針對單一模型預(yù)測精度不高的問題,提出了一種新的誘導(dǎo)有序加權(quán)調(diào)和平均（IOWHA）算子和Theil不等系數(shù)相結(jié)合的傳染病組合預(yù)測模型,包括ARIMA季節(jié)模型和灰色模型,并用其先分別對傳染病的發(fā)病率進行預(yù)測,然后用Theil不等系數(shù)與IOWHA算子相結(jié)合的方法對預(yù)測結(jié)果進行組合并求解權(quán)重系數(shù)。實例應(yīng)用表明該組合模型的預(yù)測精度高于單項模型的預(yù)測精度,發(fā)揮了各個模型的優(yōu)勢,也說明了組合算法的有效性。 

【文章來源】：中華醫(yī)學(xué)圖書情報雜志. 2018,27(07)

【文章頁數(shù)】：9 頁

【部分圖文】：

組合模型預(yù)測的基本步驟

MSE=1n∑ni=1(Xi－^Xi)槡2(18)MAE=1n∑ni=1|Xi－^Xi|(19)MAPE=1n∑ni=1|Xi－^XiXi|(20)3．2ARIMA預(yù)測模型的建立與預(yù)測3．2．1數(shù)據(jù)的平穩(wěn)化采用SPSS24．0件構(gòu)建ARIMA預(yù)測模型。首先判斷數(shù)據(jù)序列是否具有季節(jié)性趨勢。根據(jù)序列圖(圖3)可以看出，2005－2014年流行性感冒的月發(fā)病率呈現(xiàn)出比較明顯的季節(jié)成分，周期長度為12個月，而且具有不平穩(wěn)性，存在著一定的上升趨勢。對序列進行平穩(wěn)化處理，經(jīng)過一階季節(jié)差分(D=1)和一階差分(d=1)處理后，得到的新數(shù)據(jù)序列基本穩(wěn)定(圖4)。圖3原始數(shù)據(jù)的序列圖圖4一階季節(jié)差分和一階差分差分處理后的序列圖3．2．2模型識別經(jīng)過一階季節(jié)差分和一階差分處理后，差分序列基本均勻分布在0刻度線上下兩側(cè)，差分序列是平穩(wěn)的，D=1，d=1，因此可建立ARUNA(p，1，q)(P，1，Q)12(圖5)。從月發(fā)病率的自相關(guān)圖(ACF)和偏自相關(guān)圖(PACF)可以看出，q=1，p=0、1或2，Q=0或1，P=0或1，采用BIC信息準則，即BIC值越小，模型精確度越高。各備選模型的正態(tài)化BIC中華醫(yī)學(xué)圖書情報雜志2018年7月第27卷第7期ChinJMedLibrInfSci，Vol．27No．7July，2018·32·

89ARIMA(1，1，1)(0，1，1)12－2．310ARIMA(1，1，1)(0，1，0)12－1．926ARIMA(1，1，1)(1，1，1)12－2．237ARIMA(1，1，1)(1，1，0)12－2．200ARIMA(2，1，1)(0，1，1)12－2．196ARIMA(2，1，1)(0，1，0)12－1．876ARIMA(2，1，1)(1，1，1)12－2．142ARIMA(2，1，1)(1，1，0)12－2．167圖5月發(fā)病率的自相關(guān)圖與偏自相關(guān)圖圖6ARIMA(1，1，1)(0，1，1)12模型擬合效果圖3．2．3模型預(yù)測利用ARIMA(1，1，1)(0，1，1)12模型預(yù)測2015年1－12月河南省流行性感冒的月發(fā)病率情況。模型預(yù)測值與實際值比較如表2所示。從表2中可以看出，實際值均落在預(yù)測值95%的置信區(qū)間內(nèi)，12個月中有7個月的預(yù)測精度都在80%以上，2月、9月、10月的預(yù)測精度在70%多，只有6月、7月的預(yù)測精度在60%多。雖然預(yù)測值的波動情況和實際值相比存在差異，但總體來說，模型的預(yù)測效果較好。表22015年河南省流行性感冒發(fā)病率實際值與ARIMA模型預(yù)測值(1/10萬)項目1月2月3月4月5月6月7月8月9月10月11月12月實際值1．87261．54201．80161．55231．31411．10531．03651．38721．48471．47311．85252．1460預(yù)測值2．08291．86221．97621．71841．57531．44091．37481．56741．78641．83832．07152．4228LCL1．55431．22671．30041．0

【參考文獻】：
期刊論文
[1]基于ARIMA模型預(yù)測梅毒月發(fā)病率的價值[J]. 馬曉梅,徐學(xué)琴,閆國立,施學(xué)忠,劉穎,王瑾瑾,劉曉蕙,裴蘭英.  西安交通大學(xué)學(xué)報(醫(yī)學(xué)版). 2018(01)
[2]乘積季節(jié)模型在軟件老化評估中的應(yīng)用研究[J]. 李焱,高強,王勇,劉欣然.  電子科技大學(xué)學(xué)報. 2017(03)
[3]基于ARIMA和Kalman濾波的道路交通狀態(tài)實時預(yù)測（英文）[J]. Dong-wei XU,Yong-dong WANG,Li-min JIA,Yong QIN,Hong-hui DONG.  Frontiers of Information Technology & Electronic Engineering. 2017(02)
[4]ARIMA乘積季節(jié)模型預(yù)測永嘉縣其他感染性腹瀉的流行[J]. 王金娜,徐若君,黃大錕,葉寒立,陳曉微,胡永衛(wèi),李曉祺,凌鋒.  預(yù)防醫(yī)學(xué). 2017(02)
[5]基于ARIMA模型的傳染病發(fā)展趨勢預(yù)測與分析[J]. 易燕飛,郝藝達,陶鶴,白文強.  科技展望. 2016(04)
[6]利用遺傳算法優(yōu)化的ARIMA-BP組合模型預(yù)測手足口病發(fā)病趨勢[J]. 吳文博,李虹艾,萬鵬程,袁秀琴.  中南醫(yī)學(xué)科學(xué)雜志. 2014(06)
[7]建筑安全事故灰色季節(jié)指數(shù)預(yù)測模型及應(yīng)用[J]. 胡鷹,葉義成,李丹青,胡倩,劉濤.  中國安全科學(xué)學(xué)報. 2014(04)
[8]改進IOWHA算子組合預(yù)測模型[J]. 李松,李妍,王柳.  計算機工程與應(yīng)用. 2015(03)
[9]支持向量機在傳染病發(fā)病率預(yù)測中的應(yīng)用[J]. 解合川,任欽,曾海燕,張興裕,李曉松.  現(xiàn)代預(yù)防醫(yī)學(xué). 2013(22)
[10]組合模型在傳染病預(yù)測中的應(yīng)用研究[J]. 蔡海洋,吳慶輝,呂精巧.  計算機仿真. 2012(04)



本文編號：3146423