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