《表2 三类神经网络模型对该院精神类疾病患者数拟合误差平均值比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《SARIMA及神经网络模型在精神类疾病患者预测中的比较研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由于原序列呈现出周期性季节波动的非平稳序列特点，因此需要建立混合效应SARI-MA（p，d，q）×（P，D，Q）s。一阶差分后的医院精神类疾病患者的自相关系数（ACF）和偏自相关系数（PACF）图见图3。差分后通过ADF检验，确定ARIMA（p，d，q）×（P，D，Q）s中的和D分别为1和1。此时残差序列自相关函数和偏相关函数在可信区间内，AIC数值越小。通过实验数据分析，自回归部分阶数和移动平均阶数可以选取p=1，q=1，P=1，Q=1。综上得出的最优预测模型为ARIMA（1，1，1）×（1，1，1）3。基于和SARIMA同样的历史数据输入，采用BP神经网络和RBF神经网络模型对2016年1月1日～年12月31日该专科医院精神类疾病患者数进行拟合，取最大神经元个数为3000个，扩展速度为3，误差为0.00001。图3和图4中，三种神经网络均能拟合该院精神类疾病患者数。其中，RBF神经网络训练效果最好，具体拟合误差指标见表2。