目的:探讨我国5种病毒性肝炎（肝炎）的时间序列特征，并通过有效的模型预测其发病率。方法:按照甲型肝炎、乙型肝炎、丙型肝炎、戊型肝炎和未分型肝炎5种不同类型肝炎分类方式收集2009-2018年的月度发病数据，进行描述性和时间序列研究，采用趋势分解法以季节指数形式表示时间序列中的季节性，以线性回归模型表示其长期趋势，为每种肝炎建立差分自回归移动平均（ARIMA）模型。结果:2009-2018年报告肝炎14 856 990例，5种肝炎季节指数的极差均<1，戊型肝炎的季节性特征较为显著，其发病呈单峰型，其余4种肝炎的季节性特征一般。甲型肝炎、戊型肝炎和未分型肝炎的发病基本趋于平稳，在一个较低的水平上呈缓慢下降趋势，乙型肝炎发病数在5种肝炎中占比最高（79.59%，11 824 262/14 856 990），但其下降趋势也为各型肝炎中最快（-0.01/10万）。丙型肝炎发病呈不断上升的趋势，上升速率一直保持稳定（0.005/10万）。ARIMA模型拟合的2009年1月至2018年12月的预测值与实际值较一致，平均绝对误差百分比范围为3.756 8~8.068 3。结论:对于法定报告传染病监测数据的时间序列分析有助于更好地了解我国肝炎的发病特征，ARIMA模型可用于我国肝炎的短期预测，具有较好的应用价值。

目的:分析季节性差分自回归移动平均模型（SARIMA）、广义相加模型（GAM）和长短期记忆神经网络模型（LSTM）在肾综合征出血热（HFRS）发病率拟合及预测中的效果，为优化HFRS预测模型提供参考。方法:在公共卫生科学数据中心（https://www.phsciencedata.cn/）收集全国和HFRS发病率居前9位的省份（黑龙江、陕西、吉林、辽宁、山东、河北、江西、浙江和湖南省）2004-2017年HFRS逐月发病率资料，其中，2004-2016年资料作为训练数据，2017年1-12月资料作为测试数据。利用训练数据拟合全国和9个省份HFRS发病率的SARIMA、GAM、LSTM；利用拟合模型预测2017年1-12月HFRS发病率，并与测试数据比较。采用平均绝对百分比误差（ MAPE）评价模型拟合及预测精度， MAPE < 20%时模型拟合或预测效果为好，20%~50%为可接受，> 50%为差。 结果:从总体拟合及预测效果来看，全国和黑龙江、陕西、吉林、辽宁、江西省的最优模型为SARIMA（ MAPE分别为19.68%、20.48%、44.25%、19.59%、23.82%、35.29%），其中，全国和吉林省模型拟合及预测效果为好，其余均为可接受；山东、浙江省的最优模型为GAM（ MAPE分别为18.29%、21.25%），其中，山东省模型拟合及预测效果为好，浙江省为可接受；河北、湖南省的最优模型为LSTM（ MAPE分别为26.52%、22.69%），模型拟合及预测效果均为可接受。从拟合效果来看，GAM在全国数据中拟合精度最高， MAPE =10.44%。从预测效果来看，LSTM在全国数据中预测精度最高， MAPE = 12.23%。 结论:SARIMA、GAM、LSTM均能作为拟合HFRS发病率的最优模型，但不同地区拟合的最优模型表现出较大差异。今后在建立HFRS预测模型时应尽可能多地纳入备选模型进行筛选，以保证较高的拟合及预测精度。

目的:比较常见时间序列模型应用于新型冠状病毒肺炎（COVID-19）疫情预测的效果。方法:收集2020年4月1日至9月30日美国、印度和巴西3个国家COVID-19每日确诊病例数，分别建立差分自回归移动平均（ARIMA）模型和循环神经网络（RNN）模型，使用平均绝对百分比误差（MAPE）和均方根误差（RMSE）等指标，比较不同模型预测9月21-30日确诊病例的表现。结果:应用ARIMA模型预测美国、印度和巴西疫情的MAPE分别为13.18%、9.18%和17.30%，RMSE分别为6 542.32、8 069.50和3 954.59；应用RNN模型预测美国、印度和巴西疫情的MAPE分别为15.27%、7.23%和26.02%，RMSE分别为6 877.71、6 457.07和5 950.88。结论:ARIMA和 RNN模型的COVID-19预测效果存在地区差异，ARIMA模型的预测效果在美国和巴西较优，而RNN模型的预测效果在印度较优。

目的:比较差分整合移动平均自回归模型(ARIMA)和深度学习模型在吸脂操作数据预测分析方面的应用价值。方法:选取2019年1至9月中国医学科学院整形外科医院符合入选标准的行吸脂手术患者，使用基于光学追踪系统和力传感技术的吸脂操作记录系统，采集高年资整形外科医生吸脂手术初始250~400 s的操作数据，包括运动学和力学数据。经预处理后将采集数据分成一个吸脂往复循环为一组的数据。分别使用ARIMA模型和深度学习模型处理分析采集到的数据，建立吸脂操作预测模型。用Matlab 2017软件产生随机数随机抽取30对共计60组吸脂循环数据，计算每对数据的动态时间规整(DTW)值作为检验标准，然后分别计算基于ARIMA模型与深度学习模型的各30组预测数据与实际数据之间的DTW值，与检验标准对比，对2种模型的预测结果进行验证。应用Matlab 2017软件进行统计分析，2组比较用独立样本 t检验， P<0.05为差异有统计学意义。 结果:共入组18例患者，均为女性，年龄23~49岁，平均36.6岁。吸脂部位分别为腹部、大腿、腰部。共获得16 800组吸脂循环数据。模型检验标准DTW值为0.048±0.028。ARIMA模型预测数据与实际数据之间的DTW值为0.660±0.577，与检验标准比较差异有统计学意义( P<0.05)。深度学习模型得出的DTW值为0.052±0.030，与检验标准比较差异无统计学意义( P>0.05)。 结论:相比ARIMA模型，深度学习模型可以更准确地预测吸脂操作数据，能更好地适应不同情况的数据，并且具有更好的实时性。

目的:探讨时间序列模型中的自回归求和移动平均(ARIMA)乘积季节模型，预测成都市辐照悬浮红细胞临床供应量的应用。方法:选择2010年1月至2019年12月，成都市血液中心的辐照悬浮红细胞临床月供应量数据( n＝108)为研究对象。其中，2010年1月至2019年6月的辐照悬浮红细胞临床月供应量数据( n＝102)，用于ARIMA模型拟合；2019年7月至12月的临床月供应量数据( n＝6)，用于验证所建立ARIMA模型的预测效果。采用Eviews 9.0统计学分析软件，对ARIMA模型进行拟合、参数估计及诊断。采用ARIMA模型预测2019年7月至12月成都市血液中心辐照悬浮红细胞的临床月供应量，并将预测值与实际值进行比较，从而对模型进行验证。 结果:①根据2010年1月至2019年6月成都市血液中心的辐照悬浮红细胞临床月供应量数据，构建的时间序列模型为ARIMA(3，1，1)(1，1，1) 12。该模型对成都市血液中心辐照悬浮红细胞临床月供应量的拟合良好[AR(1)＝-0.848、 t＝-4.340、 P<0.001，MR(1)＝-0.474、 t＝2.006、 P＝0.048，MR(2)＝-0.369、 t＝-2.723、 P＝0.008]，残差序列为白噪声( Q＝22.24， P＝0.163)。②采用ARIMA(3，1，1)(1，1，1) 12模型，预测2019年7至12月成都市血液中心辐照悬浮红细胞临床月供应量的预测值，与其实际值的相对误差分别为5.02%、0.34%、4.98%、0.48%、1.26%和2.07%，平均相对误差为2.36%。 结论:本研究建立的ARIMA(3，1，1)(1，1，1) 12模型，能较好地拟合成都市血液中心辐照悬浮红细胞临床供应量变化趋势。该模型适用于辐照悬浮红细胞临床供应量的短期预测，并且为采供血机构辐照悬浮红细胞库存量管理提供依据。

目的:基于2005—2020年深圳市淋病疫情监测数据，构建自回归移动平均（ARIMA）模型以预测深圳市淋病报告发病率的时间趋势。方法:采用R3.5.0软件建立ARIMA模型，包括模型识别、参数检验和诊断三个步骤。将时间序列分为训练集和验证集，其中2005年1月—2020年5月作为训练集进行模型的建立，2020年6—11月作为验证集进行模型的评估。对比模型的BIC值选择拟合最优的模型，并以平均绝对百分误差（MAPE）为评价标准。结果:根据训练集得出最优模型为ARIMA（0，1，1）（2，1，1） 12模型（BIC=370.51），应用模型预测2020年6—11月深圳市淋病发病率，发现有周期性波动以及继续下降的趋势，与真实值的发病率趋势相符。该模型MAPE值为18.35%，2020年6—11月的真实值均在预测值的95% CI内。 结论:ARIMA（0，1，1）（2，1，1） 12模型可很好地拟合周期波动和长期趋势，能够应用于预测深圳市淋病发病趋势。

目的:基于时间序列模型预测分析AP住院患者人数，探讨模型预测效能。方法:收集2014年1月至2019年12月西南医科大学附属医院AP住院患者的临床资料，使用R软件采集住院人数的时间序列，分析2014年至2018年AP住院人数趋势性及季节性特征，进一步通过平稳性检验、模型定阶、模型检验步骤建立自回归移动平均(ARIMA)模型，并运用筛选出的最佳模型对2019年每月住院人数进行预测，验证其预测效能。结果:共3 939例AP患者纳入研究。其中AP最常见病因为胆源性(48.2%)，其次为高三酰甘油血症(36.3%)；发病年龄高峰为40~60岁。时间序列分析显示AP住院患者人数呈逐年增长趋势；发病最高峰为每年2~3月，其次为9~11月，存在季节性变化，夏季的发病率相对较低。建立的原始训练集序列未通过平稳性检验( P＝0.061)，故对其进行一阶差分转化为平稳序列后建立ARIMA模型。模型定阶中根据AIC值最小的准则，筛选出ARIMA(2，1，1)(1，1，1) 12作为最佳模型，运用该模型对2019年AP住院人数进行预测，显示其能较好地拟合发病时间趋势，短期预测效果良好，其平均方根误差和绝对误差分别为6.8790和4.7783。 结论:AP患者住院人数呈逐年上升趋势，且存在季节性变化，ARIMA模型对AP住院患者人数预测效果较好，可用于短期预测。

目的:分析2005-2020年河南省≤14岁儿童丙型肝炎（丙肝）疫情的时间序列特征，并通过有效的模型预测其流行情况。方法:资料来源于中国疾病预防控制信息系统传染病报告信息管理系统2005-2020年河南省报告的≤14岁儿童丙肝个案，季节特征的时间序列分析采用趋势分解法，以季节指数表示季节趋势的显著程度，按月变化的长期趋势采用线性回归模型分析，建立差分自回归移动平均（ARIMA）模型进行拟合。结果:2005-2020年河南省共报告儿童丙肝病例5 355例，当年报告病例季节指数的极差值<1，季节特征不明显。以2012年为界限，2005-2011年当年报告病例数的按月变化长期趋势呈上升趋势（0.351例/月），2012-2020年呈下降趋势（-0.474例/月）。对当年报告病例数和现存儿童病例数2个指标分别建模拟合，ARIMA模型拟合的2005年1月至2020年12月的预测值与实际值较一致，均方根误差、平均绝对误差百分比和平均绝对误差分别为10.240、10.558，35.566、0.659和6.688、7.156。模型对现存儿童病例数的预测值与实际值一致性较好。结论:采用时间序列分析有助于了解河南省≤14岁儿童丙肝的流行特征，ARIMA模型用于河南省儿童丙肝的短期预测和动态分析，具有较好的应用价值。

目的:了解宁波市鄞州区2017-2022年≤6岁儿童疱疹性咽峡炎（HA）流行特征并分析其与手足口病（HFMD）发病的互相关性。方法:基于鄞州区域健康大数据平台2017-2022年的电子病历数据和公共卫生管理数据，分析≤6岁儿童HA流行特征。利用公共卫生管理数据中传染病报告数据计算HFMD发病率，采用自回归移动平均模型与互相关函数分析HA和HFMD发病的相关性。结果:2017-2022年鄞州区≤6岁儿童中累计监测HA病例25 385例，男女性别比为1.12∶1。HA年均发病率为4 986.67/10万，2018年最高（10 477.09/10万），2020年最低（870.88/10万）。HA发病高峰为6、7月，1岁组发病率高于其他年龄组，发病率为7 950.45/10万；云龙镇、姜山镇和下应街道发病率较高，发病率依次为8 764.31/10万、8 377.58/10万和7 965.31/10万。HA发病率与滞后0、7、12、18 d的HFMD发病率互相关系数分别为0.199、0.139、0.090、0.086（均 P<0.05）。 结论:2017-2022年鄞州区≤6岁儿童中HA呈高流行水平，发病率存在季节性和地区差异性，HA发病与HFMD发病存在相关性，且HFMD发病有一定滞后性。应重视HA监测，开展HA和HFMD的同期监测和管理，加强两者的综合防控。

目的:构建融合空气数据的深度网络慢性阻塞性肺疾病（慢阻肺）评估测试（CAT）评分预测模型，并探讨其意义。方法:采用定组研究的方法，自2015年2月至2017年12月从北京大学第三医院、北京大学人民医院和北京积水潭医院呼吸科门诊入选稳定期的慢阻肺患者，采集患者住宅区附近的室外环境监测空气数据，计算患者每日空气污染物暴露量和天气数据，并连续记录患者每日的CAT评分。通过融合时序算法和神经网络建立模型对患者未来一周的CAT评分进行预测，并比较该模型与长短期记忆模型（LSTM）、添加全局注意力机制的LSTM模型（LSTM-attention）和自回归移动模型（ARIMA）的预测准确程度，并探讨预测模型的意义。结果:共纳入47例慢阻肺患者，平均随访时间为381.60 d，利用采集的空气数据和CAT评分构建长短期记忆模型-卷积神经网络-自回归（LSTM-CNN-AR）模型，其模型的均方根误差为0.85，平均绝对误差为0.71，较LSTM、LSTM-attention和ARIMA三者中最优模型平均预测准确度提升21.69%。结论:基于慢阻肺患者所处环境的空气数据，融合深度网络模型可更精准地预测慢阻肺患者的CAT评分。