应用智能组合模型预测中国肺结核月发病人数

发布时间：2020-08-13 03:23

【摘要】：本文主要研究中国肺结核月发病人数的预测,以期为我国肺结核的控制工作提供相应的数据支持。根据月发病人数序列波动的周期特征,本文从序列分解的角度进行预测。首先,采用小波分析(WA)和奇异谱分析(SSA)对原始序列进行分解,提取序列周期。小波分析得到趋势序列、两个周期序列和残差序列。趋势序列和两个周期序列分别用极限学习机(ELM)和非线性滤波器(NAR)预测;残差序列用支持向量回归(SVR)预测。由此建立两个组合预测模型:WA-ELM-SVR和WA-NAR-SVR。SSA分解得到重构序列和残差序列,重构序列用ELM和NAR分别预测,残差序列用SVR预测,同样得到两个组合预测模型:SSA-ELM-SVR和SSA-NAR-SVR。根据组合预测模型,将小波分析的趋势序列、周期序列和残差序列的预测值加总或者将重构序列和残差序列的预测值加总,就得到肺结核月发病人数预测值。和基于原始序列建立的ELM和NAR模型相比,四个组合模型的预测效果较好,表明小波分析和SSA可以提取原始序列的周期,提高序列预测准确度。然后,考虑到肺结核月发病人数受到季节因素的影响,原始序列波动具有季节周期,具体在每一年中,1月～6月肺结核发病人数不断上升,7月～12月开始逐渐下降。因此采用Seasonal-Trend Decomposition using LOESS(STL)分解,将原始序列分解为季节指数、长期趋势和残差项。季节指数在不同年份保持固定不变,无需建立模型预测。用反馈神经网络(Elman网络)预测长期趋势,SVR预测残差项,建立STL-Elman-SVR预测模型。根据STL-Elman-SVR模型,同样将季节指数、长期趋势和残差项的预测值相加就得到最终月发病人数预测值。比较预测值和真实值,并建立对比模型STL-ARIMA和STL-GM(1,1),比较模型可知,STL分解可以准确提取稳定的季节指数,保证预测的准确性。本文将小波分析、SSA和STL分解方法引入发病人数预测中,运用机器学习算法预测分解分量,建立组合预测模型。根据组合模型所预测的肺结核发病人数高发月份,可以为我国完善肺结核预防措施提供定量依据。
【学位授予单位】：兰州大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R521
【图文】：

训练模型,小波分析,序列特征,解图

芘如２．２．１中所介绍的小波分析，选择ｄｍｅｙ函数作为母小波函数，进行离散小波变换。逡逑由于当分解层数为３时，小波分析可以较好的提取原始序列的高频和低频信号，所以原始逡逑发病人数序列可以被分解成四个序列：ａ３、ｄ３、ｄ２和ｄｌ邋（见图２．２）。序列ａ３代表肺结核发逡逑病人数序列的生要波动趋势，ｄ２和ｄ３主要包含原始序列的周期信息，ｄｌ表示分解之启的逡逑残差序列

模型图,肺结核,对比曲线,奇异值

Ｆｉｇ．邋２．３邋Ｐｒｅｄｉｃｔｅｄ邋ａｎｄ邋ａｃｔｕａｌ邋ｍｏｎｔｈｌｙ邋ｐｒｅｖａｌｅｎｃｅ邋ｏｆ邋ＴＢ邋ｉｎ邋２０１７．邋（ａ）邋ＷＡ－ＥＬＭ－ＳＶＲ邋ｍｏｄｅｌ；邋（ｂ）邋ＷＡ－ＮＡＲ－ＳＶＲ逡逑ｍｏｄｅｌ；逡逑从图２．３可以看出，在２０１７年６月？１１月，ＷＡ－ＥＬＭ－ＳＶＲ模型的预测值和实际值相差逡逑无几，剩余月份二者之间的柑差不是很大。直观来看，ＷＡ－ＥＬＭ－ＳＶＲ模型的预测效果较逡逑优于ＷＡ－ＮＡＲ－ＳＶＲ模型，这表明相对于ＮＡＲ，ＥＬＭ更能精确拟合非线性时间序列，有效逡逑地进行序列预测。逡逑ｐ．３．２邋ＳＳＡ分解预测逡逑和小波分析类似，ＳＳＡ同样也可以用于数据分解。给定分析的窗口宽度ｍ＝邋１２，数逡逑值１２代表肺结核发病人数序列在一年之内的波动周期，即以一年为季节周期。窗ｆｌ宽度逡逑为１２决定了ＳＳＡ过程中会产生１２个奇异值，这１２个奇异值按照数值大小降序排列，并计算逡逑各个奇异值的贡献率，图２．４就是１２个特征值的贡献率曲线。从图２．４可以看出，排序在第逡逑一、第二和第３的奇异值累计贡献率最大，超过了９５％，之后的奇异值贡献率都很小，且逡逑随着奇异值的减小

序列,奇异值,降序排列,剩余残差

逦２逦３逦４逦５逦６逦７逦８逦９逦１０逦１１逦１２逡逑奇异值个数逡逑图２．４按降序排列的奇异值的贡献率逡逑Ｆｉｇ．邋２．４邋Ｃｏｎｔｒｉｂｕｔｉｏｎ邋ｏｆ邋ｔｈｅ邋ｓｉｎｇｕｌａｒ邋ｖａｌｕｅｓ邋ｉｎ邋ｄｅｓｃｅｎｄｉｎ

【参考文献】