基于GRNN的變權(quán)重組合預(yù)測(cè)模型在傳染病發(fā)病率預(yù)測(cè)中的應(yīng)用.pdf

1、影響傳染病發(fā)生發(fā)展的因素眾多且相互關(guān)系復(fù)雜,預(yù)測(cè)傳染病發(fā)生發(fā)展的模型也是種類繁多。目前對(duì)傳染病的預(yù)測(cè)方法可分為兩類:一類是線性回歸預(yù)測(cè)、時(shí)間序列分析、灰色模型、人工神經(jīng)網(wǎng)絡(luò)等單純預(yù)測(cè)模型,另一類是通過(guò)將兩種或多種預(yù)測(cè)模型以一定方法組合得到的組合預(yù)測(cè)模型,組合預(yù)測(cè)模型可以分成定權(quán)重組合預(yù)測(cè)模型和變權(quán)重組合預(yù)測(cè)模型兩種。
　　 研究目的：
　　 運(yùn)用灰色模型(Grey Model,簡(jiǎn)記為GM)、差分自回歸移動(dòng)平均模型(Aut

2、oregressive Integrated Moving Average Model,簡(jiǎn)記為ARIMA模型)為基礎(chǔ),構(gòu)建基于廣義回歸神經(jīng)網(wǎng)絡(luò)(Generalized Regression Neural Network,簡(jiǎn)記為GRNN)的變權(quán)重組合預(yù)測(cè)模型,分別擬合傳染病發(fā)病率的情況,對(duì)基于GRNN的變權(quán)重組合預(yù)測(cè)模型的擬合效果進(jìn)行評(píng)價(jià),提出模型的優(yōu)越性和不足,為變權(quán)重組合預(yù)測(cè)模型的研究提供依據(jù)。
　　 資料和方法：
　　

3、 本研究以浙中某市1998-2008年的肺結(jié)核發(fā)病率為研究資料,分別在matlab7.11.0軟件和SAS9.2軟件中構(gòu)建了灰色模型和ARIMA模型,通過(guò)預(yù)測(cè)2009年的發(fā)病率來(lái)比較具體模型的精度,并以這兩種模型為基礎(chǔ),在matlab軟件中構(gòu)建了基于GRNN預(yù)測(cè)算法的變權(quán)重組合預(yù)測(cè)模型,以簡(jiǎn)單平均組合預(yù)測(cè)模型、加權(quán)平均組合預(yù)測(cè)模型為對(duì)照,來(lái)評(píng)價(jià)變權(quán)重組合預(yù)測(cè)模型在預(yù)測(cè)中的精度。
　　 主要結(jié)果：
　　 1.灰色模型

4、r>　　 利用浙中某市1998-2008年肺結(jié)核月發(fā)病率數(shù)據(jù)構(gòu)建了GM(1,1)模型和殘差修正GM(1,1)模型,并對(duì)模型進(jìn)行評(píng)估,發(fā)現(xiàn)GM(1,1)模型和殘差修正GM(1,1)模型的后驗(yàn)差比值C分別是0.7687和0.6187.結(jié)果顯示殘差修正GM(1,1)模型各項(xiàng)指標(biāo)較小,認(rèn)為殘差修正GM(1,1)模型的擬合效果優(yōu)于GM(1,1)模型
　　 2.ARIMA模型
　　 利用浙中某市1998-2008年肺結(jié)核月發(fā)病率數(shù)

5、據(jù)構(gòu)建了ARIMA(1,0,0)模型和ARIMA(1,0,1)*(1,1,0)12模型,兩個(gè)模型的殘差值白噪聲檢驗(yàn)顯示:在延遲12階后,ARIMA(1,0,1)*(1,1,0)12模型有統(tǒng)計(jì)學(xué)意義,而ARIMA(1,0,0)模型則無(wú)統(tǒng)計(jì)學(xué)意義,且前者的AIC值為627.6154,SBC值為630.4982;后者的AIC值為587.4054,SBC值為595.7679,認(rèn)為后者的擬合效果優(yōu)于前者。故選擇ARIMA(1,0,1)*(1,1,

6、0)12模型來(lái)建立組合預(yù)測(cè)模型。
　　 3.組合預(yù)測(cè)模型
　　 以灰色模型和ARIMA模型為基礎(chǔ),構(gòu)建了基于GRNN的組合預(yù)測(cè)模型,將此模型和灰色模型、ARIMA模型、簡(jiǎn)單平均組合預(yù)測(cè)模型和加權(quán)平均組合預(yù)測(cè)模型比較,發(fā)現(xiàn)殘差修正GM(1,1)模型的MSE＝37.451,MAE=5.692,MAPE=53.69％,MER=48.51％;ARIMA(1,0,1)*(1,1,0)12模型的MSE=18.509,MAE=3.76

7、1,MAPE=35.13％,MER=32.05％;簡(jiǎn)單平均組合預(yù)測(cè)模型的MSE=28.984,MAE=4.736,MAPE=45.4％,MER=40.4％;加權(quán)平均組合預(yù)測(cè)模型的MSE=24.649,MAE=4.274,MAPE=41.0％,MER=36.4％;基于GRNN的組合預(yù)測(cè)模型的MSE=9.961,MAE=2.571,MAPE=25.6％,MER=21.9％;各項(xiàng)評(píng)價(jià)指標(biāo)都滿足:基于GRNN的組合預(yù)測(cè)模型＜ARIMA(1,0,

8、1)*(1,1,0)12模型＜加權(quán)平均組合預(yù)測(cè)模型＜簡(jiǎn)單平均組合預(yù)測(cè)模型＜?xì)埐钚拚鼼M(1,1)模型,且基于GRNN的組合預(yù)測(cè)模型的各項(xiàng)指標(biāo)與其他模型的指標(biāo)相差較大,因此可以認(rèn)為基于GRNN的組合預(yù)測(cè)模型的預(yù)測(cè)效果最好。
　　 結(jié)論：
　　 在本研究中,對(duì)肺結(jié)核的月發(fā)病率進(jìn)行擬合發(fā)現(xiàn)殘差修正GM(1,1)模型預(yù)測(cè)精度較經(jīng)典GM(1,1)模型好,但這兩個(gè)灰色模型的預(yù)測(cè)精度都不如ARIMA模型好。ARIMA(1,0,1)*(