基于配对检验的ARIMA模型在我国甲肝发病数预测中的应用

目的:探讨基于配对检验的求和自回归移动平均(autoregressive integrated moving average,ARIMA)模型在我国甲肝发病预测中的应用,提出时间序列模型预测效果评价的新思路与方法。方法:根据2004年1月—2021年12月我国甲肝传染病月发病数建立ARIMA模型,对2022年1—8月的甲肝月发病数进行预测,通过配对t检验和误差分析评估该模型的预测效果。结果:配对t检验结果显示,ARIMA(1,1,0)(0,1,1)12模型预测的甲肝月发病数与实际月发病数差异无统计学意义(P>0.05),说明模型有较好的预测能力,预测结果的相对误差平均值为3.86%,标准差为3.25%。结论:ARIMA乘积季节模型能够较准确地预测我国甲肝的发病趋势;配对检验为时间序列模型预测效果的评价提供了客观评价依据,较好地解决了时间序列模型预测效果的评价问题。

基于LDA-ARIMA的我国智能手机关键技术主题识别与演化分析

[目的/意义]专利是技术能力的表现形式,包含关键技术主题信息。以智能手机专利数据为基础,提出关键技术主题的识别和演化分析方法,帮助企业获取行业内的技术信息,调整专利研究的成本与精力投入。[方法/过程]首先,选择专利数据库和高级检索内容,下载和导出专利标题和摘要数据,并对数据进行去停用词和jieba分词等处理;其次,构建困惑度求解模型,确定最优主题数,再将已经分好词的文本导入LDA模型进行主题挖掘,得到每个技术主题下关键词语的分布;再次,将主题热度转化为时间序列,进行平稳性检测和白噪声检验,确定ARIMA模型参数后应用预测;最后,依据每个技术主题下提取的特征词确定关键技术主题并进行解读,通过时间序列预测结果对关键技术主题进行演化分析。[结果/结论]以智能手机为研究对象,成功识别出屏幕、电池与充电、生物识别系统等15个关键技术主题,挖掘出各主题不同的演化发展特征,根据演化趋势分析提出建议,验证了本文主题识别与演化分析方法的可行性与有效性。

基于小波分解和ARIMA-GARCH-GRU组合模型的制造业PMI预测

制造业采购经理人指数(PMI)是反映国家经济运行情况的重要指标,而传统预测模型对该类时序数据预测精度不高。针对制造业PMI指数的非线性、波动性和数据量少的特点,提出一种基于一维离散小波变换进行数据预处理的组合模型。时序数据经过小波变换,由整合移动平均自回归–广义自回归条件异方差模型(ARIMA-GARCH)处理稳态低频数据,门控循环单元(GRU)处理波动性强的高频数据,将各频段预测结果进行融合得到最终预测结果。为验证模型有效性,选取一定数据量的PMI指数进行实验。结果表明,与其他常见模型对比,本文构建的组合模型具有较好的预测精度与性能,平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到0.00329、0.004162、0.65%。

基于NAR-ARIMA组合模型的高速公路沥青路面破损状况预测

基于NAR神经网络模型和ARIMA传统时间序列预测模型,对高速公路沥青路面的破损状况进行预测,再分别通过最优加权法和残差优化法对两种预测模型进行组合,得到两种组合模型.对各单一模型和组合模型的精度和稳定性进行了比较分析.实例分析表明,组合模型相较于单一模型的精度和稳定性均有所提升,NAR-ARIMA最优加权组合模型预测效果最佳.该组合模型所需样本量较小,且基于时间序列.由于采用历史数据作为影响因素代替指标,该组合模型计算速度快、精度高,适用于日常的预测工作,为后续合理的道路养护决策提供了重要的理论依据.

基于EMD-PSO-ARIMA模型的农产品价格预测

针对农产品价格数据的非线性特点,提出基于EMD-PSO-ARIMA模型的农产品价格预测模型。首先利用EMD算法消除价格数据的不平稳性,其次应用PSO算法优化ARIMA模型的滞后参数,并对原始数据分解后的序列进行预测,最后对多个预测值进行累加得到最终结果。以河南省某农贸市场2004年1月至2021年12月鳞茎类作物(以大蒜为例)、根茎类作物(以马铃薯为例)及叶菜类作物(以白菜为例)的价格数据为研究对象进行实证研究。对大蒜、马铃薯、白菜价格进行预测,EMD-PSO-ARIMA模型的RMSE分别为0.0295、0.0168、0.0669,MAE分别为0.0274、0.0189、0.0598,MAPE分别为0.32%、0.64%、2.54%;与ARIAM、PSO-ARIMA、EMD-ARIMA模型相比,EMD-PSO-ARIMA模型的3个评价指标均有不同程度的降低,模型预测精度最高。EMD-PSO-ARIMA模型能够有效对3种农产品的价格做出精准预测,在一定程度上提高了模型预测性能,能够为农业生产者、经营者、政府提供决策支持,维护农业市场的稳定。

基于季节ARIMA模型对某三级综合性医院门诊量的预测研究

目的 通过建立季节ARIMA模型,对浙江省某三级综合性医院门诊量进行预测,为医院合理配备门诊人力资源提供依据。方法 以2013年1—6月浙江省某医院门诊量数据为基线,利用SPSS软件构建季节ARIMA模型,对2023年7—12月的门诊量进行预测,通过对比门诊量实测值,评价季节ARIMA模型预测门诊人次的精度。结果 该综合性医院门诊量呈现逐年上升趋势,并呈现周期性波动的特征。拟合的最优季节ARIMA模型为ARIMA(0,1,1)(1,0,1)12,BIC(贝叶斯信息准则)为5.273,MAPE(平均绝对百分误差)为14.265,R2(模块决定系数)为0.408,总体相对误差为1.83%,预测结果良好。结论 季节ARIMA模型较好地模拟了该三级综合性医院门诊量在时间序列上的变化趋势,为该院门诊量的短期预测提供理论依据。

基于ARIMA模型的黄土高原河谷城市生态足迹动态模拟及测算——以甘肃省兰州市为例

为了从经济发展的角度探究生态足迹动态变化的成因,论文在测算黄土高原河谷城市——甘肃省兰州市2002—2014年人均生态足迹的发展轨迹的基础上,引入ARIMA模型,模拟预测了该市2015—2020年生态足迹变化趋势。研究结果显示:1)2002—2014年,甘肃省兰州市人均生态足迹总体呈现上升态势,数值由2.70 hm^(2)增长至4.25 hm^(2),增幅达到1.57倍;2)从生态足迹增速看,2002—2014年人均生态足迹平均增速达到4.04%,同一时期兰州市地区生产总值平均增速为11.88%,较人均生态足迹增速高出7.84%,表明该地区经济发展的速度高于资源环境消耗的速度;3)2015—2020年甘肃省兰州市人均生态足迹仍然呈现上升态势,预测值分别达到4.48 hm^(2)、4.61 hm^(2)、4.75 hm^(2)、4.89 hm^(2)、5.02 hm^(2)和5.17 hm^(2),甘肃省兰州市生态赤字逐年增大,总生态足迹是城市土地利用总面积的19.59倍,说明经济发展与地区生态需求呈现较强正相关性,环境库兹涅茨曲线“拐点”并未出现,处于不可持续发展状态。基于以上分析结果提出了甘肃省兰州市降低生态足迹的具体路径:1)实施产业结构调整,降低生态赤字,提升经济发展质量和可持续发展能力;2)推动绿色发展,构建生态类型多样、布局合理、功能完善的自然生态系统和城乡一体的生态网络,提高生态环境容量。

基于ARIMA模型的甘肃省碳排放预测分析

在“双碳”目标视域下,为了甘肃省如期实现“双碳”目标,给碳减排方案和措施的制定提供理论基础,基于2009—2022年年甘肃省碳排放数据,运用ARIMA模型对2023—2033年的甘肃省碳排放量、碳排放强度和人均碳排放量进行预测,通过数据学习训练,得出碳排放量预测的最佳模型为ARIMA(2,1,0),平均绝对百分比误差MAPE为0.016 2,碳排放强度预测的最佳模型为(0,1,0),平均绝对百分比误差MAPE为0.032 8,人均碳排放量的最佳预测模型为(1,1,0),平均绝对百分比误差MAPE为0.018 6,预测值均处于95%置信区间,预测的精度较高。研究结果表明:甘肃省未来的碳排放量和人均碳排放量均依然呈逐年上升趋势,碳排放强度逐年下降。根据预测的数据和趋势可知,甘肃省要想如期实现“双碳”目标,必须制定强有力的碳减排方案和措施,并以相关法律法规条文强制执行和落实。

改进GM(1,1)-ARIMA-LR模型天然气产量预测研究

为提高天然气产量在少样本情形下预测的准确性,基于对过去的预测误差进行学习的思想,加入自适应学习因子和组合学习因子以改进模型,构建包含GM(1,1)、ARIMA和LR的集成预测模型。该模型以平均误差百分比为评价指标,依据预测步长变化和过去预测误差对单个模型分别进行动态调整,再建立目标规划模型对各模型进行动态加权。实证结果表明,改进GM(1,1)-ARIMA-LR模型能够更好地提取时间序列的长短时依赖关系,与其它的主流模型相比,其预测精度更高。对近5年的天然气产量进行一步、五步与八步预测,GM(1,1)-ARIMA-LR集成模型预测误差分别为1.187%、3.129%、9.855%。本文运用该模型对2023-2030年中国天然气产量进行预测。

基于ARIMA-LSTM算法的母猪妊娠期饲喂量预测

目的:针对母猪妊娠期饲喂问题,对妊娠母猪饲喂量进行预测,以精确控制妊娠母猪所需要的饲料量,有助于母猪精准饲喂,节约养殖成本。方法:结合ARIMA和LSTM算法的各自优势,利用融合ARIMA和LSTM的ARIMA-LSTM优化算法,对妊娠期母猪饲喂量进行精准预测,以控制智能饲喂器精准下料。结果:ARIMA-LSTM优化算法对母猪饲喂量的预测精度最高,相比ARIMA和LSTM算法,均方根误差分别降低48.74%和17.22%,平均绝对偏差分别降低48.70%和27.37%。结论:ARIMA-LSTM优化算法能够提高母猪妊娠期饲喂量的预测精度,能够控制智能饲喂器精准下料,为妊娠母猪饲喂量预测提供较好的依据。

融合ARIMA模型和MCMC方法的非一致性设计洪水计算

常规非一致性频率分析方法在选择协变量、建立统计参数与协变量的函数关系方面均存在主观性,且仅获得设计洪水估计值,不能同时进行不确定性分析。为改进上述不足,建立了ARIMA-MCMC模型,在贝叶斯MCMC方法抽样过程中考虑统计参数拟合期内的时变性,进而对未来气候变化条件下的非一致性设计洪水频率分布模型参数进行抽样,基于参数后验分布进行设计洪水计算,并推求相应的置信区间。选取雅砻江流域小得石水文站作为分析对象,采用ARIMA-MCMC模型定量评估未来气候变化条件下小得石站设计洪水的变化情况。结果表明:基于ARIMA-MCMC方法的参数抽样收敛效果较好,3种情景下的模型统计量D均小于显著水平5%的临界值;除SSP2-4.5情景下P=0.1%和P=0.05%的设计值外,其他情况的设计最大日流量较历史期均明显增加,其中SSP1-2.6、SSP5-8.5情景下的增幅分别为7.1%~10.5%、13.9%~27.2%。本文建立的ARIMA-MCMC方法能够有效进行非一致性设计洪水频率分析。

基于ARIMA模型和CNN-LSTM组合模型的全球气温预测分析

全球气温预测研究对于国家环境健康状况评价、环境问题分析和预防污染物浓度管理具有重大价值。为有效提升温度预报准确率,首次引入了ARIMA(自回归移动平均模型)模型进行温度预测,而后又给出了一个基于卷积层神经网络(Convolutional Neural Networks,CNN)和长短期记忆神经网络(Long Short-Term Memory,LSTM)相结合的温度预报模型。利用CNN卷积层和池化层为特征提取模块,从而获得了数据特征;将重构信息注入LSTM网络中挖掘气温的时序特征。结果表明,与单独使用LSTM、CNN进行预测及使用ARIMA模型预测相比,CNN-LSTM模型预测结果具有更高的准确率。

基于ARIMA模型预测镇江市肺结核流行趋势及分析

目的通过构建季节性差分整合移动平均自回归模型(ARIMA模型)预测江苏省镇江市肺结核流行趋势并验证模型的有效性,探讨新型冠状病毒感染疫情对肺结核流行情况的影响。方法收集江苏省镇江市2014-2022年肺结核月发病数资料,构建季节性ARIMA模型,以2022年1-12月肺结核发病数验证预测模型效果,并分析预测误差产生的原因。结果2014-2022年镇江市共报告肺结核病例11316例,除2017、2019年发病率有所回升外,总体发病率呈下降趋势,发病主要集中在3-8月。ARIMA(1,1,1)(1,1,0)_(12)的BIC值(5.913)最小,残差白噪声也通过检验。但短期自相关部分的AR系数不显著,因此建立ARIMA(0,1,1)(1,1,0)_(12)。2022年镇江市肺结核月发病数实际值与预测值存在一定的偏差(平均相对预测误差为19.20%),但均在拟合值的95%可信区间内,实际月发病数(平均78例/月)与预测值(平均78例/月)变化趋势基本一致,模型拟合度较好,可用于预测镇江市肺结核流行情况。结论利用该模型对短期内镇江市肺结核发病数进行预测,认为镇江市肺结核流行总体上仍将长期保持下行趋势。

基于ARIMA与NNAR模型的甘肃省胰腺癌发病趋势预测

目的:分析2013-2021年甘肃省胰腺癌发病趋势,并对2022-2026年胰腺癌发病趋势进行预测。方法:收集2013-2021年甘肃省胰腺癌发病数据,通过计算年度变化百分比(annual percentage change,APC)和平均年度变化百分比(average annual percentage change,AAPC)分析其变化趋势;构建自回归移动平均(autoregressive integrated moving average,ARIMA)模型和神经网络自回归(neural network autoregression,NNAR)模型,比较两种模型预测精度并预测2022-2026年胰腺癌发病趋势。结果:选择精度更佳的ARIMA模型预测得到2022-2026年甘肃省胰腺癌发病率分别为5.58/10万、6.01/10万、6.44/10万、6.88/10万、7.31/10万。甘肃省胰腺癌发病率在2022-2026年仍保持上升趋势。结论:2022-2026年甘肃省胰腺癌发病率呈现上升趋势,ARIMA模型预测发病趋势具有良好的精度,可以为进一步疾病防控工作提供重要参考依据。

基于ARIMA、GM(1,1)模型的高校ESI学科发展预测研究

[目的/意义]学科建设是高校提升教育质量的关键环节,对科学研究起着重要的支撑作用。采用数学统计建模探索一种科学有效的方法,实现潜力学科入围ESI前1%的时间预测,对于机构学科发展规划有着重要指导意义。[方法/过程]基于ESI数据库,获取目标机构4个潜力学科的被引频次和ESI入围阈值,建立时间序列并创建预测模型:先引入转换系数来去除不同数据库的差异,使其可比,然后分别拟合GM(1,1)模型、ARIMA模型,预测目标学术机构学科被引频次和ESI入围阈值,找到目标机构学科被引频次赶上ESI入围阈值的时间,即预测的入围时间。通过采用平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和均方根误差(RMSE)对模型的拟合预测效果进行评估和比较,根据MAPE、MAE和RMSE三个指标来评价模型拟合及预测效果,以此为学校的学科建设及长远发展规划提供参考依据。[局限]本研究仅局限于目标机构4个学科的数据,尚需获取其他机构、更多学科的数据进行模型预测效果验证。[结果/结论]ARIMA模型的拟合效果和预测效果优于GM(1,1)模型。目标机构的生物学与生物化学学科可能于近期入围ESI前1%;免疫学科有入围ESI前1%学科的潜力,但入围时间可能会稍微滞后;分子生物学与遗传学和神经科学与行为学学科,离入围还有较大差距。

基于ARIMA-LSTM混合模型对传染病的预测分析

传染病一直是科学研究的热点,利用科学的方法控制传染病的传播对整个国家乃至全世界具有举足轻重的作用。文章选取乙类传染病中新型冠状病毒感染数据作为研究对象,搜集了北京市2022年1月至2022年4月新冠感染累计确诊病例数,构成时间序列,基于自回归移动平均模型(ARIMA)和长短期记忆神经网络(LSTM)的混合模型进行预测分析。结果表明,混合模型的预测结果与实际情况基本一致。

2022—2030年湖南省卫生健康筹资及其构成变化趋势预测——基于ARIMA模型

目的通过对2010—2021年湖南省卫生筹资总额(来源法)变化趋势及构成的分析,利用ARIMA模型对2022—2030年湖南省卫生健康筹资及其构成进行预测与分析,为湖南省乃至全国卫生健康发展宏观政策制定提供科学合理的数据支撑。方法基于ARIMA模型,在对湖南省2010—2021年卫生筹资总额及其筹资构成进行训练、拟合的基础上,对未来九年湖南省卫生健康及其构成进行预测。结果截至2030年,湖南省卫生健康筹资规模将达到4943.65亿元,其中,政府卫生筹资1334.37亿元,占26.99%;社会卫生筹资2350.21亿元,占47.54%;个人现金卫生筹资1278.76亿元,占25.87%。筹资结构中,相对全国平均水平呈现“一低两高”,即政府卫生筹资占比(28.71%)低于全国均值、社会卫生筹资和个人现金筹资占比(45.80%、25.49%)高于全国均值。结论持续加大政府投入力度,使其投入增幅超过全社会卫生健康筹资增幅;进一步优化社会资本筹资环境,持续保障社会卫生筹资力度;有效控制医疗费用不合理增长,降低居民个人疾病经济负担等,才能进一步优化卫生筹资结构,推动医药卫生体制改革和卫生健康事业高质量发展。

基于奇异谱分解和LSTM-ARIMA组合模型的生猪价格预测

针对生猪价格波动过于剧烈难以预测的问题,提出基于奇异谱分解的LSTM-ARIMA组合模型对生猪价格进行预测。以2000年1月-2021年12月的月度价格数据作为样本,利用奇异谱分析对生猪价格数据进行分解,得到趋势项和波动项,选用累计贡献率达前70%的构建趋势项,剩下的30%构造波动项。趋势项非平稳且具有长记忆性,对其建立LSTM模型;波动项平稳,对其建立ARIMA模型,最后将两部分预测结果重组作为生猪价格的预测值,构建LSTM-ARIMA组合预测模型。将预测值和生猪真实价格进行对比,结果表明:预测值与真实值之间的均方根误差RMSE为2.75,平均绝对百分比误差MAPE为10.81%,平均绝对误差MAE为2.27,方向对称性DS为81.81;此组合模型能很好地预测生猪价格走势,对我国生猪价格预测具有更高地适用性与参考。

基于ARIMA 模型对云南省麻风病的预测

目的建立云南省麻风病新发病例数的自回归移动平均模型(autoregressive integrated moving average model,ARIMA),为云南省麻风病防控策略和措施的制定提供参考依据。方法以1990~2022年云南省麻风病新发病例数为研究对象,利用SPSS 25.0进行数据分析,以建立最优预测模型,并对2023年和2024年的新发病例数进行预测。结果经过多次反复分析对照,最终建立ARIMA(1,1,0)模型为最优模型,R2=0.895,该模型的残差是一个白噪声的序列(Ljung-Box Q=20.307,P=0.259),拟合值曲线较为靠近真实值,说明模型拟合能力较好。2023年和2024年云南省麻风病新发病例数分别为42例、27例,通过将2023年预测值与真实值进行比较,误差绝对百分比为49.40%(41/83),说明用ARIMA模型来预测云南省新发病例数准确性有待提高。结论可使用ARIMA(1,1,0)模型进行云南省麻风病新发病例数变化趋势预测探索,但需进一步优化。

基于ARIMA与GM(1,1)模型的公立医院互联网门诊人次预测研究

目的了解公立医院互联网门诊人次的变化趋势,为互联网医院的发展规划提供支持。方法利用某公立医院2021年1月—2023年6月互联网门诊人次数据,分别构建ARIMA模型和GM(1,1)模型,采用平均绝对误差(MAE)和均方根误差(RMSE)评价拟合效果,基于优势模型预测2023年7—12月互联网门诊人次。结果通过ARIMA(1,2,1)模型和GM(1,1)模型对互联网门诊的复诊人次进行预测,平均绝对误差分别为369.86和978.84,均方根误差分别为479.49和1444.83;通过ARIMA(0,1,0)模型和GM(1,1)对互联网门诊咨询人次进行预测,平均绝对误差分别为297.23和369.62,均方根误差分别为413.61和496.30,表明ARIMA模型的预测效果较好。预测结果显示,2023年12月互联网门诊的复诊人次预测值为14831例,咨询人次预测值为7461例。结论2021—2023年某公立医院互联网门诊人次呈持续上升趋势。因此,医院应充分认识到互联网医疗服务的重要性,积极采取措施,不断优化医疗服务模式,为患者提供优质、高效、便捷的互联网医疗服务。