基于小波变换与差分自回归移动平均模型的微博话题热度预测

研究话题热度预测问题对于网络广告传播效应最大化、网络舆论引导与控制等具有重要意义.首先,根据用户关系及话题因素计算用户影响力,进而定义话题影响力.然后,基于老化理论并考虑话题影响力和话题相关微博数定义话题能量值,量化话题热度.最后,提出基于小波变换与差分自回归移动平均模型的微博话题热度预测方法,以此预测话题热度(能量值)及话题能量峰值.实验表明,文中方法可有效预测话题热度及峰值,具有较低的残差和遗漏率.

改进的差分自回归移动平均模型的共轭梯度参数估计法

为了提高差分自回归移动平均模型的拟合精度,本文结合已有的文献,借助无约束优化方法来解决此模型中的参数估计问题。主要提出了一种改进的差分自回归移动平均模型参数的优化估计法,并对提出的算法进行详细说明,在强Wolfe条件下对全局收敛性进行了证明。该方法保证了迭代计算的收敛性,并且提高了收敛的速度。数值试验结果说明:该算法是一种较为有效的方法,与其他方法比较,参数估计值更为显著,提高了预测精度。

差分自回归移动平均模型在南通市手足口病疫情预测中的应用

目的:应用差分自回归移动平均模型(ARIMA)预测南通市手足口病疫情趋势。方法:以2010年1月—2019年6月南通市手足口病分月报告病例数据为基础,构建符合季节性时间序列的ARIMA(p,d,q)×(P,D,Q)S模型,用2019年7—12月全市手足口病月发病率为验证数据进行验证,检验模型的预测效果。结果:2010—2019年南通市共报告手足口病90 766例,年平均发病率为124.36/10万,疫情有明显季节性,呈双峰特征,为夏季(5、6、7月)高峰和冬季(11、12月)次高峰;近年来南通市手足口病的病原谱以其他肠道病毒为主;利用ARIMA(1,0,1)(1,1,1)12模型,预测2019年7—12月手足口病发病率分别为7.08/10万、1.81/10万、3.74/10万、7.21/10万、10.71/10万和11.29/10万,与实际发病率相比,两者差异无统计学意义(Z=0.48,P=0.63)。结论:差分自回归移动平均模型能较好地预测手足口病的发病趋势,可用于短期的预警监测。

差分自回归移动平均模型在企业物资采购中的应用

在分析企业采购数据特点的基础上,提出一种基于差分自回归移动平均模型的多模型预测方法。利用了数据的季节特性而不是剔除季节性数据的影响,使得物资的季节性需求得到更好的预测。该方法首先以历史的同比数据作为序列,建立纵向预测模型,再以环比数据作为序列建立横向预测模型,最后通过横纵向预测结果的加权平均实现数据的最终预测。通过近年来采购数据的预测和真值对比分析,验证了该方法的有效性,也为具有此类特征的数据预测提供了新的分析计算方法,可以用于各行业的预测分析。

基于差分自回归移动平均模型的医用直线加速器剂量偏移预测研究

目的结合时间序列挖掘中对未来值的预测方法,实现医用直线加速器质控数据偏移的预测。方法选取1个调整周期内前19条医用直线加速器剂量监测数据作为时间序列的观测组,随后的5条医用直线加速器剂量监测数据作为参照组,建立前19条监测数据的时间序列,对时间序列进行稳定性分析,确定构建时间序列模型——差分自回归移动平均(ARIMA)模型,并利用模型对其他调整周期内的监测数据进行预测。结果利用时间序列进行医用直线加速器剂量偏移预测的表现良好,预测值与实测值的对比误差为-1.28%~0.80%,偏移量总体趋势相同。结论该研究提出的医用直线加速器剂量偏移预测方法对加速器剂量参数的及时调整起到了参考和提示作用。

差分自回归移动平均模型在区县级公立医院门急诊量预测中的应用实践

目的利用差分自回归移动平均(autoregressive integrated moving average,ARIMA)模型精准预测区县级公立医院的门急诊量,为医院预算及运营决策提供重要依据。方法采集成都市双流区某公立医院2012年1月—2023年11月逐月的门急诊量,使用R 4.3.1软件,将2012年1月—2022年12月的逐月数据用于构建ARIMA模型,预测及验证2023年1月—11月的门急诊量。结果除2023年1、3月外,其他月份的预测门急诊量与实际门急诊量吻合较好,2023年1月—11月的平均绝对百分比误差为8.504%。2023年1月—11月的实际和预测门急诊总量分别为144.196万、141.713万人次,相对误差为–1.722%。结论ARIMA模型能较好地预测区县级医院门急诊量,但新型冠状病毒感染疫情高发等因素会影响短期预测的精准性。

借助自回归移动平均模型构建儿童口服退烧药消耗量的预测模型

目的 使用自回归移动平均(ARIMA)模型对医院口服退烧药消耗量进行预测,旨在为医院药品供应提供参考。方法 收集某儿童医院2013年1月—2018年12月全院每月口服退烧药的消耗量建立ARIMA模型,预测2019年1—12月口服退烧药的消耗量,以2019年1—12月实际消耗量数据评价预测模型是否合适。结果 2013年1月—2018年12月每月口服退烧药消耗量的时间序列呈现明显的季节性,在每年1月、5—7月及12月出现消耗量峰值。该时间序列经季节性分解后拟合ARIMA(1,1,1)(1,1,1)_(12)模型,拟合效果较好,经过对比发现除2019年1月和2019年12月两个月外,其余月份预测值与实际值的相对误差均在20%以内。结论 依照2013年1月—2018年12月全院每月口服退烧药消耗量建立的ARIMA模型能够较好地预测口服退烧药消耗量,可为医院科学的药品供应提供一定参考。

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。

差分自回归移动平均模型在河北省鼠密度监测信息系统中的应用研究

目的探讨差分自回归移动平均(ARIMA)模型在鼠密度信息系统预测分析中的应用。方法利用SPSS21.0软件对2008-2014年河北省鼠密度逐月资料进行统计,采用ARIMA模型相关模块进行建模拟合及预测分析。结果河北省城镇主要鼠种褐家鼠和小家鼠的季节分布差异无统计学意义(χ~2=19.601,P=0.051),选用ARIMA模型对鼠类监测信息进行预测,以ARIMA(3,1,0)×(0,1,1)12模型为最优,2015年各月鼠密度实际值均在预测值的95%CI范围内。结论 ARIMA模型能较好地拟合鼠密度变化趋势,可用于鼠密度的预测预警,结合当地鼠传疾病疫情,为传染病防控工作提供依据。

基于蚊密度差分自回归移动平均模型预测流行性乙型脑炎的贝叶斯判别分析研究

目的利用贝叶斯(Bayes)判别分析方法探讨河北省流行性乙型脑炎(乙脑)发生与蚊密度时间序列预测模型的关系,验证差分自回归移动平均(ARIMA)模型在病媒生物监测信息管理系统中对蚊密度的预测及关联乙脑病例的预警作用。方法收集河北省2009-2016年乙脑报告病例资料和蚊密度监测资料进行统计分析,采用ARIMA模型进行建模拟合及预测分析;利用Bayes判别分析论证蚊密度预测模型与乙脑的关系。结果通过ARIMA模型对总蚊密度进行拟合得出最优模型ARIMA(0,1,1)×(0,1,1)12;2009-2016年河北省总蚊密度与乙脑呈正相关(r=0.101,P=0.043);将Bayes判别分析用于河北省总蚊密度时间序列模型预测值判别2个月后的乙脑发病情况,与实际乙脑发生情况比较符合率为0.631 6,总蚊密度监测值与ARIMA模型的预测值对密度高峰后2个月的乙脑发病状况Bayes判别结果符合率为100%。结论 Bayes判别分析可应用于河北省总蚊密度时间序列模型预测值对乙脑疫情的预警,通过建立模型对蚊密度预测,可以利用病媒生物监测信息管理系统蚊虫监测数据对蚊媒传染病的防控工作提供预警支撑。

差分自回归移动平均模型在蚊密度分布特征预测中的应用

目的分析唐山市不同年份成蚊种群密度分布,探讨差分自回归移动平均(ARIMA)模型对未来蚊虫密度的预测。方法选用诱蚊灯法监测唐山市市区2010-2018年不同生境各蚊种的成蚊密度,运用ARIMA模型对2010-2017年各月总蚊密度数据建立模型,预测2018年各月的总蚊密度,并根据2018年实际监测密度评估预测效果。结果2010-2017年唐山市市区总蚊密度为2.14只/(灯·h),淡色库蚊为优势蚊种,占捕获总数的98.02%;在不同生境中,以牲畜棚的蚊密度最高,为3.65只/(灯·h),不同生境、不同蚊种构成比差异有统计学意义(χ^2=249.177,P<0.001);8年中以2014年蚊密度最高为3.00只/(灯·h),2016年蚊密度最低为1.41只/(灯·h);从季节消长看,总蚊密度高峰出现在7月,呈单峰曲线,蚊密度为4.71只/(灯·h)。运用ARIMA模型对唐山市市区2010-2017年各月总蚊密度进行拟合,选取ARIMA(0,1,1)×(2,1,0)12作为最佳模型,残差序列为白噪声序列(Q=20.654,P=0.148),用此模型预测2018年的总蚊密度,实际值均落入预测值的95%可信区间内,预测的蚊密度季节消长趋势与实际值基本吻合,可用于中短期蚊密度预测。结论通过分析唐山市的蚊种密度和季节消长特征,成功建立ARIMA模型,可较准确地预测未来蚊密度,从而有效预警蚊媒疾病的暴发和流行。

差分自回归移动平均模型预测管网漏损的研究

给水管网敷设后会因多种原因发生漏损,有效进行漏损控制是世界各国亟待解决的问题。在对某市实际管网漏损数据进行统计分析的基础上,建立了基于差分自回归移动平均模型[ARIMA(p,d,q)(P,D,Q)s]的管网漏损预测模型。该模型能够根据管网的历史漏损数据预测管网未来的漏损趋势,可为管网漏损控制及更新决策提供有效依据。

差分自回归移动平均模型及其在寄生虫病等传染病预测中的研究及应用

通过时间序列分析可对传染病的发生、发展进行及时准确地预测预警,对有效防治传染病具有重要意义.该文在分析时间序列分析特点的基础上,就其中精度较高的差分自回归移动平均模型（auto regressive integrated moving average model,ARMIA）的分类和建模过程及其在寄生虫病等传染病预测中的应用等方面进行阐述,以为科研与防治工作者提供参考.

差分自回归移动平均模型在伤害预测中的应用

目的探讨差分自回归移动平均(ARIMA)时间序列模型在伤害预测中的应用,建立伤害发生率预测模型。方法利用伤害监测系统,收集城阳区2006～2012年伤害月病例数,建立ARIMA模型。结果 ARIMA(1,0,0)(0,1,1)12模型可以较好拟合伤害月发病率时间序列。利用ARIMA模型预测2013年伤害发生率为253.93/万。结果 ARIMA模型具有适用性,可以用于伤害短期预测。

自回归移动平均模型在骨科Ⅰ类切口感染预测中的应用

目的应用自回归移动平均(autoregressive integrated moving average,ARIMA)模型建立骨科Ⅰ类切口感染预测模型,预测未来6个月的感染发病率。方法回顾性分析2013年1月至2021年12月上海交通大学医学院附属第六人民医院骨科Ⅰ类切口感染发病率数据。选取2013年1月至2021年6月的数据作为训练集,建立ARIMA模型;以2021年7-12月的发病率数据作为验证集,评价模型的预测效果,并预测未来6个月的发病率。结果2013年1月至2021年12月骨科Ⅰ类切口手术患者共有228647例,发生Ⅰ类切口感染628例,手术切口感染发病率为0.275%。ARIMA(1,0,0)(1,0,0)12为确定的最佳模型,2021年7-12月的实际值均落在预测值的95%可信区间范围内。采用该模型预测未来6个月的感染发病率依次分别为0.276%、0.283%、0.288%、0.285%、0.297%和0.291%。结论ARIMA模型能有效拟合、预测骨科Ⅰ类切口感染发病率,模型预测结果提示未来6个月内的发病率呈现低水平流行的态势,可为临床干预措施的实施提供科学依据。

差分自回归移动平均模型在肾综合征出血热发病预测中的应用研究

目的探讨差分自回归移动平均模型(ARIMA)在肾综合征出血热(HFRS)预测分析中的应用。方法用SPSS 16.0软件建立1986-2011年河北省HFRS逐月疫情资料数据库,用ARIMA相关模块进行建模拟合并进行预测分析。结果河北省1986-2011年HFRS发病数呈现明显的季节周期性。筛选ARIMA(0,1,1)×(0,1,2)12模型为最优模型,对河北省2012年各月发病数进行预测,2012年1-12月实际值均落入了预测值的95%可信区间内。结论ARIMA模型可以很好地拟合HFRS发病数的变动趋势,并可用于预测未来疫情,为HFRS防控工作提供依据。

差分自回归移动平均与广义回归神经网络组合模型在丙型肝炎月发病率中的预测应用

目的探讨差分自回归移动平均(ARIMA)与广义回归神经网络(GRNN)组合模型在丙型肝炎月发病率中预测建模效果及应用前景,为疫情预测提供依据。方法 2015年5月—2016年5月,选取山东省疾病预防控制中心法定传染病直报系统2004—2014年丙型肝炎月度发病率数据及山东省统计局发布的同期人口资料。对2004—2014年山东省丙型肝炎月发病率数据构建ARIMA模型,验证拟合精度并外推预测;将ARIMA模型拟合值作为GRNN模型的输入,实际值作为GRNN模型的输出,对样本进行训练和预测。比较单纯ARIMA模型和ARIMA-GRNN组合模型在丙型肝炎月发病率中的预测效果。结果 2004—2014年山东省丙型肝炎年均发病率为17.28/10万,并随着时间的推移呈上升趋势(Z=29.05,P<0.01)。ARIMA(1,2,1)模型预测2014年山东省丙型肝炎发病率与实际发病率基本一致,落在95%置信区间内,拟合效果较好。以ARIMA(1,2,1)模型拟合值作为GRNN模型的输入,丙型肝炎月发病率实际值作为GRNN模型的输出,取最优光滑因子0.12训练模型,ARIMA-GRNN组合模型预测的拟合值与实际值基本吻合。ARIMA模型和ARIMA-GRNN组合模型的平均误差率(MER)分别为16.87%、15.30%;决定系数(R^2)分别为0.53、0.60;平均绝对误差(MAE)分别为0.17、0.09;平均绝对百分误差(MAPE)分别为1.18、0.35。结论 ARIMA-GRNN组合模型对山东省丙型肝炎月发病率拟合及预测效果优于单纯ARIMA模型,具有较高的拟合精度,有较为广阔的应用前景,对于疫情预测工作有一定的实用性意义。

基于数据挖掘及自回归积分移动平均模型预测的医用耗材库存智能化管理研究

目的:基于自回归积分移动平均(ARIMA)构建医用耗材ARIMA模型,为医用耗材库存管理中的各项决策提供技术支持。方法:采用数据挖掘技术中的时间序列分析方法对医用耗材库存进行预测,通过构建医用耗材ARIMA模型分析医用耗材库存变化趋势,预测未来一段时间内医用耗材库存可能出现的结果。选取2018-2021年医院医用耗材每月库存数据,根据2018年1月至2021年7月医院医用耗材每月的库存数据构建医用耗材ARIMA模型,对2021年8-12月的医用耗材每月库存数据进行模型验证和数据预测。结果:建立的医用耗材最优模型为ARIMA(5,1,2)(1,1,1),模型平均绝对误差为7.46%;采用该模型预测2021年8-12月的医用耗材库存量与实际医用耗材库存量比较接近,平均绝对百分比误差(MAPE)为2.075%,模型拟合效果较好。结论:基于数据挖掘技术构建的医用耗材ARIMA模型,可指导决策者根据预测值对医用耗材进行采购,一定程度上降低医用耗材积压率和断货率,减少客观因素引起的医用耗材损耗率。

浙江省月度电力需求的变分模态分解-自适应模糊神经网络-差分整合移动平均自回归组合预测模型及应用

为提高电力需求预测的精度,提出了一种将变分模态分解(variational mode decomposition,VMD)和自适应模糊神经网络(adaptive network-based fuzzy inference system,ANFIS)相结合的方法并应用到月度电力需求预测中。首先将原始数据通过VMD分解成有限带宽的子模态序列,选用差分整合移动平均自回归模型(autoregressive integrated moving average model,ARIMA)、ANFIS、经验模态分解(empirical mode decomposition,EMD)与ANFIS相结合和VMD-ANFIS几种模型进行预测结果对比。结果表明:相比直接利用ANFIS模型得到的预测结果,增加VMD分解过程能有效减小预测误差。说明所应用的VMD-ANFIS方法更具优越性,可以获得更好的预测结果。

基于改进自回归差分移动平均模型的网络流量预测

为了缓解通信网络的拥塞问题,减少用户请求服务的等待时间,提高网络的利用率,网络运营服务商需要对网络实时流量进行分析,而建立准确高效的流量分析模型能提供更加准确的数据支持。基于此,提出了改进的自回归差分移动平均模型,该方法与传统模型方法相比,引入了误差扩散因子这一新的参数,并使用改良的粒子群算法得到欲求解的参数值。通过对测试集中的流量数据进行验证分析,可以得到,改进后的模型相比改进前,预测精度和稳定性均得到了提升。