目的建立疑似预防接种异常反应(adverse event following immunization, AEFI)报告病例数的季节性自回归积分滑动平均模型(autoregressive integrated moving average model, ARIMA),对AEFI报告数进行预测。方法使用R语言做模型的识别...目的建立疑似预防接种异常反应(adverse event following immunization, AEFI)报告病例数的季节性自回归积分滑动平均模型(autoregressive integrated moving average model, ARIMA),对AEFI报告数进行预测。方法使用R语言做模型的识别、模型参数的估计、检验,建立季节性ARIMA模型,对辽宁省AEFI报告数进行模型拟合,用2019年1-12月的预测值与实际值作比较,检验模型的预测能力。结果经过多次检验,确定ARIMA(0,1,1)(1,1,1)_(12)模型预测能力最佳,其残差序列为白噪声。用2019年1-12月数据检验模型,由MAPE的绝对值可以看出,除3月外其他月份预测值与实际值相差均较小,说明模型的拟合优度相对较好,预测结果可靠。结论季节性ARIMA(0,1,1)(1,1,1)_(12)模型可以较为准确地预测辽宁省AEFI病例报告趋势,可为合理配置AEFI调查诊断所需资源提供理论依据。展开更多
本文旨在建立新零售的精准预测模型,首先通过对新零售目标商品的主要指标数据进行数据预处理,接着建立Pearson相关系数模型,使用Python分析得到热力图,确定销售量具有较好的预测性并存在自相关性,将其作为本文预测模型的重要决策变量,...本文旨在建立新零售的精准预测模型,首先通过对新零售目标商品的主要指标数据进行数据预处理,接着建立Pearson相关系数模型,使用Python分析得到热力图,确定销售量具有较好的预测性并存在自相关性,将其作为本文预测模型的重要决策变量,然后建立差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model,简称ARIMA),同时考虑商品由于季节所造成的影响,并优化成季节性ARIMA预测模型,最后使用平均绝对百分比误差(MAPE)评估模型,得到预测误差百分比均值为19.33%。本文模型预测误差小,对新零售商品的预测具有指导意义。展开更多
文摘目的建立疑似预防接种异常反应(adverse event following immunization, AEFI)报告病例数的季节性自回归积分滑动平均模型(autoregressive integrated moving average model, ARIMA),对AEFI报告数进行预测。方法使用R语言做模型的识别、模型参数的估计、检验,建立季节性ARIMA模型,对辽宁省AEFI报告数进行模型拟合,用2019年1-12月的预测值与实际值作比较,检验模型的预测能力。结果经过多次检验,确定ARIMA(0,1,1)(1,1,1)_(12)模型预测能力最佳,其残差序列为白噪声。用2019年1-12月数据检验模型,由MAPE的绝对值可以看出,除3月外其他月份预测值与实际值相差均较小,说明模型的拟合优度相对较好,预测结果可靠。结论季节性ARIMA(0,1,1)(1,1,1)_(12)模型可以较为准确地预测辽宁省AEFI病例报告趋势,可为合理配置AEFI调查诊断所需资源提供理论依据。
文摘本文旨在建立新零售的精准预测模型,首先通过对新零售目标商品的主要指标数据进行数据预处理,接着建立Pearson相关系数模型,使用Python分析得到热力图,确定销售量具有较好的预测性并存在自相关性,将其作为本文预测模型的重要决策变量,然后建立差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model,简称ARIMA),同时考虑商品由于季节所造成的影响,并优化成季节性ARIMA预测模型,最后使用平均绝对百分比误差(MAPE)评估模型,得到预测误差百分比均值为19.33%。本文模型预测误差小,对新零售商品的预测具有指导意义。
