Журнал микробиологии, эпидемиологии и иммунобиологии. 2019; : 76-83
Смешанная техника прогнозирования инфекционной заболеваемости с применением методов декомпозиции временного ряда и Sarima
https://doi.org/10.36233/0372-9311-2019-3-76-83Аннотация
Цель. Оценить возможность применения смешанной техники прогнозирования инфекционной заболеваемости на основе методов декомпозиции временного ряда и SARIMA (decSARIMA).
Материалы и методы. На примере 12 территориальных образований Приволжского федерального округа были проанализированы временные ряды уровня заболеваемости инфекционными патологиями: геморрагической лихорадкой с почечным синдромом (ГЛПС), острыми инфекциями верхних дыхательных путей (ОРВИ) и сифилисом. Декомпозицию временного ряда уровня заболеваемости проводили методом X13-ARIMA-SEATS. Выделяли тренд и сезонную компоненту, каждую из которых затем моделировали методом SARIMA. Итоговую модель уровня заболеваемости получали путем сложения моделей тренда и сезонной компоненты.
Результаты. В среднем модели decSARIMA обладали более высокими или схожими характеристиками качества по сравнению с моделями SARIMA без предварительной декомпозиции. Прогнозные значения уровня заболеваемости, полученные методом decSARIMA, характеризовались более узким доверительным интервалом. Целесообразность применения моделей decSARIMA зависела от компонентного состава и динамики временного ряда уровня заболеваемости. Продемонстрировано значительное улучшение качества модели и прогноза уровня заболеваемости ГЛПС. При моделировании и прогнозе уровня заболеваемости ОРВИ и сифилисом включение этапа декомпозиции временного ряда в анализ признано нецелесообразным.
Заключение. Применение модели decSARIMA позволяет значительно улучшить качество прогноза уровня заболеваемости инфекциями, для которых характерна выраженная сезонность и наличие межгодовых отличий уровня заболеваемости.
Список литературы
1. Кондратьев М.А. Методы прогнозирования и модели распространения заболеваний. Компьютерные исследования и моделирование. 2013, 5(5):863-882.
2. Филатова Е.Н., Солнцев Л.А., Уткин О.В. Влияние сезонных факторов на динамику уровня заболеваемости инфекционным мононуклеозом в разных возрастных группах (на примере Нижнего Новгорода). Эпидемиология и инфекционные болезни. 2017, 22(2): 79—85. doi: 10.18821/1560-9529-2017-22-2-79-85.
3. Эпидемиологический Атлас ПФО [Электронный ресурс]. http://epid-atlas.nniiem.ru/.
4. Barnett A.G., PJ. Baker PJ., Dobson A.J. Season: Analysing Seasonal Data R Functions. R Package Version 0.3-5. 2014, http://www.seasonal.website/.
5. Findley D.F., Martin D.E.K. Some Recent Developments and Directions in Seasonal Adjustment. Journal of Official Statistics. 2006, 21(2):343-365.
6. Hamilton J.D. Time Series Analysis. Cambridge Univ Pres, 1994.
7. Hyndman R. Forecast: Forecasting Functions for Time Series and Linear Models. R Package Version 8.2. 2017, http://pkg.robjhyndman.com/forecast.
8. Hyndman R.J., Khandakar Y Automatic Time Series Forecasting: The Forecast Package for R. Journal of Statistical Software. 2008, 27(3). https://wwwjstatsoft.org/article/view/v027i03. doi: 10.18637/jss.v027.i03.
9. Hyndman R.J., Koehler A.B. Another Look at Measures of Forecast Accuracy. International Journal of Forecasting. 2006, 22(4): 679-688. doi: 10.1016/j.ijforecast.2006.03.001.
10. Li Q., Na-Na G., Zhan-Ying H. et al. Application of an Autoregressive Integrated Moving Average Model for Predicting the Incidence of Hemorrhagic Fever with Renal Syndrome. The American Journal of Tropical Medicine and Hygiene. 2012, 87(2):364-370. doi: 10.4269/ajtmh.2012.11-0472.
11. Rios M., Garcia J.M., Sanchez J.A., Perez D. A Statistical Analysis of the Seasonality in Pulmonary Tuberculosis. European Journal of Epidemiology. 2000, 16(5):483-488.
12. Ture M., Kurt I. Comparison of Four Different Time Series Methods to Forecast Hepatitis A Virus Infection. Expert Systems with Applications. 2006, 31(1):41-46. doi: 10.1016/j.eswa.2005.09.002.
13. Wongkoon S., Jaroensutasinee M., Jaroensutasinee K. Development of Temporal Modeling for Prediction of Dengue Infection in Northeastern Thailand. Asian Pacific Journal of Tropical Medicine. 2012, 5(3):249-252. doi: 10.1016/S1995-7645(12)60034-0.
14. Zhang G.P. Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model — ScienceDirect. Neurocomputing. 2003, 50:159-175. doi: https://doi.org/10.1016/S0925-2312(01)00702-0.
15. Zhang X., Zhang T, Young A.A., Li X. Applications and Comparisons of Four Time Series Models in Epidemiological Surveillance Data. PloS ONE. 2014, 9(2):e91629. doi: 10.1371/journal.pone.0088075.
Journal of microbiology, epidemiology and immunobiology. 2019; : 76-83
Mixed infectious disease forecasting technique, based upon seasonal decomposition and Sarima
https://doi.org/10.36233/0372-9311-2019-3-76-83Abstract
Aim. To study the possibility of using mixed technique for predicting infectious morbidity based on time series decomposition methods and SARIMA (decSARIMA).
Materials and methods. Using the data from 12 regions of Volga Federal District (Russia) we analyzed time series of the incidence of infectious pathologies: hemorrhagic fever with renal syndrome (HFRS), acute upper respiratory viral infection (ARVI) and syphilis. The decomposition of time series of the incidence rate was carried out using X13-ARIMA-SEATS method. The trend and the seasonal component were separated, each of which was then modeled separately by SARIMA method. The final model of the incidence rate was obtained by adding the trend and the seasonal models.
Results. On average, decSARIMA models had higher or similar characteristics of model and prediction quality compared to SARIMA models without preliminary decomposition. The prognosis of the incidence rate obtained by decSARIMA method was characterized by narrower confidence intervals. Reasonability of using decSARIMA models depended on composition and dynamics of time series of the incidence rate. A significant improvement in model and prediction quality was demonstrated for HFRS. When modeling and predicting the incidence rate of ARVI and syphilis, the inclusion of decomposition of time series into the analysis was considered inexpedient.
Conclusion. The usage of decSARIMA model allows to significantly improve the quality of the prognosis of the incidence for infections, which are characterized by pronounced seasonality and the presence of interannual differences in the incidence rate.
References
1. Kondrat'ev M.A. Metody prognozirovaniya i modeli rasprostraneniya zabolevanii. Komp'yuternye issledovaniya i modelirovanie. 2013, 5(5):863-882.
2. Filatova E.N., Solntsev L.A., Utkin O.V. Vliyanie sezonnykh faktorov na dinamiku urovnya zabolevaemosti infektsionnym mononukleozom v raznykh vozrastnykh gruppakh (na primere Nizhnego Novgoroda). Epidemiologiya i infektsionnye bolezni. 2017, 22(2): 79—85. doi: 10.18821/1560-9529-2017-22-2-79-85.
3. Epidemiologicheskii Atlas PFO [Elektronnyi resurs]. http://epid-atlas.nniiem.ru/.
4. Barnett A.G., PJ. Baker PJ., Dobson A.J. Season: Analysing Seasonal Data R Functions. R Package Version 0.3-5. 2014, http://www.seasonal.website/.
5. Findley D.F., Martin D.E.K. Some Recent Developments and Directions in Seasonal Adjustment. Journal of Official Statistics. 2006, 21(2):343-365.
6. Hamilton J.D. Time Series Analysis. Cambridge Univ Pres, 1994.
7. Hyndman R. Forecast: Forecasting Functions for Time Series and Linear Models. R Package Version 8.2. 2017, http://pkg.robjhyndman.com/forecast.
8. Hyndman R.J., Khandakar Y Automatic Time Series Forecasting: The Forecast Package for R. Journal of Statistical Software. 2008, 27(3). https://wwwjstatsoft.org/article/view/v027i03. doi: 10.18637/jss.v027.i03.
9. Hyndman R.J., Koehler A.B. Another Look at Measures of Forecast Accuracy. International Journal of Forecasting. 2006, 22(4): 679-688. doi: 10.1016/j.ijforecast.2006.03.001.
10. Li Q., Na-Na G., Zhan-Ying H. et al. Application of an Autoregressive Integrated Moving Average Model for Predicting the Incidence of Hemorrhagic Fever with Renal Syndrome. The American Journal of Tropical Medicine and Hygiene. 2012, 87(2):364-370. doi: 10.4269/ajtmh.2012.11-0472.
11. Rios M., Garcia J.M., Sanchez J.A., Perez D. A Statistical Analysis of the Seasonality in Pulmonary Tuberculosis. European Journal of Epidemiology. 2000, 16(5):483-488.
12. Ture M., Kurt I. Comparison of Four Different Time Series Methods to Forecast Hepatitis A Virus Infection. Expert Systems with Applications. 2006, 31(1):41-46. doi: 10.1016/j.eswa.2005.09.002.
13. Wongkoon S., Jaroensutasinee M., Jaroensutasinee K. Development of Temporal Modeling for Prediction of Dengue Infection in Northeastern Thailand. Asian Pacific Journal of Tropical Medicine. 2012, 5(3):249-252. doi: 10.1016/S1995-7645(12)60034-0.
14. Zhang G.P. Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model — ScienceDirect. Neurocomputing. 2003, 50:159-175. doi: https://doi.org/10.1016/S0925-2312(01)00702-0.
15. Zhang X., Zhang T, Young A.A., Li X. Applications and Comparisons of Four Time Series Models in Epidemiological Surveillance Data. PloS ONE. 2014, 9(2):e91629. doi: 10.1371/journal.pone.0088075.
