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。

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.

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。

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。

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。

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。

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DWT-SARIMA-LSTM的流感预测模型研究

为提高流感预测模型的准确率,针对流感数据的季节性与波动性特点,提出利用离散小波分解(DWT)、季节性自回归综合移动平均模型(SARIMA)和长短期记忆神经网络(LSTM)综合建模,构建DWT-SARIMA-LSTM混合预测模型。首先,将流感数据分解为高频成分与低频成分,对低频成分使用SARIMA模型、高频成分使用LSTM模型分别进行预测;其次,将预测值融合得到最终的预测结果;最后,构建流行控制图预警模型。使用从中国香港卫生署官网获得的中国香港地区2010—2019年的流感数据对模型进行预测和验证,其MAE为0.3427,MAPE为8.0973%,RMSE为0.4632,预警模型的准确率为100%,该模型较于如ARIMA-LSTM等其他混合模型有更高的预测精度。

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。

使用快速傅里叶变换优化周期参数的EMD-FFT-SARIMA光伏发电预测模型

根据分布式能源工业园区的光伏电力单元特点,对园区光伏发电功率预测模型进行优化,为后续的调度策略提供数据支持。针对经验模式分解(EMD)与季节性差分自回归移动平均模型(SARIMA)相组合的EMD-SARIMA预测模型中,原始数据经过EMD分解得到的各固有本征模态函数(IMF)分量周期计算问题,提出加入快速傅里叶变换(FFT)的周期计算方法,建立EMD-FFT-SARIMA光伏发电功率预测模型。再将每个IMF对应的预测结果进行叠加重构得到最终的预测结果。通过预测结果的误差计算可以发现,加入FFT环节后均方根误差(RMSE)从120.6 MW下降到19.3 MW,平均绝对误差(MAE)从52.87 MW下降到12.3 MW。

基于SARIMA预警模型的水位监测效果分析与研究

为了提高城市水位监测的准确性及洪涝等灾害的预警能力,提出基于季节性自回归积分滑动平均(Seasonal auto-regressive integral moving average, SARIMA)模型的水位监测预警模型。该模型综合了自回归模型、移动平均模型和季节性差分模型,适用于分析和预测具有季节性和非平稳特征的时间序列数据。结果显示,基于SARIMA预警模型的水位监测系统,对城市周边的水位监测拟合效果较好,可对城市周边水位进行有效监测,提高应对城市内涝灾害的预警效果。

基于SARIMA模型的上海市中心城区共享单车需求预测

无桩式共享单车的出现与推广在减少碳排放的同时,带来了道路拥堵问题。如何高效、准确地进行交通流量预测已经成为人们关注的热点。利用2016年8月上海市中心城区摩拜共享单车数据,利用季节性差分自回归移动平均模型(Seasonal Autoregressive Integrated Moving Average Model,SARIMA模型)进行模拟和预测,再通过折线图的方式揭示共享单车需求量与时间之间的变化关系。研究发现,SARIMA(0,1,3)×(0,1,0)_(84)模型能够有效预测上海市中心城区共享单车的需求量。预测交通流量,可以缓解城市主干道的拥堵状况,提高市民的生活质量。同时,预测通勤需求可以平衡供需关系,为运营企业和用户提供更高效的服务,为政府规划提供决策依据。

ETS和SARIMA流行趋势中的性能比较模型在预测北京市猩红热

收集2004—2019年北京市猩红热月发病人数和人口学资料,采用描述性统计方法和Joinpoint回归调查猩红热的流行病学变化趋势。北京市猩红热发病的平均年度百分比变化为(AAPC=1.866,95%CI:-2.968~6.941;t=0.816,P=0.428),流行趋势总体保持稳定,每年的4—6月和11—12月为发病高峰,呈双季节模式。最优SARIMA模型和最优ETS模型预测的平均绝对误差(MAD)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)、平均误差率(MER)、方根百分比误差(RMSPE)五个误差指标分别为0.586、0.623、0.751、0.296、0.785和0.318、0.282、0.438、0.282、0.338,可见ETS模型的预测准确性高于SARIMA模型,可用来对北京市猩红热流行趋势进行预测预警,从而为猩红热动态精准化防控提供参考依据。

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。

ARIMA乘积季节模型在上海市甲肝发病预测中的应用

目的应用自回归求和移动平均(autoregressive integrated moving average,ARIMA)乘积季节模型分析季节性时间序列,建立上海市病毒性甲型肝炎发病率的预测模型。方法利用上海市1990年至2011年甲肝按月发病数的历史疫情数据,采用非条件最小二乘法估计模型参数,模型阶数确定后,建立甲肝按月发病数ARIMA乘积季节预测模型。结果非季节和季节移动平均的参数分别是0.6341和0.9999,季节自回归的参数是0.4059,t检验的P值均<0.0001,方差估计值是0.1593,AIC=282.1478,SBC=292.7242,对建立的模型进行残差的白噪声检验,χ2检验统计量的P值均>0.05,据此建立ARIMA(0,1,1)(1,1,1)12NOINT乘积季节模型,模型表达式(1-0.405 9B12)(1-B)(1-B12)Yt=(1-0.634 1B)(1-0.999 9B12)εt,并开展上海市甲肝发病数的预测。结论 ARIMA(0,1,1)(1,1,1)12NOINT乘积季节模型可用于预测上海市病毒性甲型肝炎发病的季节模型。