传染病时空聚集性探测与预测预警方法PDF电子书下载

概论篇 3

1．传染病数据 3

1.1 传染病监测 3

1.2 监测数据特征 5

1.2.1 传染病数据在空间上的特征 5

1.2.2 传染病数据在时间上的特征 6

2．时空分析方法概述 8

2.1 空间聚集性探测 8

2.2 时间序列分析 9

2.3 时空联合预警 10

2.4 时空变异及其规律挖掘 11

空间聚集性探测篇 16

3．Knox方法 16

3.1 概述 16

3.2 基本原理 16

3.2.1 Knox方法的基本形式 16

3.2.2 时间、空间临界值的确定 17

3.2.3 统计推断方法 17

3.2.4 时空聚集强度的确定 18

3.3 实例分析 18

3.3.1 流行性乙型脑炎聚集性分析结果 19

3.3.2 地区差异 26

3.3.3 年龄差异 30

3.3.4 地区差异与年龄差异之间的关联 31

3.3.5 应用小结 32

4．Rogerson空间模式监测 35

4.1 概述 35

4.2 基本原理 35

4.2.1 Tango方法原理及其改进 35

4.2.2 累积和方法原理及参数设置 37

4.3 实例分析 41

4.3.1 分析结果 41

4.3.2 应用小结 53

5．Turnbull方法 57

5.1 概述 57

5.2 基本原理 57

5.3 实例分析 58

5.3.1 发病概况 58

5.3.2 流行病学特征 58

5.3.3 空间聚集性分析 61

5.3.4 应用小结 64

6．Besag-Newell方法 67

6.1 概述 67

6.2 基本原理 67

6.3 实例分析 69

6.3.1 分析结果 69

6.3.2 应用小结 71

时间序列分析篇 75

7．时间序列基本框架及概念 75

8．ARIMA模型 77

8.1 概述 77

8.2 基本原理 77

8.2.1 ARIMA模型 78

8.2.2 季节效应的处理 82

8.3 实例分析 85

8.3.1 肺结核ARIMA建模 85

8.3.2 猩红热X-11-ARIMA建模 89

9．条件异方差模型 94

9.1 概述 94

9.2 基本原理 94

9.2.1 异方差的判断 94

9.2.2 ARCH模型 95

9.2.3 GARCH模型 96

9.2.4 GARCH模型的变体 96

9.2.5 AR-GARCH模型 97

9.3 实例分析 98

10．马尔可夫模型 103

10.1 概述 103

10.2 基本原理 103

10.2.1 马尔可夫链 103

10.2.2 马尔可夫链模型 105

10.3 实例分析 107

10.3.1 方法和结果 107

10.3.2 讨论 109

11．隐马尔可夫模型 112

11.1 概述 112

11.2 基本原理 112

11.2.1 基本概念 113

11.2.2 HMMs的三个基本问题及算法 113

11.2.3 贝叶斯HMMs 119

11.3 实例分析 120

11.3.1 贝叶斯估计 120

11.3.2 贝叶斯隐马尔可夫建模 123

11.3.3 应用小结 133

12．Cyclical回归模型 137

12.1 概述 137

12.2 基本原理 137

12.3 实例分析 137

12.3.1 流感Cyclical回归 137

12.3.2 应用小结 139

13．神经网络 141

13.1 概述 141

13.2 基本原理 142

13.2.1 BP神经网络 142

13.2.2 小波神经网络 143

13.3 实例分析 147

13.3.1 梅毒发病率的预测 147

13.3.2 肾综合征出血热发病率的预测 149

13.3.3 应用小结 151

14．模糊时间序列 153

14.1 概述 153

14.1.1 模糊集合理论起源及应用 153

14.1.2 模糊时间序列基本概念 153

14.2 基本原理 154

14.2.1 模糊时间序列 154

14.2.2 模糊时间序列建模 155

14.3 实例分析 155

14.3.1 肾综合征出血热模糊时间序列模型 155

14.3.2 应用小结 159

时空联合预警篇 164

15．时空扫描统计量 164

15.1 概述 164

15.2 基本原理 165

15.2.1 概率模型 165

15.2.2 无效和备择假设 168

15.2.3 扫描统计量的构建 168

15.2.4 随机化检验 169

15.2.5 检验效能 169

15.2.6 次级聚集性区域 169

15.2.7 扫描窗口形态的拓展 170

15.3 实例分析 173

15.3.1 分析结果 173

15.3.2 应用小结 220

16．WSARE 227

16.1 概述 227

16.2 基本原理 227

16.2.1 基于历史数据的基线 228

16.2.2 基于贝叶斯网络的基线 228

16.2.3 选取最佳得分规则 232

16.2.4 确定规则P值 233

16.3 实例分析 233

16.3.1 WSARE软件 233

16.3.2 实例分析结果 239

16.3.3 WSARE与时空扫描统计量联合预警 251

时空变异及规律挖掘篇 259

17．空间建模的基本问题 259

17.1 空间数据的类型 259

17.2 点数据的识别和建模 259

17.3 格数据的识别和建模 259

18．空间自相关分析 261

18.1 概述 261

18.2 基本原理 261

18.2.1 空间权重矩阵 261

18.2.2 空间自相关系数 263

18.3 实例分析 272

18.3.1 全局空间自相关分析 273

18.3.2 局域空间自相关分析 274

18.3.3 Moran散点图分析结果 277

18.3.4 局域Gj分析结果 279

19．空间自回归模型 286

19.1 概述 286

19.2 基本原理 286

19.2.1 空间自回归基本模型 286

19.2.2 空间自回归模型 287

19.2.3 空间自相关检验及空间自回归模型选择 288

19.3 空间自回归建模的局限性 289

19.4 实例分析 290

20．地理加权回归模型 293

20.1 概述 293

20.2 基本原理 293

20.2.1 GWR的基本模型 293

20.2.2 空间权函数的选择 294

20.2.3 空间权函数带宽的优化 294

20.3 实例分析 295

20.3.1 探索性分析 295

20.3.2 OLS建模 295

20.3.3 GWR建模 297

20.3.4 OLS与GWR模型的比较 299

20.3.5 讨论 300

21．贝叶斯时空模型 302

21.1 概述 302

21.2 基本原理 302

21.2.1 贝叶斯统计的基本原理 302

21.2.2 区域数据的贝叶斯空间模型 303

21.2.3 区域数据的贝叶斯时空模型 303

21.2.4 先验分布和超先验分布的选择 304

21.2.5 空间权重矩阵的选择 307

21.2.6 算法与模型诊断和评价 307

21.3 实例分析 310

21.3.1 布氏菌病贝叶斯时空建模 310

21.3.2 疟疾贝叶斯时空建模 315

22．多水平时空模型 325

22.1 多水平模型的数据结构 325

22.1.1 标准层次结构 325

22.1.2 交叉分类结构 326

22.1.3 多重成员结构 326

22.2 多水平时空模型 326

22.3 实例分析 328