导读:本文包含了季节乘积模型论文开题报告文献综述及选题提纲参考文献，主要关键词:泰安市,AQI,时间序列,乘积季节模型
季节乘积模型论文文献综述
刘婧[1]（2019）在《基于时间序列乘积季节模型的泰安市空气质量指数预测》一文中研究指出本文使用泰安市2014年1月到2018年12月的环境空气质量综合指数月度数据,应用Eviews软件,通过对AQI序列进行平稳性、纯随机性、自相关和偏相关性的分析,建立泰安市空气质量预测乘积季节模型,检验了模型的显着性,并对2019年1-6月的数据进行了预测分析。(本文来源于《科技经济导刊》期刊2019年29期）
薛冬梅[2]（2019）在《基于ARIMA乘积季节模型的我国工业品出厂价格指数(PPI)预测》一文中研究指出以乘积季节模型为理论基础,采用2006年1月至2018年12月的PPI月度数据,借助EVIEWS8.0软件,对数据进行逐期差分和季节差分消除趋势性和季节性,通过指标对比,建立了ARIMA(3,1,0)(1,1,1)~(24)模型,并对PPI从2019年1月到6月的走势进行了预测,结果表明:该模型对PPI的短期预测具有较高的精度,可以为相关经济政策的制定提供参考.(本文来源于《吉林化工学院学报》期刊2019年09期）
冯小霞,刘玉嫦,李小玲[3]（2019）在《自回归积分移动平均乘积季节模型在手足口病发病预测中的应用》一文中研究指出目的:探讨自回归积分移动平均(ARIMA)乘积季节模型在手足口病(HFMD)发病预测中的应用价值。方法:从"中国疾病预防控制信息系统"中提取台山地区2011年1月至2015年8月HFMD月报告病例建立ARIMA模型,以2015年9～11月实际发病数进行模型验证,选择最优模型后对2015年12月至2016年5月该地区HFMD发病情况进行预测。结果:确定了ARIMA (1, 0, 1)×(0, 1, 0)_(12)为最优模型,其R~2(0.692)最高,BIC(15.982)最低,MAPE(5.265)相对较低。Ljung-box检验表明,模型残差为白噪声,Q=9.456(P=0.893)。该模型预测2015年12月至2016年5月该地区HFMD的发病数分别为-96.50、-187.96、413.83、185.82、406.18和616.32,呈明显上升趋势。结论:ARIMA模型可有效预测台山地区HFMD的发病趋势,为今后该地区HFMD的防治提供有益支持。(本文来源于《长治医学院学报》期刊2019年04期）
罗兴甸,戴家佳,罗登菊[4]（2019）在《ARIMA乘积季节模型在我国麻疹发病预测中的应用》一文中研究指出为了了解我国麻疹月发病数变化规律,预测其变化趋势,为麻疹的防控与监测提供决策依据,主要采用2004年1月至2018年8月我国麻疹月发病数据,利用图示法和单位根检验判断序列是否平稳,根据差分后的平稳序列作出的ACF图和PACF图估计模型中的待估参数,以最小信息量准则(an information criterion,AIC)值最小为最优模型选择标准,以绝对误差、相对误差来评价模型精度,最终建立的模型为ARIMA(1,0,1)×(0,1,2)_(12),利用此模型做短期预测,预测得到的结果可为我国更好地制定麻疹预控方案和评估麻疹防控及监测效果提供科学参考依据。(本文来源于《贵州大学学报(自然科学版)》期刊2019年03期）
胡文斌,张婷,秦威,施健,罗晓明[5]（2019）在《ARIMA乘积季节模型分析昆山市2006—2016年脑血管病死亡率》一文中研究指出目的基于X-12自回归求和移动平均混合模型(ARIMA),对昆山市脑血管病粗死亡率建立时间序列模型,预测未来年份脑血管病粗死亡率。方法对昆山市2006—2016年月度脑血管病粗死亡率,建立X-12-ARIMA季节调整乘积模型,以贝叶斯信息准则(BIC)值最小为最优模型选择标准;采用平均绝对误差和平均相对误差评价模型预测精度。结果乘积季节模型ARIMA(2,0,0)×(0,1,1)12可用于拟合昆山市2006—2016年月度脑血管病粗死亡率(BIC=446.36),平均绝对误差为0.99/10万,平均相对误差为13.15%。建模结果显示昆山市2006—2016年月度脑血管病粗死亡率呈现季节波动(F=11.00,P<0.01),未来年份脑血管病粗死亡率趋势无明显波动。结论 ARIMA(2,0,0)×(0,1,1)12能短期预测昆山市脑血管病粗死亡率;长期的脑血管病粗死亡率预测模型尚需未来年份实际数据修正。(本文来源于《江苏预防医学》期刊2019年03期）
杜鑫,李大江,刘凯,李念[6]（2019）在《基于ARIMA乘积季节模型的某医院会诊量预测研究》一文中研究指出目的探讨ARIMA乘积季节模型在某医院会诊量预测中的应用价值,为合理配置相关医疗资源提供参考,并持续提升医院精细化管理水平。方法基于2014年1月-2018年7月会诊量数据,使用Eviews9.0软件建立会诊量的ARIMA乘积季节模型,采用2018年1-2018年7月会诊量数据验证模型,并对2018年8-2018年12月会诊量进行预测。结果会诊量的最优模型为ARIMA(1,1,0)×(1,1,1)_(12),MAPE=4.5042,Theil不等系数为0.0268,BP=0.0494,VP=0.0006,CP=0.9500,预测2018年8-2018年12月会诊量分别为22 154人次、20 514人次、20 264人次、21 135人次、20 737人次。结论 ARIMA(1,1,0)×(1,1,1)_(12)模型能够较好的拟合实际值,可以用于对会诊量及变化趋势进行预测,进而合理配置医疗资源。(本文来源于《中国病案》期刊2019年05期）
胡婧超,郑思思,程景民[7]（2019）在《基于ARIMA乘积季节模型的流行性感冒预测分析》一文中研究指出目的通过对2005-2015年全国各月流行性感冒发病率的分析,为流感的预防和控制提供参考依据。方法以国家人口与健康科学数据共享服务平台公共卫生科学数据中心提供的《2005-2015年全国各月流行性感冒数据》中2005-2014年全国各月流行性感冒发病率为研究对象,采用SPSS 20.0软件对数据进行分析,采用时间序列分析的ARIMA乘积季节模型构建模型,进行预测,并用2015-01/12全国流感数据验证模型精确性。结果经反复多次分析比较,最终确立ARIMA(0,1,1)(0,1,1)_(12)为最优模型,经2015年各月数据验证,模型预测精确度较高。结论 ARIMA(0,1,1)(0,1,1)_(12)乘积季节模型能较好的预测全国流感月发病率的变化趋势,具有一定的推广及应用价值。(本文来源于《职业卫生与病伤》期刊2019年02期）
李盛,王宇红,王金玉,冯亚莉,李普[8]（2019）在《应用自回归移动平均模型乘积季节模型预测兰州市水相关疾病发病情况》一文中研究指出目的探讨自回归移动平均模型(autoregressive integrated moving average model,ARIMA)乘积季节模型在水相关疾病发病率发病趋势预测中的应用,对兰州市水相关疾病发病情况进行预测。方法收集2006年1月—2014年12月水相关疾病发病率数据,利用R软件构建ARIMA乘积季节模型,利用2015—2017年实际发病率与模型拟合数据比较,评价模型的预测性能,并预测2015—2017年水相关疾病的发病率。结果在水相关疾病预测中建立ARIMA(2,0,1)×(2,0,0)_(12)乘积季节模型,Ljung-Box检验差异无统计学意义(Q=18.64,P=0.824),2015年—2017年兰州市常见水相关疾病实际发病率均在预测结果95%可信区间内,平均预测相对误差为5%。结论 ARIMA乘积季节模型可以较好的预测兰州市水相关疾病发病率的变化趋势,能够运用于水相关疾病发病趋势的预测及预警,为防控措施的制定提供参考。(本文来源于《环境卫生学杂志》期刊2019年02期）
金雯,张岩曦,徐周[9]（2019）在《基于ARIMA乘积季节模型预测恶性肿瘤住院量、住院费用及平均住院时间》一文中研究指出目的应用自回归求和移动平均(Autoregressive Integrated Moving Average Model,ARIMA)乘积季节模型分析和预测恶性肿瘤住院量、住院费用及平均住院时间,为医院恶性肿瘤业务管理提供科学依据。方法收集某院2007—2016年逐月十大恶性肿瘤(肺癌、肝癌、白血病、结直肠癌、胃癌、甲状腺癌、恶性淋巴瘤、前列腺癌、乳腺癌和肾癌)住院患者资料,采用ARIMA乘积季节模型对2007—2015年逐月恶性肿瘤的住院人次、住院费用和平均住院时间进行模型拟合,用2016年逐月数据评价其预测效果,并预测2017和2018年该十大恶性肿瘤逐月住院人次、住院费用及平均住院时间。结果 ARIMA(0,1,1)(0,1,1)_(12)是恶性肿瘤住院人次、住院费用及平均住院时间的最佳拟合预测模型,拟合相对误差分别为-0. 89%、4. 71%及-0. 80%。根据ARIMA(0,1,1)(0,1,1)_(12)预测结果,2017年该十大恶性肿瘤住院量将达21 489人次,住院费用将达11. 06亿元,平均住院时间将达11. 29 d。2018年住院量将增至22 894人次,住院费用将高达14. 01亿元,平均住院时间将缩短至10. 45 d。结论 ARIMA季节乘积模型能较好地应用于医院业务管理预测中。(本文来源于《现代医院》期刊2019年03期）
邹沛霖,郑强,马龙,王凯[10]（2019）在《ARIMA乘积季节模型在新疆猩红热发病预测中的应用》一文中研究指出目的探讨ARIMA乘积季节模型在新疆地区猩红热月发病数预测中的应用,并对2018年新疆地区猩红热月新发病例数进行预测,为制订防控策略提供依据。方法对新疆地区2006-2016年猩红热月发病例数作为训练集,2017年猩红热月发病例数作为验证集,用训练集构建ARIMA乘积季节模型,随后用验证集检验模型精度。结果研究得到预测新疆地区猩红热月发病例数的最优模型为ARIMA(1,1,1)(0,1,1)_(12),此模型训练集MAPE为34.81,验证集MAPE为20.52,此模型对新疆地区猩红热发病预测效果较为理想,预测出新疆地区2018全年一共可能有3 474例猩红热新发病人,其中月新发病数最大可能出现在11月,新发病例数可能为556例。结论通过构建ARIMA乘积季节模型对新疆地区的猩红热流行趋势进行预测是可行的,预测得到新疆地区2018年猩红热月新发病数处于较高水平。(本文来源于《新疆医科大学学报》期刊2019年03期）
季节乘积模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
以乘积季节模型为理论基础,采用2006年1月至2018年12月的PPI月度数据,借助EVIEWS8.0软件,对数据进行逐期差分和季节差分消除趋势性和季节性,通过指标对比,建立了ARIMA(3,1,0)(1,1,1)~(24)模型,并对PPI从2019年1月到6月的走势进行了预测,结果表明:该模型对PPI的短期预测具有较高的精度,可以为相关经济政策的制定提供参考.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
季节乘积模型论文参考文献
[1].刘婧.基于时间序列乘积季节模型的泰安市空气质量指数预测[J].科技经济导刊.2019
[2].薛冬梅.基于ARIMA乘积季节模型的我国工业品出厂价格指数(PPI)预测[J].吉林化工学院学报.2019
[3].冯小霞,刘玉嫦,李小玲.自回归积分移动平均乘积季节模型在手足口病发病预测中的应用[J].长治医学院学报.2019
[4].罗兴甸,戴家佳,罗登菊.ARIMA乘积季节模型在我国麻疹发病预测中的应用[J].贵州大学学报(自然科学版).2019
[5].胡文斌,张婷,秦威,施健,罗晓明.ARIMA乘积季节模型分析昆山市2006—2016年脑血管病死亡率[J].江苏预防医学.2019
[6].杜鑫,李大江,刘凯,李念.基于ARIMA乘积季节模型的某医院会诊量预测研究[J].中国病案.2019
[7].胡婧超,郑思思,程景民.基于ARIMA乘积季节模型的流行性感冒预测分析[J].职业卫生与病伤.2019
[8].李盛,王宇红,王金玉,冯亚莉,李普.应用自回归移动平均模型乘积季节模型预测兰州市水相关疾病发病情况[J].环境卫生学杂志.2019
[9].金雯,张岩曦,徐周.基于ARIMA乘积季节模型预测恶性肿瘤住院量、住院费用及平均住院时间[J].现代医院.2019
[10].邹沛霖,郑强,马龙,王凯.ARIMA乘积季节模型在新疆猩红热发病预测中的应用[J].新疆医科大学学报.2019