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。

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。

求和自回归移动平均乘积季节模型在北京市非职业性一氧化碳中毒事件预测中的应用

构建时间序列分析求和自回归移动平均(ARIMA)乘积季节模型,模拟并预测北京市非职业性一氧化碳(CO)中毒事件的发生趋势。采用SPSS 21.0软件对2012年1月—2022年9月北京市发生的非职业性CO中毒事件进行ARIMA模型拟合,预测2022年10月—2023年9月各月份发生CO中毒事件的次数,并采用2022年10月—2023年8月实际发生数进行验证。结果显示,构建的ARIMA(3,1,3)(2,1,1)12模型平稳R^(2)=0.39,决定系数R2=0.54,均方根误差(RMSE)3.06,均值绝对百分比误差(MAPE)84.78,平均绝对误差(MAE)2.23,贝叶斯信息准则(BIC)值2.73;杨-博克斯(Ljung-Box)统计量Q=7.58,P=0.58,残差序列为白噪声序列。总体而言,模型拟合适度较好。2022年10月—2023年8月各月份CO中毒发生次数实际值均在预测值95%置信区间,表现出较好的预测效果。拟合ARIMA(3,1,3)(2,1,1)12模型能很好地预测北京市非职业性CO中毒事件的发生,可用于中毒事件的监测预警工作。

应用ARIMA乘积季节模型对耐碳青霉烯类肺炎克雷伯菌流行趋势预测效果研究

目的研究自回归求和移动平均(ARIMA)乘积季节模型在耐碳青霉烯类肺炎克雷伯菌(CRKP)流行趋势预测中的应用价值,为掌握医院CRKP流行趋势及制定防控对策提供参考。方法基于2016—2021年嘉兴市某三级甲等综合性医院CRKP月检出株数,应用SPSS 26.0软件构建ARIMA乘积季节模型,以2022年实际CRKP月检出株数作为评估模型的样本与预测值进行比较,评价模型的预测效果。结果2016—2021年该院CRKP检出总数呈下降趋势,发病集中在每年的7—9月,9月为发病高峰,具有周期性和季节性。拟合的ARIMA(0,1,2)(0,1,0)12模型贝叶斯信息准则(BIC)为0.43,平均绝对百分误差(MAPE)为16.54,模型残差序列的Ljung-Box检验差异无统计学意义(Q=11.06,P=0.81),残差序列为白噪声,说明该模型拟合良好,确定为最优模型。2022年1—12月CRKP月检出株数用以验证模型的预测效果,结果显示实际发病趋势与预测曲线图较为吻合,实际值均位于预测值的95%置信区间内,预测误差-33.33%~25.00%,平均相对误差15.56%,说明模型的预测效果较好。结论ARIMA乘积季节模型能较好地拟合该院CRKP检出株数的时间变化,可用于CRKP流行趋势的短期预测和动态分析,为医院CRKP感染的早期预警和防控提供理论依据。

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。

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。

求和自回归移动平均模型与动态回归模型预测产超广谱β-内酰胺酶肺炎克雷伯菌的检出率

目的分析产超广谱β-内酰胺酶(ESBLs)肺炎克雷伯菌的检出率,分别运用求和自回归移动平均(ARIMA)模型和动态回归模型建模并预测其流行趋势,为耐药菌株的科学防控提供参考依据。方法收集2014~2019年医院产ESBLs肺炎克雷伯菌检出率的季度监测数据,对其建立单纯ARIMA模型。考察产ESBLs肺炎克雷伯菌检出率与抗菌药物使用频度(DDDs)的相关性,以与产ESBLs肺炎克雷伯菌检出率显著相关的DDDs作为输入变量,对产ESBLs肺炎克雷伯菌检出率建立含输入变量的动态回归模型。分别运用所建立的模型预测2020年第1季度至2020年第4季度产ESBLs肺炎克雷伯菌检出率。运用最小信息量(AIC)准则对ARIMA模型和动态回归模型分别筛选最优模型,并比较2种模型的拟合效果。以2020年第1季度至2020年第4季度产ESBLs肺炎克雷伯菌检出率的实际数据验证和比较2种模型的预测有效性和准确性。结果产ESBLs肺炎克雷伯菌检出率与同期哌拉西林舒巴坦DDDs呈正相关(r=0.75,P<0.05)。最终对ESBLs肺炎克雷伯菌检出率建立了单纯ARIMA(1,0,0)模型(AIC=175.75)和以哌拉西林舒巴坦DDDs为输入变量的动态回归模型(AIC=171.40)。2种模型的4期预测平均相对误差分别为25.62%、25.22%。结论建立的单纯ARIMA模型和动态回归模型均能有效预测产ESBLs肺炎克雷伯菌的检出率。动态回归模型的拟合和预测效果在一定程度上优于单纯ARIMA模型。

基于ARIMA乘积季节模型的科室级常规耗材需求量预测研究

目的探讨季节性因素的时间序列分析方法在科室常规耗材库管理中的应用,分析和预测未来一段时间内医用常规耗材的使用需求。方法采用整合移动平均自回归(Autoregressive Integrated Moving Average,ARIMA)乘积季节模型对北京市某医院某科室某品牌注射器2014年1月至2018年12月的逐月使用量进行预测。结果ARIMA(0,1,2)(0,1,1)12模型的平均绝对百分比误差为5.308,在实际业务可接受范围之内,因此模型拟合效果较好,预测结果接近实际产生值。结论ARIMA(0,1,2)(0,1,1)12模型能够准确的进行该类医用常规耗材的短期预测,可应用于医院物资管理信息系统中,实现对医院耗材的合理管控,并为科室制定医用耗材的资金支出预算提供可靠依据。

ARIMA乘积季节模型在重庆市流行性乙型脑炎预测中的应用

目的:应用自回归求和移动平均(autoregressive integrated moving average,ARIMA)乘积季节模型预测重庆市流行性乙型脑炎(简称乙脑)发病数。方法:利用R软件对重庆市2006年1月到2015年6月乙脑报告病例数进行ARIMA模型建模拟合,选择预测模型进行相互比较确定最优模型。用2015年7至12月实际报告病例数与拟合值的比较来评价模型的预测效果,并对2016至2017年重庆市乙脑报告发病数进行预测。结果:重庆市乙脑发病人数呈逐年下降趋势,报告病例具有明显季节分布特征,ARIMA(0,0,1)×(1,1,2)12模型很好地拟合了时间序列,该模型赤池信息量准则(Akaike information criterion,AIC)、许瓦兹贝叶斯准则(Schwarz Bayesian criterion,SBC)值均最小且预测值与实际值的平均相对误差为0.12,平均绝对百分比误差为7.81%。进一步用该模型预测重庆市2016至2017年乙脑病例数分别为35例和32例,发病高峰仍是7至8月。结论:利用ARIMA乘积季节模型对乙脑发病数拟合较好,短期预测结果良好;与2015年比较,预测2016至2017年乙脑报告发病数略微减少。

乘积季节ARIMA模型的建立及其在河南省甲型病毒性肝炎发病数预测中的应用

目的建立乘积季节自回归移动平均(ARIMA)模型,观察其对河南省甲型病毒性肝炎(甲肝)疫情预测的可行性。方法利用河南省2008—2013年分月的甲肝疫情监测资料建立乘积季节ARIMA模型,利用2014年1—12月的甲肝疫情资料评价该模型的预测效能。结果河南省2008—2013年甲肝发病呈现明显的季节效应,且发病数呈现逐年减少的趋势;乘积季节ARIMA(1,1,0)(2,1,2)模型能较好地拟合既往的甲肝报告病例数,且对2014年1—12月份按月报告的甲肝病例数的预测值与实际值基本吻合。结论乘积季节ARIMA模型能较好模拟、预测河南省甲肝的发病情况。

基于乘积季节ARIMA模型对我国FDI的预测

本文通过采用乘积季节性求和自回归移动平均模型对我国外商直接投资月度数据进行拟合并引入一元线性回归模型对预测进行修正后取得了较好的效果,且模型显示未来我国外商直接投资季节性和平稳性的组合波动状态。

基于乘积季节模型的GPRS小区流量预测

针对GPRS小区流量预测问题,提出一种基于乘积季节自回归移动平均模型的解决方法。该方法分析GPRS小区流量的变化情况,利用小区流量以天为周期变化的特点,应用该模型进行建模,得到GPRS小区的流量变化预测模型。该预测模型可以根据GPRS小区过去的流量情况,预测将来某一时间的流量,为提前采取措施保持GPRS小区性能提供一定的决策依据。

基于ARIMA模型的重庆市流行性感冒预测研究

目的:分析流感的流行趋势,构建流行性感冒发病的自回归滑动平均混合模型(autoregressive integrated moving aver-age,ARIMA)并对验证集进行预测,为重庆市流感的防治提供科学依据。方法:本研究采用R软件对重庆市2010年1月至2021年6月的流感数据进行ARIMA模型拟合,用2021年7月至2021年12月的数据评价模型拟合效果。结果:该流感疾病的流行呈现出明显的季节周期性,周期为1年,发病高峰期为冬季和春季,整体患病率呈上升后有下降趋势,拟合最佳模型为ARIMA(0,1,2)×(0,1,2)12,且该模型在预测2021年7月至12月罹患率的均方根误差为10.70,平均绝对百分比误差为70.04%,预测效果较好。结论:ARIMA模型在预测重庆市流感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,可以为今后的流感疾病防控工作提供参考。

基于SARIMA时间序列模型的台风频次预测

台风是一种破坏力极大的灾害性天气,因此预测和预报台风,历来是气象工作的一项重要任务。对台风进行精准预测,并制定相应的预防和应急措施,是减轻台风造成灾难的重要手段。本文基于季节性差分自回归滑动平均模型(Seasonal Autoregressive Integrated Moving Average, SARIMA)研究台风频次的预测方法。该模型通过考虑时间序列的季节性和趋势性变化研究台风频次,旨在对未来台风频次提供准确预测方法。通过预处理台风发生频次相关数据,对时间序列进行平稳性检验以及白噪声测试,采用AIC遍历对模型定阶,计算模型的均方根误差(RMSE)和平均绝对误差(MAE)并绘制模型的残差分布和自相关图,分析比较后认为该模型的拟合效果较好。最后对2024年1月至2024年12月的台风频次进行预测,为提高自然灾害应对和相关政策制定提供了有力支持。

ARIMA模型在基层血站单采血小板临床需求量预测中的可行性分析

目的 探讨自回归移动平均乘积季节(ARIMA)模型在基层血站单采血小板临床需求量预测中的可行性,为血站制定科学合理的单采血小板招募计划和库存管理提供科学依据。方法 应用SPSS23.0统计学软件对顺德区中心血站2012年1月~2022年6月的单采血小板临床使用数据构建ARIMA模型,用所建模型预测2022年7月~2023年3月的单采血小板使用量并与实际使用量进行比较,评价模型拟合效果。结果 建立的最优模型为ARIMA(2, 1, 0)(0, 1, 1)12,残差序列自相关函数(ACF)和偏自相关函数(PACF)落在95%CI内;Ljung-Box Q统计量为24.941,差异无统计学意义(P>0.05),说明残差是随机分布的,残差不存在相关性,为白噪声序列,模型检验通过。应用模型ARIMA(2, 1, 0)(0, 1, 1)12对顺德区2022年7月~2023年3月的单采血小板临床使用量进行预测,预测结果与实际值均在95%CI内,平均相对误差为7.06%,预测值与实际值的曲线趋势基本一致,模型拟合效果较好。结论 ARIMA模型可用于顺德区单采血小板临床需求量的短期预测,为单采血小板的招募和库存管理提供科学依据。

自回归求和移动平均季节乘积模型在肾综合征出血热发病预测中的应用

目的利用自回归求和移动平均(autoregressive integrated moving average,ARIMA)季节乘积模型建立肾综合征出血热(hemorrhagic fever with renal syndrome,HFRS)发病数的预测模型,为HFRS的预防控制提供科学依据。方法应用SPSS18.0软件对青岛市2007年1月—2013年7月HFRS发病数建立ARIMA模型。结果非季节和季节移动平均参数分别为0.816和0.685,t检验的P值均<0.05,有统计学意义。BIC=12.338,Ljung-Box统计量检验残差序列为白噪声序列,表明ARIMA(0,1,1),(0,1,0)12模型是有效的。结论 2013年8—12月HRFS发病数有上升趋势,需进一步加强防范措施。

自回归求和移动平均乘积季节模型在山东省猩红热发病预测中的应用及效果评价

目的应用自回归求和移动平均(autoregressive integrated moving average model,ARIMA)乘积季节模型分析山东省猩红热季节性时间序列,探讨建立山东省猩红热发病数ARIMA预测模型的可行性。方法应用SAS软件对2012年1月至2018年12月山东省猩红热月报告发病数建立ARIMA乘积季节预测模型,利用2019年1~9月数据进行模型检验,评价预测效果。结果山东省猩红热分月报告发病数存在明显的季节性规律,发病高峰分别为4~6和11月到次年1月。建立的ARIMA(1,0,0)(1,1,0)6乘积季节模型所有参数均通过统计学检验(P<0.05),模型表达式为■■6xt=1/(1-0.081292B)(1+0.82844B6)εt;2019年1~9月预测值发病趋势与实际值基本一致,实际值均在预测值的95%置信区间(95%CI)内。结论ARIMA(1,0,0)(1,1,0)6乘积季节模型预测效果较好,可用于山东省猩红热月报告发病人数的预测。

基于SARIMA模型和条件植被温度指数的干旱预测

基于时间序列遥感数据反演的条件植被温度指数(VTCI)干旱监测结果,应用季节性求和自回归移动平均模型(SARIMA)对关中平原进行了分区域干旱预测建模,得到了2009年4月上旬至5月下旬每旬1步、2步和3步共18旬的预测结果,并分析了预测精度。结果表明,SARIMA模型的预测精度随着预测步数的增加而降低,6旬1步预测结果的绝对误差频数分布基本是单峰分布,主要分布在-0.2到0.2之间;6旬2步预测结果的绝对误差频数分布出现双峰分布,3步预测结果绝对误差分布分散,且误差变大。通过分析干旱的时空分布规律,发现关中平原地区干旱具有较明显的区域特征,且1步预测和2步预测结果的干旱时空分布与监测结果较吻合,3步预测结果的不确定性较大,由此得出SARIMA模型适用于关中平原VTCI 1～2步预测研究的结论。

SARIMA模型在长沙市肺结核发病预测中的应用

目的探讨SARIMA模型在肺结核发病预测中的适用性,为长沙市肺结核防控提供参考。方法利用2005年1月-2016年12月长沙市肺结核月发病数构建SARIMA模型,以2017年1-12月的月发病数评价模型的预测效果,并采用构建的最优模型对2018年长沙市肺结核月发病情况进行预测。结果长沙市肺结核月发病数具有明显的季节性特征,最优预测模型为SARIMA(0,1,1)(0,1,1)12,其AIC=1436. 703,模型残差为白噪声(χ~2=0. 119,P=0. 731)。该模型的预测值与实际值的平均绝对百分误差为21. 69%,预测效果较为可靠。预计2018年长沙市肺结核的月平均发病数为332. 34例,发病水平与2017年接近,但总体略有下降。结论 SARIMA(0,1,1)(0,1,1)_(12)拟合效果较好,可用于长沙市肺结核月发病数的短期预测。

基于SARIMA模型的城市道路短期交通流预测研究

以城市道路短期交通特征为基础,提出在使用季节自回归求和移动平均(SARIMA)模型进行预测时还应该考虑交通流日周期性特征,以提高模型的预测能力。预测研究不仅考虑了模型的样本内预测而且考虑了样本外预测,并通过两个预测误差统计量,即预测误差绝对值均值和预测误差百分比绝对值均值,来对模型预测表现进行衡量与比较。研究结果显示,虽然只考虑城市道路短期交通流数据中周周期性的SARIMA模型预测能力比只考虑日周期性特征的SARIMA模型好,但是却比既考虑交通流数据中周周期性又考虑数据中的日周期性的SARIMA模型表现差。