甘肃省流行性乙型脑炎发病状态及预测预警研究
发布时间：2021-06-07 09:49
目的:了解甘肃省乙脑病例的分布特征及变迁趋势,识别高危人群、高发季节和热点地区;分别针对儿童和成人发病情况作预测预警分析,以期为甘肃省乙脑疫情的靶向防控提供理论依据。方法:本研究通过描述性流行病学方法挖掘2005-2017年甘肃省乙脑确诊病例数据,采用病例构成和动态数列描述人群、时间分布特征,采用率和统计地图展示空间分布特征,识别高危人群、高发季节和热点地区,深入剖析乙脑发病状态的长期变迁规律;通过理论流行病学研究,针对不同目标人群构建SARIMA和SARIMA-SVR组合模型,定量预测儿童和成人乙脑月发病率;应用MPM建立定性预警模型,计算预警阈值,再结合定量预测值,分别探讨甘肃省儿童和成人乙脑的流行趋势及强度。结果:1.2005-2017年甘肃省确诊乙脑653例,死亡56例,年均发病率为0.1917/10万,死亡率为0.0164/10万,病死率为8.58%。2005-2014年发病率稳定在较低水平,与全国基本一致,平均发展速度为116.98%,平均增长速度为16.98%;2014年发病率首次超过全国平均水平,之后涨幅显著,2017年达全国平均发病率的16.34倍,2014-2017...
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
线性可分情况下的SVM分隔超平面
兰州大学硕士学位论文甘肃省流行性乙型脑炎发病状态及预测预警研究11不过，有可能数据本身就是非线性的，不存在完全分开两类样本的线。对于此类问题而言，SVM本质上是一个函数逼近问题，力求寻找一个回归逼近函数，以期通过映射函数将线性不可分的原始空间映射到线性可分的高纬特征空间中进行回归分析。如图2-2所示，用一张纸将三角形和圆点分开（二维平面变成了三维空间），在三维特征空间中通过样本集中的支持向量构造最小回归间隔，最终确定最优分割超平面。图2-2线性不可分情况下的SVM分隔超平面假设给定的训练集为NiiixyG1,，其中sixR是s维的输入样本值，Riy为期望值，则其回归函数可表示为：bxwxiTih…………………………………………………………………（4）式中，w、b为回归函数系数，为非线性映射函数，回归问题就是找到一对最优参数bw,，使得函数期望值xh和实际值之间的偏差尽可能校考虑高维空间的样本点往往难以满足式（4），导致最优线性回归面无解，故引入松弛变量i，i=1,2,...,l，根据SRM原则，求解最优线性回归面）（0bwiTx的问题可转化为求下述模型的最优解bw,：NiiTibCRi1,,www21),w(min……………………………………………………（5）其对偶问题可表达为：），（ji1i1ijiji1iixxyy21-maxNNN…………………………………………………（6）NiCybxtsiiNiiiii...,2,1,0,001wy..1i…………………………………………………（7）
兰州大学硕士学位论文甘肃省流行性乙型脑炎发病状态及预测预警研究132.3.3SARIMA—SVR组合模型应用思想在多种预测分析方法中，SARIMA模型对数据分析具有良好的动态性，参数变化存在相关；再者本文数据的连续性、完整性较好，在对预测精度和准度的高要求下，SVR模型可以解决多种因素混合存在时的时间累积效应，因此在SARIMA模型预测发病率的基础上，使用SVR模型作为残差修正模型，以期完善SARIMA模型在非线性预测关系上的欠缺。SARIMA-SVR组合模型其核心思想是采用SVR模型校正SARIMA模型的残差，将线性预测与非线性预测相结合，分析步骤如下：第一步，使用SARIMA模型预测发病率tY，设预测结果为tl,则模型残差为etlYtt，序列te中隐含了原始序列中的非线性部分，可表示为),,,(21ntttteeehe，为随机误差；第二步，以上述残差序列te作为SVR模型的输入向量，利用SVR模型对SARIMA模型的残差进行拟合，假设拟合结果为th；第三步，最终SARIMA-SVR组合模型对发病率的预测结果为thtltf)()()(。SARIMA-SVR组合模型预测流程如图2-3所示：图2-3SARIMA-SVR组合模型的拟合及预测分析流程图
【参考文献】：
期刊论文
[1]中国2014-2018年流行性乙型脑炎流行病学特征[J]. 吴丹,尹遵栋,李军宏,施文,王环宇,付士红,李艺星. 中国疫苗和免疫. 2020(01)
[2]基于调和分析和ARIMA-SVR的组合潮汐预测模型[J]. 刘娇,史国友,朱凯歌,张加伟,李爽,陈作桓,王伟. 上海海事大学学报. 2019(03)
[3]基于BP神经网络误差校正的ARIMA组合预测模型[J]. 吴晓峰,杨颖梅,陈垚彤. 统计与决策. 2019(15)
[4]我国流行性乙型脑炎临床流行病学研究现状[J]. 刘楠,高永利,谢紫阳,何蓓. 西北国防医学杂志. 2019(06)
[5]2011～2018年福建省流行性乙型脑炎流行病学特征分析[J]. 黄荣东,萧剑雄,林光灿,周勇. 预防医学论坛. 2019(05)
[6]SARIMA模型和SARIMA-GRNN组合模型在肺结核发病率预测中的比较[J]. 王华,田昌伟,王文明,滕国兴. 寄生虫病与感染性疾病. 2019(01)
[7]传染病预测及模型选择研究进展[J]. 余艳妮,聂绍发,廖青,刘建华. 公共卫生与预防医学. 2018(05)
[8]基于ARIMA与SVM混合模型的连续血压预测[J]. 朱海龙,袁贞明,俞凯. 杭州师范大学学报(自然科学版). 2018(05)
[9]人工神经网络模型在预测重症手足口病中的应用研究[J]. 王斌,冯慧芬,黄平,赵敬,易佳音. 现代预防医学. 2018(11)
[10]河北省2011-2015年流行性乙型脑炎流行病学特征分析[J]. 蔡亚男,魏亚梅,许永刚,韩旭,韩占英,张艳波,齐顺祥,李琦. 实用预防医学. 2018(05)
硕士论文
[1]我国流行性乙型脑炎时空分布特征及相关地理气候因素研究[D]. 李晓龙.中国疾病预防控制中心 2014
[2]我国流行性乙型脑炎时空分布特征及风险预测研究[D]. 王利亚.中国人民解放军军事医学科学院 2014
[3]淄博、洛阳两地乙型脑炎病毒检测及病毒性脑炎其它病原筛查[D]. 鲁苏娜.内蒙古农业大学 2012
[4]支持向量机回归在传染病预测中的应用研究[D]. 力琼.苏州大学 2010
[5]河北省流行性乙型脑炎流行特征分析及ARIMA预测研究[D]. 王磊.河北医科大学 2008
本文编号：3216357
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
线性可分情况下的SVM分隔超平面
兰州大学硕士学位论文甘肃省流行性乙型脑炎发病状态及预测预警研究11不过，有可能数据本身就是非线性的，不存在完全分开两类样本的线。对于此类问题而言，SVM本质上是一个函数逼近问题，力求寻找一个回归逼近函数，以期通过映射函数将线性不可分的原始空间映射到线性可分的高纬特征空间中进行回归分析。如图2-2所示，用一张纸将三角形和圆点分开（二维平面变成了三维空间），在三维特征空间中通过样本集中的支持向量构造最小回归间隔，最终确定最优分割超平面。图2-2线性不可分情况下的SVM分隔超平面假设给定的训练集为NiiixyG1,，其中sixR是s维的输入样本值，Riy为期望值，则其回归函数可表示为：bxwxiTih…………………………………………………………………（4）式中，w、b为回归函数系数，为非线性映射函数，回归问题就是找到一对最优参数bw,，使得函数期望值xh和实际值之间的偏差尽可能校考虑高维空间的样本点往往难以满足式（4），导致最优线性回归面无解，故引入松弛变量i，i=1,2,...,l，根据SRM原则，求解最优线性回归面）（0bwiTx的问题可转化为求下述模型的最优解bw,：NiiTibCRi1,,www21),w(min……………………………………………………（5）其对偶问题可表达为：），（ji1i1ijiji1iixxyy21-maxNNN…………………………………………………（6）NiCybxtsiiNiiiii...,2,1,0,001wy..1i…………………………………………………（7）
兰州大学硕士学位论文甘肃省流行性乙型脑炎发病状态及预测预警研究132.3.3SARIMA—SVR组合模型应用思想在多种预测分析方法中，SARIMA模型对数据分析具有良好的动态性，参数变化存在相关；再者本文数据的连续性、完整性较好，在对预测精度和准度的高要求下，SVR模型可以解决多种因素混合存在时的时间累积效应，因此在SARIMA模型预测发病率的基础上，使用SVR模型作为残差修正模型，以期完善SARIMA模型在非线性预测关系上的欠缺。SARIMA-SVR组合模型其核心思想是采用SVR模型校正SARIMA模型的残差，将线性预测与非线性预测相结合，分析步骤如下：第一步，使用SARIMA模型预测发病率tY，设预测结果为tl,则模型残差为etlYtt，序列te中隐含了原始序列中的非线性部分，可表示为),,,(21ntttteeehe，为随机误差；第二步，以上述残差序列te作为SVR模型的输入向量，利用SVR模型对SARIMA模型的残差进行拟合，假设拟合结果为th；第三步，最终SARIMA-SVR组合模型对发病率的预测结果为thtltf)()()(。SARIMA-SVR组合模型预测流程如图2-3所示：图2-3SARIMA-SVR组合模型的拟合及预测分析流程图
【参考文献】：
期刊论文
[1]中国2014-2018年流行性乙型脑炎流行病学特征[J]. 吴丹,尹遵栋,李军宏,施文,王环宇,付士红,李艺星. 中国疫苗和免疫. 2020(01)
[2]基于调和分析和ARIMA-SVR的组合潮汐预测模型[J]. 刘娇,史国友,朱凯歌,张加伟,李爽,陈作桓,王伟. 上海海事大学学报. 2019(03)
[3]基于BP神经网络误差校正的ARIMA组合预测模型[J]. 吴晓峰,杨颖梅,陈垚彤. 统计与决策. 2019(15)
[4]我国流行性乙型脑炎临床流行病学研究现状[J]. 刘楠,高永利,谢紫阳,何蓓. 西北国防医学杂志. 2019(06)
[5]2011～2018年福建省流行性乙型脑炎流行病学特征分析[J]. 黄荣东,萧剑雄,林光灿,周勇. 预防医学论坛. 2019(05)
[6]SARIMA模型和SARIMA-GRNN组合模型在肺结核发病率预测中的比较[J]. 王华,田昌伟,王文明,滕国兴. 寄生虫病与感染性疾病. 2019(01)
[7]传染病预测及模型选择研究进展[J]. 余艳妮,聂绍发,廖青,刘建华. 公共卫生与预防医学. 2018(05)
[8]基于ARIMA与SVM混合模型的连续血压预测[J]. 朱海龙,袁贞明,俞凯. 杭州师范大学学报(自然科学版). 2018(05)
[9]人工神经网络模型在预测重症手足口病中的应用研究[J]. 王斌,冯慧芬,黄平,赵敬,易佳音. 现代预防医学. 2018(11)
[10]河北省2011-2015年流行性乙型脑炎流行病学特征分析[J]. 蔡亚男,魏亚梅,许永刚,韩旭,韩占英,张艳波,齐顺祥,李琦. 实用预防医学. 2018(05)
硕士论文
[1]我国流行性乙型脑炎时空分布特征及相关地理气候因素研究[D]. 李晓龙.中国疾病预防控制中心 2014
[2]我国流行性乙型脑炎时空分布特征及风险预测研究[D]. 王利亚.中国人民解放军军事医学科学院 2014
[3]淄博、洛阳两地乙型脑炎病毒检测及病毒性脑炎其它病原筛查[D]. 鲁苏娜.内蒙古农业大学 2012
[4]支持向量机回归在传染病预测中的应用研究[D]. 力琼.苏州大学 2010
[5]河北省流行性乙型脑炎流行特征分析及ARIMA预测研究[D]. 王磊.河北医科大学 2008
本文编号：3216357
本文链接：https://www.wllwen.com/yixuelunwen/chuanranbingxuelunwen/3216357.html
最近更新
教材专著
