基于ARIMA模型的传染病疫情计量研究

发布时间：2021-03-31 12:42

　　通过自回归移动平均模型（ARIMA）曲线拟合乙型肝炎疫情的发病数,以此为依据对传染病行业的需求进行分析和预测。选择2009～2018年乙型肝炎发病数据,通过时间序列分析法进行处理,采用序列平稳化、模型估计、模型检验拟定ARIMA季节性模型。并使用2013年1月-2016年12月我国乙型肝炎发病数据来进行模型验证,再预测未来一年的乙型肝炎月发病数,可得知2009-2018年乙型肝炎的发病数据可以被ARIMA（3,1,2）（1,1,1）12模型很好地拟合。根据模型预测得到,2019年我国乙型肝炎的发病数为1224591例,总体呈上升趋势,在3、7、8月份逐月增加,随后又有所减少。 

【文章来源】：邢台职业技术学院学报. 2019,36(06)

【文章页数】：8 页

【部分图文】：

2009年-2018年我国乙肝发病数时序图

为此，对序列做一阶逐期差分处理，处理后的时序图为图2，序列明显平稳。根据图3原序列的自相关分析图所显示，滞后期k=12时自相关系数是0.305，超出了随机区间的范围，表明序列有周期为12个月的季节波动，因此要做季节性差分处理。

根据图3原序列的自相关分析图所显示，滞后期k=12时自相关系数是0.305，超出了随机区间的范围，表明序列有周期为12个月的季节波动，因此要做季节性差分处理。季节性因素可通过使用一阶季节差分处理元时序列来消除，经过分析可知，序列的平稳性被季节性差分之后，它的时序度会在某一数值上平稳波动，由此可知被差分之后的序列是一个固定的时序模型，如图4所示。

【参考文献】：
期刊论文
[1]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)
[2]基于时间序列的云南省乙类传染病分析预测[J]. 李鹏,杨世宏,马磊,相艳,邵党国,韩晓东.  病毒学报. 2018(02)
[3]基于ARIMA模型对传染病监测数据异常点的探测研究[J]. 王橙,许沛尧,马爱军,喻雪双,张韬.  现代预防医学. 2018(04)
[4]基于ARIMA的传染病发病率趋势预测模型实证研究[J]. 王园园,陈伟,李望晨,李健.  中国城乡企业卫生. 2017(11)
[5]采用自回归移动平均模型预测中国流感病例数[J]. 谭恩丽,侯慧玉,包海荣,滕雪娇,张顺先,李保娣,黄晓霞.  病毒学报. 2017(05)
[6]用两种时间序列分析方法预测门诊量及效果评价[J]. 吴学智,何为虎,王安政.  中国病案. 2016(08)
[7]ARIMA模型在传染病预测中的应用[J]. 王怡,张震,范俊杰,王在翔,王培承.  中国预防医学杂志. 2015(06)
[8]ARIMA模型和BP神经网络模型在我国乙型肝炎发病预测中的应用[J]. 陈远方,张熳,王小莉,戎毅,彭海燕,管芳.  江苏预防医学. 2015(03)
[9]ARIMA时间序列在乙肝发病预测中的应用[J]. 王涛,苑新海,朱宗龙.  中国卫生统计. 2014(04)
[10]江西省乙型肝炎发病趋势的时间序列和预测模型分析[J]. 毛向群,熊小庆,涂秋凤,余平,杨健平.  中国预防医学杂志. 2013(06)



本文编号：3111459