Page 121 - 南京医科大学学报自然科学版
P. 121

第41卷第2期         卞子龙,卓莹莹,贺志强,等. 应用乘积季节模型与指数平滑模型预测上海市肺结核疫情[J].
                  2021年2月                     南京医科大学学报(自然科学版),2021,41(02):268-273                       ·271 ·


                图显示延迟12阶自相关系数显著非零,而且延迟24                              接着对所有可能合理的模型进行拟合,选出符
                阶自相关系数也并未完全落入 2 倍标准差范围,由                          合建模标准的几种组合。经过几种模型的比较(表
                此判断 Q 可能取值为 0、1、2。差分后的 PACF 图显                    2),选取 AIC 为 1 375.27,SBC 为 1 383.61 均最小的
                示延迟12阶和延迟24阶的偏自相关系数均显著非                           相对最优模型ARIMA(0,1,1)×(1,1,2) 12,参数估计
                零,故P可能取值为0、1、2。                                   均具有统计学意义。

                              1.0                                     1.0
                             ( ACF )  0.5                           ( PACF)  0.5

                             自相关系数  -0.5                            偏自相关系数  -0.5
                              0.0
                                                                      0.0



                             -1.0                                    -1.0
                                  0    5    10   15   20   25             0    5   10   15   20   25
                                            滞后阶数                                    滞后阶数
                                        图4 序列的自相关函数(ACF)图与偏自相关函数(PACF)图
                           Figure 4 Autocorrelation function(ACF)and partial autocorrelation function(PACF)of series

                    表2 ARIMA(p,d,q)×(P,D,Q) S各种模型比较                             表3  残差的自相关检查
                Table 2  Comparison of various models of ARIMA(p,d,     Table 3 Autocorrelation check of residuals
                                                                                    2
                        q)×(P,D,Q) S                                  滞后阶数         χ 值      自由度         P值
                        模型            方差 标准误      AIC    SBC          6阶            1.20      03       0.753 2
                ARIMA(0,1,1)×(0,1,1) 12 6 236.34 78.97  1 379.531 385.09  12阶       4.99      09       0.835 3
                ARIMA(0,1,1)×(1,1,2) 12 5 967.94 77.25  1 375.271 383.61  18阶      12.63      15       0.631 2
                ARIMA(0,1,1)×(2,1,1) 12 6 037.19 77.70  1 376.651 384.98  24阶      20.27      21       0.504 0
                ARIMA(1,1,2)×(2,1,1) 12 6 072.58 77.93  1 378.311 389.43
                                                                  比Holt⁃Winters乘法指数平滑法模型的评价参数小,
                2.2.3 模型的诊断检验及预测                                  分别是 71.99、14.19%。这表明 Holt⁃Winters 加法指
                    残差的自相关检验表明序列均为白噪声,均有                          数平滑法模型比较好。
                P > 0.05,表示应该接受残差不相关的零假设,认为                       2.4  两种较优模型的对比
                残差序列为纯随机序列,所建立的 ARIMA(0,1,                            采用 MAE、RMSE、MAPE 评价两种较优模型的
                1)×(1,1,2) 12模型是合适的。此外,从残差自相关                     拟合效果(表 5)。同时,根据两种模型对上海市
                图中也能看出残差序列值都落入置信区间内,符                             2018年1—6月肺结核发病数预测值及其相对误差,
                合要求。                                              比较两者预测效果(表6)。
                2.3  指数平滑模型                                           由表 5 可知 Holt⁃Winters 加法指数平滑法模型
                    根据上海市肺结核月报告发病例数序列并结                           的 MAE、MRE、RMSE 均比较小,在本例中该模型要
                合指数平滑法的使用方法,选取Holt⁃Winters加法指                     优于ARIMA(0,1,1)×(1,1,2) 12模型。同时,表6具
                数平滑法模型、Holt⁃Winters乘法指数平滑法模型进                     体展示了两种模型的预测值与相对误差,也表明
                行尝试,对 2007 年 1 月—2017 年 12 月数据进行拟                 Holt⁃Winters 加法指数平滑法模型的总的相对误差
                合。利用R 3.5.0自动拟合出两种模型的最优参数,                        要比ARIMA(0,1,1)×(1,1,2) 12模型的小。
                选择最优参数模型进行比较(表4)。结果显示,Holt⁃                           最后,绘制这两种模型的拟合曲线与真实值进
                Winters 加法指数平滑法建立模型 RMSE、MAPE 均                   行更为直观的比较(图5),发现Holt⁃Winters 加法指

                                                    表4 最优参数设置和效果评价
                                          Table 4 Optimal parameter setting and effect evaluation
                               方法                    α          β           γ         RMSE        MAPE(%)
                      Holt⁃Winters加法指数平滑法          0.110       0.022      0.237       71.99         14.19
                      Holt⁃Winters乘法指数平滑法          0.096       0.022      0.220       72.82         14.24
   116   117   118   119   120   121   122   123   124   125   126