基于ARIMA和SVM混合模型的流感新增病例预测

• 作者: 李荣庭 段鹏 胡瑞 范莲静
• 来源期刊: 云南民族大学学报（自然科学版）
• 学科: 工学
• 关键词: 时间序列 支持向量机 甲型流感 疾病预测 机器学习
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 信息与计算机科学
• 页码范围: 103-110
• 页数: 8页
• 分类号: TP181
• 语种: 中文
• DOI: 10.3969/j.issn.1672-8513.2022.01.016

摘要

常见的传染病预测模型需要大量数据作为支持如灰色模型、人工神经网络模型、通径分析模型.对于突如其来的大规模传染病,其数据量小、预测结果亟待使用的特点对预测工作的准确度和速度提出了双重要求.针对2009年美国爆发的甲型H1 N1流感新增病例的少样本数据集,优化ARIMA模型,建立一种对未来流感新增病例数的预测模型,使得该模型的预测结果不再依赖大量的数据并具有较高的可信度.在研究中,引入支持向量机模型对误差进行优化,通过最小残差值函数找到合适的参数,并应用到自回归过程中.仿真结果表明,SVM优化后的ARIMA模型无需大量数据亦能保证预测的结果准确.