【摘要】：研究目的分析2010-2016年柳州市手足口病月發(fā)病率的時間分布規(guī)律,探討季節(jié)性ARIMA模型、ARIMA-GRNN組合模型及XGBoost機器學(xué)習(xí)模型在手足口病發(fā)病率短期預(yù)測方面的應(yīng)用。通過MAE、RMSE和MAPE等指標評估模型的優(yōu)劣,從中選擇出最適合柳州市手足口病月發(fā)病率預(yù)測的模型。探索性地將XGBoost機器學(xué)習(xí)方法應(yīng)用于手足口病的短期預(yù)測,為傳染病發(fā)病率的精準預(yù)測提供新的思路,為制定柳州市手足口病預(yù)防預(yù)警策略提供科學(xué)依據(jù)。研究方法使用Excel整理2010-2016年柳州市手足口病數(shù)據(jù),用流行病學(xué)的方法描述其時間分布特征。將2010-2015年手足口病的月發(fā)病率數(shù)據(jù)作為訓(xùn)練樣本,將2016年手足口病的月發(fā)病率數(shù)據(jù)作為預(yù)測樣本,建立季節(jié)性ARIMA模型、ARIMA-GRNN組合模型和XGBoost機器學(xué)習(xí)預(yù)測模型。同時評估模型的優(yōu)劣,評價指標為MAE、RMSE和MAPE,其值越小說明模型預(yù)測效果越好。使用IBM SPSS Statistics 16.0建立季節(jié)性ARIMA時間序列模型;使用Matlab R2014a軟件在ARIMA模型的基礎(chǔ)上建立ARIMA-GRNN組合預(yù)測模型;使用R version 3.3.3軟件建立XGBoost機器學(xué)習(xí)模型。研究結(jié)果(1)2010-2016年柳州市各年手足口病累積報告發(fā)病率依次為494.72/10萬、475.26/10萬、618.90/10萬、675.41/10萬、852.08/10萬、780.52/10萬、765.44/10萬。其中,7年累積手足口病重癥病例729例,死亡40例。主要發(fā)病高峰為每年4-7月份,5月份最為嚴重,發(fā)病次高峰為每年的9-10月份。(2)柳州市手足口病月發(fā)病率季節(jié)性ARIMA預(yù)測模型表達式為ARIMA(1,0,0)x(1,1,0)12。模型參數(shù)AR(1)和SAR(1)均有統(tǒng)計學(xué)意義(P0.001),標準化BIC值為6.236,殘差序列為白噪聲(Q=8.359,P=0.937)。訓(xùn)練樣本的MAE、RMSE、MAPE依次為13.581、20.407、38.322%;預(yù)測樣本的MAE、RMSE、MAPE依次為11.962、9.481、32.689%。(3)柳州市手足口病月發(fā)病率ARIMA-GRNN組合預(yù)測模型的最佳光滑因子為0.030,所對應(yīng)的的RMSE值為4.285。訓(xùn)練樣本的MAE、RMSE、MAPE依次為10.393、13.443、36.160%;預(yù)測樣本的MAE、RMSE、MAPE依次為9.481、11.863、30.101%。(4)柳州市手足口病月發(fā)病率XGBoost機器學(xué)習(xí)模型的最重要預(yù)測因素為lag24,其所對應(yīng)的增益值、Cover值、頻率值依次為0.505、0.187、0.093。訓(xùn)練樣本的MAE、RMSE、MAPE依次為2.106、5.311、2.650%;預(yù)測樣本的MAE、RMSE、MAPE依次為7.134、10.224、13.253%。研究結(jié)論(1)2010-2016年柳州市手足口病疫情較為嚴峻。發(fā)病情況有明顯的季節(jié)性特征,呈現(xiàn)出一種雙峰的趨勢。(2)ARIMA(1,0,0)x(1,1,0)12模型、ARIMA-GRNN組合預(yù)測模型以及XGBoost機器學(xué)習(xí)模型均可用于柳州市手足口病月發(fā)病率的擬合和預(yù)測。(3)本研究建立的柳州市手足口病月發(fā)病率預(yù)測模型,ARIMA-GRNN組合預(yù)測模型的預(yù)測效果優(yōu)于乘積季節(jié)性ARIMA模型,而XGBoost機器學(xué)習(xí)模型的預(yù)測效果則優(yōu)于ARIMA模型和ARIMA-GRNN組合預(yù)測模型。
[Abstract]:Objective to analyze the temporal distribution of monthly morbidity of HFMD in Liuzhou from 2010 to 2016 and to explore the application of seasonal ARIMA model ARIMA-GRNN combined model and XGBoost machine learning model in short-term prediction of HFMD incidence. According to the evaluation model of mae RMSE and MAPE, the most suitable model for predicting the incidence of HFMD in Liuzhou was selected. The method of XGBoost machine learning is applied to the short-term prediction of HFMD, which provides a new idea for accurate prediction of incidence of infectious diseases and provides scientific basis for formulating the prevention and warning strategy of HFMD in Liuzhou. Methods the data of hand-foot-mouth disease from 2010 to 2016 in Liuzhou were collected by Excel and the time distribution characteristics were described by epidemiological method. The monthly morbidity data of hand, foot and mouth disease from 2010 to 2015 were used as training samples, and the monthly incidence data of hand foot and mouth disease in 2016 were used as prediction samples. The seasonal ARIMA model ARIMA-GRNN combined model and XGBoost machine learning prediction model were established. At the same time, the advantages and disadvantages of the model are evaluated. The smaller the value of MAE RMSE and MAPE is, the better the prediction effect of the model is. The seasonal ARIMA time series model is established by using IBM SPSS Statistics 16.0, the ARIMA-GRNN combination prediction model is built on the basis of ARIMA model by Matlab R2014a software, and the XGBoost machine learning model is established by using R version 3.3.3 software. Results (1) the cumulative reported incidence of HFMD in Liuzhou City from 2010 to 2016 was 494.72 / 100 000, 475.26 / 100 000, 618.90 / 100 000, 675.41 / 100 000 / 100000, 852.08 / 100 000 or 7,80.522 / 100 000 or 765.44 / 100, 000 respectively. Among them, 729 cases and 40 cases died of hand, foot and mouth disease in 7 years. The main peak was from April to July, and the second peak was from September to October. (2) the seasonal ARIMA prediction expression of monthly incidence of HFMD in Liuzhou was ARIMA (1 0 0) x (1 1 0) 12. The model parameters AR (1) and SAR (1) were statistically significant (P0. 001), the standardized BIC value was 6. 236, and the residual sequence was white noise. The Mae RMSE MAPE of the training samples was 13.581n 20.4070.38.322, and that of the predicted samples was 11.9629.481k32.689. (3) the best smoothing factor of the ARIMA-GRNN combination forecasting model for HFMD incidence in Liuzhou was 0.030, and the corresponding RMSE value was 4.285. The Mae RMSE MAPE of the training samples was 10.393 / 13.443 / 36.160, and that of the predicted samples was 9.481C / 11.863 / 30.101respectively. (4) the most important predictor of the XGBoost machine learning model for the monthly incidence of HFMD in Liuzhou was lag24, and the corresponding gain value / cover value and the frequency value were 0.5050.1870.093 and 0.5050.1870.093 respectively. The Mae RMSE MAPE of the training samples was 2.106, 5.3112.650, and the predicted mae RMSE MAPE of the training samples was 7.134 and 10.2240.13.253 respectively. Conclusion (1) the epidemic situation of hand, foot and mouth disease in Liuzhou from 2010 to 2016 is severe. The incidence has obvious seasonal characteristics. There is a bimodal trend. (2) ARIMA (1 0 0) x (1 0) 12 model / ARIMA-GRNN combined prediction model and XGBoost machine learning model can be used to fit and predict the monthly incidence of HFMD in Liuzhou. (3) the monthly incidence of HFMD in Liuzhou is predicted by this study. The prediction effect of ARIMA-GRNN combined forecasting model is better than that of product seasonal ARIMA model. The prediction effect of XGBoost machine learning model is better than that of ARIMA model and ARIMA-GRNN combination model.
【學(xué)位授予單位】：廣西醫(yī)科大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：R181.3;R512.5

【相似文獻】

相關(guān)期刊論文 前10條

1 許乾雄,肖創(chuàng)普;用灰色預(yù)測模型對病毒性肝炎發(fā)病率作預(yù)測[J];中國公共衛(wèi)生;1993年02期

2 Schneck M.E. ,Bearse Jr. M.A. ,楊建剛;糖尿病視網(wǎng)膜病變進展的定位預(yù)測模型的形成和評估[J];世界核心醫(yī)學(xué)期刊文摘.眼科學(xué)分冊;2005年04期

3 Spears J.;TerBrugge K.G.;Moosavian M.;M.Tymianski;郭俊;;腦動靜脈畸形手術(shù)治療后患者神經(jīng)功能預(yù)后的判別預(yù)測模型[J];世界核心醫(yī)學(xué)期刊文摘(神經(jīng)病學(xué)分冊);2006年12期

4 王平根,吳海濤,高志平;醫(yī)院藥品預(yù)測模型[J];中國藥學(xué)雜志;1999年03期

5 李娟;方慧生;;一種新的基于平均相似性方法的蛋白質(zhì)天然構(gòu)象預(yù)測模型質(zhì)量評測方法[J];藥物生物技術(shù);2010年04期

6 李清江;;基于結(jié)核病預(yù)測模型的比較研究[J];硅谷;2012年14期

7 朱卉;韓昌斌;李曉武;阮積棟;李國華;;武漢市市區(qū)車禍死亡人數(shù)灰色預(yù)測模型及其近期效果評價[J];中國衛(wèi)生統(tǒng)計;1991年01期

8 伍麗萍;王述蓉;陳玉;陳聰;吳佳琦;葉利明;;生物分配膠束液相色譜中β-內(nèi)酰胺類抗生素定量保留-活性關(guān)系預(yù)測模型的研究[J];中國藥學(xué)雜志;2008年07期

9 孔超;劉元鳳;沈續(xù)雷;;灰色預(yù)測模型的SAS程序改進[J];中國衛(wèi)生統(tǒng)計;2008年06期

10 王萬學(xué);;預(yù)測麻風(fēng)流行趨勢的簡快方法——給預(yù)測模型編程序[J];皮膚病與性病;1992年02期

相關(guān)會議論文 前10條

1 鄢小彬;肖新平;;基于灰色馬爾可夫模型的煤礦安全預(yù)測[A];第九屆中國青年信息與管理學(xué)者大會論文集[C];2007年

2 羅榮桂;黃敏鎂;;基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的服務(wù)業(yè)發(fā)展預(yù)測模型[A];Well-off Society Strategies and Systems Engineering--Proceedings of the 13th Annual Conference of System Engineering Society of China[C];2004年

3 王亮;劉豹;徐德民;;預(yù)測模型的選擇及其智能化實現(xiàn)[A];科學(xué)決策與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第六次年會論文集[C];1990年

4 肖健華;吳今培;;基于支持向量機的預(yù)測模型及應(yīng)用[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

5 李陽旭;鄧輝文;;一種新的企業(yè)市場預(yù)測模型及其比較研究[A];2004年中國管理科學(xué)學(xué)術(shù)會議論文集[C];2004年

6 馬志元;;城市區(qū)域經(jīng)濟、人口、能源、環(huán)境綜合系統(tǒng)預(yù)測模型及應(yīng)用[A];中國城市建設(shè)與環(huán)境保護實踐——城市建設(shè)與環(huán)境保護學(xué)術(shù)研討會論文集[C];1997年

7 李兆芹;姚克敏;;一種新的疾病發(fā)病率預(yù)測模型研究[A];首屆長三角氣象科技論壇論文集[C];2004年

8 李兆芹;姚克敏;;一種新的疾病發(fā)病率預(yù)測模型研究[A];首屆長三角科技論壇——氣象科技發(fā)展論壇論文集[C];2004年

9 張曉f^;;全球煤炭產(chǎn)量的灰色預(yù)測模型[A];中國現(xiàn)場統(tǒng)計研究會第十三屆學(xué)術(shù)年會論文集[C];2007年

10 肖會敏;樊為剛;;基于神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預(yù)測模型[A];04'中國企業(yè)自動化和信息化建設(shè)論壇暨中南六省區(qū)自動化學(xué)會學(xué)術(shù)年會專輯[C];2004年

相關(guān)重要報紙文章 前10條

1 劉慶;“預(yù)測模型”要緩行[N];網(wǎng)絡(luò)世界;2006年

2 特約記者 劉京濤;華東化工銷售員工設(shè)計價格預(yù)測模型見成效[N];中國石油報;2010年

3 南方日報記者 彭琳　實習(xí)生 周鵬程;預(yù)測世界杯之外 大數(shù)據(jù)還能做什么[N];南方日報;2014年

4 本報記者 張超;預(yù)測模型：推算SARS起落潮[N];科技日報;2003年

5 本報記者 段佳;機器“品肉師”替您“嘗鮮”[N];大眾科技報;2010年

6 BMC首席IT技術(shù)官 Mahendra Durai　IDC顧問 Eric Hatcher Randy Perry;預(yù)測智能：管理復(fù)雜基礎(chǔ)架構(gòu)的鎖鑰[N];中國計算機報;2010年

7 張琳 趙偉;巧用Excel構(gòu)建利潤預(yù)測模型[N];財會信報;2007年

8 楊宜勇（作者為國家發(fā)改委經(jīng)濟研究所副所長）;發(fā)揮信息化對就業(yè)的“增補效應(yīng)”[N];第一財經(jīng)日報;2005年

9 本報記者 湯潯芳　實習(xí)記者 董文萍;“孵化器”模式：大數(shù)據(jù)的垂直運營樣本[N];21世紀經(jīng)濟報道;2014年

10 本報記者 安豐;深部找礦的探鏡[N];中國國土資源報;2006年

相關(guān)博士學(xué)位論文 前10條

1 師懿;城市交通規(guī)劃環(huán)評中空氣污染預(yù)測模型研究[D];中國地質(zhì)大學(xué);2015年

2 張麗;牦牛肉用品質(zhì)特性及近紅外預(yù)測模型和產(chǎn)量等級系統(tǒng)的研究[D];中國農(nóng)業(yè)科學(xué)院;2015年

3 王菲;肉牛飼料有效能值預(yù)測模型的建立與評價[D];中國農(nóng)業(yè)大學(xué);2016年

4 文江平;農(nóng)村地區(qū)成人2型糖尿病發(fā)生風(fēng)險相關(guān)生物標志物的篩選及預(yù)測模型的建立[D];中國人民解放軍醫(yī)學(xué)院;2016年

5 白云鵬;華法林穩(wěn)態(tài)劑量預(yù)測模型在瓣膜置換術(shù)后抗凝治療中的應(yīng)用[D];天津醫(yī)科大學(xué);2016年

6 孫鵬;風(fēng)電機組狀態(tài)異常辨識廣義模型與運行風(fēng)險評估方法研究[D];重慶大學(xué);2016年

7 馬新;基于灰色系統(tǒng)與核方法的油藏動態(tài)預(yù)測方法研究[D];西南石油大學(xué);2016年

8 付中濤;基于切削力預(yù)測模型的復(fù)雜曲面銑削進給速度優(yōu)化研究[D];華中科技大學(xué);2015年

9 周闖;原發(fā)性肝癌術(shù)后轉(zhuǎn)移復(fù)發(fā)分子預(yù)測模型的優(yōu)化整合與臨床轉(zhuǎn)化[D];復(fù)旦大學(xué);2012年

10 孫忠林;煤礦安全生產(chǎn)預(yù)測模型的研究[D];山東科技大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 劉冰;基于神經(jīng)網(wǎng)絡(luò)的纖維熱磨過程能耗預(yù)測模型的研究[D];東北林業(yè)大學(xué);2015年

2 張念;鐵路軌道幾何不平順趨勢預(yù)測的關(guān)鍵算法研究[D];西南交通大學(xué);2015年

3 田振偉;城市能源預(yù)測模型的研究與應(yīng)用[D];昆明理工大學(xué);2015年

4 吳迪;基于模糊決策樹算法的安全庫存量預(yù)測模型[D];中國地質(zhì)大學(xué)(北京);2015年

5 齊雯;采用灰色預(yù)測模型改進的HHT算法在故障診斷中的應(yīng)用[D];華南理工大學(xué);2015年

6 王萍;膀胱癌遺傳分數(shù)的計算及發(fā)病風(fēng)險預(yù)測模型的構(gòu)建[D];復(fù)旦大學(xué);2013年

7 石大宏;基于序列的蛋白質(zhì)—核苷酸綁定位點預(yù)測研究[D];南京理工大學(xué);2015年

8 熊盛華;基于BP神經(jīng)網(wǎng)絡(luò)的混合預(yù)測模型的實例研究[D];蘭州大學(xué);2015年

9 趙Z，

本文編號：2153229