传统的疾病监测系统建立在医院诊断和实验室检查的基础上,在症状报告或样品采集和疾病的最后诊断之间通常存在一段时间的滞后期,而生物恐怖事件或者其它公共卫生突发事件的应对,需要快速鉴定并做出反应。相比较传统的疾病监测,症状监测则是收集各种与健康事件相关的数据,辅以精密的信号检测方法来监测突发公共卫生事件爆发初期的异常现象。症状监测的数据一般都是通过网络直报,缺乏前瞻性,而通过时间序列分析方法对症状监测的数据进行预测可达到预警的作用。研究目的本研究的目的是探索时间序列分析方法在症状监测预测中的应用,对监测症状的时间序列进行时间序列方法学上的探索,分别运用ARIMA模型和指数平滑模型对症状发展做出定量预测预报,从理论角度为制定科学有效的防治措施提供理论依据,为解决症状监测预测预报提供新的思路。资料与方法收集杭州市中小学生2009年8月31日-2010年6月31日(2009年第36周-2010年第27周,共44周)8种监测症状的数据,探讨各个症状的分布情况。采用时间序列分析方法(ARIMA模型、指数平滑模型等)以周为时间单位分析预测发热、咳嗽等代表症状出现的人次数；比较两种模型预测的结果,并进一步探讨哪种模型更适合此类数据。研究结果1 ARIMA模型拟合结果对发热和咳嗽序列的人次数预测模型分别为ARIMA(1,0,0)和ARIMA(1,1,1),表达式分别为：2指数平滑法拟合结果本研究采用三种指数平滑模型对发热和咳嗽序列人次数分别建立了预测模型,即简单指数平滑法：发热α=0.99,SSE=24.8319。咳嗽α=0.45,SSE=26.4520。单参数双重指数平滑法：发热α=0.27,SSE=36.2534。咳嗽α=0.21,SSE=28.9208。Holt-Winters两参数双重指数平滑法：发热α=0.999,γ=0.001,SSE=25.4046。咳嗽α=0.404,γ=0.001,SSE=26.4351.结论1 ARIMA模型和指数平滑法都适合于症状监测数据的预测。指数平滑法需要通过反复试验确定使均方差最小的α值,它只需知道上一年的资料即可。指数平滑的优点是能够把新观察的值考虑进去,不断地对模型进行修正。ARIMA法将移动平均法、自相关分析及数据的平稳性考虑在了一起,通过自相关系数和偏自相关系数分析确定q和p。ARIMA模型预测法是根据对时间序列的具体分析,初步选定一个试用模型,然后用一系列统计方法来检验这个试用模型是否适用,如不适用,可以对这个模型作必要的调整,或重新选用新的试用模型,因而ARIMA模型预测法适用于各种类型的时间序列数据。理论上讲ARIMA法更全面,综合考虑因素多,但有时在不同的应用条件下,模型的选择还要视具体情况而定,本研究结果也验证了这一点。2本文研究结果显示指数平滑法的预测效果好于ARIMA模型,但拟合精度不如ARIMA模型。3时间序列分析方法在症状监测中的应用为疾病预防控制工作提供有效的理论支持。近年来,以诊断为基础的传统疾病监测已难以适应公共卫生监测对及时性的苛刻要求。症状监测有望通过更早期广泛地收集异常症状相关数据,依靠即时地数据整合以及精密地信号检测,更早地发现突发公共卫生事件的发生并发出警报,这对及时采取有效的公共卫生应对措施,降低患病率、死亡率和减少经济损失都是至关重要的。如能找出适合症状监测的预测模型,更早地预报发现症状的异常现象,就能为疾病预防控制提供更早期更及时更可靠的依据。