【摘要】：本文主要研究中國肺結(jié)核月發(fā)病人數(shù)的預(yù)測,以期為我國肺結(jié)核的控制工作提供相應(yīng)的數(shù)據(jù)支持。根據(jù)月發(fā)病人數(shù)序列波動的周期特征,本文從序列分解的角度進行預(yù)測。首先,采用小波分析(WA)和奇異譜分析(SSA)對原始序列進行分解,提取序列周期。小波分析得到趨勢序列、兩個周期序列和殘差序列。趨勢序列和兩個周期序列分別用極限學(xué)習(xí)機(ELM)和非線性濾波器(NAR)預(yù)測;殘差序列用支持向量回歸(SVR)預(yù)測。由此建立兩個組合預(yù)測模型:WA-ELM-SVR和WA-NAR-SVR。SSA分解得到重構(gòu)序列和殘差序列,重構(gòu)序列用ELM和NAR分別預(yù)測,殘差序列用SVR預(yù)測,同樣得到兩個組合預(yù)測模型:SSA-ELM-SVR和SSA-NAR-SVR。根據(jù)組合預(yù)測模型,將小波分析的趨勢序列、周期序列和殘差序列的預(yù)測值加總或者將重構(gòu)序列和殘差序列的預(yù)測值加總,就得到肺結(jié)核月發(fā)病人數(shù)預(yù)測值。和基于原始序列建立的ELM和NAR模型相比,四個組合模型的預(yù)測效果較好,表明小波分析和SSA可以提取原始序列的周期,提高序列預(yù)測準(zhǔn)確度。然后,考慮到肺結(jié)核月發(fā)病人數(shù)受到季節(jié)因素的影響,原始序列波動具有季節(jié)周期,具體在每一年中,1月～6月肺結(jié)核發(fā)病人數(shù)不斷上升,7月～12月開始逐漸下降。因此采用Seasonal-Trend Decomposition using LOESS(STL)分解,將原始序列分解為季節(jié)指數(shù)、長期趨勢和殘差項。季節(jié)指數(shù)在不同年份保持固定不變,無需建立模型預(yù)測。用反饋神經(jīng)網(wǎng)絡(luò)(Elman網(wǎng)絡(luò))預(yù)測長期趨勢,SVR預(yù)測殘差項,建立STL-Elman-SVR預(yù)測模型。根據(jù)STL-Elman-SVR模型,同樣將季節(jié)指數(shù)、長期趨勢和殘差項的預(yù)測值相加就得到最終月發(fā)病人數(shù)預(yù)測值。比較預(yù)測值和真實值,并建立對比模型STL-ARIMA和STL-GM(1,1),比較模型可知,STL分解可以準(zhǔn)確提取穩(wěn)定的季節(jié)指數(shù),保證預(yù)測的準(zhǔn)確性。本文將小波分析、SSA和STL分解方法引入發(fā)病人數(shù)預(yù)測中,運用機器學(xué)習(xí)算法預(yù)測分解分量,建立組合預(yù)測模型。根據(jù)組合模型所預(yù)測的肺結(jié)核發(fā)病人數(shù)高發(fā)月份,可以為我國完善肺結(jié)核預(yù)防措施提供定量依據(jù)。
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：R521
【圖文】：

芘如２．２．１中所介紹的小波分析，選擇ｄｍｅｙ函數(shù)作為母小波函數(shù)，進行離散小波變換。逡逑由于當(dāng)分解層數(shù)為３時，小波分析可以較好的提取原始序列的高頻和低頻信號，所以原始逡逑發(fā)病人數(shù)序列可以被分解成四個序列：ａ３、ｄ３、ｄ２和ｄｌ邋（見圖２．２）。序列ａ３代表肺結(jié)核發(fā)逡逑病人數(shù)序列的生要波動趨勢，ｄ２和ｄ３主要包含原始序列的周期信息，ｄｌ表示分解之啟的逡逑殘差序列

Ｆｉｇ．邋２．３邋Ｐｒｅｄｉｃｔｅｄ邋ａｎｄ邋ａｃｔｕａｌ邋ｍｏｎｔｈｌｙ邋ｐｒｅｖａｌｅｎｃｅ邋ｏｆ邋ＴＢ邋ｉｎ邋２０１７．邋（ａ）邋ＷＡ－ＥＬＭ－ＳＶＲ邋ｍｏｄｅｌ；邋（ｂ）邋ＷＡ－ＮＡＲ－ＳＶＲ逡逑ｍｏｄｅｌ；逡逑從圖２．３可以看出，在２０１７年６月？１１月，ＷＡ－ＥＬＭ－ＳＶＲ模型的預(yù)測值和實際值相差逡逑無幾，剩余月份二者之間的柑差不是很大。直觀來看，ＷＡ－ＥＬＭ－ＳＶＲ模型的預(yù)測效果較逡逑優(yōu)于ＷＡ－ＮＡＲ－ＳＶＲ模型，這表明相對于ＮＡＲ，ＥＬＭ更能精確擬合非線性時間序列，有效逡逑地進行序列預(yù)測。逡逑ｐ．３．２邋ＳＳＡ分解預(yù)測逡逑和小波分析類似，ＳＳＡ同樣也可以用于數(shù)據(jù)分解。給定分析的窗口寬度ｍ＝邋１２，數(shù)逡逑值１２代表肺結(jié)核發(fā)病人數(shù)序列在一年之內(nèi)的波動周期，即以一年為季節(jié)周期。窗ｆｌ寬度逡逑為１２決定了ＳＳＡ過程中會產(chǎn)生１２個奇異值，這１２個奇異值按照數(shù)值大小降序排列，并計算逡逑各個奇異值的貢獻率，圖２．４就是１２個特征值的貢獻率曲線。從圖２．４可以看出，排序在第逡逑一、第二和第３的奇異值累計貢獻率最大，超過了９５％，之后的奇異值貢獻率都很小，且逡逑隨著奇異值的減小

邐２邐３邐４邐５邐６邐７邐８邐９邐１０邐１１邐１２逡逑奇異值個數(shù)逡逑圖２．４按降序排列的奇異值的貢獻率逡逑Ｆｉｇ．邋２．４邋Ｃｏｎｔｒｉｂｕｔｉｏｎ邋ｏｆ邋ｔｈｅ邋ｓｉｎｇｕｌａｒ邋ｖａｌｕｅｓ邋ｉｎ邋ｄｅｓｃｅｎｄｉｎ

【參考文獻】

相關(guān)期刊論文 前10條

1 嚴(yán)駿宏;;基于離散小波分解和支持向量機的股指組合預(yù)測[J];統(tǒng)計與決策;2017年03期

2 陶文曠;雷少剛;;半干旱煤炭開采沉陷區(qū)植被擾動響應(yīng)的時間特征[J];生態(tài)與農(nóng)村環(huán)境學(xué)報;2016年02期

3 吳偉;安淑一;郭軍巧;關(guān)鵬;任仰武;夏玲姿;周寶森;;非線性自回歸神經(jīng)網(wǎng)絡(luò)在腎綜合征出血熱流行趨勢預(yù)測中的應(yīng)用[J];中華流行病學(xué)雜志;2015年12期

4 姜世聞;成君;李雪;張燦有;;肺結(jié)核患者發(fā)現(xiàn)方式的進展與建議[J];中國防癆雜志;2015年10期

5 馬曉博;;基于小波變換和BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測[J];電力科學(xué)與技術(shù)學(xué)報;2015年02期

6 黃飛;劉二勇;夏aa;杜昕;馬艷;成詩明;;2005-2014年全國涂陰肺結(jié)核報告發(fā)病與死亡現(xiàn)狀分析[J];中國防癆雜志;2015年05期

7 謝驍旭;袁兆康;;基于R的江西省肺結(jié)核發(fā)病率ARIMA-SVM組合預(yù)測模型[J];中國衛(wèi)生統(tǒng)計;2015年01期

8 吳文博;李虹艾;萬鵬程;袁秀琴;;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];中南醫(yī)學(xué)科學(xué)雜志;2014年06期

9 梁中耀;劉永;盛虎;楊永輝;郭懷成;趙磊;賀彬;;滇池水質(zhì)時間序列變化趨勢識別及特征分析[J];環(huán)境科學(xué)學(xué)報;2014年03期

10 張興裕;馮海歡;肖雄;劉元元;李曉松;;Elman神經(jīng)網(wǎng)絡(luò)在手足口病發(fā)病率預(yù)測中的應(yīng)用初探[J];現(xiàn)代預(yù)防醫(yī)學(xué);2012年09期

相關(guān)碩士學(xué)位論文 前2條

1 袁魯山;基于NAR神經(jīng)網(wǎng)絡(luò)的車速預(yù)測及應(yīng)用[D];大連理工大學(xué);2016年

2 韓旭明;Elman神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[D];天津大學(xué);2006年

本文編號：2791450