目的分析新疆生产建设兵团(简称兵团)布鲁菌病发病趋势,探讨差分自回归移动平均(autoregressive integrated moving average model,ARIMA)模型和长短期记忆网络(long short-term memory,LSTM)模型在布鲁菌病发病预测中的应用。方法根据2...目的分析新疆生产建设兵团(简称兵团)布鲁菌病发病趋势,探讨差分自回归移动平均(autoregressive integrated moving average model,ARIMA)模型和长短期记忆网络(long short-term memory,LSTM)模型在布鲁菌病发病预测中的应用。方法根据2010—2022年兵团布鲁菌病月报告发病病例数据,建立ARIMA模型和LSTM神经网络模型,对兵团布鲁菌病发病数进行拟合及预测,通过比较均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)及决定系数(coefficient of determination,R^(2))的大小对模型进行预测效果评价。结果ARIMA(1,0,1)(0,1,2)12模型拟合和预测的RMSE和MAE分别为19.72、16.40、12.02和8.16,拟合的R^(2)为82.51,LSTM神经网络模型拟合和预测的RMSE和MAE分别为13.37、10.88、10.26和7.71,拟合的R^(2)为84.70。LSTM模型的拟合及预测效果显著优于ARIMA(1,0,1)(0,1,2)12。ARIMA模型和LSTM模型预测2023—2024年兵团布鲁菌病病例数分别为773和789例。结论兵团13年来布鲁菌病发病总体呈上升趋势,且存在一定的季节性趋势。LSTM模型可较好地拟合和预测兵团布鲁菌病的发病数及趋势,且模型效果优于ARIMA(1,0,1)(0,1,2)12模型,能在一定程度上提高预测精确度,为布鲁菌病的防控提供参考依据。展开更多
文摘目的分析新疆生产建设兵团(简称兵团)布鲁菌病发病趋势,探讨差分自回归移动平均(autoregressive integrated moving average model,ARIMA)模型和长短期记忆网络(long short-term memory,LSTM)模型在布鲁菌病发病预测中的应用。方法根据2010—2022年兵团布鲁菌病月报告发病病例数据,建立ARIMA模型和LSTM神经网络模型,对兵团布鲁菌病发病数进行拟合及预测,通过比较均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)及决定系数(coefficient of determination,R^(2))的大小对模型进行预测效果评价。结果ARIMA(1,0,1)(0,1,2)12模型拟合和预测的RMSE和MAE分别为19.72、16.40、12.02和8.16,拟合的R^(2)为82.51,LSTM神经网络模型拟合和预测的RMSE和MAE分别为13.37、10.88、10.26和7.71,拟合的R^(2)为84.70。LSTM模型的拟合及预测效果显著优于ARIMA(1,0,1)(0,1,2)12。ARIMA模型和LSTM模型预测2023—2024年兵团布鲁菌病病例数分别为773和789例。结论兵团13年来布鲁菌病发病总体呈上升趋势,且存在一定的季节性趋势。LSTM模型可较好地拟合和预测兵团布鲁菌病的发病数及趋势,且模型效果优于ARIMA(1,0,1)(0,1,2)12模型,能在一定程度上提高预测精确度,为布鲁菌病的防控提供参考依据。
