谷歌浏览器插件
订阅小程序
在清言上使用

SARIMA模型参数设置探讨

Practical Preventive Medicine(2019)

引用 1|浏览13
暂无评分
摘要
目的 比较不同参数设置的SARIMA模型拟合及预测效果,为提高SARIMA模型精度提供参考. 方法 利用全国2009年1月-2015年6月手足口病逐月发病率数据,按照传统图示法确定参数p,q值,建立SARIMA模型,记为模型1.再将参数p,q值±1,构建多个备选模型,筛选最优模型,记为模型2.利用模型1和模型2预测2015年7-10月手足口病发病率并与实际值比较,采用平均绝对误差百分比(mean absolute percentage error,MAPE)、平均误差率(mean error rate,MER)、均方误差(mean square error,MSE)和平均绝对误差(mean absolute error,MAE)评价模型拟合及预测效果. 结果 模型1为SARIMA(1,0,0)(1,1,0)12;模型2有2个,包括SARIMA(1,0,1)(1,1,0)12和SARIMA(1,0,1)(0,1,1)12.SARIMA(1,0,0)(1,1,0)12、SARIMA(1,0,1)(1,1,0)12和SARIMA(1,0,1)(0,1,1)12拟合的MAPE依次分别为22.891%、20.015% 、19.985%. SARIMA(1,0,0)(1,1,0)12 、SARIMA(1,0,1)(1,1,0)12和SARIMA(1,0,1)(0,1,1)12预测的MAPE、MER 、MSE和MAE依次分别为9.119%、8.988%、1.874%和1.107%;11.000%、10.909%、2.552%和1.344%;8.711%、8.477%、1.857%和1.044%. 结论 SARIMA(1,0,1) (0,1,1)12为最优模型,拟合及预测效果优于图示法建立的SARI-MA(1,0,0)(1,1,0)12模型.在SARIMA建模过程中应在图示法基础上采用凑试法,筛选最优参数,提高模型精度.
更多
AI 理解论文
溯源树
样例
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要