自回归神经网络模型在甲型肝炎发病率预测中的应用研究

目的评价自回归神经网络(NNAR)在全国及不同地区甲肝发病率拟合及预测的效果。方法以全国、重庆市、广东省、湖北省、河北省、上海市分别代表全国、西部、南部、中部、北部和东部地区,收集2004—2017年甲肝逐月发病率数据。以2004年1月—2017年6月的数据作为训练数据、2017年7—12月的数据作为测试数据。训练数据分别拟合NNAR和乘积季节自回归移动平均模型(SARIMA),预测2017年7—12月甲肝发病率,并与测试数据进行比较。以平均绝对误差百分比(MAPE)为评价指标,评价模型拟合及预测的效果。结果以全国、重庆市、广东省、湖北省、河北省、上海市数据建立SARIMA模型预测的MAPE为16.38%、19.01%、8.69%、9.02%、8.73%和11.87%。结论除华北地区外,NNAR模型适用于全国甲肝发病率预测,SARIMA模型适用于华北地区甲肝发病率预测。

神经网络自回归模型在丙肝发病趋势和预测研究中的应用

目的探讨神经网络自回归模型在丙肝发病趋势和预测研究中的应用。方法通过神经网络自回归模型对2004年1月至2015年12月我国全国丙肝发病率进行拟合建模,估计丙肝的发病趋势,并对2016年我国丙肝发病率进行预测,与实际值对比,根据相对误差、平均绝对误差(MAE)、平均绝对百分误差(MAPE)和均方根误差(RMSE)对模型的预测效果进行评价。结果神经网络自回归模型能够识别出我国丙肝在过去13年的发病趋势,逐年增长并具有季节性,且相对误差、MAE、MAPE和RMSE均较小,尤其RMSE<10%。结论神经网络自回归模型可以运用于丙肝的时间序列数据的分析中,其预测精度较高。

ARIMA-BP神经网络高速列车隧道压力波预测模型研究

为更精准地进行车内压力波动控制,需要预测高速列车通过隧道时车外隧道压力波的实时变化值。在对列车历史运行重复隧道压力波数据的分析基础上,采用工况匹配(WCM)与加权K最近邻(WKNN)算法从数据库中选取若干与本次工况相接近的运行状态数据,并根据相似程度确定数据权重,构建预测用的历史数据。分别采用差分自回归滑动平均(ARIMA)与BP神经网络(BPNN)模型对隧道压力波进行预测,并将两种预测结果并联考虑,形成ARIMA-BPNN隧道压力波组合预测模型。利用武广客运专线某隧道压力波实测数据进行仿真。仿真结果表明:与WCM-WKNN-ARIMA及WCM-WKNN-BPNN单一预测模型以及WCM-ARIMA-BPNN组合预测模型相比,所建立组合模型能有效对隧道压力波进行预测,且能够取得更高精度的预测结果。

马尔科夫链改进的ARIMA-BP神经网络模型研究

地基沉降的机理十分复杂,难以用一种预测模型精确预测。结合某地基沉降的实际数据,采用时间序列分析法和BP神经网络法相结合的组合模型进行预测,并用马尔科夫理论对预测结果进行改进,得到了更可靠的结果。

大型医疗监护设备电池健康状态检测算法研究

目的 研究大型医疗监护设备电池健康状态的检测算法,用以检测电池的健康状态,解决电池由于在使用过程中受到温度变化、充放电循环等影响而产生的时变效应和故障多样性等问题。方法 分析设备电池在充电和放电过程中的电压变化情况,提取等压降放电时间、电池内阻和等间隔放电时间序列3种健康因子;将其输入至基于非线性自回归模型神经网络的非线性回归模型中进行训练,评估大型医疗监护设备的电池容量;结合粒子群算法改进反向传播神经网络,检测电池健康状态。结果 实验结果表明:该检测方法的误差较小;提出的3种健康因子与估计大型医疗监护设备电池容量的相关性大于0.95,且电池容量估计结果准确。结论 通过该方法,可及时发现电池问题,提前采取措施,减少因电池故障引起的设备停机时间,降低医疗事故风险。

基于RCMAC网络的动态逆再入制导方法研究

针对升力式再入飞行器的制导问题,首先利用准平衡滑翔原理给出标准的阻力加速度-速度剖面,并对阻力加速度跟踪制导原理进行分析,然后利用自回归小脑模型神经网络(RCMAC)网络良好的非线性逼近能力、泛化能力和自学习能力,采用基于RCMAC网络的动态逆方法实现对阻力加速度的跟踪,并证明闭环系统的稳定性.三自由度仿真结果表明,该制导方式降低了动态逆方法对模型的依赖,增强了制导系统的鲁棒性.

基于ARIMA-ANN预测模型的能量感知路由算法

针对传统能量感知OLSR协议在减少传输功率消耗和均衡节点剩余能量之间不能兼顾的特点,提出了一种新型的基于剩余能量比例和传输功率消耗的OLSR路由协议OLSR_RC,它利用上述两方面的指标构造复合能量开销,并将其作为路由选择的度量值。在减小网络开销的同时,也防止了部分低电量节点的能量被快速耗尽,延长了网络的生存周期。此外,新路由还采用ARIMA-ANN组合能量预测模型对节点的剩余电量进行预测,降低了由于拓扑控制(TC)消息丢失对选择路由所造成的影响。这种新型路由协议在无线传感器网络领域有比较广阔的应用前景。

基于KNN模型的原油价格预测研究

针对非线性、非平稳且呈现剧烈波动的时间序列,使得传统的预测方法预测效果不够理想。尝试运用KNN模型对WTI原油价格进行预测,并与ARIMA模型和神经网络自回归(NNAR)模型预测结果进行比较,结果表明:KNN模型适用于WTI原油价格预测,且预测效果优于ARIMA模型和神经网络自回归模型。通过模型组合,利用KNN模型和神经网络自回归模型组合预测后,预测精度显著提升。

江西省流行性腮腺炎发病率4种时间序列模型预测效果比较

目的比较季节性自回归移动平均模型(SARIMA)、指数平滑模型(ETS)、指数平滑空间状态模型(TBATS)和自回归神经网络模型(NNAR)4种时间序列模型对江西省流行性腮腺炎(流腮)发病率的预测效果,为流腮的预防控制提供参考依据。方法收集中国疾病预防控制信息系统中江西省2010年1月1日—2019年12月31日报告的流腮发病数和发病率数据,以其中2010年1月—2018年12月的流腮报告发病率作为训练集,应用R 4.1.2软件构建SARIMA、ETS、TBATS和NNAR模型,并通过模型预测2019年1—12月的流腮发病率,采用均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)比较4种模型的拟合和预测效果。结果江西省2010、2011、2012、2013、2014、2015、2016、2017、2018和2019年流腮报告发病率分别为20.49/10万、32.03/10万、31.89/10万、19.95/10万、12.22/10万、14.10/10万、16.56/10万、16.21/10万、14.29/10万和21.14/10万,2010—2019年流腮年均报告发病率为19.84/10万;江西省流腮发病具有明显的季节性,每年4—7月为发病主高峰,11月至次年1月为发病次高峰;4种模型拟合值的变化趋势均与实际值一致,除SARIMA模型MAPE(32.01%)较高外,其他3个模型的MAPE均<15%,其中NNAR模型的拟合值更贴近实际值,其RMSE、MAE和MAPE均最低,分别为0.20、0.14和8.24%;除SARIMA模型外,其他3种模型的预测值变化趋势均与实际值一致,此3个模型的MAPE均<15%,其中TBATS和ETS模型的预测效果最好。结论ETS、TBATS和NNAR模型对江西省流腮发病率的拟合和预测效果较好,预测结果可为该地区流腮的防控提供理论指导。

基于实测数据的管道变形破坏预警方法研究

通过以微机电技术为基础的传感器设备,可以实现管道变形的自动化监测。文章应用统计学理论、自回归神经网络算法与蒙特卡洛算法相结合的方法,对管道变形的风险水平做出判断,并以某排水管道变形监测数据验证以上方法,证明其在工程实践中可行。

传染病组合预测模型的构建——基于R软件

目的利用R软件构建传染病组合预测模型,为疾病监测工作者提供参考。方法以全国(不含香港、澳门特别行政区和台湾省数据)、吉林省、辽宁省、黑龙江省2004—2017年肾综合征出血热(HFRS)逐月发病率作为训练数据拟合模型,2018年1—12月数据用于评价预测效果。组合模型选择自回归移动平均模型(SARIMA)、指数平滑模型(ETS)、自回归神经网络模型(NNETAR)、指数平滑空间状态模型(TBATS)进行组合,采用R软件“forecastHybrid”包构建。单一模型权重相同的组合模型记为组合模型A;单一模型权重根据训练数据拟合效果确定,记为组合模型B。采用平均绝对误差百分比(MAPE)、离均差平方和(RMSE)评价6个模型拟合及预测效果。选取2004—2011年、2004—2012年、2004—2013年、2004—2014年、2004—2015年、2004—2016年、2004—2017年数据作为训练集分别建立模型,预测未来1—12月发病率进行敏感性分析。计算组合模型拟合及预测的MAPE、RMSE顺位累计和评价模型拟合及预测效果稳定性。结果SARIMA、ETS、NNETAR、TBATS、组合模型A、组合模型B在全国、吉林省、辽宁省、黑龙江省拟合的MAPE依次为11.81%、9.75%、11.50%、9.71%、8.09%、8.06%;29.63%、15.39%、23.04%、14.60%、16.33%,16.29%;19.76%、15.48%、3.93%、15.24%、12.66%、7.08%;21.92%、17.96%、6.73%、15.80%、13.55%、10.29%。上述6个模型在上述4个地区预测的MAPE依次为23.38%、20.35%、11.01%、34.28%、17.03%、16.02%;11.72%、14.26%、24.32%、14.16%、11.93%、11.92%;28.09%、27.57%、29.19%、27.32%、26.91%、26.49%;23.72%、33.28%、28.96%、33.75%、25.86%、27.31%。上述6个模型在上述4个地区拟合的RMSE依次为0.01、0.01、0.01、0.01、0.01、0.01;0.08、0.08、0.05、0.08、0.05、0.05;0.08、0.07、0.01、0.07、0.04、0.02;0.16、0.16、0.04、0.15、0.08、0.06。上述6个模型在上述4个地区预测的RMSE依次为0.02、0.01、0.02、0.02、0.01、0.01;0.03、0.04、0.07、0.04、0.05、0.05;0.07、0.05、0.05、0.05、0.05、0.05;0.13、0.14、0.11、0.14、0.12、0.12。敏感性分析显示,从拟合效果来看,组合模型B总体上在4个地区均居首位;组合模型A居2~4位。从预测效果来看,组合模型在4个地区的2个评价指标中最优位次为首位或第2位。结论组合模型拟合及预测优于单一模型,根据训练数据拟合效果确定模型权重的组合模型为最优模型。利用R软件通过简单编程即能构建组合模型,值得推广应用。

River channel flood forecasting method of coupling wavelet neural network with autoregressive model

Based on analyzing the limitations of the commonly used back-propagation neural network （BPNN）, a wavelet neural network （WNN） is adopted as the nonlinear river channel flood forecasting method replacing the BPNN. The WNN has the characteristics of fast convergence and improved capability of nonlinear approximation. For the purpose of adapting the timevarying characteristics of flood routing, the WNN is coupled with an AR real-time correction model. The AR model is utilized to calculate the forecast error. The coefficients of the AR real-time correction model are dynamically updated by an adaptive fading factor recursive least square（RLS） method. The application of the flood forecasting method in the cross section of Xijiang River at Gaoyao shows its effectiveness.

三种预测模型对中国流行性腮腺炎月度发病率预测的应用与比较

目的建立三种预测模型分析流行性腮腺炎的季节发病情况,为流行性腮腺炎的预测方法提供理论依据。方法收集2004年1月—2018年12月全国流行性腮腺炎月度发病率数据,训练集数据为2004年1月—2017年12月流行性腮腺炎月度发病率,分别建立季节性差分自回归移动平均(seasonal autoregressive integrated moving average,SARIMA)模型、温特线性与季节指数平滑(Winter linear and seasonal exponential smoothing,Holt-Winters)模型和神经网络自回归(neural network autoregressive,NNAR)模型,以2018年1—12月中国流行性腮腺炎月度发病率数据作为测试集,评估三种模型的预测效果。结果2004年1月—2018年12月全国流行性腮腺炎月度发病率最高月份是2012年6月,发病率最低月份是2016年2月,每年有两个发病高峰,大高峰发生在每年的4—7月,小高峰发生在每年的11月至次年1月;SARIMA模型、Holt-Winters模型和NNAR模型预测的平均相对误差的绝对值(mean absolute percentage error,MAPE)分别是18.63%、18.65%和16.31%,均方根误差(root mean square error,RMSE)分别为0.29、0.36和0.39,平均绝对误差(mean absoluteerror,MAE)0.26、0.30和0.30,R^(2)分别为93.43%、83.79%和78.24%。预测效果最好的为SARIMA模型,其次为Holt-Winters模型,NNAR模型的预测效果最差。结论SARIMA模型能很好地预测全国流行性腮腺炎的发病情况,可为今后流行性腮腺炎的预防控制工作提供借鉴方法。

基于ARIMA与NNAR模型的中国食管癌疾病负担预测

目的探索中国食管癌疾病负担时间序列特征,并进行预测。方法收集1990—2019年中国食管癌发病率、死亡率、伤残调整寿命年(disability adjusted life year,DALY)等疾病负担数据,基于1990—2016年数据建立自回归移动平均(autoregressive integrated moving average,ARIMA)模型、神经网络自回归(neural network autoregression,NNAR)模型,通过平均误差率(modulation error ratio,MER)、平均绝对百分比误差(mean absolute percentage error,MAPE)、平均绝对误差(mean absolute error,MAE)和均方根误差(root mean squared error,RMSE)比较2017—2019年预测数据与实际数据以验证模型预测性能,并预测2020—2024年食管癌疾病负担。结果1990—2019年中国食管癌疾病负担整体呈波动上升趋势,发病率上升33.26%,死亡率上升21.26%,DALY率上升6.66%。ARIMA模型与NNAR模型的预测值和实际值动态趋势基本一致,选择其中更优模型预测得到2020—2024年中国食管癌发病率分别为20.375/10万、21.057/10万、21.380/10万、21.341/10万和21.080/10万;死亡率分别为18.834/10万、19.647/10万、20.407/10万、20.889/10万和20.988/10万。DALY率分别为418.192/10万、431.123/10万、442.780/10万、452.376/10万和459.358/10万。结论中国食管癌疾病负担在2020—2024年将上升。NNAR模型在拟合中国食管癌疾病负担应用中具有良好预测性能与精度,可为疾病负担短期预测提供借鉴方法。

基于全球疾病负担数据库分析1990-2019年中国脑瘤发病趋势

目的探讨1990-2019年我国脑瘤发病变化趋势与特征,为脑瘤防治工作提供参考。方法选取1990-2019年全球疾病负担(GBD)数据库中国5~<95岁脑瘤发病数据,整理数据并应用Joinpoint回归模型分析发病趋势,计算年度变化百分比(APC)与平均年度变化百分比(AAPC)。采用年龄-时期-出生队列(APC)模型分析发病率的年龄、时期和队列效应。通过R 4.1.3对脑瘤发病数据建立神经网络自回归(NNAR)模型,预测未来5年脑瘤发病率。结果1990-2019年我国脑瘤发病率呈上升趋势,男性和女性的AAPC值分别为1.802与2.396。APC模型分析显示,男性与女性的净偏移值分别为0.811%与1.332%,均>0。男、女性脑瘤的发病风险均随年龄和时期的增加而增加,较早出生队列的发病风险低于较晚出生队列。预测结果显示,2019年后我国脑瘤发病率将持续上升,2024年将达到7.707/10万。结论1990-2019年我国脑瘤发病率上升趋势明显,其中女性的上升趋势较男性更显著。年龄越大、生活时代越近人群其发病风险越大。预测结果提示,发病率在2020-2024年会持续上升,应加强对脑瘤防治工作的关注,开展好一级预防工作,降低我国脑瘤未来的发病率。