ARIMA-GRNN模型的发病率预测GUI：基于Matlab编写（ARIMA部分）

该软件首先通过经典的ARIMA模型得出初步的预测数值，生成绝对误差序列，然后输入GRNN模型得出预测的绝对误差数值，最后通过反算生成最终预测数值。

第一步、Matlab支持插件的安装

1. 双击MCRInstaller.exe安装

2. 自动解压：

3. 无脑点击下一步

4. 安装完成。

第二步、构建ARIMA模型

一、构建ARIMA模型进入ARIMA模型图形用户界面（GUI）；

1.界面介绍

1.1.数据输入 输入用于预测的原始数据，如下图。

1.2.原始数据绘图 点击弹出原始数据曲线图，以便观察数据的消长趋势以及周期性。

1.3.实际值输入 如果用于测试模型的预测精度，此时要预测的数据已知，则输入该数据集。如果用于预测数据，则要预测的数据未知，此时全部输入0。例如要预测6个数据，则需输入6个0。

1.4.平稳检验和相关图模块

1.4.1.原始数据 点击原始数据按钮，在相关图模块显示原始数据的自相关图以及偏相关图，并在显示检验结果（是否平稳）。

1.4.2.一般拆分 填入拆分次数，点击一般拆分按钮，在相关图模块显示经过一般拆分数据的自相关图以及偏相关图，并在显示检验结果（是否平稳）；拆分次数即为d值。

1.4.2.季节性拆分 填入拆分次数，点击季节性拆分按钮，在相关图模块显示经过季节性拆分数据的自相关图以及偏相关图，并在显示检验结果（是否平稳）；拆分次数即为D值。

1.4.3.一般+季节性拆分 点击一般+季节性拆分按钮，在相关图模块显示经过一般和季节性拆分数据的自相关图以及偏相关图，并在显示检验结果（是否平稳）。

1.5.自动参数寻找模块

1.5.1.Log 勾选后，原始数据经过Log变换。此选项影响所有步骤，包括平稳性检验、模型构建、拟合和预测。

1.5.2寻找必须手动输入参数d和D，周期s默认为12，可以根据实际情况修改。点击寻找按钮后，程序自动寻找最优p、q、P、Q参数（四个参数取值均从0至3）；并将最优参数值输出。

1.6.预测模块

1.6.1.预测数目（个） 显示需要预测数据的个数，程序自动从实际值输入文本框识别个数并输出。

1.6.2.模型参数 输入模型7个参数，其中周期s默认为12，可以根据需要修改。

1.6.3.预测点击预测按钮后，输出AIC值、BIC值、预测值、实际值，弹出模型参数检验的窗口，并在曲线图模块显示实际值和预测值的曲线图，在误差模块显示预测误差的四个指标。

1.7.曲线图模块

1.7.1.拟合点击拟合按钮后，显示模型拟合效果曲线图，并在误差模块输出拟合误差的四个指标，弹出显示模型具体拟合值的窗口。

1.7.2.预测点击拟合按钮后，显示模型拟合效果曲线图，并在误差模块输出拟合误差的四个指标。

1.8.误差模块

1.8.1.拟合误差 MAE 输出模型预测的平均绝对误差；

MAPE 输出模型预测的平均相对误差；

MSE 输出模型预测的均方误差；

RMSE 输出模型预测的均方根误差。

1.8.2.预测误差 MAE 输出模型预测的平均绝对误差；

MAPE 输出模型预测的平均相对误差；

MSE 输出模型预测的均方误差；

RMSE 输出模型预测的均方根误差。

1.9重置清空所有窗口，进行下一组数据操作。

图1 ARIMA软件界面下载地址

二、基于实例文献进行操作演示

数据来源于Wei Wu等[1]运用组合模型对江苏省HFRS月发病率进行预测。江苏省2004年1月至2012年12月HFRS月发病率如图1所示。本文使用2004年1月至2011年12月HFRS月发病率数据构建模型（训练集），预测2011年1月至2011年12月HFRS月发病率数据（测试集）。论文地址原始数据地址

1. Wu W, Guo J, An S, et al. Comparison of Two Hybrid Models for Forecasting the Incidence of Hemorrhagic Fever with Renal Syndrome in Jiangsu Province, China. Plos One, 2015, 10(8).