SARIMA及神经网络模型在精神类疾病患者预测中的比较研究.pdf

"SARIMA及神经网络模型在精神类疾病患者预测中的比较研究" 本研究旨在比较SARIMA模型和神经网络模型在预测精神类疾病患者中的效果。研究使用了贵州省某专科医院2016年1月1日至12月31日的医疗信息系统（HIS）中的数据，建立了SARIMA模型、BP神经网络模型、RBF神经网络模型和小波神经网络模型，并对2017年1月1日至16日的精神类疾病患者数进行了预测。 知识点： 1. SARIMA模型：SARIMA（Seasonal AutoRegressive Integrated Moving Average）模型是一种时间序分析模型，常用于预测时间序列数据。SARIMA模型可以分解为三个部分：自回归部分、差分部分和移动平均部分。 2. 神经网络模型：神经网络模型是一种机器学习算法，常用于预测和分类任务。BP神经网络（Back Propagation Neural Network）是一种多层神经网络，RBF神经网络（Radial Basis Function Neural Network）是一种单隐层神经网络，小波神经网络（Wavelet Neural Network）是一种基于小波变换的神经网络。 3. 预测精神类疾病患者数：预测精神类疾病患者数是医疗信息系统中的一个重要任务。通过建立预测模型，可以预测未来的一段时间内精神类疾病患者的数量，从而帮助医院管理和预防工作。 4. 数据预处理：数据预处理是机器学习和数据挖掘中的一个重要步骤。在本研究中，使用了2016年1月1日至12月31日的数据作为训练集，将2017年1月1日至16日的数据作为验证集。 5. 模型评估：模型评估是机器学习和数据挖掘中的一个重要步骤。在本研究中，使用了平均绝对误差、平均相对误差和均方根误差三个指标来评估模型的拟合效果。 6. 结果比较：在本研究中，RBF神经网络模型的拟合效果优于BP神经网络和小波神经网络模型，平均绝对误差为1.84%，平均相对误差为4.92%，均方根误差为4.74%。 7. 应用价值：本研究结果表明，SARIMA模型和神经网络模型可以用于预测精神类疾病患者数，帮助医院管理和预防工作。同时，本研究结果也表明，RBF神经网络模型在预测精神类疾病患者数方面具有优势，可以作为预防和医院管理的理论依据。 本研究比较了SARIMA模型和神经网络模型在预测精神类疾病患者中的效果，结果表明RBF神经网络模型的拟合效果优于其他模型，具有重要的应用价值。