应用季节移动平均数法预测住院人次

目的介绍一种医院应用较广泛的预测方法——季节移动平均数法。并用此法预测我院2006年住院人次。方法依据本院2003—2005年住院人次,应用季节移动平均数法预测2006年各季度的住院人次,分析预测效果。结果2006年各季度的实际住院人次与预测结果存在误差较小。结论季节移动平均数法预测结果在医院管理应用中具有一定的客观性、准确性和说服力,这种方法具有应用广泛、方便、实用的特点。

太阳直射点季节移动引发的季节变化知识点

地球在绕日公转的过程中,由于黄赤交角的存在,引起了太阳直射点以一上为周期在南北回归线之间来回移动,从而使大气、洋流等季节性的变化规律,影响到人类的生产和生活。一、正午太阳高度(H)

基于季节性(差分整合)自回归移动平均模型的广西乙类传染病发病情况预测

目的应用季节性(差分整合)自回归移动平均(SARIMA)模型预测广西乙类传染病发病情况。方法将2011年1月至2022年5月广西乙类传染病月报告发病数据作为训练集构建时间序列,拟合和构建SARIMA预测模型;以2022年6月至11月的广西乙类传染病月报告发病数据作为测试集对模型进行测试。结果广西乙类传染病的发病情况呈季节性规律,最优预测模型为SARIMA(3,1,3)(2,0,0)_(12),其预测效果平均相对误差为7.99%,预测发病例数95%CI均包含了实际发病例数。结论SARIMA(3,1,3)(2,0,0)_(12)模型能较好地拟合广西乙类传染病的发病情况,可用于疫情的短期监测。

应用季节移动平均比率法预测细菌性痢疾发病人数

目的探讨葫芦岛市细菌性痢疾发病人数的变动规律并进行外推预测。方法收集辽宁省葫芦岛市1990-2009年的逐月和逐年细菌性痢疾疫情资料。首先应用von Neumann秩趋势游程检验判定年发病人数是否存在随年代变动的长期趋势,然后利用移动平均比率法进行季节趋势拟合分析及外推预测。结果趋势游程检验提示发病人数存在下降趋势。移动平均比率法中,指数模型决定系数R2为0.895,具有统计学意义。结论移动平均比率法综合考虑长期、季节、周期及随机趋势,预测效果较好。

副热带高压季节性移动与海温场的联系

本文通过ＥＯＦ分解，分析讨论了西北太平洋副热带高压季节性移动与海温场之间的联系。结果表明：副高的两次北跳与东西进退都与海温场的扰动加热有关，海洋的热力强迫作用是引起大气环流系统季节变化的重要原因之一。

季节移动平均数法在住院人次预测中的应用

目的用季节移动平均数法预测医院住院人次。方法依据某院2006年-2008年住院人次,应用季节移动平均数法预测2009年1-4季度住院人次,并评价预测效果。结果使用季节移动平均数法所得2009年各季度住院人次的预测值较为精确,误差较小。结论季节移动平均数法简便易行,预测效果好,可为医院管理决策提供依据。

太阳辐射与西北太平洋副高季节性移动关系的研究

本文对西北太平洋地区的净太阳射入辐射场进行了自然正交函数分解。结果表明。第二、第四特征向量分别具有明显的纬向和经向分布不均匀性。太阳辐射的扰动加热及其随时间的变化与西北太平洋副高的季节性移动有着十分密切的关系。

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2015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。

长沙市流行性腮腺炎季节性自回归移动平均模型预测研究

目的采用季节性自回归移动平均(SARIMA)模型预测长沙市流行性腮腺炎发病数。方法收集2005—2015年长沙市报告的流行性腮腺炎病例数据,将2005—2014年数据作为建模数据,将2015年数据作为验证数据,开展SARIMA模型建立与验证研究,并对2016年流行性腮腺炎发病数进行预测。结果 SARIMA(3,0,0)×(1,0,0)_(12)模型可以很好地拟合实际数据,模型的展开式为:Y_t=222.545+1.225Y_(t-1)-0.713Y_(t-2)+0.291Y_(t-3)+0.366Y_(t-12)-0.448Y_(t-13)+0.261Y_(t-14)-0.107Y_(t-15)+a_t。将验证数据与预测数据进行相关性分析,结果显示呈显著性相关(r=0.61,P<0.001)。SARIMA模型预测2016年长沙市全年发病数将达到3 032例,平均月病例数为253例。结论 SARIMA模型可以用于流行性腮腺炎发病数预测,长沙市2016年流行性腮腺炎疫情仍处于高发态势。

基于季节自回归单整移动平均模型的电梯交通流递归预测方法

针对电梯交通流预测提出了一种基于季节自回归单整移动平均(SARIMA)模型的递归预测方法.通过离线分析,对电梯交通流利用时间序列分析得到初始的SARIMA模型,引入异常值检测对训练数据中的异常值进行修正,利用修正的序列得到电梯交通流SARIMA模型;在线预测时,将离线得到修正的SARIMA模型转化为状态空间形式,通过Kalman滤波实时调整状态向量,实现电梯交通流的实时在线预测.仿真表明该方法具有很好的预测性能,且运行时间短,满足实时性的要求.

采用移动平均季节指数法对某院出院人数进行预测与分析

目的对某院2006-2011年的出院人数进行分析，预测2012年的出院人数。方法采用移动平均季节指数法预测出院人数。结果该院出院人数呈增长趋势。趋势变动预测方程为Y=22803．5＋888．4t。根据季节指数2012年l至4季度出院人数预测值分别为4l845、48303、48858、46434人。结论移动平均季节指数法是利用移动平均法分解时间序列4类变动因子，即消除长期趋势变动又消除循环变动和不规则变动的影响，比较精确的反应季节变动情况的季节指数，在此基础上再进行预测。

应用移动平均季节指数法预测门诊量和出院人数

目的通过对门诊量和出院人数的预测，为医院现代化管理提供依据。方法应用移动平均季节指数法预测门诊量和出院人数。结果预测结果与实际情况相符。结论移动平均季节指数法，是利用移动平均法分解时间序列4类变动因子，既消除长期趋势变动又消除循环变动和不规则变动的影响，比较精确地反映季节变动情况的季节指数，在此基础上再进行预测。

关于“气压带、风带”随季节移动规律的教学探讨

关于“气压带、风带”随季节移动规律的教学探讨戴竹君笔者在讲授“地球上气压带和风带”随季节移动规律的内容时，首先让学生阅读高中地理课本上册第６２页第二自然段：“由于太阳直射点随季节变化而南北移动，地球上气压带和风带的位置也随季节变化而移动，就北半球来说...

基于季节性差分整合移动平均自回归模型的城市公交短期客流预测

为了解决公交车辆过载及空车浪费资源并存问题,提高城市公交服务质量水平,基于公交客流季节性波动及周期性变化特征,构建季节性差分整合移动平均自回归模型,并对城市公交短期客流进行预测;以山东省青岛市K1路公交线路刷卡数据为模型样本,对非平稳的客流时间序列进行1阶7步差分处理,对差分后的数据进行平稳性检验;通过相对信息量计算,确定预测模型中未知参数,对差分处理后的时间序列进行标准化残差检验,检验结果为白噪声序列,得到周期为7的季节性差分整合移动平均自回归预测模型;利用预测模型对2019年7—12月公交客流量进行预测与误差分析。结果表明,模型预测的平均相对误差为4.02%,最大相对误差为8.36%,模型预测精度较高,适用于青岛市公交短期客流量预测。

移动平均趋势季节比率测算法在税收预测中的应用

税收收入预测是税源管理工作的重要组成部分,依据统计学的思路和方法建模和预测是税收预测时常用的方法,而利用税务部门自己掌握的税收数据资料进行税收预测是最为可行和方便的办法,时间序列分析法中的移动平均趋势季节比率测算方法正是这一思路的具体体现。本文通过案例就这一方法的运用做一介绍。