您的位置:山东大学 -> 科技期刊社 -> 《山东大学学报(医学版)》

山东大学学报(医学版) ›› 2016, Vol. 54 ›› Issue (9): 82-86.doi: 10.6040/j.issn.1671-7554.0.2015.1163

• • 上一篇    下一篇

SARIMA模型在流行性腮腺炎发病预测中的应用

李润滋1,章涛1,梁玉民2,罗成1,蒋正1,薛付忠1,刘言训1,刘静1,李秀君1   

  1. 1. 山东大学公共卫生学院生物统计学系, 山东 济南 250012;2. 济宁市疾病预防控制中心, 山东 济宁 272000
  • 收稿日期:2015-11-24 出版日期:2016-09-10 发布日期:2016-09-10
  • 通讯作者: 李秀君. E-mail:xjli@sdu.edu.cn E-mail:xjli@sdu.edu.cn
  • 基金资助:
    山东省科技发展计划(2014GGH218019);病原微生物生物安全国家重点实验室开放课题(SKLPBS1453)

Application of SARIMA model in predicting the incidence of mumps

LI Runzi1, ZHANG Tao1, LIANG Yumin 2, LUO Cheng1, JIANG Zheng1, XUE Fuzhong1, LIU Yanxun1, LIU Jing1, LI Xiujun1   

  1. 1. Department of Biostatistics, School of Public Health, Shandong University, Jinan 250012, Shandong, China;
    2. Center for Disease Control and Prevention of Jining City, Jining 272000, Shandong, China
  • Received:2015-11-24 Online:2016-09-10 Published:2016-09-10

摘要: 目的 利用SARIMA模型预测未来山东省济宁市流行性腮腺炎发病情况,为流行性腮腺炎防控提供决策依据。 方法 收集山东省济宁市2009年1月至2013年7月流行性腮腺炎月发病数据资料,利用时间序列分析方法,构建SARIMA模型,并对2013年8月至12月的发病数资料进行预测。 结果 济宁市2009至2013年共报告流行性腮腺炎病例数8 520例,且发病具有明显的周期性和季节性特征。最终建立的最优模型为SARIMA(0,1,1)(0,1,1)12,赤池信息准则(AIC)为74.45,且通过了统计学检验,模型残差为白噪声。实际月发病数与拟合月发病数进行相关性分析结果显示为显著性相关(r=0.75,P<0.000 1)。对2013年8月至12月发病数进行预测,均在95%置信区间内,且与实际发病数变动的趋势一致,验证了模型合理性。 结论 SARIMA模型能较好地拟合济宁市流行性腮腺炎月发病数动态变化,可用于流行性腮腺炎的短期预测。

关键词: 预测, 时间序列分析, 季节性差分自回归移动平均模型, 流行性腮腺炎

Abstract: Objective To predict the incidence of mumps with autoregressive integrated moving average(SARIMA)model so as to provide scientific guidance for its prevention and control. Methods Time-series data of monthly mumps cases from Jan. 2009 to July 2013 were analyzed using SARIMA model and predictive model was established to predict the incidence from August to December 2013. Results From 2009 to 2013, a total of 8,520 cases of mumps were reported in Jining City. Eventually the optimal model of SARIMA(0,1,1)(0,1,1)12 was established, and the information criterion(AIC)was 74.45. Parameters estimated were statistically significant, and residuals were white noise sequence. Monthly mumps cases from January 2009 to July 2013 were used for model fitting and the monthly mumps cases from Aug. to Dec. 2013 predicted by the optimal model were within the 95% confidence interval, and were consistent with the trend of the actual incidence, which demonstrated the rationality of the model. Correlation between actual case number and fitted case number was statistically significant(r=0.75, P<0.000 1). Conclusion SARIMA model can fit the incidence of dynamic change of mumps, and can be used to make short-term prediction and to provide scientific evidence for the prevention and control of mumps.

Key words: Time series analysis, Seasonal autoregressive integrated moving average model, Prediction, Mumps

中图分类号: 

  • R181.25
[1] Dayan GH, Quinlisk MP, Parker AA, et al. Recent resurgence of mumps in the United States[J]. N Engl J Med, 2008, 358(15):1580-1589.
[2] Galazka AM, Robertson SE, Kraigher A. Mumps and mumps vaccine: a global review[J]. Bull World Health Organ, 1999, 77(1):3-14.
[3] Mumps virus vaccines[J]. Wkly Epidemiol Rec, 2007, 82(7):51-60.
[4] Hviid A, Rubin S, Muhlemann K. Mumps[J]. Lancet, 2008, 371(9616):932-944.
[5] Yang Q, Yang Z, Ding H, et al. The relationship between meteorological factors and mumps incidence in Guangzhou, China, 2005-2012[J]. Hum Vaccin Immunother, 2014, 10(8):2421-2432.
[6] Fu CX, Nie J, Liang JH, et al. Evaluation of live attenuated S79 mumps vaccine effectiveness in mumps outbreaks: a matched case-control study[J]. Chin Med J(Engl), 2009, 122(3):307-310.
[7] 彭志行, 陶红, 贾成梅, 等. 时间序列分析在麻疹疫情预测预警中的应用研究[J]. 中国卫生统计, 2010, 27(5):459-463. PENG Zhihang, TAO Hong, JIA Chengmei, et al. Application of time series analysis in the prediction of measles incidence[J]. Chinese Journal of Health Statistics, 2010, 27(5):459-463.
[8] Moosazadeh M, Nasehi M, Bahrampour A, et al. Forecasting tuberculosis incidence in Iran using box-jenkins models[J]. Iran Red Crescent Med J, 2014, 16(5): e11779. doi:10.5812/ircmj.11779
[9] Martinez EZ, Silva EA. Predicting the number of cases of dengue infection in Ribeirao Preto, Sao Paulo State, Brazil, using a SARIMA model[J]. Cad Saude Publica, 2011, 27(9):1809-1818.
[10] 金如锋, 邱宏, 周霞, 等. ARIMA模型和GM(1,1)模型预测全国3种肠道传染病发病率[J]. 复旦学报(医学版), 2008, 35(5):675-680. JIN Rufeng, QIU Hong, ZHOU Xia, et al. Forecasting incidence of three intestinal infectious diseases in China with ARIMA model and GM(1,1)model[J]. Fudan University Journal of Medical Sciences, 2008, 35(5):675-680.
[11] 马亮亮, 田富鹏. 不同时间序列分析方法在高血压发病率预测中的比较[J]. 中国老年学杂志, 2010, 30(13):1777-1780. MA Liangliang, TIAN Fupeng. Application of time series analysis in the prediction of hypertension incidence[J]. Chinese Journal of Gerontology, 2010, 30(13):1777-1780.
[12] 李秀君, 康殿民, 曹杰, 等. 时间序列模型在肾综合征出血热发病率预测中的应用[J]. 山东大学学报(医学版), 2008, 46(5):547-549. LI Xiujun, KANG Dianmin, CAO Jie, et al. Application of time series analysis in the prediction of hemorrhagic fever of renal syndrome incidence[J]. Journal of Shandong University(Health Science), 2008, 46(5):547-549.
[13] 许阳婷. ARIMA模型在流行性腮腺炎发病率预测中的应用[J]. 华南预防医学, 2015, 41(3):255-259. XU Yangting. Application of time series analysis in the prediction of mumps incidence[J]. South China Journal of Preventive Medicine, 2015, 41(3):255-259.
[14] Liu L, Luan RS, Yin F, et al. Predicting the incidence of hand, foot and mouth disease in Sichuan province, China using the ARIMA model[J]. Epidemiol Infect, 2016, 144(1):144-151.
[15] 赛晓勇, 张治英, 徐德忠, 等. 不同时间序列分析法在洞庭湖区血吸虫病发病预测中的比较[J]. 中华流行病学杂志, 2004, 25(10):40-43. SAI Xiaoyong, ZHANG Zhiying, XU Dezhong, et al. Different time series analysis method on the prediction of schistosomiasis in Dongting Lake regions[J]. Chinese Journal of Epidemiology, 2004, 25(10):40-43.
[16] Kane MJ, Price N, Scotch M, et al. Comparison of ARIMA and Random Forest time series models for prediction of avian influenza H5N1 outbreaks[J]. BMC Bioinformatics, 2014, 15(1):276. doi:10.1186/1471-2105-15-276.
[1] 刘晓迪,马洁,修璟威,崔庆霞,李望晨,王在翔. 乘积季节模型在我国肺结核疫情预测中的应用[J]. 山东大学学报(医学版), 2018, 56(9): 71-76.
[2] 张丹丹,王旭,许勤勤,郑兆磊,王珮竹,李吉庆,刘静,许青,李秀君. 菏泽市与威海市气温对流行性腮腺炎发病的影响[J]. 山东大学学报(医学版), 2018, 56(8): 88-94.
[3] 马洁,田野,黄璐,孟维静,王素珍,石福艳. ARIMA乘积季节模型与广义回归神经网络模型在布鲁菌病发病预测的比较[J]. 山东大学学报(医学版), 2018, 56(6): 76-82.
[4] 崔亮亮,张萌,于坤坤,姜超,阮师漫. 济南市大气重点污染物对居民应急呼叫事件的急性影响[J]. 《山东大学学报(医学版)》, 2018, 56(11): 34-41.
[5] 刘晓利,刘芳盈,孟超,李平,张殿平,殷茂荣,翟慎永. 淄博市大气污染物浓度与急救人次关联的时间序列分析[J]. 《山东大学学报(医学版)》, 2018, 56(11): 42-47.
[6] 满金宇,崔亮亮,韩联宇,于坤坤,吴兴彬,岳克三,周敬文. 2014~2016年济南市空气污染严重地区大气颗粒物对社区人群门诊就诊量的急性效应分析[J]. 《山东大学学报(医学版)》, 2018, 56(11): 61-67.
[7] 陈浪,赵川,陈凤格,白萍. 石家庄市大气颗粒污染物浓度对儿童呼吸系统疾病门诊量的影响[J]. 《山东大学学报(医学版)》, 2018, 56(11): 68-75.
[8] 肖长春,唐静,李玉荣,翟金霞. 合肥市空气污染与某儿童医院肺炎门诊量关系的时间序列分析[J]. 《山东大学学报(医学版)》, 2018, 56(11): 76-83.
[9] 贾晓倩,崔亮亮,岳克三,李新伟,韩联宇,吴兴彬,周敬文. 济南市大气颗粒物与儿童呼吸系统疾病就诊量的时间序列分析[J]. 《山东大学学报(医学版)》, 2018, 56(11): 84-90.
[10] 曹若明,崔亮亮,姜超,景一鸣,周林,张琳,刘守钦. 济南市大气污染物O3与居民呼吸系统疾病死亡风险的时间序列分析[J]. 《山东大学学报(医学版)》, 2018, 56(11): 91-97.
[11] 满金宇,岳克三,崔亮亮,李新伟,韩联宇,吴兴彬,刘守钦. 2014~2016年济南市历城区大气气态污染物对社区人群门诊就诊影响的时间序列分析[J]. 《山东大学学报(医学版)》, 2018, 56(11): 98-104.
[12] 孙湛,刘仲,张鑫,于志刚,李新伟,崔亮亮,张谊,刘岚铮. 济南市空气细颗粒物浓度和金属及类金属元素变化趋势和预测[J]. 《山东大学学报(医学版)》, 2018, 56(11): 123-129.
[13] 张光,王广银,吴红彦, 张红玉,王停停,李吉庆,李敏,康凤玲,刘言训,薛付忠. 健康管理人群高脂血症风险预测模型[J]. 山东大学学报(医学版), 2017, 55(6): 72-76.
[14] 王春霞,许艺博,杨宁,夏冰,王萍,薛付忠. 基于健康管理队列的冠心病风险预测模型[J]. 山东大学学报(医学版), 2017, 55(6): 66-71.
[15] 于涛,刘焕乐,冯新,徐付印,陈亚飞,薛付忠,张成琪. 基于健康管理队列的高血压风险预测模型[J]. 山东大学学报(医学版), 2017, 55(6): 61-65.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 李 慧,徐贵发,刘跟生,张 洁,周湘盈,丰佃娟. 人体血清载脂蛋白A-IV水平与肥胖、瘦素的相关性探讨[J]. 山东大学学报(医学版), 2007, 45(1): 6 -09 .
[2] 高立芬,孙汶生,马春红,张利宁,梁晓红,王晓燕,郭春,陈有海 . pcDNA3-HBV瞬时转染对树突状细胞的影响[J]. 山东大学学报(医学版), 2007, 45(4): 325 -328 .
[3] 毕爱玲,高建新,刘克敬,周玉琴. 三磷酸腺苷诱导体外培养的胚胎大鼠皮层神经细胞凋亡[J]. 山东大学学报(医学版), 2006, 44(12): 1194 -1196 .
[4] 薛文君,王海涛,王明青 . 预构扩张皮瓣的实验研究[J]. 山东大学学报(医学版), 2006, 44(12): 1233 -1237 .
[5] 张纪庆,王志刚,丁璇,冀勇,沈寻,韩磊. 脑动静脉畸形癫痫的相关血管构筑学及栓塞治疗研究[J]. 山东大学学报(医学版), 2006, 44(12): 1238 -1240 .
[6] 刘义庆,王来城,焦玉莲,张捷,马春燕,崔彬,高新谱,刘正敏,张雪,赵跃然,. 人IL-26的基因克隆及其真核表达载体的构建[J]. 山东大学学报(医学版), 2006, 44(6): 541 -544 .
[7] 颜军昊,陈子江,李媛,胡京美,高姗姗. 体外受精周期中来源于单原核受精卵胚胎性染色体分析[J]. 山东大学学报(医学版), 2006, 44(6): 545 -548 .
[8] 孙建英,冯延秋,迟兆富,吴伟 . 海人酸致痫大鼠海马CA3区神经元线粒体损伤及妥泰的保护作用[J]. 山东大学学报(医学版), 2006, 44(6): 556 -559 .
[9] 王旭平,赵玲,冯玉新,商林珊,刘金成,曹伟朋,朱晓音,辛华. 绞股蓝总苷对谷氨酸诱导的胎鼠大脑皮层神经元氧化性损伤保护机制的研究[J]. 山东大学学报(医学版), 2006, 44(6): 564 -567 .
[10] 喻芳,周庚寅,张翠娟,高鹏,马超,李红. 原发性肝癌中HIF-1α、P-gp的表达及相关性的研究[J]. 山东大学学报(医学版), 2007, 45(3): 246 -249 .