目的应用自回归求和移动平均(autoregressive integrated moving average model,ARIMA)乘积季节模型分析山东省猩红热季节性时间序列,探讨建立山东省猩红热发病数ARIMA预测模型的可行性。方法应用SAS软件对2012年1月至2018年12月山东省...目的应用自回归求和移动平均(autoregressive integrated moving average model,ARIMA)乘积季节模型分析山东省猩红热季节性时间序列,探讨建立山东省猩红热发病数ARIMA预测模型的可行性。方法应用SAS软件对2012年1月至2018年12月山东省猩红热月报告发病数建立ARIMA乘积季节预测模型,利用2019年1~9月数据进行模型检验,评价预测效果。结果山东省猩红热分月报告发病数存在明显的季节性规律,发病高峰分别为4~6和11月到次年1月。建立的ARIMA(1,0,0)(1,1,0)6乘积季节模型所有参数均通过统计学检验(P<0.05),模型表达式为■■6xt=1/(1-0.081292B)(1+0.82844B6)εt;2019年1~9月预测值发病趋势与实际值基本一致,实际值均在预测值的95%置信区间(95%CI)内。结论ARIMA(1,0,0)(1,1,0)6乘积季节模型预测效果较好,可用于山东省猩红热月报告发病人数的预测。展开更多
文摘通过网络提供服务的Web Service的服务质量会随着网络环境、服务器负载等因素的变化而变化,如何更好地帮助用户选择在未来一段时间内符合服务质量需求的Web Service,是目前服务计算领域中需要解决的关键问题之一。针对上述问题,提出了一种基于时间序列分析的Web Service QoS预测方法,并实现了相应的Web Service QoS自动预测工具。该工具能够根据Web Service的历史QoS数据,有效地预测未来短期内的QoS信息。以17832个Web Service的历史数据为基础,设计了相关实验,并验证了方法的有效性。
文摘目的应用自回归求和移动平均(autoregressive integrated moving average model,ARIMA)乘积季节模型分析山东省猩红热季节性时间序列,探讨建立山东省猩红热发病数ARIMA预测模型的可行性。方法应用SAS软件对2012年1月至2018年12月山东省猩红热月报告发病数建立ARIMA乘积季节预测模型,利用2019年1~9月数据进行模型检验,评价预测效果。结果山东省猩红热分月报告发病数存在明显的季节性规律,发病高峰分别为4~6和11月到次年1月。建立的ARIMA(1,0,0)(1,1,0)6乘积季节模型所有参数均通过统计学检验(P<0.05),模型表达式为■■6xt=1/(1-0.081292B)(1+0.82844B6)εt;2019年1~9月预测值发病趋势与实际值基本一致,实际值均在预测值的95%置信区间(95%CI)内。结论ARIMA(1,0,0)(1,1,0)6乘积季节模型预测效果较好,可用于山东省猩红热月报告发病人数的预测。
