SARIMA和SARIMA-GRNN模型在流行性腮腺炎发病率预测中的应用对比

发布时间：2021-02-25 12:09

　　目的比较季节性差分自回归移动平均模型（seasonal autoregressive integrated moving average,SARIMA）和SARIMA-广义回归神经网络（general regression neural network,GRNN）组合模型对中国流行性腮腺炎发病的预测效果,指导流行性腮腺炎的预防控制。方法收集2010年1月-2017年12月全国流行性腮腺炎月发病率数据,构建SARIMA模型和SARIMA-GRNN组合模型,以2018年的实际月发病率进行验证,比较两种模型的拟合效果。结果流行性腮腺炎的流行特征呈季节性双峰分布。经筛选:SARIMA（2,1,2）×（0,1,1）₁₂模型为相对最优模型（AIC=49.02,AICc=50.12,BIC=63.53）;SARIMA-GRNN组合模型的最优光滑因子为0.013。SARIMA模型的MAPE、MAE、RMSE和R²分别为17.221%、0.236、0.252和0.714,SARIMA-GRNN为14.115%、0.181、0.221和0.781。结论 SARI... 

【文章来源】：中国卫生统计. 2020,37(04)北大核心

【文章页数】：4 页

【部分图文】：

全国流行性腮腺炎月发病率的时序图

从2010年1月-2017年12月,全国流行性腮腺炎的发病率呈现整体下降趋势,以12个月为周期呈季节性波动,全年有两个发病高峰,即4-7月和10月-次年1月。(2)差分平稳化。对原序列做1阶差分和12步差分进行平稳化,对差分后的序列进行ADF检验,Dickey-Fuller统计量为-5.741(P=0.010),说明序列平稳。(3)选择模型参数。短期相关特征根据差分后12阶以内的ACF和PACF确定,自相关系数和偏自相关系数均拖尾,p和q的确定从1阶开始反复尝试,由于3阶以上模型的大部分参数不显著,因此P≤2,q≤2。根据12阶的偏自相关系数在两倍标准差范围外,尝试季节自相关特征P=0,Q≤1,见图2。(2)模型检验。

用forecast函数预测2018年12个月的发病率,2018年的实际发病率均在预测值的95%CI,预测值及95%置信区间见图3。3.SARIMA-GRNN组合模型

【参考文献】：
期刊论文
[1]应用ARIMA-GRNN组合模型分析江苏尘肺病发病情况[J]. 卞子龙,汤佳琪,倪春辉,朱宝立,张恒东,丁帮梅,沈涵,韩磊.  环境与职业医学. 2019(08)
[2]季节性ARIMA模型在江门市手足口病疫情预测中的应用[J]. 黄国,朱宇平,黄焕莺.  中国卫生统计. 2019(01)
[3]2010-2017年枣庄市流行性腮腺炎流行病学特征分析和模型预测[J]. 孙喜望,于娟娟,张宏,胡潇,李夫国.  中华疾病控制杂志. 2019(02)
[4]江西农村地区传染病症状监测数据报告质量及其影响因素研究[J]. 尹浩,赵琦,周昌明,宋肖肖,陶韬,徐飚.  中华疾病控制杂志. 2016(11)
[5]应用SARIMA模型预测南通市流行性腮腺炎发病趋势[J]. 陶长余,张志兰.  中国卫生统计. 2016(01)
[6]乘积季节自回归积分滑动平均模型在流行性腮腺炎发病率预测中的应用[J]. 惠石生,陈立章,刘富强,欧阳艳昊.  中华预防医学杂志. 2015 (12)
[7]我国流行性腮腺炎流行病学特征及其防控策略分析[J]. 于湘熹.  现代预防医学. 2015(15)
[8]烟台市2011—2013年学校传染病流行特征分析[J]. 张红杰,丛良滋,赵旭明,崔伟红.  中国学校卫生. 2015(02)
[9]三种模型在肺结核发病预测中的应用[J]. 张国良,后永春,舒文,朱士玉,聂绍发,许奕华.  中国卫生统计. 2013(04)
[10]流行性腮腺炎疫情时间序列模型建立与应用[J]. 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.  中国公共卫生. 2012(02)



本文编号：3050948