长沙市流行性腮腺炎季节性自回归移动平均模型预测研究

发布时间：2018-06-30 02:45

  本文选题：流行性腮腺炎 + 时间序列　； 参考：《中国全科医学》2017年02期

【摘要】：目的采用季节性自回归移动平均(SARIMA)模型预测长沙市流行性腮腺炎发病数。方法收集2005—2015年长沙市报告的流行性腮腺炎病例数据,将2005—2014年数据作为建模数据,将2015年数据作为验证数据,开展SARIMA模型建立与验证研究,并对2016年流行性腮腺炎发病数进行预测。结果 SARIMA(3,0,0)×(1,0,0)_(12)模型可以很好地拟合实际数据,模型的展开式为:Y_t=222.545+1.225Y_(t-1)-0.713Y_(t-2)+0.291Y_(t-3)+0.366Y_(t-12)-0.448Y_(t-13)+0.261Y_(t-14)-0.107Y_(t-15)+a_t。将验证数据与预测数据进行相关性分析,结果显示呈显著性相关(r=0.61,P0.001)。SARIMA模型预测2016年长沙市全年发病数将达到3 032例,平均月病例数为253例。结论 SARIMA模型可以用于流行性腮腺炎发病数预测,长沙市2016年流行性腮腺炎疫情仍处于高发态势。
[Abstract]:Objective to predict the incidence of mumps in Changsha by using seasonal autoregressive moving average (SARIMA) model. Methods the data of mumps cases reported from 2005 to 2015 in Changsha City were collected, and the data from 2005 to 2014 were used as modeling data and 2015 data as validation data. The establishment and validation of SARIMA model were carried out. The incidence of mumps in 2016 was predicted. Results the SARIMA (3X) 脳 (1) 0) _ (12) model could fit the actual data well. The expansion of the model was: 1: Ytt222.545 1.225Yt-1 -0.713Yt-2 0.291Yt-3 0.366Yt-12 -0.448Yt-13 0.261Yt-14 -0.107Yt-15 a tit. The correlation analysis between the validation data and the predicted data showed that there was a significant correlation (r 0.61% P0.001). The SARIMA model predicted that the annual incidence of Changsha in 2016 would reach 3 032 cases, with an average of 253 cases per month. Conclusion the SARIMA model can be used to predict the incidence of mumps, and the epidemic situation of mumps in Changsha in 2016 is still high.
【作者单位】： 兰州大学公共卫生学院;湖南省长沙市疾病预防控制中心;
【分类号】：R512.1;R181.3

【相似文献】

相关期刊论文 前10条

1 刘小乡;;时间序列的修匀与预测方法[J];中国医院统计;2006年02期

2 林雪梅;;一种用于模拟胶函数检测和肌力估计的多通道时间序列肌处理器的理论研究[J];国外医学.生物医学工程分册;1990年05期

3 倪涛洋,刘颜,李彩霞,方积乾,关永源;时间序列数据差别的判别方法[J];中国卫生统计;2001年05期

4 张晋昕,方积乾,赵晓华,陈雄飞,凌莉;医学时间序列谱分析中的日历因素及修正方法[J];中华医院管理杂志;2003年11期

5 刘明华;张晋昕;;时间序列的异常点诊断方法[J];中国卫生统计;2011年04期

6 胡俊航;赵明霞;;交互影响的时间序列联立方程模型及其应用[J];江汉大学学报(自然科学版);2007年03期

7 廖福元;王珏;;生理时间序列的一种符号化分析方法[J];西安交通大学学报;2007年12期

8 李济宾;张熙;张晋昕;;时间序列中随机型缺失数据的填补及预测效果比较[J];中国卫生统计;2012年06期

9 叶柱江;刘赴平;;时间序列自回归移动平均模型在临床红细胞用量预测中的应用[J];中国输血杂志;2013年02期

10 张熙;李济宾;张晋昕;;含有周期性的时间序列中随机型缺失数据的填补方法[J];中国卫生统计;2012年04期

相关会议论文 前10条

1 周家斌;张海福;杨桂英;;多维多步时间序列预报方法及其应用[A];中国现场统计研究会第九届学术年会论文集[C];1999年

2 马培蓓;纪军;;基于时间序列的航空备件消耗预测[A];中国系统工程学会决策科学专业委员会第六届学术年会论文集[C];2005年

3 卢世坤;李夕海;牛超;陈蛟;;时间序列的非线性非平稳特性研究综述[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年

4 李强;;基于线性模型方法对时间序列中异常值的检测及证券实证分析[A];加入WTO和中国科技与可持续发展——挑战与机遇、责任和对策（上册）[C];2002年

5 戴丽金;何振峰;;基于云模型的时间序列相似性度量方法[A];第八届中国不确定系统年会论文集[C];2010年

6 谢美萍;赵希人;庄秀龙;;多维非线性时间序列的投影寻踪学习逼近[A];'99系统仿真技术及其应用学术交流会论文集[C];1999年

7 张大斌;李红燕;刘肖;张文生;;非线性时问序列的小波-模糊神经网络集成预测方法[A];第十五届中国管理科学学术年会论文集（下）[C];2013年

8 黄云贵;;基于时间序列的电网固定资产投资规模研究[A];2012年云南电力技术论坛论文集（文摘部分）[C];2012年

9 李松臣;张世英;;时间序列高阶矩持续和协同持续性研究[A];21世纪数量经济学（第8卷）[C];2007年

10 陈赫;罗声求;;历史横断面数据的时间序列化[A];科学决策与系统工程——中国系统工程学会第六次年会论文集[C];1990年

相关重要报纸文章 前6条

1 ;《时间序列与金融数据分析》[N];中国信息报;2004年

2 何德旭 王朝阳;时间序列计量经济学：协整与有条件的异方差自回归[N];中国社会科学院院报;2003年

3 刘俏;让数据坦白真相[N];21世纪经济报道;2003年

4 西南证券高级研究员 董先安邋德圣基金研究中心 郭奔宇;预计6月CPI同比上涨7.2%[N];证券时报;2008年

5 东证期货 王爱华　杨卫东;两年涨跌轮回 秋季普遍下跌[N];期货日报;2009年

6 任勇邋郑重;中国对世界钢材价格的影响实证分析[N];现代物流报;2007年

相关博士学位论文 前10条

1 张墨谦;遥感时间序列数据的特征挖掘：在生态学中的应用[D];复旦大学;2014年

2 张德成;滑坡预测预报研究[D];昆明理工大学;2015年

3 苗圣法;时间序列的模式检测[D];兰州大学;2015年

4 翁同峰;时间序列与复杂网络之间等价性问题及表征应用研究[D];哈尔滨工业大学;2015年

5 杨婷婷;用Argo浮标结合卫星观测估算北太平洋经向热输运[D];中国科学院研究生院(海洋研究所);2015年

6 史文彬;时间序列的相关性及信息熵分析[D];北京交通大学;2016年

7 原继东;时间序列分类算法研究[D];北京交通大学;2016年

8 卢伟;基于粒计算的时间序列分析与建模方法研究[D];大连理工大学;2015年

9 王晓晔;时间序列数据挖掘中相似性和趋势预测的研究[D];天津大学;2003年

10 李桂玲;时间序列的分割及不一致发现研究[D];华中科技大学;2012年

相关硕士学位论文 前10条

1 陈健;基于多变量相空间重构的投资组合策略研究[D];华南理工大学;2015年

2 兰鑫;时间序列的复杂网络转换策略研究[D];西南大学;2015年

3 米晓将;区域尺度下月均气温的时空演化格局研究[D];昆明理工大学;2015年

4 张鸣敏;基于支持向量回归的PM_(2.5)浓度预测研究[D];南京信息工程大学;2015年

5 林健;基于改进小世界回声状态网的时间序列预测[D];渤海大学;2015年

6 曹智丽;日气温和干旱指数支持向量回归预测方法[D];南京信息工程大学;2015年

7 高雄飞;基于分形理论的土壤含水量时间序列特性分析[D];长安大学;2015年

8 姚茜;城市安全生产发展目标研究[D];中国地质大学(北京);2015年

9 谢翠颖;苏州社会消费品零售总额简析[D];苏州大学;2015年

10 包仁义;基于时间序列的搜索引擎评估模型算法研究[D];东北师范大学;2015年

，

本文编号：2084508