热时间序列预测分析

目的利用拟合ARIMA模型对深圳市肾综合征出血热(HFRS)的发病趋势进行时间序列分析和预测,为制定HFRS防治策略提供科学依据。方法收集深圳市2005—2014年HFRS季度发病资料,通过SPSS 19.0软件拟合ARIMA模型,预测2015年各季度的发病数。结果最终拟合为ARIMA(0,0,0)(0,1,1)4模型,残差为白噪声序列,预测值与实际值的平均相对误差为28.6%。2015年各季度HFRS发病的预测值符合实际值的变动趋势。结论 ARIMA模型能较好模拟深圳市HFRS的发病趋势。     

江西省乙型肝炎发病趋势的时间序列和预测模型分析

目的利用乘积季节模型预测江西省乙型肝炎(乙肝)的发病趋势,为江西省乙肝预警预测奠定基础,同时为制定防控措施提供科学依据。方法利用最小二乘原理,应用自回归求和移动平均模型与随机季节模型相结合的乘积季节模型,对江西省1990-2009年乙肝月发病数进行时间序列分析并建立预测模型,用2010年相应数据验证预测效果,并对2010年以后江西乙肝发病趋势进行预测。结果利用1990-2009年资料构建ARIMA(1,1,1)(0,1,1)12模型,所建立的预测效果良好,实际值均在预测值95%可信区间内,预测2011-2014年江西省乙肝发病人数呈上升趋势。结论采用ARIMA乘积季节模型预测江西省乙肝发病情况,拟合及近期预测效果均较好。预测效果符合江西省乙肝发病现状及目前采取的乙肝防治措施。     

上海市流行性腮腺炎疫情时间序列模型建立的初探

【目的】探讨时间序列模型在流行性腮腺炎(流腮)预测中的应用,建立上海市流腮发病的预测模型,预测2017年上海市流腮发病趋势。【方法】收集中国疾病监测信息报告系统中的上海市2005年1月—2016年12月流腮月报告发病资料,使用SPSS软件进行建模,考虑季节因素建立ARIMA(Autoregressive Integrated Moving Average)乘积季节预测模型,并用所建模型预测上海市2017年流腮发病趋势。【结果】ARIMA(1,0,0)(1,1,0)12可较好地拟合流腮发病的时间序列趋势,对2005—2016年流腮发病数预测值与实际值吻合程度高,平均相对误差为8.79%,2017年流腮预测病例数为2 656例。【结论】ARIMA乘积季节模型可较好地拟合流腮发病的时间序列趋势;与2016年相比,预测2017年流腮报告发病数相对平稳。     

ARIMA乘积季节模型在江西省手足口病发病预测中的应用

目的 建立江西省手足口病发病的ARIMA乘积季节模型并进行预测,探讨该模型在江西省手足口病早期预测预警中的可行性。方法 以江西省2008-2015年手足口病逐月发病数为基础,建立ARIMA乘积季节模型,利用2016年各月发病数对模型进行验证,得到最优模型后对2017年手足口病发病数进行预测。结果 本研究构建的江西省手足口病发病预测模型为ARIMA(2,1,1)(0,1,1)12,各项参数都有统计学意义(P<0.05),模型拟合优度检验获得BIC值最小为14.738,残序列为白噪声(Ljung-Box Q=14.738,P=0.362),实际值与拟合值的动态趋势基本吻合;2016年1-8月预测值与实际值相差较小,吻合度高;2017年手足口发病数预测值为49 353。结论 ARIMA(2,1,1)(0,1,1)12较好地模拟了江西省手足口病发病趋势,可用于江西省手足口病发病的短期预测。     

江苏省乙型肝炎流行趋势的时间序列分析及预测

目的：利用拟合ARIMA模型对江苏省乙肝发病趋势进行时间序列分析和预测,为制定乙肝防治策略提供科学依据。方法：收集江苏省2000年～2009年乙肝月发病率资料,通过SPSS13.0软件拟合ARIMA模型。结果：最终拟合为ARIMA（0,1,2）（0,1,1）12模型,残差为白噪声序列,预测值与实际值的平均相对误差为8.26%。结论：江苏省乙肝发病具有逐渐下降的长期趋势,说明乙肝防治卓有成效。2000年以来乙肝月发病率时间序列还有明显的周期性波动特征,其原因有待于进一步研究。2010年预测结果提示需调整本省乙肝防治策略。     

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。     

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。     

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。     

基于时间序列模型对甲型病毒性肝炎的预测研究

目的探讨时间序列模型在甲肝发病预测的应用,为下一步采取防控措施提供科学依据。方法基于宜昌市2005-2015年逐月甲肝发病率建立两种模型,对2016年甲肝的发病率进行预测,并将预测值与实际值进行拟合评价。结果 ARIMA模型首先要求数据平稳,宜昌市的甲肝发病存在季节性波动,为不平稳序列,但2010年之后数据较为平稳,经对2010-2015年甲肝月发病率进行季节性差分、差分处理,新数列为平稳序列(游程检验法Z=1.447,P=0.148),然后进行参数估计(BIC=-4.293)和白噪声检验(Q=22.150,P=0.138),据此建立ARIMA模型,ARIMA(0,0,1)(0,1,1)12模型为最优模型,能较好的模拟甲型病毒性肝炎的发病。结论 ARIMA(0,0,1)(0,1,1)12模型能较好的模拟甲肝发病在时间序列的变化趋势,为制定科学的防控措施和策略提供依据。     

应用ARIMA模型预测石家庄市手足口病发病趋势

目的探讨应用ARIMA模型预测石家庄市手足口病发病趋势的可行性,为手足口病防制提供科学依据。方法收集石家庄市2011-2018年手足口月发病率,利用软件SPSS 19.0构建石家庄市手足口病月发病率ARIMA模型。结果石家庄市手足口病月发病率模型为ARIMA(1,0,1)(0,1,1)12,最小BIC指标值为3.058,Ljung-Box统计量为15.986(P=0.383),模型残差为白噪声序列。2018年7-12月实际月发病率与预测值基本吻合,预测值与实际值的平均相对误差为4.72%,实际值均在预测值95%可信区间。利用该模型进行预测,2019年石家庄市手足口病发病呈上升趋势。结论ARIMA(1,0,1)(0,1,1)12模型可以较为准确地预测短期内石家庄市手足口病发病趋势,可为手足口病的防治工作提供参考。     

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。     

基于时间序列模型的南京市建邺区手足口病发病趋势预测分析

目的采用时间序列分析方法中求和自回归移动平均(autoregressive integrated moving average model,ARIMA)模型对南京市建邺区手足口病月发病数进行预测,为制定手足口病预防控制策略提供参考依据。方法根据2009-2013年全区手足口病月报告发病数时间序列,以2014年1-8月的月发病数作为验证数据,建立辖区手足口病月发病数的ARIMA模型。结果建邺区手足口病月发病率模型为ARIMA(1,0,0)×(0,1,1)12,模型自回归参数AR1=0.569(t=5.030,P0.001),残差分析统计量经检验差异无统计学意义(Ljung-Box Q=13.296,P=0.651)。2014年1-8月实际值与预测值的最大相对误差36.78%,最小相对误差3.57%,平均相对误差16.32%。结论 ARIMA模型可以用于辖区中短期手足口病月发病数的预测,模型预测精度的提高有待数据的不断积累。     

自回归移动平均模型在北京市朝阳区手足口病发病预测中的应用

目的通过构建时间序列自回归移动平均模型(autoregressive integrated moving average model,ARIMA),对手足口发病趋势进行预测,探讨该模型在发病预测中的应用。方法从疾病监测信息报告管理系统提取北京市朝阳区2010年1月-2016年12月手足口病月发病数据。建立ARIMA季节乘积模型,对2010年1月-2015年12月的月发病数进行拟合,再以2016年1-12月的月发病数作为验证数据,评价其预测效果。结果通过对模型进行拟合优度及残差序列进行白噪声检验,最后选择了ARIMA(1,0,0)(1,1,0)_(12)为最佳模型。对2016年1-12月发病数进行预测,实际发病数均落入95%CI内,平均相对误差为49.37%。模型中加入2016年1-6月的月实际发病数,预测2016年7-12月的月发病数,平均相对误差为18.12%。结论 ARIMA季节模型可应用于手足口病等具有季节性变动特征的传染病预测。ARIMA模型短期预测手足口病的发病情况精度更高,可通过不断纳入新的实际观测值开展动态分析。ARIMA模型仅为一种数学工具,在实际防控及监测工作中,需要结合专业理论知识及具体情况进行分析。     

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。     

应用随机时间序列分析法对军队乙型肝炎疫情的预测研究

[目的]探讨应用ARMA模型拟合时间序列的方法,并将其应用于军队乙型肝炎的预测,为传染病预警系统提供决策依据. [方法]利用SPSS软件对全军1996～2005年乙型肝炎的月发病数据进行建立模型.并用所建模型对2006乙肝逐月发病人数进行预测,将预测值与实际值进行比较. [结果]ARIMA(0,1,1)×(0,1,1)12模型较好地拟合了既往时间段上的发病序列,其对2006年各月发病人数的预测值符合实际发病人数的变动趋势. [结论]在乙型肝炎的近期预测中引入时间序列的ARMA模型方法,为传染病预测具有指导意义.     

ARIMA模型在湖南省常德市手足口病发病预测中的应用

目的:构建ARIMA模型预测湖南省常德市手足口病发病趋势,为早期防控提供科学依据。方法:分析处理2010-2015年常德市手足口病发病率时间序列,构建ARIMA模型,对2016-2017年常德市手足口病发病趋势进行预测。结果:通过拟合优度检验和残差序列白噪声检验,得出本研究最优模型为ARIMA(1,0,1)(0,1,1)_(12),正态化BIC=4.235,Ljung-Box=12.019(P=0.678),2016年观测值均位于预测值95%可信区间内,与预测值的相对误差为0.72%-35.09%,预测2017年常德市手足口病月发病率在6月出现最大值,为24.03/10万。结论:该ARIMA模型能够较好拟合常德市手足口病发病趋势,预测效果良好。