岭澳二期核电站主回路设备月进度报告编制方法探讨

岭澳二期核电站是中国广东核电集团继大亚湾核电站、岭澳一期核电站之后,在广东深圳地区建设的第三座百万千瓦级大型商用核电站。工程采用二代改进型核电站技术,是我国"十五"核电自主化的依托项目。项目规划建设两台百万千瓦级压水堆核电机组,计划于2005年12月第一罐混凝土,2010年和2011年两台机组分别建成并投入商业运行。如何更好进行项目管理,是一个新课题,其中月进度报告的编写在为项目管理提供必要的信息方面有着极其重要的作用。本文对岭澳二期核电站主回路设备月度报告的编制进行了简要探讨和介绍。

数学反思性学习作业例谈

反思是一种重要的思维活动。反思的能力很难自发地形成,主要依靠后天的学习。对此,设计数学反思性学习作业,带领学生通过日整理、周小结、月报告,日积月累,查漏补缺,激发反思意识,掌握反思方法,提升反思能力。

大兴安岭细化森林资源监督管理体系

大兴安岭地区“两会”结束后，大兴安岭资源林政部门立即召开党组扩大会议，研究落实“两会”关于加强资源管理的要求精神，制定和细化加强资源管理的措施。

我国包虫病报告病例数自回归移动平均模型预测研究

目的采用自回归移动平均模型(Autoregressive integrated moving average,ARIMA)对全国(不含港、澳、台地区)包虫病月报告病例数进行预测,为包虫病的防控提供科学参考。方法通过SPSS 24.0软件,分别以2007-2015年和2007-2014年全国包虫病月报告病例数,分别建立最优的ARIMA模型,并进行模型比较。结果 2007-2015年全国包虫病月报告病例数的最优模型为ARIMA(1,0,0)(1,1,0)_(12),预测相对误差为-13.97%,AR(1)=0.367(t=3.816,P<0.001)、SAR(1)=-0.328(t=-3.361,P=0.001),Ljung-Box Q=14.119(df=16,P=0.590)。2007-2014年全国包虫病月报告病例数的最优模型为ARIMA(1,0,0)(1,0,1)12,预测相对误差为0.56%,AR(1)=0.413(t=4.244,P<0.001),SAR(1)=0.809(t=9.584,P<0.001),SMA(1)=0.356(t=2.278,P=0.025),Ljung-Box Q=18.924(df=15,P=0.217)。结论时间序列不同,所建立的预测模型可能不同。数据积累越多、预测时间越短、预测误差越小的情况还需得到进一步验证。模型的建立和预测应用是动态过程,需要不断根据积累的数据进行调整,但同时要充分考虑影响传染病报告病例数相关工作(普查和专项调查等)的影响。

我国血吸虫病报告病例数ARIMA模型预测研究

目的研究我国(不含港、澳、台地区)的血吸虫病月报告病例数进行自回归移动平均(autoregressive integrated moving average,ARIMA)模型预测作用,为血吸虫病的防控提供科学依据。方法采用ARIMA模型,以2009年1月至2018年12月我国血吸虫病月报告病例数时间序列为训练集,应用R 3.6.2软件进行平稳性分析后,采用赤池信息准则和贝叶斯信息准则等筛选参数,选出较优ARIMA模型;以2019年1-12月我国血吸虫病月报告病例数为测试集进行验证和逐月优化,得到1个最优ARIMA模型;并以2019年1月至2020年10月我国血吸虫病月报告病例数验证最优ARIMA模型的预测效果。结果基于2009年1月至2018年12月数据,可以得到4种较优ARIMA模型,分别为ARIMA(2,0,2)(1,0,1)[12]、ARIMA(2,0,2)(0,0,1)[12]、ARIMA(2,0,2)(1,0,0)[12]和ARIMA(2,0,2);以2019年1-12月的病例数实际值和4种ARIMA模型预测值分别进行对比,构建出的血吸虫病月报告病例数的最优预测模型为ARIMA(2,0,2)(1,0,1)[12];预测的相对误差均值为0.51%。结论本研究构建的ARIMA模型精度较高,适用于我国血吸虫病病例数的短期预测分析,可为该病防治提供数据支持,具有一定实践指导意义。

采用自回归移动平均模型预测中国流感病例数

采用自回归移动平均模型(ARIMA)对中国(不含中国港澳台地区)流感月报告病例数进行预测研究,为中国流行性感冒(流感)的预防控制提供参考依据。使用SPSS 24.0软件,以2006年1月至2016年12月中国流感月报告病例数建立时间序列模型,并以2017年1~5月的月报告病例数作为验证数据,评估和筛选最优模型。以2006年1月至2016年12月中国流感月报告病例数为基础数据,建立的最优模型为ARIMA(4,0,4),其平稳R2=0.672,标化BIC=18.032,Ljung-Box Q=16.381,P=0.089。对2017年1~5月的数据进行预测,预测相对误差的平均值仅为-3.25%。ARIMA模型在预测中国流感月报告病例数方面效果较好,但模型的建立和预测应用是个动态过程,需不断根据积累的数据进行调整,从而提高预测精度。

我国手足口病重症患者数自回归移动平均模型预测研究

采用自回归移动平均(Autoregressive integrated moving average,ARIMA)模型对我国(不含中国港澳台)手足口病月报告的重症患者数进行预测研究,为该模型在手足口病及其它传染病预防控制中的应用提供参考依据。根据2010-2015年全国手足口病月报告重症患者数时间序列,以2016年1-9月的月报告重症患者数作为验证数据,建立我国手足口病月报告重症患者数的ARIMA模型,并与2010-2014年数据建立的模型进行比较。2010-2014、2010-2015年两个不同时间序列建立的我国手足口病月报告重症患者数模型分别为ARIMA(1,1,0)(2,1,0)12、ARIMA(0,1,1)(2,1,0)12。以上两个不同时间序列预测结果比较发现,数据积累较多,预测的平均相对误差变小,但预测时间越短尚未发现平均相对误差较小。同一研究内容,时间序列年代不同,所建立的预测模型可能不同;认为ARIMA模型数据积累越多、预测时间越短、预测误差越小的情况还需得到进一步验证。