No abstract

Число работ, посвященных прогнозированию инфекционной заболеваемости, стремительно растет по мере появления статистики, позволяющей провести анализ. В настоящей статье представлен обзор основных решений, доступных сегодня для формирования как краткосрочных, так и долгосрочных проекций заболеваемости; указаны их ограничения и возможности практического применения. Рассмотрены традиционные методы анализа временных рядов-регрессионные и авторегрессионные модели; подходы, опирающиеся на машинное обучениебайесовские сети и искусственные нейронные сети; рассуждения на основе прецедентов; техники, базирующиеся на решении задачи фильтрации. Перечислены важнейшие направления разработки математических моделей распространения заболевания: классические аналитические модели, детерминированные и стохастические, а также современные имитационные модели, сетевые и агентные. Ключевые слова: прогнозирование заболеваемости, поточечные оценки, регрессионные модели, АРПСС, скрытые марковские модели, метод аналогий, экспоненциальное сглаживание, SIR, модель Барояна-Рвачева, клеточные автоматы, популяционные модели, агентные модели

This paper compares the feasible methods for the long-term forecasting of the incidence rates of influenza-like illnesses (ILI) and acute respiratory infections (ARI), which is important for strategic management. A literature survey shows that the most appropriate techniques for long-term ILI & ARI morbidity projections are the following well-known statistical methods: simple averaging of observations, point-to-point linear estimates, Serfling-type regression models, autoregressive models such as autoregressive integrated moving average (ARIMA) models, and generalized exponential smoothing using the Holt-Winters approach. Using these methods and official data on the total number of ILI & ARI cases per week in 2000-2012 in Moscow, St. Petersburg, Novosibirsk, Yekaterinburg, Nizhny Novgorod and Yakutsk, we developed oneyear projections and evaluated their accuracy. Different methods yielded the best results, depending on the time series. Generally, it is preferable to use the Serfling model. The Serfling model forecasts almost matched the pointto-point linear estimates. In certain cases, ARIMA outperformed the Serfling model. Simple averaging can ensure a fairly good prediction when the ILI & ARI time series do not exhibit a trend. The results of exponential smoothing were poorer than those of other techniques.

No abstract