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。

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。

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。

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。

基于ARIMA-TCN混合模型的高速铁路时间同步方法

列控系统作为高速铁路的核心系统,保持其系统的时间同步对于行车安全至关重要。针对现有时间同步方法易受时变上下行传输时延、随机时钟跳变等影响,导致主从时钟偏移估计不准确的问题,提出一种基于差分自回归移动平均-时域卷积神经网络(ARIMA-TCN)混合模型的高速铁路时间同步方法。首先,根据上下行链路传输速率的不对称比,建立高速铁路时钟的数学理论和实际观测模型。然后,使用拉依达准则识别处理跳变异常值,完成实际时间序列的预处理。再次,使用ARIMA模型平滑时间序列中不确定时延带来的噪声抖动,获得平稳的时间序列。最后,通过提出的注意力增强TCN模型进行预测补偿,完成时钟偏移的补偿校正。通过实验仿真,得到基站区间内位置、基站间距以及车速对高速铁路时间同步的影响性分析。实验结果表明:与对比方法相比,所提方法补偿后的均方根误差较最小二乘法减少了75%、较最大似然估计方法误差减少了44.4%,较BP神经网络方法误差减少了16.7%,验证所提方法具有更低的同步误差和更高的同步精度。

基于小波分解和ARIMA-GARCH-GRU组合模型的制造业PMI预测

制造业采购经理人指数(PMI)是反映国家经济运行情况的重要指标,而传统预测模型对该类时序数据预测精度不高。针对制造业PMI指数的非线性、波动性和数据量少的特点,提出一种基于一维离散小波变换进行数据预处理的组合模型。时序数据经过小波变换,由整合移动平均自回归–广义自回归条件异方差模型(ARIMA-GARCH)处理稳态低频数据,门控循环单元(GRU)处理波动性强的高频数据,将各频段预测结果进行融合得到最终预测结果。为验证模型有效性,选取一定数据量的PMI指数进行实验。结果表明,与其他常见模型对比,本文构建的组合模型具有较好的预测精度与性能,平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到0.00329、0.004162、0.65%。

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WPD-ARIMA-GARCH组合模型的酱卤肉制品安全风险区间预测

针对传统确定性预测不能提供不确定性信息的难题,本研究提出了一种点估计和区间估计组合预测模型,并将其创新性地应用在食品安全风险预警领域。在点估计部分,使用小波包分解(wavelet packet decomposition,WPD)对周风险等级序列分解后,应用差分自回归移动平均(autoregressive integrated moving average,ARIMA)模型进行预测;在区间估计部分,使用广义自回归条件异方差(generalized autoregressive conditional heteroskedast,GARCH)模型对残差进行预测。本实验将建立的WPD-ARIMA-GARCH组合模型运用于某地区酱卤肉制品的风险预测,结果表明2019年的3月底和7月底该地区的酱卤肉制品安全风险较高,与实际情况相符;同时,该模型在10个不同地区的酱卤肉制品风险预测中,均方误差、平均绝对误差和平均绝对百分比误差分别为1.626、0.806和20.824;其90%置信区间的预测区间平均宽度和覆盖宽度标准值均为0.024,可以覆盖所有真实值。该模型具有较高的预测精度和较低的误差,能对酱卤肉制品质量安全起到风险防控作用,可为日常食品安全监管提供相应的技术支持。

基于CEEMDAN-GMDH-ARIMA的大坝变形预测模型研究

为提高大坝变形预测精度,针对大坝变形数据的复杂性和非线性等特征,基于自适应噪声完备集成经验模态分解(CEEMDAN)、数据处理群集法(GMDH)和差分自回归移动平均模型算法(ARIMA)进行大坝变形预测研究。采用CEEMDAN将大坝变形原始数据分解为高频随机分量、中频周期分量和低频趋势分量,再分别采用GMDH模型、ARIMA模型对高中频分量、低频分量进行预测,建立基于CEEMDAN-GMDH-ARIMA的大坝变形预测模型。以江西上犹江水电站为例,将该模型预测结果与反向传播(BP)、径向基函数(RBF)、GMDH和CEEMDAN-GMDH模型的预测结果进行对比分析。结果表明:CEEMDAN-GMDH-ARIMA模型的均方根误差(E_(RMS))、平均绝对误差(E_(MA))、相关系数(r)分别为0.048 mm、0.035 mm、0.994,均优于BP、RBF、GMDH、CEEMDAN-GMDH模型,模型预测效果最好,能够很好地体现监测点水平位移变化趋势。

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。

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。

时间序列自回归移动平均模型在临床红细胞用量预测中的应用

目的验证自回归移动平均模型(ARIMA)预测临床红细胞用量的可行性,并为血站制定备血计划提供数据支持。方法选择东莞市2006年1月～2011年12月6年的每月临床红细胞用量作为时间序列模型的数据源。利用SPSS软件进行时间序列模型的构建,通过对2012年的前5个月临床红细胞实际用量进行模型检验。并据此对模型预测临床红细胞用量分析的可行性、建模步骤及准确性验证进行了探讨。结果 ARIMA模型计算出的预测值与实际值拟合较好,相对误差较小。1月份相对误差为-6.32%,2月份为13.28%,3月份为7.78%,4月份为3.73%,5月份为3.78%,平均相对误差为4.45%。结论可以应用时间序列自回归移动平均模型对未来的临床红细胞用量进行预测,为血站制定备血计划提供可靠的参考依据。

自回归移动平均模型在医疗服务需求预测中的应用

目的拟合医疗服务需求时间序列资料的预测模型。方法采用自回归移动平均模型对出院人次进行模型拟合。结果模型拟合得到的最优模型为一阶自回归移动平均模型,模型预测2020年某市三甲医院的出院总人次将为93.88万人次。结论自回归移动平均模型适用于出院总人次时间序列模型拟合,预测结果显示,在没有外来干预因素影响的情况下,三甲医院出院总人次将会延续2009年以前的上升趋势继续上涨。

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.

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。

自回归求和移动平均模型在湖南省食物中毒预测中的应用

目的:探索自回归求和移动平均模型(autoregressive integrated moving average,ARIMA)在湖南省食物中毒预测中的应用,为食物中毒的预防和控制提供依据。方法:收集2003年1月至2009年12月湖南省食物中毒人数进行ARIMA模型拟合,用2010年的中毒资料验证模型的预测效果,并预测2011年湖南省食物中毒人数。结果:ARIMA(0,1,1)(0,1,1)12较好地拟合了既往时间段中毒人数的时间序列,拟合预测误差为9.59%,2011年湖南省食物中毒预测人数为834人。结论:ARIMA预测模型能较好地拟合短期内食物中毒人数在时间序列上的变化趋势,若用于长期预测,应根据长期监测数据不断调整模型参数。

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。

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。

自回归求和移动平均模型在湖北省戊型病毒性肝炎发病率预测中的应用

目的:应用自回归求和移动平均模型(ARIMA模型)对湖北省戊型病毒性肝炎疫情报告数据进行分析、预测,为戊型病毒性肝炎的监测、预警提供理论依据。方法:采用SAS 9.2对2004年1月至2015年12月湖北省戊型病毒性肝炎的报告疫情数据进行ARIMA模型的参数估计、拟合检验,预测2016年1月至12月戊型病毒性肝炎的月发病数,并用实际数据验证评估预测效果。结果:ARIMA(1,1,1)×(0,1,1)12模型拟合误差RMSE为0.045,2016年1月至12月戊型病毒性肝炎预测值平均相对误差为14.23%,能较好地拟合原始序列数据,预测精度较高。结论:ARIMA模型对湖北省戊型病毒性肝炎报告发病率短期预测精度良好,具有实际应用价值。