首页 > 文献资料
-
ARIMA乘积季节模型在陕西省手足口病预测中的应用
目的 应用自回归求和移动平均(ARIMA)乘积季节模型预测陕西省手足口病发病人数.方法 利用R软件对2009年1月至2015年6月手足口病数据构建ARIMA乘积季节模型,同时利用2015年7-12月实际发病人数与模型拟合数据比较,评价模型的预测性能,预测2016-2017年的手足口病发病人数.结果 陕西省手足口病发病人数具有明显的季节性,建立了ARIMA(2,1,0)×(1,1,0)12乘积季节模型,预测方程为(1-B)(I-B12)Ln(X1)=(1-1.000B)(1-0.532B-0.363B2)(1-0.644B12-0.454B212)ε1,与2015年7-12月实际发病人数比较,绝对误差的平均值为531.535,相对误差的平均值为0.114,预测2016-2017年陕西省手足口病发病人数与2015年基本保持一致.结论 ARIMA(2,1,0)×(1,1,0)12乘积季节模型可用于陕西省手足口病的发病人数预测.
关键词： 手足口病 自回归求和移动平均乘积季节模型 预测 -
ARIMA模型在我国法定传染病报告数中的应用
目的 利用自回归移动平均乘积季节(ARIMA)模型建立适合我国法定传染病月报告发病数的预测模型,借此预测我国法定传染病的变化趋势.方法 利用R软件对2009年5月至2016年7月我国法定传染病月报告发病数据建立ARIMA模型,用2016年8月至2017年1月实际值与预测值进行比较,从而评价模型的预测性能.结果 我国法定传染病月报告发病数具有明显的季节性,且报告在每年2月出现低峰,6月呈现高峰;建立ARIMA(4,l,0)(1,1,1)12模型对我国法定传染病发病数进行预测,模型预测的大相对误差为9.78％,小为2.21％,平均值为5.39％.结论 ARIMA(4,1,0)(1,1,1)12乘积季节模型较好的拟合了我国法定传染病月报告发病数,可用于预测.
关键词： 法定传染病 自回归求和移动平均乘积季节模型 预测 -
ARIMA模型和ARIMA-GRNN模型在AIDS发病预测中的应用
目的 探究适用于预测我国艾滋病月发病人数的模型,为艾滋病的预防提供参考.方法 收集2011年1月至2017年12月我国艾滋病月发病报告人数资料,建立自回归移动平均(autoregressive integrated moving average,ARIMA)模型及广义回归神经网络(generalized regression neural network,GRNN)模型与ARIMA模型的联合.用2018年1月至5月艾滋病月发病数评估该模型预测效果.结果 艾滋病月发病数呈明显季节性,拟建立ARIMA(1,1,1)(0,1,1)12模型对我国艾滋病月发病报告数进行预测.建立ARIMA-GRNN模型的光滑因子为0.021.ARIMA-GRNN模型拟合及预测误差均低于ARIMA模型.结论 ARIMA(1,1,1)(0,1,1)12和ARIMA-GRNN模型均能较好地拟合并预测我国艾滋病月发病人数,但联合模型的效果更优.
关键词： 艾滋病 自回归求和移动平均乘积季节模型 广义回归神经网络 预测 -
ARIMA乘积季节模型在重庆市流行性乙型脑炎预测中的应用
目的:应用自回归求和移动平均(autoregressive integrated moving average,ARIMA)乘积季节模型预测重庆市流行性乙型脑炎(简称乙脑)发病数.方法:利用R软件对重庆市2006年1月到2015年6月乙脑报告病例数进行ARIMA模型建模拟合,选择预测模型进行相互比较确定优模型.用2015年7至12月实际报告病例数与拟合值的比较来评价模型的预测效果,并对2016至2017年重庆市乙脑报告发病数进行预测.结果:重庆市乙脑发病人数呈逐年下降趋势,报告病例具有明显季节分布特征,ARIMA(0,0,1)×(1,1,2)12模型很好地拟合了时间序列,该模型赤池信息量准则(Akaike information criterion,AIC)、许瓦兹贝叶斯准则(Schwarz Bayesian criterion,SBC)值均小且预测值与实际值的平均相对误差为0.12,平均绝对百分比误差为7.81％.进一步用该模型预测重庆市2016至2017年乙脑病例数分别为35例和32例,发病高峰仍是7至8月.结论:利用ARIMA乘积季节模型对乙脑发病数拟合较好,短期预测结果良好;与2015年比较,预测2016至2017年乙脑报告发病数略微减少.
关键词： 流行性乙型脑炎 自回归求和移动平均乘积季节模型 预测 -
自回归求和移动平均乘积季节模型在西安地区出生缺陷预测中的应用
目的 应用自回归求和移动平均(ARIMA)乘积季节模型预测西安市出生缺陷的发生率.方法 利用2009年10月至2015年8月出生缺陷监测数据对西安市出生缺陷发生率数据构建ARIMA乘积季节模型,同时利用2015年9月至12月实际出生缺陷发生率与模型拟合数据进行比较,评价模型的预测性能,并预测西安市2016年的出生缺陷发生率.结果 西安市出生缺陷的发生率具有一定的趋势及季节性,建立了ARIMA(0,0,1)(0,1,1)12乘积季节模型,利用201 5年9月至12月拟合值与实际出生缺陷发生率比较,绝对误差的平均9.5,相对误差的平均0.084,提示ARIMA(0,0,1)(0,1,1)12乘积季节模型具有较佳的预测能力.预测2016年西安市出生缺陷发生率与2015年接近,总体略有抬升,但峰值下降.结论 ARIMA(0,0,1)(0,1,1)12乘积季节模型可用于西安市出生缺陷发生率的预测.
关键词： 出生缺陷 自回归求和移动平均乘积季节模型 预测
