乘积季节自回归积分滑动平均模型在长沙市手足口病发病率预测中的应用

目的:建立长沙市手足口病发病率的乘积季节自回归积分滑动平均模型(autoregressive integrated moving average model,ARIMA),探讨乘积季节ARIMA模型在手足口病疫情预测的可行性。方法:运用EVIEWS 6.0软件对长沙市2008年5月至2013年8月的手足口病发病率资料建立乘积季节ARIMA模型,以2013年9月至2014年2月的发病资料作为模型预测效果的检验样本,最后再用所得到的模型对2014年3月至2014年8月的月发病率进行预测。结果:经过序列平稳化、模型识别以及模型诊断后,建立乘积季节ARIMA模型(1,0,1)×(0,1,1)12,模型拟合度R2=0.81,预测均方根误差为8.29,平均绝对误差为5.83。结论:乘积季节ARIMA模型是一种较好的预测模型,所建模型拟合度较好,能为手足口病的防治工作提供参考。

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.

一种简单的季节自回归模型及其在药品需求预测中的应用

一种简单的季节自回归模型及其在药品需求预测中的应用第三军医大学王文昌张蔚尹全焕许汝福季节自回归模型的提出自回归模型ＡＲ（ｐ）的一般形式为：Ｙｔ＝ａ１＋ａ２Ｙｔ－１＋…＋ａｐＹｔ－ｐ＋ｅｔ（１）式中，Ｙｔ是当前值，模型表现为自身过去观察值Ｙｔ－１，Ｙｔ...

基于季节自回归移动平均模型的新疆细菌性痢疾发病趋势预测

目的 分析新疆2005—2018年细菌性痢疾的流行特征,探讨季节自回归移动平均模型预测新疆细菌性痢疾发病规律的可行性和适用性,为预防和控制菌痢的决策工作提供科学依据。方法 采用描述性分析对菌痢流行特征进行分析,利用Python软件构建SARIMA模型并对发病趋势进行预测。结果 2005—2018年新疆菌痢平均年报告发病率为35.71/10万,发病高峰集中在6~10月。各年龄组菌痢发病率的差异有统计学意义(χ^(2)=145 605.90,P<0.001),其中0~5岁和>60岁年龄组患病所占比例较大。所得模型为SARIMA(0,1,2)(0,1,1)12,参数均有统计学意义(P<0.05),对残差序列进行Ljung-Box Q检验(Ljung-Box Q test, LBQ),差异无统计学意义(LBQ=0.68,P=0.41),即残差序列为白噪声。预测值与观测值的相对误差范围为3.29%~75.32%,平均相对误差为11.34%。采用构建的最优SARIMA模型,以2005—2018年菌痢月发病率数据为基础,对2019年的发病趋势进行预测,显示其发病率呈下降的态势。结论 SARIMA(0,1,2)(0,1,1)12模型预测新疆菌痢发病率有较好的精确度,可以用于疾病的中期预测。

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。

乘积季节自回归积分滑动平均模型在手足口病发病率预测中的应用

手足口病是一种由多种肠道病毒引发的传染病u1，具有传染性强、传播途径复杂、在短期内即可造成大规模流行的特点，好发于0～5岁儿童，症状以发热和手、足、口腔等部位的皮疹或疱疹为主，少数严重者可致死亡。自2008年5月2日原卫生部将其列入《中华人民共和国传染病防治法》规定的丙类传染病实施疫情监测以来，发病呈上升趋势，已成为影响中国儿童生长发育的主要传染病之一。

乘积季节自回归积分滑动平均模型在流行性腮腺炎发病率预测中的应用

目的建立流行性腮腺炎（腮腺炎）月发病率的乘积季节白回归积分滑动平均模型（ARIMA模型），并对湖南省2015年5月至2016年4月腮腺炎月发病率进行预测。方法数据来源于中国疾病预防控制信息系统中的“疾病监测信息报告管理系统”。按发病日期收集2004年1月至2015年4月湖南省腮腺炎的月发病率资料，包括临床诊断病例和实验室确诊病例。采用SPSS18．0软件中的ARIMA模型作为预测分析方法，利用2004年1月至2014年4月湖南省腮腺炎的月发病率资料进行建模，用2014年5月至2015年4月的月发病率数据作为模型预测效果的检验样本，采用Box-LjungQ检验法对选定模型残差是否为白噪声进行检验。最后采用建立的模型对2015年5月至2016年4月湖南省的腮腺炎月发病率进行预测。结果湖南省2004年1月至2014年4月期间，每年5—7月为腮腺炎的发病高峰期，11月至次年1月为次高峰。通过序列的平稳化，模型的识别、建立、诊断，建立模型ARIMA（2，1，1）x（0，1，1）。对该模型的残差进行Box—LiungQ检验发现，Q=8．40，P=0．868，认为残差序列为白噪声序列，说明所建立的模型对数据信息的提取较为完全，模型建立比较合理。该模型拟合度R2=0．871，BIC值为-1．646，预测值与实际值的平均绝对误差为0．025／10万，平均相对误差为13．004％，说明该模型对湖南省腮腺炎月发病率预测的相对误差较小，预测结果基本可靠。用选定的ARIMA（2，1，1）x（0，1，1）12模型对湖南省2015年5月至2016年4月腮腺炎的月发病率进行预测发现，发病率出现的高峰月份为5—7月，次高峰出现在11月至次年1月，高峰期的发病率与以往同期的发病率水平接近。结论ARIMA（2，1，1）×（0，1，1）12较好地拟合了湖南省腮腺炎的月发病率的变化趋势，对该病的预防控制具有一定的实用价值。

季节自回归滑动平均模型在食源性疾病发生预测中的作用

目的建立食源性疾病发病的季节自回归滑动平均模型(seasonal autoregressive integrated moving average,SARIMA)模型,并对验证集进行预测。方法本研究使用R 4.0对重庆市南岸区2016年1月—2020年6月食源性疾病罹患率进行SARIMA模型拟合。结果该食源性疾病的流行高峰在夏秋季节(6、7、9、10、11月),其最佳预测模型为SARIMA(0,1,1)(1,1,0),且该模型在预测2020年6—12月罹患率的RMSE、MAPE值分别为20.8048,17.1747%,预测效果较好。结论SARIMA模型在预测重庆市地区食源性疾病的发病和流行趋势上有一定的效果,并能对未来的罹患率进行估计,可为今后的食源性疾病的防控工作提供参考。

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。

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。

季节性自回归滑动平均混合模型及其在电力负荷预测中的应用

电力负荷多具趋势性及周期性特性 ,并非所有预测模型都与此特性相吻合。重点分析季节性自回归滑动平均混合模型的预测特性 ,并通过具体算例验证其同时具有趋势性及周期性特性 ,非常适合用于电力负荷的预测分析。同时指出自回归滑动平均混合模型受时间序列数据结构的约束较少 ,并通过具体算例 。

自回归滑动平均求和季节乘积模型在某医院门诊量预测中的应用

目的探讨自回归滑动平均求和季节乘积模型(ARIMA季节乘积模型)在医院门诊量预测中的应用。方法对某医院2008—2015年的逐月门诊量数据分析并拟合ARIMA季节乘积模型,预测2016年月门诊量。结果ARIMA(0,1,1)(1,1,0)_(12)模型为最优拟合模型,2016年每月的实际门诊量均在预测值的95%置信区间内,平均预测相对误差为3.34%。结论ARIMA季节乘积模型适用于医院门诊量的短期预测,可以为医院门诊卫生资源的配备和管理提供决策依据。

季节性自回归模型适用性分析

月径流序列的随机模拟通常采用季节性自回归模型[SAR(p)],该模型考虑了月径流随周期变化的特性。以仁里水文站37年的实测月径流序列为基础,计算分析其统计特性参数,根据序列中各月自回归系数的不同,对不同月取不同阶数的SAR(p)模型,并根据当地资料采用适线法估计偏态系数Cs值,建立混合SAR(p)模型。与SAR(1)模型和SAR(2)模型的模拟结果对比,混合SAR(p)模型的模拟结果更接近实测资料,偏态系数Cs值和二阶自相关系数明显优于一、二阶模型,能较好的模拟原序列的统计特性。

综合岭回归和SARIMA方法在桥梁健康监测数据分析中的应用

桥梁健康监测系统的实测数据普遍存在缺失问题,为了保证桥梁监测数据的完整性,更好地预测桥梁未来的健康状况,提出了一种具有样本内和样本外预测能力的组合模型。样本外预测可以基于现在数据预测未来的桥梁健康状态,样本内回归用于填补传感器数据中的缺失值,确保桥梁监测数据的完整性。由于不同位置处相同类型传感器的相关性较强,首先利用岭回归(ridge regression,RR)解决共线性问题,建立各传感器数据之间的关联,并预测缺失数据。接着引入季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)方法,利用其样本外预测能力并结合岭回归方法预测桥梁未来运行数据。最后,将该方法应用于实桥中,验证了其有效性,为传感器数据填补以及预测桥梁未来状态提供了有效的预测模型。

基于季节性自回归模型的龙溪口电站径流预报

利用岷江下游高场站1940～2004年共65 a月径流实测序列,对序列随机成分、基本特征进行分析,确定月径流序列为季节性时间序列,因此,采用季节性自回归模型进行模拟预报,确定模型为一阶季节性自回归模型。模拟预测的结果表明:10～12月预报效果较差,其它月份预报精度均较高,该模型能够用于龙溪口电站的月径流模拟预报。

一类季节性整值复合自回归模型—SINCAR

本文提出一类季节性整值复合自回归模型—SINCAR,通过升维的方法能将—SINCAR变为多维平稳序列,且给出收益序列的极值,凹凸性条件,对周期为3的AINCAR模型中的参数进行了估计。

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。

基于SARIMA模型的城市热岛季节性时序预测研究

针对目前出现的极端气候问题,本研究引入SARIMA季节性时序预测模型来预测城市热岛。首先利用单窗算法进行地表温度反演并进行精度验证;然后采用SARIMA模对地表温度进行拟合和未来温度变化预测。基于季节性差分自回归移动平均模型,结果表明SARIMA模型的城市热岛季节性时序拟合和预测效果具有较高的可靠性和准确性。

乘积季节ARIMA模型在食源性疾病预测中的应用

目的探讨应用乘积季节自回归求和移动平均模型(autoregressive integrated moving average,ARIMA)预测如东县食源性疾病发病的可行性,为食源性疾病的预防和控制提供依据。方法基于2004年1月至2010年12月食源性疾病人数建立乘积季节ARIMA模型,用2011年食源性疾病资料验证模型的预测效果,用所得模型预测2012年食源性疾病发病人数。结果 ARIMA(0,1,1)×(0,1,1)12较好地拟合了既往时间段食源性疾病发病人数的时间序列,拟合平均相对误差为2.7%,预测2012年如东县食源性疾病发病总人数为64人。结论乘积季节ARIMA模型可以较好地拟合食源性疾病的时间变化趋势,并用于预测未来的食源性疾病,是一种短期预测精度较高的预测模型。

基于水电储能调节的风光水发电联合优化调度策略

为缓解新能源装机容量扩大引起的弃风弃光现象,在已有梯级水电上下电站之间加入储能泵站,提出风光水储短期优化调度策略。构建以风光水储系统负荷跟踪误差最小、梯级水电站发电量最大和梯级水电站发电耗水量最小的多目标优化调度模型;提出基于季节性自回归移动平均(seasonal auto-regressive lntegrated moving average, SARIMA)模型和Copula函数的风光出力预测模型作为优化调度模型的边界条件,通过SARIMA预测模型将风光出力历史数据分解为季节性分量、趋势分量以及随机噪声余项进行全天96个调度时段风光出力预测,并叠加上基于Copula函数生成风光出力预测误差,然后通过拉丁超立方采样以及K-means聚类进行场景生成和缩减得到5个风光出力场景。选取风光典型日出力数据为例进行算例分析,算例结果表明:所提预测模型较SARIMA模型可以显著提高预测准确度,模型预测风光出力均方根误差从33.34、229.49 MW分别下降至0.697、9.534 MW;所提优化调度策略可以在全年丰、平、枯水期有效减少弃风弃光现象,并可将过剩新能源中的50%转化为上级水库储存水能。