ARIMA季节模型在我国丙肝发病预测中的应用

目的:应用ARIMA季节模型对我国丙肝发病进行预测。方法:利用2004年至2011年我国丙肝的月发病数建立ARIMA季节模型,对2012年丙肝的月发病数进行预测,并用实际数据评估模型的预测效果。同法对同期甲肝发病数据进行建模和预测。对丙肝和甲肝2004年至2011年的月发病数按年归一化处理后计算方差。比较甲肝和丙肝的预测效果。结果:成功建立ARIMA(1,1,1)(2,1,0)12季节模型,模型的表达式为:(1+0.222L)(1+0.820L12+0.694L24)(1-L)(1-L12)lnYt=(1+0.648L)εt,参数AR(1)=-0.222(t=-2.392,P=0.020),SAR(12)=-0.820(t=-8.009,P<0.001),SAR(24)=-0.694(t=-6.124,P<0.001),MA(1)=-0.648(t=-5.889,P<0.001),残差序列是白噪声序列(P>0.05);模型拟合效果的R2为0.824,预测的平均相对误差为0.078。归一化后丙肝和甲肝发病数的平均方差分别为0.030和0.047,提示丙肝原始数据周期性动态变化较甲肝更趋一致。甲肝预测的平均相对误差为0.138,大于丙肝。结论:ARIMA(1,1,1)(2,l,0)12季节模型可用于预测我国丙肝的发病规律。样本数据的周期性动态变化趋势越一致,ARIMA季节模型的预测结果也越准确。

基于ARIMA季节模型的新能源汽车市场前景预测研究

新能源汽车发展有助于降低我国对石油资源的依赖,促进节能减排和经济可持续发展。本文通过arima季节模型对新能源汽车市场短期需求进行预测,得出在现存政策、经济、历史环境下,新能源汽车产销量可超额完成规划目标,并提出相应的发展建议。

ARIMA季节模型在江苏省结核病发病预测中的应用

目的基于江苏省结核病月报告发病数据建立季节ARIMA模型,预测分析江苏省结核发病趋势变化,探讨该模型在江苏省结核病早期预测预警中的可行性。方法以2004-2018年江苏省结核病月报告发病数据为基础,构建最优季节ARIMA模型,运用该模型对2019年江苏省结核病月报告发病数进行预测,并将实际值与预测值进行比较。结果本次研究构建的最优季节ARIMA模型为ARIMA(1,0,1)(2,1,0)12,ADF检验结果为t=-6.58,P=0.01,差分后序列呈稳定序列。AIC为2418.15,BIC为2433.77。白噪声检验结果为t=0.11,P=0.74,实际值均在预测值的95%CI内。结论ARIMA(1,0,1)(2,1,0)12能较好地拟合江苏省结核病月报告发病趋势,可应用于江苏省结核病发病的短期预测。

ARIMA乘积季节模型在我国甲肝发病预测中的应用

目的：应用求和自回归移动平均模型（ARIMA）乘积季节模型对我国病毒性甲型肝炎进行预测分析,为甲型肝炎的防治提供决策依据。方法：对1994~2012年我国甲型肝炎月发病数的历史疫情数据建立ARIMA乘积季节模型,应用Eviews 6.0软件进行模型拟合,对2013年上半年甲型肝炎的月发病数进行预测,并用实际数据评估模型预测效果。结果：ARIMA（1,1,0）（2,1,2）12模型较好地拟合了既往甲肝的实际发病序列,也获得了较好的预测效果。结论：ARIMA模型能够较好地模拟我国甲型肝炎的发病趋势,预测效果良好,可为甲肝疫情的防控提供一定的科学数据。

交通流的季节ARIMA模型与预报

使用季节ARIMA模型对交通流进行建模及预报为高速公路交通状况分析、道路设施建设、公路效益评价及控制策略设计等提供了一种可靠的方法和途径.介绍了具有周期的季节ARIMA模型的一般表达方式,并提供了使用这一模型进行建模和预报的一般过程.最后以某高速公路的实测数据为例,进行实证分析,得到了72步的长期预报结果,其相对误差为0.

2004-2015年中国狂犬病发病数据ARIMA乘积季节模型的建立及预测

目的了解我国大陆地区2004-2015年狂犬病的发病情况,建立狂犬病发病的时间序列模型,利用模型进行短期预测,为狂犬病的预防和控制提供参考。方法通过查阅2004-2015年每月的《中华人民共和国卫生和计划生育委员会公报》,获得狂犬病发病的月统计数据,利用2004-2014年的数据建立ARIMA乘积季节模型,并利用建立的模型预测2015年数据,与实际发病数据比较。结果中国2004-2015年总计报告狂犬病25561例,年平均发病率为0.1592/10万,总计报告死亡病例22196例,年平均死亡率为0.1383/10万,2004年-2007年,狂犬病的发病人数和死亡人数逐年上升,2008年至2015年,持续下降。狂犬病具有一定的季节趋势,其中夏秋季节报告发病人数较多,而冬春季节发病人数较少。根据2004-2014年发病资料建立的最优时间序列模型为ARIMA(0,1,1)(0,1,1)12,模型预测2015年发病人数为764,相对误差7.73%。结论我国大陆地区狂犬病发病在2007年达到峰值之后,之后年发病率持续降低。ARIMA乘积季节模型能很好地拟合狂犬病发病的长期趋势和季节趋势,回代拟合和短期预测效果较理想。

基于ARIMA乘积季节模型的新疆喀什百日咳流行趋势分析

目的采用时间序列分析方法建立ARIMA乘积季节模型,拟合具有趋势性和季节性的2008-2015年新疆喀什地区百日咳的每月新发数量并作短期预测,为百日咳的预防与控制提供决策依据。方法以百日咳的每月新发病数为原始序列,用差分和季节差分方法对序列做平稳化操作,用具有季节性的自回归移动平均(ARIMA(p,d,q)(P,D,Q)s)模型拟合序列,根据ACF和PACF图对模型定阶并估计参数,再对模型及其参数进行显著性检验,应用残差和AIC和SBC进行评价,建立最优ARIMA乘积季节模型。结果用ARIMA(2,1,2)(0,1,1)_(12)模型模拟2008年1月-2015年6月百日咳每月新发数量,模拟的MAPE=52.05,值稍偏大,但在可接受的范围内。再用该模型预测出2015年7-12月的百日咳每月新发数量,MAPE=18.05,模型预测效果较好。最后用该模型预测2016年的百日咳每月新发病数,发现2016年新疆喀什百日咳新发病数仍处于较高水平,最大值出现在8月,新发病数为87(28,146)。结论 ARIMA(2,1,2)(0,1,1)_(12)模型可用于拟合并且短期预测新疆喀什地区百日咳新发数量,为相关政府部门提供可靠信息。

基于季节ARIMA模型的公路交通量预测

为了提高公路交通量季节性预测的精度,在介绍一般ARIMA模型的基础上,推导出一种具有周期的季节ARI-MA模型的一般表达式,以及使用这种模型进行建模和预报的一般过程。在实证分析中,先用傅立叶周期分析法检验时间序列的周期性并求出周期长度,然后用Eviews软件对时间序列作平稳性检验以及实现模型的识别、建立、选择与预测过程。与三个常用季节预测模型:分组回归模型、可变季节指数预测模型和季节周期回归模型相比,季节ARIMA模型的预测精度最高。研究结果对于更为科学准确地预测公路交通量具有一定意义。

时间序列资料ARIMA季节乘积模型及其应用

目的 用ARIMA季节乘积模型 (p ,d ,q) (P ,D ,Q)s对季节性时间序列资料建模并预测 ,并与指数平滑法进行比较 ,考察ARIMA乘积模型的预测效果。方法 用Box Ljung统计量评价ARIMA模型的拟和度 ,用平均预测相对误差作为预测效果的评价指标。结果 对所分析的季节性时间序列建立了乘积ARIMA(0 ,1,1)× (0 ,1,1) 12 模型 ,平均预测相对误差为 4 89% ,指数平滑法的平均预测相对误差为 8 14 %。结论 对所分析的时间序列 。

基于季节ARIMA模型的电力负荷建模与预报

电力负荷是影响电网寿命和可靠度的一个重要因素.将季节ARIMA模型引入电力负荷的建模及预报,为电力资源分配的宏观调控及电网改造提供了一种可靠的方法和途径.文中用频谱分析的方法检验电力负荷的季节性并求出一个周期;介绍了具有一个周期的季节ARIMA模型的一般表达方式,并给出进行建模及预报的一般过程.以天津市华苑小区的电力负荷为例,进行了季节ARIMA模型的建模及预报.

恶性肿瘤住院量与住院费用的ARIMA乘积季节模型预测研究

目的探讨自回归求和移动平均(ARIMA)乘积季节模型在恶性肿瘤住院量与住院费用中的应用,为医院恶性肿瘤业务管理提供科学依据。方法收集某院2007-2016年逐月恶性肿瘤住院患者资料,采用ARIMA乘积季节模型对2007-2015年逐月恶性肿瘤的住院人次和住院费用进行模型拟合,用2016年逐月数据评价其预测效果,并预测2017年恶性肿瘤逐月住院人次与住院费用。结果 ARIMA(0,1,1)(1,1,0)_(12)是恶性肿瘤住院人次与住院费用的最佳拟合预测模型,拟合相对误差分别为1.1%和1.47%。根据ARIMA(0,1,1)(1,1,0)_(12)预测结果,2017年恶性肿瘤住院量将达7631人次,住院费用将达3.36亿元。结论 ARIMA季节乘积模型能很好地应用于医院业务管理预测中。

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。

ARIMA乘积季节模型预测我国戊肝的发病趋势

目的:根据戊型肝炎(戊肝)季节性、趋势性流行现象,建立求和自回归移动平均(autoregressive integrated moving average,ARIMA)乘积季节模型对我国戊肝发病进行预测。方法:应用SPSS23.0软件对2004年1月—2018年6月我国戊肝传染病疫情月度数据建模,对2018年下半年戊肝发病数进行预测,以该时段疫情数据评估模型的预测效果。结果:将ARIMA(2,1,0)(0,1,1)12和ARIMA(0,1,2)(0,1,1)12两个模型预测的平均值作为预测值,预测结果的平均相对误差为4.69%,标准差为3.27%。结论:ARIMA乘积季节模型拟合及预测效果良好,能够较好地描述该时段我国戊肝的发病趋势,为戊肝预防控制措施的制定以及卫生资源的合理配置提供一定的科学依据。

ARIMA乘积季节模型在河南省风疹疫情预测中的应用

目的建立自回归求和移动平均(ARIMA)乘积季节模型,探讨其在河南省风疹发病趋势预测应用中的可行性。方法收集河南省2004—2013年报告的各月风疹病例数,建立ARIMA乘积季节模型,用2014年1—12月报告的风疹病例数,验证模型预测效果。结果河南省2004—2013年报告的风疹病例数呈现明显的季节效应,2009年前呈现逐年增多的趋势,2009年后呈现逐年减少的趋势;模型ARIMA(1,0,0)(0,1,1)12能较好的拟合既往的风疹病例数,且对2014年1—12月份风疹病例数的预测值与实际值基本吻合。结论 ARIMA乘积季节模型对河南省风疹发病趋势的预测具有可行性。

ARIMA乘积季节模型在医院门急诊人次预测中的应用

目的用ARIMA乘积季节模型(p,d,q)(P,D,Q)s预测门急诊人次,为医院管理策服务。方法数据源于某院HIS,选取2002年1月—2014年10月逐月门急诊人次数据,其中2002—2013年各月数据用于建立模型,2014年1—10月数据用于验证所建立的模型,然后用所建立模型预测2015年门急诊人次。用平均相对误差绝对值(MAPE)评价模型的预测精度。结果建立了ARIMA(2,1,1)(0,1,1)12模型,模型预测的MAPE为7.01%,2015年门急诊人次预测值为550 121。结论 ARI-MA乘积季节模型(p,d,q)(P,D,Q)s预测医院门急诊人次的效果理想,可以为医院管理者提供有价值的信息。

季节ARIMA模型在于桥水库溶解氧预测中的应用

目前水库污染问题严重,而溶解氧是表征水体受污染程度和生态环境好坏的重要指标。介绍了ARIMA模型,以于桥水库三个监测站点1999～2005年的溶解氧含量为基础,运用季节ARIMA模型进行分析,预测2006年各监测站点的溶解氧含量,经与实际数据验证,说明该方法对于桥水库溶解氧浓度预测效果较好。

ARIMA乘积季节模型在食源性疾病月发病率预测中的应用

目的探讨ARIMA乘积季节模型在食源性疾病发病率预测中的可行性,并预测食源性疾病的月发病率趋势.方法对云南省2004年1月至2010年12月食源性疾病月发病率资料建立ARIMA乘积季节模型,利用2011年月发病率资料进行回代,预测2012年食源性疾病月发病率趋势.结果 ARIMA(0,1,1)×(0,1,1)12的BIC值最小,可以认为该模型的拟合优度相对最优;对该模型的残差进行白噪声检验,QLB(18)为20.225(P=0.210),提示残差属于白噪声.结论 ARIMA乘积季节模型可以用于食源性疾病月发病率趋势的拟合和预测.

基于季节ARIMA模型的国有粮食企业收购预测分析

研究国有粮食企业的购销现状,对国有粮食企业的购销量进行分析和预测,有利于深刻认识国有粮食企业的市场运行规律,更为充分地保障国家粮食安全。本文利用Box-Jenkins法中的季节ARIMA模型,对2005年1月—2009年4月中国国有粮食企业收购量数据序列进行分析,建立了国有粮食企业的季节ARIMA模型。检验结果表明,季节ARIMA模型对原始数据序列有着较好的拟合效果,模型的预测效果良好,可用于短期内国有粮食企业收购量的预测。

张家川支气管肺炎月发病率的季节性ARIMA模型

医学卫生领域,疾病受到许多因素的影响,很难用结构式因果模型加以解释,根据其自身变动规律建立时间序列的动态模型则是一种行之有效的方法。据此,本文研究了季节性模型在张家川地区支气管肺炎月发病率中的应用。利用2001年9月至2006年7月张家川地区支气管肺炎月发病率资料绘制出时序分布图,观察到该疾病高发在每年12月左右,且有季节性趋势;作偏相关和自相关图,根据模型定阶原则,且残差没有自相关性,进行时间序列模型拟合;最终得到时间序列模型ARIMA(1,0,1)×(2,1,1)12,及其相关数学表达式(1-0.517B)(1+0.784B12+0.137φ2B24)(1-B)12Δ11Zt=(1+0.196B)(1+0.876B12)at,并进行实际值与预测值的比较,估计值虽然与实际值有差异,但基本趋势一致。因此,应该充分考虑各时间段的发病特征,以便更有重点地进行健康防治,有效降低支气管肺炎对人类的危害,保障人类的生活品质。

基于季节ARIMA模型的近海表层水温时间序列模拟与预测

基于1996—2007年逐月时间序列数据,采用季节ARIMA模型对连云港近海表层水温时间序列进行模拟,并依据残差不相关和简洁性原则确定模型的结构,建立最优预测模型ARIMA(1,0,1)(0,1,0)12。运用该模型对2008年逐月表层水温进行预测,预测值与实际值的变动趋势基本一致,且平均相对误差仅为3.5%。在此基础上对2009年连云港近海逐月表层水温进行预报,预报结果符合该海域表层水温的逐月变化趋势,表明模型用于近海表层水温预报是可行的。