ARIMA模型在上海市猩红热发病率预测中的应用
孔德川1 , 潘浩1 , 郑雅旭1,* , 姜晨彦1 , 吴寰宇1 , 陈健1
1.上海市疾病预防控制中心传染病防治所,上海 200336; 2.复旦大学公共卫生学院,上海 200032
Application of ARIMA model to predicting the incidence rate of scarlet fever in Shanghai
KONG De-chuan1 , PAN Hao1 , ZHENG Ya-xu1,* , JIANG Chen-yan1 , WU Huan-yu1 , CHEN Jian1
1. Shanghai Center for Disease Control and Prevention, Shanghai 200336, China; 2. School of Public Health, Fudan University, Shanghai 200032, China
摘要 目的 探讨差分自回归移动平均(autoregressive integrated moving average,ARIMA)模型在上海市猩红热月发病率预测的应用。方法 利用ARIMA时间序列模型拟合2004年1月—2017年6月上海市猩红热的月发病率资料,并利用最优模型对2017年7—12月猩红热的月发病率进行预测。结果 最终拟合ARIMA(1,1,0)(0,1,1)12 模型,其标准化贝叶斯信息准则值(Bayesian information criterion,BIC)(-2.247)最小,残差经Ljung-Box Q(18)检验为白噪声序列,预测值与实际值基本吻合,相对误差在0.35%~16.74%的范围内。结论 ARIMA模型用于上海市猩红热月发病率的短期预测,可应用于定量风险评估等猩红热疫情的预警预测。
关键词 :
猩红热 ,
ARIMA模型 ,
时间序列分析 ,
预测
Abstract :Objective To explore the application of autoregressive integrated moving average (ARIMA) model to forecasting the monthly incidence rate of scarlet fever in Shanghai. Methods The ARIMA model was used to fit the monthly incidence rates of scarlet fever in Shanghai from January 2004 to June 2017, and the optimal model was used to predict the monthly incidence rates of scarlet fever in July-December 2017. Results ARIMA (1,1,0)(0,1,1)12 was the optimal model, and the standardized Bayesian information criterion value was the smallest (-2.247). The residual was white noise sequence tested by Ljung box Q (18). The predicted value was basically consistent with the actual value, and the relative error was in the range of 0.35%-16.74%. Conclusions The ARIMA model can be used for short-term prediction of the incidence rate of scarlet fever in Shanghai, and can be applied to early warning prediction of scarlet fever epidemics, such as quantitative risk assessment.
Key words :
scarlet fever
ARIMA model
time series analysis
prediction
收稿日期: 2019-11-28
基金资助: 上海市卫生计生委科研课题青年项目(20174Y0128);上海市疾病预防控制中心“青耕计划”(2020-5)
通讯作者:
吴寰宇,E-mail:Wuhuanyu@scdc.sh.cn;陈健,E-mail:chenjian@scdc.sh.cn。孔德川和潘浩为共同第一作者。
引用本文:
孔德川, 潘浩, 郑雅旭, 姜晨彦, 吴寰宇, 陈健. ARIMA模型在上海市猩红热发病率预测中的应用[J]. 实用预防医学, 2020, 27(8): 1011-1013.
KONG De-chuan, PAN Hao, ZHENG Ya-xu, JIANG Chen-yan, WU Huan-yu, CHEN Jian. Application of ARIMA model to predicting the incidence rate of scarlet fever in Shanghai. , 2020, 27(8): 1011-1013.
链接本文:
https://www.syyfyx.com/CN/10.3969/j.issn.1006-3110.2020.08.034 或 https://www.syyfyx.com/CN/Y2020/V27/I8/1011
[1] 孔德川, 陈健, 王晔, 等. 2005—2015年上海市猩红热流行病学特征分析[J]. 疾病监测, 2017,32(5):394-398. [2] Liu Y, Chan TC, Yap LW, et al. Resurgence of scarlet fever in China: a 13-year population-based surveillance study[J]. Lancet Infect Dis, 2018,18(8):903-912. [3] Zhang X, Liu YC. The resurgence of scarlet fever in China[J]. Lancet Infect Dis, 2018,18(8):823-824. [4] 张琪, 刘文东, 吴莹, 等. SARIMA模型在猩红热疫情趋势预测中的应用[J]. 江苏预防医学, 2017,28(6):655-658. [5] 李欣欣. 北京市大兴区猩红热发病预测ARIMA模型的构建与应用[C]. 北京:首都医科大学公共卫生学院第五届学术年会论文集, 2013:192-198. [6] 林健燕, 郭泽强. ARIMA模型预测南宁市猩红热发病趋势[J]. 预防医学情报杂志, 2012,28(3):191-193. [7] 张学敏, 营亮, 李海朋. 基于R语言的ARIMA模型在猩红热分析预测中的应用[J]. 江苏预防医学, 2017,28(3):294-295. [8] 罗静雯, 刘元元, 李晓松. 基于X11-ARIMA方法的猩红热季节波动分析及短期预测[J]. 现代预防医学, 2010,37(20):3816-3818. [9] 赵梦娇, 于秋燕, 赵小冬, 等. ARIMA季节乘积模型预测济南市猩红热发病趋势[J]. 疾病监测, 2016,31(5):411-415. [10] 宁少奇, 陈飒, 曹磊, 等. 陕西省2010—2016年猩红热流行特征分析及趋势预测[J]. 中华疾病控制杂志, 2018,22(6):585-589. [11] 陆波, 闵思韬, 闵红星, 等. 应用ARIMA模型预测麻疹发病率的可行性研究[J]. 中国卫生统计, 2015,32(1):106-107. [12] 杨其松, 朱蒙曼, 张天琛, 等. ARIMA模型在宜春市肾综合征出血热发病率预测中的应用[J]. 中国卫生统计, 2018,35(5):713-715. [13] 宋媛媛, 王雷, 熊甜, 等. ARIMA模型与GM(1,1)模型在痢疾发病数预测中的比较研究[J].实用预防医学, 2019,26(7):888-892. [14] Tse H, Bao JY, Davies MR, et al. Molecular characterization of the 2011 Hong Kong scarlet fever outbreak[J]. J Infect Dis, 2012,206(3):341-351. [15] Lee CF, Cowling BJ, Lau E. Epidemiology of reemerging scarlet fever, Hong Kong, 2005-2015[J]. Emerg Infect Dis, 2017,23(10):1707-1710. [16] 孔德川, 潘浩, 郑雅旭, 等. 指数平滑模型在上海市猩红热发病率预测中的应用[J]. 疾病监测,2019,34(10):932-936.
[1]
曹丽幸, 杨永俊, 冯秋霞, 包杰. 子宫内膜容受性相关调控因子IL-6、PP14、Gal-3对冻融胚胎移植妊娠结局的预测价值 [J]. 实用预防医学, 2024, 31(4): 419-422.
[2]
郑细良, 张亮, 方治军, 孙智宏. 2017—2022年北京市大兴区人民医院创伤性脑损伤流行病学特征及早期死亡的预测因素 [J]. 实用预防医学, 2024, 31(4): 471-474.
[3]
马晓江, 周然, 邹显东, 董辉, 曾娟, 宋杏. 三种模型对河北省流行性腮腺炎发病趋势分析与预测 [J]. 实用预防医学, 2024, 31(4): 501-505.
[4]
肖珊, 陈建勇, 彭莱, 林斌, 徐明忠. 自回归积分移动平均模型在长沙市白纹伊蚊密度预测中的应用 [J]. 实用预防医学, 2024, 31(4): 506-510.
[5]
陈碧莹, 沈耀红, 黄玉萍, 臧亚勤, 陈苗苗. 儿童反复呼吸道感染的影响因素分析及其预测模型构建与验证 [J]. 实用预防医学, 2024, 31(3): 265-269.
[6]
仇恒英, 张卫文, 张洁, 王永伟, 刘继艳, 王喜. 2012—2022年河南省开封市猩红热发病空间特征分析 [J]. 实用预防医学, 2024, 31(3): 270-273.
[7]
王炜琦, 单莉. 孕妇超声S/D值联合血清HIF-1α、EPO对胎儿宫内窘迫的诊断价值研究 [J]. 实用预防医学, 2024, 31(3): 356-359.
[8]
陈洁点, 丁丹丹. 牙周病发病危险因素分析及列线图预测模型的构建 [J]. 实用预防医学, 2024, 31(2): 185-188.
[9]
白旭芳, 陈鑫华, 余宏杰. 新冠病毒mRNA疫苗第二剂次加强免疫对奥密克戎变异株BA.1、BA.2、BA.5和BQ.1.1的保护效力预测 [J]. 实用预防医学, 2023, 30(9): 1025-1031.
[10]
张磊, 朱丹, 张桂娟, 李云峰. 1 096例60岁以上慢性心衰患者认知功能减低现状及影响因素分析 [J]. 实用预防医学, 2023, 30(9): 1101-1104.
[11]
张文军, 雷立健. 2019—2020年阳泉市大气PM2.5 污染与居民心血管疾病死亡效应的时间序列分析 [J]. 实用预防医学, 2023, 30(8): 908-912.
[12]
詹丽霞, 蔡文艳, 陈智凤, 覃荷. 北海市流动儿童免疫规划疫苗接种率影响因素模型构建及分析 [J]. 实用预防医学, 2023, 30(7): 861-864.
[13]
胡宁宁, 李婉君, 杨静, 李玉凤, 王仁媛, 林素兰. 学龄前儿童超重肥胖列线图预测模型的构建 [J]. 实用预防医学, 2023, 30(5): 576-580.
[14]
连娟琦, 郑霞, 陈代娣. 187例肺癌术后患者肺部并发症预测研究 [J]. 实用预防医学, 2023, 30(4): 470-473.
[15]
刘相君, 武小蓓. 西安地区消化道肿瘤高危人群定期内镜随访筛查遵医行为情况及相关因素分析 [J]. 实用预防医学, 2023, 30(4): 500-503.