基于时间序列模型的传染病流行趋势及预测研究

发布时间：2017-05-19 11:02

  本文关键词：基于时间序列模型的传染病流行趋势及预测研究，由笔耕文化传播整理发布。

【摘要】：近年来传染病的流行给世界发展造成严重危害,从中国的非典到非洲的埃博拉,使得传染病的控制和预测成为科学研究的热点问题,利用科学的技术方法去控制传染病的发展,减小传染病带来的影响对社会发展至关重要。本文针对传染病流行趋势及预测方法进行了研究,主要工作如下:1、缺失数据处理。本文对于传染病流行趋势预测研究主要基于时间序列模型,因此样本数据为时间序列,包含了传染病患病人数在不同时间段的统计结果。但是由于统计工作不完善,不可避免的出现部分时间段内的统计数据缺失,本文中首先对数据预处理的原则和常用手段进行了总结介绍,其次对三次样条插值方法进行了介绍,并基于三次样条插值对本文的样本数据进行了处理。2、预测模型的介绍。本文中对数据外推预测的经典模型进行了分类归纳总结,对常见的模型原理和方法进行了介绍,其中重点介绍了时间序列模型。3、基于ARIMA时间序列模型的传染病流行趋势预测。本文中选取了乙类传染病中的乙肝、结核病和丙类传染病中的流行性感冒作为研究对象,搜集相关的时间序列数据,通过缺失数据处理后,得到计算所需样本数据,通过对不同模型和不同类型传染病之间预测结果的对标,结果表明,乙类传染病的流行趋势存在明显的季节周期性规律和自相关性,因此模型具有相对较好的预测结果,而对于流行性感冒,其流行趋势不存在明显的周期性规律和自相关性,预测结果十分不理想,因此在对传染病进行预测研究时,需要针对具体的疾病,选取适当的模型。4、基于ARIMA乘积季节模型的传染病流行趋势预测。ARIMA乘积模型对于具有周期性、季节性变化的时间序列的预测更加准确,并且模型能够准确刻画时间序列数据的随机性、周期性、季节性变化规律。基于ARIMA乘积季节模型,本文以乙肝患病人数的时间序列为对象进行了预测分析,结果表明预测效果优于ARIMA模型。最后,对本文中所做的工作以及传染病预测研究的发展进行了总结和展望。
【关键词】：传染病 样条插值 时间序列 ARIMA模型
【学位授予单位】：长春工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F224;R51;R181.3
【目录】：

• 摘要3-4
• Abstract4-7
• 第一章 绪论7-12
• 1.1 传染病预测模型研究意义与背景7
• 1.2 研究现状7-10
• 1.2.1 国内相关研究8-9
• 1.2.2 国外相关研究9-10
• 1.3 文章结构与工作安排10-12
• 第二章 数据的预处理12-20
• 2.1 数据准备12-14
• 2.1.1 处理的原则12
• 2.1.2 处理方法12-14
• 2.2 基于三次样条插值的缺失数据处理14-20
• 2.2.1 三次样条插值15-18
• 2.2.2 基于三次样条插值的缺失数据处理18-20
• 第三章 传染病预测模型20-28
• 3.1 经典预测模型分类20-23
• 3.1.1 基于微分方程模型预测方法20-22
• 3.1.2 灰色预测模型22-23
• 3.2 传染病预测的基本时间序列模型23-28
• 3.2.1 预测方法23-24
• 3.2.2 滑动平均模型24-25
• 3.2.3 指数平滑模型预测方法25-26
• 3.2.4 趋势外推法预测模型26-28
• 第四章 基于ARMA模型的传染病发展趋势预测28-39
• 4.1 ARMA模型发展28
• 4.2 ARMA模型原理28-32
• 4.2.1 预期、平稳性和遍历性28-29
• 4.2.2 移动平均过程29-30
• 4.2.3 自回归过程30-31
• 4.2.4 自回归移动平均过程31-32
• 4.3 基于ARIMA模型的传染病发展趋势预测与分析32-39
• 4.3.1 数据采集32
• 4.3.2 时间序列模型预测方法对比32-35
• 4.3.3 不同类型传染病的ARIMA模型预测结果对比分析35-39
• 第五章 基于ARIMA乘积季节模型的传染病发展趋势预测39-46
• 5.1 ARIMA乘积季节模型39
• 5.2 ARIMA乘积季节模型建模39-42
• 5.2.1 数据预处理39-40
• 5.2.2 模型识别、定阶与参数估计40-42
• 5.2.3 模型诊断检验42
• 5.3 基于ARIMA乘积季节模型的传染病预测分析42-46
• 第六章 总结与展望46-47
• 致谢47-48
• 参考文献48-51
• 作者简介51
• 攻读硕士学位期间研究成果51

【相似文献】

中国期刊全文数据库 前5条

1 王岩;吕霞;薛茜;;时间序列模型在预测临床血液需求量中的应用[J];数理医药学杂志;2009年02期

2 刘娟;高洁;;乙型、丙型流感病毒的长记忆ARFIMA模型[J];生物信息学;2011年02期

3 陈超;田鑫;周剑惠;张运祥;林琳;刘影;李大强;曹凤瑞;程涛;王爽;常新;;流行性腮腺炎疫情时间序列模型建立与应用[J];中国公共卫生;2012年02期

4 段茜琳;;用Bax-Tenkins列据对低端EMG时间序列模型的辨识以控制假肢[J];国外医学.生物医学工程分册;1989年02期

5 ;[J];;年期

中国重要会议论文全文数据库 前4条

1 汪宏晶;林曦晨;汤洪秀;尹平;;多元时间序列模型及其应用[A];2011年中国卫生统计学年会会议论文集[C];2011年

2 史青;练晓华;;时间序列模型在地铁结构变形预测中的应用[A];第十五届华东六省一市测绘学会学术交流会论文集（江苏上海论文分册）[C];2012年

3 黄荣坦;;厦门港集装箱吞吐量的时间序列模型[A];2002年中国管理科学学术会议论文集[C];2002年

4 赵庆江;迟凯;付芳萍;李潮潮;车文刚;;基于FCM的模糊时间序列模型及人民币汇率预测[A];第二十九届中国控制会议论文集[C];2010年

中国重要报纸全文数据库 前2条

1 国海证券研究所;时间序列模型预测3月CPI为—1.26%[N];上海证券报;2009年

2 罗佐县;勘探投资须研究规律提高效率[N];中国石化报;2008年

中国博士学位论文全文数据库 前3条

1 赵彪;两类时间序列模型的统计推断[D];中国科学技术大学;2015年

2 尚华;两类时间序列模型的异常值检测研究[D];首都经济贸易大学;2016年

3 邱望仁;模糊时间序列模型及其在股指趋势分析中的应用研究[D];大连理工大学;2012年

中国硕士学位论文全文数据库 前10条

1 段炼;基于时间序列模型的日内交易策略在A股市场上的应用[D];复旦大学;2014年

2 李金玲;基于特征展开法的模糊时间序列模型的约减算法[D];大连海事大学;2015年

3 王鹏飞;基于自相关函数的模糊时间序列模型的优化算法[D];大连海事大学;2015年

4 孙自珂;风电并网对电力系统可靠性影响研究[D];山东大学;2015年

5 李修成;城市范围内PM2.5时间预测研究[D];哈尔滨工业大学;2015年

6 王倩;非线性时间序列模型研究及实证分析[D];电子科技大学;2014年

7 刘洋;基于SVM修正的模糊时间序列模型在沪指预测中的应用[D];南京大学;2015年

8 尹小琴;基于支持向量机的混合时间序列模型的研究与应用[D];沈阳工业大学;2016年

9 马云飞;多因素模糊时间序列预测模型的研究[D];大连海事大学;2016年

10 刘丑娟;基于变参数粒子群的模糊时间序列模型的研究[D];大连海事大学;2016年

  本文关键词：基于时间序列模型的传染病流行趋势及预测研究，由笔耕文化传播整理发布。

，

本文编号：378488