检索结果-内蒙古大学图书馆

环境与职业医学 2012年第9期29卷 539-542页

作者：喻彦侯心一苏慧佳任宏上海市疾病预防控制中心伤害防治科上海200336 上海市公安局交通警察大队事故防范科上海200070 上海市疾病预防控制中心急性传染病防治科上海200336

[目的]探讨季节性差分自回归滑动平均(SARIMA)模型预测道路交通伤害的可行性,为掌握上海市交通伤害趋势提供依据。[方法]利用EVIEWS软件对2000—2009年上海市道路交通伤害死亡的季度数据进行SARIMA模型拟合,并利用2010年数据对预测数据... 详细信息

[目的]探讨季节性差分自回归滑动平均(SARIMA)模型预测道路交通伤害的可行性,为掌握上海市交通伤害趋势提供依据。[方法]利用EVIEWS软件对2000—2009年上海市道路交通伤害死亡的季度数据进行SARIMA模型拟合,并利用2010年数据对预测数据进行验证。[结果]上海市道路交通死亡具有明显的季节要素,趋势要素呈逐步下降趋势;对原始图形识别后,综合考察几种模型拟合优劣,最终采用SARIMA(2,1,0)(0,1,1)4,其能很好地拟合上海市道路交通伤害死亡情况。2010年4个季度死亡率预测值分别为1.49/105、1.74/105、1.93/105和2.06/105,实际值均在预测区间内,残差也显示为白噪声序列。预测结果较好。[结论]SARIMA模型是一种能较好地预测道路交通伤害趋势的工具,可为预防与控制道路交通伤害提供决策依据。

关键词：道路交通伤害季节性差分自回归滑动平均模型季节性时间序列

来源：评论

学校读者我要写书评

暂无评论

2010-2018年河南省南阳市手足口病季节性差分自回归滑动平均模型预测

引用

疾病监测 2021年第7期36卷 702-707页

作者：彭阳卢千超南阳市疾病预防控制中心河南南阳473002

目的应用时间序列分析构建河南省南阳市手足口病发病预测模型,为制定防控策略提供科学依据。方法收集2010—2018年河南省南阳市手足口病月发病数据建立时间序列,应用专家建模器构建季节性差分自回归滑动平均(SARIMA)模型,对2019年发病... 详细信息

目的应用时间序列分析构建河南省南阳市手足口病发病预测模型,为制定防控策略提供科学依据。方法收集2010—2018年河南省南阳市手足口病月发病数据建立时间序列,应用专家建模器构建季节性差分自回归滑动平均(SARIMA)模型,对2019年发病情况进行预测,并与实际值进行比较。结果2010—2018年南阳市手足口病月发病率呈明显季节性,专家建模器构建结果显示,ARIMA(2,0,0)(0,1,1)12为最优模型,平稳R^(2)为0.827,RMSE为2.240,MAE为1.207,BIC为1.755。模型对2019年发病情况预测结果显示,预测值与实测值整体变化趋势一致,相对误差绝对值最小为0.01,最大为-6.14。结论SARIMA模型能够较好地拟合南阳市手足口病发病情况,并预测未来发病趋势,为防控工作提供理论依据。

关键词：手足口病时间序列分析季节性差分自回归滑动平均模型

来源：评论

学校读者我要写书评

暂无评论

LSTM、SARIMA和SARIMAX模型预测手足口病发病率的效果比较

引用

预防医学 2025年第3期37卷 280-283,287页

作者：张小乔张筱碟赵振希谢鹏留代敏昆明市疾病预防控制中心云南昆明650000

目的比较季节性差分自回归滑动平均(SARIMA)、含外生变量的季节性差分自回归滑动平均(SARIMAX)、长短期记忆神经网络(LSTM)模型预测手足口病发病率的效果。方法收集2010—2019年昆明市手足口病月发病率资料,采用2010—2018年手足口病月... 详细信息

目的比较季节性差分自回归滑动平均(SARIMA)、含外生变量的季节性差分自回归滑动平均(SARIMAX)、长短期记忆神经网络(LSTM)模型预测手足口病发病率的效果。方法收集2010—2019年昆明市手足口病月发病率资料,采用2010—2018年手足口病月发病率分别建立SARIMA、SARIMAX和LSTM模型,预测2019年1—12月手足口病月发病率;采用均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)比较3种模型预测效果,根据MSE、RMSE、MAE和MAPE最小原则选择最优预测模型。结果2010—2019年昆明市各月均有手足口病病例报告,发病率在188.27/10万~363.15/10万之间波动,发病呈隔年高发双峰分布。LSTM模型在训练集和测试集中的4项评价指标较小,MSE分别为63.182和102.745,RMSE分别为7.949和10.136,MAE分别为6.535和7.620,MAPE分别为46.726%和31.138%,预测效果较好;其次为SARIMA模型;SARIMAX模型的预测效果相对较差。结论LSTM模型预测手足口病发病率的效果优于SARIMA和SARIMAX模型。

关键词：手足口病发病率季节性差分自回归滑动平均模型含外生变量的季节性差分自回归滑动平均模型长短期记忆神经网络模型预测

来源：评论

学校读者我要写书评

暂无评论

SARIMA模型在大连市梅毒发病预测中的应用

引用

公共卫生与预防医学 2025年第3期36卷 60-63页

作者：孙巍白金剑安庆玉熊帮洁郭俐男吴隽大连市疾病预防控制中心辽宁大连116035 不详

目的探讨季节性差分自回归滑动平均模型(SARIMA)在大连市梅毒发病预测中的应用,为该市梅毒防控提供参考依据。方法应用SPSS 25.0软件对大连市2010—2019年梅毒月报告监测数建立SARIMA模型,用该模型对2020年1~12月梅毒发病数进行预测,... 详细信息

目的探讨季节性差分自回归滑动平均模型(SARIMA)在大连市梅毒发病预测中的应用,为该市梅毒防控提供参考依据。方法应用SPSS 25.0软件对大连市2010—2019年梅毒月报告监测数建立SARIMA模型,用该模型对2020年1~12月梅毒发病数进行预测,并与实际报告数进行比较,以评价模型预测结果。结果 SARIMA(2,1,0)×(0,1,1)_(12)为最优预测模型(P<0.001),统计量遵循贝叶斯信息准则(BIC)值最小原则,白噪声检验Liung-Box统计量差异均无统计学意义,残差为白噪声序列,以此模型预测的2020年各月发病数与实际发病数比较,平均绝对百分比例误差MAPE=8.93%,模型预测效果较好。结论 SARIMA(2,1,0)×(0,1,1)_(12)模型能较好拟合大连市梅毒发病情况,可用于大连市梅毒发病数的预测。

关键词：梅毒季节性差分自回归滑动平均模型预测

来源：评论

学校读者我要写书评

暂无评论

陕西省结核病发病率时间变化趋势分析

引用

中华预防医学杂志 2024年第11期58卷 1659-1664页

作者：吕恒梁张宏伟陈辉柳希昊张雪莉张馨白峻竹游姝萌徐元勇张文义中国医科大学公共卫生学院流行病学教研室沈阳110000 陕西省结核病防治研究所结核病防治科西安710048 中国人民解放军疾病预防控制中心疾病监测科北京100071 中国人民解放军空军军医大学军事预防医学系西安710000 长春中医药大学临床医学院长春130000

目的分析陕西省结核病发病率时间变化趋势, 为卫生组织有效控制结核病流行提供参考依据。方法使用Joinpoint回归分析陕西省2004—2022年结核病发病率变化趋势, 并采用季节性差分自回归滑动平均模型预测陕西省到2030年结核病的发病率。... 详细信息

目的分析陕西省结核病发病率时间变化趋势, 为卫生组织有效控制结核病流行提供参考依据。方法使用Joinpoint回归分析陕西省2004—2022年结核病发病率变化趋势, 并采用季节性差分自回归滑动平均模型预测陕西省到2030年结核病的发病率。结果陕西省结核病发病率从2004年的90.896/10万降低至2022年的35.364/10万, 总体呈下降趋势(AAPC=-7.72%, P<0.001), 2014—2019年, 降低趋势减缓(APC=-0.69%, P=0.814), 其中, 降幅最大发生在2019—2022年(APC=-13.26%, P=0.010)。陕西省2020—2022年结核病预测发病率均高于报告发病情况, 预测2022年发病率为51.342/10万, 2030年为43.468/10万。结论陕西省2004—2022年结核病发病率呈下降趋势, 但近年来降幅减小, 预测到2030年下降趋势将持续减缓。

关键词：结核病季节性差分自回归滑动平均模型监测陕西省

来源：评论

学校读者我要写书评

暂无评论

基于年均小时交通量的卡车荷载预测模型及其对桥梁疲劳损伤影响

引用

重庆大学学报 2021年第10期44卷 117-129页

作者：刘浪杨洪叶仲韬重庆交通大学省部共建山区桥梁及隧道工程国家重点实验室重庆400074 重庆交通大学土木工程学院重庆400074 中铁大桥科学研究院有限公司武汉430034 桥梁结构健康与安全国家重点实验室武汉430034

车辆实测数据表明,车辆荷载存在明显递增趋势。利用中国安徽省某桥梁长期健康监测数据,定义年平均小时交通量(AAHT)来考虑交通量的周期性和季节性变化,并据此建立季节性差分自回归移动平均模型(SARIMA)模型对未来交通荷载进行预测。同时... 详细信息

车辆实测数据表明,车辆荷载存在明显递增趋势。利用中国安徽省某桥梁长期健康监测数据,定义年平均小时交通量(AAHT)来考虑交通量的周期性和季节性变化,并据此建立季节性差分自回归移动平均模型(SARIMA)模型对未来交通荷载进行预测。同时,基于实测卡车数据的关键参数统计结果,建立多种类型的卡车荷载模型,逐一加载到某T梁桥有限元模型上,研究卡车荷载的非平稳增长对结构疲劳损伤的影响。结果表明,基于AAHT的季节性差分自回归移动平均模型能够准确预测车辆荷载,且车辆的非平稳增长对桥梁疲劳损伤影响显著,考虑车辆荷载非平稳增长时桥梁的疲劳损伤度约为不考虑车辆非平稳增长时的1.7倍。

关键词：年平均每小时交通量季节性差分自回归滑动平均模型车辆荷载预测疲劳损伤

来源：评论

学校读者我要写书评

暂无评论

2011-2021年湖北省武汉市乙型肝炎流行特征分析及发病预测

引用

疾病监测 2023年第11期38卷 1351-1356页

作者：王田田陈邦华吴晓旻蔡黎武汉市东西湖区疾病预防控制中心湖北武汉430040 武汉现场流行病学培训项目湖北武汉430024 武汉市疾病预防控制中心湖北武汉430024

目的分析湖北省武汉市2011—2021年乙型肝炎(乙肝)的流行病学特征,探讨季节性差分自回归滑动平均(SARIMA)模型与长短期记忆神经网络(LSTM)模型在乙肝发病预测中的应用。方法通过描述性流行病学方法分析武汉市2011—2021年乙肝流行特征;... 详细信息

目的分析湖北省武汉市2011—2021年乙型肝炎(乙肝)的流行病学特征,探讨季节性差分自回归滑动平均(SARIMA)模型与长短期记忆神经网络(LSTM)模型在乙肝发病预测中的应用。方法通过描述性流行病学方法分析武汉市2011—2021年乙肝流行特征;建立SARIMA模型和LSTM模型,对武汉市乙肝月报告发病数进行拟合与预测,并评价两种模型的效果。结果2011—2021年武汉市报告乙肝累计发病数为55115例,年均报告发病率为47.37/10万;无明显季节性发病高峰;发病年龄主要集中在30~59岁人群,占比为60.90%;发病人群以家务及待业、不详、农民为主;男、女性别比为2.17∶1,男、女性乙肝年均报告发病率分别为62.64/10万、30.99/10万;中心城区年均报告发病率为44.93/10万,低于远城区的50.96/10万。SARIMA模型、LSTM模型的均方根误差分别为43.24、16.55,平均绝对百分比误差分别为7.60%、3.05%。结论武汉市成年人乙肝防控工作不容忽视,应加强老年人、青年男性等重点人群的乙肝监测、疫苗接种和宣传教育等综合防控工作。建立的LSTM模型拟合和预测效果总体上优于SARIMA模型。

关键词：乙型肝炎流行特征季节性差分自回归滑动平均模型长短期记忆神经网络模型预测

来源：评论

学校读者我要写书评

暂无评论

基于混合模型的国际原油价格预测研究

引用

北京理工大学学报（社会科学版） 2019年第1期21卷 59-64页

作者：张金良李德智谭忠富华北电力大学经济与管理学院北京102206 中国电力科学研究院有限公司用电与能效研究所北京100192

由于国际原油价格的剧烈波动,使得准确的原油价格预测极具挑战。为此,提出一种基于变分模态分解、季节性差分自回归滑动平均模型和果蝇优化最小二乘支持向量机的混合模型。利用变分模态分解方法将国际原油价格序列分解成一系列模态分量... 详细信息

由于国际原油价格的剧烈波动,使得准确的原油价格预测极具挑战。为此,提出一种基于变分模态分解、季节性差分自回归滑动平均模型和果蝇优化最小二乘支持向量机的混合模型。利用变分模态分解方法将国际原油价格序列分解成一系列模态分量;针对周期性和非线性特征分量,分别建立季节性差分自回归滑动平均模型和果蝇优化最小二乘支持向量机模型进行预测;将各分量的预测值求和作为最终的预测结果。实证研究结果表明:所提混合模型相较对比模型能够明显提高国际原油价格的预测精度。

关键词：原油价格预测变分模态分解季节性差分自回归滑动平均模型最小二乘支持向量机

来源：评论

学校读者我要写书评

暂无评论

基于深度学习模型的多元时间序列的建模与预测

基于深度学习模型的多元时间序列的建模与预测

引用

作者：孙晓磊沈阳工业大学

学位级别：硕士

随着时代的进步,人工智能技术正在不断发展和完善。在日常生活中人们可以收集到的时间序列数据不断增长,而对收集到的时间序列数据进行准确的预测有积极重要的作用。准确的预测结果不仅可以探索观察到的时间序列中潜在的关系,还可以帮... 详细信息

随着时代的进步,人工智能技术正在不断发展和完善。在日常生活中人们可以收集到的时间序列数据不断增长,而对收集到的时间序列数据进行准确的预测有积极重要的作用。准确的预测结果不仅可以探索观察到的时间序列中潜在的关系,还可以帮助管理者进行分析和决策。但是由于系统的复杂,现实中收集到的时间序列大多都是多元的,数据内部的特征是复杂的,所以对多元时间序列进行准确的预测渐渐成为了难题。为此本文提出了变分模态分解（Variational Mode Decomposition,VMD）结合季节性差分自回归滑动平均模型（Seasonal Autoregressive Integrated Moving Average Model,SARIMA）和遗传算法（Genetic Algorithms,GA）优化时间卷积网络（Temporal Convolutional Network,TCN）的组合预测模型（SARIMA-VMD-GA-TCN模型）。该组合预测模型旨在降低时间序列的复杂度,提高对多元时间序列的预测精度。由于收集到的时间序列具有周期性、非平稳性和波动性等特点,所以在模型中加入了VMD进行序列分解,减少时间序列的波动性,降低存在的噪声,突出局部特征,解决了时间序列难以预测的问题。SARIMA是经典的预测模型,可以很好的探索多元时间序列中线性关系。利用GA对TCN的参数（卷积核的数量、卷积核的大小、一次训练所选的样本数量、学习率）进行寻优,用优化过后的卷积网络对残差进行预测,最终将两次的预测结果相加,得到最终的预测结果。本文选取两组不同数量、不同时间间隔的空气质量指数数据集和一组上海股市数据集对提出的组合预测模型进行验证,将所提模型与9种对比模型进行对比。采用评价指标均方根误差（Root Mean Squared Error,RMSE）、平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）、平均绝对误差（Mean Absolute Error,MAE）、对称平均绝对百分比误差（Symmetric Mean Absolute Percentage Error,SMAPE）、R2和皮尔逊相关系数（Pearson Correlation Coefficient,PCC）对预测结果进行衡量。通过预测结果的误差图、泰勒图、预测结果和真实值的散点图来评价预测精度。仿真实验结果表明,本文所提出的组合能很好的发现多元时间序列中复杂的内部特征,相较于单一的预测模型,误差较小,可以对下一段时间内的序列变化做出准确的预测。

关键词：时间卷积网络变分模态分解遗传算法季节性差分自回归滑动平均模型组合预测模型

来源：评论

学校读者我要写书评

暂无评论

基于机器学习的基站小区流量预测方法研究

基于机器学习的基站小区流量预测方法研究

引用

作者：黄锦北京邮电大学

学位级别：硕士

当前无线通信基站建设规模不断扩大,无线通信技术在不断更新换代,国内的通信设备商和运营商致力于海内外无线通信网络的建设。4G无线通信网络面临着网络结构复杂化、业务多样化、用户需求迅速增长等问题。对于无线网络需求增速快的地区... 详细信息

当前无线通信基站建设规模不断扩大,无线通信技术在不断更新换代,国内的通信设备商和运营商致力于海内外无线通信网络的建设。4G无线通信网络面临着网络结构复杂化、业务多样化、用户需求迅速增长等问题。对于无线网络需求增速快的地区,需要尽快扩容保障服务质量。其中流量的使用情况和各基站的负载能够最直接切实反映用户对无线网络的需求。设备商通常会通过预测基站未来一段时间的流量大小来决定是否要扩容。而对于一些新增的基站,历史运行时间较短,因此如何使用较短的流量时间序列来预测未来较长一段时间的流量成为通信运营商迫切需要解决的问题。本文研究了基于机器学习的基站小区流量预测方法。本文的流量预测方法基于某通讯公司提供的一批基站数据,使用最多六个月的历史流量数据来预测基站未来一个月的流量。这是一个长期流量预测问题。本文研究流量预测的三种模型:季节性差分自回归滑动平均模型,BP-Adaboost模型,宽度-深度神经网络模型。季节性差分自回归滑动平均模型是一种基于统计假设检验的时间序列预测模型,本文针对该模型阶数的确定提出一种基于网格搜索的预测误差最小化定阶方法,在网络流量的长期预测问题上得到验证。BP-Adaboost模型以BP神经网络为弱预测器,结合Adaboost组合成强预测器以实现众中择优,相比传统的ARIMA模型和BP神经网络预测方法提高了预测准确率。宽度-深度神经网络模型将人工选择的特征和通过深度神经网络自动学到的时间序列特征相结合,预测准确率优于传统的神经网络预测方法。基于以上方法,设计与实现了基站流量预测平台。该平台提供给基站的运营人员使用,包含数据可视化分析、离线模型训练、在线流量预测、数据管理等功能。

关键词：无线流量预测季节性差分自回归滑动平均模型 BP-Adaboost模型宽度-深度神经网络

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：