基于时间序列模型对南非新型冠状病毒传播的预测研究的文献综述
摘 要：由于最近世界范围内新型冠状病毒在肆意传播，很多国家都受到了相当大的影响，因此如果能够建立相关的时间序列模型预测病毒的传播速度和传播的路径以及疫情截止的时间，将能够更好的帮助人们来防控疫情的蔓延。因为需要建立时间序列模型，需要了解国内外相关知识。因为新型冠状病毒存在较多不确定性，因此具有较高的预测难度，本文以常见的病毒为例，建立先关的时序模型进行初步的研究。
关键词：时间序列分析；病毒传播；ARIMA模型；模型应用
- 时间序列模型的应用
为了解时间序列模型的相关应用，笔者通过中国知网搜索了相关的文献资料，发现了时间序列模型的应用方面还是很广泛的，比如在对某些省市GDP发展的方面，GDP分别建立了ARIMA时间序列模型和GMDH变量自回归模型来进行预测：然后利用GMDH自组织建模方法建立ARIMA—GMDH组合预测模型来预测，在拟合和预测效果具有较高的可靠性、准确性和稳定性。[1]
甚至时间序列模型可以研究更加细节的方面比如通过海量数据分析肉鸡价格建立定量分析预测模型。在市场经济竞争日益激烈的背景下，肉鸡企业能够准确预测肉鸡价格走势，主动适应市场，规避市场风险。[2]
除了经济方面的研究，时间序列模型对其他方面也具有良好的研究价值，可以建立一种基于时间序列数据挖掘的发动机故障检测方法，有效地检测发动机试车实验中性能参数发生的异常。[3]也可以短期准确预测民航运输量，为航空公司、机场、空管等部门可持续发展提供决策依据。[4]
尤其时间序列模型对某些疾病也具有较强的预测性，如果能够建立准确的模型，预测准确性将会令人满意。将时间序列挖掘方法引入糖尿病证候演化规律的研究中，以大样本临床证候数据为研究对象，研究糖尿病证候演化规律，用以指导临床实践[5]对于某些流行病可以从利用时间序列分析，探讨ＡＲＩＭＡ模型在登革热和病毒性肝炎发病趋势预测上的作用，为疾病防控提供数据支持。[6][7]
- 时间序列相关模型介绍
时间序列是一种广泛存在的数据,客观记录了所观测的系统在各个时刻点的具体值,所以可以通过研究时间序列数据来辨识和重构所观测系统的动力学行为。早期的研究方法是基于统计学知识的,主张在满足某种假设的前提下用解析函数来对时间序列进行全局建模。但是时间序列往往都含有大量噪声和复杂结构,导致解析函数的建模变得非常困难。因此,需要一种研究方法能够充分利用时间序列数据发掘其背后隐含的规律和知识。在这种需求的促进下,基于数据挖掘技术的时间序列数据研究方法就应运而生了[8]。对预测类的时间序列模型又可以简单分为传统的线性时间序列预测技术，非线性时间序列预测技术以及其他技术,如滑动窗口二次自回归模型、基于云模型的时间序列预测等[9]。由于需要研究病毒传播和预测方面的模型，所以普通的时间序列模型可能会存在较大的误差，此时就需要对已有的模型进行修改，对于符号数据也可以学习这种随机模型(例如HMM)，以HMMs的形式将这种模式与学习模型联系起来。[10]
某些学者为了在挖掘的过程中比较序列的相似性 ,大量的研究都采用了欧氏距离度量或者其变形,但是欧氏距离及其变形对序列在时间轴上的偏移非常敏感.因此,采用了更棒的动态时间弯曲距离,允许序列在时间轴上的弯曲,并且提出了一种新的序列分段方法,在此基础上定义了特征点分段时间弯曲距离.与经典时间弯曲距离相比,大大提高了效率,而且保证了近似的准确性。[11]
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
