基于ARIMA—GRNN组合模型的传染病发病率预测.pdfVIP

维普资讯 中国卫生统计 2008年2月第 25卷第 1期 基于ARIMA—GRNN组合模型的传染病发病率预测 严薇荣 ， 徐勇 杨小兵 张惠娟 施侣元 周宜开 △ 现实世界中传染病发病率受多种因素影响，具有 函数逼近理论为基础而构造的一类前 向网络，这类网 不规则、混沌等非线性特征。因此单纯利用传统的时间 络的学习等价于在多维空间中寻找训练数据的最佳拟 序列模型有时难以对系统进行理想的拟合。利用径向 合平面。径向基函数网络的每个隐层神经元的函数都 基神经元和线性神经元建立起来的广义回归神经网络 构成了拟合平面的一个基函数，网络因此得名。 GRNN。由于训练速度快，非线性映射性能很强，因而 广义回归神经 网络 (generalizedregressionneuralnet． 常用于函数逼近 1【】。本文应用串联 的方法建立 ARI． work，GRNN)是径向基函数神经网络的一个分支，可用 MA和 GRNN的组合模型对传染病发病率进行预测， 于函数逼近。在 GRNN模型中，对应于训练数据集中 以弥补ARIMA模型非线性映射性能弱 的不足，提高 每一个输入向量 z，存在一个输出向量 Y，通过 GRNN 预测的精度。 模型不断模拟计算输入和输出向量之间的关系，使得模 型误差达到最小化。GRNN模型表达式如下： 原理和方法 1．ARIMA模型 2【-5J ＼yf()dy ARIMA模型。即求和 一自回归 一移动平均 (au． E[yIz]= -__——～ (6) toregressiveintegratedmovingaverage)模型。又称博克 ＼ 斯一詹金斯模型(Box—JenkinsMode1)，简称 B—J模 其中Y是输出向量，z是输入向量，E[yIz] 型。它是 由美国统计学家 GeogreE．P．Box和英国统计 是输出向量的期望值，厂(z，Y)是 z和Y的联合概率密 学家 GwilymM．Jenkins于 1970年提出的一种时间序 度函数。 列预测方法。在ARIMA模型中，变量的未来取值可 3．ARIMA—GRNN组合模型的构建 【 ] 以表达为过去若干个取值和随机误差的线性函数。 首先根据原始数据建立 ARIMA预测模型。根据 f (B) dx =O(B)￡ 确定 的ARIMA模型，可 以获得每个实际观察值 的 {E(￡f)=0，Var(￡f)=口2，E(￡，￡)=0，s≠ ARIMA模型拟合值，显然每个拟合值与它的实际值 l盼 f=0，V5 t 之间存在复杂的关联关系。将各个 ARIMA模型拟合 (1) 值作为输入样本 A，并加入时间信息作为输入样本 B， 式中： 实际值作为输 出样本，建立 2维输入、1维输 出的 = (1一B) (2) GRNN模型，通过 GRNN不断学习模拟、归纳输入变 (B)= 1一