首页 > 文献资料
-
基于Elman反馈型神经网络的肾综合征出血热发病率预测模型
目的：阐述建立Elman神经网络模型预测肾综合征出血热（HFRS）发病率的方法和步骤，探讨其应用前景。方法使用全国2004－2013年HFRS的月发病率资料，建立Elman神经网络预测模型和SARIMA模型，对2014年1－9月HFRS的月发病率进行预测，比较2个模型的拟合和预测效果。结果对于训练样本，Elman神经网络的平均绝对误差（MAE）、平均绝对误差百分比（MAPE）以及均方误差平方根（RMSE）分别为0.0088、0.1191和0.0127；SARIMA模型的MAE、MAPE和RMSE分别为0.0111、0.1268和0.0206。对于预测样本，Elman神经网络的MAE、MAPE和RMSE分别为0.0079、0.1180和0.0096；SARIMA模型的MAE、MAPE和RMSE分别为0.0178、0.2778和0.1861。结论 Elman神经网络较好地拟合和预测了全国HFRS的发病趋势，并且其拟合和预测效果优于SARIMA模型，具有较强的推广应用价值。
-
辽宁省病毒性肝炎流行趋势分析及疫情预测
目的 掌握辽宁省病毒性肝炎的流行情况,为制定病毒性肝炎防制规划提供依据.方法 对1985-2012年辽宁省肝炎发病率和病死率等数据进行统计分析.结果 1989-2002年,辽宁省的年发病率高于全国平均发病率,自2003年以来,该省发病率远远低于全国平均水平,2008-2012年发病率维持在84.4/10万～94.2/10万.肝炎的病死率呈下降趋势.预测未来3年病毒性肝炎发病率分别为85.7903/10万、83.4492/10万及84.7519/10万.结论 针对影响病毒性肝炎流行趋势的因素,该省各级疾病控制机构要把肝炎防治作为疾病预防控制工作重点,积极做好预防接种工作.
-
基于Elman神经网络的我国卫生总费用预测研究
目的 通过Elman神经网络的构建预测卫生总费用数据,分析经济社会新常态以来卫生总费用的变化趋势.方法 参考经济社会新常态以前卫生总费用的分析方法,总结构建了Elman神经网络对卫生总费用进行预测,发现预测模型性能较好.结果 进入“新常态”以来,2016-2020年我国卫生总费用和国内生产总值都将呈逐年递增趋势.卫生总费用将由2016年的45 832.49亿元上涨到2020年的60 295.96亿元,国内生产总值将由2016年的720 945.7亿元上涨到2020年的810 274.7亿元,卫生总费用相对与国内生产总值的比重将从2016年的6.36％上涨到2020年的7.45％.结论 新常态以来我国卫生总费用增长速度较快,相对于国内生产总值增速惊人;基于经济社会新常态构建的Elman神经网络预测模型有较好的预测精度,适用性强.
-
应用Elman神经网络建立流感样病例预测模型
目的 应用Elman神经网络构建流行性感冒(流感)样病例(ILI)预测模型,为浙江省流感疫情早期预警提供依据.方法 收集2013—2014年浙江省11家流感监测哨点医院的ILI报告、ILI病毒核酸检测结果、 气象和空气污染物等资料,通过时滞相关性分析筛选纳入模型的变量,采用2013年第14周—2014年第44周的数据建立Elman神经网络预测模型,采用2014年第45—52周的数据检验模型的预测效能.结果 浙江省2013—2014年每周均有ILI报告,共报告506391例次,周报告ILI％为(3.07±0.73)％.筛选出提前13周的周平均气压、 提前11周的周平均水汽压、提前9周的周平均气温、 提前5周的周平均SO2浓度、 提前5周的周平均NO2浓度、 提前5周的周平均CO浓度、 提前5周的周平均PM2.5浓度、 提前5周的周平均PM10浓度、 提前5周的周平均AQI和提前1周的病原阳性率10个因素纳入模型.当网络结构为10-15-1-1时,构建的Elman模型为优预测模型,预测结果的平均误差绝对率为10.58％,非线性相关系数为0.8767.结论 利用气象、 空气污染指标和流感病原性监测资料建立的Elman神经网络ILI预测模型预测效果较好,适用于浙江省流感疫情短期预测.
-
Elman神经网络与ARIMA模型对流感发病率预测效果的比较
目的：比较Elman神经网络模型与自回归移动平均（ ARIMA）模型对流感发病率预测的效果。方法：选取河南省2006年1月至2010年12月的流感疫情资料作为训练集，2011年1月至12月的流感疫情资料作为检验集，前者用于Elman神经网络模型和优ARIMA模型的建立，后者用于两种模型的预测效能的检验与评价。结果：在优ARIMA（1，0，0）模型和优Elman神经网络预测模型下，检验集预测值的平均误差绝对值、平均误差绝对率和非线性相关系数分别为0．133、0．238、0．708和0．152、0．271、0．725。结论：Elman神经网络模型具有与ARIMA模型相近的预测效能，在流感发病率预测中有较好的应用价值。
-
细菌性食源性疾病发病预测中Elman神经网络模型的应用
目的 建立基于Elman神经网络的感染性腹泻病人中细菌性食源性疾病阳性检出率预测模型,评估探讨Elman神经网络模型在细菌性食源性疾病发病预测中的应用价值.方法 利用深圳市2008年1月至2012年12月的细菌性食源性疾病疫情资料作为训练集,建立Elman神经网络模型;选取深圳市2013年1～6月的细菌性食源性疾病资料作为检验集,评价该模型的预测效能.结果 当网络结构为12-32-1-1时,构建的Elman回归网络模型为优预测模型,此时训练集模拟仿真结果的平均误差均方为65.75.在此优网络预测模型下,检验集预测值的平均误差绝对值为1.20,平均误差绝对率为0.21,非线性相关系数为0.79.结论 基于Elman回归网络预测模型对细菌性食源性疾病发病具有较好的预测效能.
-
重庆市手足口病多种预警模型的建立与评估
目的:构建多种重庆市手足口病(hand,foot and mouth disease,HFMD)疫情预测模型并评价模型的拟合和预测效果,为卫生部门提供准确的疾病动态及预警预告奠定基础.方法:对重庆市2009至2014年HFMD月发病率资料分别建立3种单一预测模型(SARIMA、BPNN和Elman神经网络)和3种组合预测模型(SARIMA-BPNN、SARIMA-Elman、BPNN-Elman),利用2015年HFMD月发病率资料对各个模型进行拟合和评价,并选择优预警模型预测2016至2017年重庆市HFMD发病率.结果:SARIMA模型、BPNN模型、Elman模型、SARIMA-BPNN组合模型、SARIMA-Elman组合模型、BPNN-Elman组合模型拟合及预测的平均绝对误差(mean absolute error,MAE)、平均误差率(mean error rate,MPAE)、预测准确度(prediction accuracy,P)、非线性相关系数(non-linear correlation coefficient,RNL)和平均相对误差(mean relative error,MRE)分别为0.595、0.515、0485、0.551、0.493;0.265、0.229、0.771、0.673、0.029;0.234、0.202、0.798、0.737、0.142;0.248、0.215、0.785、0.714、0.101;0.328、0.284、0.716、0.620、0.103;0.229、0.198、0.802、0.745、0.071.综合各个评价指标,选出本次研究优预测模型为BPNN-Elman组合模型,并采用BPNN-Elman组合模型预测出2016年和2017年重庆市HFMD年平均发病率分别为162.8/10万和160.9/10万,95％置信区间为-0.236～0.184.结论:BPNN-Elman组合模型预测效果优,能较好预测重庆市HFMD发病情况,为HFMD防控提供科学依据.
-
Elman神经网络在手足口病发病率预测中的应用初探
目的 探索Elman神经网络在传染病预测中的应用价值.方法 利用2005年1月～2010年6月我国内地法定报告的手足口病月发病率资料分别构建Elman神经网络、BP神经网络以及季节性自回归移动平均模型(SARIMA),并对3种模型进行预测效果评价.结果 Elman神经网络的预测结果的平均绝对误差(MAE)及均方误差平方根(RMSE)均小于BP神经网络、SARIMA模型.结论 Elman神经网络的预测效果较好,对于手足口病发病率预测具有较好的应用价值.
